In this study, we comparatively analyzed the efficiency of conventional image recognition methods and propose a digital information provisioning method for autonomous vehicle traffic safety facility recognition. We evaluated the practicality of both approaches from the perspective of autonomous vehicles' capabilities of processing regulatory information and the distribution of legal responsibility. Comprehensive field experiments were conducted at 9 major intersections in the Pangyo Techno Valley area of Hwaseong City over a 10- day period from July 12-23, 2021. Three test vehicles equipped with in-vehicle terminals and video cameras collected data through 300 driving scenarios, including 240 during peak hours and 60 during off-peak periods. The proposed digital information provision method exhibited superior performance, achieving a 100.0 % recognition success rate across all test scenarios and road conditions. In contrast, the conventional image recognition method exhibited significant variability in performance, ranging from 56.9 % in underpass conditions to 95.9 % in areas with communication interference, with an overall average of 70.8 %. The digital information provision method demonstrated superior performance compared to conventional image recognition approaches for autonomous vehicle regulatory compliance. The proposed approach delivered consistent and reliable information regardless of physical obstacles or environmental conditions. This method ensures complete comprehension of regulatory information, which is essential for establishing clear legal responsibility frameworks in autonomous driving environments.

In this study, we investigated and analyzed the impact of changes in driving speed and inter-vehicle distance on users’ perceived tension during autonomous vehicle operation. To this end, a survey experiment was conducted for both urban roads and highways. The results show that the greatest changes in perceived tension occurred in the range of 50–70 Km/h and 50–70 m following distance on urban roads, and in the range of 80–100 Km/he and 60–80 m following distance on highways. Furthermore, modeling user behavioral responses to perceived tension based on changes in speed and following distance revealed that linear models best described the relationship for speed on both urban roads and highways. For the following distance, a quadratic model was the most suitable for urban roads, whereas a logarithmic model best fit the highway data. These findings are expected to contribute to practical operational guidelines for autonomous vehicles by alleviating users’ psychological discomfort and enhancing public acceptance. Future research will extend this study using a driving simulator to examine user responses in more realistic driving environments.

In the Autonomous Mobility Living Lab, traffic situations with both autonomous vehicles (AVs) and ordinary vehicles driven by humans (HDVs) are explored. Research on countermeasures and efficient transportation management plans has emerged from this context. In this study, we analyzed the effect of AVs with different speeds on signal intersections and road networks to derive efficient traffic operation plans for roads on which various AVs and HDVs with different driving behaviors are mixed in Living Lab cities. To that end, we conducted a simulation-based analysis of the effects of AV mixing rates on continuous signal intersections and the road network in traffic situations where AVs and HDVs were mixed at peak and non-peak driving hours. The simulation scenario was designed by classifying the traffic volume levels at peak and non-peak times and defining various AV mixing rates; we also set the driver behaviors of the AVs as either conservative or aggressive. By performing a small-scale traffic simulation, the average control delay, average stopped delay, average queue length, and average travel time of the signal intersection for each scenario were derived, and the impact of the AV mixing rate on traffic operation was analyzed. The results of the analysis show that higher AV mixing rates were associated with lower measurements of the effectiveness of signal intersections, which had a positive effect on traffic operation. This resulted in a stable and efficient improvement of the traffic flow at intersections as more vehicles passed through at the time of the allocated signal, as the AVs in the simulation could be driven at short intervehicle intervals by receiving real-time traffic information. In the traffic operation on the network, we found that the higher the AV mixing rate, the lower the average travel time, resulting in a greater effect of facilitating the traffic flow of the urban network. These simulated results indicate that higher AV mixing rates were associated with positive outcomes in terms of signal intersections and network traffic operation. We expect that this simulation can be used to establish real traffic operation plans in traffic situations where AVs are mixed at each stage of autonomous driving technology in the future.

Autonomous vehicles are widely expected to be commercialized in the near future. This would naturally lead to situations in which existing vehicles and autonomous vehicles would be on the road at the same time, which would pose a notable hazard to traffic safety. From this perspective, high-risk factors relating to this deployment should be identified to prepare measures to promote traffic safety. However, at this point, deriving high-risk factors based on actual data is problematic because autonomous vehicles have not yet been widely commercialized. In this study, we derive high-risk factors that would apply if autonomous vehicles were allowed to drive alongside vehicles driven by humans using a meta-analysis. We synthesized factors related to autonomous vehicles mentioned in the relevant literature. An analysis was conducted based on a total of 58 documents according to five keywords related to autonomous vehicles (crash factors, scenarios, predictive models, laws, and regulations). We also performed a binary meta-analysis of factors related to autonomous vehicles according to these keywords and a meta-analysis of effect size according to the relative size of factors to evaluate them comprehensively. We found that many different aspects of driving such as navigating intersections, lanes, fog, rain, acceleration and deceleration, rear-end collisions, inter-vehicle spacing, and pedestrian collisions were notable as high-risk factors. This study provides basic data to identify high-risk factors to support the development of related prediction models.

본 연구는 레벨 3 자율주행의 운전이양권(TOR) 안전성 향상을 위해, 기존 행동 기반 감지 방식의 한계를 극복하 는 운전자 모니터링 시스템(DMS)을 개발했다. 차량의 미러 내장형 RGBW 카메라를 이용한 비접촉 원격 광용적맥 파(rPPG) 기술로 운전자의 심박수를 실시간 측정하고, 심박변이도(HRV) 분석을 통해 졸음, 스트레스 등 운전자의 각성 수준을 판단한다. 딥러닝 기반 얼굴 인식, 신호 처리, 패턴 인식 알고리즘을 통합하여 시스템을 구현했다. 총 28명을 대상으로 105시간 이상의 실제 도로 환경에서 검증한 결과, 심전도(ECG) 대비 85.14%의 심박수 측정 정확 도와 90.81%의 상태 판단 정확도를 달성했다. 본 연구는 생체신호 기반의 운전자 상태 평가가 TOR 판단의 신뢰성 을 높이는 핵심 기술이 될 수 있음을 실증했다.

This study aims to analyze the mitigation effects of phantom traffic jams on highways in a mixed traffic environment in which autonomous vehicles (AVs) and human-driven vehicles coexist. It focuses on identifying the key factors that contribute to phantom congestion and evaluating the extent to which the introduction of AVs can stabilize traffic flow and alleviate nonrecurring congestion. To achieve this goal, a theoretical analysis was conducted to examine the major causes of phantom traffic jams, including variations in the vehicle speed, road gradients, driver behaviors (for example, acceleration and deceleration), and visual adaptations in tunnel sections. Based on these factors, simulation scenarios were constructed using VISSIM to replicate real-world conditions in highway tunnel segments. The scenarios varied according to the AV penetration rate (0%, 20%, 40%, and 60%) and incorporated key traffic indicators such as the vehicle composition, speed, and headway. Traffic flow stability was evaluated using metrics including the average travel speed, headway consistency, and frequency of acceleration and deceleration events across sections. The simulation results showed that as the proportion of AVs increased, the average travel speed improved, and both the headway stability and flow continuity were enhanced. In particular, tunnel segments with higher AV ratios experienced fewer deceleration events and reduced behavioral variability, contributing to a more stable traffic flow. These findings suggested that AVs could play a critical role in mitigating phantom traffic jams by maintaining steady speeds and safe following distances, thereby reducing the instability caused by human driving behaviors. This study offers a foundational reference for future traffic congestion mitigation strategies and AV policy development, particularly in anticipation of increasingly mixed traffic environments.

Autonomous vehicle (AV) technology is rapidly entering the commercialization phase driven by advancements in artificial intelligence, sensor fusion, and communication-based vehicle control systems. Real-world road testing and pilot deployments are increasingly being conducted, both domestically and internationally. However, ensuring the safe operation of AVs on public roads requires not only technological advancement of the vehicle itself but also a thorough pre-evaluation of the road environments in which AVs are expected to operate. However, most previous studies have focused primarily on improving internal algorithms or sensor performance, with relatively limited efforts to quantitatively assess how the structural and physical characteristics of road environments affect AV driving safety. To address this gap, this study quantitatively evaluated the compatibility of road environments for AV operation and defined the road conditions under which AVs can drive safely. Three evaluation scenarios were designed by combining static factors such as curve radius and longitudinal gradient with dynamic factors such as level of service (LOS). Using the MORAI SIM autonomous driving simulator, we modeled the driving behaviors of autonomous vehicles and buses in a virtual environment. For each scenario, the minimum time to collision (mTTC) from the moment the AV sensors detected a lead vehicle was calculated to assess risk levels across different road conditions.The analysis revealed that sharper curves and lower service levels resulted in significantly increased risk. Autonomous buses exhibited a higher risk on downhill segments, autonomous vehicles were more vulnerable to uphill slopes and gradient transitions. The findings of this study can be applied to establish road design standards, develop pre-assessment systems for AV road compatibility, and improve AV route planning and navigation systems, thereby providing valuable implications for policy and infrastructure development.

도로 위 차량의 차로변경은 주변 차량의 움직임에 민감하게 반응해야 하며, 적절한 속도와 타이밍으로 수행하지 못할 경우 교통 흐름을 방해하고 부정적인 영향을 초래할 수 있다. 자율주행차량(Autonomous Vehicle, AV)은 이러한 문제를 해결하기 위해 주변 상황을 정확히 판단하고 인지하여 차로변경을 수행한다. 이때, 안전 관리 전략의 일환으로 최적화된 차로변경 주행 궤적을 제공함으로써 안전하고 효율적인 차로변경을 실현하는 것이 중요하다. 본 연구는 이러한 배경에서 주변 차량과 EGO 차량의 예측 주행 궤적에 기반한 확률론적 개념인 risk field를 계산하고, 이를 활용하여 차량의 종방 향 및 횡방향 안전 궤적을 제시하였다. 이를 위해 고속도로 드론 데이터를 활용하여 차량 간 상호작용 상황을 분석하고, 차로변경 시나리오 데이터를 분류하였다. 연구에서는 주행 속도와 차량의 경위도 등 1.1초 동안의 연속된 주행 데이터를 입력으로 사용하였으며, 다층 인코더-디코더 장단기 메모리 네트워크(EDLN) 모델을 통해 미래 6초 후 차량의 위치를 예 측하였다. 이후 장 이론(field theory)을 기반으로 한 risk field 모형을 통해 도로 위 각 지점의 위험도를 정량화하였다. 또한, 차량의 거동 제약, 주행 편의성, 그리고 안전성 제약 조건을 반영하여 안전 궤적을 생성하였다. 마지막으로, 생성된 궤적이 교통류 안전성에 미치는 영향을 평가하기 위해 예측된 주행 궤적(predicted trajectory)과 실제 주행 궤적(ground truth)을 비교 분석하였다. 평가지표는 대리 안전 지표(surrogate safety measure, SSM) 중 TTC(Time to Collision)와 PET(Post Encroachment Time)를 활용하였다. 본 연구는 제안된 안전성 정량화 및 궤적 생성 방법이 기존 방법론과 비 교하여 우수한 성능을 보임을 입증하였으며, 향후 자율주행차량 혼재 교통류 및 완전 자율주행 교통류에서 높은 효율성 과 안전성을 확보하는 데 기여할 것으로 기대된다.

자율주행 차량이 상용화됨에 따라 연구에 사용할 수 있는 자율주행 차량의 주행궤적 자료를 제공하고 연구하는 기관이 증가하고 있다. 캘리포니아 자동차관리국은 사고 당시 차량의 거동과 주변 환경을 기록한 자율주행 차량 사고 보고서를 제공한다. Waymo는 라이다, 카메라 등을 통해 수집한 자율주행 차량의 실주행 자료를 제공한다. 본 연구에서는 캘리포 니아 자동차관리국에서 제공하는 자율주행 차량 사고 보고서와 Google Street Map을 이용하여 사고 당시의 도로유형과 도로환경요소 및 사고 당시 상황을 파악하고, 베이지안 네트워크(BN)을 통해 자율주행 차량 사고 영향요인을 파악하였 다. 랜덤 포레스트를 통해 앞에서 파악한 자율주행 차량 사고 영향요인들의 변수 중요도를 추출하고 이를 기반으로 자율 주행 차량 주행 시나리오를 도출하였다. 도출한 자율주행 차량 주행 시나리오와 유사한 상황을 보이는 Waymo Open Dataset의 자율주행 차량 실제 주행궤적을 매칭하여 자율주행 차량 주행 행태 기반 사고 위험도 평가 지표를 도출하였 다. 본 연구의 결과는 앞으로 도로환경요소 및 자율주행 차량 주행궤적에 따른 자율주행 차량 주행 안전성 연구의 기반 이 될 것으로 기대된다.

PURPOSES : This study aimed to derive the factors that contribute to crash severity in mixed traffic situations and suggest policy implications for enhancing traffic safety related to these contributing factors. METHODS : California autonomous vehicle (AV) accident reports and Google Maps based on accident location were used to identify potential accident severity-contributing factors. A decision tree analysis was adopted to derive the crash severity analyses. The 24 candidate variables that affected crash severity were used as the decision tree input variables, with the output being the crash severity categorized as high, medium, and low. RESULTS : The crash severity contributing factor results showed that the number of lanes, speed limit, bus stop, AV traveling straight, AV turning left, rightmost dedicated lane, and nighttime conditions are variables that affect crash severity. In particular, the speed limit was found to be a factor that caused serious crashes, suggesting that the AV driving speed is closely related to crash severity. Therefore, a speed management strategy for mixed traffic situations is proposed to decrease crash severity and enhance traffic safety. CONCLUSIONS : This paper presents policy implications for reducing accidents caused by autonomous and manual vehicle interactions in terms of engineering, education, enforcement, and governance. The findings of this study are expected to serve as a basis for preparing preventive measures against AV-related accidents.

PURPOSES : For autonomous vehicles, abnormal situations, such as sudden changes in driving speed and sudden stops, may occur when they leave the operational design domain. This may adversely affect the overall traffic flow by affecting not only autonomous vehicles but also the driving environment of manual vehicles. Therefore, to minimize the traffic problems and adverse effects that may occur in mixed traffic situations involving manual and autonomous vehicles, an autonomous vehicle driving support system based on traffic operation optimization is required. The main purpose of this study was to build a big-data-classification system by specifying data classification to support the self-driving of Lv.4 autonomous vehicles and matching it with spatio-temporal data. METHODS : The research methodology is explained through a review of related literature, and a traffic management index and big-dataclassification system were built. After collecting and mapping the ITS history traffic information data of an actual Living Lab city, the data were classified using the traffic management indexing method. An AI-based model was used to automatically classify traffic management indices for real-time driving support of Lv.4 autonomous vehicles. RESULTS : By evaluating the AI-based model performance using the test data from the Living Lab city, it was confirmed that the data indexing accuracy was more than 98% for the KNN, Random Forest, LightGBM, and CatBoost algorithms, but not for Logistics Regression. The data were severely unbalanced, and it was necessary to classify very low probability nonconformities; therefore, precision is also important. All four algorithms showed similarly good performances in terms of accuracy. CONCLUSIONS : This paper presents a method for efficient data classification by developing a traffic management index to easily fuse and analyze traffic data collected from various institutions and big data collected from autonomous vehicles. Additionally, EdgeRSU is presented to support the driving of Lv.4 autonomous vehicles in mixed autonomous and manual vehicles traffic situations. Finally, a database was established by classifying data automatically indexed through AI-based models to quickly collect and use data in real-time in large quantities.

최근 자율주행 차량의 등장으로 인해 기존의 교통 시스템에 많은 변화가 생길 것으로 보이며, 운전자가 주행하던 차량과는 다른 행태로 인해 기존 비자율주행 차량들이 초래하는 고위험 상황의 요인과는 다른 새로운 요인들이 도출될 것으로 보인다. 하지만, 현 시점 국내 에서는 자율주행 차량이 실제로 주행하고 있지 않기 때문에 주행행태를 포함한 데이터 기반의 주요 요인 분석 및 도출에 한계가 있다. 따라서 현 시점에서 자율주행 차량이 혼재하는 환경에서 고위험한 상황을 정의할 수 있는 요인을 도출하기 위해서는 사례 중심의 분석이 필요하다. 따라서 본 연구에서는 기존 국내·외 자율주행차량과 관련된 다양한 논문 사례를 DB화하여 이를 정량적으로 평가할 수 있는 메타 분석(Meta-Analysis) 기법을 통해 향후 자율주행차량이 혼재하는 교통 네트워크에서 안전성을 증진하기 위한 고위험 유발의 주요 요인을 도출하고자 하였다. 본 연구에서 DB화한 논문은 자율주행 차량과 관련된 총 4가지(사고요인, 시나리오, 예측모델, 법규)에 해당 하는 분야로 분류하여 수집하였으며, 2015년부터 2024년 까지 최근 10개년에 해당 되는 사례를 수집하여 분석을 수행하고 주요 요인을 도출하였다. 본 연구의 결과는 향후 자율주행 차량 혼재 시 고위험 상황의 주요 요인들을 바탕으로 각 요인에 기반한 자율주행차량 혼재 시 고위험 상황에 대한 정의를 할 수 있으며, 이러한 고위험 요인들에 의해 도로교통의 안전성이 저해될 수 있는 요인에 대한 사전 예방을 수행할 수 있을 것으로 기대된다.

본 연구는 2017년부터 2021년까지 고속도로에서 발생한 약 9,600건의 사고를 분석하여 자율주행 긴급차량의 신속한 대응 능력을 향 상시키고자 하였다. 조사 결과, 2차 사고가 전체 사망자의 16.8%를 차지하며, 이들 중 약 74%가 선행사고와 관련이 있다는 점이 강조 된다. 이러한 통계는 긴급차량의 신속한 대처 능력이 피해를 최소화하는 데 얼마나 중요한지를 보여준다. 연구에서는 사고의 영향권을 정의하고, 이를 기반으로 긴급차량이 보다 안전하고 효율적으로 사고 현장에 접근할 수 있도록 하는 알고리즘을 개발하였다. 실제 교 통사고 데이터를 활용하여 사고 지속 시간과 다양한 변수를 고려한 기초 분석을 실시하였으며, 도로 특성, 사고 종류, 점유 차로 등 여러 요소를 반영하여 대응 기준을 설정했다. 알고리즘은 자율주행 차량이 실시간으로 주변 정보를 수집하고 신속하게 대응 방안을 마련할 수 있도록 설계되었다. 향후 연구에서는 알고리즘의 실제 도로 환경에서의 적용 가능성을 검토하고, 다양한 변수들을 포함한 추가 연구를 통해 성능을 더욱 개선할 계획이다. 이러한 연구 결과는 교통사고로 인한 피해를 줄이는 데 기여하고, 자율주행 기술을 활용하여 2차 사고의 가능성을 감소시키는 데 중요한 역할을 할 것으로 기대된다.

최근 자율주행차량 기술의 급속한 발전은 교통 시스템의 효율성을 향상시키는 동시에, 도로 인프라에 새로운 도전 과제를 제기하고 있다. 자율주행차량은 차선 유지 시스템을 통해 일정하게 차선 중앙을 주행하는 특성이 있으며, 이로 인해 특정 휠패스(Wheel Path) 구 간에 하중이 집중되는 문제가 발생한다. 특히 중차량과 자율주행차량이 빈번하게 운행되는 도로 구간에서는 이러한 하중 집중으로 인 해 도로 포장층의 소성 변형과 균열이 빠르게 진행되며, 결과적으로 도로의 내구성이 크게 저하된다. 이는 도로의 유지보수 주기를 단 축시키고, 유지 비용을 증가시키며, 도로 이용자들에게 안전상의 위험을 초래할 수 있다. 이를 해결하기 위해 다양한 도로 보강 기술이 연구되어 왔으며, 그중 섬유 보강 그리드 기술이 주목받고 있다. 본 연구에서는 탄소섬 유와 유리섬유를 결합한 하이브리드형 섬유보강 그리드를 개발하고, 이를 자율주행차량이 운행하는 도로 구간에 적용함으로써 도로의 내구성 향상과 유지보수 비용 절감을 목표로 한다. 탄소섬유는 높은 강도와 내구성을 제공하여 휠패스 부위에 집중되는 하중에 대한 저항성을 강화하고, 유리섬유는 비휠패스 구간에 경제적인 보강 효과를 제공한다. 본 연구는 자율주행차량 시대에 적합한 도로 보강 솔루션을 제시하고, 이를 실증 구간에서 평가하여 그 효과를 검증하고자 한다. 이를 통해 도로의 반사균열 저항성 및 소성변형 저항성을 개선하고, 도로 수명을 연장함으로써 자율주행차량이 증가하는 교통 환경에서도 지속 가능한 도로 관리 방안을 제시할 수 있을 것이다.

자율주행차량의 첨단 운전자 보조 시스템(ADAS)의 발전은 자율주행차량의 상용화를 가속화하고 있지만, 그 안전성을 입증하기 위한 충분한 테스트와 검증이 필요하다. 실제 차량을 이용한 대규모 테스트는 비용과 시간뿐만 아니라 다양한 시나리오를 구현하고 평가하 는 데 어려움이 있어, 다수의 연구자들은 시뮬레이션을 활용하고 있다. 이러한 문제를 해결하기 위해, 본 연구에서는 차량 시뮬레이션 소프트웨어인 CarMaker와 교통 흐름 시뮬레이션인 VISSIM을 결합하여 공동으로 시뮬레이션을 진행한다. 또한 두 시뮬레이션의 장점 을 결합하여 자율주행차량의 데이터를 보다 포괄적으로 분석할 수 있는 프레임워크를 제안한다. 시뮬레이션 결과, 각각의 시뮬레이션 에서 얻은 Ego Vehicle의 속도 값은 미세한 차이를 보였으며, 이는 실시간 시뮬레이션의 통신 과정에서 발생하는 오류로 해석된다. 또 한, 특정 시나리오에서는 차량이 급정지 후 출발하는 형태를 보였으며, 이는 자율주행차량이 주변 차량의 주행을 인식하여 주행 패턴 에 변화를 주는 것으로 해석된다. 향후에는 도심 도로에서의 자율주행 평가를 통해 복잡한 교통 상황과 불확실한 요소들로 인해 어려 운 문제를 겪는 상황을 분석할 수 있을 것으로 기대된다.

정보통신기술(Information and Communication Technology)과 기존 교통수단의 융복합으로 수소자동차, 자율주행자동차 등과 같은 새로운 교통수단 등장으로 광역 이동과 같은 이동성이 향상될 것으로 기대되고 있다. 또한, 보다 빠른 광역 이동성 확보를 위해 BRT 전용차로 도입에 대한 논의가 계속되고 있으므로 본 연구는 BRT 전용차로 구간에서 자율주행자동차의 혼입률 및 대중교통 전환율에 따른 시나리오를 설정해 서비스수준 분석을 기반으로 잉여차로 발생 가능성을 확인하였다. 더불어, 미래교통량 증가와 자율주행 기술 의 발전이 BRT 전용차로 운영 구간에 미치는 변화를 분석해 도로의 자산가치 산정을 목적으로 하고 있다. 설정한 시나리오에서 도로 가 기능을 발휘할 수 있는 일정한 서비스수준(Level of Service, LOS)를 유지하는 자율주행자동차 혼입률 수준을 파악하였으며, A~F 의 6단계로 구분하여 결과를 도출하였다. 도로의 자산가치 산정방법은 국가회계기준에서 제시하고 있는 토지의 대체적 평가방법 4가 지 방법과 보다 객관성을 확보한 새로운 자산가치 평가방법을 준용하여 도로의 자산가치를 산정하였다. 분석 결과, 간선도로 서비스수 준을 통해 BRT 전용차로를 시행하면서 연속류 구간에서는 자율주행자동차 혼입률이 75%되는 경우 편도 3차로에서 편도 2차로로 1차 로 감소가 이루어져도 현재의 서비스수준을 유지할 수 있으며, 단속류에서는 자율주행자동차의 혼입률이 50%되는 시점에 편도 4차로 에서 편도3차로 1차로 감소 시 동일한 효과를 발휘할 수 있음을 확인하였다. 즉, 연속류 구간에서 자율주행자동차 비율이 75% 및 단 속류 구간에서는 자율주행자동차의 비율이 50%되는 시점에서 1차로에 대한 도로 자산가치가 발생할 수 있음을 알 수 있었다. 이와 같은 잉여차로는 보행약자를 위한 보행 공간 및 자전거도로, 개인형이동장치((Personal Mobility, PM)전용도로, 완충녹지 등의 완전도 로로 활용될 수 있음을 시사하고 있다.

PURPOSES : Basic research to calculate the appropriate gap acceptance for autonomous vehicles at merging section. Research on whether users prefer short or long gap acceptance. METHODS : Using a driving simulator, experience autonomous driving with different gap acceptance in different weather condition, and analyze which gap acceptance is preferred using survey and biometric data. RESULTS : Regardless of the weather condition, long gap acceptance was preferred, and difference was especially clear in rainy or foggy situation. CONCLUSIONS : It was analyzed that users prefer long gap acceptance over short gap acceptance, and that they feel less frustrated due to long gap acceptance when weather condition is poor.