The Journal of The Korea Institute of Intelligent Transport Systems (한국ITS학회 논문지)

The Korea Institute of Intelligent Transport Systems (한국ITS학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on the Visiting Areas Classification of Cargo Vehicles Using Dynamic Clustering Method

화물차량의 방문시설 공간설정 방법론 연구

  • Bum Chul Cho (Dept. of Transport Big Data, The Korea Transport Institute) ;
  • Eun A Cho (Dept. of Transport Big Data, The Korea Transport Institute)
  • 조범철 (한국교통연구원 교통빅데이터연구본부) ;
  • 조은아 (한국교통연구원 교통빅데이터연구본부)
  • Received : 2023.11.20
  • Accepted : 2023.12.15
  • Published : 2023.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

This study aims to improve understanding of freight movement, crucial for logistics facility investment and policy making. It addresses the limitations of traditional freight truck traffic data, aggregated only at city and county levels, by developing a new methodology. This method uses trip chain data for more detailed, facility-level analysis of freight truck movements. It employs DTG (Digital Tachograph) data to identify individual truck visit locations and creates H3 system-based polygons to represent these visits spatially. The study also involves an algorithm to dynamically determine the optimal spatial resolution of these polygons. Tested nationally, the approach resulted in polygons with 81.26% spatial fit and 14.8% error rate, offering insights into freight characteristics and enabling clustering based on traffic chain characteristics of freight trucks and visited facility types.

화물의 흐름은 물류시설 투자 및 물류관련 정책 수립에 필요한 핵심적인 기초자료이다. 국가승인통계인 화물자동차의 기종점 통행량은 분석의 공간적 해상도가 시군구 단위로 집계되고 있다. 이는 물류시설 방문 및 이용에 관한 상세한 정보로 활용하는데 한계가 있다. 본 연구에서는 화물차의 이동 정보를 분석함에 있어 공간적 해상도를 시설단위로 식별 추출할 수 있는 방법론을 트립체인 정보를 활용하여 개발하고자 하였다. 먼저, DTG를 활용하여 개별 화물차량의 방문지 위치정보를 식별하고, 화물차의 통행 순서정보를 이용하여 화물차량의 방문한 공간적 범위를 H3 기반의 폴리곤으로 생성하였다. 생성된 트립체인 폴리곤 간의 연계성을 전국 단위로 분석함으로 폴리곤의 H3 해상도를 결정하였으며, 최적의 해상도를 동적으로 도출하기 위한 파라미터의 결정 알고리즘을 개발하였다. 전국을 대상으로 실증하여 폴리곤을 생성하고 최적 해상도 결정 결과 공간 적합도는 81.26% 수준으로 확보되고 오차율은 14.8% 수준으로 검증되었다. 본 연구에서 개발한 방법론으로 화물차량의 통행체인 특성과 방문 시설의 특성에 따라 군집화함으로 물류 거점을 기준으로 화물의 특성을 파악할 수 있는 기반을 마련하였다.

Keywords

Acknowledgement

이 논문은 국토교통과학기술진흥원의 지원을 받아 수행된 국가연구개발사업(RS-2023-00142845)입니다. 본 논문은 한국ITS학회의 2023년 추계학술대회에 게재되었던 "데이터 결합 연계를 통한 화물 모빌리티 분석 방법론 개발" 논문(포스터)을 수정·보완하여 작성하였습니다.

References

  1. Aggarwal, C. C.(2007), Data streams: Models and algorithms (vol. 31), Springer, pp.129-131. 
  2. Akter, T.(2019), Truck Activity Pattern Classification Using Anonymous Mobile Sensor Data, University of Arkansas, pp.8-16. 
  3. Chandra, A., Pani, A. and Sahu, P. K.(2020), "Designing zoning systems for freight transportation planning: A GIS-based approach for automated zone design using public data sources", Transportation Research Procedia, vol. 48, pp.605-619.  https://doi.org/10.1016/j.trpro.2020.08.063
  4. Chong, K. S. and Sung, H. K.(2020), "A Study on Traffic Big Data Mapping Using the Grid Index Method", The Journal of The Korea Institute of Intelligent Transportation Systems, vol. 19, no. 6, pp.107-117.  https://doi.org/10.12815/kits.2020.19.6.107
  5. Hwang, H. L., Hargrove, S., Chin, S. M., Wilson, D., Lim, H. S., Chen, J., Taylor, R., Peterson, B. and Davidson, D.(2016), "The Freight Analysis Framework Version 4 (FAF4)-Building the FAF4 Regional Database: Data Sources and Estimation Methodologies", Technical Report, Oak Ridge National Lab., pp.3-13. 
  6. Kim, J. E. and Bae, B. J.(2021), "Analysis of truck trip behavior using big data: Focused on major logistics facilities", Proceedings of the KOR-KST(Korean Society of Transportation) Conference, vol. 2021, pp.360-361. 
  7. Kim, J. E., Sung, H. M., Jo, Y. H., Lee, Y. C., Park, I. K. and Woo, W. H.(2018), "Study on Improving the Survey Methods of Freight Transportation in Korea", Journal of Transport Research, vol. 25, no. 1, pp.41-55.  https://doi.org/10.34143/JTR.2018.25.1.41
  8. Kim, J. Y., Kim, D. H., Kim, B. K. and Seong, H. M.(2019), Upgrading Reliability of Estimating Big Data-Driven Transport Demand, The Korea Transport Institute, pp.241-251. 
  9. Kim, J. Y., Kim, D. H., Seong, H. M. and Song, T. J.(2018), A Study on the Reliability of Traffic Demand Prediction Based on Big Data, The Korea Transport Institute, pp.115-134. 
  10. Koziol, T.(n.d.), https://t1nak.github.io/blog/2020/h3intro/, 2023.12.01. 
  11. Kuppam, A., Lemp, J., Beagan, D., Livshits, V., Vallabhaneni, L. and Nippani, S.(2014), "Development of a Tour-Based Truck Travel Demand Model using Truck GPS Data", TRB 93rd Annual Meeting Compendium of Papers, No. 14-4293. 
  12. Lee, E. K., Jang, J. S. and Kil, K. S.(2009), "A Study on selecting Value Added Products in Port Hinterland: A Case of Incheon Port", Asian Journal of Shipping and Logistics, vol. 25, no. 3, pp.639-663.  https://doi.org/10.37059/tjosal.2009.25.3.639
  13. National Spatial Data Infrastructure Portal, http://www.nsdi.go.kr/lxportal/?menuno=2679, 2023.06.08. 
  14. Shafeeq, B. M. A. and Hareesha, K. S.(2012), "Dynamic clustering of data with modified k-means algorithm", 2012 International Conference on Information and Computer Networks, vol. 27, pp.221-225. 
  15. The Korea Transport Institute(2017), National Freight Transportation Survey, pp.289-296. 
  16. The Korea Transport Institute(2022), National Transport Survey 2022: National Freight O/D Main Survey, pp.3-287. 
  17. The Korea Transport Institute(2023), National Transport Survey Long-Term Strategy Formulation Study, pp.23-28. 
  18. The Korea Transport Institute, https://www.ktdb.go.kr/www/index.do, 2023.09.26. 
  19. Uber, https://www.uber.com/en-KR/blog/h3/, 2023.10.25. 
  20. Xing, Y., Li, W., Liu, W., Li, Y. and Zhang, Z.(2022), "A Dynamic Regional Partitioning Method for Active Traffic Control", Sustainability, vol. 14, no. 16, p.9802.