시간에 따른 교통혼잡을 고려한 차량 군집 주행 문제

최재석1
1Department
of Industrial Engineering
Yonsei University

1
목차
1 연구 배경

2 문제 설명

3 해결 방법

4 실험 및 결과 분석

5 결론

2
1. 연구 배경
군집 주행

▶ 두 대 이상 트럭이 하나로 연결된 군집을 구성해 운행하는 기술

▶ 후행 차량은 별도의 조작 없이 선두 차량의 운행을 따름

▶ 효과
• 연료 절약 효과
- 최대 20% 가량의 연료 감소 가능
• 환경 보호 효과
- 탄소 배출 감소
• 운전자 안정성 향상 효과
• 교통 체증 완화 효과

연료 효율성에 대한 관심 증가 군집 주행에 대한 관심 증가

▶ 물류 기업 ▶ 유럽은 2016년 European Truck Platooning

• 화물 차량 운영의 1/3 이상이 연료 사용 challenge 출범
▶ 정부 및 기관 ▶ 대한민국의 현대 자동차는 2018년 군집 주행
• 전체 탄소 배출의 10% 이상이 화물 차량 운송 상용화 테스트를 마침

3
1. 연구 배경
연구 동기 및 목적

저자 주제 특징
Larsson • 차량 군집 주행 문제를 정의
The vehicle platooning problem Computational complexity and heuristics
(2015) • 혼합정수선형 계획 모형과 휴리스틱 알고리즘을 제안
Hartmaan
Fuel-efficient truck platooning by a novel meta-heuristic inspired from ant colony optimization • 차량 군집 주행 문제에 대한 메타휴리스틱(개미 군집 최적화) 알고리즘을 제안
(2016)

Luo • 기존 차량 군집 주행 문제에 속도를 결정 변수로 추가로 고려

Coordinated platooning with multiple speeds
(2018) • 문제를 효과적으로 풀기 위한 휴리스틱 분해 알고리즘 제안

Boysen • 연료와 임금을 최소화하는 수리 모형 제안

The identical-path truck platooning problem
(2018) • 차량 군집 주행 문제의 계산 복잡도를 분석
<차량 군집 주행 운영에 관한 선행 연구>

군집 주행 연구 ▶ 기존 연구의 한계점
• 군집 주행의 안정성 및 기술과 관련된 연구와 대조적으로 운영 방
법에 대한 연구는 부족
• 교통 혼잡에 대한 고려가 없어 현실에 적용시키기 부족

기술 연구 운영 연구 ▶ 연구 목적
• 자율 주행 • 연료 사용 최소화 • 시간에 따른 교통 혼잡을 고려한 차량 군집 주행 문제 정의
• 연료 효율성 • 차량 군집주행 문제 • 수리모형과 알고리즘 제안
• 안정성 (Larsson, 2015) • 교통 혼잡 반영의 필요성 분석

4
2. 문제 설명
문제 상황

16 18
V2
-출발지: 15
15 -목적지: 16
차량 v1,v2의 단독 주행 경로
-출발시각: 0h 차량 v1,v2의 군집 주행 경로
V1
-출발지: 1 -데드라인: 2.4h
-목적지: 18
-출발시각: 0.5h 1
-데드라인: 3h

▶ 네트워크는 노드와 간선으로 이루어진 그래프 자료 형태

- 각 간선은 시간에 따라 다른 교통 혼잡의 정도를 보임
▶ 모든 차량은 각각의 출발지, 출발 시각, 목적지 및 데드라인이 주어짐
▶ 연료 소비는 간선을 운행할 때 발생
▶ 두 대 이상 차량의 현재 경로가 동일하다면 군집 주행 가능
- 군집 주행을 형성하면 선행 차량의 연료 절감 효과는 없지만 후행 차량은 연료 절감 효과 존재

연료사용
경로 스케줄링 군집주행
최소화

5
2. 문제 설명
시간에 따른 교통 혼잡
▶ 교통 혼잡의 정도를 원활, 중간, 혼잡 총 3가지로 구분(Treiber ,2008)
▶ 각 간선의 교통 혼잡의 정도를 구간 별로 일정한 속력으로 표현(Ichoua, 2003)
▶ 교통 혼잡 정도에 따라 차량이 소비하게 되는 연료의 양이 다름(Treiber, 2008; Boysen, 2018)
▶ 교통 혼잡 정도에 따라 군집 주행을 통한 연료 절감 비율 또한 달라짐(Luo, 2018)

혼잡 정도 원활 중간 혼잡 혼잡 정도 원활 중간 혼잡 혼잡 정도 원활 중간 혼잡

속력 연료 소비 연료 절감
120 72 30 0.477 0.365 0.851 15% 8% 0%
(km/h) (/km) 비율

6
3. 해결 방법
해결 방법 개요

혼합 정수 선형 계획법

▶ 문제 상황과 시간에 따른 교통 혼잡을 고려한 수리 모형 군집 주행

▶ CPLEX 유사도 계산
▶ 핵심 이진 결정 변수
• 𝑥𝑖𝑗𝑣 : 차량 v가 간선 (i,j)를 지나면 1 그렇지 않으면 0
𝑡𝑠
• 𝑦𝑖𝑗𝑣 : 차량 v가 간선 (i,j)를 구간 t에 출발하여 구간 s에 도착하면 1 그렇지 않으면 0 군집 주행
• 𝑞𝑖𝑗𝑣𝑤 : 구간 (i,j)에서 차량 v가 차량 w를 따른다면 1 그렇지 않으면 0 클러스터링

변수 제한 알고리즘 𝑞𝑖𝑗𝑣𝑤 변수
𝑥𝑖𝑗𝑣 변수 제한
제한
▶ 차량 군집 주행 문제는 NP-HARD 문제
▶ 해 탐색 공간 범위 축소
• 𝑥𝑖𝑗𝑣 변수 제한 알고리즘
• 𝑞𝑖𝑗𝑣𝑤 변수 제한 알고리즘 해 찾기
- 군집 주행 유사도
- 군집 주행 클러스터링

7
3. 해결 방법
혼합 정수 선형 계획법
Minimize σ 𝑖,𝑗 ∈𝐴,,𝑣 𝑇𝐶𝑖𝑗𝑣

Subject to

C. 군집 주행 관련 제약
A. 흐름 관련 제약
1 𝑖 = 𝑂𝑣 1 2𝑞𝑖𝑗𝑣𝑤 ≤ 𝑥𝑖𝑗𝑣 + 𝑥𝑖𝑗𝑤 ∀ 𝑖, 𝑗 , 𝑣 > 𝑤
1 σ𝑗 𝑥𝑖𝑗𝑣 − σ𝑗 𝑥𝑗𝑖𝑣 = ቐ −1 𝑖 = 𝐷𝑣 ∀𝑖, 𝑣
𝑡 𝑡
0 𝑜/𝑤 2 − 𝑇𝑤𝐷 1 − 𝑞𝑖𝑗𝑣𝑤 ≤ ෍ 𝑒𝑖𝑗𝑣 − ෍ 𝑒𝑖𝑗𝑤 ≤ 𝑇𝑣𝐷 1 − 𝑞𝑖𝑗𝑣𝑤 ∀ 𝑖, 𝑗 , 𝑣 > 𝑤
𝑡𝑠
2 𝑥𝑖𝑗𝑣 = σ 𝑡,𝑠 :𝑡≤𝑠 𝑦𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣 𝑡 𝑡

3 ෍ 𝑞𝑖𝑗𝑣𝑤 ≤ 1 ∀ 𝑖, 𝑗 , 𝑣
𝑤:𝑤<𝑣

B. 연료 소비량 관련 제약 4 ෍ 𝑞𝑖𝑗𝑢𝑣 ≤ (𝑄 − 1)(1 − ෍ 𝑞𝑖𝑗𝑣𝑤 ) ∀ 𝑖, 𝑗 , 𝑣

𝑢:𝑢>𝑣 𝑤:𝑤<𝑣
1𝑎 − 𝑀7 1 − 𝛼𝑖𝑗𝑣 ≤ 𝑇𝐶𝑖𝑗𝑣 − ෍(𝑑𝑖𝑗𝑡𝑣 ∗ 𝐶𝑓𝑖𝑗𝑡 ) ≤ 0 ∀ 𝑖, 𝑗 , 𝑣 5 𝛼𝑖𝑗𝑣 ≤ 𝑥𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣
𝑡
6 − 𝛿𝑝 ∗ 1 − 𝑥𝑖𝑗𝑣 ≤ 𝑥𝑖𝑗𝑣 + ෍ 𝑞𝑖𝑗𝑣𝑤 + 𝛼𝑖𝑗𝑣 − 2 ≤ 𝛿𝑝 ∗ 1 − 𝑥𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣
1𝑏 0 ≤ 𝑇𝐶𝑖𝑗𝑣 − ෍(𝑑𝑖𝑗𝑡𝑣 ∗ 𝐶𝑓𝑖𝑗𝑡 ∗ 1 − 𝑓𝑠𝑖𝑗𝑡 ) ≤ 𝑀7 𝛼𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣 𝑤:𝑤<𝑣
𝑡
𝑀7 = max 𝐶𝑓𝑖𝑗𝑡 ∗ max 𝐷𝑖𝑗 ∗ max 𝑓𝑠𝑖𝑗𝑡
(𝑖,𝑗,𝑡) (𝑖,𝑗) (𝑖,𝑗,𝑡)

8
3. 해결 방법
혼합 정수 선형 계획법

D. 거리 및 시간 관련 제약
𝑡
𝑡𝑠 𝑚 𝑡𝑠 6 − 𝑀5𝑙 ∗ 1 − 𝑥𝑖𝑗𝑣 ≤ σ𝑡 𝑒𝑖𝑗𝑣 − 𝑇𝑣𝑂 − 𝑤𝑖,𝑣 ≤ 𝑀5𝑟 ∗ 1 − 𝑥𝑖𝑗𝑣 ∀ 𝑖 = 𝑂𝑣 , 𝑗 , 𝑣
1 − 𝑀1𝑙 1 − 𝑦𝑖𝑗𝑣 ≤ ෍ 𝑑𝑖𝑗𝑣 − 𝐷𝑖𝑗 ≤ 𝑀1𝑟 1 − 𝑦𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣, 𝑡 ≤ 𝑠
𝑡 𝑡
𝑚:𝑡≤𝑚≤𝑠 7 − 𝑀5𝑟 ∗ 1 − 𝑥𝑖𝑗𝑣 ≤ 𝑇𝑣𝐷 − ෍ 𝑒𝑖𝑗𝑣 − ෍ 𝜏𝑖𝑗𝑣 − 𝑤𝑗,𝑣 ≤ 𝑀5𝑙 ∗ 1 − 𝑥𝑖𝑗𝑣 ∀ i, 𝑗 = 𝐷𝑣 , 𝑣
𝑡𝑠 𝑡 𝑡𝑠
2 𝛿𝑡−1 ∗ ෍ 𝑦𝑖𝑗𝑣 ≤ 𝑒𝑖𝑗𝑣 ≤ 𝛿𝑡 ∗ ෍ 𝑦𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣, t ≠ 1 𝑡 𝑡
𝑡 𝑡 𝑡
𝑠:𝑠≥𝑡 𝑠:𝑠≥𝑡 8 − 𝑀5𝑙 ∗ 2 − 𝑥𝑖𝑗𝑣 − 𝑥𝑗𝑘𝑣 ≤ ෍ 𝑒𝑗𝑘𝑣 − ෍ 𝑒𝑖𝑗𝑣 − ෍ 𝜏𝑖𝑗𝑣 − 𝑤𝑗,𝑣
𝑡 𝑡𝑠
2′ 𝑒𝑖𝑗𝑣 ≤ 𝛿𝑡 ∗ ෍ 𝑦𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣, t = 1 𝑡 𝑡 𝑡
𝑠:𝑠≥𝑡
≤ 𝑀5𝑙 ∗ 2 − 𝑥𝑖𝑗𝑣 − 𝑥𝑗𝑘𝑣 ∀ i, 𝑗 , j, k , 𝑣
𝑡𝑡 𝑡 𝑡𝑡
3 − 𝑀2𝑙 1 − 𝑦𝑖𝑗𝑣 ≤ 𝑑𝑖𝑗𝑣 − 𝐷𝑖𝑗 ≤ 𝑀2𝑟 1 − 𝑦𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣, t
9 𝑤𝑖,𝑣 ≤ 𝑀6 ∗ ෍ 𝑥𝑖𝑗𝑣 + 𝑥𝑗𝑖𝑣 ∀𝑖, 𝑣
𝑡𝑠 𝑡 𝑡 𝑡𝑠 𝑗
3′ − 𝑀3𝑙 1 − ෍ 𝑦𝑖𝑗𝑣 ≤ 𝑑𝑖𝑗𝑣 − (𝛿𝑡 −𝑒𝑖𝑗𝑣 )𝑉𝑖𝑗𝑡 ≤ 𝑀3𝑟 1 − ෍ 𝑦𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣, t
𝑀1𝑙 = max 𝐷𝑖𝑗 , 𝑀1𝑟 =0 𝑀2𝑙 = max 𝐷𝑖𝑗 , 𝑀2𝑟 =0, 𝑀3𝑙 = max(𝛿𝑝 ∗ 𝑉𝑖𝑗𝑡 ), 𝑀3𝑟 =0 ,
𝑠:𝑠>𝑡 𝑠:𝑠>𝑡 (𝑖,𝑗) (𝑖,𝑗) (𝑖,𝑗)
𝑡𝑠
4 −𝑀4𝑙 1 − 𝑦𝑖𝑗𝑣 𝑚
≤ 𝑑𝑖𝑗𝑣 𝑡𝑠
− 𝛿𝑚 − 𝛿𝑚−1 𝑉𝑖𝑗𝑚 ≤ 𝑀4𝑟 1 − 𝑦𝑖𝑗𝑣 ∀ 𝑖, 𝑗 , 𝑣, t < 𝑚 < 𝑠 𝑀4𝑙 = max ((𝛿𝑡 −𝛿𝑡 ) ∗ 𝑉𝑖𝑗𝑡 ), 𝑀4𝑟 =0 , 𝑀5𝑙 =𝑇𝑣𝐷 , 𝑀5𝑟 =0, 𝑀6 = 𝑇𝑣𝐷 - 𝑇𝑣𝑜
(𝑖,𝑗,𝑡)

𝑡 𝑡
5 𝜏𝑖𝑗𝑣 = 𝑑𝑖𝑗𝑣 / 𝑉𝑖𝑗𝑡 ∀ 𝑖, 𝑗 , 𝑣, t 𝑡𝑠
𝑥𝑖𝑗𝑣 , 𝑦𝑖𝑗𝑣 , 𝑞𝑖𝑗𝑣𝑤 , 𝛼𝑖𝑗𝑡𝑣 ∈ {0,1}
𝑡 𝑡
𝑑𝑖𝑗𝑡𝑣 , 𝜏𝑖𝑗𝑣 , 𝑒𝑖𝑗𝑣 , 𝑤𝑖𝑣 , 𝑇𝐶𝑖𝑗𝑣 , , 𝑇𝑊𝑖𝑗𝑣 ≥ 0

9
3. 해결 방법
변수 제한 알고리즘
𝒙𝒊𝒋𝒗 변수 제한 알고리즘
도 도 도
▶ 𝑳𝟏 (𝑶𝒗 , 𝑫𝒗 ) < 𝜸 ∗ 𝑳𝟏 𝑶𝒗 , 𝒊 + 𝑳𝟏 𝒊, 𝑫𝒗 => 𝒙𝒊𝒋𝒗 = 𝟎
• 𝛾는 우회의 정도를 수용하는 파라미터
• 출발지에서 목적지까지 도착하는 경로에 대해 출 출 출
노드 i를 고려할지에 대한 선택
고려하지 않는 노드(𝑥𝑖𝑗𝑣 =0) 고려하는 노드
< 𝜸𝑚𝑎𝑥 > < 𝜸𝑎𝑣𝑔 > < 𝜸𝑚𝑖𝑛 >

𝒒𝒊𝒋𝒗𝒘 변수 제한 알고리즘

▶ 군집 주행 유사도 ▶ 군집 주행 클러스터링
• 차량의 출발지,목적지,출발시각,데드라인 사용 • 계산된 군집 주행 유사도를 통한 스펙트럴 클러스터링
• 두 차량 간 군집 주행 가능성 수치화([0,1]) • 클러스터 내 최대 차량 대수(λ) 설정
• 방향 유사도 x 노드 유사도 x 시간 유사도 • 클러스터 개수(K) = 전체차량 대수// λ
- 모든 클러스터 내 차량의 대수< λ 만족할 때까지
(𝑂𝑉 ,𝐷𝑉 )∙(𝑂𝑊 ,𝐷𝑊 )
- 방향 유사도 = ||(𝑂 ,𝐷
𝑉 𝑉 )||∗| (𝑂𝑊 ,𝐷𝑊 ) |

- 노드
𝐹𝑒𝑎𝑠𝑖𝑏𝑙𝑒 𝑁𝑜𝑑𝑒 𝑣 ∩𝐹𝑒𝑎𝑠𝑖𝑏𝑙𝑒 𝑁𝑜𝑑𝑒(𝑤)
유사도 = 𝐹𝑒𝑎𝑠𝑖𝑏𝑙𝑒 𝑁𝑜𝑑𝑒 𝑣 ∪𝐹𝑒𝑎𝑠𝑖𝑏𝑙𝑒 𝑁𝑜𝑑𝑒(𝑤) 스펙트럴 클러스터링(K=K+1)
- Feasible Node(v)= 𝐿1 (𝑂𝑣 , 𝐷𝑣 ) ≥ 𝛾 ∗ 𝐿1 𝑂𝑣 , 𝑖 + 𝐿1 𝑖, 𝐷𝑣
[𝑇𝑉𝑂 ,𝑇𝑉𝐷 ]∩[𝑇𝑤
𝑂 ,𝑇 𝐷 ] 𝒒𝒊𝒋𝒗𝒘 =0 V3
- 시간 유사도 = 𝑤
V1 군집개수=K
[𝑇𝑉𝑂 ,𝑇𝑉𝐷 ]∪[𝑇𝑤
𝑂 ,𝑇 𝐷 ]
𝑤
V1
V2
V3
군집 내 차량 대수 ≤ λ
V2 군집 내 차량 대수 ≤ λ
<유사도 계산> 10
<군집 주행 클러스터링>
4. 실험 및 결과분석
실험 환경

▶ 24개의 노드와 76개의 방향성이 존재하는 간선으로 구성

▶ 시간 구간은 [0,9]이며 총 3개의 구간으로 구성
• [0,3],(3,6],(6,9]
▶ 차량의 출발지와 목적지는 centroid에서 임의로 추출
▶ 차량의 출발 시각 및 데드라인은 임의로 생성
▶ 네트워크 데이터의 간선 별 교통량을 기준으로 각 간선 별 구간에
따른 교통 혼잡 정도를 설정
• 그룹1 : 교통량 상위 25개의 간선
• 그룹2 : 교통량 상위 26~50위인 25개의 간선
• 그룹3 : 교통량 하위 26개의 간선

[0,3] (3,6] (6,9]

그룹1 중간 정체 중간
그룹2 원활 중간 원활
그룹3 원활
<Sioux falls network> <실험에서 사용한 각 간선 별 구간에 따른 교통 혼잡 정도>

11
4. 실험 및 결과분석
결과1-1. 혼합 정수 선형 계획 vs 알고리즘

비 군집 주행 군집주행 (혼합 정수 선형 계획) 군집주행(알고리즘-𝛾=0.5,λ=6)

Upper 계산 시
목적 함수 계산 시간 목적 함수 연료 절감 목적 함수 연료 절감 계산 시간
Bound 간
차량 대수

5 391.8(*) 4.38 359.56 359.56(*) 8.22% 24.41 359.56(*) 8.22% 24.41

10 783.6*) 10.31 711.381 711.381(*) 9.21% 132.52 715.8635 8.644% 71.95

20 1567.2(*) 17.06 1409.43086 1418.6005 9.48% 3600+ 1418.6005 9.48% 146.778

50 3918(*) 58.67 x x x x 3539.493 9.66% 572.1844

100 7836(*) 173.48 x x x x 7107.4566 9.29% 1350.635

비군집주행 목적함수 − 군집주행 목적함수

X: 3600초 이내에 해를 도출하지 못함, (*):최적해, 연료절감비율 =
비군집주행 목적함수

▶ 혼합 정수 선형 계획
• 차량의 대수가 적은 경우 최적해를 구함
• 차량의 대수가 많은 경우 근사해를 구하거나 해를 도출하지 못함
▶ 변수 제한 알고리즘
• 근사해
• 모든 경우에 대해 해를 도출
12
4. 실험 및 결과분석
결과1-1. 혼합 정수 선형 계획 vs 알고리즘

혼합정수선형계획 vs 알고리즘(연료절감비율) 혼합정수선형계획 vs 알고리즘(계산시간)

0.1 4000
0.095 3000
0.09
2000
0.085
0.08 1000

0.075 0
5 10 20 50 100 5 10 20 50 100
차량의 대수 차량의 대수

군집주행(혼합정수선형계획) 군집주행(알고리즘) 군집주행(혼합정수선형계획) 군집주행(알고리즘)

▶ 차량의 대수가 많아질수록 연료 절감 비율 개선 경향 ▶ 혼합 정수 선형 계획의 계산시간은 차량의 대수가 증가함

에 따라 지수적으로 상승
▶ 혼합 정수 선형 계획 모형은 큰 규모의 문제에 부적합 ▶ NP-HARD

▶ 변수 제한 알고리즘은 모든 경우 해를 도출하며 대략 ▶ 변수 제한 알고리즘의 계산시간은 차량의 대수에 따라 선

8~10%의 연료절감비율 상한 존재 형적으로 상승
• 근사해의 한계점

13
4. 실험 및 결과분석
결과1-2. 파라미터에 따른 알고리즘 비교

파라미터에 따른 알고리즘의 연료절감비율 파라미터에 따른 알고리즘의 계산시간

0.12 1600
0.1 1400
1200
0.08 1000
0.06 800
0.04 600
400
0.02 200
0 0
10 20 50 100 10 20 50 100

차량의 대수 차량의 대수

γ=0.4,λ=5 γ=0.4,λ=6 γ=0.5,λ=5 γ=0.5,λ=6 γ=0.6,λ=5 γ=0.6,λ=6 γ=0.4,λ=5 γ=0.4,λ=6 γ=0.5,λ=5 γ=0.5,λ=6 γ=0.6,λ=5 γ=0.6,λ=6

▶ 𝛄(𝒙𝒊𝒋𝒗 변수 제한 알고리즘 파라미터)

• 𝛾 작을수록 연료절감비율 개선(해의 품질 상승)
• 𝛾 작을수록 계산시간 악화
• 𝛾=0.4, 𝛾=0.5에선 결과 동일, 𝛾=0.6에선 연료 절감 비율 하락, 계산시간 개선
▶ λ(𝐪𝐢𝐣𝐯𝐰 변수 제한 알고리즘 파라미터)
• λ 커질수록 연료절감비율 개선(해의 품질 상승)
• λ 커질수록 계산시간 악화
• 차량의 대수가 적은 경우 λ는 해의 품질에 영향을 끼치지 않지만 차량의 대수가 많은 경우 λ로 인한 해의 차이는 명확
14
4. 실험 및 결과분석
결과2. 교통 혼잡 고려의 중요성

연료 절감 비율 ▶ 교통 혼잡을 고려하지 않은 군집주행

0.12 ▶ 모든 네트워크 간선의 교통 혼잡을 원활로 가정

0.1
▶ 교통 혼잡을 고려하지 않으면 교통 혼잡을 고려한 군
집 주행 대비 확연히 작은 연료 절감 비율
0.08
▶ 교통 혼잡 고려하는 경우 : 8~10%
0.06
▶ 교통 혼잡 고려하지 않는 경우 : -1%~4%
▶ 차량의 대수가 적을 때 교통 혼잡을 고려하지 않
0.04
으면 군집주행의 효과가 사라짐
▶ 음의 연료 절감 비율
0.02
▶ 효과적인 군집주행 운영을 위해선 교통 혼잡에 대한
0 고려가 필수적
5 10 20 50 100

-0.02
차량의 대수

교통혼잡을 고려하지 않은 군집주행 교통혼잡을 고려한 군집주행

15
5. 결론

기여 사항 기대효과

▶ 처음으로 시간에 따른 교통 혼잡을 고려한 차량 군집 ▶ 기업

주행 문제 제안
▶ 시간에 따른 교통 혼잡을 고려한 차량 군집 주행 문제
에 대한 수리 모형 제안
▶ 문제를 효과적으로 풀기 위한 변수 제한 알고리즘 제안
• 군집 주행 기술 도입의 경제성 분석 가능
• 군집 주행의 효과적인 운영 방법 제시
▶ 정부 및 기관
• 군집 주행 인센티브 정책의 실효성 및 경제성
분석

시사점 향후 연구

▶ 차량 군집 주행 문제에서 교통 혼잡에 대한 고려 필수 ▶ 교통 혼잡의 불확실성 모델링

▶ 확률적 최적화, 강건 최적화
▶ 기술 발전의 특수를 충분히 누리기 위해선 현실을 적극
적으로 반영한 효과적인 운영 방법 필요 ▶ 최적해에 근접할 수 있는 알고리즘 연구

16
감사합니다

17
 참고문헌
[1] Lammert, Michael P., et al. "Effect of platooning on fuel consumption of class 8 vehicles over a range of speeds, following distances, and mass." SAE International Journal of
Commercial Vehicles 7.2014-01-2438 (2014): 626-639.
[2] Demir, Emrah, Tolga Bektaş, and Gilbert Laporte. "The bi-objective pollution-routing problem." European Journal of Operational Research 232.3 (2014): 464-478.
[3] Shladover, Steven E., et al. "Cooperative adaptive cruise control: Definitions and operating concepts." Transportation Research Record 2489.1 (2015): 145-152.
[4] Aarts, L. O. E. S., and G. E. R. B. E. N. Feddes. "European truck platooning challenge." Proceedings of the HVTT14: International Symposium on Heavy Vehicle Transport
Technology, Rotorua, New Zealand. 2016.
[5] Janssen, G. R., et al. "Truck platooning: Driving the future of transportation." (2015).
[6] Bhoopalam, Anirudh Kishore, Niels Agatz, and Rob Zuidwijk. "Planning of truck platoons: A literature review and directions for future research." Transportation Research Part
B: Methodological 107 (2018): 212-228.
[7] Larsson, Erik, Gustav Sennton, and Jeffrey Larson. "The vehicle platooning problem: Computational complexity and heuristics." Transportation Research Part C: Emerging
Technologies 60 (2015): 258-277.
[8] Larson, Jeffrey, Todd Munson, and Vadim Sokolov. "Coordinated platoon routing in a metropolitan network." 2016 Proceedings of the Seventh SIAM Workshop on
Combinatorial Scientific Computing. Society for Industrial and Applied Mathematics, 2016.
[9] Luo, Fengqiao, Jeffrey Larson, and Todd Munson. "Coordinated platooning with multiple speeds." Transportation Research Part C: Emerging Technologies 90 (2018): 213-225.
[10] Nourmohammadzadeh, Abtin, and Sven Hartmann. "The fuel-efficient platooning of heavy duty vehicles by mathematical programming and genetic algorithm." International
Conference on Theory and Practice of Natural Computing. Springer, Cham, 2016.
[11] Nourmohammadzadeh, Abtin, and Sven Hartmann. "Fuel-efficient truck platooning by a novel meta-heuristic inspired from ant colony optimisation." Soft Computing 23.5
(2019): 1439-1452.
[12] Boysen, Nils, Dirk Briskorn, and Stefan Schwerdfeger. "The identical-path truck platooning problem." Transportation Research Part B: Methodological 109 (2018): 26-39.
[13] Ichoua, Soumia, Michel Gendreau, and Jean-Yves Potvin. "Vehicle dispatching with time-dependent travel times." European journal of operational research 144.2 (2003):
379-396.
[14] Treiber, Martin, Arne Kesting, and Christian Thiemann. "How much does traffic congestion increase fuel consumption and emissions? Applying a fuel consumption model to
the NGSIM trajectory data." 87th Annual Meeting of the Transportation Research Board, Washington, DC. Vol. 71. 2008.

18