2.1 프레임워크

본 연구에서는 도로 노면 상태를 정밀하게 예측하기 위한 프레임워크를 제시하였다. 제시된 프레임워크 절차는 Fig. 1에 보인 바와 같이 두 단계로 구성된다. 첫 번째 단계에서는 학습에 활용할 RWIS 데이터를 수집하고, 실내 실험으로 구현된 노면 상태별 데이터를 이용하여 검증을 수행한다. RWIS 데이터는 기상 요소, 노면 관련 정보, 마찰계수 등으로 구성되며, 이 중 마찰계수는 노면의 물리적 상태 변화를 직접적으로 반영하며 도로 안전성과 밀접한 핵심 지표로서, 실험 검증의 대상으로 선정하였다. 이에 따라, 실험에서 산출된 상태별 마찰계수와의 비교분석을 통해 관측 데이터의 신뢰성을 평가한다. 두 번째 단계에서는 검증된 데이터를 기반으로 학습 데이터를 구축하고 예측 모델을 개발한다. 이 과정에서는 랜덤 포레스트 기반 변수 중요도 평가를 수행하여 주요 변수를 도출하고, 이를 입력으로 LSTM 네트워크를 학습시켜, 노면 마찰계수를 예측하는 모델을 구성하였다. 예측 결과는 노면 상태 변화를 정량적으로 추정하는 데 활용된다.

Fig. 1. Framework for road surface condition prediction

2.2 도로기상관측시스템(RWIS)

RWIS는 도로에 설치된 센서를 통해 기상 및 노면 정보를 실시간으로 관측하는 장비로, 일반적인 기상관측장비와 달리 도로 노면의 물리적 상태도 직접 측정할 수 있다. 이로 인해 일반적인 기상 데이터와 더불어 도로 노면 상태와 높은 상관성을 가진 노면 데이터를 확보할 수 있다. RWIS는 기상 센서(Lufft WS510-UMB)와 노면 센서(StaRWIS-UMB)로 구성되며, 기온, 풍속, 강수량 등 기상 요소와 함께 노면온도, 수막두께, 마찰계수 등의 노면 정보를 측정한다. 이러한 데이터는 도로 결빙과 밀접한 요인으로, 예측 모델의 주요 입력변수로 활용된다.

본 연구에서는 경기도 OO도로 내 두 지점에 설치된 RWIS를 통해 데이터를 수집하였다. 해당 구간은 산악지형에 위치하여 그늘이 많고, 교량 하부로부터 유입되는 찬 공기의 영향으로 겨울철 결빙 위험이 상대적으로 높다. 데이터는 2021년 12월부터 2023년 2월까지 약 2년간 취득되었으며, 결빙이 주로 발생하는 동절기(12∼2월)의 자료를 중심으로 분석하였다. 수집된 자료는 관측값의 과밀성을 줄이기 위해 1시간 단위로 구성하였다. 최종적으로 6,500개의 데이터가 분석에 사용되었으며, 이 중 284건이 결빙 사례에 해당하였다.

2.3 도로 노면 상태별 마찰 특성

도로 노면 상태는 육안 관측만으로 정확히 판단하기 어려우며, 특히 결빙은 시각적으로 식별하기가 용이하지 않다. 따라서, 노면 상태를 정량적으로 평가하기 위해서는 물리적 근거를 갖춘 지표의 활용이 필요하다. 도로 노면은 표면의 수분 함량이나 결빙 정도에 따라 마찰 특성이 달라지며, 건조한 상태에 비해 수막이나 빙막이 형성될수록 타이어와 노면 간의 마찰 저항이 감소한다. Fig. 2는 이러한 노면 상태별 마찰 특성의 개념적 변화를 나타낸 것이다. 즉, 마찰계수는 노면의 물리적 특성과 상태 변화를 직접적으로 반영하는 지표로서, 결빙 발생과 높은 상관성을 가진다.

RWIS에서 계측되는 노면 마찰계수(Road Friction Coefficient)는 노면과 타이어 간의 마찰 저항을 전기적 신호로 변환하여 수치화한 값으로, 실제 주행 환경에서의 마찰 상태를 나타낸다. 한편, 펜듈럼 시험기(Pendulum Tester)는 시편의 마찰 특성을 평가하는 장비로, 고무 슬라이더가 포장 표면에서 미끄러질 때 발생하는 마찰 저항력을 측정한다. 이 장비는 저속 주행 조건을 모사하여 결빙이나 수막 상태에서 차량 제동 시 발생하는 미끄럼 거동을 실험적으로 재현할 수 있다. 측정값은 영국식 펜듈럼 수(British Pendulum Number, BPN)로 표현되며, 식(1)에 제시된 관계식을 통해 마찰계수($\mu$)로 변환된다. 이를 통해, RWIS에서 계측된 마찰계수와 실험실 기반 마찰계수를 비교함으로써, 관측 데이터의 신뢰성을 검증할 수 있다.

Fig. 2. Frictional characteristics by road surface condition

2.4 RF-LSTM

본 연구에서는 랜덤 포레스트(RF)와 장단기 메모리(LSTM) 네트워크를 결합한 예측 모델(RF-LSTM)을 적용하여 도로 노면 상태의 시계열적 변화를 예측하였다. Fig. 3은 제안된 모델의 구조를 나타낸다. RF-LSTM은 RF의 변수 중요도 산출 및 입력 데이터 노이즈 제거 능력과 LSTM의 시간적 패턴 학습 능력을 결합하여, 노면 마찰계수와 같은 시계열 데이터를 효과적으로 모델링한다. RF는 다수의 의사결정나무(Decision Tree)로 구성된 앙상블 학습 기법으로, 각 변수의 상대적 중요도를 정량화하여 주요 변수를 선별함으로써 학습 효율과 일반화 가능성을 향상시킨다^{(Jaiswal et al., 2017)}. LSTM은 순환신경망(Recurrent Neural Network, RNN)의 확장 구조로, 시계열 데이터의 장ㆍ단기 의존성을 학습하며, 게이트 구조를 통해 시간적 패턴의 누적 효과와 비선형 변화를 반영한다^{(Hochreiter & Schmidhuber., 1997; Gers et al., 2000)}.

본 연구에서는 RF를 통해 선정된 주요 변수를 LSTM의 입력 시퀀스로 활용하여, 노면 상태의 시계열적 변화를 학습하고 예측 성능을 평가하였다. 이를 통해, RF-LSTM 모델의 적용 가능성을 검토하고, RWIS 데이터를 활용한 도로 노면 상태 예측 기술의 기반을 마련하였다.

Fig. 3. Flowchart of RF-LSTM algorithm

3.1 실험 환경 및 표면 상태 구현

본 절에서는 2.3절에서 제시한 내용을 바탕으로, 도로 노면 상태별 마찰 특성을 실험적으로 분석하고, RWIS에서 계측된 마찰계수의 신뢰성을 검증하였다. 이를 위해 겨울철 도로환경에서 주요하게 발생하는 네 가지 표면 상태(건조, 습윤, 슬러시, 결빙)를 재현하여, 각 상태별 마찰 특성을 비교하였다.

실험은 온도와 습도를 정밀하게 제어할 수 있는 항온ㆍ항습 챔버를 이용하여 수행하였다. 국내 겨울철의 대표적인 기상조건을 반영하여 챔버의 온도는 –2∼–10℃, 습도는 40∼50% 범위로 설정하였다. 시편은 OO도로 포장과 동일한 배합비율로 한국도로공사 도로포장 기준을 참조하였다. 크기는 150 mm × 150 mm × 50 mm로 하였고, 상부면만 노출되도록 측면과 하부를 단열하여 외부 조건의 영향이 표면에만 미치도록 하였다. 실험 환경 및 구성 개요는 Fig. 4에 보여준다.

표면 상태는 표면 온도와 수분의 결합 정도에 따라 구분하고, 각 조건에 맞게 구현하였다. 건조(Dry)는 수분이 존재하지 않는 기본 상태로, 시편을 25℃ 이상에서 12시간 이상 건조시켜 완전히 수분을 제거하였다. 습윤(Wet)은 기온이 0℃ 이상에서 얇은 수막이 형성된 상태로, 시편을 6시간 이상 물에 담가 포화시킨 뒤 표면에 증류수를 분사하여 약 1 mm 두께의 수막을 형성하였다. 슬러시(Slush)는 표면 온도가 0℃ 부근에서 눈이 부분적으로 녹아 물과 얼음이 혼합된 상태로, -2∼-5℃ 범위에서 4시간 이상 냉각하여 부분 결빙이 형성되도록 하였다. 이때, 표면을 긁었을 때 얼음 입자가 서로 뭉치며, 물과 얼음의 비율이 약 1:1인 상태의 슬러시로 정의하였다. 결빙(Ice)은 표면 온도가 0℃ 이하로 유지되어 얼음막이 완전히 형성된 상태로, 일정량의 증류수를 분사한 후 –5℃ 이하에서 1시간 이상 유지하여 완전한 결빙층을 만들었다. 각 상태는 포면 온도와 상태 변화를 모니터링하여 목표 조건 도달을 확인하였으며, 조건이 충족된 시편은 펜듈럼 시험기로 다섯 회 이상 반복 측정하여 평균값을 산정하였다.

Fig. 4. Experimental environments and setup

3.2 실험 결과

각 표면 상태별로 동일 조건의 시편 25개를 대상으로 반복 측정하여 건조, 습윤, 슬러시, 결빙의 4가지 표면 상태에 대해 각 25개씩, 총 100개의 BPN 값을 획득하였으며, 그 결과는 상태에 따라 뚜렷한 차이를 보였다. BPN 평균값은 Table 1에 제시하였다. 실험 결과, 건조 상태의 평균 BPN은 79.0으로 가장 높게 나타났으며, 습윤, 슬러시, 결빙 상태로 갈수록 값이 점진적으로 감소하였다. 특히, 결빙 상태의 평균 BPN은 19.0으로, 모든 조건 중 가장 낮은 값을 기록하였다. 건조와 결빙 상태 간 평균 차이는 60.0으로, 표면 상태 변화가 마찰 특성에 미치는 영향이 매우 큰 것으로 분석된다. 표준편차를 비교한 결과, 슬러시와 결빙 상태에서의 변동성이 상대적으로 크게 나타났다. 이는 저온 환경에서 얼음 입자의 응집과 부분적 결빙이 발생하여 표면의 균질성이 저하된 데 기인한 것으로 해석된다. 반면, 건조 및 습윤 상태에서는 표면이 균질하게 유지되어 측정 편차가 작았다. 이러한 결과는 온도와 수분 조건이 마찰 특성에 직접적으로 영향을 미치며, 특히 저온ㆍ고수분 환경일수록 마찰 저하의 변동성이 뚜렷하게 증가함을 보여준다.

3.3 실험 결과 기반 수집 데이터 검증

경기도 OO도로에 설치된 RWIS 장비로부터 수집된 마찰계수의 신뢰성을 검증하기 위해, 챔버 실험에서 획득한 결과와 비교분석을 수행하였다. 실험에서 측정된 BPN 값은 식 (1)을 이용해 마찰계수로 환산하였으며, 표면 상태별 평균값을 기준으로 RWIS 관측값과 비교하였다. 두 데이터의 비교 결과는 Fig. 5에 제시하였다.

건조 및 결빙 상태에서는 두 데이터가 거의 동일한 범위를 보였으며, 평균 차이는 1% 수준으로 매우 작았다. 반면, 습윤 상태에서는 RWIS의 평균 마찰계수가 실험값보다 17% 높게 나타났다. 이는 실험에서 완전 포화 상태를 구현한 반면, 실제 도로에서는 동일한 상태에서도 수분 함량의 차이가 존재하기 때문으로 판단된다. 슬러시 상태의 경우, 평균 차이는 10%로 습윤 상태보다 작았으나, RWIS 데이터의 표준편차가 0.12로 상대적으로 크게 나타났다. 이러한 경향은 표면의 불균질성과 부분적 결빙의 영향으로 해석된다. 종합적으로, 표면 상태에 따라 두 데이터 간 일부 차이는 존재하였으나 전반적으로 일관된 경향을 보였다. 이는 RWIS에서 계측된 마찰계수가 실제 도로의 표면 상태를 합리적으로 반영하는 신뢰성 있는 데이터임을 입증한다.

Fig. 5. Comparison of friction coefficient between experiment data and collected data

4.1 변수 중요도 분석

본 절에서는 예측 모델의 입력변수를 선정하기 위해 랜덤 포레스트 알고리즘을 적용하여 각 변수의 중요도를 산정하였다. 랜덤 포레스트 알고리즘은 기상 및 노면 변수를 입력으로 하여 학습되었으며, 변수 중요도는 학습 과정에서 각 변수가 분기 노드로 선택될 때의 불순도 감소량을 기반으로 산정하였다. 분석에는 총 9개의 기상 및 노면 관련 변수를 사용하였으며, 결과는 Fig. 6에 제시하였다. 변수 중요도는 5∼16% 범위로 분포하였으며, 노면 온도, 노면 이슬점 온도, 대기 온도가 상위 세 변수로 나타났다. 반면, 일 강수량과 노면 수막두께는 상대적으로 낮은 중요도를 보였다. 이는 결빙 발생 예측에서 열적 요인이 주요한 역할을 수행함을 의미한다. 특히, 노면 온도는 도로 표면의 열적 특성을 직접 반영하는 변수로, 결빙 형성에 가장 큰 영향을 미치는 요인으로 분석되었다. 반면, 수분 관련 변수의 중요도가 낮게 나타난 것은 단순한 수분 존재보다 온도ㆍ습도ㆍ기압 등 주변 환경 요인이 결빙 과정에 더 큰 영향을 미친다는 점을 보여준다. 도출한 결과를 바탕으로, 상위 세 변수를 기본 조합으로 설정하고, 중요도 순위에 따라 변수를 단계적으로 추가하여 총 일곱 개의 입력변수 조합을 구성하였다. Table 2는 각 변수 조합 구성을 나타내며, 이들은 LSTM 모델 학습에 적용되어 예측 성능 및 최적 조합 도출에 활용된다.

Fig. 6. Variable importance of input data

4.2 모델 구성 및 성능 평가

노면 마찰계수를 예측하기 위해 시계열 데이터 예측에 적합한 LSTM 모델을 적용하였다. 입력 시퀀스는 일정 시간 구간 동안의 기상 및 노면 변수를 연속적으로 구성하여 1시간 후의 마찰계수를 단일 출력으로 예측하도록 설계하였다. 모델 학습에는 학습률 0.01, 배치 크기 64, 에폭 수 50, 드롭아웃 비율 0.3을 적용하였으며, 옵티마이저는 Adam을 사용하였다. 4.1절에서 도출된 변수 조합을 바탕으로 학습을 수행하였으며, 각 조합별 예측 성능을 비교분석하였다.

변수 조합별 성능 비교는 총 7개의 조합((1)∼(7))에 대해 수행하였으며, 각 조합에 대한 성능지표는 Table 3에 정리하였다. 분석 결과, 온도 관련 변수에 상대습도, 기압, 풍속을 포함한 조합 (4)에서 가장 우수한 예측 성능을 보였다. 모델의 성능을 정량적으로 평가하기 위해 테스트 데이터를 대상으로 평균절대오차(MAE), 평균제곱오차(MSE), 평균제곱근오차(RMSE), 평균절대백분율오차(MAPE)를 산정한 결과, MAE는 0.0227, MSE는 0.0042, RMSE는 0.0648, MAPE는 5.23%로 나타났다. 변수 개수가 많다고 반드시 성능이 향상되는 것은 아니었으며, 중요도가 낮은 변수가 포함될 경우 오히려 노이즈로 작용해 정확도를 저하시켰다. 조합 (4)를 적용한 모델이 가장 우수한 결과를 보였으며, LSTM 기반 시계열 구조가 노면 마찰계수의 변화를 효과적으로 반영함을 확인하였다.

4.3 예측 결과 검증 및 적용성 평가

4.2절에서 선정된 모델을 적용하여 예측 결과의 시계열적 특성과 적용 가능성을 검증하였다. 실제 현장에서 계측된 마찰계수 데이터를 모델 학습에 활용되지 않은 테스트 데이터와 비교하였다. Fig. 7은 현재 시점을 기준으로 1시간 후의 노면 마찰계수를 예측한 결과를 테스트 데이터 두 구간에 대해 72시간 동안 나타낸 것으로, 실측값(파란색 실선)과 예측값(붉은색 점선)이 유사한 추세를 보였다. 특히, 마찰계수가 급격히 하강하는 구간에서도 변화 시점과 감소 경향이 실측값과 유사하게 나타나, 모델이 도로 노면 상태의 시간적 변화를 효과적으로 예측함을 확인하였다.

또한, 경보 시스템 적용 가능성을 검토하기 위해 실측값과 예측값의 최소값 및 감소 시점을 비교한 결과, 최소값의 차이는 약 2∼5%, 감소 시작 시점의 차이는 약 1∼2시간으로 나타났다. 종합적으로, 본 연구에서 구축한 예측 모델은 실제 도로기상관측 데이터를 활용한 시계열 예측에서 높은 재현성과 안정성을 보였으며, 도로 노면 상태 예측에 적용 가능한 수준의 신뢰성을 확보하였다.

Fig. 7. Results of the optimal prediction model for time series data