Dynamic Traffic Assignment (DTA) aims to improve network performance by enhancing the flow of vehicles throughout a transportation network, thereby effectively smoothing traffic. Traditional theories of traffic assignment are based on inaccurate assumptions that do not reflect actual traffic behavior. Additionally, the measurement of network performance using travel time has limitations that hinder real-world applications. In this study, the performance of a transportation network is measured by applying a macroscopic fundamental diagram (MFD). This is achieved through conducting simulations that accurately reflect real traffic behavior. Based on the MFD, understand the state of the network under different traffic assignment methods, with a particular focus on the concept of network heterogeneity. Show that the impact of network heterogeneity on network performance can be represented by the variance of the network's volume-to-capacity ratio (V/C). Taking this into account, this study examines approaches for enhancing network performance. A heuristic algorithm and a reinforcement learning model were developed to mitigate network heterogeneity. As a result, a 6.5% and 8.5% increase in network capacity, and a -61.2% and -58.7% decrease in total travel times were observed, respectively. Specifically, the reinforcement learning (RL) model utilized the concept of marginal utility, which determines the extent of network heterogeneity reduction per vehicle, to facilitate efficient traffic assignment. Simulations assuming a connected vehicle (CV) environment confirm that the effectiveness of the strategy is maintained in a limited environment, enabling the application of the developed model to the real world. In particular, since the RL model was developed based on a heatmap that reflects the appearance of the network, it is expected to be easily applicable to an expanded network in the future. All things considered; this research is expected to contribute to the development of efficient traffic assignment strategies.
동적 통행 배정(DTA)은 교통 네트워크 내 차량 흐름을 원활하게 하여 네트워크 성능을 높이는 것에 목적이 있다. 전통적인 통행 배정 이론은 상당한 가정 사항을 기반으로 연구되어 실제 통행 행태를 잘 반영하지 못하며, 네트워크 성능을 통행 시간을 기반으로 측정하여 실제 환경에서 적용하기 어려운 한계점이 존재한다. 본 연구에서는 현실적인 통행 행태를 반영하여 시뮬레이션을 진행하며 교통 네트워크 성능을 측정하기 위해 거시적 교통 기본도(MFD: Macroscopic Fundamental Diagram)를 적용한다. MFD를 기반으로 여러 통행 배정 방법에 따른 네트워크 상태를 이해하고, 특히 네트워크 이질성이라는 개념에 초점을 맞춘다. 네트워크 이질성이 네트워크 성능에 미치는 영향을 네트워크의 교통량 대 용량 비(V/C)의 분산으로 나타낼 수 있음을 보인다. 이를 바탕으로 네트워크 성능을 높이기 위한 방법을 고찰한다. 휴리스틱 알고리즘과 강화학습 모델을 개발하여 네트워크 이질성을 완화하였고, 그 결과 각각 6.5%, 8.5%의 네트워크 용량 증가와 -61.2%, -58.7%의 총 통행시간 감소 결과를 나타냈다. 특히 강화학습 모델에는 차량 한 대별 네트워크 이질성 완화 정도를 계산한 한계 효용 개념을 적용하여 효율적인 통행 배정을 가능하게 하였다. 개발한 모델을 현실 세계에 적용할 수 있도록 커넥티드 차량(CV) 환경을 가정하고 시뮬레이션하여 제한된 환경에서도 전략의 효과가 유지되는 것을 확인했다. 특히 강화학습 모델은 네트워크 형태를 반영한 히트맵을 기반으로 개발되었기 때문에 추후 확장된 네트워크에도 쉽게 적용하여 효율적인 통행 배정에 기여할 수 있을 것으로 기대된다.
