OD 계산 (Origin-Destination Matrix Estimation)

OD 계산(Origin-Destination Matrix Estimation)은 교통 수요 분석의 핵심 기법으로, 특정 시간대에 도시의 다양한 출발지(Origin)에서 도착지(Destination)로 이동한 교통량을 수치화한 행렬을 의미한다. OD 행렬은 도로 교통, 대중교통, 물류, PM 이동 등 모든 형태의 교통계획 수립의 기초 데이터로 활용되며, 최근에는 센서, GPS, 교통카드 등 다양한 데이터를 활용한 AI 기반 OD 추정 기법이 고도화되고 있다. 서브 키워드로는 OD 매트릭스, OD 추정 모델, 교통 수요 분석이 있다.

 

---

1. OD 행렬의 개념과 역할

OD 행렬(Origin-Destination Matrix)은 도시 내의 일정 지역을 여러 개의 존(Zone)으로 구분한 후, 각 존 간에 발생하는 이동량을 정리한 2차원 표이다. 각 행은 출발지를, 각 열은 도착지를 의미하며, 교통 수단과 시간대에 따라 다른 형태로 구분된다. 예를 들어, 아래와 같은 단순한 OD 행렬을 생각할 수 있다:

출발              /             도착	A지역	B지역	C지역
A지역	0	500	200
B지역	300	0	400
C지역	100	150	0

이러한 OD 행렬은 다음과 같은 목적으로 활용된다:

• 통근·통학 등 통행 행태 파악
• 혼잡 구간 및 주요 경로 예측
• 도로 용량 설계, 신호 최적화
• 대중교통 노선 및 배차계획 수립
• 탄력 요금제, 혼잡통행료 등의 정책 근거

---

2. OD 행렬의 생성 방법

▶ 1) 전통적 OD 조사 방식

방법	설명	장점	단점
도로 통행 조사	특정 구간에 조사원을 배치하여 출발지/도착지를 질문	직접 정보 수집 가능	시간·비용 소요, 표본 한계
설문조사 (SP, RP)	가구 방문 또는 온라인 설문	통행 목적·행태 정보 수집 가능	주관성, 응답률 낮음
번호판 조사	특정 지점 간 번호판 재식별을 통한 추정	비교적 저비용	정확한 출발지/도착지 파악 어려움

---

▶ 2) 최신 데이터 기반 OD 추정 기법

▷ GPS / 이동통신 기반

• 차량·스마트폰의 GPS 또는 기지국 위치 데이터를 활용해, 이동 궤적에서 OD 구간을 추정
• 시간·공간의 연속성이 뛰어나고 실시간 분석 가능

▷ 교통카드 데이터 활용

• 버스·지하철의 승하차 정보로 OD 추정
• 출퇴근 패턴, 대중교통 수단 간 환승 경로 분석에 효과적

▷ AI 기반 OD 추정

• 센서 데이터(루프, VDS)와 외부 정보(기상, 이벤트)를 통합
• 머신러닝/딥러닝 모델로 정류소·교차로에서의 유입·유출량을 바탕으로 보이지 않는 통행량 추정 (예: Matrix Completion, Graph Neural Network)

---

3. 활용 사례 및 실제 정책 반영

▶ 사례 1: 서울시 대중교통 OD 분석

• 교통카드 데이터를 기반으로 약 12억 건의 승하차 정보 분석
• 시간대·노선별 OD 행렬을 생성하여, 혼잡 시간대 구간별 수요 예측 및 배차 개선
• 심야시간대 배차 확충 및 여성 안심귀가 노선 신설에 반영

▶ 사례 2: 부산시 도로망 OD 기반 신호 개선

• VDS 기반 도로통행량으로 OD 행렬을 역산하여, 주요 도심 교차로에 대한 신호 주기 자동 재설계
• 상습 정체 시간대 교차로 통과 시간 평균 18% 감소

▶ 사례 3: 경기도 자율주행 셔틀 노선 설정

• 도심·산업단지 간 GPS 기반 통행 데이터를 활용해, 수요 밀집 OD 패턴 파악 → 자율주행 셔틀 노선 설계
• 초기 대상지 선정, 시범운행 노선 설정에 활용

---

4. OD 계산의 기술적 과제

▷ 1. 비가시 이동의 추정 한계

• 일부 구간은 센서·데이터 부재로 인해 OD 추정 정확도가 낮음  → 행렬 보정 기법, 주변 데이터 보간법 활용 필요

▷ 2. 다중 수단 및 환승 행태 반영 어려움

• 대중교통 환승, PM 연계 통행 등은 단순 OD만으로 분석 어려움 → 멀티모달 OD 행렬, 수단별 속성 포함 모델 필요

▷ 3. 시간 민감성 고려 부족

• 단일 OD 행렬은 시간적 통행량 변화를 고려하지 못함 → Dynamic OD Matrix (시간대별 OD) 개발 필요

▷ 4. 개인정보 보호

• GPS, 교통카드 등 개인 위치 정보 포함 가능성 존재 → 비식별화, 격자 기반 공간 처리, 위치 마스킹 기술 병행 필요

---

5. 확장 방향 및 도시 정책 연계

▶ 1) 실시간 OD 기반 도시 운영

• GPS 및 V2X 데이터를 활용한 Dynamic OD 행렬 실시간 생성
• 도심 혼잡 예보, 스마트 신호 제어, 긴급차량 우선경로 설정 가능

▶ 2) 디지털 트윈 도시 연계

• OD 행렬 데이터를 기반으로 디지털 트윈 도시에
  가상 통행 흐름 시뮬레이션 실행
• 정책 시나리오(예: 도로 폐쇄, 신호 변경)의 수요 변화 예측

▶ 3) 탄소중립 정책 기반 수단 전환 분석

• OD 행렬에 수단 정보 결합 → 수단별 통행 거리 × 배출 계수 → 탄소배출량 계산
• 친환경 수단 전환 정책 효과 정량 분석 가능

---

[ OD 행렬 추정 방식 비교] 

방식	주요 데이터	장점	한계
설문 기반	SP/RP 조사	목적·행태 정보 포함	시간·비용 소요, 표본 한계
센서 기반	VDS, 루프 등	자동화, 실시간 가능	세부 경로·목적 미포함
교통카드 기반	승하차 데이터	대중교통 OD 정확	비통합 수단 연계 어려움
GPS 기반	차량, 스마트폰	경로 재현, 실시간성	프라이버시 이슈
AI 기반	복합 데이터	예측력 높음, 비가시 데이터 추정 가능	해석력 낮음(XAI 필요)

---

※ OD 행렬은 교통의 '얼굴 없는 흐름'을 수치로 보여주는 가장 핵심적인 분석 도구이다. 교통공학자는 이제 단순히 출발지와 도착지를 나열하는 분석가를 넘어, OD 행렬을 통해 도시의 리듬을 파악하고, 미래의 이동을 설계하는 교통 수요 디자이너로 진화해야 한다.