신호등 앞 정차 차량 간격의 랜덤 매트릭스 모델링

초록

본 연구는 신호등 앞에 정차한 차량들의 간격 분포를 랜덤 매트릭스 이론(RMT)으로 분석한다. 베이징에서 수집한 700개의 실측 데이터를 Dyson의 Coulomb 가스 모델에 적용한 결과, 간격 분포가 Gaussian Symplectic Ensemble(GSE, β=4)의 Wigner surmise와 높은 일치도를 보였다. 이는 기존 주차 문제에서 관찰된 Gaussian Unitary Ensemble(GUE, β=2)와 차이를 나타내며, 두 상황의 운전 행동 차이에 기인한다는 해석을 제시한다.

상세 분석

이 논문은 교통 흐름 연구에서 상대적으로 다루기 어려운 ‘정적 큐(정지 차량)’의 간격 통계에 RMT를 도입한 점이 혁신적이다. 저자들은 차량을 1차원 전하로 모델링하고, 조화 퍼텐셜(원점으로의 끌어당김)과 로그형 전자기 반발을 결합한 Dyson Coulomb 가스 식(1)을 제시한다. 이 시스템을 열역학적 평형 상태(β=1/kT)로 가정하고, Wigner surmise를 통해 β값에 따라 Poisson(β=0), GOE(β=1), GUE(β=2), GSE(β=4)의 네 가지 간격 분포를 도출한다.

실험적으로 베이징의 여러 교차로에서 700개의 차량 간격을 측정했으며, 평균 간격 1.43 m를 기준으로 정규화하였다. 정규화 히스토그램을 GSE, GUE, GOE, Poisson와 비교한 결과, GSE 곡선이 가장 근접함을 확인한다. 이는 ‘정지 큐’ 상황에서 차량 간의 반발력이 강하고, 운전자가 앞차와의 거리를 크게 변동시키지 못하는 ‘강체’와 유사한 동역학을 갖는다는 물리적 해석을 가능하게 한다. 반면, 주차 문제에서는 운전자가 앞뒤로 이동하며 최적 위치를 찾는 ‘완화된’ 반발을 보이므로 β=2, 즉 GUE가 적합하다고 저자는 주장한다.

이러한 해석은 β값을 ‘온도’와 ‘반발 강도’의 함수로 보는 전통적인 Dyson 가스 해석과 일맥상통하지만, 실제 교통 현장에서 차량 길이 차이, 운전자의 반응 시간, 신호 주기의 변동성 등 복합 요인을 단순 1차원 전하 모델에 압축한다는 한계가 있다. 특히, β=4라는 높은 값은 매우 강한 규칙성을 의미하는데, 실제 도로에서는 외부 교란(보행자, 급정거 등)으로 인해 더 큰 변동성이 기대된다. 따라서 표본 크기 확대, 다양한 도시·시간대 데이터 확보, 그리고 비정상적인 교통 상황(예: 사고, 공사)에서의 적용 가능성을 추가 검증해야 한다.

또한, 논문은 ‘정규화된 간격 = 실제 간격 / 평균 간격’이라는 단순 스케일링만을 사용했으며, 차량 길이 분포나 차선 수에 따른 보정은 고려되지 않았다. 이는 GSE와의 적합성을 과대평가할 위험이 있다. 향후 연구에서는 다중 차선, 차량 종류별(소형·대형) 차이, 그리고 신호 주기와 대기 시간의 상관관계를 포함한 다변량 모델링이 필요하다.

요약하면, 이 연구는 RMT를 교통 정적 큐에 적용함으로써 새로운 통계적 프레임워크를 제시했으며, GSE와 GUE의 차이를 운전 행동의 물리적 메커니즘으로 연결시켰다. 그러나 모델의 단순성, 데이터 제한, 외부 교란에 대한 고려 부족 등은 향후 보완이 요구되는 부분이다.