'띵동' 우체국택배입니다. 택배기사는 그리고 주차위반 딱지를 나에게 건네줬다. 딱지 안에는 속절없이 우리 차가 언제, 어떻게 주차위반을 했는지 CCTV 화면이 고스란히 찍혀 있었다. 물론 잘못한 거다.
하지만, 서울의 주택 밀집 지역에서 자기 차 한대를 댈 공간을 찾기가 쉽지 않다. 벌금 3만 2천원을 계좌이체 하며, 주차공간을 실시간으로 알려주는 서비스가 얼마나 좋을까 생각해봤다.
지금 미국에선 스마트시티를 구축하기 위한 핵심 요소로서 실시간 주차 정보제공 방법에 대한 양대 기술이 경쟁하고 있다. 공공기관은 IoT(센서) 기술을 이용한 정보 집약 방식을 택하고 있고, 민간기업인 구글은 머신러닝(기계학습)을 이용한 알고리즘 방식의 정보 집약 방식을 취하고 있는 것.
주차 관리 및 혼잡 정보를 발신하는 것은 행정부문의 책임이라고도 할 수 있기 때문에 최근 스마트 시티 구축에 나서는 국가와 도시들은 IoT 기술을 이용해서 주차와 차량 관련 정보를 집약, 분석, 제공하려는 시도를 하고 있다.
대표적인 사례가 미국 샌프란시스코시다. 시는 주차장에 IoT를 적용해 혼잡도를 파악하는 ‘SF 파크’라는 실증 실험을 진행하고 있는데, 시가지에 있는 노상 주차장에는 주차 미터기가 설치돼 있는데, 이용자들은 주차 후 동전이나 카드, 앱으로 요금을 지불한다.
주차와 동시에 주차 미터기의 센서가 작동하고, 차의 유무를 감지해 주차 미터기에 연결된 IoT전용 네트워크인 '시그폭스'를 통해 주차 공간의 혼잡 정보가 집약되는 원리로 운영된다.
하지만 전문가들은 주차 미터기가 주차 여부를 제대로 감지할 수 있는가 하는 문제가 있다고 지적한다. 예를 들면 주차 미터기가 있는 장소에 누군가 불법 주차를 하거나 특별허가증을 가진 차량이 있을 경우, 주차 공간에 여유가 있다고 판단할 가능성이 있다. 반대로 주차시간이 아직 남아있는 상태에서 자동차를 뺀 경우, 이를 잡아낼 수 있는지도 의문이라는 것.
이에 비해 구글은 알고리즘 파워를 통해 혼잡 상황을 파악하고 시설을 관리하는 아이디어를 냈다. 구글은 소프트웨어를 통해 차량의 흐름을 머신 러닝으로 분석해 혼잡상황을 정확히 추정하려 한다. 현재 구글 지도에서 목적지까지의 경로를 검색하면, 화면 하단에 주차를 할 수 있다는 의미의 P아이콘과 함께 목적지 주변의 주차 혼잡도가 표시되고 있다.
주차장 혼잡도는 수월(EASY), 보통(MEDIUM), 한정(LIMITED)으로 표시되고, 수월이나 보통의 경우, 주차 가능 아이콘이 파란색으로 표시된다. 반면 주차장 상태가 한정일 경우, 주차 가능 아이콘이 붉은색으로 표시되므로, 이용자는 주차에 걸리는 시간을 감안해 출발시간을 조정할 수 있다.
또한 구글 지도는 주차가 어려울 경우, 전철로 이동하는 것이 좋겠다는 등의 대안도 제시하고 있다. 구글에 따르면, 이 주차 정보 서비스를 실시한 이후 실제로 전철로 이동하나는 루트 검색이 늘었다고 한다.
구글은 실시간 주차정보 제공을 위해 머신러닝 뿐만 아니라 크라우드 소싱 기법도 사용하고 있다. 크라우드 소싱으로 집약되는 데이터에는 사용자의 위치정보, 체류 정보, 주차장 찾기까지 걸린 시간 정보 등이 포함된다.
하지만 크라우드 소싱 방법 만으로는 실시간 주차 공간을 정확하게 추정할 수 없다는 한계가 있다. 예를 들면 자동차를 사유지에 주차하는 이용자가 많다면 주차 소요시간을 짧을 것인데, 알고리즘은 이를 여유 공간으로 오인할 수 있고, 이용자가 버스나 택시로 이동한 경우도 주차 소요시간이 걸리지 않으므로 알고리즘은 주차 공간이 있다고 오인할 수 있다.
이 때문에 자동차가 거리를 뱅뱅도는 움직이는 모습을 보이는 등 자동차가 어떤 패턴으로 이동하면 주차장이 없다는 것을 의미하는지를 찾아내는 것이 관건이라 할 수 있다.
반면 이용자가 목적지에 도착해서 그래도 시설에 들어갔을 경우에도 주차장이 있었다고 판단할 수 있는데 구글은 이를 반영해 알고리즘에 반영하기도 했다.
이처럼 구글과 SF파크의 노력은 현재 미국 전역에서 전개되고 있는 스마트 시티 개발의 모델 케이스로 주목 받으며 미 전역에서 관심이 높아지고 있는 상황이다.
정보통신기술진흥센터 최신 ICT 동향 컬럼리스트 박종훈 집필위원은 주간기술동향을 통해 두 기술에 대한 경쟁을 소개하며 “수십 조개의 센서를 활용해서 데이터를 수집하고 분석하려는 시도에 비해 알고리즘은 보다 비용효과적일 수 있다는 점에서 양자가 대립 구도로 규정되고 있기는 하나, 기술의 정확도 면에서 IoT와 기계학습 알고리즘은 상호 보완적으로 접목될 가능성이 높을 것으로 생각된다"고 전망했다.
