본 연구는 시내버스의 배차간격을 결정하는 영향요인을 살펴보고,실제 운행과정에서 나타난 영향요인들의 크기를 산정하였다. 이 결과를 바탕으로 신경망을 이용한 배차간격의 효율성에 관한 해석을 시도하였다. 통상의 신경망은 인간의 사고과정을 수학적인 모형화가 가능한 것이다.본 연구에서 적용한 신경망모형은 불확실성을 해결하고 모형출력의 정도를 높이기 위해 입력층 노드수에 대한 ...
본 연구는 시내버스의 배차간격을 결정하는 영향요인을 살펴보고,실제 운행과정에서 나타난 영향요인들의 크기를 산정하였다. 이 결과를 바탕으로 신경망을 이용한 배차간격의 효율성에 관한 해석을 시도하였다. 통상의 신경망은 인간의 사고과정을 수학적인 모형화가 가능한 것이다.본 연구에서 적용한 신경망모형은 불확실성을 해결하고 모형출력의 정도를 높이기 위해 입력층 노드수에 대한 은닉층 노드수의 최적 적용기준을 제시한 것으로서 결과를 정리하면 아래와 같다. 1. 현재 운행하고 있는 시내버스를 조사하여 배차간격의 영향요인을 분석한 결과,승객평균대기시간이 가장 짧은 노선은 순환3번과 북구1, 706번 순으로 나타났는데, 각각 3.66분, 4.77분, 4.90분으로 분석되었다.반면 승객평균대기시간이 가장 장시간인 노선은 칠곡2번으로서 10.17분이 산정되었으며, 그 다음으로 9.53분과 7.84분인 651번과 달서4번 순으로 나타났다. 2. 현 운행계획배차시간과 분석된 평균배차시간을 비교한 결과, 전체적으로 다소 차이가 있는 것으로 나타났다. 조사대상으로 선정한 노선중 349번, 427번, 동구2, 939번, 618번, 달서2, 425번, 북구1, 급행3의 순으로 운행계획보다 분석된 평균배차시간이 큰 것으로 분석되었다. 그 범위는 22∼198초 정도인 것으로 나타났다. 3. 반면, 조사치 평균배차시간이 운행계획배차시간 보다 14∼152초 적은 것으로 나타난 노선을 크기 순으로 나열하였는데, 순환3을 비롯한 달서4, 순환2, 449번, 808번, 564번, 356번, 649번, 403번, 706번, 급행2, 651번의 순으로 나타남을 알 수 있었다. 4. 본 연구에서는 최적 배차시간 산정을 위한 신경망모형의 적용성을 검토하였는데, 현재 대구시내에서 운행되고 있는 시내버스의 배차간격을 분석의 기초자료로 활용하였다. 즉, 현행의 102개 노선중 27개의 노선을 선택하여, 17개는 모형의 훈련자료로 사용하였고 10개는 검증자료로 사용하였다. 본 연구에서 개발한 신경망모형에의 적용은 다양한 조건을 부여하여 실행되었다. 입력층 노드수를 n이라고 할 때, 첫 번째 및 두 번째 은닉층 노드수를 n-2, n, n+2, n+4, 2n, 3n, 4n, 6n의 총 8개 계열로 FF 모형을 구성하여 실행하였다. 한편, 설정된 모형에 대한 적합성 검증을 위해 통계적 기준을 적용하였다.본 연구에서 적용한 검증기준은 예측오차의 평균오차, 평균제곱오차의 평방근, 결정계수 등 3가지를 사용하였다. 5. 입력층 처리소자 수(n)에 따른 은닉층 수가1개일 경우, 은닉층 처리소자 수가 학습의 정도에 미치는 영향을 검토한 결과 FF_9모형인 n+4일 때 학습의 정도가 가장 높은 것으로 검토되었으나,2n, 3n, 4n, 6n과의 차이는 크지 않음을 알 수 있었다. 이 결과로 볼 때 은닉층 수가 1개일 경우, 처리소자 수는 입력층 처리소자 수의 최소 2n-1 이상으로 구성된 모형이 적합한 것으로 판단된다. 6. 다음으로, 입력층 처리소자 수에 따른 은닉층 수가 2개일 경우, 첫 번째 및 두 번째 은닉층의 처리소자 수를 n-2, n, n+2, n+4, 2n, 3n, 4n, 6n으로 변화시키면서 모형을 학습한 결과, 입력층의 처리 소자 수가 5개일 때 예측을 위한 은닉층의 처리소자 수는 첫 번째 및 두 번째 은닉층 처리소자 수가 7개인 FF_7_7모형 또는 10개인 FF_10_10모형이 학습정도가 가장 우수한 것으로 나타났다. 7. 위의 분석결과로부터 은닉층 수가 2개일 경우는 은닉층 노드수를 많이 취한다고 해서 반드시 예측의 정도가 높은 것은 아님을 알 수 있었다. 또한, 전체적인 경향으로 볼 때 은닉층이 1개 보다는 2개일 때 학습의 정도가 높은 것으로 검토되었다. 8. 학습정도가 가장 우수한 FF_7_7 모형 및 FF_10_10 모형을 가지고 대구광역시의 808번 및 939번 노선의 배차간격 효율성을 분석 하였다.검증기준으로 설정한3개 지표값에 의하면, 결정계수 값이 FF_7_7 모형은 0.84, FF_10_10 모형은 0.83으로 나타나 FF_7_7 모형이 양호한 것으로 분석되었다. 따라서 최적 배차시간 예측을 위한 은닉층 처리소자 수는 입력층 처리소자 수의 n+2일 때 학습정도가 가장 높은 것으로 나타났다. 이상과 같이 본 연구의 결과를 정리하였다. 그러나 본 연구에서 사용된 자료 외에 보다 많은 양질의 자료를 이용한 분석을 다양하게 시도해볼 필요도 있을 것으로 사료된다. 시내버스가 도로상을 운행하면서 직면하게 되는 다양한 운행조건과 영향요인들의 크기가 시시각각 변화함을 감안할 때 보다 안정적이고, 일반화된 신경망 모형을 정립하기 위해서 필요한 과정이기 때문이다. 특히, 다양한 상황하에서 획득한 자료를 이용하여 모형별 은닉층 수 및 처리소자 수에 따른 최적배차간격 예측이나 민감도 변화 등에 대한 계속적인 연구를 통하여 입력층 처리소자 수에 따른 은닉층 수 및 은닉층 처리소자 수에 대한 설정기준을 제안하는 것은 향후의 연구과제로 반드시 필요하다고 판단된다.
본 연구는 시내버스의 배차간격을 결정하는 영향요인을 살펴보고,실제 운행과정에서 나타난 영향요인들의 크기를 산정하였다. 이 결과를 바탕으로 신경망을 이용한 배차간격의 효율성에 관한 해석을 시도하였다. 통상의 신경망은 인간의 사고과정을 수학적인 모형화가 가능한 것이다.본 연구에서 적용한 신경망모형은 불확실성을 해결하고 모형출력의 정도를 높이기 위해 입력층 노드수에 대한 은닉층 노드수의 최적 적용기준을 제시한 것으로서 결과를 정리하면 아래와 같다. 1. 현재 운행하고 있는 시내버스를 조사하여 배차간격의 영향요인을 분석한 결과,승객평균대기시간이 가장 짧은 노선은 순환3번과 북구1, 706번 순으로 나타났는데, 각각 3.66분, 4.77분, 4.90분으로 분석되었다.반면 승객평균대기시간이 가장 장시간인 노선은 칠곡2번으로서 10.17분이 산정되었으며, 그 다음으로 9.53분과 7.84분인 651번과 달서4번 순으로 나타났다. 2. 현 운행계획배차시간과 분석된 평균배차시간을 비교한 결과, 전체적으로 다소 차이가 있는 것으로 나타났다. 조사대상으로 선정한 노선중 349번, 427번, 동구2, 939번, 618번, 달서2, 425번, 북구1, 급행3의 순으로 운행계획보다 분석된 평균배차시간이 큰 것으로 분석되었다. 그 범위는 22∼198초 정도인 것으로 나타났다. 3. 반면, 조사치 평균배차시간이 운행계획배차시간 보다 14∼152초 적은 것으로 나타난 노선을 크기 순으로 나열하였는데, 순환3을 비롯한 달서4, 순환2, 449번, 808번, 564번, 356번, 649번, 403번, 706번, 급행2, 651번의 순으로 나타남을 알 수 있었다. 4. 본 연구에서는 최적 배차시간 산정을 위한 신경망모형의 적용성을 검토하였는데, 현재 대구시내에서 운행되고 있는 시내버스의 배차간격을 분석의 기초자료로 활용하였다. 즉, 현행의 102개 노선중 27개의 노선을 선택하여, 17개는 모형의 훈련자료로 사용하였고 10개는 검증자료로 사용하였다. 본 연구에서 개발한 신경망모형에의 적용은 다양한 조건을 부여하여 실행되었다. 입력층 노드수를 n이라고 할 때, 첫 번째 및 두 번째 은닉층 노드수를 n-2, n, n+2, n+4, 2n, 3n, 4n, 6n의 총 8개 계열로 FF 모형을 구성하여 실행하였다. 한편, 설정된 모형에 대한 적합성 검증을 위해 통계적 기준을 적용하였다.본 연구에서 적용한 검증기준은 예측오차의 평균오차, 평균제곱오차의 평방근, 결정계수 등 3가지를 사용하였다. 5. 입력층 처리소자 수(n)에 따른 은닉층 수가1개일 경우, 은닉층 처리소자 수가 학습의 정도에 미치는 영향을 검토한 결과 FF_9모형인 n+4일 때 학습의 정도가 가장 높은 것으로 검토되었으나,2n, 3n, 4n, 6n과의 차이는 크지 않음을 알 수 있었다. 이 결과로 볼 때 은닉층 수가 1개일 경우, 처리소자 수는 입력층 처리소자 수의 최소 2n-1 이상으로 구성된 모형이 적합한 것으로 판단된다. 6. 다음으로, 입력층 처리소자 수에 따른 은닉층 수가 2개일 경우, 첫 번째 및 두 번째 은닉층의 처리소자 수를 n-2, n, n+2, n+4, 2n, 3n, 4n, 6n으로 변화시키면서 모형을 학습한 결과, 입력층의 처리 소자 수가 5개일 때 예측을 위한 은닉층의 처리소자 수는 첫 번째 및 두 번째 은닉층 처리소자 수가 7개인 FF_7_7모형 또는 10개인 FF_10_10모형이 학습정도가 가장 우수한 것으로 나타났다. 7. 위의 분석결과로부터 은닉층 수가 2개일 경우는 은닉층 노드수를 많이 취한다고 해서 반드시 예측의 정도가 높은 것은 아님을 알 수 있었다. 또한, 전체적인 경향으로 볼 때 은닉층이 1개 보다는 2개일 때 학습의 정도가 높은 것으로 검토되었다. 8. 학습정도가 가장 우수한 FF_7_7 모형 및 FF_10_10 모형을 가지고 대구광역시의 808번 및 939번 노선의 배차간격 효율성을 분석 하였다.검증기준으로 설정한3개 지표값에 의하면, 결정계수 값이 FF_7_7 모형은 0.84, FF_10_10 모형은 0.83으로 나타나 FF_7_7 모형이 양호한 것으로 분석되었다. 따라서 최적 배차시간 예측을 위한 은닉층 처리소자 수는 입력층 처리소자 수의 n+2일 때 학습정도가 가장 높은 것으로 나타났다. 이상과 같이 본 연구의 결과를 정리하였다. 그러나 본 연구에서 사용된 자료 외에 보다 많은 양질의 자료를 이용한 분석을 다양하게 시도해볼 필요도 있을 것으로 사료된다. 시내버스가 도로상을 운행하면서 직면하게 되는 다양한 운행조건과 영향요인들의 크기가 시시각각 변화함을 감안할 때 보다 안정적이고, 일반화된 신경망 모형을 정립하기 위해서 필요한 과정이기 때문이다. 특히, 다양한 상황하에서 획득한 자료를 이용하여 모형별 은닉층 수 및 처리소자 수에 따른 최적배차간격 예측이나 민감도 변화 등에 대한 계속적인 연구를 통하여 입력층 처리소자 수에 따른 은닉층 수 및 은닉층 처리소자 수에 대한 설정기준을 제안하는 것은 향후의 연구과제로 반드시 필요하다고 판단된다.
This research is to study the factors influencing the headway of urban public buses, and to analysis the amount of the influencing factors in the real operation. Based on the results, an attempt was made to interpret the efficiency of the headway using the neural network. In general, neural network ...
This research is to study the factors influencing the headway of urban public buses, and to analysis the amount of the influencing factors in the real operation. Based on the results, an attempt was made to interpret the efficiency of the headway using the neural network. In general, neural network is to form a mathematical model for human thinking process. In the neural network model employed in the present research, optimal applicable criteria for the number of hidden layer node with respect to the number of input layer node are presented in order to solve the uncertainty and to enhance the adequacy of the model output level, and the results are as summarized below. 1. According to the analysis of factors influencing the headway in the public buses currently in operation, routes with minimum passenger waiting time were Circulating Route 3, North District 1, and 706, in the ascending order, with the waiting time being 3.66, 4.77, and 4.90 minutes, respectively. On the other hand, routes with maximum passenger waiting time were routes Chilgok 2, with 10.17 minutes, followed by 651 with 9.53 minutes, and Dalseo 4 with 7.84 minutes. 2. According to comparisons between planned headways and analyzed headways, there were a little bit of differences. Among the routes chosen for the study, routes 349, 427, Eastern District 2, 939, 618, Dalseo 2, 425, North District 1, Express 3 showed longer headways than planned in average, in the ascending order. The differences were in a range of 22 to 198 seconds. 3. On the other hand, some routes had shorter headways as compared to the planned headways in an amount of 14 to 152 seconds, and such routes included Dalseo 4, Circulation 2, 449, 808, 564, 356, 649, 403, 706, Express 2, and 651, in the ascending order. 4. In the present research, applicability of neural network model was reviewed in calculating optimal headways, using the current headways used by public buses in Daegu as the base data. That is, 27 routes out of total 102 were chosen, using 17 of them for obtaining training data for the neural network model, and 10 for obtaining validation data. The neural network model developed in the present research was applied with various conditions. Assuming the number of input layer node is n, the numbers of the first and the second hidden layer node were set at n-2, n, n+2, n+4, 2n, 3n, 4n, and 6n, total eight systems in forming FF model. On the one hand, statistical criteria were applied in order to validate the adequacy of the established model. As for the validation criteria applied in the present research, MEF(Mean Error of Forecasting Bias), RMSE(Root Mean Square Error), γ2(Determination Coefficient) were employed. 5. For a case in which the number of hidden layer according to the number of process elements(n) is one, a review was carried out on the influence of the number of hidden layer process elements on the level of training, and the result showedthat FF-9 model's n+4 was the highest, but not very different from the cases of 2n, 3n, 4n, and 6n. According to this result, it is judged that a model with the number of input layer process elements 2n-1 or higher is most optimal, when the number of hidden layer is 1. 6. Next, for the case in which the number of hidden layers was 2 according to the number of input layer process elements, a training was performed by assigning the numbers of the first and the second hidden layers to various quantities of n-2, n, n+2, n+4, 2n, 3n, 4n, and 6n, and the results showed that, when the number of input layer process elements was 5, as for the number of process elements of hidden layer for prediction, the training efficiency was the best for FF_7_7 model with the number of the first and the second hidden layer process elements 7, or FF_10_10 model with the number 10. 7. The analytic results described above indicate that, when the number of hidden layers is 2, the level of prediction does not necessarily become higher when a higher number is assigned to the number of hidden layer nodes. Also, the general trend shows that training level is higher when the number of hidden layers is 2 instead of 1. 8. The efficiency of headways for Daegu public bus routes 808 and 809 were analysed employing FF_7_7 model and FF_10_10 model, which have shown the best training levels. According to the three indices established as validation criteria, the γ2 were 0.84 for FF_7_7 and 0.83 for FF_10_10, revealing that FF_7_7 is superior. Accordingly, it is concluded that the training level is the best when the number of hidden layer process elements was n+2 for input layer process elements, in the optimal headway prediction. The results of the present research have been summarized above. However, it deems necessary to conduct a similar study with more extensive data of higher quality in various ways. Because it is a process necessary for establishing more generalized neural network model, considering the multitudes of variances that change with time as public buses are running on the roads under varying operational conditions and influencing factors. In particular, it is judged to be quite necessary for the future research task to present setup criteria for the number of hidden layers and the number of hidden layer process elements according to the number of input layer process elements, through continuous research, in terms of optimal headway predictions or sensitivity change of the values, based on the numbers of hidden layers and process elements per different model, based on data obtained in varying circumstances.
This research is to study the factors influencing the headway of urban public buses, and to analysis the amount of the influencing factors in the real operation. Based on the results, an attempt was made to interpret the efficiency of the headway using the neural network. In general, neural network is to form a mathematical model for human thinking process. In the neural network model employed in the present research, optimal applicable criteria for the number of hidden layer node with respect to the number of input layer node are presented in order to solve the uncertainty and to enhance the adequacy of the model output level, and the results are as summarized below. 1. According to the analysis of factors influencing the headway in the public buses currently in operation, routes with minimum passenger waiting time were Circulating Route 3, North District 1, and 706, in the ascending order, with the waiting time being 3.66, 4.77, and 4.90 minutes, respectively. On the other hand, routes with maximum passenger waiting time were routes Chilgok 2, with 10.17 minutes, followed by 651 with 9.53 minutes, and Dalseo 4 with 7.84 minutes. 2. According to comparisons between planned headways and analyzed headways, there were a little bit of differences. Among the routes chosen for the study, routes 349, 427, Eastern District 2, 939, 618, Dalseo 2, 425, North District 1, Express 3 showed longer headways than planned in average, in the ascending order. The differences were in a range of 22 to 198 seconds. 3. On the other hand, some routes had shorter headways as compared to the planned headways in an amount of 14 to 152 seconds, and such routes included Dalseo 4, Circulation 2, 449, 808, 564, 356, 649, 403, 706, Express 2, and 651, in the ascending order. 4. In the present research, applicability of neural network model was reviewed in calculating optimal headways, using the current headways used by public buses in Daegu as the base data. That is, 27 routes out of total 102 were chosen, using 17 of them for obtaining training data for the neural network model, and 10 for obtaining validation data. The neural network model developed in the present research was applied with various conditions. Assuming the number of input layer node is n, the numbers of the first and the second hidden layer node were set at n-2, n, n+2, n+4, 2n, 3n, 4n, and 6n, total eight systems in forming FF model. On the one hand, statistical criteria were applied in order to validate the adequacy of the established model. As for the validation criteria applied in the present research, MEF(Mean Error of Forecasting Bias), RMSE(Root Mean Square Error), γ2(Determination Coefficient) were employed. 5. For a case in which the number of hidden layer according to the number of process elements(n) is one, a review was carried out on the influence of the number of hidden layer process elements on the level of training, and the result showedthat FF-9 model's n+4 was the highest, but not very different from the cases of 2n, 3n, 4n, and 6n. According to this result, it is judged that a model with the number of input layer process elements 2n-1 or higher is most optimal, when the number of hidden layer is 1. 6. Next, for the case in which the number of hidden layers was 2 according to the number of input layer process elements, a training was performed by assigning the numbers of the first and the second hidden layers to various quantities of n-2, n, n+2, n+4, 2n, 3n, 4n, and 6n, and the results showed that, when the number of input layer process elements was 5, as for the number of process elements of hidden layer for prediction, the training efficiency was the best for FF_7_7 model with the number of the first and the second hidden layer process elements 7, or FF_10_10 model with the number 10. 7. The analytic results described above indicate that, when the number of hidden layers is 2, the level of prediction does not necessarily become higher when a higher number is assigned to the number of hidden layer nodes. Also, the general trend shows that training level is higher when the number of hidden layers is 2 instead of 1. 8. The efficiency of headways for Daegu public bus routes 808 and 809 were analysed employing FF_7_7 model and FF_10_10 model, which have shown the best training levels. According to the three indices established as validation criteria, the γ2 were 0.84 for FF_7_7 and 0.83 for FF_10_10, revealing that FF_7_7 is superior. Accordingly, it is concluded that the training level is the best when the number of hidden layer process elements was n+2 for input layer process elements, in the optimal headway prediction. The results of the present research have been summarized above. However, it deems necessary to conduct a similar study with more extensive data of higher quality in various ways. Because it is a process necessary for establishing more generalized neural network model, considering the multitudes of variances that change with time as public buses are running on the roads under varying operational conditions and influencing factors. In particular, it is judged to be quite necessary for the future research task to present setup criteria for the number of hidden layers and the number of hidden layer process elements according to the number of input layer process elements, through continuous research, in terms of optimal headway predictions or sensitivity change of the values, based on the numbers of hidden layers and process elements per different model, based on data obtained in varying circumstances.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.