통행시간 정보는 주로 지점검지기 또는 구간검지기 자료로부터 산출된다. 본 연구에서는 통행시간 정보 산출시 지점검지기 자료와 구간검지기 자료에서 나타나는 한계를 인식하고, 통행시간 정보의 신뢰성을 향상시키기 위한 방안으로 자료 융합과 교통류 모형에 기초한 통행시간 예측 모형을 제안하였다.
지점검지기 자료에 대해서는 공간표본자료 이용에 따른 오차 발생 문제와 시간처짐으로 인한 오차 발생 문제를, 구간검지기 자료에 대해서는 시간처짐으로 인한 오차 발생 문제를 인식하였다. 이 중 공간표본자료 이용에 따른 오차 발생 문제는 교통류 모형을 통해 극복할 수 있고, 구간검지기에서 수집되는 ...
통행시간 정보는 주로 지점검지기 또는 구간검지기 자료로부터 산출된다. 본 연구에서는 통행시간 정보 산출시 지점검지기 자료와 구간검지기 자료에서 나타나는 한계를 인식하고, 통행시간 정보의 신뢰성을 향상시키기 위한 방안으로 자료 융합과 교통류 모형에 기초한 통행시간 예측 모형을 제안하였다.
지점검지기 자료에 대해서는 공간표본자료 이용에 따른 오차 발생 문제와 시간처짐으로 인한 오차 발생 문제를, 구간검지기 자료에 대해서는 시간처짐으로 인한 오차 발생 문제를 인식하였다. 이 중 공간표본자료 이용에 따른 오차 발생 문제는 교통류 모형을 통해 극복할 수 있고, 구간검지기에서 수집되는 공간평균속도는 교통류 모형의 정확도를 향상시킬 수 있는 가능성을 발견하였다. 그리고 시간처짐으로 인한 오차 발생 문제는 실시간 교통특성을 잘 반영하는 지점검지기 자료를 이용하여 미래 교통상태 변화를 예측함으로써 극복할 수 있는 가능성을 발견하였다. 이에, 지점 및 구간검지기 자료 융합과 교통류 모형에 기초한 실시간 통행시간 예측 모형을 개발하고자 하였다. 교통상태 변화가 작은 경우는 구간검지기 통행시간만으로도 신뢰성 높은 통행시간 정보 제공이 가능함을 인식하고, 통행시간 예측모형 개발 방향을 교통상태 변화가 큰 경우에 초점을 두었다.
제안된 통행시간 예측 모형은 교통변수 예측 단계와 통행시간 예측 단계로 구성된다. 교통변수 예측 단계에서는 학습과정이 간단하고 예측 정확도가 높은 k-Nearest Neighbourhood(k-NN) 방법을 응용하여 적용하였다. 교통변수 예측 과정에서 교통류의 이력현상 특성이 반영되도록 하였다. 통행시간 예측 단계에서는 비균형 상태에서의 교통류 특성을 잘 반영할 수 있는 Papageorgiou 모형을 응용하여 적용하였다. 일반적으로 교통류 모형의 입력값으로 지점검지기 자료만을 이용한 것과는 달리, 지점 및 구간검지기 자료를 동시에 이용함으로써 교통류 모형의 정확도를 향상시키고자 하였다.
제안된 모형에 대한 검증은 시뮬레이션을 이용한 검증과 현장 자료를 이용한 검증으로 구분하여 수행하였다. 시뮬레이션을 이용한 검증에서는 PARAMICS를 통해 생성된 지점 및 구간검지기 자료를 이용하였다. 현장 자료를 이용한 검증에서는 경부고속도로 양재 IC 일대에서 수집된 지점 및 구간검지기 자료를 이용하였다. 제안된 PIF 모형은 혼잡이 급격하게 증가하거나 감소하는 경우, 즉 교통상태 변화가 큰 경우에 통행시간 예측 정확도가 높은 것으로 분석되었다. 반면, 교통상태 변화가 작은 경우에는 구간검지기 통행시간이 PIF 모형을 통한 예측 통행시간보다 정확도가 높은 것으로 분석되었다. 통행시간 정보 제공시 구간검지기 통행시간과 PIF 모형을 통한 예측 통행시간을 탄력적으로 적용함으로써 통행시간 정보의 신뢰성을 향상시킬 수 있을 것으로 기대된다.
주요어 : 통행시간, 자료 융합, 교통류 모형, k-Nearest Neighbourhood method, 지점검지기, 구간검지기, 시간처짐
통행시간 정보는 주로 지점검지기 또는 구간검지기 자료로부터 산출된다. 본 연구에서는 통행시간 정보 산출시 지점검지기 자료와 구간검지기 자료에서 나타나는 한계를 인식하고, 통행시간 정보의 신뢰성을 향상시키기 위한 방안으로 자료 융합과 교통류 모형에 기초한 통행시간 예측 모형을 제안하였다.
지점검지기 자료에 대해서는 공간표본자료 이용에 따른 오차 발생 문제와 시간처짐으로 인한 오차 발생 문제를, 구간검지기 자료에 대해서는 시간처짐으로 인한 오차 발생 문제를 인식하였다. 이 중 공간표본자료 이용에 따른 오차 발생 문제는 교통류 모형을 통해 극복할 수 있고, 구간검지기에서 수집되는 공간평균속도는 교통류 모형의 정확도를 향상시킬 수 있는 가능성을 발견하였다. 그리고 시간처짐으로 인한 오차 발생 문제는 실시간 교통특성을 잘 반영하는 지점검지기 자료를 이용하여 미래 교통상태 변화를 예측함으로써 극복할 수 있는 가능성을 발견하였다. 이에, 지점 및 구간검지기 자료 융합과 교통류 모형에 기초한 실시간 통행시간 예측 모형을 개발하고자 하였다. 교통상태 변화가 작은 경우는 구간검지기 통행시간만으로도 신뢰성 높은 통행시간 정보 제공이 가능함을 인식하고, 통행시간 예측모형 개발 방향을 교통상태 변화가 큰 경우에 초점을 두었다.
제안된 통행시간 예측 모형은 교통변수 예측 단계와 통행시간 예측 단계로 구성된다. 교통변수 예측 단계에서는 학습과정이 간단하고 예측 정확도가 높은 k-Nearest Neighbourhood(k-NN) 방법을 응용하여 적용하였다. 교통변수 예측 과정에서 교통류의 이력현상 특성이 반영되도록 하였다. 통행시간 예측 단계에서는 비균형 상태에서의 교통류 특성을 잘 반영할 수 있는 Papageorgiou 모형을 응용하여 적용하였다. 일반적으로 교통류 모형의 입력값으로 지점검지기 자료만을 이용한 것과는 달리, 지점 및 구간검지기 자료를 동시에 이용함으로써 교통류 모형의 정확도를 향상시키고자 하였다.
제안된 모형에 대한 검증은 시뮬레이션을 이용한 검증과 현장 자료를 이용한 검증으로 구분하여 수행하였다. 시뮬레이션을 이용한 검증에서는 PARAMICS를 통해 생성된 지점 및 구간검지기 자료를 이용하였다. 현장 자료를 이용한 검증에서는 경부고속도로 양재 IC 일대에서 수집된 지점 및 구간검지기 자료를 이용하였다. 제안된 PIF 모형은 혼잡이 급격하게 증가하거나 감소하는 경우, 즉 교통상태 변화가 큰 경우에 통행시간 예측 정확도가 높은 것으로 분석되었다. 반면, 교통상태 변화가 작은 경우에는 구간검지기 통행시간이 PIF 모형을 통한 예측 통행시간보다 정확도가 높은 것으로 분석되었다. 통행시간 정보 제공시 구간검지기 통행시간과 PIF 모형을 통한 예측 통행시간을 탄력적으로 적용함으로써 통행시간 정보의 신뢰성을 향상시킬 수 있을 것으로 기대된다.
주요어 : 통행시간, 자료 융합, 교통류 모형, k-Nearest Neighbourhood method, 지점검지기, 구간검지기, 시간처짐
Travel time can be mainly estimated by point detector or interval detector. This study, recognizing the deficiencies of these detectors when they are used solely in estimating travel times, was intended to develop the travel time prediction model which was based on data fusion and traffic flow model...
Travel time can be mainly estimated by point detector or interval detector. This study, recognizing the deficiencies of these detectors when they are used solely in estimating travel times, was intended to develop the travel time prediction model which was based on data fusion and traffic flow model in an attempt to enhance the reliability of the travel time information.
The deficiencies of point detector in estimating travel times include the errors caused by spatial sample data and past data with time-lag. The deficiencies of interval detector in estimating travel times include the error caused by past data with time-lag. The errors caused by sample data are expected to be dealt with traffic flow model and the space mean speeds collected from the interval detector are expected to improve the accuracy of the traffic flow model. Moreover, the errors caused by time-lag would be effectively resolved in such a way of predicting the future traffic state using the data collected from point detector which well represent the real-time traffic state. Hence the study was intended to develop the travel time prediction model which was based on data fusion from point and interval detector data and traffic flow model. Given the reliable travel time information could be provided using travel time from interval detector only in case of small variation of traffic state, development of the model was carried out focusing on the case of large variation of traffic state.
The proposed PIF model consists of two steps. In the first step, traffic variables are predicted based on k-Nearest Neighborhood(k-NN) method. In the second step, travel times are predicted based on Papageorgiou model. At traffic variables prediction step, traffic variables of the points at which point detectors are located are predicted. At travel time prediction step, traffic variables per cell are predicted using the traffic flow model and travel times are predicted. Unlike previous studies in which the data from point detector only was used as input variables for traffic flow model, both the data from point and interval detector are simultaneously used as input variables for traffic flow model.
For model validation using simulation, various traffic demand patterns were virtually set. Point and interval detector data generated by the simulation tool PARAMICS were applied. For model validation using the field data, the data collected around Yangjae IC on up line of Gyeongbu Expressway from point and interval detector was used. The prediction results from the PIF model were compared with those from point detector, interval detector and Papageorgiou model. The performances of interval detector and PIF model were similar with each other and superior to others. The PIF model was found to be superior to others when congestion was rapidly increased or decreased. The interval detector model, in contrast, was found to be superior to others when the variation of traffic state was insignificant. The outcomes of the study were considered to be hopeful from the viewpoint that the reliability of travel time information would be improved by applying the travel times from interval detector and PIF model in a flexible way.
Key words : Travel time, Data fusion, Traffic flow model, k-Nearest Neighbourhood method, Point detector, Interval detector, Time-lag
Travel time can be mainly estimated by point detector or interval detector. This study, recognizing the deficiencies of these detectors when they are used solely in estimating travel times, was intended to develop the travel time prediction model which was based on data fusion and traffic flow model in an attempt to enhance the reliability of the travel time information.
The deficiencies of point detector in estimating travel times include the errors caused by spatial sample data and past data with time-lag. The deficiencies of interval detector in estimating travel times include the error caused by past data with time-lag. The errors caused by sample data are expected to be dealt with traffic flow model and the space mean speeds collected from the interval detector are expected to improve the accuracy of the traffic flow model. Moreover, the errors caused by time-lag would be effectively resolved in such a way of predicting the future traffic state using the data collected from point detector which well represent the real-time traffic state. Hence the study was intended to develop the travel time prediction model which was based on data fusion from point and interval detector data and traffic flow model. Given the reliable travel time information could be provided using travel time from interval detector only in case of small variation of traffic state, development of the model was carried out focusing on the case of large variation of traffic state.
The proposed PIF model consists of two steps. In the first step, traffic variables are predicted based on k-Nearest Neighborhood(k-NN) method. In the second step, travel times are predicted based on Papageorgiou model. At traffic variables prediction step, traffic variables of the points at which point detectors are located are predicted. At travel time prediction step, traffic variables per cell are predicted using the traffic flow model and travel times are predicted. Unlike previous studies in which the data from point detector only was used as input variables for traffic flow model, both the data from point and interval detector are simultaneously used as input variables for traffic flow model.
For model validation using simulation, various traffic demand patterns were virtually set. Point and interval detector data generated by the simulation tool PARAMICS were applied. For model validation using the field data, the data collected around Yangjae IC on up line of Gyeongbu Expressway from point and interval detector was used. The prediction results from the PIF model were compared with those from point detector, interval detector and Papageorgiou model. The performances of interval detector and PIF model were similar with each other and superior to others. The PIF model was found to be superior to others when congestion was rapidly increased or decreased. The interval detector model, in contrast, was found to be superior to others when the variation of traffic state was insignificant. The outcomes of the study were considered to be hopeful from the viewpoint that the reliability of travel time information would be improved by applying the travel times from interval detector and PIF model in a flexible way.
Key words : Travel time, Data fusion, Traffic flow model, k-Nearest Neighbourhood method, Point detector, Interval detector, Time-lag
※ AI-Helper는 부적절한 답변을 할 수 있습니다.