현재 국내에서는 녹색교통을 지향하고자, 대중교통 중심으로의 교통개편을 장려하고 있다. 이를 위해서는 대중교통의 수요를 사전에 예측하여 가장 합리적인 정책을 수립하는 것이 핵심인데, 거시적 분석에 적합한 4단계 통행 배정 모형으로는 정류장이 밀집되어 있는 서울 시내의 대중교통 이용 패턴을 예측하는데 한계가 있다. 한편 대용량 데이터 시대의 도래와 함께 급격히 성장한 ...
현재 국내에서는 녹색교통을 지향하고자, 대중교통 중심으로의 교통개편을 장려하고 있다. 이를 위해서는 대중교통의 수요를 사전에 예측하여 가장 합리적인 정책을 수립하는 것이 핵심인데, 거시적 분석에 적합한 4단계 통행 배정 모형으로는 정류장이 밀집되어 있는 서울 시내의 대중교통 이용 패턴을 예측하는데 한계가 있다. 한편 대용량 데이터 시대의 도래와 함께 급격히 성장한 딥러닝 기술은 현재 이미지, 음성 등의 패턴 인식 분야에서 획기적인 성과를 이루고 있으며 그 기대치가 점차 증가되고 있다. 본 분석에서는 Stop level(모형A)과 Stop-to-stop level(모형B)에서 서울 시내의 버스정류장 수요를 예측하는 딥러닝 모델을 구현하고 그 성능을 검증하였다. 각 모델 별로 히든 노드수와 히든 레이어수, 규제계수()에 따른 민감도 분석을 진행하였고, 모델의 적합성 여부를 판단하기 위하여 교차검증 방법론을 활용하였다. 각 모형은 분석 대상이 서로 다르므로 표본 수 및 입력변수의 수에서 차이가 있었다. 모형A는 많은 입력변수의 수가 많은 상태로 정산이 가능했으며, 모형B는 많은 표본을 활용하여 정산이 가능했다. 그 결과, 입력변수가 많은 모형A는 트레이닝 셋의 정확도가 약 94%로 나타났으며, 표본 수가 많은 모형B는 테스트 셋의 정확도가 약 73%로 분석되었다. 히든 노드수와 레이어의 변화에 따른 민감도 분석결과, 데이터의 양 및 특성에 따라 가장 적합한 규모의 DNN 모형이 존재하는 것을 확인할 수 있었다. 규제 계수의 민감도 분석 결과에서는 DNN 모형의 규모가 일정 수준 이하로 감소할 경우 모형 정확도 변화가 둔감한 것을 확인할 수 있었다. 교차 검증 결과에서는 두 모델 모두 수도권 자료의 추가 및 새로운 입력변수의 발굴을 통하여 더욱 성능이 향상될 수 있음을 기대할 수 있었다.
현재 국내에서는 녹색교통을 지향하고자, 대중교통 중심으로의 교통개편을 장려하고 있다. 이를 위해서는 대중교통의 수요를 사전에 예측하여 가장 합리적인 정책을 수립하는 것이 핵심인데, 거시적 분석에 적합한 4단계 통행 배정 모형으로는 정류장이 밀집되어 있는 서울 시내의 대중교통 이용 패턴을 예측하는데 한계가 있다. 한편 대용량 데이터 시대의 도래와 함께 급격히 성장한 딥러닝 기술은 현재 이미지, 음성 등의 패턴 인식 분야에서 획기적인 성과를 이루고 있으며 그 기대치가 점차 증가되고 있다. 본 분석에서는 Stop level(모형A)과 Stop-to-stop level(모형B)에서 서울 시내의 버스정류장 수요를 예측하는 딥러닝 모델을 구현하고 그 성능을 검증하였다. 각 모델 별로 히든 노드수와 히든 레이어수, 규제계수()에 따른 민감도 분석을 진행하였고, 모델의 적합성 여부를 판단하기 위하여 교차검증 방법론을 활용하였다. 각 모형은 분석 대상이 서로 다르므로 표본 수 및 입력변수의 수에서 차이가 있었다. 모형A는 많은 입력변수의 수가 많은 상태로 정산이 가능했으며, 모형B는 많은 표본을 활용하여 정산이 가능했다. 그 결과, 입력변수가 많은 모형A는 트레이닝 셋의 정확도가 약 94%로 나타났으며, 표본 수가 많은 모형B는 테스트 셋의 정확도가 약 73%로 분석되었다. 히든 노드수와 레이어의 변화에 따른 민감도 분석결과, 데이터의 양 및 특성에 따라 가장 적합한 규모의 DNN 모형이 존재하는 것을 확인할 수 있었다. 규제 계수의 민감도 분석 결과에서는 DNN 모형의 규모가 일정 수준 이하로 감소할 경우 모형 정확도 변화가 둔감한 것을 확인할 수 있었다. 교차 검증 결과에서는 두 모델 모두 수도권 자료의 추가 및 새로운 입력변수의 발굴을 통하여 더욱 성능이 향상될 수 있음을 기대할 수 있었다.
In order to create environment-friendly transportation system, modal shift from automobile to transit is encouraged. In this case, predicting the demand of transit is the key-factor, which can not be obtained by traditional 4-Step Models because of the excessive concentration of bus stops in Seoul M...
In order to create environment-friendly transportation system, modal shift from automobile to transit is encouraged. In this case, predicting the demand of transit is the key-factor, which can not be obtained by traditional 4-Step Models because of the excessive concentration of bus stops in Seoul Metropolitan Area. However, the rapid development in Deep Learning Technology with Large-scale data has been continuously gaining expectations in image and acoustic recognition fields. In this paper, 'Station Level (Model A)' and 'Station-to-station level (Model B)' analyses of Bus-stop demand in Seoul have been organized by Deep Learning Model and the results are validated. In each model, sensitivity analysis has been conducted according to the amount of hidden nodes, hidden layer size, and regularization factor(). Then, cross-validation has been achieved to determine suitability of the developed models. Since there were difference in the level of analysis, the developed models were designed to have different sample size and number of input variables. Model A has been calibrated with large number of input variables, while Model B has been calibrated with large sample size. Model A, with numerous input variables, has achieved about 94% of accuracy in the training set, while Model B, with large sample size, has showed about 73% accuracy. In the sensitivity analysis of the number of hidden nodes and layer size, it has been found that the suitable size of DNN model exists in certain type and amount of required data. Also, the accuracy of the model was insensitive to the regularization factor when the size of DNN model has decreased below certain level. In the cross-validation process, increase in the accuracy for both models would be expected, when more data and input variables are obtained.
In order to create environment-friendly transportation system, modal shift from automobile to transit is encouraged. In this case, predicting the demand of transit is the key-factor, which can not be obtained by traditional 4-Step Models because of the excessive concentration of bus stops in Seoul Metropolitan Area. However, the rapid development in Deep Learning Technology with Large-scale data has been continuously gaining expectations in image and acoustic recognition fields. In this paper, 'Station Level (Model A)' and 'Station-to-station level (Model B)' analyses of Bus-stop demand in Seoul have been organized by Deep Learning Model and the results are validated. In each model, sensitivity analysis has been conducted according to the amount of hidden nodes, hidden layer size, and regularization factor(). Then, cross-validation has been achieved to determine suitability of the developed models. Since there were difference in the level of analysis, the developed models were designed to have different sample size and number of input variables. Model A has been calibrated with large number of input variables, while Model B has been calibrated with large sample size. Model A, with numerous input variables, has achieved about 94% of accuracy in the training set, while Model B, with large sample size, has showed about 73% accuracy. In the sensitivity analysis of the number of hidden nodes and layer size, it has been found that the suitable size of DNN model exists in certain type and amount of required data. Also, the accuracy of the model was insensitive to the regularization factor when the size of DNN model has decreased below certain level. In the cross-validation process, increase in the accuracy for both models would be expected, when more data and input variables are obtained.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.