본 연구에서는 과거의 교통패턴과 실시간 교통데이터와의 차이값을 이용하여 돌발상황을 판정하는 알고리즘을 개발하고자 한다. 이를 통해 운영자의 측면에서 이해하기 쉽고 운영 및 수정 보완이 용이한 돌발상황 감지알고리즘을 개발하는 것이 목적이다. 본 연구에서 제안한 알고리즘은 교통패턴 구축을 위하여 30초 주기 원시데이터를 바탕으로 동일한 지점의 동일한 요일 및 시간대의 교통량과 속도를 이용한 가중이동평균법을 사용하였다. 모형은 오류자료 보정처리, 소통상황 판정, 패턴자료와의 비교, 돌발상황 판정, 지속성 검사의 단계로 이루어졌으며, 적정 파라메타 선정을 위하여 다양한 파라메타값을 적용하였다. 알고리즘의 적용 결과 검지율은 평균 94.7%, 오보율은 0.8%, 평균 검지시간은 1.6분으로 기존 모형과의 비교분석 결과에서도 우수한 편에 속하는 것을 확인할 수 있다. 교통패턴이라는 개념을 사용하여 복잡하지 않은 과정을 통해 우수한 결과를 얻었으며, 운영자의 측면에서 실제 운영자들이 돌발상황을 판단하는 과정을 알고리즘으로 완성하였다는 측면에서 본 연구의 의의가 있다.
본 연구에서는 과거의 교통패턴과 실시간 교통데이터와의 차이값을 이용하여 돌발상황을 판정하는 알고리즘을 개발하고자 한다. 이를 통해 운영자의 측면에서 이해하기 쉽고 운영 및 수정 보완이 용이한 돌발상황 감지알고리즘을 개발하는 것이 목적이다. 본 연구에서 제안한 알고리즘은 교통패턴 구축을 위하여 30초 주기 원시데이터를 바탕으로 동일한 지점의 동일한 요일 및 시간대의 교통량과 속도를 이용한 가중이동평균법을 사용하였다. 모형은 오류자료 보정처리, 소통상황 판정, 패턴자료와의 비교, 돌발상황 판정, 지속성 검사의 단계로 이루어졌으며, 적정 파라메타 선정을 위하여 다양한 파라메타값을 적용하였다. 알고리즘의 적용 결과 검지율은 평균 94.7%, 오보율은 0.8%, 평균 검지시간은 1.6분으로 기존 모형과의 비교분석 결과에서도 우수한 편에 속하는 것을 확인할 수 있다. 교통패턴이라는 개념을 사용하여 복잡하지 않은 과정을 통해 우수한 결과를 얻었으며, 운영자의 측면에서 실제 운영자들이 돌발상황을 판단하는 과정을 알고리즘으로 완성하였다는 측면에서 본 연구의 의의가 있다.
Research of this paper focused on developing and demonstrating of algorithm with the figures of difference between historical traffic pattern data and real-time traffic data to decide on what the incident is. The aim of this dissertation is to develop incident detection algorithm which can be unders...
Research of this paper focused on developing and demonstrating of algorithm with the figures of difference between historical traffic pattern data and real-time traffic data to decide on what the incident is. The aim of this dissertation is to develop incident detection algorithm which can be understood and modified easier to operate. To establish traffic pattern of this algorithm, weighted moving average method was applied. The basis of this method was traffic volume and speed of the same day and time at the same location based on 30-second raw data. The model was completed by a serious of steps of process-screening process of error data, decision of the traffic condition, comparison with pattern data, decision of incident circumstances, continuity test. A variety of parameter value was applied to select reasonable parameter. Results of application of the algorithm came out with figures of average detection rate 94.7 percent, 0.8 percent rate of misinformation and the average detection time 1.6 minutes. With these following results, the detection rate turned out to be superior compared with result of existing model. Applying the concept of traffic patterns was useful to gain excellent results of this study. Also, this study is significant in terms of making algorithm which theorized the decision process of actual operators.
Research of this paper focused on developing and demonstrating of algorithm with the figures of difference between historical traffic pattern data and real-time traffic data to decide on what the incident is. The aim of this dissertation is to develop incident detection algorithm which can be understood and modified easier to operate. To establish traffic pattern of this algorithm, weighted moving average method was applied. The basis of this method was traffic volume and speed of the same day and time at the same location based on 30-second raw data. The model was completed by a serious of steps of process-screening process of error data, decision of the traffic condition, comparison with pattern data, decision of incident circumstances, continuity test. A variety of parameter value was applied to select reasonable parameter. Results of application of the algorithm came out with figures of average detection rate 94.7 percent, 0.8 percent rate of misinformation and the average detection time 1.6 minutes. With these following results, the detection rate turned out to be superior compared with result of existing model. Applying the concept of traffic patterns was useful to gain excellent results of this study. Also, this study is significant in terms of making algorithm which theorized the decision process of actual operators.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이로 인하여 실제 교통관리센터의 운영자들은 오보율이 높은 알고리즘을 사용하기 보다 운영자 단말화면에 나타나는 실시간 교통상황을 보며 이전의 동일한 요일·시간대 및 지점의 패턴과 차이가 나는 구간을 다시 한 번 확인하는 형태로 돌발상황을 확인하고 있다. 따라서 본 연구에서는 이러한 운영자의 교통패턴 비교방식을 이용하여 돌발상황 자동감지 알고리즘을 개발하고자 한다.
본 연구에서는 기존 모형의 문제점을 보완하고, 운영자의 측면에서 이해가 쉽고 수정 및 보완이 용이한 돌발상황감지알고리즘을 개발하였다. 이를 위해 요일별, 시간별, 날씨 등으로 세분화된 교통패턴을 활용하여 시간에 따른 교통류의 특성을 고려한 모형을 제시함으로써 돌발상황과 반복정체와의 구분이 용이해질 수 있었다.
즉, 한 지점의 소통상태는 일정한 범위 내에서 패턴을 가지고 변화하게 되는데, 돌발상황이 발생할 경우 이전의 패턴은 상이한 패턴이 나타날 것이다. 본 연구에서는 이러한 과거의 소통자료를 이용하여 구축한 교통패턴과 실시간 교통데이터와의 차이값을 이용하여 돌발상황을 판정하는 알고리즘을 개발하였다. 본 연구에서 제안한 알고리즘의 전체적인 흐름도는 <그림 1>와 같다.
SND는 돌발상황을 판정하기 위하여 사용 가능한 통계기법 중 가장 간단한 수식으로 구성되어 있다. 본 연구의 목적은 국내 교통관리시스템의 한계로 지적되어 온 시스템 운영자의 조작의 어려움을 최소화 하고, 실질적으로 운용 가능한 돌발상황 감지를 위한 교통변수의 적용에 있으므로 SND값을 사용하였다. 국내 교통관리시스템의 돌발상황 감지알고리즘의 경우 파라메타 보정에 있어 운영자의 접근이 어려우며 이로 인하여 돌발상황 감지시 오보율이 높아지는 결과를 초례하였다.
제안 방법
38건의 돌발상황에 대해서 이동평균분석단위 4가지, 돌발상황 판정 임계값 4가지, 지속성 2가지 총 32가지의 경우로 알고리즘을 적용·분석하였다.
교통패턴을 구축하기 위한 자료는 동일한 지점, 동일한 요일 및 시간대별 5주간 데이터를 이용하여 교통량에 가중치를 둔 가중이동평균법으로 산출하였다. 이를 수식으로 나타내면 다음과 같다.
돌발상황 판정방안은 구축된 교통패턴자료값의 가중 이동평균과 표준편차값 및 실시간 속도데이터를 표준정규화한 SND값을 이용하였다.
38건의 돌발상황에 대해서 이동평균분석단위 4가지, 돌발상황 판정 임계값 4가지, 지속성 2가지 총 32가지의 경우로 알고리즘을 적용·분석하였다. 동일한 요일 및 시간대의 이전 5주간 자료를 이용해 구축된 교통패턴 자료를 구축하였다. 이를 바탕으로 지속성 검사를 2회만 시행한 경우에 5주간 동일한 시간대에 일정한 교통패턴을 나타낸 자료의 특성상 임계치나 이동평균 분석단위와는 상관없이 오보건수가 0건이고, 검지율도 100%로 나타났다.
따라서 에서 제시된 기존 돌발상황 감지알고리즘의 성능평가를 위해서는 본 연구에서 사용한 실제 데이터를 적용하여야 함에도 불구하고 기존 연구결과를 차용한 결과를 제시하였다.
이를 위해 요일별, 시간별, 날씨 등으로 세분화된 교통패턴을 활용하여 시간에 따른 교통류의 특성을 고려한 모형을 제시함으로써 돌발상황과 반복정체와의 구분이 용이해질 수 있었다. 또한 기존 모형에서 주로 사용되는 교통량과 점유율 대신 운영자의 측면에서 이해하기 쉬운 속도를 주요 변수로써 사용하였다.
알고리즘에서 가장 중요한 교통패턴 구축을 위하여 30초 주기 원시데이터를 바탕으로 동일한 지점의 동일한 요일 및 시간대의 교통량과 속도를 이용한 가중이동평균법을 사용하였다. 모형은 오류자료 보정처리, 소통상황 판정, 패턴자료와의 비교, 돌발상황 판정, 지속성 검사의 단계로 이루어졌으며, 적정 파라메타 선정을 위하여 다양한 파라메타값을 적용하였다.
즉, 돌발상황으로 판정되더라도 그것이 연속적으로 일정횟수 이상 반복되어야만 돌발상황으로 판정하는 것이다. 본 연구에서 알고리즘 적용시 각각 지속성 검사횟수를 기준으로 2회와 3회 두 가지의 경우로 분석하였다.
본 연구에서 제안한 알고리즘의 전체적인 흐름도는 <그림 1>와 같다. 본 연구에서 제안한 알고리즘은 오류자료 보정처리, 소통상황 판정, 패턴자료와의 비교, 돌발상황 판정, 지속성 검사, 교통패턴 구축 등의 일반적인 돌발상황 감지 알고리즘과 유사한 단계들로 구성하였다.
이 과정을 통해서 소통원활임에도 불구하고 기존 패턴의 임계범위에서 벗어났기 때문에 발생하는 오보를 줄일 수 있다. 이동평균의 적정 분석단위 N을 선정하기 위하여 알고리즘의 적용단계에서는 각각 3(1분 30초), 5(2분 30초), 9(4분 30초), 17(8분 30초) 등 4개의 분석단위를 적용하였다.
시계열 분석기법은 돌발상황 발생시점 이전의 교통변수의 추세를 기준으로 속도, 교통량, 점유율의 변화 추세로 부터 허용오차 이상의 변화량이 감지될 경우 돌발상황으로 판정하는 방식이다. 즉, 기존 패턴인식기법의 패턴자료 및 시계열 분석기법의 패턴자료는 돌발상황 발생시점의 이전 및 이후 교통변수의 변화량을 기준으로 산정되나, 본 연구에서 구축한 패턴자료는 돌발상황이 발생하지 않은 평상시에 수집된 교통변수를 요일별, 시간대별, 날씨별 등 속도의 변화량을 기준으로 구축한다.
대상 데이터
자료는 영상검지기에서 수집된 차로별 30초 주기 원시데이터를 사용하였다. 돌발상황 발생시간 전, 후 30분 총 1시간 자료를 대상으로 검지기 데이터를 수집하였으며, 돌발상황을 판정하기 위하여 비교 대상이 되는 교통패턴 구축을 위해 동일한 지점, 동일한 요일 및 시간의 이전 5주간 자료를 함께 수집하였으며 수집된 데이터에서 돌발상황으로 인하여 교통패턴 구축에 적합하지 않은 자료를 제외하였다. 이를 위해 서울시 도시고속도로 교통관리센터에서 제공한 분석기간 동안의 돌발상황 상세 데이터를 활용하였다.
본 연구에서 제시한 알고리즘의 적용을 위하여 서울시 도시고속도로에서 평일 5일간 발생한 돌발상황 59건 중 38건의 자료를 이용하였다. 분석에서 제외된 21건의 경우는 정체상황에서 발생한 돌발상황으로 본 연구의 범위에서 제외되었다.
알고리즘을 적용하고 평가하기 위하여 서울시 도시고속도로에서 발생한 돌발상황 38건의 돌발상황 발생시점의 전후 30분씩의 데이터를 이용하였으며, 교통패턴을 구축하기 위하여 동일한 지점의 동일한 요일 및 시간대의 돌발상황이 발생하지 않은 5주간 자료를 함께 수집하였다. 알고리즘의 적용 결과 검지율은 평균 94.
돌발상황 발생시간 전, 후 30분 총 1시간 자료를 대상으로 검지기 데이터를 수집하였으며, 돌발상황을 판정하기 위하여 비교 대상이 되는 교통패턴 구축을 위해 동일한 지점, 동일한 요일 및 시간의 이전 5주간 자료를 함께 수집하였으며 수집된 데이터에서 돌발상황으로 인하여 교통패턴 구축에 적합하지 않은 자료를 제외하였다. 이를 위해 서울시 도시고속도로 교통관리센터에서 제공한 분석기간 동안의 돌발상황 상세 데이터를 활용하였다. <표 4>는 패턴구축을 위하여 수집한 분석 데이터 개요이며, <표 5>는 돌발상황 상세데이터이다.
분석에서 제외된 21건의 경우는 정체상황에서 발생한 돌발상황으로 본 연구의 범위에서 제외되었다. 자료는 영상검지기에서 수집된 차로별 30초 주기 원시데이터를 사용하였다. 돌발상황 발생시간 전, 후 30분 총 1시간 자료를 대상으로 검지기 데이터를 수집하였으며, 돌발상황을 판정하기 위하여 비교 대상이 되는 교통패턴 구축을 위해 동일한 지점, 동일한 요일 및 시간의 이전 5주간 자료를 함께 수집하였으며 수집된 데이터에서 돌발상황으로 인하여 교통패턴 구축에 적합하지 않은 자료를 제외하였다.
데이터처리
돌발상황 감지알고리즘의 평가는 기존 모형과의 성능평가 지표인 검지율과 오보율, 평균 검지시간을 기준으로 비교하였다.
이론/모형
기존 모형의 성능평가 지표값은 김영준 외(2004)에서 제시한 값을 사용하였다. 서로 다른 데이터를 이용하였다는 점에서 비교의 한계가 있지만, 개발 모형의 성능이 기존 모형이 보이고 있는 성능수치와 비교하여 합리적 수준의 값을 갖는가를 체크하는 수준에서 의미가 있다고 볼 수 있다.
본 연구에서는 과 같이 분석대상지인 서울시 도시고속도로에 적용되고 있는 3단계의 소통상황 판정기준을 적용하였다.
알고리즘에서 가장 중요한 교통패턴 구축을 위하여 30초 주기 원시데이터를 바탕으로 동일한 지점의 동일한 요일 및 시간대의 교통량과 속도를 이용한 가중이동평균법을 사용하였다. 모형은 오류자료 보정처리, 소통상황 판정, 패턴자료와의 비교, 돌발상황 판정, 지속성 검사의 단계로 이루어졌으며, 적정 파라메타 선정을 위하여 다양한 파라메타값을 적용하였다.
성능/효과
그러나 검지율 및 검지시간은 오보율과 상호 trade-off 관계로 과 같이 90% 이상의 검지율과 1% 미만의 오보율을 보이는 특성을 보이는 등 기존 돌발감지알고리즘의 보완적 차원에서 적용시에는 무리가 없다고 판단된다.
그러나 교통패턴이라는 개념을 사용하여 복잡하지 않은 과정을 통해 우수한 결과를 얻었으며, 운영자의 측면에서 실제 운영자들이 돌발상황을 판단하는 과정을 알고리즘으로 완성하였다는 측면에서 본 연구는 소기의 성과를 거두었다고 판단된다. 제한된 자료만을 사용하였기 때문에, 실제 현장에 적용할 경우 장기간 누적된 자료를 이용한 성능검증과 수정·보완 작업이 필요할 것이다.
그러나 돌발상황 감지알고리즘에서 가장 중요한 것은 검지율이다. 돌발판정 임계값이 커질수록 검지시간이 감소하는 추세를 보이지만, 검지시간 감소량이 작고 검지율은 크게 감소하였다. 따라서 본 연구에서 적정 임계값은 1로 적용하였다.
알고리즘의 적용 결과를 보면, 임계값을 낮추게 되면 검지율이 올라가지만 오보율 역시 올라가는 것을 확인할 수 있다. 또한 임계값을 1로 하였을 때 전체 돌발상황 38건 중 36건을 검지하여 검지율이 가장 높은 것을 알 수 있다. 또한 임계값이 1.
마지막으로 지속성의 경우는 지속성검사 횟수를 늘릴수록 오보율이 떨어지는 것을 확인할 수 있다. 그러나 분석단위시간인 30초를 기다려야 하며 일반적으로 돌발상황을 검지하기 위한 적정 검지시간은 2분 이내가 적당하다고 알려져 있다.
즉, 검지율과 검지시간이 우수하면 오보율이 함께 높아지게 되고, 오보율이 낮게 되면 검지율과 검지시간이 상대적으로 좋지 않은 것을 알 수 있다. 본 연구에서 개발한 알고리즘의 경우 검지율이 매우 높은 편임에도 불구하고 오보율도 낮은 편에 속하기 때문에 기존 모형과 비교하여도 우수한 수준의 모형임을 확인할 수 있다.
알고리즘을 적용하고 평가하기 위하여 서울시 도시고속도로에서 발생한 돌발상황 38건의 돌발상황 발생시점의 전후 30분씩의 데이터를 이용하였으며, 교통패턴을 구축하기 위하여 동일한 지점의 동일한 요일 및 시간대의 돌발상황이 발생하지 않은 5주간 자료를 함께 수집하였다. 알고리즘의 적용 결과 검지율은 평균 94.7%, 오보율은 0.8%, 평균 검지시간은 1.6분으로 기존 모형과의 비교분석 결과에서도 우수한 편에 속하는 것을 확인할 수 있다. 그러나 정체상황에서 발생한 돌발상황을 분석대상에서 제외하였다는 점이 본 연구의 가장 큰 한계라고 할 수 있다.
알고리즘의 적용 결과를 보면, 임계값을 낮추게 되면 검지율이 올라가지만 오보율 역시 올라가는 것을 확인할 수 있다. 또한 임계값을 1로 하였을 때 전체 돌발상황 38건 중 36건을 검지하여 검지율이 가장 높은 것을 알 수 있다.
따라서 본 연구에서 적정 임계값은 1로 적용하였다. 이동평균의 분석단위의 경우 본 연구에서는 검지율에 크게 영향을 미치지 않는 것으로 나타났다. 그러나 이동평균 분석단위가 17일 때, 나머지 조건이 동일한 상황에서 가장 오보율이 낮게 나타났다.
동일한 요일 및 시간대의 이전 5주간 자료를 이용해 구축된 교통패턴 자료를 구축하였다. 이를 바탕으로 지속성 검사를 2회만 시행한 경우에 5주간 동일한 시간대에 일정한 교통패턴을 나타낸 자료의 특성상 임계치나 이동평균 분석단위와는 상관없이 오보건수가 0건이고, 검지율도 100%로 나타났다.
본 연구에서는 기존 모형의 문제점을 보완하고, 운영자의 측면에서 이해가 쉽고 수정 및 보완이 용이한 돌발상황감지알고리즘을 개발하였다. 이를 위해 요일별, 시간별, 날씨 등으로 세분화된 교통패턴을 활용하여 시간에 따른 교통류의 특성을 고려한 모형을 제시함으로써 돌발상황과 반복정체와의 구분이 용이해질 수 있었다. 또한 기존 모형에서 주로 사용되는 교통량과 점유율 대신 운영자의 측면에서 이해하기 쉬운 속도를 주요 변수로써 사용하였다.
검지율 및 검지시간은 오보율과 상호 trade-off 관계에 있다고 할 수 있다. 즉, 검지율과 검지시간이 우수하면 오보율이 함께 높아지게 되고, 오보율이 낮게 되면 검지율과 검지시간이 상대적으로 좋지 않은 것을 알 수 있다. 본 연구에서 개발한 알고리즘의 경우 검지율이 매우 높은 편임에도 불구하고 오보율도 낮은 편에 속하기 때문에 기존 모형과 비교하여도 우수한 수준의 모형임을 확인할 수 있다.
후속연구
그러나 본 연구의 특성상 분석대상에서 정체시에 발생한 돌발상황을 제외하였다는 점에서 본 연구의 한계가 존재한다고 볼 수 있다. 이는 실제 현장에 적용시 정체상황 때의 돌발상황을 감지할 수 있는 알고리즘을 정체시에 함께 적용함으로써 보완이 가능할 것으로 판단된다.
6분으로 기존 모형과의 비교분석 결과에서도 우수한 편에 속하는 것을 확인할 수 있다. 그러나 정체상황에서 발생한 돌발상황을 분석대상에서 제외하였다는 점이 본 연구의 가장 큰 한계라고 할 수 있다.
따라서 향후 연구로써 정체상황에서 발생하는 돌발상황을 판단하는 다른 알고리즘과의 보완·적용방안, 일정한 패턴을 나타내지 않는 혼잡상황에서의 돌발상황에 대한 검지율을 향상시키기 위한 연구 등 추가적이 연구가 필요하다.
그러나 본 연구의 특성상 분석대상에서 정체시에 발생한 돌발상황을 제외하였다는 점에서 본 연구의 한계가 존재한다고 볼 수 있다. 이는 실제 현장에 적용시 정체상황 때의 돌발상황을 감지할 수 있는 알고리즘을 정체시에 함께 적용함으로써 보완이 가능할 것으로 판단된다.
그러나 교통패턴이라는 개념을 사용하여 복잡하지 않은 과정을 통해 우수한 결과를 얻었으며, 운영자의 측면에서 실제 운영자들이 돌발상황을 판단하는 과정을 알고리즘으로 완성하였다는 측면에서 본 연구는 소기의 성과를 거두었다고 판단된다. 제한된 자료만을 사용하였기 때문에, 실제 현장에 적용할 경우 장기간 누적된 자료를 이용한 성능검증과 수정·보완 작업이 필요할 것이다. 또한 실제 적용성을 향상시키기 위해서는 교통관리시스템의 교통정보가공주기인 1분단위의 이동평균단위의 적용성을 검토 할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
기존 돌발상황감지알고리즘에 관한 연구는 어떻게 분류되는가?
기존 돌발상황감지알고리즘에 관한 연구는 검지기법의 특성에 따라 <표 1>과 같이 크게 5가지 유형으로 분류되고 있다. 상,하류부의 교통류 특성을 비교하는 패턴인식기법을 비롯하여, 검지데이터의 확률분포를 결정하고 이를 통해 돌발상황을 판정하는 통계적 기법의 알고리즘, 단기의 교통상황 예측을 통해 돌발상황을 판정하는 시계열 알고리즘, 교통류 모형을 이용한 알고리즘, 마지막으로 신경망이론 등을 활용한 알고리즘으로 분류할 수 있다. 유형별 돌발상황감지알고리즘의 특성은 다음과 같다.
돌발상황감지알고리즘에서 통계적기법의 특징은?
이는 초창기 개발기법으로 구간감지방법을 사용한다. 통계적기법은 관측값과 통계적인 방법을 이용하여 추정된 예측값과의 비교를 통하여 돌발상황을 판별하며, 시계열 분석 및 필터링기법은 관측값과 시계열 분석에 의한 예측값간의 오차 비교를 통하여 돌발상황을 판정한다. 교통류기법은 교통류상태를 표현하는 관계식을 설정하고 지속적인 튜닝을 통한 돌발 상황을 검지하게된다.
과거의 교통패턴과 실시간 교통데이터와의 차이값을 이용하여 돌발상황을 판정하는 알고리즘 연구의 주목적은?
본 연구에서는 과거의 교통패턴과 실시간 교통데이터와의 차이값을 이용하여 돌발상황을 판정하는 알고리즘을 개발하고자 한다. 이를 통해 운영자의 측면에서 이해하기 쉽고 운영 및 수정 보완이 용이한 돌발상황 감지알고리즘을 개발하는 것이 목적이다. 본 연구에서 제안한 알고리즘은 교통패턴 구축을 위하여 30초 주기 원시데이터를 바탕으로 동일한 지점의 동일한 요일 및 시간대의 교통량과 속도를 이용한 가중이동평균법을 사용하였다.
참고문헌 (9)
강수구.도철웅.손봉수.이시복(2001), "고속도로 돌발상황검지알고리즘 성능 개선기법에 관한 연구", 대한교통학회지, 제19권 제6호, 대한교통학회, pp.105-118.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.