본 연구에서는 도로기상정보체계에서 습득할 수 있는 노면온도자료를 활용하여 신경망 이론을 통해 노면온도를 예측하는 모형을 개발하였다. 이를 위해 수집된 노면온도자료(노면온도, 대기온도, 대기습도)를 가지고 1시간, 2시간, 그리고 3시간 후의 노면온도를 예측할 수 있는 신경망을 설계하였다. 청원-상주간 고속도로를 대상으로 모형을 수행한 결과, 예측치와 관측치에 대한 편차의 표준편차가 1시간 예측인 경우 $0.55^{\circ}C$, 2시간 예측인 경우 $1.27^{\circ}C$, 3시간 예측인 경우 $1.43^{\circ}C$를 나타났다. 또한 예측된 노면온도를 실제 관측한 자료와 비교한 결과 R2 값이 각각 0.985, 0.923, 0.903으로 나타나 모형의 설명력이 높은 것으로 판단된다.
본 연구에서는 도로기상정보체계에서 습득할 수 있는 노면온도자료를 활용하여 신경망 이론을 통해 노면온도를 예측하는 모형을 개발하였다. 이를 위해 수집된 노면온도자료(노면온도, 대기온도, 대기습도)를 가지고 1시간, 2시간, 그리고 3시간 후의 노면온도를 예측할 수 있는 신경망을 설계하였다. 청원-상주간 고속도로를 대상으로 모형을 수행한 결과, 예측치와 관측치에 대한 편차의 표준편차가 1시간 예측인 경우 $0.55^{\circ}C$, 2시간 예측인 경우 $1.27^{\circ}C$, 3시간 예측인 경우 $1.43^{\circ}C$를 나타났다. 또한 예측된 노면온도를 실제 관측한 자료와 비교한 결과 R2 값이 각각 0.985, 0.923, 0.903으로 나타나 모형의 설명력이 높은 것으로 판단된다.
This study presents a model that enables to predict road surface temperature using neural network theory. Historical road surface temperature data were collected from Road Weather Information System. They used for the calibration of the model. The neural network was designed to predict surface tempe...
This study presents a model that enables to predict road surface temperature using neural network theory. Historical road surface temperature data were collected from Road Weather Information System. They used for the calibration of the model. The neural network was designed to predict surface temperature after 1-hour, 2-hour, and 3-hour from now. The developed model was performed on Cheongwon-Sangju highway to test. As a result, the standard deviation of the difference of the predicted and observed was $1.27^{\circ}C$, $0.55^{\circ}C$ and $1.43^{\circ}C$, respectively. Also, comparing the predicted surface temperature and the actual data, R2 was found to be 0.985, 0.923, and 0.903, respectively. It can be concluded that the explanatory power of the model seems to be high.
This study presents a model that enables to predict road surface temperature using neural network theory. Historical road surface temperature data were collected from Road Weather Information System. They used for the calibration of the model. The neural network was designed to predict surface temperature after 1-hour, 2-hour, and 3-hour from now. The developed model was performed on Cheongwon-Sangju highway to test. As a result, the standard deviation of the difference of the predicted and observed was $1.27^{\circ}C$, $0.55^{\circ}C$ and $1.43^{\circ}C$, respectively. Also, comparing the predicted surface temperature and the actual data, R2 was found to be 0.985, 0.923, and 0.903, respectively. It can be concluded that the explanatory power of the model seems to be high.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
반면 본 연구에서는 신경망 이론을 기초로 하기 때문에 기존의 노면온도예측모형과는 다른 방법으로 노면온도 예측이 가능하다. 따라서 본 연구는 신경망 이론을 도로노면온도예측에 적용시킨 연구이며, 기초 수집 자료가 많으면 많을수록 신경망 이론의 예측의 정확도가 증가할 것으로 판단된다.
따라서 본 연구에서는 현재 관측된 도로노면온도자료를 바탕으로 향후 1-3시간 이후의 도로노면온도변화를 예측하고자 하는 것이 가장 큰 목적이다. 도로노면온도는 일반적으로 대기기온, 일사량, 구름의 양 및 형태, 풍속, 강수, 대기압 등의 변화 패턴과 같은 대기 기상 변수 들과 도로노면의 경사 방향 및 경사도, 주변 장애물, 주변의 토지 이용도 등의 지리변수, 도로의 종류, 색깔, 거칠기 길이, 연직 구조 등의 도로 공학 변수 및 교통량 등에 영향을 받는 것으로 나타났다(Thornes and Shao, 1991).
본 연구에서는 위에 언급한 내용을 고려하여 비용-효과적인 동절기 도로관리가 가능하게 하고자 신경망 이론을 통해 도로노면온도를 예측하는 모형을 연구하였다. 이는 도로변에 설치된 기존의 기상관측장비에서 수집되는 자료를 활용할 수 있다는 점에서 매우 유용할 것으로 판단된다.
그러나 일단 데이터베이스가 구축되고 나면 나머지 값들이 정해져 버린다는 단점이 존재한다. 본 연구에서는 이러한 단점을 보완하기 위해 신경망 이론을 적용하여 도로노면온도를 예측한다.
Figure 4에 나타난 결과의 통계적 검증을 위해 Figure 5와 같이 신경망 모형을 통해 나온 결과 값과 현장 관측 값 사이의 관계를 나타내는 산점도를 도출하였다. 직선과 곡선 등의 시각적인 경향을 통해 두 결과간의 관련성, 즉 모형 수행 결과 값(1h, 2h, 3h)과 실제 관측 값(OBS) 사이의 관계를 파악하고자 하였다. 앞에서 나타난 것과 같이, 현장에서 접촉식 노면온도 센서를 통해 수집한 온도 값이 증가함에 따라 신경망 모형 수행을 통해 산출된 노면온도 모형 수행결과 값(1h, 2h, 3h)이 커지는 경향이 있음을 알 수 있다.
제안 방법
본 연구를 위해 청원-상주 간 문의교 부근에 설치되어 있는 접촉식 노면온도측정센서와 도로변 기상관측장비, 그리고 한국도로공사 보은지사에서 운영하고 있는 모니터링 시스템을 이용하였다. Figure 1과 같이 문헌고찰을 수행하여 본 연구의 차별성을 제시하였고, 효과적인 도로노면온도의 예측이 가능하도록 신경망 이론을 설계 하였다. 또한 개발된 모형을 통해 나온 결과치를 1시간후, 2시간 후, 3시간 후의 총 3가지 노면온도 예측을 수행하였고, 실제 고속도로에서 수집한 노면온도 자료와 비교하여 모형의 적정성을 검증하였다.
Figure 3과 같이 입력, 은닉, 출력의 3층 구조로 이루어진 신경망 방법을 사용하여 연구를 수행하고자 한다. 여기서 N1, N2, N3은 각각 입력 층, 가운데 숨은층, 출력 층에 있는 뉴런의 수를 나타낸다.
과거자료에 대해 성공적인 훈련을 완료한 후에 최근의 실시간 자료를 입력 자료로 받아들여 훈련된 입력 자료와 비교하여 가장 유사한 입력 자료를 선택하여 본 연구에서 설계된 신경망을 통해 출력 결과를 생성한다. 입력 자료 결정을 위해 노면온도에 영향을 미치는 요인에 대한 민감도 실험을 반드시 수행해야 한다.
Figure 1과 같이 문헌고찰을 수행하여 본 연구의 차별성을 제시하였고, 효과적인 도로노면온도의 예측이 가능하도록 신경망 이론을 설계 하였다. 또한 개발된 모형을 통해 나온 결과치를 1시간후, 2시간 후, 3시간 후의 총 3가지 노면온도 예측을 수행하였고, 실제 고속도로에서 수집한 노면온도 자료와 비교하여 모형의 적정성을 검증하였다. 마지막으로 분석된 결과를 바탕으로 시사점을 도출하였다.
본 연구에서 개발된 모형을 실제 문의교 부근에서 겨울철 4개월 동안 수집한 노면온도, 대기온도, 대기습도 자료를 통해 신경망 모형에 적용하였다. 또한 모형의 적정성을 검증하기 위해 12월 1개월 간의 노면온도를 예측하고, 이를 접촉식 노면온도센서로부터 수집한 12월 1개월 간의 노면온도와 비교 및 검토를 수행하였다. 예측한 노면온도는 현재시점에서부터 1시간 후, 2시간 후, 그리고 3시간 후의 총 3가지이다.
본 연구에서 개발된 모형을 실제 문의교 부근에서 겨울철 4개월 동안 수집한 노면온도, 대기온도, 대기습도 자료를 통해 신경망 모형에 적용하였다. 또한 모형의 적정성을 검증하기 위해 12월 1개월 간의 노면온도를 예측하고, 이를 접촉식 노면온도센서로부터 수집한 12월 1개월 간의 노면온도와 비교 및 검토를 수행하였다.
운량이나 일사량과 같이 직접 관측할 수 없는 변수들은 포함하지 않았다. 본 연구에서 설계한 신경망 활용에 필요한 입력 뉴런과 출력 뉴런을 table 1과 같이 나타내었으며, 구축한 신경망은 13개의 입력 뉴런(Input Neuron), 2개의 숨은 뉴런(Hidden Neuron), 3개의 출력 뉴런(Output Neuron)으로 구성되어 있다.
본 연구에서는 신경망 이론을 이용하여 신경망을 설계하고, 국내 도로에서 실제로 축적된 노면온도, 대기온도, 대기습도 자료를 통해 현재시점에서부터 1-3시간 후의 노면온도의 변화에 대한 예측을 수행하고 검증하였다. 이를 위해 신경망을 설계하여 향후 1시간, 2시간, 그리고 3시간 후의 노면온도를 예측하였다.
또한 모형의 적정성을 검증하기 위해 12월 1개월 간의 노면온도를 예측하고, 이를 접촉식 노면온도센서로부터 수집한 12월 1개월 간의 노면온도와 비교 및 검토를 수행하였다. 예측한 노면온도는 현재시점에서부터 1시간 후, 2시간 후, 그리고 3시간 후의 총 3가지이다. Figure 4의 경우, 첫번째 행은 모형 수행결과 값(1h, 2h, 3h)과 실제 관측 값(OBS)을 비교한 결과이다.
본 연구에서는 신경망 이론을 이용하여 신경망을 설계하고, 국내 도로에서 실제로 축적된 노면온도, 대기온도, 대기습도 자료를 통해 현재시점에서부터 1-3시간 후의 노면온도의 변화에 대한 예측을 수행하고 검증하였다. 이를 위해 신경망을 설계하여 향후 1시간, 2시간, 그리고 3시간 후의 노면온도를 예측하였다. 예측된 노면 온도와 실제 관측한 노면온도에 대한 편차에 대한 표준편차가 1시간 예측인 경우 0.
대상 데이터
본 연구를 위해 청원-상주 간 문의교 부근에 설치되어 있는 접촉식 노면온도측정센서와 도로변 기상관측장비, 그리고 한국도로공사 보은지사에서 운영하고 있는 모니터링 시스템을 이용하였다. Figure 1과 같이 문헌고찰을 수행하여 본 연구의 차별성을 제시하였고, 효과적인 도로노면온도의 예측이 가능하도록 신경망 이론을 설계 하였다.
본 연구에서 개발된 모형의 검증을 위한 구간을 선정 하였는데, 선정기준은 다음과 같다.
본 연구에서 모형 수행을 위해 2009년 10월 1일부터 2010년 2월 28일까지 청원-상주 간 고속도로 문의교지점에서 30분 간격으로 관측된 노면온도, 대기온도, 대 기습도를 입력 자료로 사용하였다. 운량이나 일사량과 같이 직접 관측할 수 없는 변수들은 포함하지 않았다.
위의 3가지 조건을 가장 잘 만족시키는 구간이 중부내륙을 관통하는 청원-상주간 고속도로이며, Figure 2와 같이 이 구간에는 총 3개의 접촉식 노면센서가 설치 되어 있고, 노면센서로부터 올라오는 기상자료를 도로공사 보은지사에서 수집하고 있다.
성능/효과
문헌 검토 결과 기존 노면온도예측모형들은 주로 지표면의 열과 대기의 균형원리를 바탕으로 수치모형을 개발하였으며, 이러한 모형의 예측력을 높이기 위해서는 다양한 변수에 대한 가정 또는 측정이 필요한 것으로 나타났다. 반면 본 연구에서는 신경망 이론을 기초로 하기 때문에 기존의 노면온도예측모형과는 다른 방법으로 노면온도 예측이 가능하다.
Figure 4의 경우, 첫번째 행은 모형 수행결과 값(1h, 2h, 3h)과 실제 관측 값(OBS)을 비교한 결과이다. 신경망 모형에서 학습된 내용을 바탕으로 예측해 본 결과, 예측된 노면온도는 관측 값의 변화경향을 잘 묘사하는 것으로 나타났다. 보다 상세한 결과 값을 검토하기 위해 Figure 4의 두 번째 행에서는 12월 6일부터 9일까지의 모형 수행결과 값(1h, 2h, 3h)과 실제 관측 값(OBS)에 대한 상세한 시계열을 나타내었다.
이를 위해 신경망을 설계하여 향후 1시간, 2시간, 그리고 3시간 후의 노면온도를 예측하였다. 예측된 노면 온도와 실제 관측한 노면온도에 대한 편차에 대한 표준편차가 1시간 예측인 경우 0.55℃, 2시간 예측인 경우 1.27℃, 그리고, 3시간 예측인 경우 1.43℃를 보였으며, 예측된 노면온도를 실제 관측한 자료와 비교한 결과 R2값이 각각 0.985, 0.923, 0.903으로 나타나 모형의 설명력이 높은 것으로 판단된다.
이를 통해 접촉식 노면온도측정 센서로부터 취득한 노면온도 값과 신경망을 통해 산출된 예측 값 (1h, 2h, 3h 각각과 비교) 사이의 평균오차는 일반적으로 타당하다고 허용되는 오차(±2℃)보다 적은 것으로 나타났다.
후속연구
그러나 현장 적용성을 높이기 위해서 향후 관측 값과 예측 값 사이의 오차를 최소화하기 위해 필요한 적정 자료의 길이, 입력 변수의 재설정, 숨은 뉴런의 개수 산정 등에 대한 조사가 필요하다. 또한 계절이나 기상 조건에 따른 가중치의 재설정 여부 등에 대한 추가 조사가 필요할 것으로 판단된다.
또한 계절이나 기상 조건에 따른 가중치의 재설정 여부 등에 대한 추가 조사가 필요할 것으로 판단된다. 더불어 본 연구는 신경망 이론을 이용하여 제시한 연구이기 때문에 향후 타 알고리즘, 즉 유전자 알고리즘, 퍼지이론 등과 결합 또는 비교하여 모형의 적합성을 도출하는 정교한 모형 제시가 필요하다.
그러나 현장 적용성을 높이기 위해서 향후 관측 값과 예측 값 사이의 오차를 최소화하기 위해 필요한 적정 자료의 길이, 입력 변수의 재설정, 숨은 뉴런의 개수 산정 등에 대한 조사가 필요하다. 또한 계절이나 기상 조건에 따른 가중치의 재설정 여부 등에 대한 추가 조사가 필요할 것으로 판단된다. 더불어 본 연구는 신경망 이론을 이용하여 제시한 연구이기 때문에 향후 타 알고리즘, 즉 유전자 알고리즘, 퍼지이론 등과 결합 또는 비교하여 모형의 적합성을 도출하는 정교한 모형 제시가 필요하다.
특히 기온, 풍속 등의 도로기상정보를 수집하는데 있어 외국 기술에 의존하고, 고가에 유지관리가 어려워 개선책이 필요한 실정이다. 이를 해결하기 위한 기초 연구 중 하나로서 신경망 이론을 이용하여 본 연구를 수행하였으며, 개발된 모형은 실제 도로에서 설치된 노면센서에서 측정된 기상 및 노면 온도자료를 이용하여 그 지점의 향후 노면온도를 예측하는데 활용이 가능할 것으로 판단된다.
향후 주요 고속도로 및 주요 도로의 노면온도에 대한 정확한 예측이 가능하게 된다면, 도로관리자 입장에서는 노면온도로 인해 발생하는 여러 재해에 대하여 사전 대응이 가능하게 될 뿐만 아니라 이를 토대로 취약 구간 선정이 가능하게 되어 도로별 우선 관리 대상을 설정하는데 유용할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
신경망은 어디에 활용되고 있는가?
신경망은 시뮬레이션하기 어려운 인간의 문제해결을 지원할 수 있으며, 주어진 예제 패턴의 반복적인 습득을 통해 지식을 스스로 학습하는 특성을 가지고 있다. 이러한 신경망은 불완전하고 오류가 많은 입력의 해석뿐만 아니라 패턴인식, 로보틱스, 문자인식, 음성인식, 의사결정 시스템, 진단 시스템 등 여러 분야에 활용되고 있다.
신경망은 무엇으로 구성되어 있는가?
신경망은 이러한 인간의 생물학적 뉴런을 모델링한단위들과 그 사이의 가중치 연결들로 구성되어지며 각 신경망 모형에 따라 다양한 구조와 각기 독특한 학습 규칙, 습득 방법을 갖는다. 각각의 신경망은 입력(input layer), 은닉(hidden layer), 출력(output layer)의 뉴런의 집합으로 구성되어 있다.
본 연구에서 개발된 모형의 검증을 위한 구간 선정 기준은 무엇인가?
- 다양한 지형 조건을 포함하고 있는 고속도로 축
- 노면온도 자료가 축적되어 있어야 함
- 기상관측 장비 및 노면센서가 설치되어 있는 곳
참고문헌 (18)
Beale R., Jackson T. (1994), Neural Computing: An Introduction, Institute of Physics Publishing, 240.
Bodri L. (2001), Precipitation Prediction with Neural Networks, Acta Geod. Geoph. Hung., 36, 207-216.
Bodri L., Cermak V. (2000), Prediction of Extreme Precipitation Using a Neural Network, Application to Summer Flood Occurrence in Moravia, Adv. Eng. Soft., 31, 311-321.
Kang Y. K., Park J. S., Shin S. W., Kim J. H. (2014), A Development of Road Surface Temperature Prediction System, 13th ITS Asia Pacific Forum.
Korea Road Traffic Authority (2013), KoROAD Briefing.
Krsmanc R., SajnSlak A., Carman S., Korosec M. (2012), METRo Model Testing at Slovenian Road Weather Stations and Suggestions for Further Improvements, 16th International Road Weather Conference in Helsinki.
Luk K. C., Ball J. E., Sharma A. (2000), A Study of Optimal Model Lag and Spatial Inputs to Artificial Neural Network for Rainfall Forecasting, J. Hydrol., 227, 56-65.
Mihalakakou G., Santamouris M., Asimakopoulos D. (1998), Modeling Ambient Air Temperature Time Series Using Neural Networks, J. Geophys., Res., 103, 19509-19517.
Santamouris M., Mihalakakou G., Papanikolaoua N., Asimakopoulos D. N. (1999), A Neural Network Approach for Modeling the Heat Island Phenomenonin Urban Areas during the Summer Period, Geophysical Research Letters, 26, 337-340.
Sato N., Thornes J. E., Maruyama T., Sugimura A., Yamada T. (2004), Road Surface Temperature Forecasting (Case Study in a Mountainous Region of Japan), 6th International Symposium on Snow Removal and Ice Control Technology, 414-421.
Shao J., Lister P. J. (1996), An Automated Nowcasting Model of Road Surface Temperature and State for Winter Road Maintenance, Journal of Applied Meteorology, 35, 1352-1361.
Thornes J. E., Shao J. (1991), A Comparison of UK Ice Prediction Models, Meteorological Magazine, 120, 51-57.
Yang C. H., Park M. S., Yun D. G. (2011), A Road Surface Temperature Prediction Modeling for Road Weather Information System, J. Korean Soc. Transp., 29(2), Korean Society of Transportation, 123-131.
Yang C. H., Yun D. G., Sung J. G. (2012), Validation of a Road Surface Temperature Prediction Model Using Real-time Weather Forecasts, KSCE Journal of Civil Engineering, 16, 1289-1294.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.