본 논문의 목적은 DSRC 기반 통행속도 이력데이터를 활용하여 IC-IC 구간 단위의 통행패턴을 도출하는 것이며, 이를 통해 방대한 이력정보 데이터의 활용도를 높이고, 단순하지만 정확성 높은 방법으로 도로의 통행패턴을 용이하게 파악할 수 있게 하는 것이다. 통행패턴 분류는 의사결정나무 기법을 적용하였고, 월 시간대 구간 단위로 분리된 통행패턴을 생성하여 시 공간이 변화되어도 이에 대응 가능하도록 하였다. 경부고속도로 서울TG~안성IC 구간을 대상으로 의사결정나무 기법을 적용한 결과, 요일 기준으로 (월)(화 수 목)(금)(토)(일) 5개 그룹으로 고정 통행패턴이 분류되었다. 분류 결과를 영동, 중부, 중부내륙 고속도로의 9개 구간에 적용하여 통계적 검증을 수행한 결과 약 93%의 적합도를 갖는 것으로 나타났다. 의사결정나무를 통한 통행패턴 오차를 개선하기 위하여 4개의 추가변수를 도입한 결과, "직전월의 소통상황"을 설명변수로 추가할 경우 통행속도 분산이 약 50% 감소함을 확인하였고, 실제 상황에 적용할 경우 소통 원활 시의 오차가 약 4% 감소되었다.
본 논문의 목적은 DSRC 기반 통행속도 이력데이터를 활용하여 IC-IC 구간 단위의 통행패턴을 도출하는 것이며, 이를 통해 방대한 이력정보 데이터의 활용도를 높이고, 단순하지만 정확성 높은 방법으로 도로의 통행패턴을 용이하게 파악할 수 있게 하는 것이다. 통행패턴 분류는 의사결정나무 기법을 적용하였고, 월 시간대 구간 단위로 분리된 통행패턴을 생성하여 시 공간이 변화되어도 이에 대응 가능하도록 하였다. 경부고속도로 서울TG~안성IC 구간을 대상으로 의사결정나무 기법을 적용한 결과, 요일 기준으로 (월)(화 수 목)(금)(토)(일) 5개 그룹으로 고정 통행패턴이 분류되었다. 분류 결과를 영동, 중부, 중부내륙 고속도로의 9개 구간에 적용하여 통계적 검증을 수행한 결과 약 93%의 적합도를 갖는 것으로 나타났다. 의사결정나무를 통한 통행패턴 오차를 개선하기 위하여 4개의 추가변수를 도입한 결과, "직전월의 소통상황"을 설명변수로 추가할 경우 통행속도 분산이 약 50% 감소함을 확인하였고, 실제 상황에 적용할 경우 소통 원활 시의 오차가 약 4% 감소되었다.
In this paper, travel speed patterns were deducted based on historical DSRC travel speed data using Decision Tree technique to improve availability of the massive amount of historical data. These patterns were designed to reflect spatio-temporal vicissitudes in reality by generating pattern units cl...
In this paper, travel speed patterns were deducted based on historical DSRC travel speed data using Decision Tree technique to improve availability of the massive amount of historical data. These patterns were designed to reflect spatio-temporal vicissitudes in reality by generating pattern units classified by months, time of day, and highway sections. The study area was from Seoul TG to Ansung IC sections on Gyung-bu highway where high peak time of day frequently occurs in South Korea. Decision Tree technique was applied to categorize travel speed according to day of week. As a result, five different pattern groups were generated: (Mon)(Tue Wed Thu)(Fri)(Sat)(Sun). Statistical verification was conducted to prove the validity of patterns on nine different highway sections, and the accuracy of fitting was found to be 93%. To reduce travel pattern errors against individual travel speed data, inclusion of four additional variables were also tested. Among those variables, 'traffic condition on previous month' variable improved the pattern grouping accuracy by reducing 50% of speed variance in the decision tree model developed.
In this paper, travel speed patterns were deducted based on historical DSRC travel speed data using Decision Tree technique to improve availability of the massive amount of historical data. These patterns were designed to reflect spatio-temporal vicissitudes in reality by generating pattern units classified by months, time of day, and highway sections. The study area was from Seoul TG to Ansung IC sections on Gyung-bu highway where high peak time of day frequently occurs in South Korea. Decision Tree technique was applied to categorize travel speed according to day of week. As a result, five different pattern groups were generated: (Mon)(Tue Wed Thu)(Fri)(Sat)(Sun). Statistical verification was conducted to prove the validity of patterns on nine different highway sections, and the accuracy of fitting was found to be 93%. To reduce travel pattern errors against individual travel speed data, inclusion of four additional variables were also tested. Among those variables, 'traffic condition on previous month' variable improved the pattern grouping accuracy by reducing 50% of speed variance in the decision tree model developed.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 고속도로 구간 정보의 수집이 가능한 DSRC 기반 통행속도 이력데이터를 활용하여 IC-IC 구간 단위의 통행패턴을 도출하는 방안을 연구하였다. 주요 분석 구간인 경부고속도로 수도권 구간의 DSRC 통행속도 데이터를 의사결정나무 모형에 적용한 결과 요일을 기준으로 (월)(화·수·목)(금)(토)(일) 5개 그룹으로 통행패턴이 분류되었다.
그러나 실제로는 이러한 시·공간적 요인뿐만 아니라 매우 다양한 요인들이 교통류에 영향을 미치게 된다. 본 연구에서는 이러한 요인들에 따른 오차를 감소시키는 목적으로 추가변수를 적용한 모형을 검토하였다. 추가변수 도출은 요일별 패턴분류를 토대로 통행패턴 생성 최종 단계에서 새로운 외부 변수를 추가하여 의사결정나무 모형을 정립하여 이를 평가하는 형태로 진행되었다.
본 연구에서는 현재 방대하게 수집되는 고속도로 DSRC 데이터를 이용하여 구간단위의 통행패턴의 분류 개수를 최소화하면서 일정 수준의 정확성(accuracy)이 보장되는 통행패턴을 도출하는 것을 목표로 하였다. 이는 현재 지속적으로 축적되는 DSRC 데이터가 유연성 있게 패턴에 반영될 수 있게 하기 위함이며, 향후 고속도로 관리자가 고속도로 운영관리 의사결정에 있어 단순하면서도 정확한 방법으로 도로의 통행패턴을 용이하게 파악할 수 있게 하기 위함이다.
가설 설정
대립가설(H1) : 요일간통행속도에는차이가있다.
의사결정나무 모형을 통해 도출된 통행패턴과 개별 일자 데이터의 오차를 이용하여 통행패턴의 정확성을 확인한다. 이 때 개별 일자 속도 데이터를 참값으로 가정하였으며, 정확성 지표는 식 (3)과 같이 MAPE(Mean Absolute Percentage Error, 절대 백분 율 오차의 평균)을 적용하였다. MAPE는 MAE(Mean Absolute Error, 오차의 절대값 평균)를 백분율로 나타낸 값으로써 시계열 데이터의 정확성 측정을 위해 주로 사용되는 통계적 수치이다.
제안 방법
경부고속도로 하행 서울TG~안성IC 구간의 속도 데이터를 활용하여 분류된 패턴 분류 결과가 타 노선에도 적용되는지 확인하기 위하여, 샘플 노선을 선정 후 검증을 수행하였다. 검증은 영동(양지IC~호 법JC), 중부(호법JC~대소JC), 중부내륙(여주JC~충주 IC)로 총 9개 구간에 대하여 수행하였고 상세 구간 명은 <표 3> 과 같다.
고려된 변수들에 대하여 독립변수 중요도에 대한 분석을 실시하였고, 이를 토대로 통행패턴 분류에 영향을 미치는 추가변수의 우선순위를 파악하였다. 해당 내용의 결과는 <표 5>와 같다.
기존 연구의 경우 통상적 기준 없이 요일 분류를 수행하였으나, 본 연구에서는 통행패턴과 실시간 데이터 간 오차분석을 통해 요일 분류 기준을 선정하였다. 또한 기존에는 특정 대도시 O/D를 기준으로 패턴을 생성하였지만, 본 연구의 경우 인접 IC-IC 단위별로 통행패턴을 도출하였다는 점에서 차이가 있다.
누적 패턴 중 예측을 원하는 시간대 전·후 한 시간 동안의 통행시간을 대상으로 가장 유사한 값을 지니는 데이터를 선정하고, 예측 대상이 되는 구간과 공간적으로 가장 인접한 대안을 패턴으로 선정하였다.
평일을 대상으로 요일별 평균속도 추이 비교를 통해 패턴을 분류한다. 목표변수인 통행속도 데이터를 1시간 단위 로 분할하는 과정을 거친 후 요일을 설명변수로 하는 의사결정나무를 적용하였다. 여기서 1시간 단위로 의사결정나무를 적용한 이유는 첨두·비첨두 등 시간대에 따라 통행속도 추이가 상이하므로 시간대 별 요일간 관계를 도출할 필요가 있기 때문이다.
본 연구를 수행하기 위한 분석에는 개별 차량 통행시간을 15분 단위로 집계한 DSRC 통행속도 이력 데이터가 활용되었다. 본 데이터를 기반으로 의사결정나무를 활용한 통행패턴 분류와 산출, 통계 오차 비교를 통한 통행패턴의 정확성 비교, 적정 이력자 료 활용기간 선정을 수행하였다. 특수상황의 경우는 일반 상황과는 상이한 통행 특성을 나타내므로, 이러한 자료를 분리한 후 일반상황에 대한 통행패턴을 도출한다.
‘직전월 소통상황’을 추가변수로 적용하여 의사결정나무를 생성하였을 때, 위험도가 변화하는 정도를 비교하여 통행패턴 오차 개선에 실제로 영향력이 있을지 판단하였다. 본 분석의 목표변수는 연속형으로써 위험도는 모형에서 분류된 노드의 분산 가중합을 의미한다. 설명변수를 다르게 적용할 경우 각각의 모형에서 나타나는 위험도 비교를 통해 동일 그룹(노드, node) 내에서의 분산을 비교함으로써 추가 설명변수가 분류의 정확성을 높이는지 확인할 수 있다.
한편 평일의 경우 통상적인 분류 기준이 없기 때문에 실시간 데이터와 패턴간의 오차 분석을 통한 분류를 실시한다. 본 연구에서는 15분 단위 DSRC 통행속도 이력데이터를 기반으로 고속도로 구간별 통행속도 추이를 파악하여 통행패턴을 생성하기로 한다.
본 연구에서는 고속도로 DSRC 데이터를 구간 단위로 분할하여 분석에 활용한다. 여기서 구간 단위는 2개의 가장 인접한 IC간을 의미하며, JC가 존재하는 경우 JC로 대체한다.
본 연구에서는 추가변수를 고려하는 과정에서, 고속도로의 시·공간적 특성 외에 통상적으로 교통류 및 교통패턴에 영향을 미칠 것으로 예상되는 요소를 검토하여 추가적인 변수로 선정하였다.
앞절에서 도출된 통행패턴은 월, 요일, 시간대, 구간을 변수로 적용하였다. 그러나 실제로는 이러한 시·공간적 요인뿐만 아니라 매우 다양한 요인들이 교통류에 영향을 미치게 된다.
의사결정나무 모형을 통해 도출된 통행패턴과 개별 일자 데이터의 오차를 이용하여 통행패턴의 정확성을 확인한다. 이 때 개별 일자 속도 데이터를 참값으로 가정하였으며, 정확성 지표는 식 (3)과 같이 MAPE(Mean Absolute Percentage Error, 절대 백분 율 오차의 평균)을 적용하였다.
이 때 이상치 제거는 한국도로공사 exTMS의 DSRC 데이터 및 국도 관리 시스템에서 적용되는 2σ를 신뢰구간 범위 이외 값을 제거하는 방식을 채택하여 수행한다.
본 연구에서는 이러한 요인들에 따른 오차를 감소시키는 목적으로 추가변수를 적용한 모형을 검토하였다. 추가변수 도출은 요일별 패턴분류를 토대로 통행패턴 생성 최종 단계에서 새로운 외부 변수를 추가하여 의사결정나무 모형을 정립하여 이를 평가하는 형태로 진행되었다.
특수상황 데이터 제거 및 이상치 제거를 통해 가공된 15분 통행속도 데이터를 활용하여 의사결정나무에 적용하기 위한 데이터를 구축한다. 평일을 대상으로 요일별 평균속도 추이 비교를 통해 패턴을 분류한다.
특수상황 데이터 제거 및 이상치 제거를 통해 가공된 15분 통행속도 데이터를 활용하여 의사결정나무에 적용하기 위한 데이터를 구축한다. 평일을 대상으로 요일별 평균속도 추이 비교를 통해 패턴을 분류한다. 목표변수인 통행속도 데이터를 1시간 단위 로 분할하는 과정을 거친 후 요일을 설명변수로 하는 의사결정나무를 적용하였다.
주말의 경우 모든 연구에서 분류 필요성을 주장하였다. 한편 평일의 경우 통상적인 분류 기준이 없기 때문에 실시간 데이터와 패턴간의 오차 분석을 통한 분류를 실시한다. 본 연구에서는 15분 단위 DSRC 통행속도 이력데이터를 기반으로 고속도로 구간별 통행속도 추이를 파악하여 통행패턴을 생성하기로 한다.
대상 데이터
검증은 영동(양지IC~호 법JC), 중부(호법JC~대소JC), 중부내륙(여주JC~충주 IC)로 총 9개 구간에 대하여 수행하였고 상세 구간 명은 과 같다.
경부고속도로의 2011년 데이터를 활용하였으며, 구체적인 시·공간적 범위는 다음과 같다.
공간적 범위는 수도권에 해당되는 서울TG~안성 IC은 시간대별로 다양한 소통상황을 나타내므로 상대적으로 소통이 원활한 지방부보다 패턴 분류의 필요성이 높은 것으로 판단되어 선정하였다.
본 연구를 수행하기 위한 분석에는 개별 차량 통행시간을 15분 단위로 집계한 DSRC 통행속도 이력 데이터가 활용되었다. 본 데이터를 기반으로 의사결정나무를 활용한 통행패턴 분류와 산출, 통계 오차 비교를 통한 통행패턴의 정확성 비교, 적정 이력자 료 활용기간 선정을 수행하였다.
주요 분석 구간인 경부고속도로 수도권 구간의 DSRC 통행속도 데이터를 의사결정나무 모형에 적용한 결과 요일을 기준으로 (월)(화·수·목)(금)(토)(일) 5개 그룹으로 통행패턴이 분류되었다.
통행패턴을 도출하기 위해 15분 단위로 집계된 개별차량 통행속도 평균을 대푯값으로 하는 시계열 데이터를 활용한다. 요일 간 유사성이 검증된 요일은 동일한 그룹으로 분류하며, 통행패턴의 생성은 각 구간별 월(月)단위로 수행한다.
데이터처리
요일 기준 통행패턴 분류 검증에는 통행속도의 분산을 고려하면서 집단 간 평균의 차이를 검증하는 통계기법인 일원분산분석(oneway Analysis Of Variance, ANOVA)을 적용하였다. 해당 시간대 내에 요일별 속도의 평균 차이 존재 유·무를 검증하기 위해 등분산을 가정한 Scheffe 사후검정법을 적용하였다.
해당 시간대 내에 요일별 속도의 평균 차이 존재 유·무를 검증하기 위해 등분산을 가정한 Scheffe 사후검정법을 적용하였다.
이론/모형
본 분석에서는 목표변수인 통행속도가 연속형 변수이므로, 분산의 감소량을 이용하여 이진분리를 수행하는 CART(Classification and Regression Trees) 알고리즘을 적용하며, 공식은 다음과 같다.
성능/효과
검증 결과 약 94.4%의 케이스에서 기존 경부고속도로 분류 결과와 동일 패턴 그룹으로 분류됨을 확인하였으며, 이는 와 같다.
고려된 변수중 ‘직전월 소통상황’ 변수가 가장 높은 정규화 중요도를 나타내었고, 다른 변수들은 중요도가 1.3% 이하로 나타나 결과에 미치는 영향이 매우 낮은 것으로 분석되었다.
과 같이 추가변수를 적용하지 않은 경우의 위험도 추정값은 약 368로 나타났으나, ‘직전월 소통상황’변수를 추가하는 경우 추정값은 약 190으로 동일 그룹 내 분산이 감소함을 확인하였다.
상대적으로 소통상황이 원활한 검증 시간대에는 전체 평일이 1개 패턴으로 분류되는 비율이 더욱 높게 나타났다. 그러나 검증 노선에서도 마찬가지로 첨두시간에 월, 금요일의 경우 고유의 패턴을 갖는 것으로 나타났으므로, 기존 경부 고속도로 분류대로 월요일과 금요일의 개별 패턴 생성이 필요함을 확인하였다.
따라서 경부 고속도로 서울TG~안성IC 구간 대상 패턴 분류 결과, (월)(화·수·목)(금) 3개의 평일 패턴으로 분류되었다.
분석 구간의 시계열 속도 추이를 확인한 결과, 야간 시간대(22-06시)의 통행속도가 80~120km/h으로 소통원활 상태를 나타내어 패턴의 분류가 필요 없다고 판단하였다. 따라서 시간적 범위는 06-22시로 선택하였다.
주요 분석 구간인 경부고속도로 수도권 구간의 DSRC 통행속도 데이터를 의사결정나무 모형에 적용한 결과 요일을 기준으로 (월)(화·수·목)(금)(토)(일) 5개 그룹으로 통행패턴이 분류되었다. 뿐만 아니라 타 노선에의 적용 가능 여부에 대한 일원분산분석 통계검증 결과, 약 94%에서 동일한 패턴으로 분류되는 것으로 나타났다. 의사결정나무 기법을 통하여 통행패턴 분류 오차 개선을 위해 추가 설명변수를 확인한 결과, ‘직전월 소통상황’ 변수가 가장 큰 영향력을 갖는 것으로 나타났다.
상대적으로 소통상황이 원활한 검증 시간대에는 전체 평일이 1개 패턴으로 분류되는 비율이 더욱 높게 나타났다. 그러나 검증 노선에서도 마찬가지로 첨두시간에 월, 금요일의 경우 고유의 패턴을 갖는 것으로 나타났으므로, 기존 경부 고속도로 분류대로 월요일과 금요일의 개별 패턴 생성이 필요함을 확인하였다.
의사결정나무 기법을 통하여 통행패턴 분류 오차 개선을 위해 추가 설명변수를 확인한 결과, ‘직전월 소통상황’ 변수가 가장 큰 영향력을 갖는 것으로 나타났다.
전체적인 오분류율은 약 50% 감소하였으며, 이에 대한 표준오차는 각각 1.9, 1.3이다.
후속연구
DSRC 데이터가 수집되지 않던 과거에는 약 300개에 달하는 O/D의 통행특성 도출이 매우 시간 소모적인 작업이었다. 그러나 본 연구에서 제시한 구간 단위의 통행 패턴이 고속도로 전 구간에 구축되면 구간별 통행패턴 조합을 통해 모든 O/D에 대한 통행패턴의 산출 및 수준 높은 교통정보의 제공이 가능하게 될 것으로 기대된다.
향후에는 장기적인 데이터를 수집하여 해당 부분에 대한 패턴 분류를 실시하고, 이를 본 연구에서 도출된 패턴과의 내용적 관계 정립이 필요하다. 더불어 시간당 강수량, 적설량, 안개 등의 구체적인 기상 상황, 구간별 인근 지역의 콘서트, 운동경기, 지역 축제와 같은 이벤트 발생여부, 차종별 교통량 등과 같은 데이터를 추가 설명변수로 활용하면 더욱 정확성 높은 통행패턴을 구축할 수 있을 것으로 판단된다.
한편 본 연구에서는 수집된 이력데이터 기간의 제약으로 특수상황에서의 패턴 분류가 제외되었고, 주말의 경우 기존 연구 내용을 인용하여 본 연구에서는 제외하였다. 향후에는 장기적인 데이터를 수집하여 해당 부분에 대한 패턴 분류를 실시하고, 이를 본 연구에서 도출된 패턴과의 내용적 관계 정립이 필요하다. 더불어 시간당 강수량, 적설량, 안개 등의 구체적인 기상 상황, 구간별 인근 지역의 콘서트, 운동경기, 지역 축제와 같은 이벤트 발생여부, 차종별 교통량 등과 같은 데이터를 추가 설명변수로 활용하면 더욱 정확성 높은 통행패턴을 구축할 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
의사결정나무 알고리 즘은 무엇으로 분류되는가?
의사결정나무는 의사결정규칙을 도표화하여 관 심대상이 되는 집단을 몇 개의 소집단으로 분류하 거나 예측하는 분석방법이다. 의사결정나무 알고리 즘은 CHAID, CART, QUEST, C4.5 등으로 분류되며 이들은 분리기준, 정지규칙 및 가지치기 등에서 서 로 다른 형성과정을 가지고 있다.
통행패턴이란 무엇인가?
Yoshikazu 외[3] 는 통행시간 패턴을 ‘이상치를 발생 유형별로 제거 한 후 여러 일자의 유사값을 나타내는 실제 통행시 간 시계열 데이터의 평균을 적용한 것’으로 정의하 였다. 본 연구에서의 통행패턴은 ‘고속도로 구간별 로 동일한 시간대에 반복적으로 발생하는 통행속도 추이’로 정의한다.
요일 간 유사성이 검증된 요일은 동일한 그룹으로 분류하며 통행패턴의 생성을 각 구간별 월 단위로 수행하는 이유는 무엇인가?
요일 간 유사성이 검증된 요일 은 동일한 그룹으로 분류하며, 통행패턴의 생성은 각 구간별 월(月)단위로 수행한다. 이는 구간의 지 역적 통행특성에 따라 다양한 변동이 발생하므로 이를 반영한 대푯값 산출이 필요하기 때문이다. 또 한 단순히 요일로만 구분된 패턴을 1년 전체에 적 용할 경우 월별, 계절별 및 각종 이벤트에 대한 변 동성을 고려할 수 없기 때문에 월 단위로 대푯값을 생성한다. 데이터 가공은 특수상황 발생과 일반상황의 분류를 한 후에 통행패턴을 생성하게 되는데, 가공절차는 <그림 2>와 같다.
참고문헌 (17)
M. K. Huh, C. No, W. Kim, and B. S. Son, "Development of an incident detection algorithm by using traffic flow pattern," Journal of Korean Society of Transportation,, vol. 28, pp.7-15, Dec. 2010.
S. G. Song, Development of Long Distance Expressway Travel Time Prediction Models during Holiday Seasons, Graduate School of Ajou Univ., Suwon, 2010.
Y. Ohba. "Travel time information calculation method for expressway using toll collection system data," in Proc. ITS int. Conf. Commun. 1999, pp.476-477, Tokyo, Japan, Oct. 1999.
P. Y. Song, A Study on Structural Behavior Analysis and Maintenance Models of Long-span Bridges Considering Traffic Patterns, Graduate School of Ajou Univ., Suwon, 2011.
J. H. Cho, B. S. Kim, S. H. Kim, and W. E. Kang, "Development of a daily pattern clustering algorithm using historical profiles", Journal of the Korea Institute of ITS, vol. 10, pp.11-23, Aug. 2011.
J. W. Choi and Y. G. Yang, "An efficient filtering technique of GPS traffic data using historical data," Journal of Korea Spatial Information Society, vol. 10, pp.55-65, Sep. 2008.
P. Lingras, "Statistical and genetic algorithms classification of highways," Journal of Transportation Engineering, vol. 127, No.3, pp. 237-243, June, 2001
KECRI, Improvement of Traffic Data Collection, Analysis and Utilization from Vehicle Detection System on Freeway, 2006
K. Ozbay and P. Kachroo, Incident Management in Intelligent Transportation Systems, Boston, MA: Artech House, 1999
C. H. Shin and J. H. Kim, "Development of freeway incident duration prediction models," Journal of Korean Society of Transportation, vol. 20, pp.17-30, Jun. 2002.
O. K. Ha, D. J. Park, J. Won, and C. Jung, "The prediction models for clearance times for the unexpected incidences according to traffic accident classifications in highway", Journal of the Korea Institute of ITS, vol. 9, pp.101-110, Feb. 2010.
H. S. Kim, D. J. Park, C. Kim, C. Choi, and K. Kim, "An analysis of choice behavior for tour type of commercial vehicle using decision tree," Journal of Korean Society of Transportation, vol. 28, pp.43-54, Dec. 2010.
J. W. Kang, K. J. Kum, and S. N. Son, "Drivers detour decision factor analysis with combined method of decision tree and neural network algorithm," Journal of the Korean Society of Road Engineers, vol.13, pp. 167-176, Sep. 2011.
T. A. Arentze and H. J. P. Timmermans, Incorporating parametric action decision trees in computational process models of activity-travel behavior:Theory and illustration, Advanced OR and AI Methods in Transportation, pp. 567-572, 2005.
S. Y. Sohn and H. W. Shin, "Pattern recognition for road traffic accident severity in Korea", Journal of Ergonomics, Vol 44, pp.107-117, 2001.
KECRI, Core Technique Development and Development Plan Report of Hi-pass Transportation Information Systems, 2011.
J. K. Kang, "Regional traffic information acquisition by non-intrusive automatic vehicle identification", Journal of Korea Institute of ITS, vol. 1, pp.22-32, Oct. 2002.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.