UTIS(Urban Traffic Information System)는 프로브차량을 활용하여 도시지역의 구간통행시간 정보를 직접 수집하는 방식으로 타 검지체계에 비해 상대적으로 정확한 링크 속도정보를 산출할 수 있다. 하지만, 현재 UTIS에서는 프로브차량(Probe Vehicle) 및 노변기지국(RSE)의 부족, 시스템 오류 등 다양한 요인에 의해 링크 속도정보의 수집이 누락되는 결측 구간이 발생되고 있다. 본 연구에서는 보다 정확한 여행시간 정보를 제공하기 위한 방안으로 k-NN 알고리즘을 기반으로 결측속도 정보를 효율적으로 보정할 수 있는 새로운 보정모형을 제안하였다. 제안 모형은 각 후보개체(이력 시계열 데이터)의 분포 특성에 따라 최근접이웃 개수를 탄력적으로 조정하는 적응형 k-NN 모형이다. 모형 평가 결과, 제안 모형이 결측정보를 효과적으로 보정 처리할 수 있는 동시에 ARIMA 등 타 모형에 비해 보정 오차를 크게 감소시킬 수 있는 것으로 분석되었다. 본 연구에서 제안된 결측 보정 모형은 UTIS 중앙교통정보센터에 직접 적용하여 교통정보 서비스 품질을 향상시키데 활용될 계획이다.
UTIS(Urban Traffic Information System)는 프로브차량을 활용하여 도시지역의 구간통행시간 정보를 직접 수집하는 방식으로 타 검지체계에 비해 상대적으로 정확한 링크 속도정보를 산출할 수 있다. 하지만, 현재 UTIS에서는 프로브차량(Probe Vehicle) 및 노변기지국(RSE)의 부족, 시스템 오류 등 다양한 요인에 의해 링크 속도정보의 수집이 누락되는 결측 구간이 발생되고 있다. 본 연구에서는 보다 정확한 여행시간 정보를 제공하기 위한 방안으로 k-NN 알고리즘을 기반으로 결측속도 정보를 효율적으로 보정할 수 있는 새로운 보정모형을 제안하였다. 제안 모형은 각 후보개체(이력 시계열 데이터)의 분포 특성에 따라 최근접이웃 개수를 탄력적으로 조정하는 적응형 k-NN 모형이다. 모형 평가 결과, 제안 모형이 결측정보를 효과적으로 보정 처리할 수 있는 동시에 ARIMA 등 타 모형에 비해 보정 오차를 크게 감소시킬 수 있는 것으로 분석되었다. 본 연구에서 제안된 결측 보정 모형은 UTIS 중앙교통정보센터에 직접 적용하여 교통정보 서비스 품질을 향상시키데 활용될 계획이다.
UTIS(Urban Traffic Information System) directly collects link travel time in urban area by using probe vehicles. Therefore it can estimate more accurate link travel speed compared to other traffic detection systems. However, UTIS includes some missing data caused by the lack of probe vehicles and RS...
UTIS(Urban Traffic Information System) directly collects link travel time in urban area by using probe vehicles. Therefore it can estimate more accurate link travel speed compared to other traffic detection systems. However, UTIS includes some missing data caused by the lack of probe vehicles and RSEs on road network, system failures, and other factors. In this study, we suggest a new model, based on k-NN algorithm, for imputing missing data to provide more accurate travel time information. New imputation model is an adaptive k-NN which can flexibly adjust the number of nearest neighbors(NN) depending on the distribution of candidate objects. The evaluation result indicates that the new model successfully imputed missing speed data and significantly reduced the imputation error as compared with other models(ARIMA and etc). We have a plan to use the new imputation model improving traffic information service by applying UTIS Central Traffic Information Center.
UTIS(Urban Traffic Information System) directly collects link travel time in urban area by using probe vehicles. Therefore it can estimate more accurate link travel speed compared to other traffic detection systems. However, UTIS includes some missing data caused by the lack of probe vehicles and RSEs on road network, system failures, and other factors. In this study, we suggest a new model, based on k-NN algorithm, for imputing missing data to provide more accurate travel time information. New imputation model is an adaptive k-NN which can flexibly adjust the number of nearest neighbors(NN) depending on the distribution of candidate objects. The evaluation result indicates that the new model successfully imputed missing speed data and significantly reduced the imputation error as compared with other models(ARIMA and etc). We have a plan to use the new imputation model improving traffic information service by applying UTIS Central Traffic Information Center.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
UTIS와 같은 교통정보시스템에서 교통정보 결측 구간에 대한 보정처리는 서비스 품질을 향상시키기 위한 운영전략 차원의 중요한 문제 중 하나이다. 본 연구에서는 UTIS 결측정보를 효율적으로 보정하기 위한 새로운 알고리즘을 k-NN을 기반으로 개발하여 성능을 검증하였다.
본 연구에서는 UTIS 속도정보가 미수집된 구간에 대해 효율적으로 보정 · 처리할 수 있는 새로운 결측보정 방법을 k-최근접이웃(k-NN) 알고리즘 기반으로 개발 · 평가함으로써, UTIS 교통정보 서비스의 품질을 향상시키는데 활용하고자 하였다.
국내 · 외의 선행 연구를 보면 대부분 학술적 차원의 모형 개발 및 모의평가 수준에 머무르고 있어 평가의 적정성과 성과의 활용성 및 확장성 측면에서 일정수준 한계가 있었음을 알 수 있다. 본 연구에서는 k-NN 알고리즘을 기반으로 UTIS 이력데이터를 활용한 새로운 적응형 결측 보정 알고리즘을 개발하고 이를 UTIS 중앙교통정보센터에 직접 적용 운영함으로써 다양한 지역 및 도로교통 환경에 대한 적응성 및 실용성도 확보토록 하였다.
제안 방법
다음 단계로써 제안 알고리즘과 단기 예측에 광범위하게 활용되고 있는 ARIMA 모형과의 오차율 비교분석을 수행하였다. 5개 도시에서 2개 링크를 무작위로 선정하고 6주기(30분) 동안의 결측보정모형에 의한 산출값과 해당 주기 실수집 속도 데이터와의 MAPE에 대한 분석을 수행하였다. ARIMA 모형에 대한 일차적 모형식별 및 진단 결과, UTIS 속도 데이터의 예측 시에는 ARIMA(1,0,1) 모형이 가장 적합한 것으로 분석되었다.
결측보정 시뮬레이션 프로그램에서는 분석 대상도시와 시간대를 우선 설정한 후 모든 1레벨 링크에 속도정보 수집이 누락되는 결측 상황을 인위적 으로 조성하고, 본 연구에서 제안한 적응형 k-NN 알고리즘을 적용하여 보정 처리된 속도값을 산출하게 된다. 이를 통해 산출된 보정 속도값과 해당 주기에 시스템을 통해 실제로 수집된 실시간 속도값 (기준값)을 상호 비교함으로써 제안 알고리즘의 정확도를 평가하였다.
결측보정 시뮬레이션 프로그램은 C++ Builder를 활용해 PC 기반으로 개발되었으며, 중앙교통정보센터의 교통정보 이력 데이터베이스 및 통계 데이터베이스와 직접 연계되어 UTIS가 구축된 도시의 모든 요일 및 시간대에 걸쳐 효율적인 평가가 가능토록 구성하였다.
또한 추가적으로 패턴 데이터를 직접 보정처리에 활용할 경우와도 상호 비교도 수행하였다. 평가지표로는 평균제곱근오차(RMSE: root mean square error)와 평균절대백분율오차(MAPE: mean absolute percentage error)를 활용하였다.
본 연구에서 제안한 방법은 각 후보개체의 밀집도에 따라 최근접이웃(NN) 개수를 탄력적으로 조정할 수 있는 적응형 결측보정 모형으로써, 이력 시계열 데이터 중 현재 패턴과 유사한 개체들을 선정하여 보정처리에 활용하게 된다. 제안 알고리즘에 대한 검증은 정확도 평가와 보정율 평가로 구분하여수행하였으며, 평가의 효율성을 확보하기 위해 결 측상황을 인위적으로 조성할 수 있는 시뮬레이션 프로그램을 개발하여 실시간 수집 데이터와의 비교를 통해 오차율을 분석하였다.
본 연구에서 제안한 알고리즘을 UTIS 중앙교통정보센터에 직접 적용하여 결측이 발행된 링크에 대한 보정율을 평가하였다. 알고리즘별 보정율을 평가하기 위해 중앙교통정보센터에 제안 알고리즘을 적용 후 평일 3일간의 평균 보정률을 분석하여 <표 5>에 제시하였다.
본 연구에서는 목표 시계열 데이터와 인접한 후보 시계열 데이터 간의 유사도를 가중 유클리디언거리의 SD(standard deviation, σ)값으로 판단하여 최종 최근접이웃(NN) 개수를 결정하는 방법을 적용하였다.
새로운 UTIS 교통정보 결측 보정 방법은 k-최근 접이웃(k-Nearest Neighbor) 알고리즘을 기반으로 하며, 최초 설정된 k값을 각 시계열 데이터셋의 표준 편차(standard deviation)를 기반으로 임계값까지 확장시키는 적응형 모형(adjusted model)으로 개선하여 최적의 결측 보정값을 산출할 수 있도록 하였다.
알고리즘별 보정율을 평가하기 위해 중앙교통정보센터에 제안 알고리즘을 적용 후 평일 3일간의 평균 보정률을 분석하여 에 제시하였다.
오차율 분석은 현재 중앙교통정보센터에서 운영 중인 기존 결측보정 방법론에 의해 산출된 보정값과 제안 알고리즘에 의해 산출된 보정값과 해당 주기 실수집 데이터와의 속도 오차율을 각 도시 단위로 비교하였다.
오차율 분석의 마지막 단계로써 적응형 k-NN 알고리즘의 최근접 이웃(NN) 개수에 변화에 따른 오차율 추이를 분석하였다. 적응형 k-NN 알고리즘은 표준편차(σ)를 기반으로 후보 시계열 데이터셋(data set)의 밀집도에 따라 최근접이웃(NN) 개수를 확장 한다.
제안 알고리즘은 현재의 결측 속도값을 k-NN 알고리즘을 이용하여 추정하기 위해 특정 기간의 이력 데이터 중 유사 시계열 데이터를 ‘가중 유클리디언 거리(weighted euclidean distance)’ 기반으로 검색한다.
대상 데이터
정확도 검증은 UTIS 사업이 완료된 5개 도시(서울, 성남, 용인, 광명, 남양주)를 대상으로 하였다. 제안 알고리즘에 의해 산출된 결측 보정값의 오차율 분석에 앞서 paired sample t-검정을 수행함으로써 대응된 표본(실 수집된 UTIS 속도값↔보정 속도 값)으로 이루어진 두 데이터가 동일집단으로 판단할 수 있는지에 대한 통계적 근거를 제시하였다.
알고리즘별 보정율을 평가하기 위해 중앙교통정보센터에 제안 알고리즘을 적용 후 평일 3일간의 평균 보정률을 분석하여 <표 5>에 제시하였다. 평가 도시는 UTIS 사업이 완료된 수도권의 10개 도시를 대상으로 하였다. 여기서 결측정보 보정률의 개념은 식 (16)과 같이 정의된다.
현재 UTIS 사업이 완료된 수도권 10개 도시의 1레벨 링크를 대상으로 ’13년 9월의 결측정보 발생 현황을 분석하였다.
데이터처리
• 정확도 평가- 결측보정 시뮬레이션 프로그램을 개발하여 실시간으로 수집된 통행속도 데이터와 제안 알고리즘에 의해 보정된 데이터를 비교·평가함.
다음 단계로써 제안 알고리즘과 단기 예측에 광범위하게 활용되고 있는 ARIMA 모형과의 오차율 비교분석을 수행하였다. 5개 도시에서 2개 링크를 무작위로 선정하고 6주기(30분) 동안의 결측보정모형에 의한 산출값과 해당 주기 실수집 속도 데이터와의 MAPE에 대한 분석을 수행하였다.
본 연구에서 개발한 UTIS 속도정보 결측 보정 알고리즘을 정확도와 보정율 지표로 구분하여 평가·검증하였으며, 평가절차는 와 같다.
결측보정 시뮬레이션 프로그램에서는 분석 대상도시와 시간대를 우선 설정한 후 모든 1레벨 링크에 속도정보 수집이 누락되는 결측 상황을 인위적 으로 조성하고, 본 연구에서 제안한 적응형 k-NN 알고리즘을 적용하여 보정 처리된 속도값을 산출하게 된다. 이를 통해 산출된 보정 속도값과 해당 주기에 시스템을 통해 실제로 수집된 실시간 속도값 (기준값)을 상호 비교함으로써 제안 알고리즘의 정확도를 평가하였다.
정확도 평가에서는 집단별(기준값⇔보정값) 속도 평균값의 동질성에 대한 통계적 검증과 함께, MAPE 및 RMSE를 분석지표를 활용하여 UTIS 중앙 교통정보센터에서 운영 중인 기존 보정 방법론 및 ARIMA 모형 산출값과의 오차율 분석을 수행하였다.
본 연구에서 제안한 방법은 각 후보개체의 밀집도에 따라 최근접이웃(NN) 개수를 탄력적으로 조정할 수 있는 적응형 결측보정 모형으로써, 이력 시계열 데이터 중 현재 패턴과 유사한 개체들을 선정하여 보정처리에 활용하게 된다. 제안 알고리즘에 대한 검증은 정확도 평가와 보정율 평가로 구분하여수행하였으며, 평가의 효율성을 확보하기 위해 결 측상황을 인위적으로 조성할 수 있는 시뮬레이션 프로그램을 개발하여 실시간 수집 데이터와의 비교를 통해 오차율을 분석하였다.
제안 알고리즘에 의해 산출된 결측 보정값의 오차율 분석에 앞서 paired sample t-검정을 수행함으로써 대응된 표본(실 수집된 UTIS 속도값↔보정 속도 값)으로 이루어진 두 데이터가 동일집단으로 판단할 수 있는지에 대한 통계적 근거를 제시하였다.
이론/모형
윤원식(2008) 등은 신호 처리 알고리즘을 기반으로 인접 노드의 속도정보 및 이력 데이터를 활용하여 결측 속도를 추정하는 알고리즘을 제안하였다. 결측값 추정에는 지수창함수(exponential window function)와 단순선형회귀모형을 이용하였다. 모형 구조가 비교적 간단하면서도 최근 자료만을 활용하여 결측값 추정의 효율성을 높인 방법론으로 평가할 수 있으나 평가범위가 제한적이었다는 점과 도시부 도로에서 추정력이 떨어지는 점이 한계점으로 지적될 수 있다.
보정율 평가에서는 제안 알고리즘을 UTIS 중앙 교통정보센터에 적용하여 알고리즘별 결측 보정률을 평가하였다. UTIS 사업이 완료된 수도권 10개도시에 대한 일평균 보정률에 대한 분석 결과, 기존 방법론이 평균 56.
연지윤(2009) 등은 무선통신 기반 교통정보 수집체계 하에서 발생되는 차량주행 궤적정보의 결측값을 보정하기 위한 방안을 제시하였다. 이 연구에서는 varied-window similarity measure 기법을 활용하여 선행 참조차량의 이력자료를 기반으로 결측값을 우선 보정하고, 대상차량과 결측값 발생 전후 차량과의 차두거리에 따라 가중치를 부여하는 방법이 적용되었다. [3]
또한 추가적으로 패턴 데이터를 직접 보정처리에 활용할 경우와도 상호 비교도 수행하였다. 평가지표로는 평균제곱근오차(RMSE: root mean square error)와 평균절대백분율오차(MAPE: mean absolute percentage error)를 활용하였다.
성능/효과
10개 도시의 평균 결측 보정률을 비교하였을 경우, 기존 방법론이 56.0%인 반면 제안 알고리즘(적응형 k-NN)은 93.7%의 보정률을 나타냈다. 이는 제안 알고리즘이 비율적으로 약 60% 이상 많은 결측 링크를 보정처리한 결과로써, 기존 방법론이 보정 하지 못한 결측 링크에 대해서도 적응형 k-NN에 의한 보정처리가 이루어졌음을 의미한다.
5개 도시별로 선정된 2개 링크에 대한 MAPE 산출 결과는 <표 4>와 같다. 5개 도시 평균 MAPE 산출값을 보면, 제안 알고리즘(적응형 k-NN)이 17.19%로써 가장 낮은 것으로 분석되었으며, 다음으로 ARIMA 모형(22.02%), 기존 방법론(27.56%) 순으로 나타나, 제안 알고리즘이 ARIMA 모형과의 비교에서도 상대적으로 정확한 추정력을 나타낸 것을 알수 있다.
5개 도시에서 2개 링크를 무작위로 선정하고 6주기(30분) 동안의 결측보정모형에 의한 산출값과 해당 주기 실수집 속도 데이터와의 MAPE에 대한 분석을 수행하였다. ARIMA 모형에 대한 일차적 모형식별 및 진단 결과, UTIS 속도 데이터의 예측 시에는 ARIMA(1,0,1) 모형이 가장 적합한 것으로 분석되었다.
MAPE 분석 결과에서는 평균 MAPE가 ‘적응형 k-NN(17.88%)⇒기존방법론(28.02%)⇒패턴데이터 직접 보정(31.42%)’ 순으로 나타났으며, 모든 도시에서 제안 알고리즘에 의한 결측 보정값의 MAPE가 가장 낮은 것으로 분석되었다.
보정율 평가에서는 제안 알고리즘을 UTIS 중앙 교통정보센터에 적용하여 알고리즘별 결측 보정률을 평가하였다. UTIS 사업이 완료된 수도권 10개도시에 대한 일평균 보정률에 대한 분석 결과, 기존 방법론이 평균 56.0%, 제안 알고리즘이 평균 93.7%의 보정률을 나타내어 결측정보에 대한 보정율 측면에서도 더욱 우수한 것으로 분석되었다.
또한 도시별 보정률의 표준편차 분석 결과에서는 기존 방법론이 15.7, 적응형 k-NN이 6.1로 분석 되어, 제안 알고리즘이 도시 규모나 교통특성, 결측 비율 등에 관계없이 상대적으로 안정적인 보정율을 나타내고 있음을 알 수 있다.
먼저 RMSE 산출 결과를 보면, 적응형 k-NN에 의한 결측 보정값의 RMSE가 모든 도시에서 가장 낮게 산출되었으며, 5개 도시 평균값은 9.72로 기존 방법론이나 패턴데이터 직접 보정에 의한 RMSE에 비해 약 40% 이상 낮은 수준으로 분석되었다.
제안 알고리즘은 현재의 결측 속도값을 k-NN 알고리즘을 이용하여 추정하기 위해 특정 기간의 이력 데이터 중 유사 시계열 데이터를 ‘가중 유클리디언 거리(weighted euclidean distance)’ 기반으로 검색한다. 본 연구의 적응형 k-NN은 기존 k-NN 알고리즘이 고정된 k값을 사용하는데서 오는 최근접이웃 선정의 경직성 및 목표 개체의 위치가 가지는 국지적 특징의 미반영 문제를 효과적으로 감소시킬 수 있다.
정확도 평가에서는 집단별(기준값⇔보정값) 속도 평균값의 동질성에 대한 통계적 검증과 함께, MAPE 및 RMSE를 분석지표를 활용하여 UTIS 중앙 교통정보센터에서 운영 중인 기존 보정 방법론 및 ARIMA 모형 산출값과의 오차율 분석을 수행하였다. 분석 결과, 제안 알고리즘이 ARIMA 모형 산출 값이나 기존 방법론에 의한 보정값보다 오차율이약 30% 이상 감소하는 것으로 분석되었다.
분석 결과를 보면, 모든 도시에서 유의확률(P-value)이 유의수준(α, 0.05)보다 큰 것으로 나타나, 두 집단의 평균값이 95% 신뢰수준에서 차이가 없는 것으로 분석되었다.
분석결과를 보면, NN에 따른 오차율의 분포가 우하향 곡선 형태로써 오차율이 점진적으로 감소하는 것으로 나타났으며, 5개 도시의 평균 오차율이 NN=7∼8에서 최소값을 나타냈다.
Sharma(2001) 등은 연구에서는 교통량의 결측 데이터를 추정하기 위해 ARIMA 모형과 유전자 회귀모형, 신경망 모형을 적용하였으며, 캐나다 앨버타주의 6개 상시 교통량 조사지점의 교통 데이터를 활용하였다. 이 모형은 AADT와 DHV를 추정하기 위해서 적용되었고, 유전자 회귀모형이 결측 교통량 추정에서 가장 효과적인 것으로 제시하였으며, 추정 정확도 측면에서 ARIMA 모형이 신경망 모형보다 우수한 것으로 분석되었다. [7]
하정아(2007) 등은 일반국도의 누락 교통량 데이터를 추정하기 위해 상시 교통량 조사 자료를 활용하였다. 이 연구에서는 교통량 결측자료의 보정을 통계적인 방법으로 접근하였으며, 보정대상 시간과 동일 시간의 자료를 적용할 수 있는 자기회귀분석과 보정대상 지점과 동일지점의 자료를 적용할 수 있는 계절 시계열 분석방법을 이용하여 결측 교통량을 보정하는 방안을 제시하였으며, 자기회귀모형의 추정값이 계절 시계열 모형의 추정값에 비해 오차가 적은 것으로 분석되었다. [4]
김정연(2006)등은 고속도로 FTMS 자료를 활용하여 각 검지기 설치지점 간 이동소요 주기를 고려하는 방법, 지점 간 연속성을 고려한 회귀분석 및 차로별 이용률을 이용한 결측 데이터 보정방안 등 총 3개 방안을 제안하였다. 이 연구에서는 이력자료 동일주기 방법과 전후지점 데이터에 의한 회귀분석 방법이 상대적으로 좋은 결측정보 추정값을 얻을 수 있는 것으로 분석되었다. 이 연구에서 제안한 결측보정 회귀식은 식 (1)과 같다.
7%의 보정률을 나타냈다. 이는 제안 알고리즘이 비율적으로 약 60% 이상 많은 결측 링크를 보정처리한 결과로써, 기존 방법론이 보정 하지 못한 결측 링크에 대해서도 적응형 k-NN에 의한 보정처리가 이루어졌음을 의미한다.
1%) 순으로 분석되었다. 제안 알고리즘 적용 시의 결측보정률은 전 도시에서 기존 방법론에 비해 높게 나타났으며, 서울, 구리, 의정부 등의 도시들은 보정률이 99%를 상회하였다.
후속연구
향후과제로는 다중 결측 등 다양한 결측 패턴에 효율적으로 대응하기 위한 방법론 연구와 개발 모형에 대한 추가적인 비교 평가를 통해 신뢰도를 최종적으로 검증하는 것이 필요할 것으로 판단된다. 또한 다양한 도로환경및 교통특성에 대한 적용성을 확대 검증함으로써 개발 모형의 완성도를 더욱 높이고 UTIS 교통정보 서비스 체계를 더욱 정교화하는 후속 작업이 필요할 것으로 판단된다.
본 방법론은 결측 보정에 사용되는 데이터가 제한적이고 시스템 연산이 비교적 간단하여 실용적 측면에서 장점이 있는 반면, UTIS 운영 과정에서 결측 보정된 속도값의 신뢰도 및 결측 보정률이 요구 수준에 미치지 못하는 것으로 분석되어 새로운 보정 방법론의 개발 필요성이 대두되었다.
본 연구에서 개발한 알고리즘을 UTIS 중앙교통정보센터에 직접 적용하여 교통정보 서비스 품질을 향상시키데 활용될 계획이다. 향후과제로는 다중 결측 등 다양한 결측 패턴에 효율적으로 대응하기 위한 방법론 연구와 개발 모형에 대한 추가적인 비교 평가를 통해 신뢰도를 최종적으로 검증하는 것이 필요할 것으로 판단된다.
본 연구에서 개발한 알고리즘을 UTIS 중앙교통정보센터에 직접 적용하여 교통정보 서비스 품질을 향상시키데 활용될 계획이다. 향후과제로는 다중 결측 등 다양한 결측 패턴에 효율적으로 대응하기 위한 방법론 연구와 개발 모형에 대한 추가적인 비교 평가를 통해 신뢰도를 최종적으로 검증하는 것이 필요할 것으로 판단된다. 또한 다양한 도로환경및 교통특성에 대한 적용성을 확대 검증함으로써 개발 모형의 완성도를 더욱 높이고 UTIS 교통정보 서비스 체계를 더욱 정교화하는 후속 작업이 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
UTIS는 무엇인가?
UTIS(Urban Traffic Information System)는 차량내장치(OBE: On-Board Equipment)와 노변기지국(RSE: Road side Equipment)으로 구성된 이동환경 하에서 IEEE 802.11a/e를 근간으로 하는 무선랜 기반의 첨단무선통신 기술을 활용하여 교통정보를 수집/제공 하는 시스템이다. OBE가 장착된 UTIS 프로브 차량은 내장된 노드-링크 체계 및 GPS 장치를 활용하여 링크 통행시간 및 주행궤적 정보를 수집하고, 이를 RSE을 통해 각 지역교통정보센터로 전송하게 된다.
적응형 k-NN 모형을 평가한 결과는 어떻게 되는가?
제안 모형은 각 후보개체(이력 시계열 데이터)의 분포 특성에 따라 최근접이웃 개수를 탄력적으로 조정하는 적응형 k-NN 모형이다. 모형 평가 결과, 제안 모형이 결측정보를 효과적으로 보정 처리할 수 있는 동시에 ARIMA 등 타 모형에 비해 보정 오차를 크게 감소시킬 수 있는 것으로 분석되었다. 본 연구에서 제안된 결측 보정 모형은 UTIS 중앙교통정보센터에 직접 적용하여 교통정보 서비스 품질을 향상시키데 활용될 계획이다.
OBE가 장착된 UTIS 프로브 차량은 어떤 역할을 하는가?
11a/e를 근간으로 하는 무선랜 기반의 첨단무선통신 기술을 활용하여 교통정보를 수집/제공 하는 시스템이다. OBE가 장착된 UTIS 프로브 차량은 내장된 노드-링크 체계 및 GPS 장치를 활용하여 링크 통행시간 및 주행궤적 정보를 수집하고, 이를 RSE을 통해 각 지역교통정보센터로 전송하게 된다. 현재 UTIS에서는 운행시간이 상대적으로 긴 택시 차량 위주로 OBE를 보급하고 있지만, 방대한 도시부 도로망을 고려할 때 아직은 많은 지역에서 프로브차량이 부족한 상황이다.
참고문헌 (8)
J. Y. Kim, Y. I. Lee, G. S. Baek, S. Namgung, "A Study on the Imputation for Missing Data in Dual-loop Vehicle Detector System", Journal of Korean Society of Transportation, vol. 24, no. 7, pp.27-40, Dec., 2006.
W. S. Yun, H. C. Jeong, "Missing Data Estimation for Link Travel Time", Journal of Korean Society of Transportation, vol. 26, no. 2, pp.101-107, Apr., 2008.
J. H. Yeon, H. M. Kim, C. Oh, W. G, Kim, "A Comprehensive Method to Impute Vehicle Trajectory Data Collected in Wireless Traffic Surveillance Environments", Journal of Korean Society of Transportation, vol. 27, no. 4, pp.175-181, Aug., 2009.
J. A. Ha, J. H. Park, S. H. Kim, "Missing Data Imputation Using Permanent Traffic Counts on National Highways", Journal of Korean Society of Transportation, vol. 25, no. 1, pp.121-132, Feb., 2009.
J. H. Conklin, "Data Imputation Strategies for Transportation Management Systems, University of Virginia, 2003.
C. Chen, J. Rice, "Detection Errors and Imputation Missing Data for Single Loop Surveillance System", 82th TRB Annual Meeting, 2003.
S. Sharma, P. Lingras, M. Zhong, "Effect of Missing Value Imputation on Traffic Parameters from Permanent Traffic Connts", 80th TRB Annual Meeting, 2001.
H. G. Lee, S. G. Kim, Y. H. Cho, K. Y. Chong, "Probabilistic Reservoir Inflow Forecast Using Non-parametric Methods", Journal of Hydro Environment Research. May., 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.