선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 실시간 자료를 기반으로 k-NN을 활용한 단기 교통상황 예측 시 각 단계별 세부절차 및 변수결정, 입력자료 구축 등의 각 단계별 잠재적 예측오차에 대한 원인분석 및 시사점 도출을 목적으로 한다. 다양한 단기 예측모형에 대한 선행연구 검토를 통하여 k-NN 모형의 유용성을 검토하였고 이에 대한 적용가능성을 분석하였다.
- k-NN 모형은 실시간 자료와 이력자료의 패턴매칭 시 유사성에 기반하여 적합한 후보군을 탐색한다. 본 연구에서는 실시간 자료와 가장 유사한 과거 이력자료 탐색 시 일자별로 탐색하여 유클리디안 거리를 계산한다. 짧은 연산시간을 기반으로 출·퇴근 시간, 또는 유고 및 사고 등으로 인한 이벤트 상황 시에 급변하는 교통상태 변화에 적합한 유클리디안 거리를 적용한다.
- 정체 시 통행시간 예측결과의 오차율이 일반교통류 상태보다 높게 도출되었다. 이 결과를 근거로 ANN을 통한 단기 예측 시 training에 가중치를 두는 방법론에 대한 연구 필요성을 제시하였다. van Lint(2006)의 연구에서는 SSNN(state-space neural network)을 활용하여 고속도로 단기 통행시간 예측을 실시하였다.
- 하지만 기존 선행연구에서 알 수 있듯이 k-NN 기반 단기 교통상황 예측 시 각 단계별로 발생할 수 있는 예측오차에 대한 원인분석 및 단계별 세부절차, 입력자료 구축 등의 정립에 한계를 보였다. 이에 본 연구에서는 단기 교통상황 예측 시 각 단계별 잠재적 예측오차에 대한 원인을 분석하고 시사점을 도출하여 도시화 고속도로에서의 교통예측에 적용가능한지 평가하고자 한다.
제안 방법
- k-NN 기반 단기 교통상황 예측은 5-25분까지의 예측시간 간격에 따른 오차율을 비교하였다. MAPE 분석결과 t+1의 경우 7.
- 분석대상 도로는 M25 고속도로 링크구간이며, 집계간격의 경우 10분 단위, 그리고 이력자료의 경우 1주일을 사용하였다. k-NN의 파라미터인 시계열개수(4개) 및 k개수(8-10개)를 적용하였으며, 요일별 예측오차를 도출하였다. 예측의 정확도는 MAPE 및 RMSE를 적용하였으며, ARIMA 모형 보다 높은 정확도를 보였다.
- 본 연구에서는 먼저 통계적 방법의 일환인 k-NN을 활용한 다양한 연구 사례를 검토한다. 다양한 단기 예측모형에 대한 선행연구 검토를 통하여 k-NN 모형의 유용성을 검토하고 이에 대한 적용가능성을 분석한다. 이어서 실시간 자료를 기반으로 k-NN을 활용한 단기 교통상황 예측 시 각 단계별 세부절차 및 변수결정, 입력자료 구축 등을 통하여 각 단계별 잠재적 예측오차에 대한 원인을 분석하고 시사점을 도출한다.
- 본 연구는 실시간 자료를 기반으로 k-NN을 활용한 단기 교통상황 예측 시 각 단계별 세부절차 및 변수결정, 입력자료 구축 등의 각 단계별 잠재적 예측오차에 대한 원인분석 및 시사점 도출을 목적으로 한다. 다양한 단기 예측모형에 대한 선행연구 검토를 통하여 k-NN 모형의 유용성을 검토하였고 이에 대한 적용가능성을 분석하였다. 본 연구의 k-NN 모형은 이력자료 평활화 및 패턴DB 구축의 입력자료 부분, 실시간 자료와 과거이력자료와의 유사성 측정 및 k 근접이웃 결정 등의 k-NN 알고리즘 부분, 그리고 예측 시간간격에 따른 출력결과 부분 등으로 구성되며 이를 적용한 주요 결과는 다음과 같다.
- 잡음은 측정된 교통자료에 무작위의 오류 또는 분산이 존재하는 것을 말하는 것으로, k-NN 모형 기반 단기예측 시시계열 속도패턴 도출(true trend of speed profile)을 통한 정확한 패턴매칭이 필요하다. 본 연구에서는 5 step 시간간격의 이력자료 평활화 작업(smoothing process)을 Equation 1과 같이 실시한다. 5 step 시간간격의 시계열 자료 평활화를 통해서 이력자료에 포함된 불규칙 잡음을 제거한다.
- k개의 근접이웃 결정을 통하여 단기 교통상황 예측 시 예측 시간간격에 따라 결과를 도출한다. 본 연구에서는 5-25분까지의 예측시간 간격에 따른 오차율을 비교한다. 유사성 기반 이력자료의 k 근접이웃의 개수에 따라 예측시간 간격에 따른 결과를 도출하며, Equation 3과 같다.
- 본 연구에서는 먼저 통계적 방법의 일환인 k-NN을 활용한 다양한 연구 사례를 검토한다. 다양한 단기 예측모형에 대한 선행연구 검토를 통하여 k-NN 모형의 유용성을 검토하고 이에 대한 적용가능성을 분석한다.
- 다양한 단기 예측모형에 대한 선행연구 검토를 통하여 k-NN 모형의 유용성을 검토하였고 이에 대한 적용가능성을 분석하였다. 본 연구의 k-NN 모형은 이력자료 평활화 및 패턴DB 구축의 입력자료 부분, 실시간 자료와 과거이력자료와의 유사성 측정 및 k 근접이웃 결정 등의 k-NN 알고리즘 부분, 그리고 예측 시간간격에 따른 출력결과 부분 등으로 구성되며 이를 적용한 주요 결과는 다음과 같다.
- 불꽃축제일의 단기 교통상황 예측을 위해서 이력자료 에 과거 불꽃축제 교통패턴을 포함시켰다. 불꽃축제일의 교통패턴은 같은 요일의 일반적인 교통패턴과는 다른 패턴을 가지는 것을 알 수 있다(Figure 5, 6 참조).
- 다양한 단기 예측모형에 대한 선행연구 검토를 통하여 k-NN 모형의 유용성을 검토하고 이에 대한 적용가능성을 분석한다. 이어서 실시간 자료를 기반으로 k-NN을 활용한 단기 교통상황 예측 시 각 단계별 세부절차 및 변수결정, 입력자료 구축 등을 통하여 각 단계별 잠재적 예측오차에 대한 원인을 분석하고 시사점을 도출한다. 마지막으로 결론에서는 본 연구의 성과 및 한계, 그리고 향후 연구방향을 제시한다.
- 실시간 자료와 가장 유사한 이력자료의 패턴매칭 시 시계열자료 개수 및 k개의 근접이웃 결정이 필요하다. 이에 본 연구에서는 시행착오 방법(trial and error)을 통하여 최적의 시계열 자료 및 k개의 근접이웃을 결정한다.
- 둘째, k-NN 모형은 실시간 자료와 이력자료의 패턴의 유사성에 기반하여 적합한 후보군을 탐색하는 것으로 최적의 시계열 자료 및 k 근접이웃 개수 선정이 필요하다. 이에 본 연구에서는 시행착오 방법을 통해서 최적의 시계열 자료 및 k개의 근접이웃을 결정하였다. 이는 분석구간의 단기예측시 한번의 최적의 시계열 자료 및 k 근접이웃 개수 선정으로 단기 교통상황예측시 연산시간을 최소화할 수 있는 장점을 가진다.
- Innamaa(2005)의 연구에서는 ANN 알고리즘 기반 고속도로 통행시간 예측을 실시하였다. 일반 및 정체교통류, 링크길이, 시계열자료 길이 등으로 각각 구분하여 링크의 통행시간 예측 정확도를 비교하였다. 정체 시 통행시간 예측결과의 오차율이 일반교통류 상태보다 높게 도출되었다.
- (2004)의 연구에서는 Automatic Vehicle Location(AVL) and Automatic Passenger Counting(APC) 자료 기반 칼만필터를 활용하여 실시간 버스 출발 및 도착시간을 예측하였다. 일반 상황과 이벤트 상황으로 시나리오를 구분하여 VISSIM을 활용한 시뮬레이션 기반 알고리즘 성능평가를 실시하였다. 일반상황 및 이벤트 상황에서 칼만필터가 각각 9.
대상 데이터
- 본 연구에서는 불꽃축제일의 단기 교통상황예측을 위해서 올림픽대로 김포방향 한강대교 남단-여의상류IC 구간을 대상으로 분석을 실시하며 해당지역은 Figure 3과 같다. 단기 교통상황 예측 시 패턴매칭에 활용되는 이력자료는 2013년 7월 1일~9월 30일까지 3개월 및 과거 불꽃축제 이력자료 3일을 사용하였으며, 실시간 자료는 2013년 10월 5일(불꽃축제일)에 수집된 데이터로 분석을 실시하였다. 장기적인 패턴변화 및 계절적 변동 최소화, 그리고 연산시간을 고려하여 과거 이력자료는 3개월치의 자료을 활용하였다.
- 본 연구에서는 불꽃축제일의 단기 교통상황예측을 위해서 올림픽대로 김포방향 한강대교 남단-여의상류IC 구간을 대상으로 분석을 실시하며 해당지역은 Figure 3과 같다. 단기 교통상황 예측 시 패턴매칭에 활용되는 이력자료는 2013년 7월 1일~9월 30일까지 3개월 및 과거 불꽃축제 이력자료 3일을 사용하였으며, 실시간 자료는 2013년 10월 5일(불꽃축제일)에 수집된 데이터로 분석을 실시하였다.
- Clark(2003)의 연구에서는 교통모수인 교통량, 속도, 그리고 점유율의 예측을 위해 패턴매칭의 일환인 k-NN 알고리즘을 적용하였다. 분석대상 도로는 M25 고속도로 링크구간이며, 집계간격의 경우 10분 단위, 그리고 이력자료의 경우 1주일을 사용하였다. k-NN의 파라미터인 시계열개수(4개) 및 k개수(8-10개)를 적용하였으며, 요일별 예측오차를 도출하였다.
- 단기 교통상황 예측 시 패턴매칭에 활용되는 이력자료는 2013년 7월 1일~9월 30일까지 3개월 및 과거 불꽃축제 이력자료 3일을 사용하였으며, 실시간 자료는 2013년 10월 5일(불꽃축제일)에 수집된 데이터로 분석을 실시하였다. 장기적인 패턴변화 및 계절적 변동 최소화, 그리고 연산시간을 고려하여 과거 이력자료는 3개월치의 자료을 활용하였다.
데이터처리
- (2006) 연구에서는 k-NN 기반 단기 교통량 예측을 실시하였다. ATC(Annual Traffic Census) 87개 지점 검지자료를 기반으로 예측을 실시하였으며, 분석결과의 검증을 위해 GML(Gaussian MaximumLikelihood) 모형과 비교하였다. 단기 교통량 예측시 k-NN의 경우 MAPE 약 5%로 GML에 비해 높은 예측력을 보였다.
이론/모형
- 유사성 기반 이력자료의 k 근접이웃의 개수에 따라 예측시간 간격에 따른 결과를 도출하며, Equation 3과 같다. 예측결과의 평가지표는 MAPE(Mean Absolute Percentage Error)를 사용하며, 산출방법은 Equation 4와 같다.
- 최적의 시계열자료 개수 및 k개의 근접이웃 결정은 시행착오 방법을 통하여 결정하였다. 시계열 자료 3개, k 근접이웃 9개일 때 최소오차율을 보였으며 그 결과는 Figure 7과 같다.
성능/효과
- k-NN 기반 단기 교통상황 예측은 5-25분까지의 예측시간 간격에 따른 오차율을 비교하였다. MAPE 분석결과 t+1의 경우 7.45%의 오차율로 우수한 예측력을 보였지만 예측시간 간격이 증가할수록 예측 오차율이 증가하는 패턴을 보였다. 또한 단기예측 시 교통상태가 급변하는 시점에서 예측의 오차가 급격히 증가함을 알 수 있었다(Figure 8 참조).
- 분석결과 단기예측에는 현재의 교통상태를, 반대로 장기예측에는 과거이력자료를 활용하는 것이 효율적인 것으로 판단하였다. MAPPE(Mean Absolute Percentage Prediction Errors) 분석 결과, 약 14.1%의 오차율을 보였고, MSPE(Mean Squared Prediction Error)는 116.75초의 오차를 보였다. Zhang et al.
- Data fusion의 경우 예측시간 간격에 따라 실제 차량이 경험하는 통행시간 정보를 제공받지 못해서 발생되는 time-lag를 줄이기 위한 방법으로 k-NN 기반 통행시간 예측 시 지점 교통정보도 함께 활용하는 것으로 정의하였다. 교통류 상태를 자유속도, 정체증가 시, 정체감소 시 등으로 나누어 분석을 실시하였으며, 분석결과 약 11%의 오차율을 보였다.
- 단기 교통량 예측시 k-NN의 경우 MAPE 약 5%로 GML에 비해 높은 예측력을 보였다. 또한 k-NN 알고리즘이 GML에 비해서 교통정체로 인한 갑작스러운 변화에 보다 빠르게 반응하는 결과를 보였다.
- 이력자료의 경우 일반상황과 불꽃축제와 같은 특정 이벤트 상황으로 구분하여 패턴DB를 구축한다. 본 연구에서는 일반 및 이벤트 상황의 교통패턴의 차이점을 실제 교통자료를 통해서 증명하며, 불꽃축제일의 단기 교통상황 예측 시 과거 불꽃축제 이벤트 상황을 포함하여 이를 활용한 경우 예측의 정확도가 증가됨을 보인다.
- (2004)의 연구에서는 TVC(time-varying coefficient)를 활용한 단순회귀모형을 적용하여 통행시간을 예측하였다. 분석결과 각각 MAPE 11-14%, RMSE는 약 10분의 오차를 보였다
- (2000)의 연구에서는 단계적 변수선택(stepwise variable selection method)을 활용한 회귀분석을 통해서 통행시간을 예측하였다. 분석결과 단기예측에는 현재의 교통상태를, 반대로 장기예측에는 과거이력자료를 활용하는 것이 효율적인 것으로 판단하였다. MAPPE(Mean Absolute Percentage Prediction Errors) 분석 결과, 약 14.
- (2001)의 연구에서는 프로브차량 자료 기반 칼만필터를 활용하여 실시간 링크 및 경로통행시간 예측을 실시하였다. 분석결과 일반적 교통상태에서는 경로통행시간 예측의 정확도가 높게 분석되었다. 이는 프로브차량 대수의 변동성에 기인한 것으로 링크통행시간 예측 시 변동성이 상대적으로 높은 데 따른 결과로 판단하였다.
- 셋째, k-NN을 활용한 단기 교통상황 예측 시 예측 시간간격이 증가할수록 예측오차가 증가하는 패턴을 보였으며, 교통상태가 급변하는 시점에서도 예측오차가 증가함을 알 수 있었다.
- 첫째, 교통자료의 확률적 특성으로 측정값의 무작위 오류 또는 분산이 존재하므로 k-NN을 활용한 단기예측 시 정확한 패턴매칭을 위해서 이력자료 평활화가 필요하다, 또한 이력자료의 경우 일반상황 및 이벤트 상황 등으로 구분한 패턴DB 구축을 통하여 각 상태에 따른 단기예측시 활용이 필요하다. 실제 교통자료 분석을 통해서 일반 및 이벤트 상황의 교통패턴의 차이점이 발생하는 것을 확인할 수 있었다.
- k-NN의 파라미터인 시계열개수(4개) 및 k개수(8-10개)를 적용하였으며, 요일별 예측오차를 도출하였다. 예측의 정확도는 MAPE 및 RMSE를 적용하였으며, ARIMA 모형 보다 높은 정확도를 보였다.
- 일반 상황과 이벤트 상황으로 시나리오를 구분하여 VISSIM을 활용한 시뮬레이션 기반 알고리즘 성능평가를 실시하였다. 일반상황 및 이벤트 상황에서 칼만필터가 각각 9.7%, 12.3%의 오차율로 이력자료 평균모형 및 회귀모형에 비해 높은 정확도를 가졌다.
- 일반 및 정체교통류, 링크길이, 시계열자료 길이 등으로 각각 구분하여 링크의 통행시간 예측 정확도를 비교하였다. 정체 시 통행시간 예측결과의 오차율이 일반교통류 상태보다 높게 도출되었다. 이 결과를 근거로 ANN을 통한 단기 예측 시 training에 가중치를 두는 방법론에 대한 연구 필요성을 제시하였다.
후속연구
- k-NN 모형 기반 단기예측 시 예측시간 간격이 증가함에 따라 예측오차가 급격히 증가하는 경우 향후 교통정체가 발생되는 정보를 사전에 취득하지 못해서 발생되는 time-lag가 원인으로 작용하므로 이를 해결할 수 있는 대안으로 근접 상·하류부의 교통정보를 단기예측 시 추가적으로 활용하는 방법에 대한 연구도 필요할 것으로 판단된다.
- 본 연구의 k-NN 모형에 대한 각 단계별 예측오차에 대한 원인분석으로 향후 신뢰성 있는 단기 교통상황예측 정보제공 및 시스템에 활용이 가능할 것으로 판단된다.
- 첫째, 교통자료의 확률적 특성으로 측정값의 무작위 오류 또는 분산이 존재하므로 k-NN을 활용한 단기예측 시 정확한 패턴매칭을 위해서 이력자료 평활화가 필요하다, 또한 이력자료의 경우 일반상황 및 이벤트 상황 등으로 구분한 패턴DB 구축을 통하여 각 상태에 따른 단기예측시 활용이 필요하다. 실제 교통자료 분석을 통해서 일반 및 이벤트 상황의 교통패턴의 차이점이 발생하는 것을 확인할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.