[논문]Cell Transmission Model 시뮬레이션을 기반으로 한 클라우드 환경 아래에서의 고속도로 교통 예측 및 최적 제어 시스템 개발

탁세현; 여화수

doi:10.12815/kits.2016.15.4.068

문제 정의

교통 제어 시스템의 방법론을 정립하기 위해 제어 시스템의 구축에 필요한 세부 알고리즘에 대한 기존연구를 고찰하였다. 본 연구에서 제안하는 교통 제어 시스템은 크게 K－Nearest Neighbor Classifier (K－NN Classifier)를 기반으로 한 교통 예측 알고리즘, Cell Transmission Model(CTM)을 기반으로 한 거시적 교통 시뮬레이션, 유전 알고리즘(GA)을 기반으로 한 최적 제어 해법 탐색 알고리즘으로 구성된다.
본 연구는 사고나 공사 등으로 인하여 극심한 정체가 예상될 경우 도로 전반의 효율을 높일 수 있는 교통 최적 제어 시스템을 개발하고, 다양한 상황 에서 제안 시스템이 가져올 수 있는 도로의 효율향상을 분석하는데 그 목적을 두고 있다. 또한 본 시스템에서는 실시간으로 미래 교통상황에 최적화된 교통 제어의 해법을 산출하기 위하여, 클라우드를 기반으로 한 실시간 교통 상황 예측 시스템 및 이와 결합된 온라인 시뮬레이션을 개발하고자 한다.
이에 본 연구에서는 적게는 수십 km에서 많게는 100km 이상의 광역 고속도로에 적용할 수 있는 교통 제어 시스템을 개발하고자 한다. 또한, 빠르고 정확한 제어 해법의 산출을 위하여 K－NN Classifier, CTM, 유전 알고리즘의 세 알고리즘이 통합된 교통 제어 시스템을 개발하고자 한다.
본 시스템은 대상 노선에 가변속도제한(Variable Speed Limit), 진입 교통량 제어(Ramp Metering), 도로전광표지판(Variable Message Sign)의 노선별 통행 시간 정보(Travel Time Information)와 같은 교통 제어 장치가 설치되었을 경우 교통 상황을 최적화하기 위한 해결책을 제공하는 것을 목적으로 한다.
각각의 하위 네트워크는 조정자(Coordinator)에 의해서 하위 네트워크 간의 상관관계를 분석하고 이를 기반으로 전체 네트워크를 위한 최적의 제어 전략을 산출한다. 본 연구는 비교적 넓은 공간적 범위에서의 최적 제어 전략을 도출한다는 면에서 기존 연구와 차별성을 보이고 있다. 하지만 현재의 교통 상황만을 기준으로 제어 전략을 수립하고 있어 다양하게 변화하는 미래 교통 상황에 대응할 수 없는 한계가 있다.
본 연구는 사고나 공사 등으로 인하여 극심한 정체가 예상될 경우 도로 전반의 효율을 높일 수 있는 교통 최적 제어 시스템을 개발하고, 다양한 상황 에서 제안 시스템이 가져올 수 있는 도로의 효율향상을 분석하는데 그 목적을 두고 있다. 또한 본 시스템에서는 실시간으로 미래 교통상황에 최적화된 교통 제어의 해법을 산출하기 위하여, 클라우드를 기반으로 한 실시간 교통 상황 예측 시스템 및 이와 결합된 온라인 시뮬레이션을 개발하고자 한다.
본 연구에서는 클라우드 환경에서 거시적 시뮬레이션 기법인 CTM과 유전 알고리즘을 통하여 최적으로 도로를 제어할 수 있는 시스템을 제안하였다. 그리고 본 시스템의 효과를 대구~부산을 연결하는 경부 고속도로와 민자 고속도로를 기반으로 검증하였다.
본 연구에서는, 첫째, 교통 제어와 관련한 기존 개발 사례 및 관련 이론을 고찰하고, 둘째, 본 연구 에서 제안하는 교통 최적 제어 시스템의 원리 및 체계를 설명하며, 셋째, 개발시스템의 성능을 평가하여, 마지막으로 결론 및 향후 연구과제를 제시하고자 한다.
이러한 선행 연구들의 단점 보완을 통한 교통 제어 효율성 증진을 위해, 본 연구에서는 이력 데이터를 기반으로 4시간 이상의 미래를 예측하고, 이를 교통 제어에 활용한다. 이를 통하여 미래의 교통 상황에 선제적으로 대응하고 도로 네트워크 전반의 효율을 향상시킬 수 있는 시스템을 개발하고자 한다.
하지만 기존 연구의 경우 수 km 지역적 문제를 해결하기 위해서 각각의 알고리즘을 사용하고 있고, K －NN Classifier, CTM, 유전 알고리즘의 통합적 접근이 이루어지지 않고 있다는 한계를 가지고 있다. 이에 본 연구에서는 적게는 수십 km에서 많게는 100km 이상의 광역 고속도로에 적용할 수 있는 교통 제어 시스템을 개발하고자 한다. 또한, 빠르고 정확한 제어 해법의 산출을 위하여 K－NN Classifier, CTM, 유전 알고리즘의 세 알고리즘이 통합된 교통 제어 시스템을 개발하고자 한다.

제안 방법

반대로 DSRC 기반의 데이터가 손실되었을 경우 해당 지역, 해당 시간의 VDS 기반의 데이터로 손실 데이터를 대체한다. VDS와 DSRC 데이터 모두가 손실되어 있는 데이터 포인트는 이후 데이터 기반 교통 예측 알고리즘에서 가중 평균을 통하여 보완한다.
2] Examp서비스를 제공하기 위한 부분으로 SQL Database의 저장고 웹페이지에 결과 정보를 표출한다. 교통량 예측과 교통 수요 예측은 클라우드 기반의 가상 컴퓨터에서의 시뮬레이션(Simulation) 에 대한 입력값으로 사용되며, 이를 기반으로 사고 및 공사 등 도로 상에서 발생하는 다양한 이벤트에 대한 교통 상황의 변화를 예측한다. 해당 이벤트들은 웹페이지를 통하여 시뮬레이션 모듈로 입력되어 진다.
본 연구에서는 클라우드 환경에서 거시적 시뮬레이션 기법인 CTM과 유전 알고리즘을 통하여 최적으로 도로를 제어할 수 있는 시스템을 제안하였다. 그리고 본 시스템의 효과를 대구~부산을 연결하는 경부 고속도로와 민자 고속도로를 기반으로 검증하였다. 시스템 검증 결과 제안 시스템을 통하여 도로를 제어하였을 경우 VHT 측면에서 평균 26%에서 66%의 성능 향상을 보였다.
데이터 기반의 교통 예측은 크게 속도와 같은 교통상태 예측 (Traffic State Prediction), 통행시간 예측(Travel Time Prediction), 교통수요 예측 (Origin－Destination Demand Prediction)의 세 부분으로 구성된다. 속도 예측과 통행 시간 예측은 사용자에게 관련 [Fig.
본 교통 제어 시스템은 사고, 공사, 날씨 등의 이벤트에 의한 용량 저하를 웹페이지로부터 실시간으로 다운로드 하여 시뮬레이션의 입력값으로 활용한다.
CTM으로 다양한 교통 상황을 시뮬레이션하기 위해서는 관련 변수의 정의가 필요하다. 본 논문에 서는 같은 시뮬레이션 대상지를 연구한 Park(2015)의 연구결과를 기반으로 도로의 용량, 충격파의 전파 속도, 자유 흐름 속도, 혼잡밀도 등의 변수를 설정하였다[16]. 이와 함께 공사 및 사고 시나리오에 서의 용량 저하는 이벤트에 따라 봉쇄되는 차선의 숫자에 비례하여 산출되며 날씨에 의한 용량저하는 날씨의 유형에 따라 각각 1(맑음), 0.
(2013)은 퍼지와 결합한 인공신경망(Artificial Neural Systems)을 기반으로 하여 3개 이상의 주도로가 만나는 비교적 큰 네트워크의 최적 제어 방법론을 제안하였다[5]. 본 논문에서는 전체 네트워크를 몇 개의 하위 네트워크로 구분하고 각각의 하위 네트워크는 인공신경망 기법을 통하여 해당 교통상황에서의 최적 제어 전략을 산출한다. 각각의 하위 네트워크는 조정자(Coordinator)에 의해서 하위 네트워크 간의 상관관계를 분석하고 이를 기반으로 전체 네트워크를 위한 최적의 제어 전략을 산출한다.
(2007)은 진입 교통량 제어 기법과 가변 속도 표출 장치를 기법을 활용한 Iterative Learning Control기반의 고속도로 교통 제어 알고리즘을 제안하였다[1]. 본 모델은 주기적으로 유사하게 발생하는 교통 패턴을 활용하여 조금씩 변화하는 교통의 변화를 회분공정이 반복될 때마다 에러를 최소화하는 방향으로 제어한다. 본 알고리즘은 과거 데이터의 획득이 제한적인 경우에도 비교적 빠른 속도로 도로의 효율을 상당히 향상시키는 결과를 보여주고 있다.
데이터 수집 및 전처리 모듈에서는 이와 같은 이상 데이터 및 손실 데이터를 처리한다. 본 시스템에서는 1차적으로 VDS 데이터와 DSRC 데이터의 융합을 통해서 데이터를 보정한다. 예를 들어 VDS 기반의 데이터가 손실 되었을 경우 해당 지역, 해당 시간의 DSRC 기반의 데이터로 손실 데이터를 대체한다.
CTM을 기반으로 다양한 고속도로 상황을 시뮬레이션 하기 위해서는 미래 수요 데이터 및 미래 통행량 데이터, 네트워크의 분할, 관련 변수(도로 용량, 이벤트 발생 시 용량 저하량, 자유 흐름 속도 등)의 정의 등의 과정이 필요하다. 본 시스템에서는 데이터 기반의 예측 모듈에서 미래 수요 데이터 및 미래 교통량 데이터를 산출한다. 즉, 시뮬레이션에 필요한 데이터를 예측 모듈과 자동으로 연동시킴으로써 추가적인 동작 없이 실시간 데이터를 기반으로 한 시뮬레이션이 가능하다.
최적 교통 제어 모듈은 온라인 교통 시뮬레이션의 CTM 모델과 유전 알고리즘 (GA)을 기반으로 도로의 교통흐름의 최적화 제어 해법을 도출하다. 본 시스템에서는 여러 가지 도로 제어 기법 중 가변 속도 제한 (VSL), 진입 교통량 제어 (Ramp Metering), 통행시간 정보 제공 (Travel Time Information)의 기법을 통하여 도로를 제어한다. 가변 속도 제한은 도로의 상황에 따라 도로의 속도 제한을 조정하는 기법으로 본 시스템에서는 60km~110km의 범위에서 가변 속도를 조절한다.
본 연구에서 제안하고 있는 클라우드 환경에서의 교통 제어 시스템은 도로에 설치되어 있는 차량 검지 센서(VDL：Vehicle Detection Loop, DSRC：Dedicated Short Range Communication)와 통행료 지불 시스템(TCS：Toll Collection System)에서 수집된 데이터를 통해 미래 교통 상황을 예측한다. 이어서 예측되는 데이터를 기반으로 사고, 공사와 같은 도로의 다양한 상황을 시뮬레이션하고 이를 통하여 도로의 교통 흐름을 최적화 하는 운영 전략을 도출한다.
본 연구에서 제안하고 있는 클라우드 환경에서의 교통 제어 시스템은 웹페이지를 통하여 속도 예측 데이터, 통행 시간 예측 데이터, 수요 예측 데이터, 시뮬레이션 데이터, 최적 제어 결과 데이터의 5가지 정보를 표출한다. 각각의 데이터는 고유의 웹페이지로 구성되며 다음과 같은 세부 정보를 표출한다.
교통 제어 시스템의 방법론을 정립하기 위해 제어 시스템의 구축에 필요한 세부 알고리즘에 대한 기존연구를 고찰하였다. 본 연구에서 제안하는 교통 제어 시스템은 크게 K－Nearest Neighbor Classifier (K－NN Classifier)를 기반으로 한 교통 예측 알고리즘, Cell Transmission Model(CTM)을 기반으로 한 거시적 교통 시뮬레이션, 유전 알고리즘(GA)을 기반으로 한 최적 제어 해법 탐색 알고리즘으로 구성된다.
이러한 선행 연구들의 단점 보완을 통한 교통 제어 효율성 증진을 위해, 본 연구에서는 이력 데이터를 기반으로 4시간 이상의 미래를 예측하고, 이를 교통 제어에 활용한다. 이를 통하여 미래의 교통 상황에 선제적으로 대응하고 도로 네트워크 전반의 효율을 향상시킬 수 있는 시스템을 개발하고자 한다.
교통 제어의 효과를 향상시키기 위해서는 교통 예측 알고리즘의 높은 정확도가 요구된다. 이를 충족시키기 위하여 본 시스템에서는 Muliti－ level K－Nearest Neighbor(MK－NN)을 활용하여 교통 상황을 예측한다. MK－NN은 Tak et al.
본 연구에서 제안하고 있는 클라우드 환경에서의 교통 제어 시스템은 도로에 설치되어 있는 차량 검지 센서(VDL：Vehicle Detection Loop, DSRC：Dedicated Short Range Communication)와 통행료 지불 시스템(TCS：Toll Collection System)에서 수집된 데이터를 통해 미래 교통 상황을 예측한다. 이어서 예측되는 데이터를 기반으로 사고, 공사와 같은 도로의 다양한 상황을 시뮬레이션하고 이를 통하여 도로의 교통 흐름을 최적화 하는 운영 전략을 도출한다.
σ：예측 구간의 길이

이와 같이 본 교통 제어 시스템에서는 MK－NN 알고리즘을 기반으로 하여 도로의 각 구역별 속도(Speed), 통행량(Flow), 밀도(Density), 수요(Demand)를 예측하며, 예측된 속도를 기반으로 개별 차량의 출발지－도착지 간 통행 소요 시간을 산출한다.
본 논문에 서는 같은 시뮬레이션 대상지를 연구한 Park(2015)의 연구결과를 기반으로 도로의 용량, 충격파의 전파 속도, 자유 흐름 속도, 혼잡밀도 등의 변수를 설정하였다[16]. 이와 함께 공사 및 사고 시나리오에 서의 용량 저하는 이벤트에 따라 봉쇄되는 차선의 숫자에 비례하여 산출되며 날씨에 의한 용량저하는 날씨의 유형에 따라 각각 1(맑음), 0.8(비), 0.7(안개), 0.6(눈)의 비율을 본래 용량에 곱하여 산출하였다.
제어의 효과는 최적제어 전후의 VHT와 각 경로에 대한 통행 시간을 함께 표출하여 표현된다. 이와 함께 통행 시간 제공, 가변 속도 제한, 진입 교통량 제어가 설치되어 있는 공간의 추천 제어 방법을 30분 단위로 표출하여 도로 네트워크의 최적 제어 전략을 알려준다.
그림에서 보이는 것처럼 MK－NN에서 예측된 데이터와 웹에서 입력된 이벤트 데이터를 기반으로 시뮬레이션하여 최적 제어의 성능 평가를 위한 기준 값을 생성한다. 이후 도로의 교통 제어에 대한 초기 값을 생성하고 CTM 시뮬레이션을 통해 부모해(mother population)의 성능을 평가한다. 이후 선택 연산, 교차 연산, 변이 연산의 유전 과정을 통하여 새로운 해를 생성하고 다시 각각의 해를 CTM 시뮬레이션을 통해 평가한다.
이후 도로의 교통 제어에 대한 초기 값을 생성하고 CTM 시뮬레이션을 통해 부모해(mother population)의 성능을 평가한다. 이후 선택 연산, 교차 연산, 변이 연산의 유전 과정을 통하여 새로운 해를 생성하고 다시 각각의 해를 CTM 시뮬레이션을 통해 평가한다. CTM 시뮬레이션 기반의 유전 알고리즘은 네트워크 전체의 차량들의 총 통행시간 (VHT：Vehicle Hours Traveled)을 최소화하는 방향으로 진행된다.
이후 시뮬레이션을 실행하면 해당 이벤트의 입력 전·후의 도로 상황 변화를 토대로 각 경로의 통행 시간 예측치를 계산하고, 우상단 그래프에 이를 표출한다.

대상 데이터

본 연구는 대구~부산 간 경부선 및 대구~부산 간 중앙선(민자 노선)을 대상으로 하였다. 본 시스템은 대상 노선에 가변속도제한(Variable Speed Limit), 진입 교통량 제어(Ramp Metering), 도로전광표지판(Variable Message Sign)의 노선별 통행 시간 정보(Travel Time Information)와 같은 교통 제어 장치가 설치되었을 경우 교통 상황을 최적화하기 위한 해결책을 제공하는 것을 목적으로 한다.

이론/모형

온라인 교통 시뮬레이션은 데이터 기반 교통 예측 모듈에서 산출된 예측 데이터를 기반으로 사고, 공사 등과 같은 다양한 이벤트가 발생하고나 혹은 예견되었을 때의 교통상황을 시뮬레이션 한다. 본 교통 제어 시스템에서는 기본적으로 Daganzo(1994, 1995)가 제안한 거시적 변수 기반 시뮬레이션 모델인 Cell Transmission Model (CTM)을 바탕으로 이벤트 발생 시의 교통 상황을 시뮬레이션 한다[9, 10]. CTM은 대상 네트워크를 일정간격의 셀로 구분하고 시간에 따른 셀 간의 차량 이동량 및 셀 별 밀도를 다음의 식을 기반으로 산정하여 연속류의 교통 흐름을 시뮬레이션 한다.
일반적으로 NP－hard 문제와 같이 문제가 계산 불가능할 정도로 지나치게 복잡할 경우 혹은 문제의 해결을 위해 지나치게 많은 시간이 필요한 경우에 사용된다. 이러한 이유로 교통의 제어에서도 복잡한 문제를 비교적 빠르게 해결하기 위하여 유전 알고리즘을 사용하였다. Teklu(2007)은 유전 알고리즘을 기반으로 한 교통 신호 최적화 알고리즘을 제안하였으며[13], Ceylan(2006)은 유전 알고리즘과 Hill－ Climbing 최적화 기법을 바탕으로 지역 교통 제어 알고리즘을 제안하였다[14].
도로 전광 표지판을 통한 통행 시간 정보 제공은 서로 다른 두 가지 경로에 대한 통행시간 제공을 통하여 각 경로를 이용하는 사용자의 수요를 조절하는 방식으로 각각의 경로에 대한 예상 통행 시간을 0~100%의 범위 안에서 임의로 조정하여 각 경로의 이동수요를 조절한다. 통행 시간 정보 제공을 기반으로 한 수요 조절에 대한 탄력성은 Park(2015)의 연구결과를 기반으로 한다[16].

성능/효과

이 도로 최적 제어 시스템은 기존의 서버 기반의 시스템과 비교하였을 때 클라우드를 기반으로 구현되어 장소의 구애를 받지 않으며, 시스템의 확장성이 우수하다는 장점을 가지고 있다. 또한 본 연구에서 제안 하는 클라우드 기반의 시스템은 각각의 시스템이 SQL 데이터베이스를 기반으로 하여 정보만을 공유하므로, 모듈별로 독립적으로 기능을 수행할 수 있어 일부 시스템의 고장에 대해서 안정적으로 관련 서비스를 제공할 수 있다는 장점을 가지고 있다.
(2005)은 진입 교통량 제어 기법과 가변 속도 제한 기법을 바탕으로 도로의 효율을 최적화 하는 알고리즘을 제안하였다[2]. 모델 예측 제어(Model Preictive Control, MPC)를 통하여 본선 교통량과 램프 교통량의 15~18% 성능향상을 이루었다. 하지만 진입 교통량 제어가 존재하는 구간 인근의 정보만을 기반으로 제어를 하고 있어 효율 향상에 한계가 있고, 이러한 제어가 상류부와 하류부의 교통에 끼치는 영향을 함께 고려하고 있지 않다.
본 모델은 주기적으로 유사하게 발생하는 교통 패턴을 활용하여 조금씩 변화하는 교통의 변화를 회분공정이 반복될 때마다 에러를 최소화하는 방향으로 제어한다. 본 알고리즘은 과거 데이터의 획득이 제한적인 경우에도 비교적 빠른 속도로 도로의 효율을 상당히 향상시키는 결과를 보여주고 있다. 하지만 사고 혹은 도로 공사 등에 의해서 발생하는 이례적인 상황에 대해서는 대응력에 한계를 보여주고 있다.
(2001)은 기존의 진입 교통량 제어에 대한 연구를 발전시켜 고속도로 전반의 효율을 높이기 위해 21개 지점의 램프의 진 · · 출입량을 통합 조절하는 알고리즘을 개발하였다[4]. 본 알고리즘은 제어하지 않았을 때와 비교하여 43.5%의 효율 증대를 성취하였다. 하지만 본 논문은 해당 네트워크에 대한 수요를 알고 있다는 가정 하에 이루어지고 있어 네트워크에 대한 수요 예측의 정확도에 따라 효율이 크게 좌우되는 한계점을 가지고 있다.
본 연구에서 제시한 클라우드 기반의 교통 예측 및 최적 제어 시스템은 과거에 발전되어 온 센터 기반의 교통 운영 전략을 클라우드 기반으로 확장하는 장점이 있으며, 아직 물리적인 토대가 부족한 개발도상국 등에 지능형 교통 시스템(Ingelligent Transportation System)을 빠르게 적용할 수 있다는 장점을 함께 가지고 있다.
표에서 나타나는 것처럼, 제안하고 있는 제안시스템을 통하여 정상상황에서는 평균 28% VHT 감소 효과, 민자고속도로에 공사 중일 때에는 66% VHT 감소 효과, 경부 고속도로에 사고가 발생하였을 때에는 27% VHT 감소 효과, 경부 고속도로에 사고가 발생하고 민자 고속도로에 비가 올 경우에는 40% VHT 감소 효과를 달성할 수 있었다. 본 연구에서 제안하는 시스템은 민자 고속도로에 용량 저하와 관련한 이벤트가 발생하였을 경우 민자 고속도로의 수요를 경부 고속도로로 이동시킴으로써 민자 고속도로에서 발생하는 정체를 선제적으로 막아 전체 고속도로의 효율을 향상 시키는 것을 관측할 수 있다.
그리고 본 시스템의 효과를 대구~부산을 연결하는 경부 고속도로와 민자 고속도로를 기반으로 검증하였다. 시스템 검증 결과 제안 시스템을 통하여 도로를 제어하였을 경우 VHT 측면에서 평균 26%에서 66%의 성능 향상을 보였다. 특히 본 시스템은 도로에 사고 및 공사와 같은 이벤트가 발생하였을 경우 더욱 큰 효과를 발휘하는 것이 관측되었다.
제안 시스템의 도로 성능 개선 효과는 제어 시간대별 VHT 저감 그래프 및 통행시간 저감 그래프에서 더욱 쉽게 관측된다. [Fig.
제안시스템의 성능 향상 패턴을 보면 전반적으로 민자 고속도로의 VHT 증가를 통하여 경부 고속도로의 통행량을 완화하는 것을 관측할 수 있다. 즉, 민자고속도로에서 정체가 발생하지 않는 최대한의 용량을 활용하기 위한 제어 전략을 수행하고, 경부 고속도로에서의 VHT를 낮춤으로써 전체 도로의 성능을 향상시킨다.
시스템 검증 결과 제안 시스템을 통하여 도로를 제어하였을 경우 VHT 측면에서 평균 26%에서 66%의 성능 향상을 보였다. 특히 본 시스템은 도로에 사고 및 공사와 같은 이벤트가 발생하였을 경우 더욱 큰 효과를 발휘하는 것이 관측되었다.
10-13]에서 보이는 것처럼 제어 시스템을 통하여 모든 시나리오에서 도로의 전체 효율을 향상시키는 것을 관측할 수 있다. 특히 전체 수요가 적은 오전 시간대 보다는 전체 수요가 많은 오후 시간대에 제어의 효과가 더커지는 것을 관측할 수 있다.
이 표를 통해 도로에 사고, 공사의 이벤트가 발생하거나 날씨의 변화와 같은 도로의 용량 저하와 관련된 현상이 발생하였을 때, 제안하는 제어 시스템을 적용하면 어떠한 효과를 얻을 수 있는지를 알 수 있다. 표에서 나타나는 것처럼, 제안하고 있는 제안시스템을 통하여 정상상황에서는 평균 28% VHT 감소 효과, 민자고속도로에 공사 중일 때에는 66% VHT 감소 효과, 경부 고속도로에 사고가 발생하였을 때에는 27% VHT 감소 효과, 경부 고속도로에 사고가 발생하고 민자 고속도로에 비가 올 경우에는 40% VHT 감소 효과를 달성할 수 있었다. 본 연구에서 제안하는 시스템은 민자 고속도로에 용량 저하와 관련한 이벤트가 발생하였을 경우 민자 고속도로의 수요를 경부 고속도로로 이동시킴으로써 민자 고속도로에서 발생하는 정체를 선제적으로 막아 전체 고속도로의 효율을 향상 시키는 것을 관측할 수 있다.

후속연구

5%의 효율 증대를 성취하였다. 하지만 본 논문은 해당 네트워크에 대한 수요를 알고 있다는 가정 하에 이루어지고 있어 네트워크에 대한 수요 예측의 정확도에 따라 효율이 크게 좌우되는 한계점을 가지고 있다.

핵심어	질문	논문에서 추출한 답변
	K－NN Classifier란 무엇인가?	K－NN Classifier는 분류가 되어 있지 않은 데이 터들을 분류하는 것에 사용되는 비모수 방식의 분류 방법으로 데이터 중에 k 개의 가장 비슷한 데이 터를 찾고 이를 분류 혹은 회귀하는 데에 사용하는 알고리즘이다. K－NN Classifier는 알고리즘의 높은 직관성, 비교적 간단한 실행 기법, 기본적인 분포가 정의 불필요성 등의 이유로 인하여 Clark(2003), Davis et al.
	기존의 교통 제어와 관련된 연구의 한계는 무엇인가?	기존의 교통 제어와 관련된 연구들은 크게 두 가지 한계를 가지고 있다. 첫 번째는 제어를 하는 영역이 제한적이라는 부분이다. 기존 알고리즘은 교통 정체 발생의 원인을 국소지역으로 한정하여 각각의 국소지역에서 발생하는 정체 발생을 억제하는 것에 초점이 많이 맞추어져 있다. 이에 국소지역의 제어가 도로 네트워크 전반에 끼치는 영향에 대한 분석이 미비하여 상황에 따라 국소지역에 발생하는 정체를 해결하였다 하더라도 도로 네트워크 전반의 효율에는 효과가 미비한 경우가 있다. 두 번째는 제어 예측 시간의 길이(Prediction Horizon)가 짧은 까닭에 도로 네트워크 전반에 끼치는 영향을 산출하 는데 한계가 있다는 점이다. 종래의 연구들은 예측 기반의 교통 제어를 과거의 반복적인 패턴을 활용 하거나 5~10분 정도의 교통상황을 모델 기반으로 예측하여 활용해 왔다. 그러나, 효율적인 교통 제어를 위해서는 1시간 이상의 정확한 예측 정보가 필요함에도 불구하고 예측 정보의 불확실성으로 인하여 짧은 시간만을 고려한 최적 제어 해법을 제시해 왔다.
	제안하는 교통 제어 시스템은 무엇으로 구성되는가?	교통 제어 시스템의 방법론을 정립하기 위해 제어 시스템의 구축에 필요한 세부 알고리즘에 대한 기존연 구를 고찰하였다. 본 연구에서 제안하는 교통 제어 시스템은 크게 K－Nearest Neighbor Classifier (K－NN Classifier)를 기반으로 한 교통 예측 알고리즘, Cell Transmission Model(CTM)을 기반으로 한 거시적 교통 시뮬레이션, 유전 알고리즘(GA)을 기반으로 한 최적 제어 해법 탐색 알고리즘으로 구성된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

여화수 (5)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

AI 본문요약
AI-Helper