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 연구에서 제안하는 모형은 특정링크의 미시적 소통상황을 예측하기보다는 다소 긴 도로구간의 소통상황을 예측가능한 모형이다. 도심부 도로망에 적용이 가능하여 유고상황 영향권 분석 및 간선도로의 유고검지 알고리즘의 개발에 활용할 수 있는 모형을 개발하고자 하였다.
- 과거 이력데이터를 활용한 소통상황 예측은 시간적 반복성이 뚜렷한 도심부 간선도로에서 주로 활용되고 있는 기법으로서 실시간 교통정보를 가중평균하여 활용하는 방법이 주류를 이루었다. 본 연구에서는 RNN의 패턴인식능력을 활용하여 과거 이력데이터의 패턴을 파악하여 소통상황을 단기 예측할 수 있는지에 대해 연구하였다. 제시된 모형은 이력데이터를 활용한 패턴데이터가 기본정보로 활용되고 직전 소통상황과 현재 소통상황 데이터를 활용한 보정을 비선형적으로 수행하고 돌발 상황과 이전 예측정보를 적용하여 이차보정을 시도함으로써 비 반복적 패턴을 인식하도록 학습하였다.
- 본 연구의 목적은 신호교차로를 포함한 도심부 주간선도로의 소통상황을 인공지능 모형을 적용하여 시공간적 링크간 관계성과 비반복정체의 영향까지 고려한 비선형모형을 개발하는 것이다. 본 연구에서 제안하는 모형은 특정링크의 미시적 소통상황을 예측하기보다는 다소 긴 도로구간의 소통상황을 예측가능한 모형이다.
- 돌발상황에 의한 유고확산모형 및 유고영향권에 대한 연구는 새로운 분야이므로 관련연구가 미흡한 상황이다. 유고영향권에 대한 모형화를 위해 기존의 다양한 영향권에 대한 연구 동향을 파악하였다.
제안 방법
- 과거 이력데이터를 활용하여 반복성 학습을 실시하였다. 실시간 데이터를 활용하여 반복성을 벗어난 교통상황에 대한 인식을 학습하여, 최종적으로 돌발 상황 정보를 고려하여 1시간 후까지의 15분 단위 교통상황예측 모형을 개발하였다.
- 고속도로를 제외한 서울시 강남구 국가표준링크에 매칭을 수행하였다. 국가표준노드링크 기반으로 5분 단위 링크별 시간대별 타임 테이블을 구축하였다.
- 반면 유고영향권 모형은 거시적 접근법으로 교통류 현상을 모형으로 구현하여 시뮬레이션할 수 있는 장점이 있으나, 유고상황에 대한 민감도가 낮아서 소통상황 예측에 활용하는데 한계가 있다. 그러므로 본 연구에서는 도심부 간선도로의 긴 구간(33개 링크, 6.78km)을 링크간 시공간적 연결성을 고려한 비선형 모형인 Recurrent Neural Network(RNN)을 이용하여 모형화하여 정체구간 및 정체의 파급현상을 모형화하였다.
- 다섯 번째 모형의 예측값이 실제값과 얼마나 일치하는지 분석하기 위해 산포도를 활용하였다. x축은 실제 정체도(TPI)값이고 y축은 다섯 번째 모형이 예측한 TPI값이다.
- 두 번째 모형의 MSE값이 가장 작았으나, 첫 번째 모형에서부터 여섯 번째 모형까지 모형에서 비슷한 MSE값이 나왔으므로 이들 모형을 비교하여 적절한 모형을 최적모형으로 선정하였다.
- 전체 링크에 대한 비교결과 두 번째 모형의 MSE가 낮았으나 개별링크에서 다른 모형에 비해 두드러진 성능이 관찰되지 않았다. 링크 11, 12, 13, 14에서 두 번째 모형에 비해 다섯 번째 모형이 더 좋은 성능을 나타내어 다섯 번째 모형을 최적모형으로 선정하였다.
- 본 연구에서 소통상황 예측모형의 범위는 도심부 도로망으로부터 수집된 실시간 소통정보를 기반으로 다음 1시간 동안의 소통상황을 15분 단위로 예측하는 모형이다. 정확한 소통상황을 예측하기 위해 실시간 소통정보 외에 이력자료를 기반으로 요일별 소통상황 패턴과 실시간 사고정보를 활용하였다.
- 본 연구의 목적은 신호교차로를 포함한 도심부 주간선도로의 소통상황을 인공지능 모형을 적용하여 시공간적 링크간 관계성과 비반복정체의 영향까지 고려한 비선형모형을 개발하는 것이다. 본 연구에서 제안하는 모형은 특정링크의 미시적 소통상황을 예측하기보다는 다소 긴 도로구간의 소통상황을 예측가능한 모형이다. 도심부 도로망에 적용이 가능하여 유고상황 영향권 분석 및 간선도로의 유고검지 알고리즘의 개발에 활용할 수 있는 모형을 개발하고자 하였다.
- 특히 실제값이 0일 경우 무한값으로 발산해 버리기 때문에 정확한 오차를 측정하기 어렵다. 본 연구에서는 TPI를 예측하는 모형이므로 MAPE값 대신 MSE를 사용하여 모형의 성능을 테스트하였다.
- 본 연구에서는 과거 이력데이터와 직전 교통상황을 고려하여 소통상황의 예측을 수행하는 모형을 RNN을 활용하여 개발하였다. 사고데이터를 입력데이터로 활용하여 예측된 결과를 보정할 수 있는 은닉층을 추가한 모형을 제시하였다.
- 본 연구에서는 과거 이력데이터와 직전 교통상황을 고려하여 소통상황의 예측을 수행하는 모형을 RNN을 활용하여 개발하였다. 사고데이터를 입력데이터로 활용하여 예측된 결과를 보정할 수 있는 은닉층을 추가한 모형을 제시하였다. 과거 이력데이터를 활용한 소통상황 예측은 시간적 반복성이 뚜렷한 도심부 간선도로에서 주로 활용되고 있는 기법으로서 실시간 교통정보를 가중평균하여 활용하는 방법이 주류를 이루었다.
- 단속류의 경우 신호교차로 등과 같은 외부요인으로 인해 TPI의 범위가 제한적일 수 있다. 사고정보는 사고가 발생한 것으로 보고된 링크의 시간대(15분)별 이진화 데이터로 생성하였다(0=사고 무, 1=사고 유).
- 소수의 과속차량 및 정차 차량은 대표 속도 산출에 영향을 미치기 때문에, 신뢰도 95% 범위 밖의 값은 이상치로 간주하여 제거하였고, 5분 단위로 조화평균하여 링크 별 대표속도를 산출한 후에 결측 처리를 수행하였다.
- 정확한 소통상황을 예측하기 위해 실시간 소통정보 외에 이력자료를 기반으로 요일별 소통상황 패턴과 실시간 사고정보를 활용하였다. 소통상황 예측모형은 1시간 주기로 다음 1시간 동안의 소통상황을 예측하였다.
- 소통정보는 15분 주기로 가공하였고 패턴정보는 2013년 4월부터 2013년 6월까지 생성된 소통정보를 각 시간대(15분씩 하루 96개 시간대)별로 산술평균하여 계산하였다. 생성된 소통정보와 패턴정보는 Traffic Performance Index(TPI) 값으로 변환하여 사용하였다.
- 과거 이력데이터를 활용하여 반복성 학습을 실시하였다. 실시간 데이터를 활용하여 반복성을 벗어난 교통상황에 대한 인식을 학습하여, 최종적으로 돌발 상황 정보를 고려하여 1시간 후까지의 15분 단위 교통상황예측 모형을 개발하였다.
- 요일별 패턴의 의존성을 검증하기 위해 일주일 단위로 실제 값과 예측치의 패턴을 [Fig. 10]과 같이 비교하였다. 첫 번째 날(7월 1일)은 월요일이었고 일곱 번째 날(7월 7일)은 일요일이었다.
- 본 연구에서 소통상황 예측모형의 범위는 도심부 도로망으로부터 수집된 실시간 소통정보를 기반으로 다음 1시간 동안의 소통상황을 15분 단위로 예측하는 모형이다. 정확한 소통상황을 예측하기 위해 실시간 소통정보 외에 이력자료를 기반으로 요일별 소통상황 패턴과 실시간 사고정보를 활용하였다. 소통상황 예측모형은 1시간 주기로 다음 1시간 동안의 소통상황을 예측하였다.
- 본 연구에서는 RNN의 패턴인식능력을 활용하여 과거 이력데이터의 패턴을 파악하여 소통상황을 단기 예측할 수 있는지에 대해 연구하였다. 제시된 모형은 이력데이터를 활용한 패턴데이터가 기본정보로 활용되고 직전 소통상황과 현재 소통상황 데이터를 활용한 보정을 비선형적으로 수행하고 돌발 상황과 이전 예측정보를 적용하여 이차보정을 시도함으로써 비 반복적 패턴을 인식하도록 학습하였다. 교통상황이 수시로 주변환 경에 의해 다양하게 변한다는 특성을 고려하여 예측시간을 1시간으로 제한하였다.
- 교통상황이 수시로 주변환 경에 의해 다양하게 변한다는 특성을 고려하여 예측시간을 1시간으로 제한하였다. 총 30개의 모형을 학습하여 성능비교를 통해 6개 모형을 선정하였고, 6개 모형 중 다섯 번째 모형을 최적모형으로 선정하여 예측치의 통계적 유효성을 고려하여 검증하였다.
- 총 MSE 비교를 통해 선정된 6개 모형으로 논현로 33개 개별 링크의 소통상황에 대한 MSE를 비교하였다. [Fig.
- 최적화 알고리즘의 특성에 의해 항상 최적의 RNN을 학습되지 않으므로, 30개 이상의 RNN 모형을 구축하여 최적의 RNN 모형을 선정하였다. 학습된 30개의 모형 중 최적의 모형을 찾기 위해 평균제곱오차(Mean Squared Error, MSE)를 사용하여 성능을 비교하였다.
대상 데이터
- 링크 단위 산출된 개별 프로브 차량의 속도 데이터를 수집하여 중복 데이터 및 매칭 되지 않는 데이터는 삭제하였다. 고속도로를 제외한 서울시 강남구 국가표준링크에 매칭을 수행하였다. 국가표준노드링크 기반으로 5분 단위 링크별 시간대별 타임 테이블을 구축하였다.
- 대상지는 5개 링크를 무작위로 선택하여 소통상황 예측모형을 적용하였으며, 학습을 위한 자료는 2013년 4월에서 2013년 6월 사이(88일) 수집된 자료를 사용하였으며, 모형검증은 2013년 7월에서 2013년 9월 사이(88일) 수집된 자료를 사용하였다.
- 프로브 차량을 통해 수집된 데이터는 교통상황의 추정과 이력데이터로서 통행패턴 구축, 교통상황 예측모형의 학습 및 검증을 위한 기본데이터로 활용하였다. 또한 본 연구에서는 교통사고 데이터를 사용하였는데, 돌발 상황에 대한 기본 자료로 활용하였으며 교통상황 예측모형의 학습을 위한 입력데이터로 활용하였다.
- 본 모형에서는 입력데이터로 과거 3개월간의 이력데이터를 이용하여 가공한 요일별 패턴 데이터를 사용하였다. 도심부 간선도로에서 시간적 주기성이 뚜렷한 특징이 있으므로 다섯 번째 모형이 패턴데이터의 추세를 단순히 따라가는 예측을 한다면 독창성이 훼손될 수 있다.
- 본 연구에서 RNN모형의 입력데이터는 예측시점 직전에 집계된 실시간 소통정보(p1), 과거 3개월 데이터로 가공한 이력패턴데이터의 예측시점(1시간) 데이터(p2), 그리고 예측시점 직전에 보고된 사고정보(p3)로 구성하였다. 모형의 목표값은 대상구간의 33개 링크의 소통속도를 15분 가격으로 한시간 동안 예측한 값이다.
- 본 연구에서는 서울시 도심부 주요 간선도로를 연구의 공간적 범위로 선정하였다. 서울시 주요 간선도로 중 GPS수신기를 장착한 차량의 이용 빈도 및 데이터 수집율이 높은 지역 내 주요 간선도로를 대상지로 선정하였다.
- 본 연구의 시간적 범위는 개발된 모형이 국가 및 지자체 ITS센터 등에서 구축 완료되는 2018년을 목표년도로 설정하였다. 적용된 데이터는 2013년 4월 1일부터 2013년 9월 30일까지 6개월 간 수집된 일반 승용차의 GPS데이터를 사용하였다.
- 본 연구에서는 서울시 도심부 주요 간선도로를 연구의 공간적 범위로 선정하였다. 서울시 주요 간선도로 중 GPS수신기를 장착한 차량의 이용 빈도 및 데이터 수집율이 높은 지역 내 주요 간선도로를 대상지로 선정하였다. 최종적으로 서울특별시 강남구의 성수대교 남단에서 역삼역을 경유하는 논현로를 선정하였으며 이 구간은 총 길이 6.
- 본 연구의 시간적 범위는 개발된 모형이 국가 및 지자체 ITS센터 등에서 구축 완료되는 2018년을 목표년도로 설정하였다. 적용된 데이터는 2013년 4월 1일부터 2013년 9월 30일까지 6개월 간 수집된 일반 승용차의 GPS데이터를 사용하였다.
- 서울시 주요 간선도로 중 GPS수신기를 장착한 차량의 이용 빈도 및 데이터 수집율이 높은 지역 내 주요 간선도로를 대상지로 선정하였다. 최종적으로 서울특별시 강남구의 성수대교 남단에서 역삼역을 경유하는 논현로를 선정하였으며 이 구간은 총 길이 6.78km의 편도3차로이다.
- 프로브 차량을 통해 수집된 데이터는 교통상황의 추정과 이력데이터로서 통행패턴 구축, 교통상황 예측모형의 학습 및 검증을 위한 기본데이터로 활용하였다. 또한 본 연구에서는 교통사고 데이터를 사용하였는데, 돌발 상황에 대한 기본 자료로 활용하였으며 교통상황 예측모형의 학습을 위한 입력데이터로 활용하였다.
데이터처리
- 연구의 공간적 범위인 논현로의 시간대별 일 평균 프로브 차량대수를 분석하였다. 새벽시간대 프로브 차량대수는 1,500대 미만이며, 오전 4시에 약 500대로 가장 낮게 나타났다.
- 최적화 알고리즘의 특성에 의해 항상 최적의 RNN을 학습되지 않으므로, 30개 이상의 RNN 모형을 구축하여 최적의 RNN 모형을 선정하였다. 학습된 30개의 모형 중 최적의 모형을 찾기 위해 평균제곱오차(Mean Squared Error, MSE)를 사용하여 성능을 비교하였다. [Fig.
이론/모형
- 이 때 15분 전에 모형이 예측한 소통정보를 참조할 수 있도록 시간 지체 레이어(Time Delay Layer)을 통해 15분 전 예측된 소통정보를 저장해 두었다가 두 번째 은닉층의 입력값으로 사용한다. TPI의 범위가 0에서 1사이 값이므로 각 은닉층의 출력값도 0에서 1사이 값으로 변화해 줄 수 있는 로그 시그모이드 함수(Log-sigmoid function)를 사용하였다. [Fig.
- 본 연구에서 RNN 모형은 MATLAB의 Neural Network Toolbox를 이용하여 구축하였다. Neural Network Toolbox는 다양한 학습 알고리즘을 제공한다.
- Neural Network Toolbox는 다양한 학습 알고리즘을 제공한다. 본 연구에서는 Levenberg-Marquardt optimization Algorithm(LMA)을 기반으로 한 Lenvenberg-Marquardt backpropagation(LMB) 알고리즘을 이용하여 RNN모형을 학습하였다. LMB는 모형을 학습하기 위한 다양한 최적화 알고리즘 중 하나이고 본 연구에서는 다양한 알고리즘을 적용한 결과 LMB가 가장 높은 성능을 가진 것으로 판단하였다(Reynaldi et al.
- 소통정보는 15분 주기로 가공하였고 패턴정보는 2013년 4월부터 2013년 6월까지 생성된 소통정보를 각 시간대(15분씩 하루 96개 시간대)별로 산술평균하여 계산하였다. 생성된 소통정보와 패턴정보는 Traffic Performance Index(TPI) 값으로 변환하여 사용하였다. TPI는 도로의 자유속도(일반적으로 제한속도의 1.
- (2012)은 spillover현상을 파급효과(propagation effect)라는 개념을 적용하여 도심지 내 도로망에서 정체의 파급 현상(congestion propagation dynamics)를 간단한 모형으로 구현하였다. 혼잡확산의 지표로 Maximum Connected Component(MCC)를 사용하였다.
성능/효과
- 그림에서 발견되는 파란색 원은 이상치(outlier)를 의미한다. 각 시간대 별 평균 속도 분석 결과, 새벽 시간대에는 평균 속도가 50km/h 이상이었다. 오전 첨두시에는 약 40km/h로 속도가 감소하는 것으로 분석되었다.
- 검증 결과, 전체 33개 링크 중 8개 링크를 제외한 나머지 25개 링크에 대해 높은 성능을 보였으며, 선택된 모형이 실제 소통상황의 패턴을 잘 반영하는지에 대한 검토를 한 결과 반복정체 상황에 대한 예측뿐만 아니라 비 반복적 패턴까지도 예측되는 것을 확인하였다.
- Huiying and Jun(2011)은 Learning Vector Quantization(LVQ) 신경망을 통한 간선도로 유고검지 알고리즘을 제안하였다. 루프검지기 자료와 프로브 차량의 GPS 자료를 합성하여 오검지율을 루프검지기 자료만 사용하였을 때에 비해 약 86%로 개선하였다. Faisal and Yaser(2012)는 다중회귀모형을 이용하여 유고검지를 위한 임계값을 추정하였는데, 두 신호교차 사이의 링크를 상류부, 중뷰루, 하류부로 나누어 차량대수와 평균속도를 이용하였다.
- 005이하의 높은 성능을 보였다. 링크 11, 12, 13, 14, 19, 22에서는 MSE 0.01 이상의 값을 보였으며, 세 번째 모델의 경우 링크 19와 링크 21에서 0.25 이상의 낮은 성능을 보여 세 번째 모델은 국소 최저치(local minima)에 빠진 것으로 판단하였다. 전체 링크에 대한 비교결과 두 번째 모형의 MSE가 낮았으나 개별링크에서 다른 모형에 비해 두드러진 성능이 관찰되지 않았다.
- 낮 시간대에 프로브 차량 대수는 3,000대 이상 나타났다. 오후 첨두 시간대에 약 3,500대 이상으로 가장 높게 나타나는 것으로 분석되었고, 22시 이후로는 프로브 차량대수가 2,500대 이하로 감소하는 것을 확인할 수 있다.
- 25 이상의 낮은 성능을 보여 세 번째 모델은 국소 최저치(local minima)에 빠진 것으로 판단하였다. 전체 링크에 대한 비교결과 두 번째 모형의 MSE가 낮았으나 개별링크에서 다른 모형에 비해 두드러진 성능이 관찰되지 않았다. 링크 11, 12, 13, 14에서 두 번째 모형에 비해 다섯 번째 모형이 더 좋은 성능을 나타내어 다섯 번째 모형을 최적모형으로 선정하였다.
후속연구
- 본 연구에서 사용된 데이터의 비반복정체의 빈도는 매우 적어서, 실제 기대와 달리 비반복정체의 예측정확도를 측정하기에는 매우 적은 양의 데이터만을 확보하였다. 그러므로 향후 비반복정체의 예측정확도를 높이기 위하여 사고 다발지역으로 연구범위를 좁혀서 모형을 개발할 필요가 있다.
- 도심부 간선도로에서 시간적 주기성이 뚜렷한 특징이 있으므로 다섯 번째 모형이 패턴데이터의 추세를 단순히 따라가는 예측을 한다면 독창성이 훼손될 수 있다. 일주일 단위의 예측결과가 실제데이터에 관측되는 비 반복적 패턴을 반영하는지를 확인할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.