도시 내의 교통흐름을 정확히 분석하는 것은 매우 어렵다. 특히, 교통사고나 보행자, 교차로 등은 도시 내의 교통흐름을 분석하는데 있어서 어려움을 가중시킨다. 현재 소도시(예를 들어 전라남도 순천시)들에도 버스 정보시스템(Bus Information System, BIS)이 보급되어 있고 이를 통하여 도착시간 예측 등과 같은 정보를 제공하고 있다. BIS는 버스의 위치, 구간별 이동시간, 출발-도착 시간등을 제공하고 있다. 따라서 본 논문에서는 BIS로부터 정류장 간의 평균 이동 시간, 그리고 이동 거리 등을 시간대 별로 추출하여 도시 내의 교통흐름을 시계열 분석하고자 한다. 소도시의 경우 버스 정보는 도시교통 흐름을 설명하는 중요하고 효과적인 자료이다. 앞서 언급한 신호등 지연, 보행자, 교차로 등은 교통흐름을 분석하고 예측하는데 어려움을 더한다. 본 논문에서는 동적 선형 모델(Dyanamic Linear Model, DLM)을 이용하여 중요 구간의 교통흐름을 시계열 분석하고 예측하는 방법을 제시한다. 이때 구간별 통행 속도를 평일과 주말로 나누어 분석한다. DLM을 이용하여 구간별 이동속도의 시계열 분석을 통하여 도시 내의 교통흐름을 파악하여 향후 교통 체증 및 혼잡 구간을 예보하고 버스의 정확한 도착시간을 예측하는데 도움을 줄 수 있으리라 생각한다.
도시 내의 교통흐름을 정확히 분석하는 것은 매우 어렵다. 특히, 교통사고나 보행자, 교차로 등은 도시 내의 교통흐름을 분석하는데 있어서 어려움을 가중시킨다. 현재 소도시(예를 들어 전라남도 순천시)들에도 버스 정보시스템(Bus Information System, BIS)이 보급되어 있고 이를 통하여 도착시간 예측 등과 같은 정보를 제공하고 있다. BIS는 버스의 위치, 구간별 이동시간, 출발-도착 시간등을 제공하고 있다. 따라서 본 논문에서는 BIS로부터 정류장 간의 평균 이동 시간, 그리고 이동 거리 등을 시간대 별로 추출하여 도시 내의 교통흐름을 시계열 분석하고자 한다. 소도시의 경우 버스 정보는 도시교통 흐름을 설명하는 중요하고 효과적인 자료이다. 앞서 언급한 신호등 지연, 보행자, 교차로 등은 교통흐름을 분석하고 예측하는데 어려움을 더한다. 본 논문에서는 동적 선형 모델(Dyanamic Linear Model, DLM)을 이용하여 중요 구간의 교통흐름을 시계열 분석하고 예측하는 방법을 제시한다. 이때 구간별 통행 속도를 평일과 주말로 나누어 분석한다. DLM을 이용하여 구간별 이동속도의 시계열 분석을 통하여 도시 내의 교통흐름을 파악하여 향후 교통 체증 및 혼잡 구간을 예보하고 버스의 정확한 도착시간을 예측하는데 도움을 줄 수 있으리라 생각한다.
It is very challenging to analyze the traffic flow in the city because there are lots of traffic accidents, intersections, and pedestrians etc. Now, even in mid-size cities Bus Information Systems(BIS) have been deployed, which have offered the forecast of arriving times at the stations to passenger...
It is very challenging to analyze the traffic flow in the city because there are lots of traffic accidents, intersections, and pedestrians etc. Now, even in mid-size cities Bus Information Systems(BIS) have been deployed, which have offered the forecast of arriving times at the stations to passengers. BIS also provides more informations such as the current locations, departure-arrival times of buses. In this paper, we perform the time-series analysis of the traffic flow using the data of the average trvel time and the average speed between stations extracted from the BIS. In the mid size cities, the data from BIS will have a important role on prediction and analysis of the traffic flow. We used the Dynamic Linear Model(DLM) for how to make the time series forecasting model to analyze and predict the average speeds at the given locations, which seem to show the representative of traffics in the city. Especially, we analysis travel times for weekdays and weekends separately. We think this study can help forecast the traffic jams, congestion areas and more accurate arrival times of buses.
It is very challenging to analyze the traffic flow in the city because there are lots of traffic accidents, intersections, and pedestrians etc. Now, even in mid-size cities Bus Information Systems(BIS) have been deployed, which have offered the forecast of arriving times at the stations to passengers. BIS also provides more informations such as the current locations, departure-arrival times of buses. In this paper, we perform the time-series analysis of the traffic flow using the data of the average trvel time and the average speed between stations extracted from the BIS. In the mid size cities, the data from BIS will have a important role on prediction and analysis of the traffic flow. We used the Dynamic Linear Model(DLM) for how to make the time series forecasting model to analyze and predict the average speeds at the given locations, which seem to show the representative of traffics in the city. Especially, we analysis travel times for weekdays and weekends separately. We think this study can help forecast the traffic jams, congestion areas and more accurate arrival times of buses.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 이 모델은 관측데이터의 가우시안 분포를 가정하므로 적용이 쉬운 장점을 갖는다. 구간별 통행속도를 통해 평일, 주말 등에 따른 교통흐름을 나누어 분석하고, 이를 통하여 버스도착 예측 시간의 정확도를 보정하는데 이용하고자 한다.
따라서 본 논문에서는 BIS로부터 구간별 이동 시간, 통행 속도 등의 시계열 데이터를 추출하고 모델링 하여 도시 내의 교통 흐름을 분석하여 활용하고자 한다. 본 논문에서 교통 흐름 시계열 데이터 분석에는 동적 선형 모델(Dynamic Linear Models, DLM)을 이용했다.
본 논문에서는 BIS를 통해 각 구간에 따른 통행속도를 시간대별로 구분하여 특성을 분석하고, 통행속도 예측을 통해 교통흐름 분석 및 버스도착예정시간의 정확도를 개선할 수 있는 방안을 제시하고자 한다. 이에 따라 기존에 BIS에서 예측을 위해 사용되고 있는 이동평균필터 및 본 연구에서 모델 구축을 위해 사용한 동적선형모델에 대해 알아보고, 모델 검증을 위한 방법에 대해 선행 연구를 수행했다.
본 논문에서는 BIS를 통해 각 구간에 따른 통행속도를 시간대별로 구분하여 특성을 분석하고, 통행속도 예측을 통해 교통흐름 분석 및 버스도착예정시간의 정확도를 개선할 수 있는 방안을 제시하고자 한다. 이에 따라 기존에 BIS에서 예측을 위해 사용되고 있는 이동평균필터 및 본 연구에서 모델 구축을 위해 사용한 동적선형모델에 대해 알아보고, 모델 검증을 위한 방법에 대해 선행 연구를 수행했다.
제안 방법
상태 공간 모델은 동향 및 계절성 성분의 결과를 자연적 해석하기 위해 비정상 단변량 시계열을 모델링을 하기 위해 사용된다. R 언어 및 통계 컴퓨팅을 위한 환경에서 최대우도 추정(Maximum Likelihood Estimation; 이하 MLE)을 통해 매개변수를 추정하였다. 상태 공간모델에서 요하는 주 목표는 눈에 띄지 않는 통행속도에 대한 상태와 관측 순서의 일부를 기반으로 하는 미래의 측정치에 대한 예측을 추론하는 것이다.
관측값과 예측값 사이에서 MAF 모델에 비해 DLM의 결과가 보다 관측값의 특성을 정밀하게 반영하고 있다. 본 논문에서는 A, B 구간에 대해 DLM을 적용하였다. 주중과 주말 데이터의 경우 DLM을 이용한 방법이 정밀한 추정치를 보이며 관측데이터와의 오차가 작다.
본 논문에서는 BIS 관측데이터를 통해 DLM을 구축하였고, 기존에 사용되는 MAF 방법과 비교 분석을 수행하였다. 동적 선형 모델을 이용한 결과의 검증을 위해 RMSE와 MAPE를 계산한 결과를 Table 3에 나타냈다.
본 연구에서는 BIS의 각 단위 구간별 통행속도를 활용하여 DLM 기반의 예측 모델을 구현하였다. DLM의 매개변수들은 MLE를 통해 추정하였고, 이를 활용하여 기존의 MAF 방법과 비교분석을 수행하였다.
대상 데이터
본 연구에서는 순천시BIS를 통해 수집된 ’15년도의 데이터를 활용하였고, 구간별 특성 분석을 위해 교통 혼잡도가 높은 구간을 선정하였다. 본 논문에 사용된 자료는 순천시 버스정보시스템의 도착예측정보 계산 및 제공을 위해 수집된 둑실<->선거관리위원회와 국민은행<->금당고(조례초) 구간의 2015년 1월 1일~12월 31일 간의 자료를 활용하였다. 수집된 버스데이터는 정류장과 정류장 사이의 데이터로 정차시간을 제외한 속도 데이터이다.
본 연구에서는 순천시BIS를 통해 수집된 ’15년도의 데이터를 활용하였고, 구간별 특성 분석을 위해 교통 혼잡도가 높은 구간을 선정하였다.
본 논문에 사용된 자료는 순천시 버스정보시스템의 도착예측정보 계산 및 제공을 위해 수집된 둑실<->선거관리위원회와 국민은행<->금당고(조례초) 구간의 2015년 1월 1일~12월 31일 간의 자료를 활용하였다. 수집된 버스데이터는 정류장과 정류장 사이의 데이터로 정차시간을 제외한 속도 데이터이다. Table 1은 분석 구간에 대한 세부사항을 나타낸다.
이 논문에서 사용한 BIS 데이터는 지방중소규모 도시(전라남도 순천시)의 2015년도 데이터이다. 이 도시의 버스 노선은 대부분 시내권 위주로 집중되어 있으며, 평균 운행 거리는 짧고 평균배차간격이 크다.
데이터처리
본 연구에서는 BIS의 각 단위 구간별 통행속도를 활용하여 DLM 기반의 예측 모델을 구현하였다. DLM의 매개변수들은 MLE를 통해 추정하였고, 이를 활용하여 기존의 MAF 방법과 비교분석을 수행하였다. 생성된 DLM은 정규분포를 가정하여 A, B 구간의 통행속도에 대해 모델을 적용한 결과 일부 구간을 제외하고는 본 모델을 적용할 수 있을 것으로 예상된다
또한, 모델 검증을 위해 RMSE 및 MAPE를 통해 검증한다. RMSE (Root Mean Square Error)는 모델이 예측한 값과 관측 값의 차이에 대한 측도를 나타내는 것으로, 잔차들을 하나의 측도로 종합하여 정밀도를 판단하는데 활용한다.
이론/모형
MAPE (Mean Absolute Percent Error)는 RMSE와 마찬가지로 차이에 대한 측도를 백분율로 표현하여 정밀도를 판단하는데 활용한다.
따라서 본 논문에서는 BIS로부터 구간별 이동 시간, 통행 속도 등의 시계열 데이터를 추출하고 모델링 하여 도시 내의 교통 흐름을 분석하여 활용하고자 한다. 본 논문에서 교통 흐름 시계열 데이터 분석에는 동적 선형 모델(Dynamic Linear Models, DLM)을 이용했다. 이 방법은 관측 모델과 상태 모델로 구성되며 관측 데이터의 근본적인 형태를 예측할 수 있다.
현재 순천시 BIS는 도착예정 시간 예측 서비스를 제공하는데 MAF 방법을 사용한다. 본 연구에서는 기존의 서비스를 개선하기 위해 단변량 시계열을 모델링하는데 주로 사용되는 동적 예측 모델인 DLM 모델을 적용하였다. 각 구간별 데이터의 정밀 분석을 위해 평일과 주말 데이터로 구분하였고, 단위 구간별 DLM 모델의 구현을 위해 MLE를 활용하여 측정(상태) 및 시스템 오차를 구한 결과는 Table2와 같다.
최대우도추정(MLE; Maximum Likelihood Estimate)를 사용하여 정규분포를 가정하고, 분포의 모수를 추정하는데 활용된다. 어떤 모수 θ로 결정되는 확률변수들의 모임Dθ = (x1,x2,.
성능/효과
본 논문에서 언급하지 않은 C 구간과 D 구간은 9시~17시까지의 통행량에 대한 이상점(Outlier)의 분포가 크고, 2분위 4분위선의 폭이 좁게 퍼져 있는 것을 확인하였다. 이 두 개의 구간에 대해 평일과 주말에 따른 Box-Plot을 그려 확인하였고, DLM 및 MAF를 적용하여 예측해본 결과로 A, B 구간과 유사한 양상을 보이나 이상점(Outlier)의 분포가 많은 D 구간의 경우 일반화 되지 않는다
본 논문에서 언급하지 않은 C 구간과 D 구간은 9시~17시까지의 통행량에 대한 이상점(Outlier)의 분포가 크고, 2분위 4분위선의 폭이 좁게 퍼져 있는 것을 확인하였다. 이 두 개의 구간에 대해 평일과 주말에 따른 Box-Plot을 그려 확인하였고, DLM 및 MAF를 적용하여 예측해본 결과로 A, B 구간과 유사한 양상을 보이나 이상점(Outlier)의 분포가 많은 D 구간의 경우 일반화 되지 않는다
전반적으로 순천시의 모든 구간에서는 본 논문에서 제시한 동적선형모델을 이용한 예측 방법이 잔차의 정규성 및 정규분포의 형태를 보이고 있다. 그러나 일부 구간에서는 수집주기의 표본추출 문제로 이상점이 많고, 평균속도의 편차가 크지 않고 평균속도보다 낮게 형성되어 있어 본 논문에서 구현된 DLM 모델을 적용하기 어렵다.
후속연구
본 연구에서 제시한 모델은 차로수, 신호주기, 출/퇴근 시간의 영향도, 버스전용차선 미운영 등의 순천시와의 교통여건이 유사한 중소규모 도시에서 실시간 통행속도 예측하여 도착예정 시간을 계산하는데 MAF 방법보다 유용한 모델이 될 것이다.
DLM의 매개변수들은 MLE를 통해 추정하였고, 이를 활용하여 기존의 MAF 방법과 비교분석을 수행하였다. 생성된 DLM은 정규분포를 가정하여 A, B 구간의 통행속도에 대해 모델을 적용한 결과 일부 구간을 제외하고는 본 모델을 적용할 수 있을 것으로 예상된다
그러나 일부 구간에서는 수집주기의 표본추출 문제로 이상점이 많고, 평균속도의 편차가 크지 않고 평균속도보다 낮게 형성되어 있어 본 논문에서 구현된 DLM 모델을 적용하기 어렵다. 향후연구로는 일부 구간에 대한 추가적인 모델링이 필요하며, 동적 선형모델의 정밀도 보정을 위한 상태 분리방법으로 은닉 마르코프 모델(Hidden Markov Model)을 적용하여 혼합 분포에 대응하는 모델링 방법이 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
버스정보시스템이란?
버스정보시스템은(Bus Information System, 이하BIS)은 현재 버스의 위치를 전송하여 도착예정시간을 예측한 후 시민들에게 정보를 제공하는 매우 유용한 수단이다[1].
BIS에서 핵심서비스는 무엇인가?
BIS에서 핵심서비스는 버스도착예정시간을 제공하는 것이다. 버스도착예정시간은 현재 버스의 실시간 위치와 남은거리를 이용하여 계산된 값으로 각 버스 정류장에 위치한 단말기를 통해 제공하고 있다.
DLM의 추정 과정은 시스템 모델로부터 이전 상태 추정값으로 현재의 상태 값을 예측(Prediction)하는 과정과 측정값을 사용하여 예측된 값을 교정(Correction)하는 두 단계로 이루어지는데, 예측단계는 어떤 알고리즘으로 구성될 수 있는가?
DLM의 추정 과정은 시스템 모델로부터 이전 상태 추정값으로 현재의 상태 값을 예측(Prediction)하는 과정과 측정값을 사용하여 예측된 값을 교정(Correction)하는 두 단계로 이루어진다. 예측단계는 재귀 상태 예측 및 측정 업데이트 알고리즘으로 구성될 수 있다.
참고문헌 (6)
H. G. Kim, C. Y. Park, D. C. Shin, C. S. Shin, Y. Y. Cho, and J. W. Park, "A Study on Traffic Analysis Using Bus Information System," The KIPS Transactions on Computer and Communication Systems, Vol.5. No.9, pp.261-267, 2016.
Y. Y. Lee, "A Study on Estimate to Link Travel Time Using Traveling Data of Bus Information System," Journal of Korean Society of Transportation, Vol.30. No.3. pp.241-246, 2010.
B. Portugais and M. Khanal, "State-Space Models With Kalman Filtering for Freeway Traffic Forecasting," International Journal of Modern Engineering, Vol.15. No.1, pp.11-14, 2014.
G. Petris and S. Petrone, "State Space Models in R," Journal of Statistical Software, Vol.41. No.4. pp.1-25, 2011,
G. Petris, S. Petrone, and P. Campagnoli, "Dynamic Linear Models with R," Springer Science Business Media, 2009.
City Bus of Suncheon-si [Internet], https://ko.wikipedia.org/ wiki/%EC%88%9C%EC%B2%9C%EC%8B%9C%EC%9D%9 8_%EC%8B%9C%EB%82%B4%EB%B2%84%EC%8A%A4.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.