버스정보시스템은 버스도착시간 예측과 같은 버스와 관련한 여러 정보를 제공한다. BIS는 우리나라 거의 모든 도시에 구축되어 있고 대중교통의 편의성 개선에 능동적인 역할을 하고 있다. 현재 BIS 시스템에서 버스 도착 예정시간을 예측하기 위하여 사용되는 대표적인 방법으로는 이동평균필터, Kalman Filter, 회귀 모형 등이 있다. 버스 도착 시간 예측의 정확성은 BIS 시스템에서 고려하고 있는 교통 상황이나 예측 알고리즘에 따라 차이가 크다. 현재 BIS에서 사용하는 예측 기법은 구간 통과 시간과 거리만을 이용한다. 그러나 도착시간 예측은 교통흐름, 신호주기, 이상 상황, 데이터 결측 등에 큰 영향을 받는다. 버스 도착 시간 예측의 정확도를 높이기 위해서는 위의 문제를 고려하여 모델링해야 하는 어려움이 있다. 은닉 마르코프 모델은 이와 같은 다양한 상황을 효과적으로 모델링 할 수 있다. 따라서 버스 도착 시간 예측의 정확도를 높이기 위해 도착시간에 대한 HMM예측 모델을 구축했다. 이 모델에서는 순천시의 2015년 한 해 동안 수집한 데이터가 이용되었으며, 순천시에는 2298개의 정류장과 217개의 노선이 있다. 모델은 주중과 주말의 패턴을 다르게 적용하며, 다른 구간과 시간에 대해 모델이 적용된다. 본 논문에서는 버스정보시스템에 은닉 마르코프 모델 적용방법과 검증을 통해 버스정보시스템에서 사용 중인 이동평균필터, Kalman Filter, 회귀 모형을 사용한 예측 방법 보다 정밀한 정확도를 얻는 방법을 제안한다.
버스정보시스템은 버스도착시간 예측과 같은 버스와 관련한 여러 정보를 제공한다. BIS는 우리나라 거의 모든 도시에 구축되어 있고 대중교통의 편의성 개선에 능동적인 역할을 하고 있다. 현재 BIS 시스템에서 버스 도착 예정시간을 예측하기 위하여 사용되는 대표적인 방법으로는 이동평균필터, Kalman Filter, 회귀 모형 등이 있다. 버스 도착 시간 예측의 정확성은 BIS 시스템에서 고려하고 있는 교통 상황이나 예측 알고리즘에 따라 차이가 크다. 현재 BIS에서 사용하는 예측 기법은 구간 통과 시간과 거리만을 이용한다. 그러나 도착시간 예측은 교통흐름, 신호주기, 이상 상황, 데이터 결측 등에 큰 영향을 받는다. 버스 도착 시간 예측의 정확도를 높이기 위해서는 위의 문제를 고려하여 모델링해야 하는 어려움이 있다. 은닉 마르코프 모델은 이와 같은 다양한 상황을 효과적으로 모델링 할 수 있다. 따라서 버스 도착 시간 예측의 정확도를 높이기 위해 도착시간에 대한 HMM 예측 모델을 구축했다. 이 모델에서는 순천시의 2015년 한 해 동안 수집한 데이터가 이용되었으며, 순천시에는 2298개의 정류장과 217개의 노선이 있다. 모델은 주중과 주말의 패턴을 다르게 적용하며, 다른 구간과 시간에 대해 모델이 적용된다. 본 논문에서는 버스정보시스템에 은닉 마르코프 모델 적용방법과 검증을 통해 버스정보시스템에서 사용 중인 이동평균필터, Kalman Filter, 회귀 모형을 사용한 예측 방법 보다 정밀한 정확도를 얻는 방법을 제안한다.
BIS(Bus Information System) provides the different information related to buses including predictions of arriving times at stations. BIS have been deployed almost all cities in our country and played active roles to improve the convenience of public transportation systems. Moving average filters, Ka...
BIS(Bus Information System) provides the different information related to buses including predictions of arriving times at stations. BIS have been deployed almost all cities in our country and played active roles to improve the convenience of public transportation systems. Moving average filters, Kalman filter and regression models have been representative in forecasting the arriving times of buses in current BIS. The accuracy in prediction of arriving times depends largely on the forecasting algorithms and traffic conditions considered when forecasting in BIS. In present BIS, the simple prediction algorithms are used only considering the passage times and distances between stations. The forecasting of arrivals, however, have been influenced by the traffic conditions such as traffic signals, traffic accidents and pedestrians ets., and missing data. To improve the accuracy of bus arriving estimates, there are big troubles in building models including the above problems. Hidden Markov Models have been effective algorithms considering various restrictions above. So, we have built the HMM forecasting models for bus arriving times in the current BIS. When building models, the data collected from Sunchean City at 2015 have been utilized. There are about 2298 stations and 217 routes in Suncheon city. The models are developed differently week days and weekend. And then the models are conformed with the data from different districts and times. We find that our HMM models can provide more accurate forecasting than other existing methods like moving average filters, Kalmam filters, or regression models. In this paper, we propose Hidden Markov Model to obtain more precise and accurate model better than Moving Average Filter, Kalman Filter and regression model. With the help of Hidden Markov Model, two different sections were used to find the pattern and verified using Bootstrap process.
BIS(Bus Information System) provides the different information related to buses including predictions of arriving times at stations. BIS have been deployed almost all cities in our country and played active roles to improve the convenience of public transportation systems. Moving average filters, Kalman filter and regression models have been representative in forecasting the arriving times of buses in current BIS. The accuracy in prediction of arriving times depends largely on the forecasting algorithms and traffic conditions considered when forecasting in BIS. In present BIS, the simple prediction algorithms are used only considering the passage times and distances between stations. The forecasting of arrivals, however, have been influenced by the traffic conditions such as traffic signals, traffic accidents and pedestrians ets., and missing data. To improve the accuracy of bus arriving estimates, there are big troubles in building models including the above problems. Hidden Markov Models have been effective algorithms considering various restrictions above. So, we have built the HMM forecasting models for bus arriving times in the current BIS. When building models, the data collected from Sunchean City at 2015 have been utilized. There are about 2298 stations and 217 routes in Suncheon city. The models are developed differently week days and weekend. And then the models are conformed with the data from different districts and times. We find that our HMM models can provide more accurate forecasting than other existing methods like moving average filters, Kalmam filters, or regression models. In this paper, we propose Hidden Markov Model to obtain more precise and accurate model better than Moving Average Filter, Kalman Filter and regression model. With the help of Hidden Markov Model, two different sections were used to find the pattern and verified using Bootstrap process.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
추출한 데이터의 특성을 파악하는 것은 패턴을 분류함에 있어 매우 요소로 작용한다. 본 논문에서는 은닉 마르코프 모델을 이용하여 실측자료간의 전이 확률의 변동 양상 분석 및 버스 도착 예정 시간을 예측하기 위해 가우시안 혼합 모델을 고려했다.
본 논문은 출/퇴근시간대, 신호 주기 등에 따른 과거의 교통흐름 패턴을 은닉 마르코프 모델을 이용하여 생성하고 이를 통해 버스도착 예측 시간 정보의 정확도를 높이고자 하는데 목적이 있다.
제안 방법
기존의 버스정보 시스템에서 이용하는 칼만 필터링, 이동평균 방법과 같은 예측 모델과 달리 전처리 단계에서 추출된 상태를 기반으로 초기 모델을 구성하고 구간 운행 속도를 예측 하는 방법을 제안했다.
본 논문에서는 노드와 노드 사이의 시간차를 이용하여 버스 도착 시간 예측 정보를 생성하며 데이터의 샘플링 주기는 5분으로 설정하고, 데이터의 수집 시간을 버스의 첫 운행 시작인 06시 기준 분으로 환산했다. 버스가 통과하지 않은 누락된 시간대의 데이터가 존재할 경우 시계열 자료의 흐름에 영향이 없도록 이에 대한 보정을 먼저 수행한다.
대상 데이터
2개의 상태로 구성된 모델과 3개의 상태를 갖는 은닉 마르코프 모델로 도출된 패턴을 이용한 예측 모델을 구성했다. 3개의 상태열로 구성된 모델의 경우 2개의 상태열로 구성된 모델을 이용한 예측보다 상태의 변화를 정밀하게 반영하고 있는 결과를 보이며 이는 A 구간과 동일한 양상으로 나타난다.
본 논문에서의 모델을 재차 검증하기 위해 A 구간보다 데이터의 변화폭이 큰 B 구간에 적용했다. Fig.
사용된 자료는 순천시 버스정보 시스템에서 2015년 1월 1일 부터 2015년 12월 31일까지 수집된 데이터이다. 순천시의 버스노선은 대부분 시내권역 위주로 집중되어 있으며, 평균 운행 거리는 짧고 평균배차간격이 크다.
은닉 마르코프 모델의 과정을 통해 3개의 상태를 갖는 예측 모델을 구성했다. 3개의 상태열로 구성된 모델의 경우 2개의 상태열로 구성된 모델을 이용한 예측보다 상태의 변화를 정밀하게 반영하고 있는 결과를 보인다.
데이터처리
본 논문에서 생성된 모델의 통계적 검증을 위해 부트 스트랩(Bootstrap) 과정을 수행하였다. 1,000개의 은닉 마르코프 모델의 표본을 생성하고 A구간과 B구간 모델 데이터의 평균, 각 매개변수의 90% 신뢰 구간(Confidence intervals)의 분위수(Quantile)를 계산했다.
버스가 통과하지 않은 누락된 시간대의 데이터가 존재할 경우 시계열 자료의 흐름에 영향이 없도록 이에 대한 보정을 먼저 수행한다. 누락된 속도 데이터는 이전 구간 통행 속도와 다음 구간 통행속도를 이용하여 평균값으로 산출했다.
14는 관측데이터와 각 모델간의 비교를 위한 그래프이다. 모델의 성능을 평가하기 위해 관측데이터와 각 모델 간의 잔차로 RMSE(Root Mean Square Error)를 계산하여 비교하였다.
본 논문에서 생성된 모델의 정규성 검정을 위해 2개의 상태열로 구성된 모델의 잔차(Residuals)를 구했다. 잔차의 영역을 벗어나는 부분은 분위수대조도에 이상치(Specification)로 나타난다.
이론/모형
본 논문에서 생성된 모델의 통계적 검증을 위해 부트 스트랩(Bootstrap) 과정을 수행하였다. 1,000개의 은닉 마르코프 모델의 표본을 생성하고 A구간과 B구간 모델 데이터의 평균, 각 매개변수의 90% 신뢰 구간(Confidence intervals)의 분위수(Quantile)를 계산했다.
이는 다른 혼합모델보다 M=3의 모델이 모수를 추정하는데 적합하다. 본 논문에서는 M=2 또는 M=3의 혼합 모델을 적용하여 구간의 속도를 예측한다.
본 논문에서는 교통흐름 분석 및 예측을 위한 기법으로 은닉 마르코프 모델(Hidden Markov Model, HMM)을 사용한다. 버스정보시스템에서 관찰되는 데이터는 정류장에 도착한 시간과 구간 거리이며 이에 의존하여 교통흐름이나 신호 주기 등의 모델링 데이터를 구해야 하는 어려움이 있다.
위와 같은 문제에서 관측된 순서의 확률을 계산하는 방법으로는 전향 알고리즘(Forward algorithm)과 후향 알고리즘(Backward algorithm)을 사용하며, 주어진 관측열로 부터 최적의 상태열을 찾는 문제는 비터비 알고리즘(Viterbi algorithm)을 사용한다. 관측된 순서의 확률을 최대로 하는 매개변수를 결정하는 문제는 초기 모델과 관측열로 부터 구성된 모델 사이에 매개변수를 변경하며 매번 새로운 모델을 이용해 반복적으로 차이를 구하고 이를 통해 매개변수가 최대치를 갖는 모델을 찾는다.
성능/효과
본 논문에서 제안하는 방법은 순천시의 버스정보시스템에서 사용 중인 이동 평균을 이용한 버스 도착 시간 예측 방법보다 정밀한 정확도를 얻을 수 있다.
본 논문의 결과를 통해 은닉 마르코프 모델을 이용한 예측 모델을 생성하여 이를 활용하는 방법은 관측된 데이터의 특성을 충분히 반영하고 있음을 보여준다. 은닉 마르코프모델은 관측된 순서열의 확률을 최대로 하는 매개변수를 결정하는 문제가 있다.
후속연구
향후 과제로는 일반화 될 수 있는 구간과 상황들에 따른 패턴을 사전에 생성하고, 이를 분류하여 각 구간에 따라 이용하는 방법을 고려하여 시스템을 설계하는 방향으로 위와 같은 문제를 해결해야 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
마르코프 연쇄는 무엇을 나타내는가?
마르코프 연쇄(Markov Chain)는 시간에 따른 시스템 상태의 변화를 나타낸다. 이러한 상태의 변화를 전이(Transition)라 한다.
버스 도착 예정시간을 예측하기 위해 사용되는 이동평균필터, Kalman Filter, 회귀 모형 등의 기법의 단점은 무엇인가?
버스 도착 예정시간을 예측하기 위하여 사용되는 대표적인 방법으로는 이동평균필터, Kalman Filter, 회귀 모형 등의 기법을 사용한다[2]. 이러한 예측 기법들은 구간 통과 시간과 구간 거리를 예측 모형에 사용하지만 도로의 교통흐름, 신호 주기, 이상 상황, 데이터 결측 등의 상황을 고려하지 않았다.
버스정보시스템의 주목적은 무엇인가?
버스정보시스템(Bus Information System, BIS)은 버스에 설치되어 운영되는 차내 장치(On Board Equipment, OBE)를 통해 현재 버스의 위치를 실시간으로 관제 센터로 전송되어 계산된 결과로 시민들에게 버스 도착 예정 시간 정보를 제공하고, 대중교통 이용의 편의성을 높이는 것이 주목적이다. 버스정보시스템은 사용되는 예측 알고리즘이나 교통 여건에 따라 정확도가 가변적으로 작용하며, 이는 예정 시간 정보의 정확도에 큰 영향을 미친다[1].
참고문헌 (7)
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.
S. H. Lee, B. S. Moon, and B. J. Park, "The Bus Arrival Time Prediction using Bus Delay Time," Journal of Korean Society of Transportation, Vol.28, No.1, pp. 125-134, Febrary, 2010.
L. R. RABINER, 1989, "A tutorial on Hidden Markov Models and Selected Applications in Speech Recognition," IEEE, Vol.77, No.2, Febrary.
I. Visser., 2011, "Seven things to remember about hidden Markov models: A tutorial on Markovian models for time series", Journal of Mathematical Psychology, Vol.55, pp. 403-415, July.
S. H. Lee, B. S. Moon, and B. J. Park, "The Bus Arrival Time Prediction using Markov Chain," The Journal of The Korea Institute of Intelligent Transport Systems, Vol.8, No.3, pp.1-10, June, 2009.
B. S. Choi, H. C. Kang, S, K, Lee, and S. T. Han, "A Study for Traffic Forecasting Using Traffic Statistic Information," The Korean Journal of Applied Statistics, Vol.22, No.6, pp. 1177-1190, October, 2009.
T. G. Kim, H. C. Ahn, and S. G. Kim, "Predictive Modeling of the Bus Arrival Time on the Arterial using Real-Time BIS Data," Journal of The Korean Society of Civil Engineers, Vol.29, No.1, pp.1-9, January, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.