[논문]딥러닝을 이용한 다변량, 비선형, 과분산 모델링의 개선: 자동차 연료소모량 예측

한대석; 유인균; 이수형

doi:10.7855/ijhe.2017.19.4.001

Abstract ▼ AI-Helper

PURPOSES : This study aims to improve complex modeling of multivariable, nonlinear, and overdispersion data with an artificial neural network that has been a problem in the civil and transport sectors. METHODS: Deep learning, which is a technique employing artificial neural networks, was applied for...

PURPOSES : This study aims to improve complex modeling of multivariable, nonlinear, and overdispersion data with an artificial neural network that has been a problem in the civil and transport sectors. METHODS: Deep learning, which is a technique employing artificial neural networks, was applied for developing a large bus fuel consumption model as a case study. Estimation characteristics and accuracy were compared with the results of conventional multiple regression modeling. RESULTS : The deep learning model remarkably improved estimation accuracy of regression modeling, from R-sq. 18.76% to 72.22%. In addition, it was very flexible in reflecting large variance and complex relationships between dependent and independent variables. CONCLUSIONS : Deep learning could be a new alternative that solves general problems inherent in conventional statistical methods and it is highly promising in planning and optimizing issues in the civil and transport sectors. Extended applications to other fields, such as pavement management, structure safety, operation of intelligent transport systems, and traffic noise estimation are highly recommended.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 기존 다변량/비선형/과분산 샘플에 대한 모델링의 개선방향으로 인공신경망, 특히 다층 퍼셉트론을 기반으로 하는 딥러닝의 활용가능성에 대해 검토해 보았다.
본 연구에서는 동일한 데이터를 활용하여 다중회귀모형과 인공신경망 모형을 구축하고, 모형의 추정력과 추정특성을 비교하는 과정을 통해 인공신경망의 활용가능성을 검토하기로 한다. 모형구축에 활용된 데이터는 선행연구(Han et al.
본 연구에서는 최근 4차 산업혁명의 핵심기술로 주목 받고 있는 인공지능(Artificial Intelligence; AI)의 토목/교통분야에 대한 활용방안을 모색하고자 하였다. 최근 도로분야에서는 센서와 AI 기술을 접목한 첨단 모니터링 시스템, 빅데이터 정보분석 시스템, 자율주행 등 기존에 한계에 머무르고 있던 분야에 4차 산업혁명 기술을 대입하기 위한 노력이 진행 중이다.
본 절에서는 본 연구의 핵심결과 중 하나인 회귀모형과 인공신경망 모형의 추정력과 추정특성을 비교해 보기로 한다.
이에 본 연구에서는 다층퍼셉트론(multilayer perceptron)을 기반으로 하는 딥러닝(deep learning) 기법을 다변량/비선형/과분산 모델링의 대안으로써 제시 검토하고자 한다. 실증분석에서는 동일한 데이터를 활용하여 인공신경망 모형과 다중회귀모형을 구축하고, 모형의 추정력과 추정 특성을 비교하는 과정을 통해 인공신경망의 활용 가능성을 검토하였다.
반면 인공신경망 모형은 출력영역이 실측값과 거의 동일한 수준으로 매우 탄력적이며, 실측값과의 상관계수도 85% 수준으로 분석되었다. 회귀분석의 이러한 특성에 대한 구체적인 이해를 위해 종속변수와 각 설명변수 간의 관계를 그래프를 통해 살펴보기로 한다.

제안 방법

다층퍼셉트론의 개념을 다중회귀분석에 대입하여 살펴보기로 한다. 다중회귀분석의 기본 모형식은 ŷ = a + b₁x₂+ b₂x₂, .
이에 본 연구에서는 다층퍼셉트론(multilayer perceptron)을 기반으로 하는 딥러닝(deep learning) 기법을 다변량/비선형/과분산 모델링의 대안으로써 제시 검토하고자 한다. 실증분석에서는 동일한 데이터를 활용하여 인공신경망 모형과 다중회귀모형을 구축하고, 모형의 추정력과 추정 특성을 비교하는 과정을 통해 인공신경망의 활용 가능성을 검토하였다. 분석에 활용된 자료는 본 연구의 선행연구(Han et al.

대상 데이터

본 연구에서는 동일한 데이터를 활용하여 다중회귀모형과 인공신경망 모형을 구축하고, 모형의 추정력과 추정특성을 비교하는 과정을 통해 인공신경망의 활용가능성을 검토하기로 한다. 모형구축에 활용된 데이터는 선행연구(Han et al., 2016)에서 구축한 대형버스의 순간 연료소모량 자료로 주행속도, 경사도, 종단평탄성(IRI)을 설명변수로 포함하고 있다. 본 절에서는 수집 데이터와 구축된 모형의 통계적 특성을 중심으로 기술하기로 하며, 데이터 구축에 관한 구체적인 정보는 선행연구(Han et al.
실증분석에서는 동일한 데이터를 활용하여 인공신경망 모형과 다중회귀모형을 구축하고, 모형의 추정력과 추정 특성을 비교하는 과정을 통해 인공신경망의 활용 가능성을 검토하였다. 분석에 활용된 자료는 본 연구의 선행연구(Han et al. 2016)에서 구축 되었던 대형버스 실시간 순간연료소모량 정보이며, 설명변수로는 순간속도, 순간경사도, 포장의 종단평탄성(IRI; International Roughness Index)을 포함하고 있다.
포장의 종단평탄성 IRI는 ASTM(2015)의 측정 규격을 준용한 자동노면상태조사장비(PES; Pavement Evaluation Surveyor)를 활용하여 조사되었다. 조사 구간은 서울-인천공항 간 62.5km 버스노선으로 단속류와 연속류 통행특성을 모두 포함하고 있으며, 사전분석 결과 주행속도, 경사도, IRI의 범위가 고르게 분포되어 모형 구축에 적합한 조건을 갖추었다. 먼저 수집된 정보의 기초통계치와 분산도를 살펴보기로 한다(Table 1, Fig.

이론/모형

해당 이론에 대한 구체적인 이론적 배경은 Bishop et al.(1995), Master(1995), Reed and Robert(1999)을 참조한다. 여기서 유의할 점은 신경망의 학습과정과 결과는 인간의 두뇌와 유사한 개념으로 통계기법과는 달리 수식으로 표현될 수 없다는 것이다.
본 연구에서는‘순간연료소모량=f(순간주행속도, 순간경사도, 종단평탄성)’형식으로 퓨전(fusion)된 데이터를 모형구축에 활용하였다. 순간연료소모량은 차량의 OBD(On-Board Diagnosis)에서 초 단위로 직접 수집되며, 순간주행속도와 순간경사도는 GPS좌표정보를 유클리디안거리법(Euclidean distance)을 통해 가공되었다. 포장의 종단평탄성 IRI는 ASTM(2015)의 측정 규격을 준용한 자동노면상태조사장비(PES; Pavement Evaluation Surveyor)를 활용하여 조사되었다.
0로, 다층퍼셉트론을 기반으로 하는 심층신경망의 일종이다. 특히 심층신경망 중 가장 폭 넓게 활용되고 있는 다층앞먹임네트워크(Multi-Layer Feedforward Networks; MLFN) 알고리즘을 기본으로 한다(Palisade, 2015). MLFN의 신경망구성(network topology)은 데이터의 특성에 따라 1~2개의 은닉층이 활용되며, 활성화함수로는 쌍곡탄젠트함수(hyperbolic tangent function)를 활용한다(Palisade, 2015).
순간연료소모량은 차량의 OBD(On-Board Diagnosis)에서 초 단위로 직접 수집되며, 순간주행속도와 순간경사도는 GPS좌표정보를 유클리디안거리법(Euclidean distance)을 통해 가공되었다. 포장의 종단평탄성 IRI는 ASTM(2015)의 측정 규격을 준용한 자동노면상태조사장비(PES; Pavement Evaluation Surveyor)를 활용하여 조사되었다. 조사 구간은 서울-인천공항 간 62.

성능/효과

먼저, 선행연구에서 R-sq.가 18.76%에 불과했던 회귀모형의 설명력은 인공신경망 적용 시 72.22% 수준까지 대폭 개선되었다. 두 모형의 추정특성을 살펴본 결과, 회귀모형은 추정범위가 표준편차 수준으로 상당히 제한적이고 상대적으로 설명력이 강한 변수에 의존하는 특성으로 인해 실측데이터의 분산과 추세를 반영하지 못하는 특성을 보인 반면, 인공신경망은 유연한 학습구조를 통해 실측데이터의 특성을 충실히 반영하고 있음을 확인하였다.
참고로 선행연구에서는 추정력 개선을 위한 방안으로 운전자의 운전행태, 차량하중 등 연료소모량에 영향을 주는 추가적인 변수의 발굴을 제안한 바 있다. 그러나 본 연구를 통해 추가적인 변수 도입 없이 인공신경망 기법의 도입만으로 모형의 추정력이 대폭 개선될 수 있음이 확인되었다. 인공신경망은 종속변수의 변화에 많은 요소가 복합적으로 기인하고 있어 상관관계가 뚜렷한 변수가 존재하지 않는 경우, 그리고 추정력이 절대적으로 낮고 개선의 한계에 도달한 경우에 유용한 도구로 활용될 수 있을 것으로 판단된다.
22% 수준까지 대폭 개선되었다. 두 모형의 추정특성을 살펴본 결과, 회귀모형은 추정범위가 표준편차 수준으로 상당히 제한적이고 상대적으로 설명력이 강한 변수에 의존하는 특성으로 인해 실측데이터의 분산과 추세를 반영하지 못하는 특성을 보인 반면, 인공신경망은 유연한 학습구조를 통해 실측데이터의 특성을 충실히 반영하고 있음을 확인하였다.
2cc/sec 이상의 고출력 영역을 전혀 반영하지 못하는 특성을 가지고 있다. 반면 인공신경망 모형은 출력영역이 실측값과 거의 동일한 수준으로 매우 탄력적이며, 실측값과의 상관계수도 85% 수준으로 분석되었다. 회귀분석의 이러한 특성에 대한 구체적인 이해를 위해 종속변수와 각 설명변수 간의 관계를 그래프를 통해 살펴보기로 한다.

후속연구

특히 포장파손과정/요인의 해석, 교량/터널/사면 등 대형 구조물의 안전등급 저하, 혼잡한 도심부 구간에서의 통행시간 예측, 도로네트워크 OD통행량 예측, 교통소음 예측 등 알려진 혹은 알려지지 않은 다양한 요소들의 복잡한 영향을 받아 불확실한 결과를 도출하는 요소들이 대부분이다. 본 연구에서는 인공신경망이 기존의 전통적인 통계기법에 의존해왔던 토목/교통분야의 모델링의 한계를 보완할 수 있는 혁신적인 도구로 활용될 것으로 기대하고 있다. 향후 연구에서는 본 연구의 특성상 다루지 않았던 학습데이터의 선별기법, 설명변수의 조합과 선택 등 신경망 학습의 고도화를 위한 연구가 수행되어야 할 필요가 있다.
본 연구에서는 인공신경망이 기존의 전통적인 통계기법에 의존해왔던 토목/교통분야의 모델링의 한계를 보완할 수 있는 혁신적인 도구로 활용될 것으로 기대하고 있다. 향후 연구에서는 본 연구의 특성상 다루지 않았던 학습데이터의 선별기법, 설명변수의 조합과 선택 등 신경망 학습의 고도화를 위한 연구가 수행되어야 할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공신경망은 무엇인가?	한편 그 패턴의 종류가 많아지고 정보의 분산이 커지게 되면 불완전한 근사치를 추정하게 되며, 주어지는 정보량이 많아지고 반복(학습) 횟수가 증가할수록 추정의 정확도가 높아지는 특성을 갖는다. 인공신경망은 이러한 인간의 패턴인식 특징을 수학적으로 모델링 한 일종의 알고리즘이다.
	인공신경망의 구조는 어떻게 구성되어 있는가?	인공신경망의 구조는 입력층(input layer), 출력층 (output layer), 은닉층(hidden layer)으로 구성되며, 이 중 은닉층이 2개 이상으로 많아질 경우 심층신경망 (deep neural network)으로 구분하는데, 이런 다층 인공신경망을 학습하는 알고리즘을 포괄적으로 딥러닝이라고 한다(Wikepedia, 2017).
	회귀분석의 단점은 무엇인가?	회귀분석은 선형성을 가정하기 때문에 추정이 편하고 계산이 쉽다는 장점이 있다. 반면 확보한 데이터가 선형성을 만족하지 못하면 해당 모형은 일반적으로 낮은 적합도(R-square)를 갖게 되며, 모집단이나 샘플을 조정하지 않는 한 개선의 여지는 거의 없다. 데 이터가 비선형일 경우 다항식(polynomial)형태로 변 환하여 대응이 가능하지만 다변량 분석이 불가능하게 되며, 이 외에도 홀수/짝수 차수에 따른 함수의 방향성 문제, 실측 데이터가 가지고 있는 주요 영역( 축 domain)을 벗어나게 되면 과소/과대 추정되는 경향 이 빈번하게 나타나기도 한다.

참고문헌 (14)

ASTM (2015), ASTM E1926-08; Standard Practice for Computing International Roughness Index of Roads from Longitudinal Profile Measurements, ASTM International, West Conshohocken, PA.
Bishop, C. M., (1995), Neural Networks for Pattern Recognition, Clarendon Press - Oxford.
DL4J(2016), Introduction to Deep Neural Networks, DEEPLEARNING4J, A Web Page, (Available in : https://deeplearning4j.org/neuralnet-overview).
Han, D., Yoo, I., and Lee, S. (2016)," Development of Heavy Bus Fuel Consumption Model considering Road Pavement Roughness", J. of Korean Society of Hazard Mitigation, Vol.16, No.5, pp.41-46.

원문보기 상세보기
Hastie, T., Tibshirani, R. and Friedman, J. (2009), The Elements of Statistical Learning; Data Mining, Inference, and Prediction (2nd edition), Springer Series in Statistics, Springer-Verlag New York.
Lilien, G. L. and Rangaswamy, A. (1999), Marketing Engineering, 1999-20 Predicting Individual Responses using Multinomial Logit Analysis uModeling an Individual's Response to Marketing Effort, Marketing Engineering; Computer-Assisted Marketing analysis and Planning (Available in: http://slideplayer.com/slide/5270066/ ).
Master, T., (1995), Advanced Algorithms for Neural Networks, Wiley.
Palisade (2015), NeuralTools; Neural Network Add-in for Microsoft Excel (ver.7), Palisade Corporation, NY.
Raschka Sebastian (2015), Single-layer Neural Networks and Gradient Descent, A Web Page, (Available in: http://sebasti anraschka.com/Articles/2015_singlelayer_neurons.html).
Reed, R. D. and Robert, J. M. (1999), Neural Smithing; Supervised Learning in Feedforward Artificial Neural Networks, MIT Press.
RIMF (R Is My Friend) (2016), Variable importance in neural networks, A web page, (Available in: https://beckmw.wordpress.com/2013/08/12/variable-importance-in-neuralnetworks/).
Rosenblatt, F. (1958), "The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain", Psychological Review, Vol.65, No.6, pp.386-408.

상세보기
Rumelhart, D. E., Hinton, G. E. and Williams, R. J. (1986), "Learning Internal Representations by Error Propagation", Parallel Distributed Processing, Vol. 1, Cambridge MA: MIT Press, pp.318-362.
Wikepedia (2017), Searching key word: Deep learning, Wikipedia (date: Jan, 2017).

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

딥러닝을 이용한 다변량, 비선형, 과분산 모델링의 개선: 자동차 연료소모량 예측
Improvement of Multivariable, Nonlinear, and Overdispersion Modeling with Deep Learning: A Case Study on Prediction of Vehicle Fuel Consumption Rate 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

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

딥러닝을 이용한 다변량, 비선형, 과분산 모델링의 개선: 자동차 연료소모량 예측 Improvement of Multivariable, Nonlinear, and Overdispersion Modeling with Deep Learning: A Case Study on Prediction of Vehicle Fuel Consumption Rate 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

한대석 (22) 유인균 (29)

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

딥러닝을 이용한 다변량, 비선형, 과분산 모델링의 개선: 자동차 연료소모량 예측
Improvement of Multivariable, Nonlinear, and Overdispersion Modeling with Deep Learning: A Case Study on Prediction of Vehicle Fuel Consumption Rate 원문보기

AI 본문요약
AI-Helper