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
- 모든 시나리오는 루프 검지기가 매설된 #1과 #3을 활용하는 500m 검지 간격 분석과 지자기 검지기가 매설된 #2와 #3을 활용하는 250m 검지 간격 분석을 실시하여 알고리즘의 성능 비교가 가능하다. 기존 연구에서 검지기 설치 간격이 돌발상황 검지 성능에 밀접한 관계가 있음을 확인하였으며, 이를 바탕으로 알고리즘의 성능을 비교하기 위해 상류부 검지기와 하류부 검지기 간격을 250m와 500m일 때로 나누어 설정된 시나리오를 통해 결과를 도출하고자 하였다(KOTI., 2010).
- 이에 본 연구는 데이터의 신속하고 효율적인 처리가 가능하게 됨에 따라 발전하게 된 머신러닝 기법을 활용하여 새로운 돌발 검지 알고리즘을 개발하였다. 대표적인 기존 돌발 검지 알고리즘인 McMaster 알고리즘과 검지 성능을 비교 평가함으로써 연구의 차별성을 제시하고 앞으로의 돌발 검지 알고리즘이 나아갈 방향성을 제시하고자 한다.
- 돌발 검지 알고리즘 관련 연구는 기존에 존재하는 돌발 검지 알고리즘의 낮은 검지율과 높은 오검지율의 단점을 극복하고자 다양한 방법을 활용하였다. 또한 머신러닝 기법을 활용하여 기존의 다양한 교통 분야 알고리즘 문제점을 극복하는 연구도 살펴볼 수 있었다.
- 분류 기법 중 활발히 이용되고 있는 나이브 베이즈 분류기는 계산과정이 간단하지만 성능이 매우 우수하여 다양한 분야에서 연구되고 있다. 따라서 본 연구는 나이브 베이즈 분류기를 활용하여 새로운 돌발 검지 알고리즘을 개발하였다. 나이브 베이즈 분류기를 활용한 돌발 검지 알고리즘에 사용되는 독립변수는 상류부 및 하류부 검지기의 30초 단위 속도, 교통량, 점유율 자료를 사용하였고 종속변수로는 사고발생 여부를 사용하였다.
- 특히 1,300대/시이고 돌발 검지 간격이 500m인 시나리오에서 McMaster 알고리즘은 돌발 상황을 검지하지 못 하는 것이 확인되어졌다. 따라서 본 연구는 이러한 기존 돌발 검지 알고리즘의 문제점을 해결하고자 머신러닝을 활용한 돌발 검지 알고리즘을 개발하였다. 머신러닝 기법으로는 단순하지만 우수한 성능을 지닌 대표적인 지도학습인 나이브 베이즈 분류기를 선정하였다.
- 일반적으로 사용되는 성능평가 지표로 검지율(detection rate, DR), 오검지율(false alarm rate, FAR), 평균검지시간(mean detection time, MDT)을 사용한다(Lee, 2010). 본 연구는 시뮬레이션 기반이기 때문에 정확한 돌발 발생 시간을 정의할 수 없기에 돌발 발생 후 검지하는데 소요되는 평균적인 시간을 정의하는 평균검지시간을 제외한 검지율과 오검지율을 통하여 알고리즘의 성능을 평가하였다.
- 돌발 검지 알고리즘은 대체적으로 상류부 검지기와 하류부 검지기의 수치적 차이를 이용하여 판단하기 때문에 지자기 검지기를 활용하였을 경우 250m 검지 간격으로, 루프 검지기를 활용하였을 경우 500m 검지 간격으로 돌발 검지가 가능하다. 본 연구는 청라지하차도의 지자기 검지기와 루프 검지기를 비교하여 지자기 검지기의 대체 유용성을 평가한 선행연구에서 청라지하차도의 지자기 검지기와 루프 검지기의 성능이 동일하다는 내용을 바탕으로 진행하였다(Ko et al., 2017).
- 본 연구에서는 실질적인 현장 적용에 어려움을 겪고 있는 기존의 돌발 검지 알고리즘의 문제점를 해결할 수 있는 머신러닝을 활용한 새로운 돌발 검지 알고리즘을 개발하였다.
- 하지만 돌발 검지 분야에서의 적용은 활발하지 않다. 이에 본 연구는 데이터의 신속하고 효율적인 처리가 가능하게 됨에 따라 발전하게 된 머신러닝 기법을 활용하여 새로운 돌발 검지 알고리즘을 개발하였다. 대표적인 기존 돌발 검지 알고리즘인 McMaster 알고리즘과 검지 성능을 비교 평가함으로써 연구의 차별성을 제시하고 앞으로의 돌발 검지 알고리즘이 나아갈 방향성을 제시하고자 한다.
- 이에 본 연구에서는 최근 머신러닝 기법을 활용하여 기존 문제를 해결하고 시스템의 성능을 높이기 위한 연구 사례가 급격히 증가하는 추세에 맞춰, 머신러닝 기법을 교통 분야에 적용하여 효율적인 돌발 검지 알고리즘에 대한 방향을 제시하고자 한다. 이를 위해 머신러닝 기법의 일종인 나이브 베이즈 분류기(Naive Bayes Classification)를 이용하여 돌발 검지 알고리즘을 개발하고 기존 알고리즘과 비교하여 그 성능을 검정하고자 한다.
제안 방법
- 다음으로 시뮬레이션 네트워크에 구축한 가상의 검지기의 30초 간격 속도, 점유율, 교통량 자료를 통해 실제 검지기와 비교하여 검증(validation)하였다. [Fig. 7]과 [Fig. 8]에서 보인 바와 같이 실 데이터와 시뮬레이션 데이터의 교통량-속도 그래프를 이용하여 조정된 시뮬레이션 네트워크가 유의한 정산 결과를 가지는지 파악하였다. 검증 결과 시뮬레이션과 실 데이터 모두 교통량이 적어 강제류까지 가지 않았으며 교통량에 따라 속도가 떨어지는 추세가 비슷하였다.
- 각 알고리즘의 성능을 평가하기 위해 상류부 검지기로부터 하류부 검지기 간의 거리 간격 조정을 통해 성능을 평가하였다. 성능 평가 결과를 나타낸 [Table 3]을 살펴보면, 기존 McMaster 알고리즘과 개발한 나이브 베이즈 분류기 알고리즘 모두 돌발검지 간격이 넓어질수록 검지력이 떨어지는 것을 확인할 수 있었지만 개발한 나이브 베이즈 분류기 알고리즘이 기존 McMaster 알고리즘에 비해 돌발검지 간격에 따른 부정적인 영향을 적게 받았음을 확인할 수 있다.
- ,)을 참고하여 돌발상황에 영향을 미칠 것으로 예상되는 네 가지 변수인 교통량, 차단된 차로 수, 돌발상황 지점, 돌발상황 지속시간에 따라 개별 시나리오를 개발하였다. 교통량은 실제 검지기에서 수집한 자료를 바탕으로 2,600대/시/방향을 기준으로 50%인 1,300대/시/방향, 150%인 3,900대/시/방향 총 세 가지 경우에 돌발 상황을 고려하였다. 차단 차로는 1차로 또는 연속된 2차로 두 가지를 설정하였다.
- 0을 이용하여 네트워크를 구축하였다. 구축에 앞서 수집한 기하구조, 교통량, 속도 등의 데이터를 입력하고 [Table 1]과 같이 파라메타 값을 조정하였다.
- 구축한 네트워크를 통해 자료를 얻기 위해서 가상의 검지기로서 VISSIM에서 제공하는 기능인 ‘data collection point’를 활용하였고, 청라지하차도 개황도를 따라 250m 간격으로 3개 지점에 가상의 검지기를 설치하였다.
- 정산된 네트워크를 이용해 가상의 돌발상황을 포함한 다양한 시나리오를 설정하였다. 기존 논문(Kim et al.,)을 참고하여 돌발상황에 영향을 미칠 것으로 예상되는 네 가지 변수인 교통량, 차단된 차로 수, 돌발상황 지점, 돌발상황 지속시간에 따라 개별 시나리오를 개발하였다. 교통량은 실제 검지기에서 수집한 자료를 바탕으로 2,600대/시/방향을 기준으로 50%인 1,300대/시/방향, 150%인 3,900대/시/방향 총 세 가지 경우에 돌발 상황을 고려하였다.
- 랜덤 샘플링 기법을 활용하여 총 57가지의 시나리오 중 46개(약 80%)의 시나리오를 학습 데이터로 선정하였고, 나머지 11개(약 20%)를 검증 데이터로 분류하였다. 기존 알고리즘의 성능 평가와 마찬가지로 돌발검지 간격 조정에 따라 성능을 비교하고자 검지 간격이 250m일 때와 500m일 때로 구분하여 나이브 베이즈 분류기 알고리즘을 통해 각각 학습하였다. 나이브 베이즈 분류기 기법은 가장 대표적인 가우시안 정규 분포 나이브 베이즈 분류기를 이용하였다.
- 따라서 본 연구는 나이브 베이즈 분류기를 활용하여 새로운 돌발 검지 알고리즘을 개발하였다. 나이브 베이즈 분류기를 활용한 돌발 검지 알고리즘에 사용되는 독립변수는 상류부 및 하류부 검지기의 30초 단위 속도, 교통량, 점유율 자료를 사용하였고 종속변수로는 사고발생 여부를 사용하였다. 머신러닝을 활용하기 위해서는 학습을 위한 데이터와 검증을 위한 데이터로 구분하는 것이 필요하다.
- 0을 이용하여 네트워크를 구축한 후 돌발상황에 영향을 줄 수 있는 변수들을 선정하고 조합하여 가상의 돌발 시나리오를 산출하였다. 다음으로 Python 3.6을 이용하여 대표적인 기존 돌발 검지 알고리즘으로서 McMaster 알고리즘과 머신러닝 기법인 나이브 베이즈 분류기를 활용하여 돌발 검지 알고리즘을 개발하였다. 알고리즘의 성능평가지표로는 검지율과 오검지율을 선정하였고, 기존 알고리즘과 본 연구에서 개발한 나이브 베이즈 분류기 알고리즘을 돌발검지 간격 조정에 따른 성능을 비교·평가하였다.
- 0 프로그램을 사용하여 교통류의 변수자료(교통량, 속도, 점유율)를 수집하였다. 다음으로 대표적인 기존 돌발 검지 알고리즘인 McMaster 알고리즘을 Python 3.6을 이용해 구현하고 돌발검지 간격을 250m, 500m로 나누어 성능지표를 산출하였다. 산출 결과 McMaster 알고리즘은 교통량이 적을수록, 차단시간이 짧을수록, 차단차로가 적을수록, 돌발상황이 상류부 검지기와 멀어질수록 검지 성능이 떨어졌으며, 돌발 검지 간격은 넓을수록 검지율이 떨어지는 것을 볼 수 있었다.
- 본 연구에서는 Desired Speed 및 차량들의 가감속도를 조정하여 정산 작업을 진행하였다. 다음으로 시뮬레이션 네트워크에 구축한 가상의 검지기의 30초 간격 속도, 점유율, 교통량 자료를 통해 실제 검지기와 비교하여 검증(validation)하였다. [Fig.
- 돌발상황 지점은 상류부 검지기로부터 300m, 400m, 500m 총 세 가지 지점을 선정하였다. 돌발상황 지속시간은 15분, 30분, 45분 세 가지 경우를 고려하였다. [Table 2]에서 제시된 바와 같이 네 가지 변수의 조합을 통해 돌발상황이 포함된 54개와 돌발상황이 포함되지 않은 3개, 총 57개의 시나리오를 설정하였다.
- 청라지하차도는 2017년 2월 개통되었으며, 2017년 총 사고 건수가 3건으로 충분한 돌발 데이터를 수집하기에 어려움이 있었다. 따라서 본 연구는 미시교통시뮬레이션인 VISSIM ver.10.0을 이용하여 네트워크를 구축한 후 돌발상황에 영향을 줄 수 있는 변수들을 선정하고 조합하여 가상의 돌발 시나리오를 산출하였다. 다음으로 Python 3.
- 머신러닝 기법을 활용한 새로운 돌발 검지 알고리즘을 개발하기 위해서 본 연구는 돌발상황에 영향을 줄 수 있는 변수를 선정하여 여러 조합을 통해 57개의 시나리오를 설정하였고 VISSIM ver.10.0 프로그램을 사용하여 교통류의 변수자료(교통량, 속도, 점유율)를 수집하였다. 다음으로 대표적인 기존 돌발 검지 알고리즘인 McMaster 알고리즘을 Python 3.
- McMaster 알고리즘은 복잡한 교통류 이론을 이용하여 돌발상황 시 교통행태를 묘사하고 예측한 후, 실제 교통 변수와 모형에서 예측한 변수들을 비교하는 방법을 사용한다. 먼저 각 검지기의 1주일 정도의 안정적인 점유율과 교통량 자료를 이용하여 표준이차함수인 lower bound of uncongested data(LUD) 곡선을 추출하고 대기행렬 풀림 교통류의 최소교통량(critical volume, 이하 Vcrit), 임계점유율(critical occupancy, 이하 Ocrit)을 이용하여 아래 [Fig. 2]와 같이 정체 상태를 네 가지로 구분한다(Sun et al., 2017). 다음으로 상류부 검지기를 이용하여 혼잡 여부를 확인하고 하류부 검지기 자료의 교통상태를 통하여 혼잡의 원인을 결정하게 된다(Kim et al.
- Jung(2018)은 순서형 로짓 모형과 나이브 베이즈 분류기를 이용하여 렌터카 교통사고의 심각도를 예측하는 모형을 개발하였다. 모형 구축에 사용한 렌터카 교통사고 자료는 총 12개의 변수로 구성되었으며, 종속변수로 사용할 교통사고 심각도와 독립변수로 사용할 인적 특성, 사고 특성, 기하구조 특성으로 구분하였다. 분석 결과, 순서형 로짓 모형과 나이브 베이즈 분류기 모두 기존 연구에서 유의한 변수만 사용할 경우 예측성능이 우수하게 나왔다.
- , 2013). 본 연구에서는 Desired Speed 및 차량들의 가감속도를 조정하여 정산 작업을 진행하였다. 다음으로 시뮬레이션 네트워크에 구축한 가상의 검지기의 30초 간격 속도, 점유율, 교통량 자료를 통해 실제 검지기와 비교하여 검증(validation)하였다.
- 따라서 정체 및 차로 차단 등을 구현하기 위하여 링크의 중간에 VISSIM에서 제공하는 기능인 ‘parking lot’을 생성하거나 신호를 추가하는 방법을 통하여 가상의 돌발상황을 구현할 수 있다. 본 연구에서는 신호를 추가하여 돌발상황을 구현하였으며, 차단 차로, 차단 지점, 차단 시간을 설정하여 시나리오를 개발하였다.
- 머신러닝 기법으로는 단순하지만 우수한 성능을 지닌 대표적인 지도학습인 나이브 베이즈 분류기를 선정하였다. 설정된 시나리오를 바탕으로 학습 데이터와 검증 데이터로 구분하고 기존 알고리즘과 마찬가지로 돌발검지 간격을 250m와 500m로 나누어 나이브 베이즈 분류기 알고리즘의 학습을 수행하였다. 학습결과 250m 돌발검지 간격은 98.
- McMaster 알고리즘을 구현하기에 앞서 각 검지기에서 사용될 파라메타를 산정해야 한다. 실제 1주일 정도의 off-line 자료를 수집하고, 독립변수는 점유율이고 종속변수는 교통량으로 회귀분석을 실시한 LUD 함수를 산출하였다. 표준이차함수인 LUD 함수를 통하여 상류부 검지기의 혼잡을 판단할 수 있는데 혼잡이 4주기 이상 반복된다면 하류부 검지기를 통해 해당 구간의 혼잡의 원인을 찾을 수 있다.
- Lee(2017)는 머신러닝 기법을 이용하여 교통사고가 잦은 지점 선정 방법론을 개발하였다. 실제 5년간 발생한 교통사고 특성을 반영한 시뮬레이션 데이터를 생성하고 데이터 분석을 진행하여 타당성을 평가하였다. 분석 결과, 로지스틱 회귀분석의 결과는 선형회귀 모형 알고리즘보다 성능이 좋았는데 그 이유로는 로지스틱 회귀분석 방법이 훨씬 더 최적화 되어있기 때문으로 판단하였다.
- 표준이차함수인 LUD 함수를 통하여 상류부 검지기의 혼잡을 판단할 수 있는데 혼잡이 4주기 이상 반복된다면 하류부 검지기를 통해 해당 구간의 혼잡의 원인을 찾을 수 있다. 알고리즘은 Python 3.6을 이용하여 구현하였으며 돌발검지 간격 조정에 따라 알고리즘의 성능을 비교하기 위해 상류부 검지기와 하류부 검지기 간격을 250m와 500m일 때로 나누어 설정된 시나리오를 통해 결과를 도출하였다.
- 이에 본 연구에서는 최근 머신러닝 기법을 활용하여 기존 문제를 해결하고 시스템의 성능을 높이기 위한 연구 사례가 급격히 증가하는 추세에 맞춰, 머신러닝 기법을 교통 분야에 적용하여 효율적인 돌발 검지 알고리즘에 대한 방향을 제시하고자 한다. 이를 위해 머신러닝 기법의 일종인 나이브 베이즈 분류기(Naive Bayes Classification)를 이용하여 돌발 검지 알고리즘을 개발하고 기존 알고리즘과 비교하여 그 성능을 검정하고자 한다.
- 자료수집은 미시교통시뮬레이션 프로그램인 VISSIM의 입력 값들을 구하기 위해 수행되었다. VISSIM의 네트워크 구축 시 필요한 기하구조 자료, 교통량 및 속도 자료를 수집하였다.
- 정산된 네트워크를 이용해 가상의 돌발상황을 포함한 다양한 시나리오를 설정하였다. 기존 논문(Kim et al.
대상 데이터
- 자료수집은 미시교통시뮬레이션 프로그램인 VISSIM의 입력 값들을 구하기 위해 수행되었다. VISSIM의 네트워크 구축 시 필요한 기하구조 자료, 교통량 및 속도 자료를 수집하였다. 기하구조 자료는 대상지의 교통관리 개황도를 활용하였고 교통량 및 속도 자료는 2018년 1월 5일 08시 00분부터 22시 00분까지 총 14시간의 실제 검지기 자료를 이용하였다.
- 돌발상황 지속시간은 15분, 30분, 45분 세 가지 경우를 고려하였다. [Table 2]에서 제시된 바와 같이 네 가지 변수의 조합을 통해 돌발상황이 포함된 54개와 돌발상황이 포함되지 않은 3개, 총 57개의 시나리오를 설정하였다. 설정된 시나리오를 바탕으로 연구를 진행하였으며 3개의 가상의 검지기를 통하여 30초 단위의 교통량, 속도, 점유율 데이터를 생성할 수 있으며, [Fig.
- VISSIM의 네트워크 구축 시 필요한 기하구조 자료, 교통량 및 속도 자료를 수집하였다. 기하구조 자료는 대상지의 교통관리 개황도를 활용하였고 교통량 및 속도 자료는 2018년 1월 5일 08시 00분부터 22시 00분까지 총 14시간의 실제 검지기 자료를 이용하였다. 해당시간의 소형차와 중·대형차(HGV)의 교통량 분포 그래프와 교통량 가중평균 속도 그래프는 아래 각각 [Fig.
- 차단 차로는 1차로 또는 연속된 2차로 두 가지를 설정하였다. 돌발상황 지점은 상류부 검지기로부터 300m, 400m, 500m 총 세 가지 지점을 선정하였다. 돌발상황 지속시간은 15분, 30분, 45분 세 가지 경우를 고려하였다.
- 머신러닝을 활용하기 위해서는 학습을 위한 데이터와 검증을 위한 데이터로 구분하는 것이 필요하다. 랜덤 샘플링 기법을 활용하여 총 57가지의 시나리오 중 46개(약 80%)의 시나리오를 학습 데이터로 선정하였고, 나머지 11개(약 20%)를 검증 데이터로 분류하였다. 기존 알고리즘의 성능 평가와 마찬가지로 돌발검지 간격 조정에 따라 성능을 비교하고자 검지 간격이 250m일 때와 500m일 때로 구분하여 나이브 베이즈 분류기 알고리즘을 통해 각각 학습하였다.
- 본 연구의 시간적 범위는 2017년이며, 공간적 범위는 인천-김포민자고속도로의 청라지하차도로 설정하였고, 고속도로의 본선 구간에 중점을 두어 연구를 진행하였다. 인천-김포민자고속도로는 기존에 사용되는 루프 검지기 외에 루프 검지기보다 설치 간격이 좁은 지자기 검지기를 설치하는 등 신속한 돌발 검지를 위하여 많은 노력을 기울이고 있다.
- 새로운 돌발 검지 알고리즘을 개발하기 위한 분석 지점으로는 인천-김포민자고속도로의 청라지하차도로 선정하였다. 현재 청라지하차도는 편도 3차선 도로로서 진입, 진출 램프가 없는 본선 구간으로 구성되어 있다.
- 현재 청라지하차도는 편도 3차선 도로로서 진입, 진출 램프가 없는 본선 구간으로 구성되어 있다. 총 연장은 2.54km이며 2017년 2월 개통하여 2017년 총 사고건수는 3건으로 충분한 돌발 데이터가 부족하다. 따라서 본 연구에서는 미시교통시뮬레이션 모형을 이용하여 가상의 돌발데이터를 산출하여 연구를 진행하였다.
데이터처리
- 66%의 우수한 정확도를 가진 알고리즘이 구축되었다. 개발한 알고리즘을 검증 데이터로 검증하였고 기존 McMaster 알고리즘에서 활용한 성능평가지표를 통해 McMaster 알고리즘과 나이브 베이즈 분류기 알고리즘을 비교 분석하였다. 결과적으로 개발한 나이브 베이즈 분류기 알고리즘은 기존 McMaster 알고리즘보다 우수한 검지율을 가진 것을 확인하였다.
- 알고리즘의 성능평가지표로는 검지율과 오검지율을 선정하였고, 기존 알고리즘과 본 연구에서 개발한 나이브 베이즈 분류기 알고리즘을 돌발검지 간격 조정에 따른 성능을 비교·평가하였다.
이론/모형
- 기존 알고리즘의 성능 평가와 마찬가지로 돌발검지 간격 조정에 따라 성능을 비교하고자 검지 간격이 250m일 때와 500m일 때로 구분하여 나이브 베이즈 분류기 알고리즘을 통해 각각 학습하였다. 나이브 베이즈 분류기 기법은 가장 대표적인 가우시안 정규 분포 나이브 베이즈 분류기를 이용하였다. 학습 결과 검지 간격이 250m일 때는 98.
- 54km이며 2017년 2월 개통하여 2017년 총 사고건수는 3건으로 충분한 돌발 데이터가 부족하다. 따라서 본 연구에서는 미시교통시뮬레이션 모형을 이용하여 가상의 돌발데이터를 산출하여 연구를 진행하였다. 대신에, 기존 검지기 간격 등은 청라지하차도에 설치된 현황을 그대로 반영하였다.
- 따라서 본 연구는 이러한 기존 돌발 검지 알고리즘의 문제점을 해결하고자 머신러닝을 활용한 돌발 검지 알고리즘을 개발하였다. 머신러닝 기법으로는 단순하지만 우수한 성능을 지닌 대표적인 지도학습인 나이브 베이즈 분류기를 선정하였다. 설정된 시나리오를 바탕으로 학습 데이터와 검증 데이터로 구분하고 기존 알고리즘과 마찬가지로 돌발검지 간격을 250m와 500m로 나누어 나이브 베이즈 분류기 알고리즘의 학습을 수행하였다.
- 대표적인 미시교통시뮬레이션 프로그램인 VISSIM은 실제 교통상황을 가상에서 현실과 유사하게 구현할 수 있기 때문에 국내를 비롯한 70여 국가에서 활용되고 있다. 본 연구에서는 VISSIM ver. 10.0을 이용하여 네트워크를 구축하였다. 구축에 앞서 수집한 기하구조, 교통량, 속도 등의 데이터를 입력하고 [Table 1]과 같이 파라메타 값을 조정하였다.
- 서울시에서 발간한 보고서에 따르면 2002년 5월 서울 내부순환도로에 적용한 McMaster, APID, AIDA 알고리즘의 사고 및 고장차량에 의한 돌발상황에 대한 검지율 및 오검지율 평가 결과 가장 우수하게 평가되었다. 본 연구에서는 교통류 모형과 수학적 모델에 근거한 알고리즘인 McMaster 알고리즘을 기존 돌발상황 검지 알고리즘으로 선정하고 구현하였다(Seoul, 2002). McMaster 알고리즘을 구현하기에 앞서 각 검지기에서 사용될 파라메타를 산정해야 한다.
- 구현한 돌발 검지 알고리즘을 평가하기 위해서는 성능평가 산출이 필요하다. 일반적으로 사용되는 성능평가 지표로 검지율(detection rate, DR), 오검지율(false alarm rate, FAR), 평균검지시간(mean detection time, MDT)을 사용한다(Lee, 2010). 본 연구는 시뮬레이션 기반이기 때문에 정확한 돌발 발생 시간을 정의할 수 없기에 돌발 발생 후 검지하는데 소요되는 평균적인 시간을 정의하는 평균검지시간을 제외한 검지율과 오검지율을 통하여 알고리즘의 성능을 평가하였다.
- (2008)은 McMaster 알고리즘의 파라메타의 민감도를 분석하여 일정 수준의 신뢰도를 갖는 파라메타의 오차범위를 결정하여 제시하였다. 파라메타의 민감도 분석을 위해서, 시뮬레이션 모형을 사용하여 교통류 변수자료를 수집하였고, 컴퓨터 언어를 사용하여 McMaster 알고리즘을 구축하였다. 구축된 알고리즘 수행결과, 오검지율, 검지시간 등 성능지표의 값들의 변화에 따라 다르게 나타났으며, 통계적인 민감도 분석 결과 성능지표들 중 오검지율이 가장 민감하게 반응하는 것으로 나타났다.
성능/효과
- 8]에서 보인 바와 같이 실 데이터와 시뮬레이션 데이터의 교통량-속도 그래프를 이용하여 조정된 시뮬레이션 네트워크가 유의한 정산 결과를 가지는지 파악하였다. 검증 결과 시뮬레이션과 실 데이터 모두 교통량이 적어 강제류까지 가지 않았으며 교통량에 따라 속도가 떨어지는 추세가 비슷하였다.
- 수집된 데이터의 테스트를 위해 McMaster 알고리즘을 적용한 후 테스트한 결과, 실제 현장 데이터와 시뮬레이션 데이터에서 검지율 98%의 성능을 보였다. 검지 성능에 영향을 주는 변수는 피크 시간의 유무, 돌발의 지속 시간, 돌발의 위치, 램프의 위치 등으로 나타났다.
- 개발한 알고리즘을 검증 데이터로 검증하였고 기존 McMaster 알고리즘에서 활용한 성능평가지표를 통해 McMaster 알고리즘과 나이브 베이즈 분류기 알고리즘을 비교 분석하였다. 결과적으로 개발한 나이브 베이즈 분류기 알고리즘은 기존 McMaster 알고리즘보다 우수한 검지율을 가진 것을 확인하였다. McMaster 알고리즘은 4주기에 거쳐 혼잡의 원인을 찾는 프로세스를 진행하는 반면 개발한 나이브 베이즈 분류기 알고리즘은 1주기만으로 돌발상황을 판단할 수 있기 때문에 검지율이 높아지는 것으로 판단된다.
- 파라메타의 민감도 분석을 위해서, 시뮬레이션 모형을 사용하여 교통류 변수자료를 수집하였고, 컴퓨터 언어를 사용하여 McMaster 알고리즘을 구축하였다. 구축된 알고리즘 수행결과, 오검지율, 검지시간 등 성능지표의 값들의 변화에 따라 다르게 나타났으며, 통계적인 민감도 분석 결과 성능지표들 중 오검지율이 가장 민감하게 반응하는 것으로 나타났다.
- 그에 비해 개발한 나이브 베이즈 분류기 알고리즘은 상류부 검지기와 하류부 검지기의 교통량, 속도, 점유율 데이터인 총 6개의 변수를 활용하기 때문에 상류부 검지기와 하류부 검지기의 교통 상태를 동시에 고려하는 알고리즘이다. 따라서 McMaster 알고리즘보다 돌발검지 간격에 따른 성능평가의 저하가 줄어드는 것으로 판단된다.
- 마찬가지로 [Table 3]을 살펴보면 돌발검지 간격에 관계없이, 개발한 나이브 베이즈 분류기를 이용한 알고리즘이 기존 McMaster 알고리즘에 비해 매우 우수한 검지율을 가진 것을 보였다. 기존 McMaster 알고리즘은 4주기에 거쳐 혼잡이 있다고 판단이 되면 돌발상황이라고 판단을 내리지만 그에 비해 나이브 베이즈 분류기 알고리즘은 1주기만으로 돌발상황을 판단할 수 있기 때문에 검지율이 높고 빠른 검지가 가능하다.
- 분석 결과, 로지스틱 회귀분석의 결과는 선형회귀 모형 알고리즘보다 성능이 좋았는데 그 이유로는 로지스틱 회귀분석 방법이 훨씬 더 최적화 되어있기 때문으로 판단하였다. 머신러닝 기반의 알고리즘은 분석과정이 단순해 적용이 용이할뿐만 아니라, 분석 결과 또한 우수해 교통사고 잦은 지점을 선정하는데 강력한 이점을 지니는 것으로 나타났다.
- 9]은 한 예시로서 400m 지점, 한 개 차로에서 발생한 시나리오를 보여주고 있다. 모든 시나리오는 루프 검지기가 매설된 #1과 #3을 활용하는 500m 검지 간격 분석과 지자기 검지기가 매설된 #2와 #3을 활용하는 250m 검지 간격 분석을 실시하여 알고리즘의 성능 비교가 가능하다. 기존 연구에서 검지기 설치 간격이 돌발상황 검지 성능에 밀접한 관계가 있음을 확인하였으며, 이를 바탕으로 알고리즘의 성능을 비교하기 위해 상류부 검지기와 하류부 검지기 간격을 250m와 500m일 때로 나누어 설정된 시나리오를 통해 결과를 도출하고자 하였다(KOTI.
- 본 연구를 통해서 개발한 나이브 베이즈 분류기 알고리즘은 기존 McMaster 알고리즘보다 우수한 검지율을 가지므로 기존의 알고리즘보다 효율적으로 돌발을 파악할 수 있는 알고리즘이 될 수 있다는 가능성을 확인할 수 있었다. 하지만 오검지율 또한 증가하였기에 알고리즘의 보완을 거쳐야 할 필요가 있을 것으로 판단된다.
- 실제 5년간 발생한 교통사고 특성을 반영한 시뮬레이션 데이터를 생성하고 데이터 분석을 진행하여 타당성을 평가하였다. 분석 결과, 로지스틱 회귀분석의 결과는 선형회귀 모형 알고리즘보다 성능이 좋았는데 그 이유로는 로지스틱 회귀분석 방법이 훨씬 더 최적화 되어있기 때문으로 판단하였다. 머신러닝 기반의 알고리즘은 분석과정이 단순해 적용이 용이할뿐만 아니라, 분석 결과 또한 우수해 교통사고 잦은 지점을 선정하는데 강력한 이점을 지니는 것으로 나타났다.
- 모형 구축에 사용한 렌터카 교통사고 자료는 총 12개의 변수로 구성되었으며, 종속변수로 사용할 교통사고 심각도와 독립변수로 사용할 인적 특성, 사고 특성, 기하구조 특성으로 구분하였다. 분석 결과, 순서형 로짓 모형과 나이브 베이즈 분류기 모두 기존 연구에서 유의한 변수만 사용할 경우 예측성능이 우수하게 나왔다. 예측 성능은 순서형 로짓 모형에 비해 성능이 5.
- 하지만 개발한 나이브 베이즈 분류기 알고리즘의 검지율이 우수해지는 만큼 오검지율 또한 높아지는 것을 알 수 있었다. 분석하는 상류부 검지기로부터 하류부 검지기간의 거리가 늘어날수록 검지율의 차이가 발생하였는데, 기존 McMaster 알고리즘에 비해 개발한 나이브 베이즈 분류기 알고리즘은 검지율의 하락폭이 작았다. 기존 McMaster 알고리즘은 상류부 검지기의 혼잡이 판단되어야 프로세스가 진행이 된다.
- 6을 이용해 구현하고 돌발검지 간격을 250m, 500m로 나누어 성능지표를 산출하였다. 산출 결과 McMaster 알고리즘은 교통량이 적을수록, 차단시간이 짧을수록, 차단차로가 적을수록, 돌발상황이 상류부 검지기와 멀어질수록 검지 성능이 떨어졌으며, 돌발 검지 간격은 넓을수록 검지율이 떨어지는 것을 볼 수 있었다. 특히 1,300대/시이고 돌발 검지 간격이 500m인 시나리오에서 McMaster 알고리즘은 돌발 상황을 검지하지 못 하는 것이 확인되어졌다.
- 각 알고리즘의 성능을 평가하기 위해 상류부 검지기로부터 하류부 검지기 간의 거리 간격 조정을 통해 성능을 평가하였다. 성능 평가 결과를 나타낸 [Table 3]을 살펴보면, 기존 McMaster 알고리즘과 개발한 나이브 베이즈 분류기 알고리즘 모두 돌발검지 간격이 넓어질수록 검지력이 떨어지는 것을 확인할 수 있었지만 개발한 나이브 베이즈 분류기 알고리즘이 기존 McMaster 알고리즘에 비해 돌발검지 간격에 따른 부정적인 영향을 적게 받았음을 확인할 수 있다. 특히, 기존 McMaster 알고리즘을 활용하면 교통량이 가장 적은 1,300대/시이며 돌발검지 간격이 500m일 때의 돌발을 검지 할 수 없었지만, 개발한 나이브 베이즈 분류기 알고리즘은 우수한 검지가 가능한 것을 확인할 수 있었다.
- (1999)는 돌발감지 알고리즘 테스트베드 구축을 위해 실제 현장에서 수집된 168시간의 26건 돌발 데이터와 시뮬레이션을 통해 수집된 60시간의 75건 돌발 데이터를 수집하였다. 수집된 데이터의 테스트를 위해 McMaster 알고리즘을 적용한 후 테스트한 결과, 실제 현장 데이터와 시뮬레이션 데이터에서 검지율 98%의 성능을 보였다. 검지 성능에 영향을 주는 변수는 피크 시간의 유무, 돌발의 지속 시간, 돌발의 위치, 램프의 위치 등으로 나타났다.
- 분석 결과, 순서형 로짓 모형과 나이브 베이즈 분류기 모두 기존 연구에서 유의한 변수만 사용할 경우 예측성능이 우수하게 나왔다. 예측 성능은 순서형 로짓 모형에 비해 성능이 5.3% 높은 것으로 나타났지만 정분류 개수가 9.3건으로 모형 간의 성능 차이는 미미한 것으로 판단하였다.
- 성능 평가 결과를 나타낸 [Table 3]을 살펴보면, 기존 McMaster 알고리즘과 개발한 나이브 베이즈 분류기 알고리즘 모두 돌발검지 간격이 넓어질수록 검지력이 떨어지는 것을 확인할 수 있었지만 개발한 나이브 베이즈 분류기 알고리즘이 기존 McMaster 알고리즘에 비해 돌발검지 간격에 따른 부정적인 영향을 적게 받았음을 확인할 수 있다. 특히, 기존 McMaster 알고리즘을 활용하면 교통량이 가장 적은 1,300대/시이며 돌발검지 간격이 500m일 때의 돌발을 검지 할 수 없었지만, 개발한 나이브 베이즈 분류기 알고리즘은 우수한 검지가 가능한 것을 확인할 수 있었다. 기존 McMaster 알고리즘은 상류부 검지기의 혼잡이 판단되어야 프로세스가 진행이 된다.
- 기존 McMaster 알고리즘은 4주기에 거쳐 혼잡이 있다고 판단이 되면 돌발상황이라고 판단을 내리지만 그에 비해 나이브 베이즈 분류기 알고리즘은 1주기만으로 돌발상황을 판단할 수 있기 때문에 검지율이 높고 빠른 검지가 가능하다. 하지만 4주기를 통해 신중한 검지가 가능한 기존 McMaster 알고리즘에 비해 개발한 나이브 베이즈 분류기 알고리즘의 오검지율이 다소 높아지는 것을 확인할 수 있었다.
- McMaster 알고리즘은 4주기에 거쳐 혼잡의 원인을 찾는 프로세스를 진행하는 반면 개발한 나이브 베이즈 분류기 알고리즘은 1주기만으로 돌발상황을 판단할 수 있기 때문에 검지율이 높아지는 것으로 판단된다. 하지만 개발한 나이브 베이즈 분류기 알고리즘의 검지율이 우수해지는 만큼 오검지율 또한 높아지는 것을 알 수 있었다. 분석하는 상류부 검지기로부터 하류부 검지기간의 거리가 늘어날수록 검지율의 차이가 발생하였는데, 기존 McMaster 알고리즘에 비해 개발한 나이브 베이즈 분류기 알고리즘은 검지율의 하락폭이 작았다.
- 나이브 베이즈 분류기 기법은 가장 대표적인 가우시안 정규 분포 나이브 베이즈 분류기를 이용하였다. 학습 결과 검지 간격이 250m일 때는 98.53%, 500m일 때는 97.66%의 우수한 나이브 베이즈 분류기 모형이 구축되었다.
- 설정된 시나리오를 바탕으로 학습 데이터와 검증 데이터로 구분하고 기존 알고리즘과 마찬가지로 돌발검지 간격을 250m와 500m로 나누어 나이브 베이즈 분류기 알고리즘의 학습을 수행하였다. 학습결과 250m 돌발검지 간격은 98.53%, 500m는 97.66%의 우수한 정확도를 가진 알고리즘이 구축되었다. 개발한 알고리즘을 검증 데이터로 검증하였고 기존 McMaster 알고리즘에서 활용한 성능평가지표를 통해 McMaster 알고리즘과 나이브 베이즈 분류기 알고리즘을 비교 분석하였다.
후속연구
- 하지만 오검지율 또한 증가하였기에 알고리즘의 보완을 거쳐야 할 필요가 있을 것으로 판단된다. 또한 본 연구는 시뮬레이션 자료를 활용한 분석이기 때문에 현장에 적용하기 위해서는 실측 자료를 이용한 다양한 돌발 데이터의 확보를 통해 알고리즘의 검증이 추가로 이루어져야 할 것이다.
- 먼저 본 연구는 고속도로의 본선구간만을 실험대상으로 적용하였기 때문에 고속도로 진입, 진출 램프 등 본선 구간 외의 구간을 고려한 알고리즘의 개발이 요구되며 돌발상황에 영향을 줄 것이라 판단되는 변수들이 유의한지에 대한 연구가 필요할 것으로 보인다. 또한 본 연구에서는 머신러닝기법을 활용할 때 상류부 및 하류부 검지기의 교통량, 속도, 점유율 자료를 독립변수로서 사용하였지만 교통량, 속도, 점유율의 상관관계를 반영할 수 있는 머신러닝 알고리즘이 개발된다면 본 연구의 한계를 극복할 수 있을 것이라 판단된다.
- Transition indicator는 가장 단순하면서도 혼잡 상황과 돌발 상황의 정체 특징을 잘 보였다. 또한 연구의 심화를 통해 교통량-Indicator와 속도-Indicator의 데이터 값을 종합 분석하면 교통량이나 속도 등의 하나의 속성으로 돌발상태를 예측하는 것보다 더 정확한 예측이 가능할 것으로 기대된다.
- 본 연구에서 개발한 모형을 실제 돌발 검지 시스템에 적용하여 현장에 활용하기 위해서는 다음과 같은 연구가 추진되어야 할 것이다. 먼저 본 연구는 고속도로의 본선구간만을 실험대상으로 적용하였기 때문에 고속도로 진입, 진출 램프 등 본선 구간 외의 구간을 고려한 알고리즘의 개발이 요구되며 돌발상황에 영향을 줄 것이라 판단되는 변수들이 유의한지에 대한 연구가 필요할 것으로 보인다. 또한 본 연구에서는 머신러닝기법을 활용할 때 상류부 및 하류부 검지기의 교통량, 속도, 점유율 자료를 독립변수로서 사용하였지만 교통량, 속도, 점유율의 상관관계를 반영할 수 있는 머신러닝 알고리즘이 개발된다면 본 연구의 한계를 극복할 수 있을 것이라 판단된다.
- VDS로부터 수집된 차로별 데이터는 가공을 통해 단위구간의 소통정보로 생성되어 운전자에게 전광판, Web, App 등의 교통정보 제공 장비를 통해서 서비스되고 있다. 특히 돌발상황을 판단하는 돌발 검지 시스템은 고속도로와 같은 연속류 도로에서 매우 중요한 하부 시스템이며, C-ITS 등 고속도로가 지능화될수록 더욱 중요한 역할을 수행할 것으로 기대된다.
- 본 연구를 통해서 개발한 나이브 베이즈 분류기 알고리즘은 기존 McMaster 알고리즘보다 우수한 검지율을 가지므로 기존의 알고리즘보다 효율적으로 돌발을 파악할 수 있는 알고리즘이 될 수 있다는 가능성을 확인할 수 있었다. 하지만 오검지율 또한 증가하였기에 알고리즘의 보완을 거쳐야 할 필요가 있을 것으로 판단된다. 또한 본 연구는 시뮬레이션 자료를 활용한 분석이기 때문에 현장에 적용하기 위해서는 실측 자료를 이용한 다양한 돌발 데이터의 확보를 통해 알고리즘의 검증이 추가로 이루어져야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.