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
- 결과적으로 인공신경망의 가중치를 업데이트하는 데 이용되는 구간교통 정보량에 영향을 미치게 되어 후미추돌위험 경고 서비스 성능에 악영향을 끼친다. 따라서 본 연구에서는 가중치 업데이트에 영향을 미치는 지연시간과 C-ITS 단말기 보급률에 따른 서비스 성능 수준 식별하고 이를 개선하는 대체방안을 제시하여 보다 신뢰성 높은 인공신경망 기반의 후미추돌사고 위험 예측 알고리즘을 개발함으로써 운전자가 잠재적 추돌사고위험에 선제적으로 대응할 수 있도록 하는 지능화된 차량 추돌방지 지원 서비스를 제안하고자 한다.
- 향후 연구에서는 패킷 전달률, 처리량, 대역폭 등에 의한 환경요소를 추가 고려할 필요가 있다. 또한, 탄력적 운영이 가능하도록 가변성 갱신주기를 고려한 실시간 구간 통행 정보 기반 학습 알고리즘 연구를 수행하고자 한다. 마지막으로 다양한 인공신경망 모델을 고려해서 제안 서비스의 성능개선이 필요할 것으로 판단된다.
- 본 연구를 통해 C-ITS 서비스 개선을 위한 인공신경망 활용방안과 이를 기반으로 한 서비스를 개발했다. 그러나 여전히 한계점도 존재한다.
- 본 연구에서는 인공신경망을 활용한 V2I2V 통신 기반 차량 추돌방지 지원 서비스 개발을 위한 목적으로 ACWS(Artificial Neural Network-based Collision Warning Service)를 제안했다. 제안 서비스는 실시간 구간 통행 정보 기반 학습 알고리즘(Associative Memory Learning Algorithm)을 통해 시공간적 교통 특성을 반영해 인공 신경망의 가중치를 갱신한다.
- 은닉층의 개수 선정의 경우 주어진 학습정보와 학습 알고리즘에 의거하여 최적 조합이 결정됨에 따라 IV. 성능 비교 결과 및 분석에서 구체적으로 다루고자 한다.
- 더 나아가 구간 통행 차량들의 OBU 장착 여부를 나타내는 보급률의 정도에 따라서 AM 갱신에 이용되는 학습 정보량에 영향을 미친다. 이에 따라본 연구에서는 C-ITS 단말 보급률과 지연시간에 따른 ACWS의 성능 평가를 수행하고자 하며 구체적인 수치 연구(Numerical Study)는 IV. 성능 비교 결과 및 분석에서 다룬다.
가설 설정
- 1초 단위로 추적하여 위치, 속도, 가속도, 차두거리 등 미시적 교통정보를 포함한다(Halkias and Colyar, 2006; Colyar and John, 2007). 그러나 원시데이터 상당 부분에 노이즈가 있는 관계로 본 연구에서는 이동평균필터(Moving Average Filter)를 이용해서 평활화한 데이터를 실제 교통 상황으로 가정한다. 10분을 주기로 시간대별 통행 차량들에 대한 가·감속도 누적분포함수를 활용해 CIDE를 산출하여 위험 차량 추종 상황을 선별하여 사용하고 각각 대상지의 사례들은 [Table 1]과 [Table 2]와 같다.
제안 방법
- 10분을 주기로 시간대별 통행 차량들에 대한 가·감속도 누적분포함수를 활용해 CIDE를 산출하여 위험 차량 추종 상황을 선별하여 사용하고 각각 대상지의 사례들은 [Table 1]과 [Table 2]와 같다.
- ACWS에 적용되는 인공신경망 모델들의 입력층(Input Layer)에는 차간거리(Gap), 선후행 차량의 속도(Vs, Vl) 및 가·감속도(as, al)를 포함하여 5개의 변수를 입력층에 배치하고 출력층(Output Layer)은 단일 뉴런을 통해 후미추돌 위험을 예측해서 경고를 제공하도록 한다.
- ACWS의 성능평가는 1.5초로 설정한 MWT를 기준으로 추돌경고 제공 시점의 정확도로 측정하며 이진 분류(Binary Classification)에 널리 활용되는 오차 행렬(Confusion Matrix)을 이용해 [Fig. 10]과 같이 분석을 수행한다.
- 8]과 같이 나타낼 수 있다. Fully Connected Network 유형의 Feed-forward Neural Network에 해당하는 모델로서 Multi-layer Perceptron Neural Network(MLPNN)를 선정했고 은닉층(Hidden Layer)의 개수에 따라 MLPNN with single hidden layer (MLPNN1)와 MLPNN with two hidden layers (MLPNN2)로 구분되며, 각각 MLPNN1-ACWS 및 MLPNN2-ACWS라 지칭한다. RBFN 기반의 ACWS는 RBFN-ACWS라 명명한다.
- 유전 알고리즘 결과를 통해 도출된 결과는 [Table 4]와 같으며 US-101의 경우 MLPNN1-ACWS는 15개, MLPNN2-ACWS는 13, 12개, RBFN-ACWS는 84개의 Hidden Neuron을 포함한다. I-80의 경우 MLPNN1-ACWS는 13개, MLPNN2-ACWS는 15, 16개, RBFN-ACWS는 77개의 Hidden Neuron을 포함할 때 최적의 성능을 보임에 따라 해당 결과를 토대로 성능 분석을 수행한다.
- 각 운영환경 조건에 따른 MLPNN2-ACWS와 RBFN-ACWS간 명확한 성능 차이를 살펴보기 위해 PIR2와 PIR1의 누적분포함수 간 면적의 차이(Performance Gap)를 [Fig. 14]와 같이 도출했다. 결과를 살펴보면 대상지 특성과 관계없이 운영환경이 같은 조건일 경우 고도화된 인공신경망 모델을 적용한 ACWS 성능이 더 뛰어난 것으로 확인된다.
- ) 동안 활용될 CIDE를 산출한다. 그 후 CIDE를 기반으로 AM 학습을 위한 입출력 패턴 데이터 세트를 구성하고 AM을 갱신(Updating)한다. 동시에 AM을 갱신하고 전송하는데 가용할 수 있는 최대 시간인 Buffer Time 초과 여부를 모니터링하고 Buffer Time을 초과할 경우 그 시점을 기준으로 학습이 완료된 AM을 특정 도로 구간에 진입하려고 하는 상류부 차량에게 제공하는 반면, Buffer Time을 초과하지 않는 경우 목표치 수렴 여부를 모니터링하여 AM을 지속해서 갱신하고 제공한다.
- 이어서 ⩟t 시간 이후에 발생하는 주행정보를 기반으로 CIDE 유무를 판단해서 희망 출력(Desired Output)결과를 확인한다. 그 후 학습 기능을 통해 확인 결과와 이전에 예측한 결과 간의 오차를 기반으로 가중치 정보를 교정해 나간다. 여기서 사용된 ⩟t를 Rolling Horizon(RH)이라 지칭한다.
- 다양한 환경 아래 제안 서비스의 성능 수준을 파악하기 위해 통신환경과 C-ITS 단말 보급률 변화에 따른 ACWS의 성능 분석을 수행한다. [Fig.
- 제안 서비스는 실시간 구간 통행 정보 기반 학습 알고리즘(Associative Memory Learning Algorithm)을 통해 시공간적 교통 특성을 반영해 인공 신경망의 가중치를 갱신한다. 더 나아가 차량 단말기 정보 및 구간 통행 정보 융합 기반 실시간 학습 방법 (Rolling Horizon-based Learning Algorithm)을 적용해 개인화된 추돌방지 지원 서비스를 제공한다. ACWS의 적용 가능성과 이점 파악을 선제적으로 수행하기 위해서 인공신경망의 대표적인 모델인 Multi-layer Perceptron Neural Network(MLPNN)과 선진화 모델인 Radial Basis Function Network(RBFN)을 적용하여 효과분석을 수행했다.
- 그 후 CIDE를 기반으로 AM 학습을 위한 입출력 패턴 데이터 세트를 구성하고 AM을 갱신(Updating)한다. 동시에 AM을 갱신하고 전송하는데 가용할 수 있는 최대 시간인 Buffer Time 초과 여부를 모니터링하고 Buffer Time을 초과할 경우 그 시점을 기준으로 학습이 완료된 AM을 특정 도로 구간에 진입하려고 하는 상류부 차량에게 제공하는 반면, Buffer Time을 초과하지 않는 경우 목표치 수렴 여부를 모니터링하여 AM을 지속해서 갱신하고 제공한다.
- 효과분석을 위한 지표로 이진분류기 평가에 활용되는 AUC(Area Under the Receiver Operating Characteristic Curve) 값을 이용했고, 서로 다른 대상지의 적용 결과를 검토하기 위해 실제 발생한 교통상황 정보를 나타내는 미시적 교통데이터인 NGSIM(Next Generation SIMulation) 데이터를 사용했다. 또한, 다양한 C-ITS 운영환경 속의 개발 서비스 성능 분석을 위해 지연시간(Delay Time)과 C-ITS 단말 보급률(Penetration Rate)을 고려했다. 분석결과 제안 서비스는 지연시간이 감소하고 C-ITS 단말 보급률이 증가할수록 더 나은 성능을 보였다.
- 본 연구에서 제안하는 ACWS에 적용되는 인공신경망(ANN, Artificial Neural Network) 모델은 특정 모델로 한정되지 않으나 그 적용 가능성과 이점 파악을 선제적으로 수행하기 위해서 지금까지도 널리 사용되고 있는 Feed-forward Neural Network와 Radial Basis Function Network(RBFN)를 채택했으며 해당 모델들의 구조를 [Fig. 8]과 같이 나타낼 수 있다. Fully Connected Network 유형의 Feed-forward Neural Network에 해당하는 모델로서 Multi-layer Perceptron Neural Network(MLPNN)를 선정했고 은닉층(Hidden Layer)의 개수에 따라 MLPNN with single hidden layer (MLPNN1)와 MLPNN with two hidden layers (MLPNN2)로 구분되며, 각각 MLPNN1-ACWS 및 MLPNN2-ACWS라 지칭한다.
- 정규화 기능은 개별 차량 단말기를 통해 추출된 입력변수들을 정규화하여 스케일링을 수행하고, 예측 기능은 정규화 기능을 통해 입수된 입력정보들과 초기 가중치로 활용될 AM 가중치 정보를 활용해 ⩟t 시간 이후의 후미추돌 경고 수준을 예측한다. 예측된 경고 수준을 기반으로 판단 기능을 통해 전방추돌 경고 제공 여부를 판단하여 표출한다. 이어서 ⩟t 시간 이후에 발생하는 주행정보를 기반으로 CIDE 유무를 판단해서 희망 출력(Desired Output)결과를 확인한다.
- 제안 서비스는 종래에 사용되어 왔던 차량 추돌방지 지원 알고리즘들에 해당되는 TTC(Time-to-Collsion) 등과 같은 Perceptual Approach와 Berkeley 알고리즘 등과 같은 Stopping Distance-based Approach들과의 성능 평가를 통해 그 우수성을 확인할 필요가 있으므로 추후 연구에서는 관련 내용에 대한 연구를 수행하고자 한다. 이 밖에도 본 연구에서는 C-ITS 통신환경과 관련해서 지연시간만을 고려했다. 향후 연구에서는 패킷 전달률, 처리량, 대역폭 등에 의한 환경요소를 추가 고려할 필요가 있다.
- 예측된 경고 수준을 기반으로 판단 기능을 통해 전방추돌 경고 제공 여부를 판단하여 표출한다. 이어서 ⩟t 시간 이후에 발생하는 주행정보를 기반으로 CIDE 유무를 판단해서 희망 출력(Desired Output)결과를 확인한다. 그 후 학습 기능을 통해 확인 결과와 이전에 예측한 결과 간의 오차를 기반으로 가중치 정보를 교정해 나간다.
- 주어진 운영환경 조건 아래 제안 서비스의 성능 수준이 ACWS에 적용되는 인공신경망 모델에 따라 상이한 것을 발견할 수 있었다. 이에 따라 고도화된 인공신경망 모델 적용이 서비스 성능개선에 얼만큼 기여하는지 살펴보기 위해서 성능 차이 분석(Performance Gap Analysis)을 수행한다. 성능 차이 분석 수행을 위한 측정 도구로 Performance Improvement Ratio(PIR)를 활용하며 다음과 같이 구분하여 표현한다.
- 본 연구에서는 인공신경망을 활용한 V2I2V 통신 기반 차량 추돌방지 지원 서비스 개발을 위한 목적으로 ACWS(Artificial Neural Network-based Collision Warning Service)를 제안했다. 제안 서비스는 실시간 구간 통행 정보 기반 학습 알고리즘(Associative Memory Learning Algorithm)을 통해 시공간적 교통 특성을 반영해 인공 신경망의 가중치를 갱신한다. 더 나아가 차량 단말기 정보 및 구간 통행 정보 융합 기반 실시간 학습 방법 (Rolling Horizon-based Learning Algorithm)을 적용해 개인화된 추돌방지 지원 서비스를 제공한다.
- 전송된 PVD 메시지 정보는 각 도로구간에 개설된 RSU로 전달되며, 전달받은 정보는 C-ITS 센터에서 취합되어 활용된다. 취합 정보들을 바탕으로 배치 프로세스(Batch Process)를 통해 구간별 위험감속도(CIDE: CrItical DEceleration)를 산정하고 이를 바탕으로 인공신경망의 가중치 정보를 업데이트한다. 각 구간별 통행차량 정보를 기반으로 업데이트가 완료된 가중치 정보(AM, Associative Memory)는 해당 구간의 RSU로 전송되며, 전송 정보는 브로드캐스팅 되어 구간진입차량에게 제공된다.
- 해당 서비스는 하류부 통행 차량의 차량탑재장치(OBU, On-Board Unit)를 통해 V2V 또는 V2I2V 통신을 기반으로 기본안전메시지(BSM, Basic Safety Message) 브로드캐스팅하여 상류부 차량 운전자에게 추돌위험 알림·경고를 제공하여 사고위험에 즉각적으로 대응할 수 있도록 한다.
- 반면 RBFN의 경우 학습 속도 가속화를 위해 Extreme Learning Machine(ELM)을 활용한다(Huang and Siew, 2005). 해당 알고리즘은 Backpropagation 알고리즘을 기반으로 커널 함수(Kernel Function) 상의 중심(Center)과 폭(Width)을 순차적으로 학습하는 종래의 알고리즘들과 달리 선형최소자승 문제로 변환해서 근사해를 구하는 방식으로 가중치를 도출한다. 이에 따라 종래의 학습 알고리즘들과 비교했을 때 작게는 2배에서 크게는 1000배 이상 빠른 수렴속도를 보이는 특징을 나타낸다.
대상 데이터
- 본 연구에서 제안하는 인공신경망 기반 차량 추돌방지 지원 서비스(ACWS, ANN-based Collision Warning Service)의 운영 주체는 차량 C-ITS 단말기(OBU, On-Board Unit), 노변기지국(RSU, RoadSide Unit) 및 C-ITS 센터로 구성된다.
- 제안 서비스의 효과분석 및 평가를 위해 미국연방도로청에서 제공한 Next Generation SIMulation(NGSIM) 데이터를 사용한다. NGSIM 데이터는 캘리포니아 로스앤젤레스 US Highway 101 (US-101) 일부 구간의 대상지와 에머리빌 Interstate 80 (I-80) 일부 구간의 대상지에서 각각 오전, 오후 첨두 시간에 수집한 실제 교통상황 영상 자료를 기반으로 구간 통행 차량들의 움직임을 0.
- ACWS의 적용 가능성과 이점 파악을 선제적으로 수행하기 위해서 인공신경망의 대표적인 모델인 Multi-layer Perceptron Neural Network(MLPNN)과 선진화 모델인 Radial Basis Function Network(RBFN)을 적용하여 효과분석을 수행했다. 효과분석을 위한 지표로 이진분류기 평가에 활용되는 AUC(Area Under the Receiver Operating Characteristic Curve) 값을 이용했고, 서로 다른 대상지의 적용 결과를 검토하기 위해 실제 발생한 교통상황 정보를 나타내는 미시적 교통데이터인 NGSIM(Next Generation SIMulation) 데이터를 사용했다. 또한, 다양한 C-ITS 운영환경 속의 개발 서비스 성능 분석을 위해 지연시간(Delay Time)과 C-ITS 단말 보급률(Penetration Rate)을 고려했다.
이론/모형
- 더 나아가 차량 단말기 정보 및 구간 통행 정보 융합 기반 실시간 학습 방법 (Rolling Horizon-based Learning Algorithm)을 적용해 개인화된 추돌방지 지원 서비스를 제공한다. ACWS의 적용 가능성과 이점 파악을 선제적으로 수행하기 위해서 인공신경망의 대표적인 모델인 Multi-layer Perceptron Neural Network(MLPNN)과 선진화 모델인 Radial Basis Function Network(RBFN)을 적용하여 효과분석을 수행했다. 효과분석을 위한 지표로 이진분류기 평가에 활용되는 AUC(Area Under the Receiver Operating Characteristic Curve) 값을 이용했고, 서로 다른 대상지의 적용 결과를 검토하기 위해 실제 발생한 교통상황 정보를 나타내는 미시적 교통데이터인 NGSIM(Next Generation SIMulation) 데이터를 사용했다.
- 공정한 성능 비교를 위해 ACWS에 적용되는 인공신경망 모델의 최적 네트워크 구조(Topology) 식별이 요구됨에 따라 유전 알고리즘(Genetic Algorithm)을 이용하며 변수 설정은 다음 [Table 3]과 같다.
- 이에 따라 고도화된 인공신경망 모델 적용이 서비스 성능개선에 얼만큼 기여하는지 살펴보기 위해서 성능 차이 분석(Performance Gap Analysis)을 수행한다. 성능 차이 분석 수행을 위한 측정 도구로 Performance Improvement Ratio(PIR)를 활용하며 다음과 같이 구분하여 표현한다.
- 학습 알고리즘의 경우 일반적으로 Gradient Descent learning Rule을 기반으로 한 Steepest Learning Algorithm을 Momentum Method와 결합한 구조로 이용되는 Error Backpropagation 알고리즘이 MLPNN 학습에 활용이 되나, 수렴속도가 느린 단점이 있다(Wilamowski and Yu, 2010). 이를 보완하기 위해서 본 연구에서는 Feed-forward Neural Network 학습에 가장 효율적인 방법으로 알려진 Levenberg-Marquardt(LM) 방법을 이용한 Backpropagation 알고리즘을 적용한다(Hagan and Menhai, 1994). 해당 학습 방법은 Damping Parameter인 감쇠 상수(μ)를 이용해서 곡률계산 시 발산 가능성이 있는 Gauss-Newton 학습 방법의 단점을 보완했고 이에 따라 Error Backpropagation 알고리즘보다 빠르면서 Gauss-Newton 학습 방법보다 안정적인 효과를 나타낸다.
성능/효과
- 11]는 지연시간(Delay Time)과 단말 보급률(Penetration Rate) 변화 별 평균 AUC 값의 등고선도(Contour Plot)를 나타낸다. US-101 대상지의 결과를 살펴보면 각 ACWS는 전반적으로 지연시간이 감소합에 따라 AUC 값의 크기가 증가하는 것을 알 수 있고 단말 보급률이 증가할수록 AUC 값이 커지는 경향을 발견할 수 있다. 같은 방법으로 I-80 대상지의 결과를 보면 알 수 있듯이 통신 지연시간이 짧아지고 구간 통행 차량들의 C-ITS 단말 이용률이 증가할 때 ACWS의 성능이 향상되는 것을 확인할 수 있다.
- US-101 대상지의 결과를 살펴보면 각 ACWS는 전반적으로 지연시간이 감소합에 따라 AUC 값의 크기가 증가하는 것을 알 수 있고 단말 보급률이 증가할수록 AUC 값이 커지는 경향을 발견할 수 있다. 같은 방법으로 I-80 대상지의 결과를 보면 알 수 있듯이 통신 지연시간이 짧아지고 구간 통행 차량들의 C-ITS 단말 이용률이 증가할 때 ACWS의 성능이 향상되는 것을 확인할 수 있다. 더 나아가 동일한 지연시간과 보급률을 나타낼 때 RBFN-ACWS, MLPNN2-ACWS, MLPNN1-ACWS 순으로 더 큰 AUC 값을 보인다.
- 14]와 같이 도출했다. 결과를 살펴보면 대상지 특성과 관계없이 운영환경이 같은 조건일 경우 고도화된 인공신경망 모델을 적용한 ACWS 성능이 더 뛰어난 것으로 확인된다. 또한, 단말 보급률이 감소하고 지연시간이 증가할수록 Performance Gap이 증가하는 경향을 발견할 수 있다.
- 13]은 단말 보급률이 10%이고 지연시간이 없는 상황에서 US-101 대상지에 ACWS를 운영했을 때 발생한 PIR의 히스토그램(Histogram)과 누적분포함수(Cumulative Distribution Function)를 나타낸다. 결과를 통해 알 수 있듯이 주어진 운영환경 속에서 모든 사례가 0 이상의 PIR 값을 나타냄에 따라 MLPNN2-ACWS와 RBFN-ACWS가 MLPNN1-ACWS에 비해 좋은 성능을 보이는 것을 확인할 수 있다. 더불어 PIR1 대비 PIR2의 값이 과반수 이상 큰 양상을 보임에 따라서 더 나은 서비스 성능 개선을 RBFN-ACWS를 통해 얻을 수 있을 것으로 사료된다.
- 같은 방법으로 I-80 대상지의 결과를 보면 알 수 있듯이 통신 지연시간이 짧아지고 구간 통행 차량들의 C-ITS 단말 이용률이 증가할 때 ACWS의 성능이 향상되는 것을 확인할 수 있다. 더 나아가 동일한 지연시간과 보급률을 나타낼 때 RBFN-ACWS, MLPNN2-ACWS, MLPNN1-ACWS 순으로 더 큰 AUC 값을 보인다.
- 분석결과 제안 서비스는 지연시간이 감소하고 C-ITS 단말 보급률이 증가할수록 더 나은 성능을 보였다. 더불어 동일한 운영환경 조건 아래 고도화된 인공신경망 모델을 적용한 ACWS의 성능이 더 뛰어난 것을 발견했다. 더 나아가 C-ITS 단말 보급률이 감소하고 지연시간이 증가하는 악조건일수록 제안 서비스에 선진 모델을 적용하게 되면 보다 나은 성능 향상을 기대할 수 있다.
- 그러나 지연시간이 2분으로 증가했을 때 MLPNN1-ACWS의 경우 30%에 달하는 단말 보급률을 필요로 하는 반면에 MLPNN2-ACWS나 RBFN-ACWS는 각각 20%와 15%의 단말 보급률만으로도 목표 성능을 달성할 수 있다. 동일한 방법으로 I-80 대상지 결과를 살펴보면 통신지연이 없을 때 MLPNN2-ACWS나 RBFN-ACWS는 15%에 해당하는 단말 보급률이 있어야 목표 성능을 만족하는 반면 MLPNN1-ACWS는 20%에 달하는 단말 보급률을 요구한다. 이러한 경향성은 지연시간이 증가할수록 점증하는 것을 확인할 수 있다.
- 결과를 살펴보면 대상지 특성과 관계없이 운영환경이 같은 조건일 경우 고도화된 인공신경망 모델을 적용한 ACWS 성능이 더 뛰어난 것으로 확인된다. 또한, 단말 보급률이 감소하고 지연시간이 증가할수록 Performance Gap이 증가하는 경향을 발견할 수 있다. 이는 운영환경이 악조건일수록 RBFN-ACWS가 MLPNN2-ACWS에 비해 더 나은 성능 개선을 보이는 것으로 해석된다.
- 또한, 다양한 C-ITS 운영환경 속의 개발 서비스 성능 분석을 위해 지연시간(Delay Time)과 C-ITS 단말 보급률(Penetration Rate)을 고려했다. 분석결과 제안 서비스는 지연시간이 감소하고 C-ITS 단말 보급률이 증가할수록 더 나은 성능을 보였다. 더불어 동일한 운영환경 조건 아래 고도화된 인공신경망 모델을 적용한 ACWS의 성능이 더 뛰어난 것을 발견했다.
- 오차 행렬 결과를 기반으로 정량적 수치 분석의 용이성 확보를 위해 이진 분류기 평가에 활용되는 AUC(Area Under the Receiver Operating Characteristic Curve) 값을 사용하고 AUC 값이 1에 가까워질수록 높은 성능을 나타낸다.
- 2]는 2018년도에 발생한 차대차 교통사고 발생 건수의 유형별 구성비를 나타낸다. 통계자료를 통해 후미추돌사고가 차대차 교통사고 발생빈도의 절반가량을 차지하는 것을 알 수 있다.
- 해당 학습 방법은 Damping Parameter인 감쇠 상수(μ)를 이용해서 곡률계산 시 발산 가능성이 있는 Gauss-Newton 학습 방법의 단점을 보완했고 이에 따라 Error Backpropagation 알고리즘보다 빠르면서 Gauss-Newton 학습 방법보다 안정적인 효과를 나타낸다.
후속연구
- 더불어 동일한 운영환경 조건 아래 고도화된 인공신경망 모델을 적용한 ACWS의 성능이 더 뛰어난 것을 발견했다. 더 나아가 C-ITS 단말 보급률이 감소하고 지연시간이 증가하는 악조건일수록 제안 서비스에 선진 모델을 적용하게 되면 보다 나은 성능 향상을 기대할 수 있다.
- 결과를 통해 알 수 있듯이 주어진 운영환경 속에서 모든 사례가 0 이상의 PIR 값을 나타냄에 따라 MLPNN2-ACWS와 RBFN-ACWS가 MLPNN1-ACWS에 비해 좋은 성능을 보이는 것을 확인할 수 있다. 더불어 PIR1 대비 PIR2의 값이 과반수 이상 큰 양상을 보임에 따라서 더 나은 서비스 성능 개선을 RBFN-ACWS를 통해 얻을 수 있을 것으로 사료된다.
- 이는 운영환경이 악조건일수록 RBFN-ACWS가 MLPNN2-ACWS에 비해 더 나은 성능 개선을 보이는 것으로 해석된다. 따라서 악조건일수록 고도화된 인공신경망 모델을 제안 서비스에 적용 하게 되면 보다 나은 성능 향상을 기대할 수 있을 것으로 판단된다.
- 또한, 탄력적 운영이 가능하도록 가변성 갱신주기를 고려한 실시간 구간 통행 정보 기반 학습 알고리즘 연구를 수행하고자 한다. 마지막으로 다양한 인공신경망 모델을 고려해서 제안 서비스의 성능개선이 필요할 것으로 판단된다.
- 그러나 여전히 한계점도 존재한다. 제안 서비스는 종래에 사용되어 왔던 차량 추돌방지 지원 알고리즘들에 해당되는 TTC(Time-to-Collsion) 등과 같은 Perceptual Approach와 Berkeley 알고리즘 등과 같은 Stopping Distance-based Approach들과의 성능 평가를 통해 그 우수성을 확인할 필요가 있으므로 추후 연구에서는 관련 내용에 대한 연구를 수행하고자 한다. 이 밖에도 본 연구에서는 C-ITS 통신환경과 관련해서 지연시간만을 고려했다.
- 특정 도로 구간의 배치주기(TPi) 동안 수집된 PVD 메시지 데이터를 기반으로 차후 배치주기(TPi+1) 동안 활용될 CIDE를 산출한다. 그 후 CIDE를 기반으로 AM 학습을 위한 입출력 패턴 데이터 세트를 구성하고 AM을 갱신(Updating)한다.
- 이 밖에도 본 연구에서는 C-ITS 통신환경과 관련해서 지연시간만을 고려했다. 향후 연구에서는 패킷 전달률, 처리량, 대역폭 등에 의한 환경요소를 추가 고려할 필요가 있다. 또한, 탄력적 운영이 가능하도록 가변성 갱신주기를 고려한 실시간 구간 통행 정보 기반 학습 알고리즘 연구를 수행하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.