최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.20 no.4, 2020년, pp.25 - 37
박송희 (충북대학교 정보통신공학과) , 최도진 (충북대학교 정보통신공학과) , 복경수 (원광대학교 SW융합학과) , 유재수 (충북대학교 정보통신공학과)
As social costs of traffic congestion increase, various studies are underway to predict road speed. In order to improve the accuracy of road speed prediction, unexpected traffic situations need to be considered. In this paper, we propose a road speed prediction scheme considering traffic incidents a...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
도로 속도에 영향을 미치는 요소는 무엇이 있는가? | 도로속도는 교통 상황의 중요한 지표이며 도로의 속도에는 다양한 요소가 영향을 미친다. 도로 속도에 영향을 미치는 요소로는 도로의 속도, 도로가 수용할 수 있는 교통량, 시간에 따른 교통 흐름, 연결된 도로의 영향, 사고, 공사, 날씨 그리고 명절과 같은 특별한 날 등이 있다. 이와 같이 많은 요소들이 교통 혼잡에 영향을 주므로 각 요소들 또는 결합된 요소들이 교통 혼잡에 미치는 영향을 분석할 필요가 있다. | |
RNN이란 무엇인가? | 제안하는 기법에서 1차 속도 예측을 위한 학습 도구 로 사용한 LSTM의 우수성을 입증하기 위해 RNN을 이 용한 도로 속도 예측 기법과 성능 비교를 수행한다. RNN은 시간의 연결성을 고려하여 시계열 예측이 많이 활용되는 기계 학습 기법이다. 하지만 RNN은 시간 격 차가 커지면 초기 데이터의 영향이 사라지는 기울기 손실 문제가 발생한다. | |
돌발 상황을 추가적으로 고려해야하는 이유는 무엇인가? | 교통 혼잡 비용이 증가하면서 이 문제를 해결하기 위 해 교통 혼잡도와 속도를 예측하기 위한 다양한 연구들이 진행되고 있다. 기존의 도로 속도 예측 기법에서는 돌발 상황이 발생한 경우 예측 정확도가 크게 저하되는 문제를 보완하기 위해 가장 최신의 도로 속도 데이터를 이용하였다. 하지만 예측 시점이 멀어지는 경우, 현재 시점에서 얻을 수 있는 가장 최신의 도로속도 데이터를 반영하더라도 현재 시점과 예측 시점 사이에 발생하는 돌발 상황으로 인한 오차를 줄이는데 한계가 있다. 따라서 돌발 상황을 추가적으로 고려할 필요가 있다. |
이창현, "지속 가능한 도시교통 관리방안 연구," 서울특별시, 2014.
최기주, "교통정보 현황 분석 및 정확성 개선방안 연구," 교통정보플랫폼포럼, 2015.
유영중, 문상호, 박성호, "도심 도로의 속도 예측을 위한 KNN 알고리즘 분석," 예술인문사회융합멀티미디어논문지, 제7권, 제2호, pp.245-253, 2017.
유영중, 조미경, "베이지안 네트워크를 이용한 단기 교통정보 예측 모델," 한국정보통신학회 한국정보통신학회논문지, 제13권, 제4호, pp.765-773, 2009.
M. Fouladgar, M. Parchami, R. Elmasri, and A. Ghaderi, "Scalable deep traffic flow neural networks for urban traffic congestion prediction," Proc. International Joint Conference on Neural Networks, pp.2251-2258, 2017.
박송희, 최도진, 복경수, 유재수, "타겟 및 이웃 도로의 교통 정보를 이용한 속도 예측 기법," 한국정보과학회 2019 한국컴퓨터종합학술대회 논문집, pp.142-144, 2019.
R. Jia, P. Jiang, L. Liu, L. Cui, and Y. Shi, "Data driven congestion trends prediction of urban transportation," IEEE Internet of Things Journal, Vol.5, No.2, pp.581-591, 2018.
Z. Liu, Z. Li, K. Wu, and M. Li, "Urban traffic prediction from mobility data using deep learning," IEEE Network, Vol.32, No.4, pp.40-46, 2018.
F. H. Tseng, J. H. Hsueh, C. W. Tseng, Y. T. Yang, H. C. Chao, and L. D. Chou, "Congestion prediction with big data for real-time highway traffic," IEEE Access, Vol.6, pp.57311-57323, 2018.
Z. Duan, Y. Yang, K. Zhang, Y. N, and S. Bajgain, "Improved deep hybrid networks for urban traffic flow prediction using trajectory data," IEEE Access, Vol.6, pp.31820-31827, 2018.
H. Z. Moayedi and M. A. Masnadi-Shirazi, "Arima model for network traffic prediction and anomaly detection," Proc. International Symposium on Information Technology, pp.1-6, 2008.
C. Zhou and P. C. Nelson, "Predicting traffic congestion using recurrent neural networks," Proc. World Congress on Intelligent Transport Systems, 2002.
S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural computation, Vol.9, No.8, pp.1735-1780, 1997.
F. V. Jensen, "An introduction to Bayesian networks," UCL Press, 1996.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet classification with deep convolutional neural networks," Communications of the ACM, Vol.60, No.6, pp.84-90, 2017.
T. Mikolov, M. Karafiat, L. Burget, J. Cernocky, and S. Khudanpur, "Recurrent neural network based language model," Proc, Annual Conference of the International Speech Communication Association, pp.1045-14048, 2010.
W. Zaremba, I. Sutskever, and O. Vinyals, "Recurrent neural network regularization," CoRR abs/1409.2329, 2014.
K. Chen, Y. Zhou, and F. Dai, "A LSTM-based method for stock returns prediction: A case study of China stock market," Proc. IEEE International Conference on Big Data, pp.2823-2824, 2015.
F. Altche and A. de La Fortelle, "An LSTM network for highway trajectory prediction," Proc. International Conference on Intelligent Transportation Systems, pp.353-359, 2017.
https://pandas.pydata.org/pandas-docs/stable/
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.