[논문]교통 돌발 상황을 고려한 도로 속도 예측 기법

박송희; 최도진; 복경수; 유재수

doi:10.5392/jkca.2020.20.04.025

교통 돌발 상황을 고려한 도로 속도 예측 기법
Road Speed Prediction Scheme Considering Traffic Incidents 원문보기

한국콘텐츠학회논문지 = 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)

초록
AI-Helper

교통 혼잡으로 인한 사회적 비용이 증가하면서 도로 속도를 예측하기 위한 다양한 연구들이 진행되고 있다. 도로 속도 예측의 정확도를 향상시키기 위해서는 교통 돌발 상황을 고려할 필요가 있다. 본 논문에서는 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안한다. 제안하는 기법은 연결된 도로들이 미치는 영향을 반영하기 위해서 예측 도로의 속도 데이터 뿐만 아니라 연결된 도로들의 속도 데이터도 이용한다. 또한, 돌발 상황으로 인한 혼잡을 예측하기 위해 속도의 변화량을 분석한다. 연결된 도로와 타겟 도로의 속도 데이터를 LSTM의 입력 데이터로 이용하여 1차적으로 도로 속도를 예측한다. 교통 돌발 상황으로 도로의 규칙적인 흐름이 깨지며 발생하는 예측 오차를 줄이기 위해 이벤트 가중치를 적용하여 최종적으로 도로 속도를 예측한다. 다양한 성능 평가를 통해 제안된 방법의 우수성을 입증한다.

Abstract ▼ AI-Helper

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 affecting road speed. We use not only the speed data of the target road but also the speed data of the connected roads to reflect the impact of the connected roads. We also analyze the amount of speed change to predict the traffic congestion caused by traffic incidents. We use the speed data of connected roads and target road with input data to predict road speed in the first place. To reduce the prediction error caused by breaking the regular road flow due to traffic incidents, we predict the final road speed by applying event weights. It is shown through various performance evaluations that the proposed method outperforms the existing methods.

주제어

AI 본문요약
AI-Helper

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

문제 정의

[6]에서는 LSTM 모델을 이용하여 5분 후의 도로 속도를 예측하였다. 도로 속도에 영향을 미치는 요소를 분석하여 예측 속도의 정확도를 높이고자 하였다. 타겟 도로의 과거 속도와 교통량의 변화가 타겟 도로의 속도에 미치는 영향, 그리고 이웃 도로들의 속도와 교통량의 변화가 타겟 도로의 속도에 미치는 영향을 독립적으로 반영하여 예측하였다.
교통 돌발 상황의 영향으로 급격한 속도 변화가 일어나는 구간을 뒤늦게 완만한 곡선으로 예측하여 예측 오차가 증가한다. 따라서 본 논문에서는 예측 정확도를 높이기 위해 1차 예측 속도를 보정하여 최종 속도를 예측한다. 교통사고나 도로공사 등의 돌발 상황으로 인해 도로 의 규칙적인 흐름이 깨지는 경우 도로 속도가 급격히 감소한 후에 바로 회복되는 패턴을 보인다.
본 논문에서는 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안하였다. 제안 기법은 이웃 도로의 영향을 고려하기 위하여 이웃 도로들로부터 수집한 속도 데이터를 이용하여 학습을 통해 최적의 가중치를 갖는 LSTM 모델을 제안하였다.
CNN 모델을 이용한 기존 도로 혼잡도 예측 기법은 도로 속도에 영향을 미치는 다양한 요소들을 고려하였으나 서로 다른 특징을 가지는 요소들을 특정 값으로 산출하는 방법을 제시하지 않았다. 본 논문에서는 기존 기법들이 갖는 문제점들을 해결하기 위하여 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안한다. 제안하는 기법은 예측을 위해 타겟 도로와 이웃 도로들의 속도 데이터를 활용한다.
본 논문에서는 이 기법을 RNN-P 기법이라 표기한 다. 본 논문에서는 예측 정확도를 평가하기 위해 예측 한 속도와 실제 속도를 기반으로 RMSE를 계산하였다. RMSE 값이 작을수록 예측 정확도가 높음을 의미한다.
속도 변화량을 통계 분석하여 속도가 급변할 때 발생하는 감소-회복 패턴의 판단 기준 을 정의하였으며 감소 가중치와 회복 가중치를 정의하였다. 본 논문에서는 이벤트 가중치를 반영하였을 때의 결과와 반영하지 않았을 때의 결과를 비교하여 자체적인 성능평가를 수행하였다. 이벤트 가중치를 반영하지 않은 결과는 1차 속도 예측 단계까지 수행한 제안 기법을 이용한다.
본 논문에서는 이웃 도로의 영향을 반영하여 도로 속도를 예측하기 위해 LSTM 학습 모델을 생성한다. 오프라인 처리에서 학습 모델을 생성하는 과정을 수행한다.
속도 데이터와 교통량 데이터를 각각 이용하여 예측한 속도의 성능을 비교한 결과, 타겟 도로와 이웃 도로의 속도 데이터를 이용하여 예측한 도로 속도가 가장 높은 정확도를 보였다. 본 논문에서는 타겟 도로와 이웃 도로의 영향과 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안한다. 타겟 도로와 이웃 도로들의 영향을 고려하기 위하여 시 계열 데이터 학습에 적합한 LSTM(Long Short-Term Memory)[13] 모델을 이용한다.

제안 방법

속도 감소 구간과 회복 구간을 판단하기 위해 과거 이벤트 발생 시 도로의 속도 변화량이 예측 오차율에 미친 영향을 분석하였다.
속도 회복 구간을 판단하기 위해 예측 속도의 변화량과 속도의 관계를 분석하였다.
정규화 한 데이터와 예측한 도로의 상태를 완전 연결 신경망 네트워크의 입력으로 주어 최종 도로 혼잡도를 예측한다. 2차원의 입력 정보를 이용하여 인접한 도로의 영향을 고려하고 도로 속도에 영향을 미치는 다양한 데이터들을 고려하여 도로 혼잡도 예측의 정확도를 향상시켰다. LSTM은 RNN(Recurrent Neural Network)[16]의 한 종류로 긴 의존 기간을 필요로 하는 학습을 수행할 능력을 갖고 있다.
S_n^t 는 도로 R에서 수집한 t시간의 속도를 의미한다. 각 도로의 일반적인 특성을 반영하기 위해 각 도로의 속도 데이터 중에서 가장 큰 값으로 해당 도로에서 수집한 속도 데이터를 나누어서 0에서 1사이의 값으로 모두 비슷한 범위를 가지도록 정규화 한다. 예를 들어,S_r이 110, S_n^t 이 89 라고 가정했을 때, S_n^t 을 정규화하면 0.
돌발 상황의 영향을 반영하기 위해 속도 변화량과 변화량에 따른 예측 속도와 실제 속도를 통계 분석하여 돌발 상황을 판단하고 이벤트 가중치를 정의한다. 기계학습 모델을 이용하여 타겟 도로와 이웃 도로들의 영향을 반영한 속도를 예측 한 후 돌발 상황 발생 여부에 따라 이벤트 가중치를 반영하여 최종 도로 속도를 예측한다. 도로 속도 예측을 통해 교통 혼잡 상황을 판단할 수 있으며 미리 대안을 제시하여 교통 혼잡으로 발생하는 피해와 비용을 줄일 수 있다.
기존 기법과의 비교 성능 평가를 위해 RNN을 이용한 도로 속도 예측과 성능 비교를 수행한 다.
그림 9]는 이벤트 가중치를 적용한 예측 속도와 실제 속도로 계산한 평균 RMSE(A) 값과 이벤트 가중치 를 고려하지 않은 예측 속도와 실제 속도로 계산한 평균 RMSE(B)값을 나타낸다. 도로 속도 급감 구역이 발생한 두 구간을 구분하여 각 평균 RMSE 값을 계산하 였다. Section1은 오전에 발생한 속도 변화 구간을 의미하고, Section2는 오후에 발생한 속도 변화 구간을 의미한다.
인접한 도로의 영향과 시간에 따른 흐름을 반영하기 위해 인접한 도로와 예측하고자 하는 도로의 혼잡도를 2차원의 배열로 구성하여 생성한 스냅샷들을 CNN(Convolutional Neural Network) [15]의 입력 데이터로 사용하였다. 도로 혼잡도에 영향을 주는 요소들을 반영하기 위해 날씨, 휴일, 도로 공사 그리고 특별한 날 등의 데이터를 정규화하였다. 정규화 한 데이터와 예측한 도로의 상태를 완전 연결 신경망 네트워크의 입력으로 주어 최종 도로 혼잡도를 예측한다.
하지만 1차 예측 속도는 교통 돌발 상황이 미치는 영향을 고려하지 않았기 때문에 돌발 상황 발생시 정확도가 저하되는 문제를 보완해야 한다. 따라서 1차 예측 속도에 교통 돌발 상황에 의해 급변하는 도로의 흐름을 반영하기 위한 이벤트 가중치를 적용하여 최종 속도를 예측한다. 오프라인 처리는 학습 데이터 집합을 LSTM 모델의 입력으로 넣어 예측을 위한 LSTM 학습 모델을 생성한다.
하지만 사고가 발생하는 시점과 사고가 기록되는 시점이 다르며 대부분의 사고 데이터가 정확하지 않다. 따라서 속도 변 화량을 분석하여 돌발 상황 발생 여부를 판단하고 돌발상황 발생시 이벤트 가중치를 적용하여 1차 예측 속도를 보정한다. 돌발 상황이 발생한 경우, 도로의 속도는 급격히 감소했다가 회복하는 패턴을 보인다.
하지만 RNN은 시간 격 차가 커지면 초기 데이터의 영향이 사라지는 기울기 손실 문제가 발생한다. 따라서 제안하는 기법에서는 기울기 손실 문제를 극복하기 위해 고안된 LSTM을 1차 속도 예측을 위한 학습 도구로 채택하였다. [그림 10]은 RNN을 이용한 예측 속도의 RMSE(RNN-P) 값과 LSTM을 이용한 예측 속도의 RMSE(LSTM-P) 값을 나타낸다.
제안하는 기법은 예측을 위해 타겟 도로와 이웃 도로들의 속도 데이터를 활용한다. 또한, 사고나 공사와 같이 도로 속도에 급격한 변화 흐름을 가져오는 돌발 상황을 고려하기 위해 속도 변화량을 분석하여 이에 대한 영향을 반영한다. 따라서 돌발 상황 발생시 도로 속도 예측 정확도가 떨어지는 기존의 문제를 보완할 수 있다.
Prediction Speed B는 30분 전의 속도 데이터가 가장 큰 영향을 미치기 때문에 도로 속도가 급감하는 구간과 회복하는 구간 모두 뒤늦게 따라가는 흐름을 보인다. 또한, 실제 속도가 급격히 감소하는 구간은 실제 속도의 흐름과 다르게 완만한 흐름으로 예측하였다. 과거 데이터들을 학습하여 예측하기 때문에 일반적이지 않게 속도가 급격히 감소하는 경우, 그 흐름을 반영하려고 하지만 상대적으로 매우 완만하게 예측하여 예측 정확도가 감소한다.
특정 노드에 대한 도로 속도 예측이 인근 링크들의 최근 정보에 의해 결정되도록 조건부 사건들로 정의하여 베이지안 네트워크 모형을 설계하였다. 또한, 일반적으로 돌발 상황에 대한 충분한 데이터를 확보하기가 어렵고, 이는 학습이 어렵기 때문에 이 문제를 해결하기 위해 실시간 도로 속도를 예측 모델에 반영하여 최종 도로 속도를 예측하였다. 도로의 혼잡도에는 다양한 요소들이 영향을 미친다.
먼저, 온라인 처리에서는 실시간으로 수집되는 데이터를 정규화 과정을 거쳐 데이터 집합을 생성한다. 생성한 예 측 데이터 집합을 학습된 LSTM 모델의 입력 데이터로 사용하여 학습 모델을 통해 1차적으로 속도를 예측한다. 현재 시점까지의 타겟 도로와 이웃 도로의 속도 데이터로 구성된 예측 데이터 집합으로 타겟 도로와 이웃 도로들의 영향을 반영하여 1차 속도를 예측한다.
학습 속도를 빠르고 안정적이게 할 수 있도록 최적화 함수로 아담(adam)을 사용한다. 손실 값을 가장 작게 만 들 수 있는 최적의 가중치를 구하기 위해 역전파 과정을 수행하며, 이 과정을 반복하여 최적의 가중치를 갖는 학습 모델을 생성한다.
1차 속도 예측을 위해 타겟 도로와 이웃 도로들의 속도 데이터로 구성된 예측 데이터 집합을 이용한다. 예측 데이터 집합을 학습된 LSTM 모델의 입력 데이터로 넣어 최적의 가중치를 이용하여 30분 후의 도로 속도를 예측한다. [그림 3]은 시간에 따라 실제 도로 속도와 1차 예측 속도를 나타낸 것이다.
예측 도로의 상·하류 도로의 도로 속도를 예측 도로의 속도에 영향을 미치는 요인으로 설정하였다.
오프라인 처리에서 타겟 도로와 이웃 도로들의 영향을 반영하여 최적의 가중치를 갖는 학습 모델을 생성하였다. 이 단계에서는 학습된 LSTM 모델을 이용하여 30분 후의 도로 속도를 예측한다.
제안 기법은 이웃 도로의 영향을 고려하기 위하여 이웃 도로들로부터 수집한 속도 데이터를 이용하여 학습을 통해 최적의 가중치를 갖는 LSTM 모델을 제안하였다. 이웃 도로들의 영향을 반영하여 1차 속도를 예측하고 교통 돌발 상황 발생 시 도로의 일반적인 흐름이 깨지면서 예측 오차가 커지는 문제를 보완하기 위해 이벤트 가중치를 적용하였다. 제안 하는 기법은 한국도로공사와 같이 실시간 도로 상황을 제공하는 서비스나 속도 변화량 분석을 통해 사고 상황을 신속하게 알릴 수 있는 애플리케이션 등 다양한 교 통 서비스 분야에 적용할 수 있다.
본 논문에서는 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안하였다. 제안 기법은 이웃 도로의 영향을 고려하기 위하여 이웃 도로들로부터 수집한 속도 데이터를 이용하여 학습을 통해 최적의 가중치를 갖는 LSTM 모델을 제안하였다. 이웃 도로들의 영향을 반영하여 1차 속도를 예측하고 교통 돌발 상황 발생 시 도로의 일반적인 흐름이 깨지면서 예측 오차가 커지는 문제를 보완하기 위해 이벤트 가중치를 적용하였다.
RMSE 값이 작을수록 예측 정확도가 높음을 의미한다. 제안하는 기법에서는 교통돌발 상황이 발생한 경우 예측 속도에 이벤트 가중치를 적용하여 도로 속도 예측의 정확도를 높인다. 속도 변화량을 통계 분석하여 속도가 급변할 때 발생하는 감소-회복 패턴의 판단 기준 을 정의하였으며 감소 가중치와 회복 가중치를 정의하였다.
00GB RAM, Windows 7 Ultimate K 64-bit 환경에서 실험 평가를 진행하였다. 제안하는 기법은 Python Anaconda custom 환경에서 Python 언어와 Keras 라이브러리를 이용하여 구현하였다. 성능평가에 사용된 속도 데이터는 한국도로공사 고속도로 공공데이터 포털에서 제공하는 VDS 수집체계로부터 획득한 구간 통행속도 자료를 수집하 였다.
본 논문에서는 기존 기법들이 갖는 문제점들을 해결하기 위하여 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안한다. 제안하는 기법은 예측을 위해 타겟 도로와 이웃 도로들의 속도 데이터를 활용한다. 또한, 사고나 공사와 같이 도로 속도에 급격한 변화 흐름을 가져오는 돌발 상황을 고려하기 위해 속도 변화량을 분석하여 이에 대한 영향을 반영한다.
도로 속도에 영향을 미치는 요소를 분석하여 예측 속도의 정확도를 높이고자 하였다. 타겟 도로의 과거 속도와 교통량의 변화가 타겟 도로의 속도에 미치는 영향, 그리고 이웃 도로들의 속도와 교통량의 변화가 타겟 도로의 속도에 미치는 영향을 독립적으로 반영하여 예측하였다. 예측 한 속도와 실제 속도의 RMSE(Root Mean Square Error) 값을 계산하여 비교한 결과, 타겟 도로와 이웃 도로들의 속도를 고려한 예측 속도가 가장 높은 정확도를 보였다.
예측 도로의 상·하류 도로의 도로 속도를 예측 도로의 속도에 영향을 미치는 요인으로 설정하였다. 특정 노드에 대한 도로 속도 예측이 인근 링크들의 최근 정보에 의해 결정되도록 조건부 사건들로 정의하여 베이지안 네트워크 모형을 설계하였다. 또한, 일반적으로 돌발 상황에 대한 충분한 데이터를 확보하기가 어렵고, 이는 학습이 어렵기 때문에 이 문제를 해결하기 위해 실시간 도로 속도를 예측 모델에 반영하여 최종 도로 속도를 예측하였다.

대상 데이터

이벤트 가중치를 반영하지 않은 결과는 1차 속도 예측 단계까지 수행한 제안 기법을 이용한다. 2019년 9월 9일 오전 7시 부터 오후 7시 까지의 예측 속도 결과를 이용하였다. [그림 8]는 이벤트 가중치 적용 여부에 따른 예측 속도를 나타낸 것이다.
[그림 2]는 제안하는 기법의 LSTM 모델 학습 절차를 나타낸다. LSTM 모델은 LSTM, Dropout, Dense 레이어로 구성한다. [표 2] 형식으로 구성한 학습 데이터 집합을 LSTM 레이어의 입력으로 넣는다.
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.
성능평가에 사용된 속도 데이터는 한국도로공사 고속도로 공공데이터 포털에서 제공하는 VDS 수집체계로부터 획득한 구간 통행속도 자료를 수집하 였다. 성능평가를 위해 2019년 06월 24일 월요일부터 9월 1일 일요일까지 수집된 속도 데이터를 학습 데이터 집합으로 사용하였으며 2019년 9월 2일 월요일부터 2019년 10월 6일 일요일까지 수집된 속도 데이터를 예측 데이터 집합으로 사용하였다. 제안하는 도로 속도 예측 기법의 성능평가는 크게 자체 성능평가와 기존 기법과의 비교 성능 평가로 이루어진다.
제안하는 기법은 Python Anaconda custom 환경에서 Python 언어와 Keras 라이브러리를 이용하여 구현하였다. 성능평가에 사용된 속도 데이터는 한국도로공사 고속도로 공공데이터 포털에서 제공하는 VDS 수집체계로부터 획득한 구간 통행속도 자료를 수집하 였다. 성능평가를 위해 2019년 06월 24일 월요일부터 9월 1일 일요일까지 수집된 속도 데이터를 학습 데이터 집합으로 사용하였으며 2019년 9월 2일 월요일부터 2019년 10월 6일 일요일까지 수집된 속도 데이터를 예측 데이터 집합으로 사용하였다.
기존의 도로 혼잡도 예측 기법은 과거 도로 혼잡도 데이터와 연결된 도로의 영향, 날씨, 사고, 특별한 날, 그리고 경찰에 의해 발생하는 정체를 고려하여 도로의 혼잡도를 예측하였다[5]. 인접한 도로의 영향과 시간에 따른 흐름을 반영하기 위해 인접한 도로와 예측하고자 하는 도로의 혼잡도를 2차원의 배열로 구성하여 생성한 스냅샷들을 CNN(Convolutional Neural Network) [15]의 입력 데이터로 사용하였다. 도로 혼잡도에 영향을 주는 요소들을 반영하기 위해 날씨, 휴일, 도로 공사 그리고 특별한 날 등의 데이터를 정규화하였다.

데이터처리

제안하는 기법에서 1차 속도 예측을 위한 학습 도구 로 사용한 LSTM의 우수성을 입증하기 위해 RNN을 이 용한 도로 속도 예측 기법과 성능 비교를 수행한다.
[그림 10]은 RNN을 이용한 예측 속도의 RMSE(RNN-P) 값과 LSTM을 이용한 예측 속도의 RMSE(LSTM-P) 값을 나타낸다. 2019년 9월 8일부터 9월 14일까지 하루 단위로 예측 속도의 RMSE 평균을 계산하였다. 월요일과 화요일을 제외한 모든 날의 LSTM-P로 예측한 속도의 RMSE 값이 낮으며, 평균적으로도 더 높은 정확도를 보 임으로써 제안하는 기법의 우수성을 입증하였다.
[표 5]는 성능 평가에 사용한 데이터를 나타낸다. 성능평가는 Intel core i5-4440 @ 3.10GHz, 8.00GB RAM, Windows 7 Ultimate K 64-bit 환경에서 실험 평가를 진행하였다. 제안하는 기법은 Python Anaconda custom 환경에서 Python 언어와 Keras 라이브러리를 이용하여 구현하였다.
예측한 타겟 도로의 속도를 의미한다. 손실 함수 MSE(Mean Squared Error)를 이용하여 식 2와 같이 실제 속도와 예측 속도의 오차를 계산한다. 손실 값이 작을수록 정확하게 예측했음을 의미한다.

이론/모형

기존 기법과의 비교 성능 평가를 위해 RNN을 이용한 도로 속도 예측과 성능 비교를 수행한 다. 본 논문에서는 이 기법을 RNN-P 기법이라 표기한 다. 본 논문에서는 예측 정확도를 평가하기 위해 예측 한 속도와 실제 속도를 기반으로 RMSE를 계산하였다.
예측을 하는 경우에는 실제 30분 후의 타겟 도로 속도인 S_n^t 를 알 수 없으므로 i 시점의 도로 속도 데이터 이용하여 [표 1]과 같이 예측 데이터 집합을 구성한다. 예측 데이터 집합은 학습된 LSTM 모델의 입력으로 사용한다.
오프라인 처리에서 타겟 도로와 이웃 도로들의 영향을 반영하여 최적의 가중치를 갖는 학습 모델을 생성하였다. 이 단계에서는 학습된 LSTM 모델을 이용하여 30분 후의 도로 속도를 예측한다. 이 단계에서 예측한 속도는 1차 예측 속도라고 정의한다.
본 논문에서는 타겟 도로와 이웃 도로의 영향과 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안한다. 타겟 도로와 이웃 도로들의 영향을 고려하기 위하여 시 계열 데이터 학습에 적합한 LSTM(Long Short-Term Memory)[13] 모델을 이용한다. 돌발 상황의 영향을 반영하기 위해 속도 변화량과 변화량에 따른 예측 속도와 실제 속도를 통계 분석하여 돌발 상황을 판단하고 이벤트 가중치를 정의한다.

성능/효과

기계학습 모델을 이용하여 타겟 도로와 이웃 도로들의 영향을 반영한 속도를 예측 한 후 돌발 상황 발생 여부에 따라 이벤트 가중치를 반영하여 최종 도로 속도를 예측한다. 도로 속도 예측을 통해 교통 혼잡 상황을 판단할 수 있으며 미리 대안을 제시하여 교통 혼잡으로 발생하는 피해와 비용을 줄일 수 있다. 또한, 본 논문에서 제안하는 기법은 실시간 도로 상황을 제공하는 서비스나 속도 변화량 분석을 통해 도로의 정체 구간을 판별하거나 실시간 길안내 서비스 에 활용될 수 있다.
타겟 도로는 속도를 예측하고자 하는 도로를 의미하고 이웃 도로는 타겟 도로 구간에 연결된 모든 하류 구간으로 정의하다. 속도 데이터와 교통량 데이터를 각각 이용하여 예측한 속도의 성능을 비교한 결과, 타겟 도로와 이웃 도로의 속도 데이터를 이용하여 예측한 도로 속도가 가장 높은 정확도를 보였다. 본 논문에서는 타겟 도로와 이웃 도로의 영향과 교통 돌발 상황을 고려한 도로 속도 예측 기법을 제안한다.
타겟 도로의 과거 속도와 교통량의 변화가 타겟 도로의 속도에 미치는 영향, 그리고 이웃 도로들의 속도와 교통량의 변화가 타겟 도로의 속도에 미치는 영향을 독립적으로 반영하여 예측하였다. 예측 한 속도와 실제 속도의 RMSE(Root Mean Square Error) 값을 계산하여 비교한 결과, 타겟 도로와 이웃 도로들의 속도를 고려한 예측 속도가 가장 높은 정확도를 보였다. [4]에서는 베이지안 네트워크 기반으로 예측하고자 하는 도로의 상·하류 도로의 과거 속도 데이터와 실시간 교통 정보를 이용하여 5분에서 60분 후의 도로 속도 를 예측했으나 현재 시간에서 멀어질수록 예측 오차가 증가하였다.
Section1은 오전에 발생한 속도 변화 구간을 의미하고, Section2는 오후에 발생한 속도 변화 구간을 의미한다. 오전 구간의 A는 11.80으로 72.11인 B에 대 비하여 RMSE 값이 60.31 감소하여 예측 오차를 크게 줄였으며, 오후 구간 또한 A는 14.67로 23.00인 B에 대비하여 RMSE 값이 8.33 감소하여 두 구간 모두 높은 정확도로 예측하였다. 제안하는 기법에서 1차 속도 예측을 위한 학습 도구 로 사용한 LSTM의 우수성을 입증하기 위해 RNN을 이 용한 도로 속도 예측 기법과 성능 비교를 수행한다.
2019년 9월 8일부터 9월 14일까지 하루 단위로 예측 속도의 RMSE 평균을 계산하였다. 월요일과 화요일을 제외한 모든 날의 LSTM-P로 예측한 속도의 RMSE 값이 낮으며, 평균적으로도 더 높은 정확도를 보 임으로써 제안하는 기법의 우수성을 입증하였다.
제안하는 도로 속도 예측 기법의 성능평가는 크게 자체 성능평가와 기존 기법과의 비교 성능 평가로 이루어진다. 자체 성능평가로 제안하는 기법에서 고려한 교통 돌발 상황 시 이벤트 가중치를 적용했을 때와 적용하지 않았을 때의 결과를 비교하여 제안하는 기법의 유효성을 입증한다. 기존 기법과의 비교 성능 평가를 위해 RNN을 이용한 도로 속도 예측과 성능 비교를 수행한 다.
제안하는 도로 속도 예측 기법과 기존 기법의 성능 비교 평가를 통해 제안하는 기법의 우수성을 입증한다. [표 4]는 성능 평가 환경을 보여준다.

후속연구

도로 속도 예측을 통해 교통 혼잡 상황을 판단할 수 있으며 미리 대안을 제시하여 교통 혼잡으로 발생하는 피해와 비용을 줄일 수 있다. 또한, 본 논문에서 제안하는 기법은 실시간 도로 상황을 제공하는 서비스나 속도 변화량 분석을 통해 도로의 정체 구간을 판별하거나 실시간 길안내 서비스 에 활용될 수 있다. 본 논문의 구성은 다음과 같다.
이웃 도로들의 영향을 반영하여 1차 속도를 예측하고 교통 돌발 상황 발생 시 도로의 일반적인 흐름이 깨지면서 예측 오차가 커지는 문제를 보완하기 위해 이벤트 가중치를 적용하였다. 제안 하는 기법은 한국도로공사와 같이 실시간 도로 상황을 제공하는 서비스나 속도 변화량 분석을 통해 사고 상황을 신속하게 알릴 수 있는 애플리케이션 등 다양한 교 통 서비스 분야에 적용할 수 있다. 일반 도로의 경우 차량의 진출입이 구간이 다양하고 도로 속도에 영향을 미치는 요소가 다양하다.
[5]에서는 과거 도로 혼잡도 데이터와 도로 속도에 영향을 미치는 요소인 날씨, 휴일, 도로 공사 그리고 특별한 날 등의 데이터를 이용하여 예측 혼잡도의 정확도를 높였다. 해당 연구에서는 각 도로 환경 데이터를 0~1사이의 값으로 정규화 했으나 도로 환경 데이터들 은 서로 다른 특징을 보이므로 각 환경 데이터가 도로의 혼잡도에 미치는 영향을 연구할 필요가 있으며 각 데이터를 값으로 산출하는 방법을 제시하지 않았다. [6]에서는 이웃 도로들의 영향을 고려하기 위해 LSTM 모델의 입력으로 타겟 도로와 이웃 도로들의 과거 속도 데이터를 입력으로 주어 가까운 미래의 도로 속도를 예측하였다.
제안 기법은 차량 진출입이 제한적인 고속도로 환경에서 속도를 예측하는 기법으로 일반 도로에 적용하기 위해서는 속도에 영향을 미치는 다양한 요소들을 고려하여 할 필요가 있다. 향후 연구로는 일반 도로 환경에서 도로속도 예측을 위한 연구를 진행하고 다양한 도로 환경에서 제안 기법의 유효성을 검증할 예정이다.

질의응답

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.

참고문헌 (20)

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.

상세보기
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.

상세보기
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.

상세보기
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.

상세보기
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.

상세보기
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.

상세보기
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/

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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