$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝 모형을 이용한 신호교차로 대기행렬길이 예측
Predicting a Queue Length Using a Deep Learning Model at Signalized Intersections 원문보기

韓國ITS學會 論文誌 = The journal of the Korea Institute of Intelligent Transportation Systems, v.20 no.6, 2021년, pp.26 - 36  

나다혁 (아주대학교 교통연구센터) ,  이상수 (아주대학교 교통공학과) ,  조근민 (아주대학교 교통연구센터) ,  김호연 (아주대학교 교통공학과)

초록
AI-Helper 아이콘AI-Helper

본 연구는 영상검지기에서 수집되는 정보를 활용하여 딥러닝 기반으로 대기행렬길이를 예측하는 모형을 개발하였다. 그리고 통계적 기법인 다중회귀 모형을 추정하여 평균절대오차와 평균제곱근오차의 두 지표를 이용하여 비교·평가하였다. 다중회귀분석 결과, 시간, 요일, 점유율, 버스 교통량이 유효한 변수로 도출되었고, 이 중에서 독립변수들의 종속변수에 대한 영향력은 점유율이 가장 큰 것으로 나타났다. 딥러닝 최적 모형은 은닉층이 4겹, Look Back이 6으로 결정되었고, 평균절대오차와 평균제곱근오차가 6.34와 8.99로 나타났다. 그리고 두 모형을 평가한 결과, 다중회귀 모형과 딥러닝 모형의 평균절대오차는 각각 13.65와 6.44, 평균제곱근오차는 각각 19.10과 9.11로 계산되었다. 이는 딥러닝 모형이 다중회귀 모형과 비교하여 평균절대오차가 52.8%, 평균제곱근오차는 52.3% 감소된 결과이다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this study, a deep learning model for predicting the queue length was developed using the information collected from the image detector. Then, a multiple regression analysis model, a statistical technique, was derived and compared using two indices of mean absolute error(MAE) and root mean square...

주제어

#다중회귀   #딥러닝   #대기행렬길이   #예측  

참고문헌 (19)

  1. Cho G., Lee S. and Nam D.(2020), "Forecasting of Rental Demand for Public Bicycles using a Deep Learning Model," Journal of the Korean Institute of Intelligent Transport Systems, vol. 19, no. 3, pp.28-37. 

    원문보기 상세보기 crossref

  2. Do C.(2010), Principles of Transportation Engineering, Gyomoon Publishers. 

  3. Fu R., Zhang Z. and Li L.(2016), "Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction," 31st Youth Academic Annual Conference of Chinese Association of Automation, pp.324-328. 

  4. Gao K., Huang S., Han F., Li S., Wu W. and Du R.(2020), "An Integrated Algorithm for Intersection Queue Length Estimation Based on IoT in a Mixed Traffic Scenario," Applied Sciences, vol. 10, no. 6, 2078. 

    상세보기 crossref

  5. Han J., Kim S. and Choi B.(2000), "Training Sample of Artificial Neural Networks for Predicting Signalized Intersection Queue Length," Proceedings of the KOR-KST Conference, vol. 18, no. 4, p.75. 

  6. Kang J. and Oh Y.(2005), "The Development of Traffic Queue Length Measuring Algorithm Using the Occupancy Rates," Proceedings of the KOR-KST Conference, vol. 48, p.309. 

  7. Ki B., Han J. and Kim S.(2002), "A Study on Prediction of Queue Length Based on the Neural Network and Genetic Algorithm for a Signalized Intersection," Journal of the Korean Society of Civil Engineering D, vol. 22, no. 4, p.595. 

  8. Kim S.(2018), Coding Chef's 3-minute Deep Learning, Kerass flavor, Hanbit Publishing Network. 

  9. Kim T.(2017), Python Deep Learning Keras with Blocks, Digitalbooks. 

  10. Lee C.(2000), Introducing ATIS to Seoul Metropolitan, Seoul Development Institute. 

  11. Lee Y., Son B., Kim H.(2003), "Development of A Simple Method for Determining Queue-EndLocation", Proceedings of the KOR-KST Conference 44, pp.1-6. 

  12. Lee Y. and Oh Y.(2002), "A Development of Queue Length Estimation in COSMOS," Proceedings of the KOR-KST Conference, vol. 42, p.1. 

  13. Lee Y., Hwang J., Kim S. and Lee C.(2018), "Development of Vehicle Queue Length Estimation Model Using Deep Learning," Journal of the Korean Institute of Intelligent Transport Systems, vol. 17, no. 2, pp.39-57. 

  14. Liu H. X., Wu X., Ma W. and Hu H.(2009), "Real-time Queue Length Estimation for Congested Signalized Intersections", Transportation Research Part C, 17(4), p.412. 

    상세보기 crossref

  15. Luo X., Ma D., Jin S., Gong Y. and Wang D.(2019), "Queue Length Estimation for Signalized Intersections Using License Plate Recognition Data," IEEE Intelligent Transportation System Magazine, p.209. 

  16. Nikhil B.(2017), Fundamentals of Deep Learning (1st ed.), O'Reilly Media. 

  17. Sim S., Lee C. and Choi K.(2002), "A Queue Length Prediction Algorithm using Kalman Filter," Journal of Korean Society of Transportation, vol. 20, no. 5, p.145. 

  18. Yim Y. and Ygnace J. L.(1996), "Link Flow Evaluation Using Loop Detector Data: Traveler Response to Variable-Message Signs", TRR, Volume 1550 Issue 1, pp.58-64. 

    상세보기

  19. Yin J., Sun J. and Tang K.(2018), "A Kalman Filter-Based Queue Length Estimation Method with Low-Penetration Mobile Sensor Data at Signalized Intersections," TRR, vol. 2672, no. 45, pp.253-264. 

    상세보기

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로