[논문]LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측

박부기; 배상훈; 정보경

doi:10.12815/kits.2021.20.1.86

LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측
Speed Prediction of Urban Freeway Using LSTM and CNN-LSTM Neural Network 원문보기

韓國ITS學會論文誌 = The journal of the Korea Institute of Intelligent Transportation Systems, v.20 no.1, 2021년, pp.86 - 99

박부기 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 배상훈 (부경대학교 공간정보시스템공학과) , 정보경 (부경대학교 공간정보시스템공학과)

초록
AI-Helper

교통혼잡을 완화하기 위한 방안 중 하나로 도로 이용자에게 교통상황 예측정보를 제공함으로써 교통량을 분산 시켜 도로 이용 효율을 증대시키는 방법이 있다. 이를 위해서는 신뢰성이 보장되고 정량적인 실시간 교통 속도 예측이 필수적이다. 본 연구에서는 상황별 교통속도 분석을 기반으로 이력 속도 데이터와 이력 속도 외의 교통류에 상관관계가 있는 데이터를 LSTM 입력 데이터로 활용하였다. 정상 교통류 상황에 대응하여 속도를 예측하는 LSTM 모델과 유고상황에 대응하여 속도를 예측하는 CNN-LSTM 모델을 개발하여 유고발생 후 1시간까지 5분 단위로 교통속도 예측을 시도하였다. 모델의 검증은 테스트 데이터를 통하여 교통상황별 예측성능을 분석하였다. 그 결과 정상 교통류에서는 평균 7.43km/h, 유고상황에서는 7.66km/h의 오차율로 각각 예측되었다.

Abstract ▼ AI-Helper

One of the methods to alleviate traffic congestion is to increase the efficiency of the roads by providing traffic condition information on road user and distributing the traffic. For this, reliability must be guaranteed, and quantitative real-time traffic speed prediction is essential. In this study, and based on analysis of traffic speed related to traffic conditions, historical data correlated with traffic flow were used as input. We developed an LSTM model that predicts speed in response to normal traffic conditions, along with a CNN-LSTM model that predicts speed in response to incidents. Through these models, we try to predict traffic speeds during the hour in five-minute intervals. As a result, predictions had an average error rate of 7.43km/h for normal traffic flows, and an error rate of 7.66km/h for traffic incident flows when there was an incident.

주제어

참고문헌 (12)

ALIO(2013), Korea Road Traffic Authority Traffic Science Institute, pp.86-87.
FHWA(2006), Traffic Detector Handbook, pp.3-17.
Jung H. J., Yoon J. S. and Bae S. H.(2017), "Traffic Congestion Estimation by Adopting Recurrent Neural Network," The Journal of the Korea Institute of Intelligent Transport Systems, vol. 16, no. 6, pp.67-78.
Kim D. H., Hwang K. Y. and Yoon Y.(2019), "Prediction of Traffic Congestion in Seoul by Deep Neural Network," The Journal of the Korea Institute of Intelligent Transport Systems, vol. 18, no. 4, pp.44-57.
Korea Meteorological Administration Data Center ASOS Data, https://data.kma.go.kr, 2020.07.27.
Lee H. S. and Bui K. H. N.(2019), "Deep Learning LSTM for Long-Short Term Traffic Flow Prediction," The Korean Institute of Information Scientists and Engineers 2019, pp.724-726.
Park S. H., Choi D. J., Bok K. S. and Yoo J. S.(2020), "Road Speed Prediction Scheme Considering Traffic Incidents," The Journal of the Korea Contents Association, vol. 20, no. 4, pp.25-37.

원문보기 상세보기
Sepp H. and Jurgen S.(1997), "Long Short-Term Memory," Neural Computation, vol. 9, no. 8, pp.1735-1780.

상세보기
Simard P. Y., Steinkraus D. and Platt J. C.(2003), "Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis," Proceedings of the 7th International Conference on Document Analysis and Recognition, no. 3, pp.958-963.
The Korea's Transport Institute Press Release, https://www.koroad.or.kr, 2020.10.13.
Traffic Accident Analysis System, http://taas.koroad.or.kr, 2020.10.13.
Zheng H., Lin F., Feng X. and Chen Y.(2020), "A Hybrid Deep Learning Model With Attention-Based Conv-LSTM Networks for Short-Term Traffic Flow Prediction," IEEE Transactions on Intelligent Transportation Systems, pp.1-11.

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

LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측
Speed Prediction of Urban Freeway Using LSTM and CNN-LSTM Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측 Speed Prediction of Urban Freeway Using LSTM and CNN-LSTM Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

배상훈 (33)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측
Speed Prediction of Urban Freeway Using LSTM and CNN-LSTM Neural Network 원문보기

초록
AI-Helper