[논문]효율적인 교통 체계 구축을 위한 Conv-LSTM기반 사거리 모델링 및 교통 체증 예측 알고리즘 연구

이승용; 서부원; 박승민

doi:10.13067/jkiecs.2023.18.2.321

효율적인 교통 체계 구축을 위한 Conv-LSTM기반 사거리 모델링 및 교통 체증 예측 알고리즘 연구
Conv-LSTM-based Range Modeling and Traffic Congestion Prediction Algorithm for the Efficient Transportation System 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.18 no.2, 2023년, pp.321 - 327

이승용 (동서대학교 소프트웨어학과) , 서부원 (동서대학교 소프트웨어학과) , 박승민 (동서대학교 소프트웨어학과)

초록
AI-Helper

인공 지능이 발전함에 따라 예측 시스템은 우리의 삶에 필수적인 기술 중 하나로 자리를 잡았다. 이러한 기술의 성장에도 불구하고, 21세기 사거리 교통 체증은 계속해서 문제 되어 왔다. 본 논문에서는 Conv-LSTM(: Convolutional-Long Short-Term Memory) 알고리즘을 이용한 사거리 교통 체증 예측 시스템을 제안한다. 제안한 시스템은 교통 체증이 발생하는 사거리에 시간대별 교통 정보를 학습한 데이터를 모델링 한다. 시간의 흐름에 따라 기록된 교통량 데이터로 교통 체증을 예측하며. 예측된 결과를 기반으로 사거리 교통 신호를 제어하고, 일정한 교통량으로 유지한다. VDS(: Vehicle Detection System)센서를 활용하여 도로 혼잡도 데이터를 정의하고, 교통을 원활하게 하기 위하여 각각의 교차로를 Conv-LSTM 알고리즘기반 네트워크 시스템으로 구성하였다.

Abstract ▼ AI-Helper

With the development of artificial intelligence, the prediction system has become one of the essential technologies in our lives. Despite the growth of these technologies, traffic congestion at intersections in the 21st century has continued to be a problem. This paper proposes a system that predicts intersection traffic jams using a Convolutional LSTM (Conv-LSTM) algorithm. The proposed system models data obtained by learning traffic information by time zone at the intersection where traffic congestion occurs. Traffic congestion is predicted with traffic volume data recorded over time. Based on the predicted result, the intersection traffic signal is controlled and maintained at a constant traffic volume. Road congestion data was defined using VDS sensors, and each intersection was configured with a Conv-LSTM algorithm-based network system to facilitate traffic.

주제어

표/그림 (8)

$그림 1. 시각화 한 Conv-LSTM 구조 Fig. 1.\ Visualized Conv-LSTM structure.$ 그림 그림 1. 시각화 한 Conv-LSTM 구조 Fig. 1.\ Visualized Conv-LSTM structure.
그림 그림 2. Conv-LSTM 사거리 교통 체증 시스템 Fig. 2 Conv-LSTM Traffic Congestion Forecasting System
그림 그림 3. 제안한 교통 체증 예측 시스템 개념도 Fig. 3 Proposed Traffic Congestion Forecasting System Conceptual Diagram
표 표 1. 시간에 따른 연산교차로 방면 버스 이동 횟수 Table 1. Number of bus movements according to the 'Yeonsan' intersection time zone
그림 그림 4. 한 달간 시간대별 교통량 통계 Fig. 4 Traffic statistics by hour for a month
그림 그림 5. 교차 검증을 시행한 결과 Fig. 5 Results of cross-validation.
그림 그림 6. 9시간 동안 교통량 그래프 Fig. 6 Traffic graph for 9 hours
표 표 2. 기존 교통량 예측 유사연구와의 오차율 비교 Table 2. Comparison of error rates with existing similar traffic volume prediction studies

참고문헌 (10)

Y. Kim, D. Kim, and S. Lee, "Prediction of？Temperature and Heat Wave Occurrence for？Summer Season Using Machine Learning," J.？of Korean Society of Disaster and Security, vol.？13, no. 2, June. 2020, pp. 27-38.
J. Jo, "Time Series Data Processing Deep？Learning system for Prediction of Hospital？Outpatient Number," J. of the Korea Institute of？Electronic Communication Sciences, vol. 16, no.？2, Apr. 2021, pp. 313-318.
S. Jung, J. Koh, and S. Lee, "Recurrent Neural？Network based Prediction System of？Agricultural Photovoltaic Power Generation,"？J. of the Korea Institute of Electronic？Communication Sciences, vol. 17, no. 5, Oct.？2022, pp. 825-832.
H. Kwon, J. Yoo, and L. Yang, "A Hybrid？Inference System for Efficiently Controlling？Reversible Lane," J. of the Korea Society of？Computer and Information, vol. 17, no. 11, Nov.？2012, pp. 19-26.
S. Kang, "Calculation of appropriate speed？limits for urban roads using traffic？information big data," Doctoral Thesis,？University of Seoul, 2017.
G. Baek, J. Lee, and M. Park, "Development？of Auto Traffic Light Control System for？Prevention of Traffic Jam," J. of the？Convergence Signal Processing Society, vol. 15,？no. 4, Oct. 2014, pp. 148-154.
G. Lee and S. Lee, "Universal Prediction？System Realization Using RNN," The J. of？Korean Institute of Information Technology, vol.？16, no. 10, Oct. 2018, pp. 11-20.
S. Hochreiter, and J. Schmidhuber, "Long？Short-Term Memory", Neural Comput, vol. 9,？no. 8, Nov. 1997, pp. 1735-1780.

상세보기
M. Aqib, R. Mehmood, A. Alzahrani, I. Katib,？A. Albeshri, and S. Altowaijri, "Smarter？Traffic Prediction Using Big Data, In-Memory？Computing, Deep Learning and GPUs,"？Sensors, vol. 19, no. 9, May. 2019, pp.？2206-2239.

상세보기
Y. Lv, Y. Duan, W. Kang, Z. Li, and F. Wang,？"Traffic Flow Prediction With Big Data: A Deep？Learning Approach," in IEEE Transactions on？Intelligent Transportation Systems, vol. 16, no. 2,？Apr. 2015, pp. 865-873.

상세보기

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