$\require{mediawiki-texvc}$

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.

LSTM을 활용한 고속도로 교통정보 예측 모델 개발 방법론
Methodology for Developing a Predictive Model for Highway Traffic Information Using LSTM 원문보기

韓國ITS學會 論文誌 = The journal of the Korea Institute of Intelligent Transportation Systems, v.22 no.5, 2023년, pp.1 - 18  

이요셉 (아주대학교 교통공학과) ,  진형석 ((주) 이젠시스 해외컨설팅팀) ,  김예진 (아주대학교 교통공학과) ,  박성호 (아주대학교 혁신융합단) ,  윤일수 (아주대학교 교통시스템공학과)

초록
AI-Helper 아이콘AI-Helper

최근 빅데이터 및 딥러닝 기술의 발전으로 다양한 교통정보가 널리 수집 및 활용되고 있다. 특히 시계열 특성을 갖는 교통정보 예측 분야에서는 장단기 메모리(long short term memory, LSTM)가 널리 사용되고 있다. LSTM에 입력되는 시계열 데이터의 추세, 계절성, 주기 등이 상이하기 때문에 시계열 데이터를 기반으로 한 예측 모델에서도 데이터의 특성에 따라 하이퍼 파라미터의 적합한 값을 찾는 시행착오법이 필수적이다. 이에 적합한 하이퍼 파라미터를 찾는 방법론이 정립된다면, 정확도가 높은 모델 구성에 소요되는 시간을 줄일 수 있다. 따라서, 본 연구에서는 국내 고속도로 차량검지기 데이터와 LSTM을 기반으로 교통정보 예측 모델을 개발하였으며, LSTM의 하이퍼 파라미터별 평가지표 변화를 통해 예측 결과에 미치는 영향평가를 수행하였다. 또한, 이를 기반으로 교통분야에서 고속도로 교통정보 예측에 적합한 하이퍼 파라미터를 찾는 방법론을 제시하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

With the recent developments in big data and deep learning, a variety of traffic information is collected widely and used for traffic operations. In particular, long short-term memory (LSTM) is used in the field of traffic information prediction with time series characteristics. Since trends, season...

주제어

#교통정보   #예측   #장단기 메모리   #하이퍼 파라미터   #최적화  

참고문헌 (20)

  1. Brownlee, J.(2018), "Better Deep Learning: Train Faster, Reduce Overfitting, and Make better？Predictions", Machine Learning Mastery, p.540. 

  2. Bushaev, V.(2018), Understanding RMSprop-faster neural network learning, June, 13, 2023.？https://towardsdatascience.com/understanding-rmsprop-faster-neural-network-learning-62e116fcf29a, 2023.07.19. 

  3. Goodfellow, I., Bengio, Y. and Courville, A.(2016), Deep learning, MIT Press. 

  4. Hossain, M. D., Ochiai, H., Fall, D. and Kadobayashi, Y.(2020), "LSTM-based network attack？detection: Performance comparison by hyper-parameter values tuning", 2020 7th IEEE？International Conference on Cyber Security and Cloud Computing (CSCloud)/2020 6th IEEE？International Conference on Edge Computing and Scalable Cloud (EdgeCom), pp.62-69. 

  5. Hyndman, R. K. and Athanasopoulos, G.(2018), Forecasting: Principles and Practice (3rd ed.),？OTexts: Melbourne, Australia. OTexts.com/fpp3, 2023.07.19. 

  6. Kim, H. J., Park, S. H. and Jang, K. T.(2016), "Short-term Traffic States Prediction Using k-Nearest？Neighbor Algorithm: Focused on Urban Expressway in Seoul", Journal of Korean Society of？Transportation, vol. 34, no. 2, pp.158-167. 

  7. Lee, J. and Han, J.(2021), "Layer-wise Relevance Propagation (LRP) Based Technical and？Macroeconomic Indicator Impact Analysis for an Explainable Deep Learning Model to Predict an？Increase and Decrease in KOSPI", Journal of Korean Institute of Information Scientists and？Engineers, vol. 48, no. 12, pp.1289-1297. 

  8. Malhotra, P., Ramakrishnan, A., Anand, G., Vig, L., Agarwal, P. and Shroff, G.(2016), LSTM-based？Encoder-Decoder for Multi-sensor Anomaly Detection, arXiv preprint arXiv:1607.00148. 

  9. Moon, J., Park, J., Han, S. and Hwang, E.(2017), "Power Consumption Forecasting Scheme for？Educational Institutions Based on Analysis of Similar Time Series Data", Journal o fKorean？Institute of Information Scientists and Engineers, vol. 44, no. 9, pp.954-965. 

  10. Muzaffar, S. and Afshari, A.(2019), "Short-Term Load Forecasts Using LSTM Networks", Energy？Procedia, vol. 158, pp.2922-2927. 

    상세보기

  11. Olah, C.(2015), Understanding LSTM Networks(2015), Oct, 10, 2022, https://colah.github.io/posts/2015-08-Understanding-LSTMs, 2023.07.19. 

  12. Park, B., Bae, S. and Jung, B.(2021), "Speed Prediction of Urban Freeway Using LSTM and CNN-LSTM Neural Network", The Journal of the Korea Institute of Intelligent Transport？System, vol. 20, no. 1, pp.86-99. 

  13. Park, S., Choi, D., Bok, K. and Yoo, J.(2020), "Road Speed Prediction Scheme Considering Traffic？Incidents", The Journal of the Korea Contents Association, vol. 20, no. 4, pp.25-37. 

  14. Ruder, S.(2016), An overview of gradient descent optimization algorithms, arXiv preprint？arXiv:1609.04747. 

  15. Ryu, K. D. and Kim, W. J.(2018), "Comparative Analysis of Time Series Method for Forecasting the？Call Arrival of Call Center", The Journal of Korean Institute of Information Technology, vol. 16,？no. 8, pp.83-96. 

    상세보기

  16. Shi, J., Jain, M. and Narasimhan, G.(2022), Time series forecasting (tsf) using various deep learning？models, arXiv preprint arXiv:2204.11115. 

  17. Sohn, E. S. and Kim, J. K.(2021), "FlappyBird Competition System: A Competition-Based Assessment？System for AI Course", Journal of Korea Multimedia Society, vol. 24, no. 4, pp.593-600. 

  18. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I. and Salakhutdinov, R.(2014), "Dropout: A？simple way to prevent neural networks from overfitting", The Journal of Machine Learning？Research, vol. 15, no. 1, pp.1929-1958. 

    상세보기

  19. Yadav, A., Jha, C. K. and Sharan, A.(2020), "Optimizing LSTM for time series prediction in India？stock market", Procedia Computer Science, vol. 167, pp.2901-2100. 

  20. Yu, J. H. and Kim, J. H.(2010), "Development of an incident impact analysis system using short-term？traffic forecasts", Journal of the Korean Society of Road Engineers, vol. 12, no. 4, pp.1-9. 

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