[논문]주변 도로의 교통량 Pattern을 학습 및 적용한 버스도착시간 예측

유종빈; 이찬근; 강현철; 박호현

주변 도로의 교통량 Pattern을 학습 및 적용한 버스도착시간 예측
Predict a bus arrival time from traffic volume of surrounding roads 원문보기

유종빈 (중앙대학교 공과대학 전자전기공학부) , 이찬근 (중앙대학교 공과대학 전자전기공학부) , 강현철 (중앙대학교 공과대학 전자전기공학부) , 박호현 (중앙대학교 공과대학 전자전기공학부)

BMS(Bus Management System)의 핵심인 버스도착예정시간을 산출하는 데 있어서 기존 대부분의 도시에서는 시계열 모형의 이동평균법, 칼만필터링 등으로 버스도착예정시간을 예측하고 있으나 이는 급격한 통행량의 변화 또는 급작스러운 사고, 신호체계 등에 적응 할 수 없다. 따라서 본 논문에서는 주변 도로의 통행량에 따른 버스의 정류장 도착시간을 예측하는 방법을 제안 한다. 주변 도로의 통행량과 실제 버스의 통행시간을 실측하여 기록, 학습하고 모델링하여 미래의 버스의 운행시간을 예측하는 방법이다. 또, 이동평균법에 의한 버스도착시간 예측결과와 본 논문에서 제안하는 결과와 비교, 분석하였다.

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

문제 정의

따라서 본 연구를 바탕으로, 버스의 통행에 영향을 주는 위의 요소을 포함하여 패턴인식을 통해 학습·예측할 수 있는 알고리즘을 연구하도록 하겠다.
본 논문에서는 도로의 통행량에 의거하여 버스의 정류장 도착시간을 예측하였다.

가설 설정

또한, 예측은 EEi, ELi,k 값을 모른다는 가정 하에 수행하였다.

제안 방법

그리고 각 End Point(Ei) 마다 고유 값 범위 내에서 통행량이 발생하도록 하였으며, Cross Point 에서도 각 도로로 분산되는 고유값을 가지도록 하였다.
또 L1~L3 사이의 도로를 운행하는 버스의 통행시간을 데이터베이스에 저장하였으며 통행량 중 버스의 비율을 1/10로 하였다.
학습량 별로 데이터베이스에 저장을 하고, Fi를 구하였으며 각 학습량 별로 도로의 교통량을 달리하여 총 100번의 예측을 하였고, 100번의 예측마다 실제 시뮬레이션을 한 실측치결과와 비교하여 오차를 계산해 보았다. 또 이동평균법을 이용해 같은 100번의 상황에서 예측을 하고 실측치와 비교한 오차를 구하였다.
먼저 도로 L1~L8의 통행량에 따라 버스통행시간 예측을 모델링 했으며 8개의 도로마다 가중치 Fi를 구하였다.
버스 통행구간은 정류장과 정류장 사이인 L1~L3가 되며 교통량은 End Point에서 시간에 따라 Random하게 발생하고, 각 Cross Point에서 일정 확률로 주변 도로로 분산되도록 설계하였다.
버스구간 L1~L3의 통행시간의 합의 시간에 대한 변화량을 Li 도로의 시간에 대한 통행량 변화량으로 나누어 Li도로의 통행량과 버스구간의 통행시간의 상관관계를 구하였다.
시뮬레이션을 통한 데이터를 분석하여 통행량에 따른 버스통행 시간을 모델링 하였다.
임의로 구성된 도로에서 버스를 포함한 교통량이 랜덤하게 유입되는 상황을 시뮬레이션 하였으며 시간대 별, 도로별 유입되는 교통량을 달리 하였다.
즉, 통행량이 k일 때 각 8개의 도로마다 과거에 k와 비슷한 통행량을 보일 때의 통행시간 패턴을 참고하였다.
학습량 별로 데이터베이스에 저장을 하고, Fi를 구하였으며 각 학습량 별로 도로의 교통량을 달리하여 총 100번의 예측을 하였고, 100번의 예측마다 실제 시뮬레이션을 한 실측치결과와 비교하여 오차를 계산해 보았다. 또 이동평균법을 이용해 같은 100번의 상황에서 예측을 하고 실측치와 비교한 오차를 구하였다.

데이터처리

Matlab 을 통해 시뮬레이션 환경을 구축하였으며 My-SQL 에 데이터를 저장하였다.
본 논문에서 제안하는 방법의 우수성을 증명하기 위해 이동평균법에 의한 예측과 비교하였다.

성능/효과

그리고 예측의 정확도는 4.1절에서와 같이 96.03%였으며 이동평균법의 정확도보다 우수하게 평가되었다.
먼저, 학습량에 따른 오차의 변화를 살펴보면 [그림3],[그림4]와 같이 이동평균에 의한 예측은 학습량의 변화에 영향을 받지 않았지만 본 논문에서 제안하는 패턴인식에 의한 예측방법은 학습량이 많아 질수록 오차가 줄어드는 것을 확인 할 수 있다.
본 연구와 관련하여 많은 연구가 이루어 졌으며, 앞서 서론에서 밝혔듯이 버스도착시간을 예측하기 위한 알고리즘은 크게 이동 평균법과 칼만필터링 등의 시계열 모형과본 논문에서 제안하는 방식인 Pattern을 바탕으로 하는 신경망모형으로 나눌 수 있다.
특히, 3만대에서 10만대로 학습량을 늘렸을 때 정확도의 개선이 뚜렸했으며, 그 이상의 학습량에서는 미세하게 개선이 되었으며 오차평균은 6초로 수렴하는 특성을 보였다.

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

주변 도로의 교통량 Pattern을 학습 및 적용한 버스도착시간 예측
Predict a bus arrival time from traffic volume of surrounding roads 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

데이터처리

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

주변 도로의 교통량 Pattern을 학습 및 적용한 버스도착시간 예측 Predict a bus arrival time from traffic volume of surrounding roads 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

데이터처리

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

주변 도로의 교통량 Pattern을 학습 및 적용한 버스도착시간 예측
Predict a bus arrival time from traffic volume of surrounding roads 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper