보고서 정보
주관연구기관 |
서울시립대학교 University Of Seoul |
연구책임자 |
김영찬
|
참여연구자 |
임성만
,
김용현
,
김홍진
,
이호상
,
임승국
,
허정아
,
홍은주
,
김영춘
,
이홍철
|
발행국가 | 대한민국 |
언어 |
한국어
|
발행년월 | 2001-10 |
주관부처 |
과학기술부 |
사업 관리 기관 |
서울시립대학교 University Of Seoul |
등록번호 |
TRKO200300000524 |
DB 구축일자 |
2013-04-18
|
키워드 |
Data Fusion.Detector.Probe.Arificial Neural Network.Fuzzy Logic Controller.Back Propagation.Genetic Algorithm.Transferability.Adaptive Learning Function.Traffic Information.Integration Model.
|
초록
▼
본 연구에서는 교통정보용 통합시스템을 구축하기 위해 단속류 및 연속류 데이터 융합기술을 개발하고, 기타 실제 운영시 필요한 다양한데이터 처리 알고리즘을 개발한다. 먼저, 데이터 융합 이론과 지금까지 개발된 여러 데이터 융합모형을 고찰하고, 국내의 여건과 데이터 융합 모형이 갖추어야 하는 요건을 파악함으로써 데이터 융합 기술 개발시에 반영한다
본 연구의 중심 대상이 되는 단속류 데이터 융합기술 개발은 다양한 이론과 기법을 고찰한 결과 우리의 실정에 가장 잘 부합하며, 지금까지 소개된 기법들 중 가장 적합한 이론으로 Fuzzy
본 연구에서는 교통정보용 통합시스템을 구축하기 위해 단속류 및 연속류 데이터 융합기술을 개발하고, 기타 실제 운영시 필요한 다양한데이터 처리 알고리즘을 개발한다. 먼저, 데이터 융합 이론과 지금까지 개발된 여러 데이터 융합모형을 고찰하고, 국내의 여건과 데이터 융합 모형이 갖추어야 하는 요건을 파악함으로써 데이터 융합 기술 개발시에 반영한다
본 연구의 중심 대상이 되는 단속류 데이터 융합기술 개발은 다양한 이론과 기법을 고찰한 결과 우리의 실정에 가장 잘 부합하며, 지금까지 소개된 기법들 중 가장 적합한 이론으로 Fuzzy 이론이 선정되었다. 이에 Fuzzy 이론을 이용한 융합기술을 개발토록 하였다. 개발된 모형은 총 3가지로 단순회귀방식에 의한 데이터 융합 기술, Hybrid Neuro-Fuzzy Model 그리고 Hybrid Fuzzy-Genetic Model이다.
개발 모형 1은 전통적인 회귀모형을 이용하여 단순한 절차에 의거 통행시간을 추정하는 모형으로 퍼지이론을 이용한 모형과의 비교를 위해 개발되었으나, 회귀모형의 단순하고, 적용이 용이하다는 측면에서 활용가능성을 고려해 볼 수 있다. 회귀모형은 상대적을 개발 모형 2,3 보다는 추정력과 이식성이 좋지 않은 것으로 평가되었다.
개발 모형 2와 3은 각각 FLCS(Fuzzy Logic Cotroller System)에 Neural Network와 Genetic Algorithm을 합성한 기법으로 기본적으로 통행시간을 추정하는데는 FLCS를 이용하고 있으나, 링크간 이식성을 부여하기 위해 적응학습능력을 부여한 모형이다. 네트워크 전체를 대상을 하는이번 연구의 범위를 충족시키기 위한 방법으로 링크간의 매개변수를 자동으로 보정 및 갱신할 수 있는 능력을 갖고 있다.
연속류 데이터 융합 기술은 비교적 단속류 데이터 융합 기술에 비해 단순한 방법으로 접근하였다. 개발된 모형은 연속적으로 설치된 검지기를이용해 먼저 대기행렬을 추정하고, 추정된 대기행렬을 이용해 구간 전체의 통행시간을 추정하도록 구성되었다또한, 단속류 및 연속류 데이터 융합 기술 개발에 부가적으로 다양한 상황을 처리하고, 과거 자료를 효율적으로 이용할 수 있도록 패턴 데이터처리, 초과점유율 처리, 정보부재링크 처리 등 3가지의 부가적인 알고리즘을 함께 개발하였다
Abstract
▼
Data fusion technology has developed rapidly, starting in the late 1980s and has continued to the present. Furthermore, the application of data fusion technology to the whole fields like a robotics, general image processing and weather surveillance and so on, is growing rapidly too. In its current s
Data fusion technology has developed rapidly, starting in the late 1980s and has continued to the present. Furthermore, the application of data fusion technology to the whole fields like a robotics, general image processing and weather surveillance and so on, is growing rapidly too. In its current state Data fusion has been studied its potential usefulness for transportation management or Intelligent Transportation Systems(ITS) which integrated advanced technologies. Although a various of advanced technology to provide traffic information for drivers has recently developed with ITS, however, there are so many road users to get a unsatisfactory traffic information that is provided by existing collection systems of traffic information such as, detector(loop detector, image detector), probe car, CCTV and anecdotal report. We have to notice that so many collection systems can not be operated to collect realistic traffic pattern respectively and to provide better traffic information for drivers. Data fusion is the most important process to compose the various of data which can present real value for traffic situation, and is also the one of the major process part in the TIC(Traffic Information Center) for analyzing and processing data. Consequently, it must be continuously developed and studied that data fusion model can product a highly reliability trafficinformation with all kinds of resource.
This paper is proposed of two data fusion algorithms by using FLCS(Fuzzy Logic Control System) and neural network, genetic algorithm, and so on, which include on-line/off-line process function, adaptive learning function, Transferability Function. Neural Network and FLCS fused into Hybrid Neuro-Fuzzy Model(FALEM). Also Genetic Algorithm and FLCS used into Hybrid Fuzzy-Genetic Model. The Proposed Algorithms consist of three input data and one final product., that is, occupancy, spot speed to be collected from the detector are the most important things to estimate link travel time in this system as input data under on-line situation and are also basic resource of auto tuning of fuzzy-set method which is applied to this algorithm for transferability, that is one of the merit of proposed models. Probe data are not only the basic source to generate adaptive learning function for the proposed data fusion algorithm but also considerably important things as training data to be reformed fuzzyset automatically.
FSCS is comprised of four principal components : Fuzzifier, Fuzzy Rule Base, Inference Engine, Defuzzifier. First fuzzy partition could be setting with input data by using the proposed auto tuning of fuzzy-set method, before initial network output is produced second out. Second, the design of fuzzy rule-base is decided by considering analysis to correlation of input variable andoutput variable. The third, inference engine is the major components of FLC with max-min composition of Zadeh and the last method of defuzzification is the Center of Area(COA) that generates the center gravity of the possibility distribution of a controlaction.
Hybrid Neuro-Fuzzy Model is classified according to the type of structure, Fuzzy Logic Controller model and Back-Propagation. Algorithm, one of the artificial neural network method. Fuzzy Logic Controller is mainly used to generate initial output and Back-Propagation algorithm is to put up with updating optimal fuzzy set after reducing the difference between initial output and desired one(target data). Also, Hybrid Fuzzy-Genetic Model is classified according to the type of structure, Fuzzy Logic Controller and Genetic Algorithm. As to Hybrid Neuro-Fuzzy Model, Fuzzy Logic Controller is mainly used to generate initial output and Genetic Algorithm is to put up with setting and updating optimal fuzzy set after reducing the difference between initial output and desired value.
For the completely proposed data fusion algorithm, it must be evaluated by using real value and probe data at the test area after estimated link travel time in time slice(ex, 5min). Finally, three function is evaluated, that is, the function of on-line process, adaptive learning, adaptive learning and transferability. Evaluation result represent excellent ability in comparison with other estimation method which used to get a one resource.
Finally, Proposed Models was integrate with other traffic analysis model, incident detection algorithm and optimal path search algorithm. That is named Integration Model for traffic information service. The Integration Model is tested under on-line situation and off-line Situation at real network. From the test results, Integration Model can produce traffic information with reasonable accuracy
목차 Contents
- 제 1 장. 서론...22
- 제 1 절. 연구개요 및 목적...22
- 제 2 절. 연구범위 및 연차별 연구계획...25
- 제 2 장. 국내외 기술개발 현황...30
- 제 1 절. 국외 데이터 융합기술 개발 현황...31
- 제 2 절. 국내 데이터 융합기술 개발 현황...35
- 제 3 장. 연구개발수행 내용 및 결과...38
- 제 1 절. 데이터 융합 기술 고찰...38
- 1. 통계적 기법을 이용한 기법...38
- 2. 교통류 관계변수를 이용한 기법...42
- 3. AI(Atificial Intelligence)를 이용한 방법...49
- 제 2 절. 교통정보 수집원 종류 및 특성...52
- 1. 지점 검지체계...53
- 2. 구간 검지체계...56
- 3. 통신원 제보 및 기타...60
- 제 3 절. 검지자료의 가공...61
- 1. 검지기 원시자료 Screening...62
- 2. 원시자료 평활화(Smoothing)와 차선조합(Area Data) 기법...69
- 3. 원시 자료 Screening 및 Area자료화 알고리즘 구현...71
- 제 4 절. 단속류 교통정보처리 기술 개발...73
- 1. 입/출력 변수의 선정...75
- 2. 단순 회귀식을 이용한 통행시간추정모형 개발...77
- 3. Fuzzy 이론을 이용한 통행시간추정모형 개발 [FETSVO 모형]...86
- 4. Fuzzy 이론을 이용한 통행시간추정모형 개발 [FETTOS 모형]...93
- 제 5 절. 자료합성을 위한 적응 학습 기술 개발...96
- 1. 적응학습기능(Adaptive Learning)...97
- 2. Hybrid Neuro-Fuzzy Model...100
- 3. Hybrid Fuzzy-Genetic Model...106
- 제 6 절. 단속류 개발 모형의 평가...115
- 1. 평가 자료...115
- 2. 회귀 모형의 평가...118
- 3. Hybrid Neuro-Fuzzy Model 평가...124
- 4. Hybrid Fuzzy-Genetic Model 평가...139
- 제 7 절. 연속류 자료처리 기술개발...151
- 1. 연속류 통행시간 추정모형의 고찰...151
- 2. 연속류 통행시간 추정 기술 개발...154
- 3. 연속류 통행시간 추정모형의 평가...160
- 제 8 절. 패턴자료처리 및 특이상황처리 알고리즘...173
- 1. Missing Data Algorithm...173
- 2. 교통 패턴 데이터 처리...180
- 3. 초과 점유율 처리 모듈...186
- 제 9 절. 통합모형 구축 및 평가...202
- 1. 통합 시스템 구축 개념...202
- 2. 통합 시스템 구축...203
- 3. 통합 시스템에서의 데이터 융합부문의 역활...208
- 4. 통합 시스템의 평가...209
- 제 4 장. 연구개발목표 달성도 및 대외기여도...218
- 제 1 절. 연차별 연구목표...218
- 제 2 절. 년도별 연구개발목표의 달성도...219
- 1. 1차 년도 연구개발의 목표 달성도...219
- 2. 2차 년도 연구개발의 목표 달성도...223
- 3. 3차 년도 연구개발의 목표 달성도...226
- 제 3 절. 관련분야 기술발전에의 기여도...228
- 제 5 장. 연구개발결과의 활용계획...232
- 제 1 절. 모형의 활용 방안...232
- 1. 기존 정보센터에서의 데이터융합 모형활용...232
- 2. 향후 구축예정 교통정보센터에서의 데이터융합 모형활용...232
- 제 2 절. 모형의 현장 적용 및 활용...233
- 참고문헌...234
- 부록...237
※ AI-Helper는 부적절한 답변을 할 수 있습니다.