초록 ▼

II. 연구사업의 최종 목표
°라지스케일 사회현안 교통 문제 발굴과 슈퍼컴퓨팅 시뮬레이션 알고리즘 개발
°- 라지스케일 교통 데이터를 활용한 데이터 기반 시뮬레이션 알고리즘 개발
°- 교통 혼잡을 예측할 수 있는 기계학습(Machine Learning) 기반 슈퍼컴퓨팅 시뮬레이션 모형 개발
°멀티-페터 슈퍼컴퓨터를 활용한 초대형 교통 시뮬레이션 성공사례 발굴
°- 사회현안을 해소할 수 있는 라지스케일 교통 데이터기반 초대형 슈퍼컴퓨팅 계산수행
III. 목표 달성 내역
°성과목표
°1. 성과

II. 연구사업의 최종 목표
°라지스케일 사회현안 교통 문제 발굴과 슈퍼컴퓨팅 시뮬레이션 알고리즘 개발
°- 라지스케일 교통 데이터를 활용한 데이터 기반 시뮬레이션 알고리즘 개발
°- 교통 혼잡을 예측할 수 있는 기계학습(Machine Learning) 기반 슈퍼컴퓨팅 시뮬레이션 모형 개발
°멀티-페터 슈퍼컴퓨터를 활용한 초대형 교통 시뮬레이션 성공사례 발굴
°- 사회현안을 해소할 수 있는 라지스케일 교통 데이터기반 초대형 슈퍼컴퓨팅 계산수행
III. 목표 달성 내역
°성과목표
°1. 성과목표명
°주요성과
°서울시 강남구지역 GPS 차량궤적 데이터 확보
°교통 소통 패턴 정보를 위해 지체도지표 TPI (Traffic Performance Index)를 개발
°성과목표
°2. 성과목표명
°주요성과
°교통상황 예측을 위해 새로운 신경망 RNN (Recurrent Neural Network) 시뮬레이션 모형 개발
°실시간 강남구 교통 혼잡 예측을 위해 열지도 모형 개발
V. 대내외 추진 전략
IV. 대표성과
°서울시 강남구 주요도로에서 교통 혼잡 실시간 예측
°- [내용] 서울 강남구 소통상황 예측 모형 개발
°학습을 위한 자료는 2013년 4월에서 2013년 6월 사이(88일) 수집된 자료를 사용
°- 패턴정보는 2013년 4월~2013년 6월까지 생성된 소통정보를 각 시간대 (15분씩 하루 96개 시간대) 별로 산술평균하여 계산하였음
°- 생성된 소통정보와 패턴정보는 TPI 값으로 변환하여 사용하였음
°- [우수성] 서울시 강남구처럼 도심부 단속류 교통상황 예측을 위해 신경망 알고리즘(RNN) 학습 모형을 처음으로 개발 함
°- 딥러닝(RNN 알고리즘)을 이용하면 서울시 도심부 및 우리나라 고속도로에서 소통 흐름 예측 정확도를 높일 수 있음. 따라서 특별한 날, 추석 혹은 설날 실시간 교통흐름을 예측할 수 있음.
°- 현재 교통체계의 운영관리 과정에서 도심부 간선도로의 상습정체구간에 대한 반복정체 및 상습정체 구간을 제시할 유용한 방법론을 제시함

목차 Contents

• 표지 ... 1
• 제출문 ... 2
• 보고서 초록 ... 3
• 요약문 ... 4
• 목차 ... 8
• 표목차 ... 10
• 그림목차 ... 10
• 제1장 연구개발과제의 개요 ... 11
• 제1절 연구의 배경 및 목적 ... 11
• 1. 연구의 배경 ... 11
• 2. 연구의 목적 ... 11
• 제2장 연구의 필요성 ... 12
• 제1절 교통혼잡의 정의 ... 12
• 1. 교통상황 예측 알고리즘 ... 13
• 2. 교통상황 예측을 위한 활용가능 자료 ... 14
• 3. 슈퍼컴퓨팅을 활용한 교통문제 해결 ... 15
• 4. 경제적 및 산업적 중요성 ... 16
• 제3장 연구수행 내용 및 결과 ... 17
• 제1절 수집 데이터의 특성분석 ... 17
• 1. 연구사업의 국내‧외 현황 ... 17
• 2. 서울시의 도로 네트워크 현황 ... 18
• 3. 공간수집율 분석 ... 19
• 4. 시간수집율 분석 ... 20
• 5. Sample Size 분석 ... 21
• 6. 데이터 전처리와 대표속도 산출 ... 22
• 7. 패턴데이터 분석 ... 23
• 8. 주성분분석 (PCA) ... 24
• 제2절 Artificial Neural Network ... 25
• 1. NN(Neural Network)의 구성 ... 25
• 2. 인공신경망 모형을 이용한 교통상황 예측 ... 26
• 3. Feed Forward Network(FFNN)와 Recurrent Network(RNN)의 비교 ... 27
• 제3절 모형 구축 ... 28
• 1. 모형구축의 공간적 범위 ... 28
• 2. 입출력 데이터 구축 ... 29
• 3. 소통상황 예측을 위한 Recurrent Neural Network 모형 ... 30
• 4. RNN 모형의 학습 ... 32
• 5. 최적모형 선정 ... 35
• 6. 모형의 검증 ... 37
• 제4장 연구결과 ... 38
• 제1절 연구 수행 결과 ... 38
• 1. 반복정체 및 비반복 정체의 예측력 검토 ... 38
• 2. Feed Forward Neural Network와의 비교 ... 39
• 3. 교통 시뮬레이션 커뮤니티 확대 ... 40
• 제4장 연구결과의 활용계획 ... 41
• 제1절 연구결과의 의의 ... 41
• 제2절 활용 계획 ... 41
• 제5장 결론 ... 42
• 끝페이지 ... 43