초록 ▼

Ÿ· 본 연구에서는 과거 이력데이터와 직전 교통상황을 고려하여 소통상황의 단기예측(한시간)을 수행하는 소통상황예측모형을 recurrent neural network 모형을 활용하여 개발함
Ÿ· 사고데이터를 입력데이터로 활용하여 예측된 결과를 보정할 수 있는 은닉층을 추가하한 모형을 제시함
Ÿ· recurrent neural network의 패턴인식능력을 활용하여 과거 이력데이터의 패턴을 변주하여 소통상황을 단기예측할 수 있는지에 대해 연구함
Ÿ· 제시된 모형은 이력데이터를 활용한 패턴데이터가 기본정보로 활용되고 직전

Ÿ· 본 연구에서는 과거 이력데이터와 직전 교통상황을 고려하여 소통상황의 단기예측(한시간)을 수행하는 소통상황예측모형을 recurrent neural network 모형을 활용하여 개발함
Ÿ· 사고데이터를 입력데이터로 활용하여 예측된 결과를 보정할 수 있는 은닉층을 추가하한 모형을 제시함
Ÿ· recurrent neural network의 패턴인식능력을 활용하여 과거 이력데이터의 패턴을 변주하여 소통상황을 단기예측할 수 있는지에 대해 연구함
Ÿ· 제시된 모형은 이력데이터를 활용한 패턴데이터가 기본정보로 활용되고 직전 소통상황과 현재 소통상황 데이터를 활용한 보정을 비선형적으로 수행하고 돌발상황과 이전 예측정보를 적용하여 이차보정을 시도함으로서 비반복적 패턴을 인식하도록 학습함
Ÿ· 학습된 RNN 모형의 MSE는 0.0834로서 높은 성능을 나타내었음
Ÿ· 전체 33개 링크 중 8개 링크를 제외한 나머지 25개 링크에 대해 비교적 높은 성능(MSE<0.01)
Ÿ· 선택된 모형이 실제 소통상황의 패턴을 잘 반영하는지에 대한 검토를 한 결과 반복정체 상황에 대한 예측뿐만 아니라 비반복적 패턴까지도 비교적 잘 예측

Abstract ▼

IV. The research results and summary
◦ In this research, a traffic condition estimation model with recurrent neural network model was developed that estimates an upcoming traffic condition during one hour cosidering both historical data and real-time traffic data.
◦ The suggested RNN model has

IV. The research results and summary
◦ In this research, a traffic condition estimation model with recurrent neural network model was developed that estimates an upcoming traffic condition during one hour cosidering both historical data and real-time traffic data.
◦ The suggested RNN model has two hidden layers. The recurrent neural network involves anther hidden layer to modify estimats from the first hidden layer using an incident data including car accident.
◦ The suggested RNN model was trained nonlinearly to estimate upcoming traffic condition based on historical data and real-time traffic data in the first hidden layer, and additionaly revise it according to the incident records in another hidden layer
◦ 30 RNN models were trained, 6 models were selected as candidates of the best model based on total mean squared error, MSE, and only one model was chosen as the best model.
◦ The reliability of the chosen model was verified cosidering statistical validity of it.
◦ The suggested model estimated for 25 of 30 links very well except 6 links.
◦ The chosen model was tested if of not it estimates considering both recurrent congestion and non-recurrent congestion, and it did very well.

목차 Contents

• 표지 ... 1
• 제출문 ... 2
• 보고서 초록 ... 3
• 요약문 ... 4
• SUMMARY ... 6
• CONTENTS ... 8
• 목차 ... 10
• 표목차 ... 12
• 그림목차 ... 13
• 제 1 장 연구개발과제의 개요 ... 16
• 제 1 절 연구의 배경 및 목적 ... 16
• 1. 연구의 배경 ... 16
• 2. 연구의 목적 ... 17
• 제 2 절 연구의 필요성 ... 17
• 1. 교통혼잡의 정의 ... 17
• 2. 교통혼잡의 특성 ... 19
• 제 3 절 연구의 범위 ... 21
• 1. 연구의 공간적 범위 ... 21
• 2. 연구의 시간적 범위 ... 21
• 3. 연구의 내용적 범위 ... 21
• 제 2 장 국내외 연구 동향 ... 23
• 제 1 절 자동유고검지 알고리즘 ... 23
• 1. 유고검지 알고리즘 분류 ... 23
• 2. 국내외 연구동향 ... 25
• 3. 국내외 연구동향 분석 ... 32
• 4. 시사점 ... 34
• 제 2 절 유고 영향 예측 모형 ... 35
• 1. 국내외 연구 동향 ... 35
• 2. 국내외 연구동향 분석 ... 48
• 3. 시사점 ... 49
• 제 3 절 유고확산모형과 영향권 설정 ... 49
• 1. 국내외 연구동향 ... 49
• 2. 국내외 연구동향 분석 ... 58
• 3. 시사점 ... 59
• 제 3 장 연구수행 내용 및 결과 ... 61
• 제 1 절 수집 데이터의 특성분석 ... 61
• 1. 서울시의 도로 네트워크 현황 ... 61
• 2. 공간수집율 분석 ... 62
• 3. 시간수집율 분석 ... 67
• 4. Sample Size 분석 ... 68
• 5. 프로브 차량의 평균속도 분포 ... 74
• 6. 데이터 전처리와 대표속도 산출 ... 74
• 7. 구간패턴 구축 ... 76
• 8. 패턴데이터 분석 ... 77
• 9. 소결론 ... 84
• 제 2 절 Artificial Neural Network ... 85
• 1. NN(Neural Network)의 구성 ... 85
• 2. ANN의 모형화 ... 88
• 3. Feed Forward Network(FFNN)와 Recurrent Network(RNN)의 비교 ... 91
• 제 3 절 모형 구축 ... 94
• 1. 모형구축의 공간적 범위 ... 94
• 2. 입출력 데이터 구축 ... 95
• 3. 소통상황 예측을 위한 Recurrent Neural Network 모형 ... 96
• 4. RNN 모형의 학습 ... 98
• 5. 최적모형 선정 ... 102
• 6. 모형의 검증 ... 104
• 제 4 절 연구 수행 결과 ... 109
• 1. 반복정체 및 비반복 정체의 예측력 검토 ... 109
• 2. Feed Forward Neural Network와의 비교 ... 112
• 3. 결론 ... 113
• 제 4 장 목표달성도 및 관련분야에의 기여도 ... 114
• 제 5 장 연구결과의 활용계획 ... 115
• 제 1 절 추가 연구의 필요성 ... 115
• 제 2 절 타 연구에의 응용방안 ... 115
• 제 6 장 참고문헌 ... 116
• 끝페이지 ... 119