초록 ▼

□연구개요
본 연구에서는 링크별 교통속도, 지점별 교통량, 교통행태를 포함하는 다양한 교통 빅데이터를 활용하여, 빠르게 증가하는 고해상도(high-resolution) 교통 네트워크의 차원 및 복잡성 경감방법론을 연구하고, 이를 기반으로 상시 및 돌발 혼잡지역 추출 및 예측 등을 연구한다. 이는 운전자에게 경로나 혼잡정도를 제시하는 현재의 일방적이고 수동적인 교통정보제공 기술을 극복하고 네트워크 상태 예측의 정확성을 높이는 동시에, 궁극적으로 이동체의 데이터를 실시간으로 수집 분석하여 교통시스템의 시스템 지능을 발굴하는 데에

□연구개요
본 연구에서는 링크별 교통속도, 지점별 교통량, 교통행태를 포함하는 다양한 교통 빅데이터를 활용하여, 빠르게 증가하는 고해상도(high-resolution) 교통 네트워크의 차원 및 복잡성 경감방법론을 연구하고, 이를 기반으로 상시 및 돌발 혼잡지역 추출 및 예측 등을 연구한다. 이는 운전자에게 경로나 혼잡정도를 제시하는 현재의 일방적이고 수동적인 교통정보제공 기술을 극복하고 네트워크 상태 예측의 정확성을 높이는 동시에, 궁극적으로 이동체의 데이터를 실시간으로 수집 분석하여 교통시스템의 시스템 지능을 발굴하는 데에 목표가 있다. 구체적으로, TDA (Topological Data Analysis)를 활용하여 상시 및 돌발 상황에서의 링크단위 혼잡 특성에 대한 위상학적 유사성을 분석하고, 시공간적 위치는 상이하나 위상학적 유사성을 공유하는 링크 집합군을 식별한다. 이러한 유사성을 기반으로 마코프 의사결정론, 강화학습, 딥러닝 등을 적용함으로써 링크 간 시공간적 연계성을 반영한 혼잡 예측 및 경로 추출 등을 연구한다.

□연구 목표대비 연구결과
연구목표 1-1. 국내외 활용 가능한 DB 조사 및 수집
- TOPIS의 링크별 5분단위 속도 데이터, 택시 운행 기록 데이터 등 국내 DB 수집 및 New York 택시 trip 데이터, Baidu Beijing 네트워크 및 속도 데이터 등 해외 DB 수집
연구목표 1-2. 교통 빅데이터 분석기법 및 관련 연구 동향조사
- 위상학적 데이터 분석 방법론의 개념 및 교통에서의 활용 예시 조사, 딥러닝 기반의 교통 예측모델 및 data imputation model 등 조사 Convolutional neural networks, graph convolutional networks, sequence-to-sequence model 등 활용 예시 파악
연구목표 2-1. 교통속도 데이터를 활용한 TDA 기반 대도심 교통 네트워크의 혼잡도 특성 추출 및 분석 플랫폼 구현
- TDA 기반 교통 속도 데이터 분석을 시행함. TDA의 Mapper 기법이 제한속도, 평균속도 등 비슷한 패턴을 지닌 데이터 포인트를 분류해 낼 수 있으며, 분류된 링크들이 공간적으로도 유사한 특성을 지니고 있음을 확인
연구목표 3-1. 사고이력 등 다각적 교통 데이터를 통합/활용한 TDA 기반 다차원 교통 네트워크 혼잡 및 돌발상황 특성 분석
- 육상 교통 네트워크 데이터 외에도 항공 교통 네트워크 데이터에 TDA 및 complex network theory을 적용해 화산 분출 및 연결성 상실 등 네트워크의 돌발상황에 대한 분석 실시
연구목표 3-2. Deep Learning 기반 대도심 교통 네트워크 근실시간 혼잡 및 사고 핫 링크 예측
- CNN 기반의 시간대별 지하철 승객 예측모델 및 GCN-LSTM 기반의 새로운 5분 단위 교통속도예측모델을 제안
연구목표 4-1. 강화학습 기반 대도심 교통 네트워크 경로 최적화
- q-learning 기반의 택시 운영 경로 최적화 모델 개발. 학습 가능한 수준의 환경구성을 완료하고 임의의 경로로 운영했을 때 보다 높은 수익을 올리는 경로를 학습함을 확인
전체 연구 결과에 대하여 본 연구진은 국내외 학회 발표 7회 및 best paper award 수상 1회, 국제 저널 (SCI급) 논문게재 3건의 성과를 달성하였으며, 게재된 3개 저널 모두 SJR 1st Quartile에 속하고, 이 중 한 편은 JCR ranking에서 transportation 분야에서 3위에 올라있다.

□연구개발결과의 중요성
본 연구에서는 다양한 최신 기법을 교통의 context에 적합하게 발전시켜 시공간적 복잡성을 지닌 도로교통 네트워크 데이터 분석에 적합한 기술을 개발하였다. 교통시스템의 특성에 맞지 않는 단편적인 기계학습 방법론을 활용하는 것보다 유의미한 분석을 가능하게 하였고, 시공간적 복잡성으로 인해 분석에 제한을 가지던 교통데이터의 활용성을 한 층 더 확대시킬 수 있을 것으로 기대한다.
본 연구에서 제안하는 도심 교통 네트워크의 위상학적 분석 및 분석 결과의 응용을 통해 교통데이터 기저의 특성을 파악하고 기술개발에 고려함으로써, 향후 근실시간 혼잡 및 사고 예측, 최적경로 설정 및 모빌리티 서비스 자원 분배 등 안전하고 효율적인 도심 교통 네트워크 시스템 운용의 인공지능화를 위한 첨단기술의 기반기술로 활용될 것으로 기대된다.

(출처 : 요 약 문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1-1. 연구 목표 ... 4
• 1-2. 연구의 필요성 ... 4
• 1-3. 연구의 개념 및 가설 ... 5
• 2. 연구수행내용 및 연구결과 ... 7
• 2-1. 1차연도 연구수행내용 및 연구결과 ... 7
• 2-2. 2차연도 연구수행내용 및 연구결과 ... 9
• 2-3. 3차연도 연구수행내용 및 연구결과 ... 12
• 2-4. 4차연도 연구수행내용 및 연구 결과 ... 15
• 3. 연구개발결과의 중요성 ... 17
• 3-1. 기술적 중요성 ... 17
• 3-2. 경제적 중요성 ... 17
• 3-3. 학문적 중요성 ... 17
• 3-4. 사회적 중요성 ... 18
• 4. 참고문헌 ... 18
• 5. 연구성과 ... 19
• 대표적 연구실적 ... 20
• 끝페이지 ... 32