초록 ▼

□ 연구개요
본 연구는 정보가 수집되지 않는 음영도로의 미시교통정보를 생성하기 위해 시뮬레이션에서 수집된 고차원 미시교통류 특성을 이미지화하여 학습하는 딥생성모델을 개발하여, 교통정보가 수집되지 않는 음영도로에 미시교통정보를 전수화하여 제공하는 것을 목표로 한다. 이를 위해 도시부 네트워크에서 수집되는 교통류 정보의 시공간적 상관성과 비선형성 등의 고차원 특성을 효율적으로 학습할 수 있는 증강 이미지를 생성하고, 이를 효율적으로 학습할 수 있는 딥생성모델의 구조를 개발/검증한다. 본 연구의 딥생성모델을 활용한 미시교통정보 생성

□ 연구개요
본 연구는 정보가 수집되지 않는 음영도로의 미시교통정보를 생성하기 위해 시뮬레이션에서 수집된 고차원 미시교통류 특성을 이미지화하여 학습하는 딥생성모델을 개발하여, 교통정보가 수집되지 않는 음영도로에 미시교통정보를 전수화하여 제공하는 것을 목표로 한다. 이를 위해 도시부 네트워크에서 수집되는 교통류 정보의 시공간적 상관성과 비선형성 등의 고차원 특성을 효율적으로 학습할 수 있는 증강 이미지를 생성하고, 이를 효율적으로 학습할 수 있는 딥생성모델의 구조를 개발/검증한다. 본 연구의 딥생성모델을 활용한 미시교통정보 생성모델은 기존 단일정보 또는 시뮬레이션 기반 정보 생성모델에 비해 높은 정확도와 강건성을 보였다.

□ 연구 목표대비 연구결과
본 연구는 도시부 고속도로에서 수집된 1km 간격의 거시교통정보와 시뮬레이션 정보를 융합하여 100m 간격의 미시교통정보를 생성하였다. 기존 연구 목표인 교차로의 차로별 교통정보는 원자료 구득이 어렵고, 오검지 및 미검지가 많아 안정적으로 교통정보가 수집되는 도시부 고속도로를 대상으로 하였다. 또한, 고속도로의 경우 차로별 교통정보가 수집되지 않아 생성정보의 공간적 해상도를 100m로 높이는 데 집중하였다. 개발된 딥생성모델은 수정된 연구 목표에 대해 기존 모델에 비해 높은 성능을 보였으며, 특히 혼잡상황에서의 그 성능향상이 더 높게 나타났다. 기존 연구 목표는 드론과 고해상도 카메라를 활용해 개발기술을 평가하고 강화하려고 하였으나, 도시부 고속도로의 경우 드론의 비행 제한으로 인해 자료수집이 어려워, 차량의 경로 정보인 DSRC자료를 활용해 개발기술을 강화하고자 하였다. 하지만 DSRC자료 역시 오검지 및 미검지가 많고 RSE의 간격이 2~5km로 넓어 본 연구의 모델에 결합하였지만, 성능향상에 기여하진 못했다.

□ 연구개발결과의 중요성
본 연구의 개발모델은 1km 단위의 도시부 고속도로의 상시수집 자료를 시뮬레이선 자료와 결합하여 100m 간격의 미시교통정보를 생성하는 모델로 기존에 교통정보가 수집되고 있지 않은 음영구간의 교통정보를 효과적으로 생성할 수 있다. 기존 모델에 비해 혼잡상황에서 더 큰 성능향상을 보인 개발모델은 미시교통정보를 차량 및 인프라에 제공함으로써 교통제어전략을 통한 혼잡완화에 기여할 수 있다. 또한, 데이터 기반의 딥러닝 구조를 활용하여 향후 커넥티드 차량 등과 같이 새로운 자료수집 기술이 개발되었을 때 유연하게 모델을 확장할 수 있다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1.1. 연구개발의 필요성 ... 4
• 1.2. 연구수행 가설 및 최종목표 ... 4
• 1.3. 연구의 범위 ... 5
• 2. 연구수행내용 및 연구결과 ... 6
• 2.1. 연구수행내용 ... 6
• 2.2. 연구의 결과 ... 11
• 3. 연구개발결과의 중요성 ... 11
• 3.1. 연구결과의 의미 ... 11
• 3.2. 연구결과의 중요성 ... 12
• 4. 참고문헌 ... 13
• 5. 연구성과 ... 13
• 대표적 연구실적 ... 14
• 끝페이지 ... 20