LSTM을 활용한 고속도로 교통정보 예측 모델 개발 방법론
Methodology for Developing a Predictive Model for Highway Traffic Information Using LSTM
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
최근 빅데이터 및 딥러닝 기술의 발전으로 다양한 교통정보가 널리 수집 및 활용되고 있다. 특히 시계열 특성을 갖는 교통정보 예측 분야에서는 장단기 메모리(long short term memory, LSTM)가 널리 사용되고 있다. LSTM에 입력되는 시계열 데이터의 추세, 계절성, 주기 등이 상이하기 때문에 시계열 데이터를 기반으로 한 예측 모델에서도 데이터의 특성에 따라 하이퍼파라미터의 적합한 값을 찾는 시행착오법이 필수적이다. 이에 적합한 하이퍼 파라미터를 찾는방법론이 정립된다면, 정확도가 높은 모델 구성에 소요되는 시간을 줄일 수 있다. 따라서, 본연구에서는 국내 고속도로 차량검지기 데이터와 LSTM을 기반으로 교통정보 예측 모델을 개발하였으며, LSTM의 하이퍼 파라미터별 평가지표 변화를 통해 예측 결과에 미치는 영향평가를 수행하였다. 또한, 이를 기반으로 교통분야에서 고속도로 교통정보 예측에 적합한 하이퍼파라미터를 찾는 방법론을 제시하였다.
Abstract
With the recent developments in big data and deep learning, a variety of traffic information is collected widely and used for traffic operations. In particular, long short-term memory (LSTM) is used in the field of traffic information prediction with time series characteristics. Since trends, seasons, and cycles differ due to the nature of time series data input for an LSTM, a trial-and-error method based on characteristics of the data is essential for prediction models based on time series data in order to find hyperparameters. If a methodology is established to find suitable hyperparameters, it is possible to reduce the time spent in constructing high-accuracy models. Therefore, in this study, a traffic information prediction model is developed based on highway vehicle detection system (VDS) data and LSTM, and an impact assessment is conducted through changes in the LSTM evaluation indicators for each hyperparameter. In addition, a methodology for finding hyperparameters suitable for predicting highway traffic information in the transportation field is presented.
참고문헌 (20)
- Brownlee, J., "Better Deep Learning : Train Faster, Reduce Overfitting, and Make better Predictions", Machine Learning Mastery, pp.540~ (2018)
- "Understanding RMSprop-faster neural network learning" (2018)[URL]
- Goodfellow, I., "Deep learning" (2016), MIT Press
- Hossain, M. D., "LSTM-based network attack detection: Performance comparison by hyper-parameter values tuning", 2020 7th IEEE International Conference on Cyber Security and Cloud Computing (CSCloud), 2020 (2020), 62~69
- Hyndman, R. K., "Forecasting: Principles and Practice" (2018), OTexts
- 김형주, "k-NN 알고리즘을 활용한 단기 교통상황 예측: 서울시 도시고속도로 사례", 대한교통학회지, 34(2), pp.158~167 (2016), 대한교통학회[DOI]
- 이재응, "설명 가능한 KOSPI 증감 예측 딥러닝 모델을 위한 Layer-wise Relevance Propagation (LRP) 기반 기술적 지표 및 거시경제 지표 영향 분석", 정보과학회논문지, 48(12), pp.1289~1297 (2021), 한국정보과학회[DOI]
- Malhotra, P., "LSTM-based Encoder-Decoder for Multi-sensor Anomaly Detection", arXiv preprint arXiv:1607.00148, ~ (2016)
- 문지훈, "유사 시계열 데이터 분석에 기반을 둔 교육기관의 전력 사용량 예측 기법", 정보과학회논문지, 44(9), pp.954~965 (2017), 한국정보과학회
- Muzaffar, S., "Short-Term Load Forecasts Using LSTM Networks", Energy Procedia, 158, pp.2922~2927 (2019)
- "Understanding LSTM Networks(2015)" (2015)[URL]
- 박부기, "LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측", 한국ITS학회 논문지, 20(1), pp.86~99 (2021), 한국ITS학회[DOI]
- 박송희, "교통 돌발 상황을 고려한 도로 속도 예측 기법", 한국콘텐츠학회 논문지, 20(4), pp.25~37 (2020), 한국콘텐츠학회[DOI]
- Ruder, S., "An overview of gradient descent optimization algorithms", arXiv preprint arXiv:1609.04747, ~ (2016)
- 류기동, "콜센터 인입 콜량 예측을 위한 시계열 모델 비교 분석", 한국정보기술학회논문지, 16(8), pp.83~96 (2018), 한국정보기술학회[DOI]
- Shi, J., "Time series forecasting (tsf) using various deep learning models", arXiv preprint arXiv:2204.11115, ~ (2022)
- 손의성, "FlappyBird Competition System: 인공지능 수업의 경쟁 기반 평가 시스템의 구현", 멀티미디어학회논문지, 24(4), pp.593~600 (2021), 한국멀티미디어학회
- Srivastava, N., "Dropout : A simple way to prevent neural networks from overfitting", The Journal of Machine Learning Research, 15(1), pp.1929~1958 (2014)
- Yadav, A., "Optimizing LSTM for time series prediction in India stock market", Procedia Computer Science, 167, pp.2901~2100 (2020)
- 유정훈, "단기예측기법을 이용한 연속류 유고영향 분석시스템", 한국도로학회논문집, 12(4), pp.1~9 (2010), 한국도로학회