스태킹 앙상블 기법을 활용한 고속도로 교통정보 예측모델 개발 및 교차검증에 따른 성능 비교
Development of Highway Traffic Information Prediction Models Using the Stacking Ensemble Technique Based on Cross-validation
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
정확도가 높은 교통정보 예측은 지능형교통체계(intelligent transport systems, ITS)를 통한 교통 시설 이용자들의 혼잡 경로 회피 안내 등에서 활용되는 중요한 기능이다. 정확한 교통정보예측을 위해 다양한 딥러닝 모델들이 발전되어 왔다. 최근에는 앙상블 기법을 활용하여 다양한 모델들의 장단점을 결합하여 예측 정확도와 안정성을 높이고 있다. 따라서, 본 연구에서는다양한 딥러닝 모델들을 활용하여 교통정보 예측 모델을 개발하였으며, 개발된 딥러닝 모델들을 스태킹 앙상블(stacking ensemble)하여 성능을 개선하였다. 개별 모델들은 교통량 예측에서10% 이내의 오차율을, 속도 예측에서 3% 이내의 오차율을 보였다. 앙상블 모델은 교차검증을수행하지 않았을 때, 타 모델과 비교하여 더욱 높은 정확도를 보였다. 교차검증을 수행한 앙상블 모델은 장기예측에서 타 모델보다 균일한 오차율을 보이는 것으로 나타났다.
Abstract
Accurate traffic information prediction is considered to be one of the most important aspects of intelligent transport systems(ITS), as it can be used to guide users of transportation facilities to avoid congested routes. Various deep learning models have been developed for accurate traffic prediction. Recently, ensemble techniques have been utilized to combine the strengths and weaknesses of various models in various ways to improve prediction accuracy and stability. Therefore, in this study, we developed and evaluated a traffic information prediction model using various deep learning models, and evaluated the performance of the developed deep learning models as a stacking ensemble. The individual models showed error rates within 10% for traffic volume prediction and 3% for speed prediction. The ensemble model showed higher accuracy compared to other models when no cross-validation was performed, and when cross-validation was performed, it showed a uniform error rate in long-term forecasting.
참고문헌 (30)
- Al-Hajj, R., "Stacking-based ensemble of support vector regressors for one-day ahead solar irradiance prediction", 8th International Conference on Renewable Energy Research and Applications(ICRERA), pp.428~433 (2019)
- Asencio-Cortés, G., "A novel methodology to predict urban traffic congestion with ensemble learning", Soft Computing, 11(20), pp.4205~4216 (2016)
- Brownlee, J., "Better Deep Learning : Train Faster, Reduce Overfitting, and Make better Predictions", Machine Learning Mastery, pp.540~ (2018)
- Chung, J., "Empirical evaluation of gated recurrent neural networks on sequence modeling", arXiv preprint, arXiv:1412.3555, ~ (2014)
- Creamer, G. G., "Automated Trading with Boosting and Expert Weighting", Quantitative Finance, 3, pp.147~163 (2010)
- Del Ser, J., "Road traffic forecasting using stacking ensembles of echo state networks", 2019 IEEE Intelligent Transportation Systems Conference(ITSC), pp.2591~2597 (2019)
- 엄하늘, "머신러닝 기반 기업부도위험 예측모델 검증 및 정책적 제언: 스태킹 앙상블 모델을 통한 개선을 중심으로", 지능정보연구, 26(2), pp.105~129 (2020), 한국지능정보시스템학회
- Fink, W. G, "Intelligent transportation systems", IEEE 1995 Microwave and Millimeter-Wave, Monolithic Circuits Symposium, Digest of Papers (1995)
- 황두환, "머신러닝 기반의 돈사 악취농도 예측 (황화수소 농도를 중심으로)", 실내환경 및 냄새 학회지, 20(4), pp.311~321 (2021), 한국냄새환경학회
- 장필식, "그래디언트 부스팅 기계학습 및 유전 알고리즘을 적용한 증권 트레이딩 전략의 성능분석", 한국컴퓨터정보학회논문지, 27(11), pp.147~155 (2022), 한국컴퓨터정보학회[DOI]
- 전병욱, "도로교통 이머징 리스크 탐지를 위한 AutoML과 CNN 기반 소프트 보팅 앙상블 분류 모델", 융합정보논문지, 11(7), pp.14~20 (2021), 중소기업융합학회[DOI]
- 강흥식, "앙상블 학습기법을 활용한 보행자 교통사고 심각도 분류: 대전시 사례를 중심으로", 디지털융복합연구, 20(5), pp.39~46 (2022), 한국디지털정책학회[DOI]
- 김두환, "LSTM을 활용한 부산항 컨테이너 물동량 예측", 한국항만경제학회지, 36(2), pp.53~62 (2020), 한국항만경제학회[DOI]
- 김호연, "GRU 기반의 도시부 도로 통행속도 예측 모형 개발", 한국ITS학회 논문지, 22(1), pp.103~114 (2023), 한국ITS학회
- 김영수, "DNN과 LSTM 활용한 일일 전력수요모델 개발 및 예측", 한국기후변화학회지, 12(3), pp.241~253 (2021), 한국기후변화학회[DOI]
- 김영찬, "시공간적 영향력을 반영한 딥러닝 기반의 통행속도 예측 모형 개발", 한국ITS학회 논문지, 19(1), pp.1~16 (2020), 한국ITS학회[DOI]
- 고상준, "양방향 LSTM을 활용한 전력수요 데이터 예측 기법 연구", 한국소프트웨어감정평가학회 논문지, 14(1), pp.33~40 (2018), 한국소프트웨어감정평가학회
- 이한승, "교차검증과 SVM을 이용한 도시침수 위험기준 추정 알고리즘 적용성 검토", 한국수자원학회 논문집, 52(12), pp.963~973 (2019), 한국수자원학회[DOI]
- 이요셉, "LSTM을 활용한 고속도로 교통정보 예측 모델 개발 방법론", 한국ITS학회 논문지, 22(5), pp.1~18 (2023), 한국ITS학회[DOI]
- Liu, J., "Short-term traffic flow forecasting using ensemble approach based on deep belief networks", IEEE Transactions on Intelligent Transportation Systems, 23(1), pp.404~417 (2020)
- 박홍규, "시공간 특성을 고려한 딥러닝 기반 교통 속도 예측 모델", 한국정보기술학회논문지, 20(3), pp.19~26 (2022), 한국정보기술학회[DOI]
- Rokach, L., "Ensemble-based classifiers", Artificial Intelligence Review, 33(1), pp.1~39 (2010)
- Ruder, S., "An overview of gradient descent optimization algorithms", arXiv preprint arXiv:1609. 04747, ~ (2017)
- Seo, H., "Development of public bicvle demand forecasting model using cross-validation based staking methods", The Statistical Review, 22, pp.31~38 (2022)
- Shi, J., "Time series forecasting (tsf) using various deep learning models", arXiv preprint arXiv:2204.11115, ~ (2022)
- Srivastava, N., "Dropout : A simple way to prevent neural networks from overfitting", The Journal of Machine Learning Research, 15(1), pp.1929~1958 (2014)
- Yang, S., "Ensemble learning for short-term traffic prediction based on gradient boosting machine", Journal of Sensors, pp.1~15 (2017)
- Zheng, G., "An ensemble model for short-term traffic prediction in smart city transportation system", 2019 IEEE Global Communications Conference (GLOBECOM), pp.1~6 (2019)
- Zheng, G., "A joint temporal-spatial ensemble model for short-term traffic prediction", Neurocomputing, 457, pp.26~39 (2021)
- Zhong, G., "Bus travel time prediction based on ensemble learning methods", IEEE Intelligent Transportation Systems Magazine, 14(2), pp.174~189 (2020)