GRU 기반의 도시부 도로 통행속도 예측 모형 개발
Development of a Speed Prediction Model for Urban Network Based on Gated Recurrent Unit
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구에서는 도시부 도로의 다양한 자료를 수집하여 통행속도 변화에 대한 영향을 분석하였고, 이와 같은 빅데이터를 활용하여 GRU 기반의 단기 통행속도 예측 모형을 개발하였다. 그리고 Baseline 모형과 이중지수평활 모형을 비교 모형으로 선정하여 RMSE 지표로 예측 오차를 평가하였다. 모형 평가 결과, Baseline 모형과 이중지수평활 모형의 RMSE는 평균 7.46, 5.94 값으로 각각 산출되었다. 그리고 GRU 모형으로 예측한 평균 RMSE는 5.08 값이 산출되었다. 15개 링크별로 편차가 있지만, 대부분의 경우 GRU 모형의 오차가 최소의 값을 나타내었고, 추가적인 산점도 분석 결과도 동일한 결과를 제시하였다. 이러한 결과로부터 도시부 도로의통행속도 정보 생성 과정에서 GRU 기반의 예측 모형 적용 시 예측 오차를 감소시키고 모형적용 속도의 개선을 기대할 수 있을 것으로 판단된다.
Abstract
This study collected various data of urban roadways to analyze the effect of travel speed change, and a GRU-based short-term travel speed prediction model was developed using such big data. The baseline model and the double exponential smoothing model were selected as comparison models, and prediction errors were evaluated using the RMSE index. The model evaluation results revealed that the average RMSE of the baseline model and the double exponential smoothing model were 7.46 and 5.94, respectively. The average RMSE predicted by the GRU model was 5.08. Although there are deviations for each of the 15 links, most cases showed minimal errors in the GRU model, and the additional scatter plot analysis presented the same result. These results indicate that the prediction error can be reduced, and the model application speed can be improved when applying the GRU-based model in the process of generating travel speed information on urban roadways.
참고문헌 (12)
- Abduljabbar, R. L., "Short-term Traffic Forecasting : An LSTM Network for Spatial-temporal Speed Prediction", Future Transportation, 1(1), pp.21~37 (2021)
- Brown, R. G., "Statistical Forecasting for Inventory Control", Journal of the Royal Statistical Society. Series A, 123(3), pp.232~ (1959)
- Gao, Y., "Short-Term Traffic Speed Forecasting Using a Deep Learning Method Based on Multitemporal Traffic Flow Volume", IEEE Access, 10, pp.82384~82395 (2022)
- Jeon, H., "A Deep-learning Approach to Predict Short-term Traffic Speeds Considering City-wide Spatio-temporal Correlations", Master, pp.2018
- Jeong, M., "Highway Speed Prediction using Gated Recurrent Unit Neural Networks", Applied Sciences, 11(7), pp.3059~ (2021)
- 김영찬, "시공간적 영향력을 반영한 딥러닝 기반의 통행속도 예측 모형 개발", 한국ITS학회 논문지, 19(1), pp.1~16 (2020), 한국ITS학회[DOI]
- Establishment of Intelligent Transport Systems(ITS), "Lee, S.", Ministry of Strategy and Finance, ~, pp.11-1051000-000460-01 (2014)
- Mahmoud, N., "Predicting Cycle-level Traffic Movements at Signalized Intersections using Machine Learning Models", Transportation Research Part C:Emerging Technologies, 124, pp.102930~ (2021)
- Mussumeci, E., "Machine-learning Forecasting for Dengue EpidemicsComparing LSTM, Random Forest and Lasso Regression", MedRvix, 1~19 (2020)
- Peng, H., "Forecasting Traffic Flow : Short Term, Long Term, and When It Rains", International Conference on Big Data, pp.57~71 (2018)
- Xu, C., "Traffic Speed Prediction : Spatiotemporal Convolution Network based on Long-term, Short-term and Spatial features", Applied Intelligence, 52(2), pp.2224~2242 (2022)
- Zhang, A., "Spatial–temporal Attention Fusion for Traffic Speed Prediction", Soft Computing, 26(2), pp.695~707 (2022)