딥러닝 모형을 이용한 신호교차로 대기행렬길이 예측
Predicting a Queue Length Using a Deep Learning Model at Signalized Intersections
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 연구는 영상검지기에서 수집되는 정보를 활용하여 딥러닝 기반으로 대기행렬길이를 예측하는 모형을 개발하였다. 그리고 통계적 기법인 다중회귀 모형을 추정하여 평균절대오차와평균제곱근오차의 두 지표를 이용하여 비교평가하였다. 다중회귀분석 결과, 시간, 요일, 점유율, 버스 교통량이 유효한 변수로 도출되었고, 이 중에서독립변수들의 종속변수에 대한 영향력은 점유율이 가장 큰 것으로 나타났다. 딥러닝 최적 모형은 은닉층이 4겹, Look Back이 6으로 결정되었고, 평균절대오차와 평균제곱근오차가 6.34와8.99로 나타났다. 그리고 두 모형을 평가한 결과, 다중회귀 모형과 딥러닝 모형의 평균절대오차는 각각 13.65와 6.44, 평균제곱근오차는 각각 19.10과 9.11로 계산되었다. 이는 딥러닝 모형이다중회귀 모형과 비교하여 평균절대오차가 52.8%, 평균제곱근오차는 52.3% 감소된 결과이다.
Abstract
In this study, a deep learning model for predicting the queue length was developed using the information collected from the image detector. Then, a multiple regression analysis model, a statistical technique, was derived and compared using two indices of mean absolute error(MAE) and root mean square error(RMSE). From the results of multiple regression analysis, time, day of the week, occupancy, and bus traffic were found to be statistically significant variables. Occupancy showed the most strong impact on the queue length among the variables. For the optimal deep learning model, 4 hidden layers and 6 lookback were determined, and MAE and RMSE were 6.34 and 8.99. As a result of evaluating the two models, the MAE of the multiple regression model and the deep learning model were 13.65 and 6.44, respectively, and the RMSE were 19.10 and 9.11, respectively. The deep learning model reduced the MAE by 52.8% and the RMSE by 52.3% compared to the multiple regression model.
참고문헌 (19)
- 조근민, "딥러닝 모형을 활용한 공공자전거 대여량 예측에 관한 연구", 한국ITS학회 논문지, 19(3), pp.28~37 (2020), 한국ITS학회[DOI]
- Do C., "Principles of Transportation Engineering" (2010), Gyomoon Publishers
- Fu R., "Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction", 31st Youth Academic Annual Conference of Chinese Association of Automation, pp.324~328 (2016)
- Gao K., "An Integrated Algorithm for Intersection Queue Length Estimation Based on IoT in a Mixed Traffic Scenario", Applied Sciences, 10(6), pp.2078~ (2020)
- Han J., "Training Sample of Artificial Neural Networks for Predicting Signalized Intersection Queue Length", Proceedings of the KOR-KST Conference, 18(4), pp.75~ (2000)
- Kang J., "The Development of Traffic Queue Length Measuring Algorithm Using the Occupancy Rates", Proceedings of the KOR-KST Conference, 48, pp.309~ (2005)
- 기병국, "신경망 이론과 유전자 알고리즘을 결합한 신호교차로 대기행렬 예측기법에 관한 연구", 대한토목학회 논문집D, 22(4-D), pp.595~606 (2002), 대한토목학회
- Kim S., "Coding Chef's 3-minute Deep Learning" (2018), Hanbit Publishing Network
- Kim T., "Python Deep Learning Keras with Blocks" (2017), Digitalbooks
- Lee C., "Introducing ATIS to Seoul Metropolitan" (2000), Seoul Development Institute
- Lee Y., "Development of A Simple Method for Determining Queue-End-Location", Proceedings of the KOR-KST Conference, 44, pp.1~6 (2003)
- Lee Y., "A Development of Queue Length Estimation in COSMOS", Proceedings of the KOR-KST Conference, 42, pp.1~ (2002)
- 이용주, "딥러닝을 활용한 차량대기길이 추정모형 개발", 한국ITS학회 논문지, 17(2), pp.39~57 (2018), 한국ITS학회[DOI]
- Liu H. X., "Real-time Queue Length Estimation for Congested Signalized Intersections", Transportation Research Part C, 17(4), pp.412~ (2009)
- Luo X., "Queue Length Estimation for Signalized Intersections Using License Plate Recognition Data", Intelligent Transportation System Magazine, pp.209~ (2019)
- Nikhil B., "Fundamentals of Deep Learning" (2017), O’Reilly Media
- 심소정, "Kalman Filter를 활용한 대기행렬예측 알고리즘 개발", 대한교통학회지, 20(5), pp.145~152 (2002), 대한교통학회
- Yim Y., "Link Flow Evaluation Using Loop Detector Data : Traveler Response to Variable-Message Signs", TRR, 1550(1), pp.58~64 (1996)
- Yin J., "A Kalman Filter-Based Queue Length Estimation Method with Low-Penetration Mobile Sensor Data at Signalized Intersections", TRR, 2672(45), pp.253~264 (2018)