LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측
Speed Prediction of Urban Freeway Using LSTM and CNN-LSTM Neural Network
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
교통혼잡을 완화하기 위한 방안 중 하나로 도로 이용자에게 교통상황 예측정보를 제공함으로써 교통량을 분산 시켜 도로 이용 효율을 증대시키는 방법이 있다. 이를 위해서는 신뢰성이보장되고 정량적인 실시간 교통 속도 예측이 필수적이다. 본 연구에서는 상황별 교통속도 분석을 기반으로 이력 속도 데이터와 이력 속도 외의 교통류에 상관관계가 있는 데이터를 LSTM 입력 데이터로 활용하였다. 정상 교통류 상황에 대응하여 속도를 예측하는 LSTM 모델과 유고상황에 대응하여 속도를 예측하는 CNN-LSTM 모델을 개발하여 유고발생 후 1시간까지 5분단위로 교통속도 예측을 시도하였다. 모델의 검증은 테스트 데이터를 통하여 교통상황별 예측성능을 분석하였다. 그 결과 정상 교통류에서는 평균 7.43km/h, 유고상황에서는 7.66km/h의 오차율로 각각 예측되었다.
Abstract
One of the methods to alleviate traffic congestion is to increase the efficiency of the roads by providing traffic condition information on road user and distributing the traffic. For this, reliability must be guaranteed, and quantitative real-time traffic speed prediction is essential. In this study, and based on analysis of traffic speed related to traffic conditions, historical data correlated with traffic flow were used as input. We developed an LSTM model that predicts speed in response to normal traffic conditions, along with a CNN-LSTM model that predicts speed in response to incidents. Through these models, we try to predict traffic speeds during the hour in five-minute intervals. As a result, predictions had an average error rate of 7.43km/h for normal traffic flows, and an error rate of 7.66km/h for traffic incident flows when there was an incident.
참고문헌 (12)
- "ALIO", Korea Road Traffic Authority Traffic Science Institute, 86~87 (2013)
- FHWA, "Traffic Detector Handbook", 3~17 (2006)
- 정희진, "순환인공신경망(RNN)을 이용한 대도시 도심부 교통혼잡 예측", 한국ITS학회 논문지, 16(6), pp.67~78 (2017), 한국ITS학회[DOI]
- 김동현, "심층인공신경망(DNN)과 다각도 상황 정보 기반의 서울시 도로 링크별 교통 혼잡도 예측", 한국ITS학회 논문지, 18(4), pp.44~57 (2019), 한국ITS학회[DOI]
- "Korea Meteorological Administration Data Center ASOS Data" (2020)[URL]
- Lee H. S., "Deep Learning LSTM for Long-Short Term Traffic Flow Prediction", The Korean Institute of Information Scientists and Engineers 2019, pp.724~726 (2019)
- 박송희, "교통 돌발 상황을 고려한 도로 속도 예측 기법", 한국콘텐츠학회 논문지, 20(4), pp.25~37 (2020), 한국콘텐츠학회[DOI]
- Sepp H., "Long Short-Term Memory", Neural Computation, 9(8), pp.1735~1780 (1997)
- Simard P. Y., "Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis", Proceedings of the 7th International Conference on Document Analysis and Recognition, (3), pp.958~963 (2003)
- "The Korea's Transport Institute Press Release" (2020)[URL]
- "Traffic Accident Analysis System" (2020)[URL]
- Zheng H., "A Hybrid Deep Learning Model With Attention-Based Conv-LSTM Networks for Short-Term Traffic Flow Prediction", IEEE Transactions on Intelligent Transportation Systems, pp.1~11 (2020)