심층인공신경망(DNN)과 다각도 상황 정보 기반의 서울시 도로 링크별 교통 혼잡도 예측
Prediction of Traffic Congestion in Seoul by Deep Neural Network
0
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
여러 대도시에서 교통 혼잡 문제를 해결하기 위해 정확한 교통 흐름을 예측하는 다양한 연구가 진행되었다. 대부분의 연구가 과거의 교통 흐름 패턴이 미래에도 반복될 것이라는 가정하에 예측 모델을 개발하였으나 교통사고 등과 같은 뜻하지 않은 비반복적 교통 패턴을 예측하는 데에는 신뢰성이 낮게 나타났다. 이런 문제를 해결하기 위한 대안으로 지능형 교통 시스템(ITS)을 통해 얻은 빅데이터와 인공지능을 접목한 교통 흐름 예측 연구가 진행되어 왔다. 하지만 시계열 분석에 일반적으로 사용되는 알고리즘인 RNN의 경우, 단기 예측에 최적화되어장기 예측 정확도가 낮다는 단점을 가지고 있다. 이런 문제를 해결하기 위해 본 논문에서는기온과 강수량 등의 기상 정보 외에도 각종 외부 요인들을 고려하여 장기적 시점에서 교통 혼잡도를 예측하는 '심층 인공 신경망 모델'을 제안하였다. TOPIS 자료를 이용한 사례 연구 결과서울시 주요 도로 링크의 교통 혼잡도를 90%에 가까운 정확도로 예측이 가능하였다. 추후 교통사고나 도로 공사와 같은 도로에 영향을 미치는 이벤트 데이터를 추가로 확보할 수 있다면정확도는 더욱 높아질 것으로 예상된다.
Abstract
Various studies have been conducted to solve traffic congestions in many metropolitan cities through accurate traffic flow prediction. Most studies are based on the assumption that past traffic patterns repeat in the future. Models based on such an assumption fall short in case irregular traffic patterns abruptly occur. Instead, the approaches such as predicting traffic pattern through big data analytics and artificial intelligence have emerged. Specifically, deep learning algorithms such as RNN have been prevalent for tackling the problems of predicting temporal traffic flow as a time series. However, these algorithms do not perform well in terms of long-term prediction. In this paper, we take into account various external factors that may affect the traffic flows. We model the correlation between the multi-dimensional context information with temporal traffic speed pattern using deep neural networks. Our model trained with the traffic data from TOPIS system by Seoul, Korea can predict traffic speed on a specific date with the accuracy reaching nearly 90%. We expect that the accuracy can be improved further by taking into account additional factors such as accidents and constructions for the prediction.
참고문헌 (25)
- Breiman, "Random forests", Machine Learning, 45(1), pp.5~32 (2001)
- Bridle J. S, "Advances in Neural Information Processing Systems", pp.211~217 (1990)
- Chirigati F, "Data polygamy: the many-many relationships among urban spatio-temporal data sets", Proceedings of the 2016 International Conference on Management of Data, pp.1011~1025 (2016)
- Jeon H, "A Deep-learning Approach to Predict Short-term Traffic Speeds Considering City-wide Spatio-temporal Correlations", ~ (2018)
- 정희진, "순환인공신경망(RNN)을 이용한 대도시 도심부 교통혼잡 예측", 한국ITS학회 논문지, 16(6), pp.67~78 (2017), 한국ITS학회[DOI]
- 김호용, "공간통계기법을 이용한 도시 교통량 예측의 정확성 향상", 한국지리정보학회지, 13(4), pp.138~147 (2010), 한국지리정보학회
- 김형주, "k-NN 알고리즘을 활용한 단기 교통상황 예측: 서울시 도시고속도로 사례", 대한교통학회지, 34(2), pp.158~167 (2016), 대한교통학회[DOI]
- Kingma D. P, "Adam: A method for stochastic optimizatio", ~ (2014)
- Koesdwiady A, "Improving traffic flow prediction with weather information in connected cars: A deep learning approach", IEEE Transactions on Vehicular Technology, 65(12), pp.9508~9517 (2016)
- "Korea Expressway Corporation"[URL]
- "Korea Meteorological Administration"[URL]
- LeCun Y, "Backpropagation applied to handwritten zip code recognition", Neural Computation, 1(4), pp.541~551 (1989)
- Lee M, "Forecasting short-term travel speed in a dense highway network considering both temporal and spatial relationship : using a deep-learning architecture", ~ (2016)
- Lee S, "The study of Estimation model for the short-term travel time prediction", The Journal of The Korea Institute of Intelligent Transport Systems, 3(1), pp.31~44 (2004)
- Ma X, "Long short-term memory neural network for traffic speed prediction using remote microwave sensor data", Transportation Research Part C : Emerging Technologies, 54, pp.187~197 (2015)
- "Ministry of Land, Infrastructure and Transport"[URL]
- Nair V, "Rectified linear units improve restricted boltzmann machines", Proceedings of the 27th international conference on machine learning (ICML-10), pp.807~814 (2010)
- Pedamonti D, "Comparison of non-linear activation functions for deep neural networks on MNIST classification task", ~ (2018)
- Prechelt L, "Neural Networks: Tricks of the trade", pp.55~69 (1998)
- Rumelhart D. E, "Learning representations by back-propagating errors", Nature, 323(6088), pp.533~ (1986)
- "Seoul Metropolitan Government"[URL]
- "Seoul Transport Operation and Information Services"[URL]
- Tang J, "An improved fuzzy neural network for traffic speed prediction considering periodic characteristic", IEEE Transactions on Intelligent Transportation Systems, 18(9), pp.2340~2350 (2017)
- Yao H, "Deep multi-view spatial-temporal network for taxi demand prediction", Thirty-Second AAAI Conference on Artificial Intelligence, pp.2588~2595 (2018)
- Zhao Z, "LSTM network : a deep learning approach for short-term traffic forecast", IET Intelligent Transport Systems, 11(2), pp.68~75 (2017)