딥러닝을 활용한 차량대기길이 추정모형 개발
Development of Vehicle Queue Length Estimation Model Using Deep Learning
0
조회
0
다운로드
6
인용
0
참고문헌
키워드
초록
본 연구는 교통운영 개선에 필요한 빅데이터 및 인공지능 모델 개발의 일환으로서, 도시부의 링크통행시간 및 통과교통량 등 가용 데이터 등을 이용하여 교통변수로 활용도가 높은차량대기길이와의 관계를 딥러닝(Deep Learning)을 통해 학습하고 추정하는 인공지능 모델을구축하는 것을 목표로 하였다. 차량대기길이 추정모형은 데이터 분석결과를 토대로 하여 우선 차량대기길이의 링크 초과여부를 분류한 후 링크 초과 및 링크 미초과 상황에서의 차량대기길이 추정하는 3개의 모형으로 모델링하였다. 딥러닝 모형은 텐서플로우로 구현하였으며, 모든 모형은 DNN 구조로서 은닉층과 노드 개수를 다양화하여 학습 및 테스트 후 최소오차를 나타내는 네트워크 구조를 선정하였다. 차량대기길이 링크 초과여부 분류 모형은 약98%의 정확도를 나타냈으며, 미초과 모형은 15% 미만, 초과 모형은 5% 미만의 오차를 각각나타내었다. 링크별 평균 오차는 12%로 도출되었다. 이를 기존 검지기 데이터 기반의 방식과비교한 결과 오차가 약 39% 감소된 것으로 분석되었다.
Abstract
The purpose of this study was to construct an artificial intelligence model that learns and estimates the relationship between vehicle queue length and link travel time in urban areas. The vehicle queue length estimation model is modeled by three models. First of all, classify whether vehicle queue is a link overflow and estimate the vehicle queue length in the link overflow and non-overflow situations. Deep learning model is implemented as Tensorflow. All models are based DNN structure, and network structure which shows minimum error after learning and testing is selected by diversifying hidden layer and node number. The accuracy of the vehicle queue link overflow classification model was 98%, and the error of the vehicle queue estimation model in case of non-overflow and overflow situation was less than 15% and less than 5%, respectively. The average error per link was about 12%. Compared with the detecting data-based method, the error was reduced by about 39%.
참고문헌 (15)
- Allsop R. E., "Delay at a Fixed Time Traffic Signal-Theoretical Analyses", Transportation Science, 6(3), pp.260~285 (1972)[DOI]
- Cox D. R., "The Regression Analysis of Binary Sequences", Journal of the Royal Statistical Society, Series B(Methodological), 20(2), pp.215~242 (1958)
- Dunne M. C., "Traffic Delay at a Signalized Intersection with Binomial Arrivals", Transportation Science, 1, pp.24~31 (1967)[DOI]
- 황재성, "택시 GPS데이터를 활용한 대기차량길이, 링크통행시간 추정 및 교통상황판단 알고리즘 개발", 한국ITS학회 논문지, 16(3), pp.59~72 (2017), 한국ITS학회[DOI]
- Kang J. -H., "The Development of Traffic Queue Length Estimation Algorithm Using the Occupancy Rates", The Journal of the Korea Institute of Intelligent Transportation Systems, 4(2), pp.13~22 (2005)
- Kim D. -O., "Modelling for Queue Estimation on the Approach of Signalized Intersections", Journal of the Korean Society of Civil Engineers, 18(2-2), pp.159~171 (1998)
- Kingma D. P., "ADAM: A Method for Stochastic Optimization", ~ (2014)
- 이용주, "GPS 데이터를 이용한 대기행렬길이 산출에 관한 연구", 한국ITS학회 논문지, 15(3), pp.45~51 (2016), 한국ITS학회[DOI]
- May A. D., "Traffic Flow Theory the Traffic Engineer's Challenge", Proc. Inst. Traffic Eng., pp.290~303 (1965)
- Moon H. -R., "A development of Traffic Queue Length Measuring Algorithm Using Average Occupancy Time Based on COSMOS", Korean Society of Civil Engineers Conference, pp.4230~4234 (2005)
- Newell G. F., "Approximation Methods for Queues with Applications to the Fixed cycle Traffic Light", SIMA Rev., 7(2), pp.223~240 (1965)[DOI]
- Rosenblatt F., "The perceptron : A probabilistic model for information storage and organization in the brain", Psychological Review, 65(6), pp.386~408 (1958)[DOI]
- Rumelhart D. E., "Learning representations by back-propagating errors", Nature, 323(9), pp.533~536 (1986)[DOI]
- Wardrop J. G., "Some Theoretical Aspects of Road Traffic Research", Proc. Inst. Civ. Eng., 1, pp.325~362 (1952)
- Winsten C. B., "Studies in the Economics of Transportation" (1956), Yale University Press