인공 신경망을 사용하여 링크 속도로부터 차로별 속도를 예측하는 연구
Predicting lane speeds from link speeds by using neural networks
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
본 논문에서는 주행 경로의 소요 시간 예측의 정확도를 높이기 위해 인공 신경망을 사용하여링크 속도로부터 각 차로 별 속도를 예측하는 방법을 제시하였다. 링크를 통과하는 차량의 소요시간은 해당 링크 끝의 교차로에서 직진하거나 우회전하거나 좌회전하는 방향에 따라 링크를 지나가는 소요 시간이 다르게 관찰된다. 따라서, 차량의 진행 방향에 따라 속도를 예측하는 것이 필요하다. 대구광역시 국채보상로의 공평네거리와 이를 중심으로 인접한 4개 교차로에서 측정한 데이터를 정제하여 학습과 검증에 필요한 데이터를 구성하였고, 5개의 신경망 모델을 사용하였다. 또한 예측 결과의 오류 분석을 수행하여 연구 목적에 적합한 신경망을 실험적으로 선별하였다. 실험 결과, 각 차로 별 소요 시간 예측에 대한 오차가 직진 차로는 17.4%, 우회전 차로는 4.4%, 좌회전 차로는 3.9% 감소하였다. 이 결과는 링크 하나의 분석 결과로 경로 전체를 대상으로 한다면 효과는 더욱 커질 것으로 예상한다.
Abstract
In this paper, a method for predicting the speed for each lane from the link speed using an artificial neural network is presented to increase the accuracy of predicting the required time of a driving route. The time required for passing through a link is observed differently depending on the direction of going straight, turning right, or turning left at the intersection of the end of the link. Therefore, it is necessary to predict the speed according to the vehicle’s traveling direction. Data required for learning and verification were constructed by refining the data measured at the Gongpyeong intersection of Gukchaebosang-ro in Daegu Metropolitan City and four adjacent intersections around it. Five neural network models were used. In addition, error analysis of the prediction was performed to select a neural network experimentally suitable for the research purpose. Experimental results showed that the error in the estimation of the time required for each lane decreased by 17.4% for the straight lane, 4.4% for the right-turn lane, and 3.9% for the left-turn lane. This experiment is the result of analyzing only one link. If the entire pathway is tested, the effect is expected to be greater.
참고문헌 (19)
- 김홍근, "동적 선형 모델을 이용한 교통 흐름 시계열 분석", 정보처리학회논문지. 컴퓨터 및 통신시스템, 6(4), pp.179~188 (2017), 한국정보처리학회[DOI]
- 정희진, "순환인공신경망(RNN)을 이용한 대도시 도심부 교통혼잡 예측", 한국ITS학회 논문지, 16(6), pp.67~78 (2017), 한국ITS학회[DOI]
- Jeon, Seung Bae, "Road Traffic Speed Prediction Using LSTM Recurrent Neural Network", KOREAN SOCIETY OF CIVIL ENGINEERS, pp.434~435 (2020)
- 김유진, "설명 가능 그래프 심층 인공신경망 기반 속도 예측 및 인근 도로 영향력 분석 기법", 한국융합학회논문지, 13(1), pp.51~62 (2022), 한국융합학회[DOI]
- 김영찬, "시공간적 영향력을 반영한 딥러닝 기반의 통행속도 예측 모형 개발", 한국ITS학회 논문지, 19(1), pp.1~16 (2020), 한국ITS학회[DOI]
- 김성훈, "지능형 교통 시스템을 위한 Graph Neural Networks 기반 교통 속도 예측", 한국ITS학회 논문지, 20(1), pp.70~85 (2021), 한국ITS학회[DOI]
- 이권동, "ConvLSTM을 이용한 도로 구간 속도 예측 기법", 한국정보기술학회논문지, 19(12), pp.27~33 (2021), 한국정보기술학회[DOI]
- 박부기, "LSTM 및 CNN-LSTM 신경망을 활용한 도시부 간선도로 속도 예측", 한국ITS학회 논문지, 20(1), pp.86~99 (2021), 한국ITS학회[DOI]
- 임희섭, "개별차량 주행정보를 이용한 차로별 구간대표통행시간 산출기법", 한국ITS학회 논문지, 8(6), pp.23~35 (2009), 한국ITS학회
- 김도훈, "UTIS 자료를 활용한 도로구간 통행속도 예측 모형 개발", 서울도시연구, 18(3), pp.101~102 (2017), 서울연구원[DOI]
- Hwangseong Lee, "Traffic State predictability analysis by lane based on vehicle trajectory data", Proceedings of the KOR-KST Conference, pp.662~666 (2021)
- Jiyoung Hwang, "Asymmetric long time traffic speed prediction using Graph Multi-Attention algorithm", Proceedings of the KOR-KST Conference, pp.378~383 (2021)
- 전승배, "ResNet을 이용한 도로 네트워크 교통 데이터 예측", 대한공간정보학회지, 29(2), pp.75~84 (2021), 대한공간정보학회[DOI]
- Dongmin Kim, "Deep learning-based prediction of the travel speed for short term on an arterial road", Proceedings of the KOR-KST Conference, pp.571~576 (2021)
- Huijin Jeong, "Prediction of urban traffic congestion through LSTM-RNN model", Proceedings of the KOR-KST Conference, pp.64~69 (2019)
- Jiwon Son, "A Deep Learning Based Traffic Speed Prediction on Multiple-Roads", Proceedings of the online fall academic conference 2020, 27(2) (2020)
- Jionseok Seo, "Development of traffic congestion prediction and signal control solution based on deep learning", Proceedings of the KOR-KST Conference, pp.70~75 (2019)
- 김의진, "앙상블 경험적 모드 분해법을 이용한 도시부 단기 통행속도 예측", 대한토목학회논문집(국문), 38(4), pp.579~586 (2018), 대한토목학회[DOI]
- 유영중, "도심 도로의 속도 예측을 위한 KNN 알고리즘 분석", 예술인문사회 융합 멀티미디어 논문지, 7(2), pp.245~253 (2017), 사단법인 인문사회과학기술융합학회[DOI]