Recognition Model of the Vehicle Type usig Clustering Methods

클러스터링 방법을 이용한 차종인식 모형

Inductive Loop Detector(ILD) has been commonly used in collecting traffic data such as occupancy time and non-occupancy time. From the data, the traffic volume and type of passing vehicle is calculated. To provide reliable data for traffic control and plan, accuracy is required in type recognition which can be utilized to determine split of traffic signal and to provide forecasting data of queue-length for over-saturation control. In this research, a new recognition model issuggested for recognizing typeof vehicle from thecollected data obtained through ILD systems. Two clustering methods, based on statistical algorithms, and one neural network clustering method were employed to test the reliability and occuracy for the methods. In a series of experiments, it was found that the new model can greatly enhance the reliability and accuracy of type recongition rate, much higher than conventional approa-ches. The model modifies the neural network clustering method and enhances the recongition accuracy by iteratively applying the algorithm until no more unclustered data remains.

최근에 이르기까지 교통분야에서 차량에 관한 정보를 수집하기 위하여 사용되고 있는 검지쳬계는 유도식 루프검지기 (Inductive Loop Detector,ILD)이다. 유도식 검지기로 부터 수집되는 교통자료는 점유시간(차량이 검지기를 점유한시간)과 비점유시간(통행 차량과 차량간의 시간차)및 교통량이 기초 수집자료가 된다. 특히 점유 시간은 신호의 현시 길이를 결정 및 과포화제어를 위한 대기행렬예측 등 다양한 관제알고리즘에 있어서 핵심적인 자료이므로 높은 신뢰도가 요구된다. 이러한 신뢰도는 검지로 부터 수집될 수 있는 자료들을 토대로 통행 차종을 식별함으로써 향상시킬 수 있으며, 관련 관제 알고리즘의 신뢰도 향상은 물론 최근 관심이 고조되고 있는 무인자동감시 체계 및 교통정보 자동 수집장치의 개발을 유도할 수 있다. 본 논문에서는 통행하는 차량들에 대하여 수집 되는 기초자료를 기반으로 인식하기 위한 방법으로 통계적 클러스터링 방법 두 가지와 신경망 클러스터링 방법 등 세가지 방법을 제시하고, 결과로서 무인 자동감시 체계에 관한 활용 방법을 제시한다.