• 대한교통학회지
• /
• 제34권2호
• /
• pp.158-167
• /
• 2016

본 연구는 실시간 자료를 기반으로 k-NN을 활용한 단기 교통상황 예측 시 각 단계별 세부절차 및 변수결정, 입력자료 구축 등의 각 단계별 잠재적 예측오차에 대한 원인분석 및 시사점 도출을 목적으로 한다. 다양한 단기 예측모형에 대한 선행연구 검토를 통하여 k-NN 모형의 유용성을 검토하였고 이에 대한 적용가능성을 분석하였다. 본 연구의 k-NN 모형은 이력자료 평활화 및 패턴DB 구축의 입력자료 부분, 실시간 자료와 과거 이력자료와의 유사성 측정 및 k 근접이웃 결정 등의 k-NN 알고리즘 부분, 그리고 예측 시간간격에 따른 출력결과 부분 등으로 구성되며 올림픽대로 김포방향 한강대교 남단~여의상류IC 구간을 대상으로 분석을 실시하였다. 교통자료의 불규칙 잡음으로 인하여 정확한 패턴매칭을 위해서 이력자료의 평활화를 실시하였으며, 이력자료 패턴 DB는 일반 및 이벤트 상황으로 구분하여 활용하였다. 최적의 시계열 자료 및 k 근접이웃 결정을 위해서 시행착오 방법을 적용하였으며, 단기 교통상황 예측 시 예측 시간간격이 증가할수록 예측오차가 증가하는 패턴, 그리고 교통상태가 급변하는 시점에서도 예측오차가 증가함을 알 수 있었다. 본 연구의 k-NN 모형에 대한 각 단계별 예측오차에 대한 원인을 분석하여 개선방향을 제시함으로써 향후 신뢰성 있는 단기 교통상황예측 정보제공 및 시스템에 활용이 가능할 것으로 판단된다.

• 한국정보통신학회논문지
• /
• 제13권4호
• /
• pp.765-773
• /
• 2009

최근의 텔레매틱스 교통정보제공서비스는 지능형 교통시스템의 구축을 통한 실시간 교통정보 수집이 가능해짐에 따라 다양해지고 있다. 본 논문에서는 고품질의 다양한 교통정보제공을 위해 필요한 미래시간에 대한 단기 교통정보 예측 모델을 제안하고 개발하였다. 단기 예측 모델은 현재로부터 가까운 미래의 교통 상황을 예측하기 위한 교통 모델로 본 연구에서 제안한 예측 모델은 각 도로에 대하여 5분 이후부터 1시간 이전까지의 미래시간에 대한 차량 평균 속도를 예측 결과로 준다. 본 연구에서 제안한 예측 모델은 베이지안 네트워크에 기반을 두고 있으며 각 도로의 미래시간 교통상황에 영향을 줄 수 있는 요인들을 분석하여 베이지안 네트워크의 원인노드로 설정하였다. 설계된 베이지안 네트워크에 대하여 실시간 교통정보데이터를 이용하여 가우시안 혼합 분포를 가정한 베이지안 네트워크의 결합 확률 밀도 함수를 EM(Expectation Maximization) 알고리즘으로 구하여 미래시간의 교통정보를 예측하였다. 예측 모델의 정확도 검증을 위해 실시간 교통데이터로 다양한 실험을 수행하였다. 실험결과 제안된 모델은 현재 시간으로부터 10분 이후, 30분 이후, 60분 이후 예측 오차로 각각 4.5, 4.8, 5.2의 RMSE(Root Mean Square Error) 값을 주었다.

• 한국ITS학회 논문지
• /
• 제3권1호
• /
• pp.31-44
• /
• 2004

최근 몇 년간 도시교통문제의 해결책으로 부각되어온 지능형교통체계(ITS : Intelligent Transport System)의 한 분야로 첨단여행자 정보체계(ATIS : Advanced Travellers Information System)는 자동차에 장착된 항법장치(CNS)를 통해 운전자에게 원하는 목적지까지 최적경로를 제공하거나 경로에 대한 통행시간 정보를 제공 또는 예측해 주는 시스템이다. 본 연구에서는 이러한 최적경로 제공이나 통행시간 예측에 있어 좀 더 효율적인 통행시간 예측모형을 개발하고자 하였다. 현재까지의 통행시간 예측은 운전자가 통행을 시작할 때의 교통상황에 대한 정보이기 때문에 운전 중에 달라지는 교통상황을 반영할 수 없어 이로 인해 운전자가 경험하는 통행시간과 큰 차이를 발생시킬 수 있다. 본 연구에서는 이러한 불합리적인 예측시스템을 개선시킬 수 있는 예측된(predicted) 통행시간 예측 모형을 개발하고자 하였다. 이를 위해 우선 통행시간 예측모형을 특정링크에 적용시켜 모형들의 예측치와 실제 통행시간을 비교하여 교통량 흐름 패턴에 따라 어느 모형이 적합한지, 또 예측시간이 달라짐에 따라 모형들의 적합도와 첨두와 비첨두시 예측시간 간격에 따라 예측치와 실측치의 오차율을 알아보았다, 이를 통해 선정된 확률과정 모형과 칼만 필터링 예측모형을 서울시의 4개축에 대해서 다시 적용해 보았다. 그 결과 단기통행시간 예측에 있어서는 칼만필터링모형이, 장기 통행시간 예측에 있어서는 확률과정 모형이 통행시간 예측에 있어 우수한 모형임을 밝혀냈다. 마지막으로 서울시 28개 교통축의 5분 후 통행시간 예측에 칼만필터링 모형을 이용하여 오차분석을 적용하여 보았다. 그 결과 칼만필터링 모형이 신뢰할 만한 오차율을 보였다.

• 대한교통학회지
• /
• 제17권1호
• /
• pp.173-185
• /
• 1999

서울시는 IMF 경제위기 상황으로 교통시설 투자감소에 의한 공급정체 현상이 예상됨에 따라 교통수요관리에 대한 의존도를 높일 수밖에 없는 실정이다. 그러나 교통수요관리에 대한 기대에도 불구하고 기존의 서울시 교통 수요관리 정책은 단기 교통수요관리 목표 및 수요관리정책 시행에 따른 효과 분석체계의 부재, 교통현상 변화에 대한 지속적 모니터링 체계의 결함 등 문제점이 있음에 따라 그동안 정책효과에 대한 정확한 홍보가 미흡했으며 정책의 지속적 수용성 확보가 어려웠다. 이러한 문제점을 해결하기 위해 서울시에서는 교통혼잡관리프로그램(CMP)의 도입이 필요하게 되었다. 이 프로그램은 서울시의 단기교통관리목표를 설정한 뒤 적정교통수준을 넘어서는 수요를 감축하기 위한 종합적 교통수요관리시책을 마련하고 선정된 대안의 기대효과를 예측할 수 있는 방법론을 구축하며, 신속하게 시행, 모니터링함으로써 서울의 교통수준을 단기적으로 항시 적정수준으로 유지하는 것을 목적으로 하고 있다. 본 연구에서는 서울시의 CMP의 실행을 위해 교통수요관리 프로그램의 효과예측모형(Seoul Congestion Management Model: SECOMM)을 개발하였다. SECOMM의 개발을 통해 단기교통관리목표를 달성하기 위한 적정 교통수요관리 프로그램의 실행전략을 보다 효과적으로 마련할 수 있을 것으로 기대된다.

• 대한교통학회지
• /
• 제30권5호
• /
• pp.43-59
• /
• 2012

통행분포 예측시 목표년도가 단기일 경우에는 성장인자모형의 예측 정확도가 높고, 장기 목표년도의 경우에는 중력모형의 예측 정확도가 높은 것으로 인식되어 오고 있다. 이와 같은 예측모형 적용경향에 대한 검정을 위해 본 연구에서는 대구시 3개 년도(1988년, 1992년, 2004년)의 O-D표를 이용하여 통행분포 예측모형들의 정확도를 비교하였다. 비교는 분석 죤이 대죤인 경우와 중죤인 경우에서 예측모형별로 단기 목표년도의 정확도와 장기 목표년도 정확도를 구분하여 행하였다. 비교결과, 통행분포 예측모형의 통상적인 인식과 다른 결과가 있을 수 있다는 것이 규명되었다.

• 대한교통학회지
• /
• 제25권1호
• /
• pp.121-132
• /
• 2007

일반국도의 상시조사 자료는 교통량 조사 장비를 통해 수집되며, 수집된 자료가 누락되거나 불량일 경우 통계자료의 객관성을 유지하기 위해서 보정을 해야 한다. 교통량 결측 자료의 보정을 통계적인 방법으로 접근하여 신뢰성을 높이고자 본 연구에서는 보정 대상 시간과 동일시간의 자료를 적용할 수 있는 자기회귀분석과 보정 대상 지점과 동일 지점의 자료를 적용할 수 있는 계절 시계열 분석을 이용하여 보정하는 방안을 제시하였다. 계절 시계열 분석을 적용하여 결측 자료를 보정한 결과, 결측 기간이 길어질수록 오차가 커지는 것으로 분석되었다. 이것은 단기예측의 경우 실제자료를 이용하여 예측 값을 제시하지만, 장기예측의 경우 예측된 자료를 이용하여 예측값을 제시하기 때문에 신뢰성이 떨어지기 때문이라 판단된다. 자기회귀분석을 적용하여 결측 자료를 보정한 결과, 시계열분석에 비해서 오차가 적은 것으로 분석되었다. 이것은 교통량자료는 과거 패턴보다 현재 시점의 영향을 더 많이 받는 것이기 때문이라 판단된다 하지만 자기회귀분석은 인근에 패턴이 유사한 지점이 있어야 가능하며, 인근에 유사한 지점이 있더라도 그 지점의 자료가 불량일 경우 보정이 불가능하다는 단점이 있다. 이러한 경우에는 과거자료를 이용해서 보정할 수밖에 없으며, 단기 결측의 경우에는 시계열분석을 이용할 수 있다.

• 한국ITS학회 논문지
• /
• 제19권1호
• /
• pp.1-16
• /
• 2020

4차 산업혁명 시대가 도래함에 따라 빅데이터를 활용하는 딥러닝에 대한 관심이 높아졌으며 다양한 분야에서 딥러닝을 이용한 연구가 활발하게 진행되고 있다. 교통 분야에서도 교통빅데이터를 많이 활용하는 만큼 딥러닝을 연구에 이용한다면 많은 이점이 있을 것이다. 본 연구에서는 통행속도를 예측하기 위하여 딥러닝 기법인 LSTM을 이용한 단기 통행속도 예측 모형을 구축하였다. 예측에 활용한 데이터인 통행속도 데이터가 시계열 데이터인 것을 고려하여 시계열 예측에 적합한 LSTM 모델을 선택하였다. 통행속도를 보다 정확하게 예측하기 위하여 시간적, 공간적 영향을 모두 반영하는 모형을 구축하였으며, 모형은 1시간 이후를 예측하는 단기 예측모형이다. 분석데이터는 서울시 교통정보센터에서 수집한 5분 단위 통행속도를 활용하였고 분석구간은 교통이 혼잡한 강남대로 일부구간으로 선정하여 연구를 수행하였다.

• 한국도로학회논문집
• /
• 제12권4호
• /
• pp.1-9
• /
• 2010

본 연구는 유고로 인한 대기행렬, 통행시간과 같은 혼잡정보를 예측하여 제공하는 것을 목표로 하며, 이것은 교통시설 이용자와 운영자 모두에게 효율적인 대안선택 및 운영을 위한 중요한 요소로 활용된다. 이러한 예측된 사고영향 정보의 제공으로 인하여, 이용자는 유고 구간에 대한 정보를 사전에 인지하여 지체를 최소화 할 수 있고, 운영자는 현재 유고영향을 받을 것으로 예상되는 구간을 효율적으로 관리할 수 있을 것이다. 본 연구에서는 연속류 본선구간에서 단기예측기법을 적용한 유고영향 예측모형을 제안하였다. 본 연구에서 제안한 모형은 MARE를 통하여 상대적인 오차를 비교분석하여, 예측력이 뛰어난 모형을 정립하였다. 본 연구를 시작으로 미시적인 사고영향 예측 모형이 개발된다면 사고발생 시 지체를 최소화하고 사회적인 비용을 줄일 수 있을 것이다.

• 대한교통학회지
• /
• 제16권4호
• /
• pp.53-64
• /
• 1998

본 연구의 목적은 '96년말 서울시에서 실시한 가구통행조사를 이용하여 서울시 수단선택모형을 구축하고 그 예측결과를 남산 혼잡통행료 전후저사자료와 비교하여 보다 구체적으로 그 정확성을 검증한 뒤 향후 서울시 교통수요관리 방안의 시행에 따른 수단선택변화 예측의 기본 모형으로 활용하는데 있다. 5가지의 대안모형의 분석결과 통행비용변수(승용차의 경유 주차요금포함)와 총통행시간변수(OVTT와 IVTT의 합), 승용차, 지하철, 택시상수로 구성된 모형이 최적모형으로 분석되었다. 이모형에 의한 시간가치는 9,395원, 승용차의 비용탄력성은-0.6767로서 기존 연구결과의 범위 내에 속한 것으로 나타났다. 최적모형을 이용하여 승용차통행비용이 증가한 경우를 모사분석결과 남산1,3호 터널 혼잡통행료 징수효과와 유사하게 승용차 분담율이 13% 가까이 감소한 것으로 나타나서 모형의 현실적합성도 비교적 높은 것으로 판명되었다. 향후 본 연구에서 선정된 최적수단선택모형을 통행배정모형과 결합하여 다양한 교통수요관리 방안에 따른 효과를 예측하는데 활용하면 서울과 같은 대도시의 단기적 교통관리의 수준을 한 단계 높이는데 기여할 것으로 판단된다.

• 한국정보통신학회논문지
• /
• 제19권12호
• /
• pp.2779-2784
• /
• 2015

정확한 교통정보의 예측은 출발지로부터 목적지까지의 최적경로를 제공할 수 있으며, 이로 인해 시간과 비용의 절감 효과를 얻을 수 있다. 본 논문에서는 다양한 교통정보 예측 방법 중 확률 모델을 기반으로 교통정보를 예측하는 베이지안 네트워크 방법을 이용한다. 기존 연구에서는 베이지안 네트워크 예측 방법이 모든 시간대에서의 데이터를 학습에 사용하는 것과는 달리, 본 논문에서는 예측하고자 하는 시간대와 동일한 요일과 시간에 해당하는 데이터만을 선별적으로 학습에 사용한다. 서로 다른 두 가지 학습방법에 따른 예측 결과의 정확도는 일반적으로 많이 사용되는 MAPE(Mean Absolute Percentage Error)로 검증하였으며, 서울 시내 14개의 링크 구간에 대해 실험을 진행하였다. 실험결과는 본 논문에서 제안한 방법이 모든 시간대의 데이터를 학습에 사용한 방법에 비해 MAPE의 관점에서 더 높은 정확도를 가진 교통 예측 값을 계산할 수 있음을 보여준다.