• Journal of Korean Society of Transportation
• /
• v.19 no.2
• /
• pp.61-72
• /
• 2001

기존의 링크교통량으로부터 OD추정모형은 기존 OD에 대한 추정의 종속성이 커, 기존 OD나 관측링크교통량의 오차에 따라 추정결과가 일관적이지 않은 문제점을 가지고 있다. 또한 관측링크교통량의 정확도가 중요함에도 불구하고 차종구분 없이 링크교통량을 이용하여 정보의 손실을 초래하였고 결과적으로 OD 추정력을 저하시켰다. 그렇지만 다차종 링크교통량으로부터 다차종 OD를 구하는 연구는 거의 없었으며, 그 추정결과가 단일차종에 대한 추정결과와 어떻게 다른지에 대한 연구도 전무하였다. 본 연구의 목적은 기존의 OD 추정모형이 기존 OD에 대해 종속성을 가지며 차종구분 없이 모형을 구성함으로써 추정력의 저하를 초래하였음을 밝히고, 이에 대한 대안으로 종속성 문제를 완화하고 차종구분을 통해 OD 추정모형의 추정력을 증진시키자 하는 것이다. 이를 위해 유전알고리즘을 이용한 다차종 OD행렬 추정모형(GAMUC)을 구축하고, 이를 기존의 바이레벨 모형의 IEA 알고리즘 및 다차종으로 확장한 모형(IEAMUC)과 게임이론측면에서 검토하였으며, 사례네트워크에 대해 각 기법을 비교하였다. 본 연구는 유전알고리즘을 이용한 OD 추정기법을 축도로에 적용한 임용택 등(2000)과 이를 네트워크로 확장한 백승걸 등(2000)의 연구를 다차종으로 확장한 것이다. 사례분석 결과 기존 OD의 오차변화나 관측링크교통량의 오차변화 등에 있어 GAMUC가 IEA나 IEAMUC보다 추정력이 양호하여, 실제 OD를 알 수 없는 도시부 네트워크에서 GAMUC 모형의 적용력이 우수하였다. 또한 차종을 구분하지 않은 기존 모형은 실제 OD와는 전혀 다른 OD 구조를 도출할 수 있음을 보였으며, 단일 차종을 여러 차종으로 구분하여 OD를 추정하는 것이 더 양호한 추정력을 확보하는 것으로 나타났다.

• Journal of Korean Society of Transportation
• /
• v.19 no.3
• /
• pp.153-165
• /
• 2001

본 연구에서는 기존의 차종분류기준을 검토하고 현재 건설교통부의 교통량조사를 위한 차종분류기준을 중심으로 문제점을 파악하여 이를 해결할 수 있는 개선된 차종분류기준을 제시하였다 제시된 차종분류기준은 차종별로 조사된 교통량의 이용목적에 맞도록 현행 차종분류기준의 문제점을 개선하는 방향으로 구성하였다. 제시된 차종분류기준은 승용차, 버스, 화물차로 구분되며 화물차는 트럭, 세미트레일러, 트럭트레일러로 구분되어, 차량의 제원과 재차인원 및 적재중량을 고려해 도로포장과 교통류 해석에 이용되도록 14종으로 제시하였다 제 시된 차종분류기준은 차종별 교통량의 이용목적에 맞도록 재구성되어 활용될 수 있으며 따라서 도로교통량 통계연보의 활용도를 제고하게 될 것이다.

• Journal of Korean Society of Transportation
• /
• v.19 no.1
• /
• pp.77-88
• /
• 2001

Until now, though most of the studies related to demand estimation method using traffic counts use methods based on singleclass, travel demands or flows are made by mixing various vehicles in real networks. In general, existing demand estimation methods based on traffic counts estimate O/D by converting a multiclass O/D matrix and traffic counts into a singleclass O/D matrix and traffic counts through PCE conversion, and analyze a O/D matrix by dividing into a multiclass O/D matrix and traffic counts after multiplying an estimated O/D matrix by the fixed ratio of a singleclass O/D matrix and traffic counts before PCE conversion. However, the merits of a demand estimation method based on multiclass calculate each route choice ratio about multiclass O/D, and maximize the estimation capability of multiclass by calculating each gradient, the reduction direction of objective function. Therefore, this study aims to establish a demand estimation method which considers congestion between vehicle and vehicle by using multiclass instead of singleclass.

• International Journal of Highway Engineering
• /
• v.12 no.4
• /
• pp.47-51
• /
• 2010

A vehicle classification data is essential for traffic road planning and pavement. In this study, the vehicle height, vehicle criteria for classification applied to measure the height of the car driving has devised a way to install equipment. It is capable of measuring the vehicle height was confirmed to field experiments, the measurement system is obtained to the vehicle length and height data. In this experiment, results showed the accuracy of 88.6% compared to classification data using the discriminant function obtained from video replaying. The height of vehicle applying the classification criteria can be utilized to determine the vehicle class.

• Journal of KIISE:Software and Applications
• /
• v.33 no.5
• /
• pp.489-498
• /
• 2006

In this paper, we suggested a vehicle classification algorithm using pattern recognition method. At present, Inductive Loop Detector is rarely used for vehicle classification because of its low accuracy. To improve the accuracy, we suggest a new algorithm for Loop Detector using neural networks. In the developed algorithm, the inputs to the neural networks are the variation rate of frequency and occupancy-time. The output is classified vehicles. The developed algorithm was assessed at test sites and the recognition rate was 91.3percent. The results verified that the proposed algorithm improves the vehicle classification accuracy compared to the conventional method based on Loop Detector.

• International Journal of Highway Engineering
• /
• v.7 no.4 s.26
• /
• pp.57-68
• /
• 2005

Vehicle classification system in Korea is operated by two different types depending on operating purpose and place. 8-category classification system operates in Expressway and Provincial road, and 11-category classification system operates in National highway. These different operations decrease the efficiency of practical use of gathering data. Therefore, this study proposes new-modified vehicle classification system for solving this problem. For classification, this study not only focuses on mechanic survey system which is based on vehicle specs, it's also focuses on the applicability of roadside survey. This proposed classification system considers the tendency to vary of vehicle types, and the compatibility with the other classification systems. This system might be the most suitable system for our present situation.

• Proceedings of the KOR-KST Conference
• /
• 2002.02a
• /
• pp.17-42
• /
• 2002

전통적인 OD조사에 의한 OD추정의 여러 문제점들로 인해 링크관측교통량과 기존OD를 결합해 OD를 추정하고자 하는 연구들이 제시되고 있다. Yang(1995)은 일반화최소자승법을 풀기 위한 IEA와 SAB 알고리즘을 제시하였다. 그러나 두 알고리즘의 문제점은 첫째 실제 OD를 알기가 어렵기 때문에 기존 OD를 중요한 추정기준으로 설정한다는 것으로, 이러한 추정의 종속성으로 인해, 기존 OD와 실제 OD의 차이가 큰 경우 정확한 해를 도출하지 못한다. 두 번째 문제는 통행패턴 추정시 선형근사화를 가정하기 때문에 게임이론적 측면에서 전제로 설정한 완전한 Stackelberg 상황을 구현하지 못한다는 것이다. 이러한 문제점을 피하기 위해서는 기존 OD나 관측교통량의 오차에 일관적인 해도출 기법이 필요하다. OD추정 문제는 본질적으로 비선형이고 비볼록하여 전역해 탐색기법이 필요하기 때문에 전역최적화가 가능한 유전알고리즘을 이용한 OD추정모형(GAM)을 개발하였다. 사례네트워크 분석결과, GAM은 기존 OD의 오차에 대해 크게 종속적이지 않으며 OD구조가 변하는 경우에도 추정이 가능하여, 일반적으로 실제 OD를 알 수 없는(기존OD의 오차가 어느 정도인지를 알 수 없는) 도시부 네트워크에서 신뢰성있는 추정력을 보였다. 또한 기존 OD 추정모형은 비교적 용이하게 차종별로 관측할 수 있는 링크교통량을 차종구분 없이 단일차종으로 이용함으로써, 정보의 손실을 초래하여 결과적으로 모형의 추정력을 저하시켰다. 그렇지만 다차종 링크관측교통량으로부터 다차종 OD 추정연구는 거의 없었으며, 그 결과가 단일차종에 대한 추정결과와 어떻게 다른지에 대한 연구도 전무하였다. 본 연구에서는 유전알고리즘을 이용한 OD 추정모형을 다수단 OD 추정모형(GAMUC)으로 확대하였다. 사례 분석 결과 단일차종 OD추정기법은 심각한 추정오류를 범할 수 있으며, 그 적용성도 낮다는 것을 보였다. 다차종 OD 추정기법이 단일차종 OD 추정기법보다 양호한 추정력을 보였으며, 다차종 기법 중에서는 GAMUC가 IEAMUC보다 우수한 추정력을 보였다.

• Journal of Korean Society of Transportation
• /
• v.19 no.2
• /
• pp.43-52
• /
• 2001

대부분의 관측교통량기반 수요추정기법은 소규모 및 중규모 교통망 등의 상대적으로 규모가 작은 교통망에서 기본적으로 가정된 수요를 가지고 얻은 추정O/D를 기본O/D와 비교하여 그 추정의 정확성이 어느 정도인가를 오차분석법 등을 이용하여 비교.분석하는 것이 그 주요한 분석방향이라고 할 수 있었다. 이러한 접근법은 실제 현실에서는 알 수 없는 참O/D나 참관측교통량을 가정하고 제시된 모형을 면밀히 관찰하여 모형의 장단점이 무엇인지를 파악하거나 타모형과의 비교.분석을 용이하게 하고자 할 때 많이 이용된다. 그러나 이러한 가정된 교통망이나 참O/D(true O/D) 등은 모형의 적용가능성을 살필 경우에 이용 가능한 방법이라고 할 수 있지만, 참O/D를 알지 못하는 현실상황(대규모 교통망)에서는 추정O/D의 신뢰성을 평가하기란 매우 힘든 작업이거나 거의 불가능한 일이라 할 수 있다. 이러한 문제점을 보완하고자 본 연구에서는 서울시의 1996년도 교통센서스 자료를 이용하여 가정된 수요가 아닌 실제적이고 현실적인 자료를 가지고 대규모 교통망에서 이용될 수 있는 모형을 살펴보았다. 연구방법은 대규모 교통망에 기존의 단일차종기반모형과 본 연구에서 제시한 다차종(multiclass)기반모형을 적용하여 추정된 O/D에 TLFD(Trip Length Frequency Distribution)개념을 이용하여 추정된 O/D의 신뢰성을 평가하고자 하였다. 또한, $R^2$를 이용하여 모형 적용 전후의 관측교통량과 배분교통량을 비교하여 추정력을 분석하였다. 본 연구에서는 단일차종기반모형보다는 차종간 혼잡효과 및 노선선택비율을 차종별로 감안할 수 있는 다차종기반모형이 대규모교통망에서는 보다 적절한 결과를 나타내는 것으로 분석되었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.791-794
• /
• 2021

범죄차량 판독 시스템, 지능화된 CCTV 등 차량과 관련된 시각지능에 관한 연구가 큰 관심을 받고 있다. 이 중 차량 분류 기술은, 특정 차량을 인식하는 핵심기술이다. 이와 관련한 기존 연구들은 큰 차종으로만 분류하거나, 분류 가능한 차종의 수, 정확도 등이 낮아 실용성 및 신뢰성이 떨어진다는 단점이 있다. 따라서, 본 논문에서는 차종을 정확하게 분류할 수 있는 2단계 차종 분류 알고리즘을 제안한다. 제안 시스템은 CNN으로 학습된 모델을 기반으로 1차로 차량의 유형을 분류하고, 2차로 정확한 차종을 분류한다. 실험 결과, 52개의 차종을 분류함에 있어 단일 분류 모델에 비해 5.3%p 더 높은 90.2%의 분류 정확도를 보였다. 이를 통해, 더욱 정확한 차종 분류가 가능하다.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.30 no.1D
• /
• pp.45-51
• /
• 2010

Traffic volume is essential data for traffic control or maintenance and rehabilitation planning. The volume especially with respect to the type of vehicles can facilitate to those road operations. In this research, a method for vehicle classification was developed using skewed sensors which can generate traffic signatures. In order to characterize vehicle types, the method investigates whether the second axle of each vehicle consists of dual tires. The presence of dual tire is determined by the discriminate function obtained from discriminant analysis. The validation using 1,878 vehicles recorded from a highway using a CCTV camera indicated significantly accurate results: 96.92% for class 1, 82.91% for class 3 and 79.13% for class 4.