• 디지털융복합연구
• /
• 제14권11호
• /
• pp.289-295
• /
• 2016

지하철은 버스와 택시에 비해 많은 승객들을 안전하고 신속하게 대량 수송할 수 있는 미래 지향적인 교통수단이다. 지하철 이용자의 증가에 따른 혼잡도 증가는 지하철을 쾌적하게 이용할 수 있는 시민들의 권리를 저해하는 요인 중의 하나이다. 따라서 지하철 내의 혼잡도 예측은 승객의 이용 편의성과 쾌적성을 극대화할 수 방법 중 하나이다. 본 논문에서는 기존의 지하철 혼잡도를 다중 회귀 분석으로 예측하고 빅데이터 처리를 통한 실시간으로 혼잡도를 모니터링하고, 자신의 출발역과 도착역 정보뿐만 아니라 다양한 정보를 추가하여 개인화된 혼잡도 예측 시스템을 제안한다. 제안된 혼잡도 예측 시스템을 적용한 결과 예측혼잡도가 실제혼잡도에 비해 평균 81% 정확도를 보였다. 본 논문에서 제안한 예측 및 추천 어플리케이션을 지하철 고객에 적용하면 지하철 혼잡도 예측과 개인 사용자의 편리성에 도움이 될 것으로 예상된다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제17권1호
• /
• pp.216-238
• /
• 2023

In intelligent transportation systems, traffic management is an important task. The accurate forecasting of traffic characteristics like flow, congestion, and density is still active research because of the non-linear nature and uncertainty of the spatiotemporal data. Inclement weather, such as rain and snow, and other special events such as holidays, accidents, and road closures have a significant impact on driving and the average speed of vehicles on the road, which lowers traffic capacity and causes congestion in a widespread manner. This work designs a model for multivariate short-term traffic congestion prediction using SLSTM_AE-BiLSTM. The proposed design consists of a Bidirectional Long Short Term Memory(BiLSTM) network to predict traffic flow value and a Convolutional Neural network (CNN) model for detecting the congestion status. This model uses spatial static temporal dynamic data. The stacked Long Short Term Memory Autoencoder (SLSTM AE) is used to encode the weather features into a reduced and more informative feature space. BiLSTM model is used to capture the features from the past and present traffic data simultaneously and also to identify the long-term dependencies. It uses the traffic data and encoded weather data to perform the traffic flow prediction. The CNN model is used to predict the recurring congestion status based on the predicted traffic flow value at a particular urban traffic network. In this work, a publicly available Caltrans PEMS dataset with traffic parameters is used. The proposed model generates the congestion prediction with an accuracy rate of 92.74% which is slightly better when compared with other deep learning models for congestion prediction.

• 한국산학기술학회:학술대회논문집
• /
• 한국산학기술학회 2003년도 Proceeding
• /
• pp.236-242
• /
• 2003

ATM ABR service controls network traffic using feedback information on the network congestion situation in order to guarantee the demanded service qualities and the available cell rates. In this paper we apply the control method using queue length prediction to the formation of feedback information for more efficient ABR traffic control. If backward node receive the longer delayed feedback information on the impending congestion, the switch can be already congested from the uncontrolled arriving traffic and the fluctuation of queue length can be inefficiently high in the continuing time intervals. The feedback control method proposed in this paper predicts the queue length in the switch using the slope of queue length prediction function and queue length changes in time-series. The predicted congestion information is backward to the node. NLMS and neural network are used as the predictive control functions, and they are compared from performance on the queue length prediction. Simulation results show the efficiency of the proposed method compared to the feedback control method without the prediction. Therefore, we conclude that the efficient congestion and stability of the queue length controls are possible using the prediction scheme that can resolve the problems caused from the longer delays of the feedback information.

• 해양환경안전학회지
• /
• 제20권3호
• /
• pp.285-291
• /
• 2014

This study applied regression analysis to evaluate the impact of hourly average congestion calculated by bumper model in the congested area of each passage of each port on the peak time congestion, to suggest the model formula that can predict the peak time congestion. This study conducted regression analysis of hourly average congestion and peak time congestion based on the AIS survey study of 20 ports in Korea. As a result of analysis, it was found that the hourly average congestion has a significant impact on the peak time congestion and the prediction model formula was derived. This formula($C_p=4.457C_a+29.202$) can be used to calculate the peak time congestion based on the predicted hourly average congestion.

• 한국항해항만학회지
• /
• 제47권4호
• /
• pp.212-219
• /
• 2023

해상교통 관제구역은 항만 시설을 사용하기 위한 입·출항 선박, 연안 해역을 이동하는 선박 등이 서로 복잡하게 운항하는 교통 패턴을 가지고 있다. 이를 안전하고 효과적으로 관리하기 위해 해상교통관제센터(VTS)에서는 선박을 실시간 모니터링하며 관제 업무를 수행하고 있지만, 교통 혼잡 상황에서는 업무 로드의 증가로 인해 관제 공백이 발생하기도 한다. 이에 교통 혼잡도 및 혼잡 구역을 예측할 수 있다면 보다 효율적인 관제가 가능하지만 현재는 관제사의 경험에 전적으로 의존하고 있는 실정이다. 본 논문에서는 해상교통관제 관점에서 선박 교통 혼잡을 정의하였으며, 항적 데이터를 이용하여 교통 네트워크를 생성하고, 선박 교통 혼잡도 및 혼잡 구역을 예측하는 방법을 제안한다. 실험에서는 실해역 데이터(대산항 VTS)와 예측 결과를 비교 분석하였으며, 이를 통해 제안하는 방법이 관제 지원 도구로서 활용될 수 있는지 검토하였다.

• 산업공학
• /
• 제23권4호
• /
• pp.349-356
• /
• 2010

The role of Intelligent Transportation System (ITS) is to efficiently manipulate the traffic flow and reduce the cost in logistics by using the state of the art technologies which combine telecommunication, sensor, and control technology. Especially, the hardware part of ITS is rapidly adapting to the up-to-date techniques in GPS and telematics to provide essential raw data to the controllers. However, the software part of ITS needs more sophisticated techniques to take care of vast amount of on-line data to be analyzed by the controller for their decision makings. In this paper, the authors develop a traffic congestion prediction model based on several different parameters from the sensory data captured in the Vehicle Detection System (VDS). This model uses the neural network technology in analyzing the traffic flow and predicting the traffic congestion in the designated area. This model also validates the results by analyzing the errors between actual traffic data and prediction program.

• 정보처리학회논문지C
• /
• 제9C권4호
• /
• pp.489-496
• /
• 2002

본 논문에서는 선로의 이용률 예측을 기반으로 하여 폴링 주기를 동적으로 변경시킬 수 있는 새로운 폴링 기법을 제시한다. 폴링은 네트워크 모니터링의 가장 중요한 기능이지만, 네트워크가 congestion 상태일 때 과대한 폴링 데이터는 네트워크를 심각한 congestion 상태로 만든다. 따라서 기존의 여러 폴링 기법들이 이전 시점에 폴링 요청했을 때 수신한 응답 메시지의 Round Trip Time 또는 폴링한 값의 선로 이용률을 통해 네트워크 congestion 또는 에이전트의 로드 여부를 판단하여 폴링 주기를 변경하여 폴링 트래픽을 조절하였으나 이는 이전 시점의 폴링을 근거로 폴링 주기를 변경하는 기법이기 때문에 폴링하고자 하는 당 시점의 네트워크 상태를 반영하지 못한다. 본 논문에서 제시하는 기법은 과거의 데이터를 근거로 폴링 시점에 폴링 데이터가 폴링 경로 상의 선로 이용률 임계값을 위반하는지를 예측하여 이를 통해 폴링 주기를 변경시킨다. 본 논문에서는 Box-Jenkins의 AR (Autoregressive) 모델을 사용하여 네트워크를 구성하는 각 선로의 이용률을 예측하였고 임계값 위반 여부를 확률로 제시하였다. 또한, 제시한 선로 이용률 예측 기반의 동적 폴링 기법을 실제 네트워크에 적용하여 적합성 여부를 평가하였고, 실험을 통하여 적절한 수준의 선로 이용률 임계값과 임계값 위반 확률을 판단함으로써 본 기법의 성능을 최대화하였다.

• 한국전자통신학회논문지
• /
• 제18권2호
• /
• pp.321-327
• /
• 2023

인공 지능이 발전함에 따라 예측 시스템은 우리의 삶에 필수적인 기술 중 하나로 자리를 잡았다. 이러한 기술의 성장에도 불구하고, 21세기 사거리 교통 체증은 계속해서 문제 되어 왔다. 본 논문에서는 Conv-LSTM(: Convolutional-Long Short-Term Memory) 알고리즘을 이용한 사거리 교통 체증 예측 시스템을 제안한다. 제안한 시스템은 교통 체증이 발생하는 사거리에 시간대별 교통 정보를 학습한 데이터를 모델링 한다. 시간의 흐름에 따라 기록된 교통량 데이터로 교통 체증을 예측하며. 예측된 결과를 기반으로 사거리 교통 신호를 제어하고, 일정한 교통량으로 유지한다. VDS(: Vehicle Detection System)센서를 활용하여 도로 혼잡도 데이터를 정의하고, 교통을 원활하게 하기 위하여 각각의 교차로를 Conv-LSTM 알고리즘기반 네트워크 시스템으로 구성하였다.

• 문화기술의 융합
• /
• 제9권6호
• /
• pp.145-150
• /
• 2023

지하철은 사람들이 일상적으로 이용하는 대중교통으로 자리잡고 있다. 특히 2호선은 지하철 승객이 하루동안 가장 많이 이용하는 역들이 포함되어 있는 호선으로 출퇴근 시간대에는 높은 혼잡도로 인해 압사사고의 위험성이 높아지고 있으며, 이는 지하철을 이용하는 사람들의 안전성과 쾌적함을 저하시킨다. 따라서 지하철 역사 내 혼잡도 예측을 바탕으로 높은 혼잡도로 인해 발생하는 문제를 대비할 필요가 있다. 이를 위해 본 연구에서는 출퇴근 시간대 혼잡 여부를 판별하는 머신러닝 분류 모델을 제안한다. 선행연구를 통해 지하철 혼잡도에 영향을 주는 변수를 파악하고, 공공데이터포털에서 출퇴근 시간대의 2호선 지하철 혼잡도 데이터셋을 수집하여 머신러닝을 기반하여 2호선 지하철 역사 내 혼잡 여부를 예측한다. 본 연구에서 제안하는 출퇴근 시간대 2호선 역사 내 혼잡도 예측 모델은 지하철 이용객의 안전과 만족도를 향상시키기 위한 지하철 운영 계획 수립에 활용될 수 있을 것으로 기대된다.

• 대한교통학회지
• /
• 제32권5호
• /
• pp.522-530
• /
• 2014

교통관리센터에 축적되어 있는 속도 이력데이터에는 반복 비반복 정체 시공간 전개에 대한 상세한 정보가 모두 들어있으나, 도해법에 의해 다루어져 왔기 때문에 많은 양의 이력데이터를 처리하여 교통상황예측이나 정보제공에 활용할 수 없는 한계가 존재하였다. 본 논문에서는, 기존의 Classification과 Density-Based Clustering 알고리즘을 속도 시공간 데이터 특성에 맞게 조합하고 변형하여 정체 시공간 영역을 자동 인식하는 알고리즘과, 정체파급길이, 파급속도, 해소속도 등 정체 시공간 전개 패턴의 특성치를 산정하는 알고리즘을 개발하였다, 본 알고리즘은, 교통관리센터에 축적되어 있는 방대한 양의 이력데이터를 자동으로 분석하여 자세한 정체 관련 정보를 추출할 수 있고, 산정된 특성치를 가지고 각 센터의 필요에 따라 다양한 정보를 2차 생성하고 활용할 수 있는 장점이 있다. 본 연구결과는 향후 반복 비반복 정체에 대한 예측과 대응이 획기적으로 개선되는데 초석이 될 것으로 기대된다.