엣지학습기반 교통량 예측과 적응형 인프라 제어를 통한 교통감시 시스템 설계 = Design of Traffic Monitoring System with Edge Learning-Based Traffic Prediction and Adaptive Infrastructure Control

국문 초록 (Abstract)

도시화 가속화에 따라 교통 혼잡과 에너지 효율 문제가 현대 도시의 핵심 과제로 부각되고 있다. 지능형 교통 시스템(Intelligent Transportat
ion System, ITS)은 이러한 문제를 해결하기 위해 도입되었으며 교통 데이터 수집과 분석을 통해 교통 흐름을 효율적으로 관리하는 것을 목표로 한다. ITS의 핵심 요소 중 하나인 적응형 교통 인프라 제어 연구들이 활발히 수행되어 왔으나 기존 연구들은 중앙 서버를 통한 실시간 제어를 가정하여 네트워크 연결이 제한적인 환경에서는 적용할 수 없다는 한계가 있다. 또한 실제 교통 환경에서는 요일, 휴일, 시간대 등 다양한 요인에 의해 교통량이 동적으로 변화하므로 실시간 교통량 예측 기능이 필수적으로 요구된다.
본 연구에서는 엣지 디바이스에서 독립적으로 교통량을 예측하고 카메라를 제어하는 자율 교통 감시 시스템을 제안한다. 서울시 교통 데이터를 분석하여 요일과 휴일이 교통량에 유의미한 영향을 미침을 통계적으로 검증하였고 Prophet의 시계열 분해 능력과 MLP의 비선형 학습 능력을 결합한 하이브리드 구조의 예측 모델을 개발하였다. 예측된 교통량을 기반으로 적응형 카메라 제어 알고리즘을 적용하여 전력 효율과 감시 품질을 동시에 향상시켰으며 엣지 환경에서의 실시간 운영 가능성을 실험적으로 검증하였다. 제안하는 시스템은 네트워크 연결이 제한적인 환경에서도 효과적으로 작동하며 스마트 시티 인프라 관리의 효율성 향상에 기여할 것으로 기대된다.

국문 초록 (Abstract)

도시화 가속화에 따라 교통 혼잡과 에너지 효율 문제가 현대 도시의 핵심 과제로 부각되고 있다. 지능형 교통 시스템(Intelligent Transportat
ion System, ITS)은 이러한 문제를 해결하기 위해 도입되었으며 교통 데이터 수집과 분석을 통해 교통 흐름을 효율적으로 관리하는 것을 목표로 한다. ITS의 핵심 요소 중 하나인 적응형 교통 인프라 제어 연구들이 활발히 수행되어 왔으나 기존 연구들은 중앙 서버를 통한 실시간 제어를 가정하여 네트워크 연결이 제한적인 환경에서는 적용할 수 없다는 한계가 있다. 또한 실제 교통 환경에서는 요일, 휴일, 시간대 등 다양한 요인에 의해 교통량이 동적으로 변화하므로 실시간 교통량 예측 기능이 필수적으로 요구된다.
본 연구에서는 엣지 디바이스에서 독립적으로 교통량을 예측하고 카메라를 제어하는 자율 교통 감시 시스템을 제안한다. 서울시 교통 데이터를 분석하여 요일과 휴일이 교통량에 유의미한 영향을 미침을 통계적으로 검증하였고 Prophet의 시계열 분해 능력과 MLP의 비선형 학습 능력을 결합한 하이브리드 구조의 예측 모델을 개발하였다. 예측된 교통량을 기반으로 적응형 카메라 제어 알고리즘을 적용하여 전력 효율과 감시 품질을 동시에 향상시켰으며 엣지 환경에서의 실시간 운영 가능성을 실험적으로 검증하였다. 제안하는 시스템은 네트워크 연결이 제한적인 환경에서도 효과적으로 작동하며 스마트 시티 인프라 관리의 효율성 향상에 기여할 것으로 기대된다.

목차 (Table of Contents)

• 국문초록 i
• 목 차 ii
• 표 목 차 ⅴ
• 그림목차 ⅵ
• 제 1장 서론 1
• 1.1. 연구 배경 1
• 1.2. 관련 연구 4
• 1.3. 연구 목적 6
• 1.4. 논문의 구성 7
• 제 2장 데이터셋 및 통계분석 8
• 2.1. 데이터 소개 8
• 2.1.1. 서울시 실시간 도로 소통정보 8
• 2.1.2. 데이터 구조 9
• 2.2. 데이터 전처리 11
• 2.2.1. 결측치 처리 11
• 2.2.2. 차로 통합 12
• 2.2.3. 외생 변수 생성 13
• 2.3. 통계 분석 14
• 2.3.1. 분석 목적 및 방법론 14
• 2.3.2. 요일별 교통량 분포 분석 15
• 2.3.3. 휴일과 평일 간 교통량 차이 검증 17
• 2.3.4. 요일별 교통량 차이 검증 18
• 2.3.5. 요일과 휴일 간 독립성 검증 19
• 2.3.6. 통계 분석 결과 종합 20
• 제 3장 교통량 예측 21
• 3.1. 교통량 예측 모델 구조 21
• 3.1.1. Prophet 모델 개요 21
• 3.1.2. Neural Prophet의 한계 22
• 3.1.3. 제안 모델 23
• 3.1.4. 학습 과정 25
• 3.1.5. 모델의 이론적 근거 26
• 3.1.6. Neural Prophet과의 비교 27
• 3.2. 실험 설계 28
• 3.2.1. 실험 환경 및 엣지 학습 전략 28
• 3.2.2. 데이터셋 구성 30
• 3.2.3. 하이퍼 파라미터 설정 32
• 3.2.4. 베이스라인 모델 설정 34
• 3.2.5. 평가 방법 36
• 3.3. 실험 결과 37
• 3.3.1. 엣지 환경 실행 효율성 검증 37
• 3.3.2. 예측 성능 비교 40
• 제 4장 적응형 교통 인프라 전원관리 44
• 4.1. 적응형 카메라 제어 시스템 설계 44
• 4.1.1. 카메라 제어 알고리즘 44
• 4.1.2. 기존 방식의 한계 47
• 4.1.3. 엣지 기반 자율 제어 시스템 49
• 4.1.4. 예측-제어 통합 프로세스 52
• 4.2. 실험 설계 53
• 4.2.1. 실험 환경 53
• 4.2.2. 비교 기준 54
• 4.2.3. 평가 방법 57
• 4.3. 실험 결과 58
• 4.3.1. 전력 절감 효과 58
• 4.3.2. 감시 품질 평가 62
• 4.3.3. Oracle 대비 성능 64
• 제 5장 결론 67
• 참고문헌 68
• Abstract 74