http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 부이 칵 남 (검색결과 1 건)
- 무료
- 기관 내 무료
- 유료
-
도심지 대규모 도로망에서 교통 밀도 분류를 위한 이미지 생성 기법
조지호,정희진,부이 칵 남,이홍석 한국정보과학회 2020 정보과학회 컴퓨팅의 실제 논문지 Vol.26 No.11
Traffic flow analysis and prediction are important research fields in transportation. Traffic flow analysis and prediction are necessary in developing traffic systems to control traffic signals and minimize traffic congestion. The traffic volume in an urban area can be expressed as an image necessary for training a deep-learning model to provide predictions of traffic volume for each situation. In this study, we propose a new image generation method for traffic density classification in terms of large-scale road networks in urban areas. The traffic volume and speed of a vehicle can be collected using a traffic information collection device. However, it is difficult to measure the density that depends on time and space from the perspective of the overall road network. Thus, to resolve the problem, we propose an image generation approach based on the arrival and departure time information on the vehicle. An image was generated based on the RSE (Road Side Equipment) data of 11 consecutive intersections, and a Convolutional Neural Network (CNN) was used to verify the proposed approach to traffic density classification. 교통흐름 분석 및 예측은 교통 분야에서 중요한 연구 분야 중 하나이다. 교통흐름의 분석 및 예측은 교통신호를 제어하고 교통혼잡의 최소화를 위한 교통 시스템 개발에 필요하다. 도심지의 교통량은 상황별 교통량 예측을 제공하기 위한 딥러닝 모델 학습에 필요한 이미지로 표현될 수 있다. 본 연구에서는 도심지의 대규모 도로망 측면에서 교통 밀도 분류를 위한 새로운 이미지 생성 방식을 제안한다. 차량의 교통량과 속도는 교통 정보 수집 장치를 사용하여 수집할 수 있다. 그러나 전체적인 도로 네트워크의 관점에서 시공간에 의존하는 밀도를 측정하는 것은 어렵다. 따라서 문제를 해결하기 위해 차량의 도착 및 출발 시간 정보에 기초한 이미지 생성 접근법을 제안한다. 11개의 연속된 교차로의 RSE(Road Side Equipment) 데이터를 기반으로 이미지를 생성하였으며 제안된 교통 밀도 분류의 접근 방식을 검증하기 위해 CNN(Convolutional Neural Network)을 사용하였다.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
