딥러닝 모형을 이용한 신호교차로 대기행렬길이 예측

국문 초록 (Abstract)

본 연구는 영상검지기에서 수집되는 정보를 활용하여 딥러닝 기반으로 대기행렬길이를 예 측하는 모형을 개발하였다. 그리고 통계적 기법인 다중회귀 모형을 추정하여 평균절대오차와 평균제곱근오차의 두 지표를 이용하여 비교평가하였다. 다중회귀분석 결과, 시간, 요일, 점유율, 버스 교통량이 유효한 변수로 도출되었고, 이 중에서 독립변수들의 종속변수에 대한 영향력은 점유율이 가장 큰 것으로 나타났다. 딥러닝 최적 모형 은 은닉층이 4겹, Look Back이 6으로 결정되었고, 평균절대오차와 평균제곱근오차가 6.34와 8.99로 나타났다. 그리고 두 모형을 평가한 결과, 다중회귀 모형과 딥러닝 모형의 평균절대오차 는 각각 13.65와 6.44, 평균제곱근오차는 각각 19.10과 9.11로 계산되었다. 이는 딥러닝 모형이 다중회귀 모형과 비교하여 평균절대오차가 52.8%, 평균제곱근오차는 52.3% 감소된 결과이다.

다국어 초록 (Multilingual Abstract)

In this study, a deep learning model for predicting the queue length was developed using the information collected from the image detector. Then, a multiple regression analysis model, a statistical technique, was derived and compared using two indices of mean absolute error(MAE) and root mean square error(RMSE). From the results of multiple regression analysis, time, day of the week, occupancy, and bus traffic were found to be statistically significant variables. Occupancy showed the most strong impact on the queue length among the variables. For the optimal deep learning model, 4 hidden layers and 6 lookback were determined, and MAE and RMSE were 6.34 and 8.99. As a result of evaluating the two models, the MAE of the multiple regression model and the deep learning model were 13.65 and 6.44, respectively, and the RMSE were 19.10 and 9.11, respectively. The deep learning model reduced the MAE by 52.8% and the RMSE by 52.3% compared to the multiple regression model.

목차 (Table of Contents)

• 요약
• ABSTRACT
• Ⅰ. 서론
• 1. 개요
• Ⅱ. 이론적 배경
• 1. 선행 연구 고찰
• Ⅲ. 자료 수집 및 분석
• 1. 대상 지점 선정 및 자료 수집
• 2. 최종 데이터 셋 구성
• 3. 데이터 기초분석
• Ⅳ. 모형 구축 및 평가
• 1. 다중회귀분석 모형 구축
• 2. 딥러닝 모형 구축
• 3. 모형 비교 평가 결과
• Ⅴ. 결론
• ACKNOWLEDGEMENTS
• REFERENCES

참고문헌 (Reference)

1 기병국, "신경망 이론과 유전자 알고리즘을 결합한 신호교차로 대기행렬 예측기법에 관한 연구" 대한토목학회 22 (22): 595-606, 2002

2 이용주, "딥러닝을 활용한 차량대기길이 추정모형 개발" 한국ITS학회 17 (17): 39-57, 2018

3 조근민, "딥러닝 모형을 활용한 공공자전거 대여량 예측에 관한 연구" 한국ITS학회 19 (19): 28-37, 2020

4 Fu R., "Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction" 324-328, 2016

5 Han J., "Training Sample of Artificial Neural Networks for Predicting Signalized Intersection Queue Length" 18 (18): 75-, 2000

6 Kang J., "The Development of Traffic Queue Length Measuring Algorithm Using the Occupancy Rates" 48 : 309-, 2005

7 Liu H. X., "Real-time Queue Length Estimation for Congested Signalized Intersections" 17 (17): 412-, 2009

8 Luo X., "Queue Length Estimation for Signalized Intersections Using License Plate Recognition Data" 209-, 2019

9 Kim T., "Python Deep Learning Keras with Blocks" Digitalbooks 2017

10 Do C., "Principles of Transportation Engineering" Gyomoon Publishers 2010

11 Yim Y., "Link Flow Evaluation Using Loop Detector Data : Traveler Response to Variable-Message Signs" 1550 (1550): 58-64, 1996

12 심소정, "Kalman Filter를 활용한 대기행렬예측 알고리즘 개발" 대한교통학회 20 (20): 145-152, 2002

13 Lee C., "Introducing ATIS to Seoul Metropolitan" Seoul Development Institute 2000

14 Nikhil B., "Fundamentals of Deep Learning" O’Reilly Media 2017

15 Lee Y., "Development of A Simple Method for Determining Queue-End-Location" 44 : 1-6, 2003

16 Kim S., "Coding Chef's 3-minute Deep Learning" Hanbit Publishing Network 2018

17 Gao K., "An Integrated Algorithm for Intersection Queue Length Estimation Based on IoT in a Mixed Traffic Scenario" 10 (10): 2078-, 2020

18 Yin J., "A Kalman Filter-Based Queue Length Estimation Method with Low-Penetration Mobile Sensor Data at Signalized Intersections" 2672 (2672): 253-264, 2018

19 Lee Y., "A Development of Queue Length Estimation in COSMOS" 42 : 1-, 2002