• Proceedings of the Korea Society for Simulation Conference
• /
• 2001.05a
• /
• pp.107-112
• /
• 2001

본 연구는 FTMS와 TCS를 실시간으로 통신하여 톨게이트 운영에 관련된 다양한 교통정보를 제공하는 교통상황 모니터링과 미래의 교통상황을 예측하고 이를 바탕으로 톨게이트 교통상황을 예측하는 톨게이트 시뮬레이션 시스템(TGSS)을 개발하는 것이다. 교통상황 모니터링은 실시간 교통자료를 통계처리하고 분석하여 사용자에게 그래픽하게 교통정보를 제공하고 교통류의 예측은 톨게이트에 도착하는 교통류를 60분 후까지 예측하여 톨게이트 운영자에게 제공한다. 또한 톨게이트 예측시스템은 서울톨게이트에 도착하는 교통류 패턴을 이용하여 미래 톨게이트 교통상황을 시뮬레이션하고 이에 대한 톨게이트 운영 대안을 제시하는 기능을 수행한다. FTMS 및 TCS와 실시간으로 통신하기 위하여 별도의 통신프로그램을 작성하였고 통신에 의해 수집된 실시간 교통자료들은 모니터링 시스템과 연계하여 서울 톨게이트 주변구간의 교통상황과 톨게이트 운영 현황을 제공한다. 교통류 예측 시스템에 사용되는 모형은 거시적 교통류 모형인 Simple Continuum 모형과 시계열 모형을 이용하였고 이를 통해 서울 톨게이트에 도착하는 미래 교통류를 예측 할 수 있다. 톨게이트의 교통상황을 구현하기 위하여 미시적 모형인 차량추종모형과 차로변경모형을 톨게이트 예측 시스템에 반영하였고 현재의 톨부스 운영안과 사용자가 입력하는 톨부스 운영대안에 따라 시뮬레이션 함으로써 미래 톨 플라자내 교통상황을 톨게이트 운영자에게 애니메이션으로 보여줄 수 있다. 톨게이트 시뮬레이션 시스템을 이용하여 현재의 톨게이트 운영안과 최적화된 운영안을 상호 비교함으로써 톨게이트 운영자는 좀더 과학적인 톨게이트 운영을 모색할 수 있을 것으로 생각된다. 실용적 측면에서 볼 때, 톨게이트 시뮬레이션 시스템(TGSS)은 실시간 통신을 통한 모니터링과 교통류 예측으로 톨게이트 상황을 시뮬레이션하고 톨게이트 운영 대안을 제시·평가함으로써 서울톨게이트 운영을 효율화하고 이로 인한 고속도로 소통 증대를 도모할 수 있을 것으로 기대된다.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.20 no.1
• /
• pp.86-99
• /
• 2021

One of the methods to alleviate traffic congestion is to increase the efficiency of the roads by providing traffic condition information on road user and distributing the traffic. For this, reliability must be guaranteed, and quantitative real-time traffic speed prediction is essential. In this study, and based on analysis of traffic speed related to traffic conditions, historical data correlated with traffic flow were used as input. We developed an LSTM model that predicts speed in response to normal traffic conditions, along with a CNN-LSTM model that predicts speed in response to incidents. Through these models, we try to predict traffic speeds during the hour in five-minute intervals. As a result, predictions had an average error rate of 7.43km/h for normal traffic flows, and an error rate of 7.66km/h for traffic incident flows when there was an incident.

• Journal of Korean Society of Transportation
• /
• v.19 no.1
• /
• pp.149-157
• /
• 2001

내부순환로 교통관리시스템은 기존의 국내 교통 시스템들과는 달리 충분한 수집체계와 정보제공 체계를 갖추고 있으며, 전략의 구체화와 현실적 실현, 즉 전략의 시스템화를 위해 많은 노력을 기울였다. 그런 노력의 일환으로 이 시스템에서는 다양하고 복잡한 돌발상황을 단순화하고 일반화하기 위해 Uniform Event Reaction Formula라 하는 개념을 사용하였다. 이 개념은 어떤 돌발상황이 발생하면 이로 인해 영향을 받는 반응 영역과 영향을 받지 않는 비반응 영역으로 분리한 후, 반응 영역은 예측을 통한 제어 관리를 수행하고, 비반응 영역은 통상적인 제어 관리만을 수행함을 의미한다. 그러나, 돌발상황에 따른 반응 영역과 비반응 영역의 결정에 필요한 돌발상황 처리시간 예측과 대기행렬 예측 모형은 내부순환로의 도로 및 교통환경에 적합한지 검증되지 않아 많은 시행착오가 예상된다. 특히, 돌발상황의 처리시간 예측은 동질대응 구간 결정의 가장 중요한 요소로서, 현재는 처리시간에 상당한 여유를 두어 운영할 계획이지만 궁극적으로는 내부순환로에 적합한 처리시간 예측 모형의 개발이 필요할 것으로 판단된다.

• The Journal of the Korea Contents Association
• /
• v.20 no.4
• /
• pp.25-37
• /
• 2020

As social costs of traffic congestion increase, various studies are underway to predict road speed. In order to improve the accuracy of road speed prediction, unexpected traffic situations need to be considered. In this paper, we propose a road speed prediction scheme considering traffic incidents affecting road speed. We use not only the speed data of the target road but also the speed data of the connected roads to reflect the impact of the connected roads. We also analyze the amount of speed change to predict the traffic congestion caused by traffic incidents. We use the speed data of connected roads and target road with input data to predict road speed in the first place. To reduce the prediction error caused by breaking the regular road flow due to traffic incidents, we predict the final road speed by applying event weights. It is shown through various performance evaluations that the proposed method outperforms the existing methods.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2018.11a
• /
• pp.275-277
• /
• 2018

선박 및 해상교통관제에 있어서 교통 혼잡구역에 대한 선박교통밀도 예측은 선박충돌사고 예방에 중요하다. 선박 교통밀도 예측정보는 사전에 진입하는 선박들에게 속력조정, 우회항로 이용 등 사전 조치가 가능하다. 본 연구에서는 해상 선박교통상황을 딥러닝 네트워크에 학습한 주의구역 선박교통류 예측 모델(Ship Traffic Extraction Network, STENet)을 제안하여 주의구역의 선박교통류 예측을 수행하고자 한다. STENet 모델 학습을 위해 여수해역 AIS 데이터를 전처리하고, 생성된 입력(해상교통상황)-출력(주의구역 교통밀도) 쌍 데이터를 적용하여 STENet 모델을 학습하였다. 학습된 모델을 이용하여 선박교통류 예측을 한 결과, 중기예측은 표준 절대 오차(mean absolute error)가 0.4-0.5척이 였으며, 장기예측은 0.7-0.8척의 오차로 기존의 Dead Reckoning에 의한 방법보다 50% 이상 교통밀도 예측성능이 향상 되었다.

• Journal of Korean Society of Transportation
• /
• v.20 no.3
• /
• pp.17-30
• /
• 2002

Incident duration prediction is one of the most important steps of the overall incident management process. An accurate and reliable estimate of the incident duration can be the main difference between an effective incident management operation and an unacceptable one since, without the knowledge of such time durations, traffic impact can not be estimated or calculated. This research presents several multiple linear regression models for incident duration prediction using data consisting of 384 incident cases. The main source of various incident cases was the Traffic Incident Reports filled out by the Motorist Assistant Units of the Korea Highway Corporation. The models were proposed separately according to the time of day(daytime vs. nighttime) and the fatality/injury incurred (fatality/injury vs. property damage only). Two models using an integrated dataset, one with an intercept and the other without it, were also calibrated and proposed for the generality of model application. Some findings are as follows ; ?Variables such as vehicle turnover, load spills, the number of heavy vehicles involved and the number of blocked lanes were found to significantly affect incident duration times. ?Models, however, tend to overestimate the duration times when a dummy variable, load spill, is used. It was simply because several of load spill incidents had excessively long clearance times. The precision was improved when load spills were further categorized into "small spills" and "large spills" based on the size of vehicles involved. ?Variables such as the number of vehicles involved and the number of blocked lanes found not significant when a regression model was calibrated with an intercept. whereas excluding the intercept from the model structure signifies those variables in a statistical sense.

• 한국ITS학회:학술대회논문집
• /
• 2003.11a
• /
• pp.280-285
• /
• 2003

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.20 no.5
• /
• pp.100-112
• /
• 2021

With the advent of big data, traffic prediction has been developed based on historical data analysis methods, but this method deteriorates prediction performance when a traffic incident that has not been observed occurs. This study proposes a method that can compensate for the reduction in traffic prediction accuracy in traffic incidents situations by hybrid approach of machine learning and traffic simulation. The blind spots of the data-driven method are revealed when data patterns that have not been observed in the past are recognized. In this study, we tried to solve the problem by reinforcing historical data using traffic simulation. The proposed method performs machine learning-based traffic prediction and periodically compares the prediction result with real time traffic data to determine whether an incident occurs. When an incident is recognized, prediction is performed using the synthetic traffic data generated through simulation. The method proposed in this study was tested on an actual road section, and as a result of the experiment, it was confirmed that the error in predicting traffic state in incident situations was significantly reduced. The proposed traffic prediction method is expected to become a cornerstone for the advancement of traffic prediction.

• Journal of Korean Society of Transportation
• /
• v.34 no.2
• /
• pp.158-167
• /
• 2016

This study evaluates potential sources of errors in k-NN(k-nearest neighbor) algorithm such as procedures, variables, and input data. Previous research has been thoroughly reviewed for understanding fundamentals of k-NN algorithm that has been widely used for short-term traffic states prediction. The framework of this algorithm commonly includes historical data smoothing, pattern database, similarity measure, k-value, and prediction horizon. The outcomes of this study suggests that: i) historical data smoothing is recommended to reduce random noise of measured traffic data; ii) the historical database should contain traffic state information on both normal and event conditions; and iii) trial and error method can improve the prediction accuracy by better searching for the optimum input time series and k-value. The study results also demonstrates that predicted error increases with the duration of prediction horizon and rapidly changing traffic states.

• Proceedings of the KOR-KST Conference
• /
• 1993.07a
• /
• pp.153-201
• /
• 1993

한국에 있어서 급속한 경제성장과 사업구조의 변화로 인하여 차량과 교통량이 급속히 증가하였다. 따라서 교통량은 기존 시설물의 용량을 초과하게 되었다. 증가된 교통량과 부족한 교통시설로 인하여 사회.경제전반에 걸쳐서 제 교통문제가 발생하게 되었고, 이러한 교통문제를 해결하기 위해서 과학적인 교통수요예측기법이 요구되었다. 본 논문에서는 과거 20여년간의 교통부문의 연구활동 중 특히, 교통수요예측에 관한 연구에 대해서 사례를 중심으로 살펴 보고자 한다. 논문의 주요내용으로는 아래와 같다. 1) 한국의 교통상황을 개략적으로 설명하고, 한국에서 합리적인 교통 수요예측기법이 필요하게된 배경을 설명 2) 교통수요예측에 필요한 사회.경제변수에 관한 자료를 소개하고, 합리적인 수요예측을 위하여 제 변수의 중요성을 설명 3) 한국에서 과거에 적용한 교통수요예측 모형의 구조와 장.단점을 소개 4) 현재 한국에서 적용하고있는 교통수요예측에 관한 모형의 구호와 적용절차를 본 단계의 과정으로 설명함으로써 그 동안 한국에서의 연구, 적용되어온 교통수요예측 모형에 관한 소개와 적용사례를 제시하고자 한다.