• Journal of Korean Society of Transportation
• /
• v.17 no.2
• /
• pp.91-103
• /
• 1999

이 연구는 자동 차량위치 측정기법(Automatic Vehicle Location, AVL)을 이용해서 수집한 교통상황자료를 가지고 구간 통행시간을 산출하는 알고리즘을 개발한다. AVL기법을 이용하는 경우, 처리해야 할 자료량이 많아서 실시간에 정보를 산출하는 것이 힘들다. 따라서 이 연구는 처리해야 할 자료량을 가능한 한 줄이고 자료량이 적은 경우에도 효율적인 구간통행시간을 산출하는 알고리즘을 제시한다. 이 연구의 방법론은 크게 4가지인데, 첫째, 해석 기법, 둘째, 회귀분석, 셋째, 인공지능 및 전문가 시스템, 넷째, 통계분석이다. 이 방법론을 이용해서 세 단계 알고리즘을 개발하는데, 첫째는 실시간 분석통계 알고리즘, 둘째는 과거자료분석 알고리즘, 셋째는 자료응합 알고리즘이다. 이 알고리즘 가운데 자료융합 알고리즘 결과가 산출하고자 하는 구간 통행시간이다. 실시간 분석통계 알고리즘은 연속하는 세 개 구간의 통행 패턴을 이용해서 가운데 구간의 통행시간을 산출하는 방법을 제시한다. 또 실시간 분석통계 알고리즘으로 산출하지 못한 구간은 인접구간 상관도 정보를 이용해서 구간통행시간을 추정한다. 과거자료분석 알고리즘은 회귀분석을 이용해서 시간대별 통행시간 평균과 분산을 구하고, 이 결과를 바탕으로 인접구간 상관도 정보를 오프라인으로 구하는 알고리즘이다. 자료융합 알고리즘은 2가지 단계를 거치는데, 그것은 실시간 자료융합과 최종 자료융합이다. 실시간 자료융합은 실시간에 가까운 자료원의 실시간 분석통계 알고리즘 결과 패턴과 인접구간 상관도 정보를 이용한 구간통행시간 추정 결과를 이용해서 패턴에 따라 다른 방법으로 융합을 하는 알고리즘을 개발한다. 최종 자료융합은 실시간 자료융합 결과와 회귀분석 결과의 패턴을 이용해서 구간 통행시간을 산출한다. 이 연구를 기존 연구와 비교할 때, 세 가지 독차성이 있다. 첫째는 연속하는 세 구간 통행 패턴을 분석하였기 때문에 기존의 노드의존 방식을 탈피하였다는 점이다. 따라서 자료량이 적은 경우도 믿을만한 통행시간을 산출할 수 있다는 것이다. 둘째는 인접구간 상관도 정보를 구간통행시간 산출에 이용하였기 때문에 자료를 효율적으로 이용할 수 있다는 점이다. 셋째는 자료원 패턴을 분류하고 전문가 시스템을 이용하여 자료융합 하였기 때문에 수행속도가 빠르고, 신뢰성있는 정보를 제공한다는 점이다. 이 연구는 개발한 알고리즘 정확도를 검증하기 위해서 두 가지 검증방법을 이용하였다. 첫째는 시뮬레이션을 이용한 것이고, 둘째는 실제 주행조사 분석을 이용한 것이다. 두 가지 검증 결과는 알고리즘 정확도를 보여준다.

• Journal of Korean Society of Transportation
• /
• v.16 no.4
• /
• pp.219-224
• /
• 1998

통행시간가치에 대한 신뢰구간추정 방법론을 제시하고 서울시 출근통행자의 시간가치 신뢰구간의 추정을 통하여 그 적용사례를 예시하였다. 사례분석을 통하여 서울시 출근통행자의 평균시간가치는 시간당 7,341원으로 추정되었고, 95%신뢰구간의 하한치는 5,454(원/시간), 상한치는 10,806(원/시간)으로 추정되었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2009.04a
• /
• pp.1021-1024
• /
• 2009

현재 사용되고 있는 통행시간 분류방법은 하나의 통행시간을 대푯값으로 가지고 있다. 이에 문제점은 고속도로 특성으로 규정 속도 이상의 속도로 주행하는 차량, 규정 속도 및 휴게소 이용차량, 운전자의 운전 습성, 통행 목적, 피로의 정도, 운전자 성향과 도로상황에 따라 통행시간이 다르게 나타나는 점이다. TCS(Toll Collection System) 자료는 고속도로의 다양한 특성이 포함되어 있으며, 대상 구간의 거리가 멀수록 목적지에 도달하는 통행시간의 분산이 커지는 특성 또한 보인다. 따라서 이를 처리하기 위한 효율적인 통행시간 분류, 구간대표통행시간 추출 알고리즘이 필요하다. 기존의 방법은 전체 통행차량의 통행시간을 감안한 방법으로 통행시간 예측시 정확성이 저하된다. 본 연구에서는 TCS 자료를 Fuzzy c-means 알고리즘을 이용하여 일일 고속도로 통행시간의 시간별 주행특성을 고려한 대푯 값을 추출하는 알고리즘을 제안하였다. 실제 서울-청주 구간을 운행한 TCS 자료를 가지고 실시한 실험으로, 주행특성 및 도로상황을 고려한 Fuzzy c-means를 이용한 통행시간 분류방법과 기존의 통행시간 분류 방법을 통한 통행시간을 PIFAB를 사용 TCS 자료의 실제 통행시간과 경로통행시간을 비교 평가하였다. 평가한 결과 본 연구에서 제안하는 Fuzzy c-means기법은 기존 방법인 MAD기법보다 75%, 신뢰구간(95%) 추출법 대비 81%의 정확성을 제고하였다.

• Journal of Korean Society of Transportation
• /
• v.19 no.6
• /
• pp.171-182
• /
• 2001

Travel Time is an important characteristic of traffic conditions in a road network. Currently, there are so many road users to get a unsatisfactory traffic information that is provided by existing collection systems such as, Detector, Probe car, CCTV and Anecdotal Report. This paper presents the results achieved with Data Fusion Model, Hybrid Neuro Fuzzy System for on - line estimation of travel times using RTMS(Remote Traffic Microwave Sensor) and Probe Data in the signalized arterial road. Data Fusion is the most important process to compose the various of data which can present real value for traffic situation and is also the one of the major process part in the TIC(Traffic Information Center) for analyzing and processing data. On-line travel time estimation methods(FALEM) on the basis of detector data has been evaluated by real value under KangNam Test Area.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.1 no.1
• /
• pp.41-51
• /
• 2002

As Advanced Traveler Information System(ATIS) is the kernel of the Intelligent Transportation System, it is very important how to manage data from traffic information collectors on a road and have at borough grip of the travel time's change quickly and exactly for doing its part. Link travel time can be obtained by two method. One is measured by area detection systems and the other is estimated by point detection systems. Measured travel time by area detection systems has the limitation for real time information because it Is calculated by the probe which has already passed through the link. Estimated travel time by point detection systems is calculated by the data on the same time of each. section, this is, it use the characteristic of the various cars of each section to estimate travel time. For this reason, it has the difference with real travel time. In this study, Artificial Neural Networks is used for estimating link travel time concerned about the relationship with vehicle detector data and link travel time. The method of estimating link travel time are classified according to the kind of input data and the Absolute value of error between the estimated and the real are distributed within 5$\~$15minute over 90 percent with the result of testing the method using the vehicle detector data and AVI data of Namsan Tunnel $\#$1. It also reduces Time lag of the information offered time and draws late delay generation and dissolution.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.8 no.5
• /
• pp.1-11
• /
• 2009

TCS Data imply characteristics of traffic conditions. However, there are outliers in TCS data, which can not represent the travel time of the pertinent section, if these outliers are not eliminated, travel time may be distorted owing to these outliers. Various travel time can be distributed under the same section and time because the variation of the travel time is increase as the section distance is increase, which make difficult to calculate the representative of travel time. Accordingly, it is important to grasp travel time characteristics in order to compute the representative of travel time using TCS Data. In this study, after analyzing the variation ratio of the travel time according to the link distance and the level of congestion, the outlier elimination model and the smoothing model for TCS data were proposed. The results show that the proposed model can be utilized for estimating a reliable travel time for a long-distance path in which there are a variation of travel times from the same departure time, the intervals are large and the change in the representative travel time is irregular for a short period.

• Journal of Korean Society of Transportation
• /
• v.22 no.5
• /
• pp.7-17
• /
• 2004

지금까지의 링크통행시간에 대한 연구는 개별 차량의 평균을 통한 평균링크통행시간 산정 및 추정의 제한적인 연구가 대부분이었다. 그러나, 링크통행시간은 교통조건, 신호운영조건, 도로조건 등 다양한 영향인자로 인해 통행시간 분포가 구분되는 특성을 나타낸다. 따라서, 링크통행시간 특성을 좀 더 미시적으로 분석할 필요가 있다. 본 연구에서는 GPS를 이용한 실시간 교통자료 수집의 방법에 대해 살펴보았으며, GPS를 이용한 RTK 측량을 이용한 실시간 자료수집을 통하여 링크통행시간에 대한 연구를 수행하였다. 또한, 신호운영에 의한 영향으로 인한 링크통행시간 분포특성을 분석하기 위해 링크통행시간에 대한 현장조사를 추가적으로 실시하였다. 현장조사 결과분석을 통해 통행시간 분포특성 및 원인을 분석하고 프로그램을 이용한 시뮬레이션을 통해 보다 다양한 조건을 부여하여 링크통행시간분포비율에 영향을 주는 변수들에 대한 검토하고 통행시간 분포비율을 추정할 수 있는 모형을 구축하였다. GPS 실험차량을 이용한 주행실험결과를 분석한 결과 순행시간으로만 이루어지는 링크통행시간과 적색시간 동안 대기하였다가 링크구간을 통과하여 순행시간에 신호 대기시간을 더한 링크통행시간으로 통행시간이 구분되는 현상을 확인할 수 있었으며 따라서, 링크통행시간에 대한 분석은 통행시간을 하나의 평균통행시간으로 인식하는 것보다 두 개의 구분된 통행시간을 동시에 고려하는 것이 바람직할 것으로 판단되었다. 링크통행시간 분포특성에 대한 연구결과 또한, 통행시간이 양분되어 분포하는 것으로 분석되었다. 따라서, 링크통행시간의 경우 평균통행시간에 의한 결과보다 신호지체가 발생하지 않는 통행시간과 신호지체가 발생하는 통행시간으로 구분하는 것이 교통상황을 인식하는 것이 바람직할 것으로 나타났다.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.16 no.5
• /
• pp.134-143
• /
• 2017

In the case of highway, there may be a large number of travel time groups when there are a bus exclusive lane, a rest area, a sleeping shelter, etc. in the corresponding section. In most of the conventional travel time estimation studies, one representative travel time (assuming normal distribution) group is assumed in the low sample collection state, and if it is out of the specified range, it is determined as outliers and then the travel time is estimated. However, if there is a bus exclusive lane, a rest area, or a sleeping shelter in the relevant section, such as the highway, the distribution of travel time will be in the form of a bi-modal or a multi-modal, rather than a regular distribution. Therefore, applying the existing estimation methodology may result in distorted results. To solve this problem, first, it should be reliable even in the case of insufficient number of samples. Second, we propose a methodology to select the representative time group among a number of time groups and to estimate the representative time using individual time data of the selected time group.

• Journal of Korean Society of Transportation
• /
• v.24 no.2 s.88
• /
• pp.157-168
• /
• 2006

Spatial detection system such as AVI, GPS, and Beacon etc. can provide spatial travel time only after a vehicle Passes through a road section. In this context, majority of the existing studies on the link travel time estimation area has focused on the arrival time-based link travel time estimation. rather than departure time-based link travel time estimation. Even if some of the researches on this area have developed departure time-based link travel time estimation algorithms, they are limited in that they are not applicable in a real-time mode. The objective of this study is to develop an departure time-based link travel time estimation algorithm which is applicable in a real-tine mode. Firstly, this study discussed the tradeoff between accuracy and timeliness of the departure time-based on-line link travel time estimates. Secondly, this study developed an departure time-based on-line link travel time estimation algorithm which utilizes the Baysian inference logic. It was found that the proposed approach could estimate departure time-based link travel times in a real-time context with an acceptable accuracy and timeliness.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.34 no.6
• /
• pp.1873-1879
• /
• 2014

There are various methodologies to forecast the travel time using real-time data but the K-nearest neighborhood (KNN) method in general is regarded as the most one in forecasting when there are enough historical data. The objective of this study is to evaluate applicability of KNN method. In this study, real-time and historical data of toll collection system (TCS) traffic flow and the dedicated short range communication (DSRC) link travel time, and the historical path travel time data are used as input data for KNN approach. The proposed method investigates the path travel time which is the nearest to TCS traffic flow and DSRC link travel time from real-time and historical data, then it calculates the predicted path travel time using weight average method. The results show that accuracy increased when weighted value of DSRC link travel time increases. Moreover the trend of forecasted and real travel times are similar. In addition, the error in forecasted travel time could be further reduced when more historical data could be available in the future database.