• 대한교통학회지
• /
• 제24권5호
• /
• pp.7-18
• /
• 2006

신뢰성 있는 통행시간정보제공과 교통정보센터의 효율적인 운영을 위해 통상 국내에서는 5분 주기로 통행시간자료를 수집하고 있다. 그러나 주기 단위로 수집할 경우 수집주기내에 링크를 통과하지 못하는 데이터는 사용할 수 없으며, 특히 혼잡시 이러한 데이터가 많이 발생하므로 혼잡정보가 늦게 제공되는 문제점이 있다. 본 연구에서는 이러한 문제점을 해결하기 위해 대기행렬소멸길이와 신호현시 등을 추정하여 링크통행시간 추정하는 기법을 개발하였다 현장실험을 기반으로 MAPE와 MAE를 사용하여 평가한 결과 제안기법의 정확도는 1.98%, 4.75초로 실측치와 큰 차이를 보이지 않았다. 제안기법은 혼잡할 경우에 GPS기반으로 부족한 데이터의 절대량을 보족해 줄 수 있는 대안으로 기대된다.

• 한국ITS학회 논문지
• /
• 제17권2호
• /
• pp.39-57
• /
• 2018

본 연구는 교통운영 개선에 필요한 빅데이터 및 인공지능 모델 개발의 일환으로서, 도시부의 링크통행시간 및 통과교통량 등 가용 데이터 등을 이용하여 교통변수로 활용도가 높은 차량대기길이와의 관계를 딥러닝(Deep Learning)을 통해 학습하고 추정하는 인공지능 모델을 구축하는 것을 목표로 하였다. 차량대기길이 추정모형은 데이터 분석결과를 토대로 하여 우선 차량대기길이의 링크 초과여부를 분류한 후 링크 초과 및 링크 미초과 상황에서의 차량대기길이 추정하는 3개의 모형으로 모델링하였다. 딥러닝 모형은 텐서플로우로 구현하였으며, 모든 모형은 DNN 구조로서 은닉층과 노드 개수를 다양화하여 학습 및 테스트 후 최소 오차를 나타내는 네트워크 구조를 선정하였다. 차량대기길이 링크 초과여부 분류 모형은 약 98%의 정확도를 나타냈으며, 미초과 모형은 15% 미만, 초과 모형은 5% 미만의 오차를 각각 나타내었다. 링크별 평균 오차는 12%로 도출되었다. 이를 기존 검지기 데이터 기반의 방식과 비교한 결과 오차가 약 39% 감소된 것으로 분석되었다.