• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 1999.10a
• /
• pp.159-173
• /
• 1999

본 논문은 교차로에 설치된 영상검지기로부터 들어온 교통정보 중 공간교통정보에 해당하는 차량 대기길이를 측정을 하는 방법으로 각 차선(lane)별 검지영역에 대하여 웨이브렛 변형(Wavelet Transforms)을 하여 차량을 검지하고, 검지영역 내에서 차량의 대기길이를 측정하는 알고리즘을 제안한다. 기존의 방법으로는 차량 윤곽선 추출(edge detection)을 이용한 대기길이 측정 방법이나 배경(background)정보를 사전에 입수한 후 임계값 이상의 변화가 있을 때 차량을 검지하여 대기길이를 측정하는 방법 등이 연구되어 왔으나 이러한 방법들은 영상의 노이즈에 대하여 크게 영향을 받는다는 문제점이 있다. 그러나 본 알고리즘은 영상의 노이즈에 대하여 크게 영향을 받지 않을 뿐만 아니라 시간대 변화에 따른 도로의 명암값(intensity or gray level)을 추정할 필요가 없다는 특징이 있다. 특히, 야간 영상인 경우 차량 헤드라이트로 인한 검지오류도 감소할 수가 있다. 본 논문에서 실험은 주간, 야간 각각 1개 차선의 80개 표본크기로 실험을 하였으며, 대기길이는 정지 대기길이(standing queue length)와 이동 대기길이(moving queue length)로 나누어 측정을 하였다. 그 결과 주간, 야간의 경우 정지 대기길이는 2.14%, 2.24%, 이동 대기길이는 2.59%, 2.74%의 오차율로 측정이 되었다.

• Journal of Korean Society of Transportation
• /
• v.22 no.3 s.74
• /
• pp.85-94
• /
• 2004

Loop detection systems have been used in real-time signal control system to collect traffic information for estimating queue lengths. The queue length algorithm uses speed as a key variable estimated from occupancy time and average vehicle length. The measurement of average vehicle length is affected from the lengths of feeder cable, but their effects have not yet been evaluated. In this study, the variability of average vehicle length due to the lengths of feeder cable is assessed through a field study, and a practical guidelines is proposed. By applying this result, the operational performance of real-time signal control system could be improved.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.17 no.2
• /
• pp.39-57
• /
• 2018

The purpose of this study was to construct an artificial intelligence model that learns and estimates the relationship between vehicle queue length and link travel time in urban areas. The vehicle queue length estimation model is modeled by three models. First of all, classify whether vehicle queue is a link overflow and estimate the vehicle queue length in the link overflow and non-overflow situations. Deep learning model is implemented as Tensorflow. All models are based DNN structure, and network structure which shows minimum error after learning and testing is selected by diversifying hidden layer and node number. The accuracy of the vehicle queue link overflow classification model was 98%, and the error of the vehicle queue estimation model in case of non-overflow and overflow situation was less than 15% and less than 5%, respectively. The average error per link was about 12%. Compared with the detecting data-based method, the error was reduced by about 39%.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.16 no.3
• /
• pp.59-72
• /
• 2017

As the part of study which handles the measure to use the individual vehicle information of taxi GPS data on signal controls in order to overcome the limitation of Loop detector-based collecting methods of real-time signal control system, this paper conducted series of evaluations and improvements on link travel time, queue vehicle time estimates and traffic condition decision algorithm from the research introduced in 2016. considering the control group and the other, the link travel time has enhanced the travel time and the length of queue vehicle has enhanced the estimated model taking account of the traffic situation. It is analyzed that the accuracy of the average link travel time and the length of queue vehicle are respectably both approximately 95 % and 85%. The traffic condition decision algorithm reflected the improved travel speed and vehicle length. Smoothing was performed to determine the trend of the traffic situation and reduce the fluctuation of the data, and the algorithms have refined so as to reflect the pass period on overflow judgment criterion.

• 한국ITS학회:학술대회논문집
• /
• 2002.11a
• /
• pp.210-213
• /
• 2002

차량 대기열 측정에 관한 연구는 효과적인 교통 통제를 위해서 필수적인 요소이다. 이를 위해 본 논문에서는 영역기반 영상처리를 이용한 차량 대기열 분석에 관한 방법을 제안한다. 도로 영상에서 영역을 설정하고 각 영역에서의 차량 검출방법을 통하여 차량 대기열의 길이를 계산하였다. 이때 차량의 검출은 영역 처리를 이용하였고 대기열 측정은 검출된 차량의 최종단 위치를 파악하여 계산하였다. 이러한 방법은 차량 통행량 분석에 이용하여 능동적 교통 신호 체계에 응용될 수 있다.

• Journal of Korean Society of Transportation
• /
• v.12 no.2
• /
• pp.5-30
• /
• 1994

다이아몬드형 인터체인지는 고속도로와 노면가로가 교차할 경우 방향별 교통류를 처리하는데 보편적으로 사용하는 인터체인지이다. 인터체인지에 교통량의 부하가 과도해지 면 인터체인지내부의 교차로에서 발생한 대기차량이 종종 고속도로본선으로 역류하여 본선 의 교통소통에 문제를 야기하며 특히 고속도로의 안전에도 큰 위험요소가 된다. 본 논문은 과포화상태의 다이아몬드형 인터체인지의 교통신호제어를 다루며, 신호시간계획을 산출하는 동적 최적화모형(dynamic optimization model)을 제시한다. 최적화 모형은 지체도최소화를 목적함수로 하며, 함수계측법의 형태가 된다. 본 모형의 핵심은 신호제어에 따라 발생하는 대기차량길이를 모형화하여 대기차량길이가 정해진 상한치를 초과하지 않도록 하는 신호시 간계획을 산출하는데 있다. 제시된 동적모형은 다이아몬드형 인터체인지의 신호시간을 위하 여 널리 사용되는 PASSER III와 최적해를 상호 비교한다. TRAF-NETSIM을 통한 시뮬레이 션의 결과에 따르면 동적 모형이 우수한 결과를 보이며, 대기차량의 길이를 효과적으로 제 어하는 것으로 판명된다.

• Journal of Korean Society of Transportation
• /
• v.20 no.5
• /
• pp.81-98
• /
• 2002

This paper documents the development of a bi-objective(minimizing delays and Queue lengths) cycle-free signal timing length model using Genetic Algorithm. The model was embodied using MATLAB. the language of technical computing. A special feature of this model is its ability to concurrently manage delays and queue lengths of turning movement concurrently. The model produces a cycle-free signal timing(cycles and green times) for each intersection on the cycle basis. Appropriate offsets could be also accomplished by applying cycle-free based signal timings for respective intersections. The model was applied to an example network which consists of four intersections. The result shows that the model produces superior signal timings to the existing signal timing model in terms of managing delays and queue lengths of turning movements.

• Proceedings of the KOR-KST Conference
• /
• 1998.10b
• /
• pp.297-297
• /
• 1998

고속도로의 교통혼잡을 관리하기 위해서는 근본적으로 혼잡지점 상류부의 진입교통량을 제어해야 한다. 이를 위한 효과적인 램프미터링 운영전략이나 고속도로 교통정보제공방안을 수립하기 위해서는 혼잡영향권(대기행렬길이)에 관한 신뢰성 있는 데이터가 반드시 필요하다. 고속도로의 대기행렬길이를 산정하기 위해 일반적으로 충격파이론과 Queueing이론을 제시하고 있다. 그러나, 기존의 충격파 이론을 포물선형의 교통량-밀도관계식을 근거로 하고 있어 충격파간에 발생하는 부수적인 충격파를 해석하는 과정이 수학적으로 불가능하여 실질적인 목적으로 사용할 수 없음은 이미 잘 알고 있는 사실이다. 최근에 이러한 한계를 극복할 수 있는 새로운 방법으로 교통량 밀도간의 관계식을 삼각형으로 가정하고 교통량 대신에 누적교통량을 사용하는 Simplified Theory of Kinematic Waves In Highway Traffic이 개발(Newell, 1993)되었지만, 이 방법을 적용하기 위해서는 기본적으로 대상 고속도로 구간의 교통량-밀도관계식을 규명해야 하는 어려움이 있다.(사실 실시간으로 밀도데이터를 수집하기란 불가능하다.) Queueing이론에서 제시하는 대기행렬은 모두 대기차량이 병목지점에 수직으로 정렬하여 도로를 점유하지 않는 Point Queue(혹은 Vertical stack Queue)로서 실제로 도로상에 정렬된 대기행렬(Real Physical Queue)과는 전혀 다르다. 이미 입증된 바 있어, Queueing이론을 이용함은 타당성이 없다. 이러한 사실에 근거하여 본 연구는 고속도로 대기행렬길이를 산정할 수 있는 모형개발을 위한 기초연구로서 혼잡상태의 연속류 특성을 분석하는데 목적이 있다. 이를 위해, 본 연구에서는 서울시 도시고속도로에서 수집한 실제 데이터를 이용하여 진입램프지점의 혼잡상태에서 대기행렬의 증가 또는 감소하는 과정을 분석하였다. 주요 분석결과는 다음과 같다. 1. 혼잡초기의 대기행렬은 다른 혼잡시기에 비해 상대적으로 급속한 속도로 증가함. 2. 혼잡초기의 대기행렬의 밀도는 다른 혼잡시기에 비해 비교적 낮음. 3. 위의 두 결과는 서로 관계가 있으며, 혼잡시 운전자의 행태(차두간격)과 혼잡기간중에도 변화함을 의미함. 4. 교통변수 중에서 대기행렬길이를 산정하는데 적합한 교통변수를 교통량과 밀도로 판단됨. 5. Queueing이론에서 제시하는 대리행렬길이 산정방법인 대기차량대수$\times$평균차두간격은 대기행렬내 밀도가 일정하지 않아 부적합함을 재확인함. 6. 혼잡초기를 제외한 혼잡기간 중 대기행렬길이는 밀도데이터 없이도 혼잡 상류부의 도착교통량과 병목지점 본선통과교통량만을 이용하여 추정이 가능함. 7. 이상에 연구한 결과를 토대로, 고속도로 대기행렬길이를 산정할 수 있는 기초적인 도형을 제시함.

• Proceedings of the KOR-KST Conference
• /
• 1998.10a
• /
• pp.196-205
• /
• 1998

교통신호에서 주로 고려되는 변수는 신호주기(cycle length), 녹색시간(green split), 옵셋(offset)그리고 좌회전 현시순서(left-turn phase sequence)로 구성된다. 기존의 대부분의 연동 모델들은 고정된 주기하에서 평균적인 유입 교통량을 측정한 후, 선형최적화 이론을 적용하여 최적 신호를 산출한다. 그러나 이 방법은 어디까지나 평균적인 데이터에 대해서 계산을 한 것이기 때문에 실시간 최적화를 제공하기가 어렵다. 본 연구에서는 평균 차량 통행량 대신 실시간으로 입력되는 차량 대기행렬, 차량 도착률을 기초로 대기차량을 최소화하는 동적 신호시간 산출 모델을 개발하였다. 본 모델에서는 Peytechew가 제안한 각 진입로에서의 대기 차량 예측 모델을 기초로 하여 다음 주기에서의 차량 대기 행렬을 예측한 후, 선형 최적화 이론을 적용하여 신호시간을 산출한다. 본 모델에서 산출된 신호주기와 녹색시간은 대기차량길이를 최소화하는 신호 시간으로서 교차로간의 연동효과를 고려하여 실시산 교통상황에 따라 주기별로 변화한다. 본 모델은 3개의 교차로로 구성된 네트워크를 대상으로 적용하였다. 실험 네트워크의 주도로 교통량은 부도로의 교통량 보다 많다고 가정하였으며 각 링크사이에서의 차량 진출입은 없다고 보았다.

• The Journal of The Korea Institute of Intelligent Transport Systems
• /
• v.17 no.4
• /
• pp.54-62
• /
• 2018

As a part of realization of artificial intelligence signal(AI Signal), this study proposed an actuated signal algorithm based on vehicle queue length that estimates in real time by deep learning. In order to implement the algorithm, we built an API(COM Interface) to control the micro traffic simulator Vissim in the tensorflow that implements the deep learning model. In Vissim, when the link travel time and the traffic volume collected by signal cycle are transferred to the tensorflow, the vehicle queue length is estimated by the deep learning model. The signal time is calculated based on the vehicle queue length, and the simulation is performed by adjusting the signaling inside Vissim. The algorithm developed in this study is analyzed that the vehicle delay is reduced by about 5% compared to the current TOD mode. It is applied to only one intersection in the network and its effect is limited. Future study is proposed to expand the space such as corridor control or network control using this algorithm.