• 한국재난정보학회 논문집
• /
• 제9권1호
• /
• pp.30-49
• /
• 2013

본 연구에서는 토지이용에 기반을 두는 새로운 교통사고 예측모형을 개발하였다. 다양한 지역의 특성을 반영할 수 있는 변수에 대한 시장분할 및 추가변수 도입을 토대로 Data Mining 기법의 하나인 의사나무결정법(Classification and Regression Tree)을 활용하여 새로운 유형별 교통사고 예측모형을 개발하였다. 분석결과를 살펴보면 주민등록인구수, 통근 등 활동변수와 활동의 대상이 되는 도로규모, 유발시설 등이 교통사고를 설명하는 변수로 도출되었다.

• 산업경영시스템학회지
• /
• 제40권1호
• /
• pp.65-78
• /
• 2017

Even though cars have a good effect on modern society, traffic accidents do not. There are traffic laws that define the regulations and aim to reduce accidents from happening; nevertheless, it is hard to determine all accident causes such as road and traffic conditions, and human related factors. If a traffic accident occurs, the traffic law classifies it as 'Negligence of Safe Driving' for cases that are not defined by specific regulations. Meanwhile, as Korea is already growing rapidly elderly population with more than 65 years, so are the number of traffic accidents caused by this group. Therefore, we studied predictive and comparative analysis of the number of traffic accidents caused by 'Negligence of Safe Driving' by dividing it into two groups : All-ages and Elderly. In this paper, we used empirical monthly data from 2007 to 2015 collected by TAAS (Traffic Accident Analysis System), identified the most suitable ARIMA forecasting model by using the four steps of the Box-Jenkins method : Identification, Estimation, Diagnostics, Forecasting. The results of this study indicate that ARIMA $(1, 1, 0)(0, 1, 1)_{12}$ is the most suitable forecasting model in the group of All-ages; and ARIMA $(0, 1, 1)(0, 1, 1)_{12}$ is the most suitable in the group of Elderly. Then, with this fitted model, we forecasted the number of traffic accidents for 2 years of both groups. There is no large fluctuation in the group of All-ages, but the group of Elderly shows a gradual increase trend. Finally, we compared two groups in terms of the forecast, suggested a countermeasure plan to reduce traffic accidents for both groups.

• 한국ITS학회 논문지
• /
• 제20권3호
• /
• pp.59-73
• /
• 2021

교통사고로 인한 많은 인명피해가 발생하고 있으나, 첨단 기술의 발전에도 불구하고 교통사고 발생은 줄어들지 않고 있다. 교통사고를 사전에 예방하기 위해서는 향후 사고가 어떻게 변화하여 갈 것인지를 정확하게 예측할 필요가 있다. 지금까지 교통사고 발생 빈도 예측은 주요 연구 분야가 아니었으며 주로 과거 일정 기간의 통계를 기반으로 전통적인 방법으로 미시적으로 분석되어 왔다. 최근 AI 기술이 교통사고 분야에 도입 되었음에도 불구하고 주로 교통 흐름 예측에 초점을 맞추고 있어, 본 연구에서는 2014년부터 2019년까지 국내에서 발생한 1,339,587건의 교통사고 기록을 시계열 데이터로 변환하고 AI 알고리즘 LSTM을 이용하여 연령별, 시간별 교통사고 발생 빈도를 예측하였다. 또한 코로나-19로 인한 교통 환경의 변화에 맞추어 예측값과 실제값을 비교 검증하였다. 향후 이러한 연구결과가 교통사고 예방의 정책개선으로 이어지고 사고 예방에 활용 될 것으로 기대된다.

• KDI Journal of Economic Policy
• /
• 제35권4호
• /
• pp.31-61
• /
• 2013

민간투자 도로사업의 경우, 사업의 미래 수익성과 직접적으로 관련 있는 예측 교통량의 불확실성과 이에 따른 위험이 민간 운영자에게 이전된다. 따라서 교통량 예측위험이 민간투자 도로사업의 추진에 어느 정도 영향을 미치며, 이러한 위험의 실제적인 경제적 가치를 파악하는 것은 민간투자사업의 적격성을 파악하고 이를 높일 수 있는 중요한 정보이다. 본 논문의 목적은 민간투자 도로사업의 교통수요 예측위험의 경제적 가치를 산정하는 것이다. 이를 위해 예측 교통량은 불확실성이 존재하는 확률변수이며, 시간이 경과하면서 기하 브라운 운동을 따른다고 가정한 후 민간투자사업의 가치변동성을 예측하는 방안을 제안하였다. 특히 본 논문에서는 개통 후 도로사업의 교통량 형성 특성을 고려한 램프업 기간 전후의 상이한 교통량 증가율과 그 변동성을 적용하여 단순히 임의적으로 가정한 기존 연구와 차별화하였다 사례 사업분석 결과, 예측된 해당 민간투자사업의 교통수요 예측 리스크 프리미엄은 출자 건설회사의 시가총액을 고려하지 않고 단순평균하는 경우 7.39%, 시가총액을 가중하여 평가하는 경우 8.30%로 분석되었으며, 교통수요 예측위험에 따른 해당 민간투자사업의 가치변동성은 17.11%로 예측되었다. 할인율이 클수록 프로젝트의 가치변동성은 작아졌는데, 비용의 고정으로 인한 레버리지 효과는 교통량 변동성보다 프로젝트의 가치변동성을 크게 하였다. 교통수요 예측위험에 따른 민간투자사업의 가치변동률과 리스크 프리미엄을 통해 산출하는 사례 민간투자사업 교통량 예측위험의 시장가치는 0.42~0.50 사이로 분석되었는데, 이는 교통량 변동성이 1% 증가하거나 감소하면 이에 따른 해당 프로젝트 위험 프리미엄은 0.42~0.50% 증가하거나 감소함을 의미한다.

• 한국ITS학회 논문지
• /
• 제8권1호
• /
• pp.92-101
• /
• 2009

본 논문에서는 IEEE 802.16e 네트워크 환경에서 기지국이 받은 트래픽을 예측하여 백본 네트워크에서의 대역폭 프로비저닝 방법을 제안한다. 트래픽은 4개의 클래스로 정의하고 각 클래스 별 트래픽을 박스-젠킨스의 시계열 분석법을 사용하여 예측하였다. 이를 바탕으로 프로비저닝을 진행하고 링크의 최대 대역폭을 초과하는 트래픽에 대해서 각 클래스의 우선순위를 최적으로 만족시키는 프로비저닝 방법을 제시하고 우선순위를 고려하지 않은 경우와 비교하였다. 또한 클래스 별 대역폭을 고정적으로 프로비저닝한 경우와 비교하여 패킷의 손실 및 QoS 보장률의 성능이 향상됨을 증명하였다.

• 대한교통학회지
• /
• 제18권3호
• /
• pp.55-76
• /
• 2000

실시간 통행시간관련자료의 집계시간간격은 보다 신뢰성있는 통행시간정보제공과 교통정보센터의 효율적인 운영을 위해 매우 중요한 요소이다. 그러나 대부분의 기존 VDS 및 TCS교통정보 데이터는 통계학적·공학적 차원에서의 합리적인 연구나 검증없이 경험적 간격으로 집계되고 있다. 본 연구의 목적은 링크 및 교통축(Corridor) 통행시간 산정 및 예측시의 최적 집계 시간간격을 결정할 수 있는 통계학적 모형을 개발하고 실제 도로망에서 수집되는 통행시간자료에 적용하는 것이다 첫째로, 본 연구는 링크 및 교통축 통행시간 산정 및 예측으로 인한 오차를 계량화하는 통계학적 모형을 제시하고, 제시된 모형의 의미를 교통류이론 측면과 통행시간정보 이용자측면에서 살펴보았다. 둘째로, 미국 Texas, Houston의 도시고속도로에서 AVI시스템을 통해 수집된 통행시간자료를 제시된 모형에 적용하였다. 적용결과 링크통행시간 산정을 위한 최적 집계시간간격보다 링크통행시간예측을 위한 최적 집계시간간격이 큰 것으로 나타났으며, 교통축 통행시간 산정 및 예측을 위한 최적 집계시간간격은 교통축을 구성하는 링크간의 상관관계 (Correlation)에 큰 영향을 받는 것으로 분석되었다.

• 한국경영과학회:학술대회논문집
• /
• 한국경영과학회/대한산업공학회 2005년도 춘계공동학술대회 발표논문
• /
• pp.795-797
• /
• 2005

During the past few years, various traffic-flow forecasting models, i.e. an ARIMA, an ANN, and so on, have been developed to predict more accurate traffic flow. However, these models analyze historical data in an attempt to predict future value of a variable of interest. They make use of the following basic strategy. Past data are analyzed in order to identify a pattern that can be used to describe them. Then this pattern is extrapolated, or extended, into the future in order to make forecasts. This strategy rests on the assumption that the pattern that has been identified will continue into the future. So ARIMA or ANN models with its traditional architecture cannot be expected to give good predictions unless this assumption is valid; The statistical models in particular, the time series models are deficient in the sense that they merely extrapolate past patterns in the data without reflecting the expected irregular and infrequent future events Also forecasting power of a single model is limited to its accurate. In this paper, we compared with an ANN model and ARIMA model and tried to combine an ARIMA model and ANN model for obtaining a better forecasting performance. In addition to combining two models, we also introduced judgmental adjustment technique. Our approach can improve the forecasting power in traffic flow. To validate our model, we have compared the performance with other models. Finally we prove that the proposed model, i.e. ARIMA + ANN + Judgmental Adjustment, is superior to the other model.

• 응용통계연구
• /
• 제20권2호
• /
• pp.219-227
• /
• 2007

시계열 모형은 통신망 트래픽의 예측과 분석에 유용하게 쓰여 왔다. 본 논문에서는 통신망 트래픽의 예측을 위하여 다양한 시계열 모형을 소개하고 성능평가를 하고자 한다. 이를 위하여 실제 통신망 트래픽 자료에 선형 및 비선형 시계열모형을 적합 시키고 비선형 시계열모형이 선형 시계열 모형보다 예측의 정확도가 우수함을 보이고자 한다.

• 대한교통학회지
• /
• 제7권2호
• /
• pp.29-43
• /
• 1989

The purpose of this study is to construct a forecasting model involved in a diverted traffic volume of the 2nd intra-urban expressway in construction presently, in the case of the future prediction of traffic demand for the intra-urban expressway in Pusan. In this study, the model involved in a diverted traffic volume is constructed trustworthy. And the future traffic demand of intra-urban expressway by this model was forecasted 114,005 volume/daily in 1996 and 147,090 volume/daily in 2001. However, it will made a study more and more concretely for practicality and limitation as well as construction of the forecasting model considered an intrinsic problem of an observational error and necessity of survey for much more socio-economic data, the traffic volume on all orad and OD pairs in Pusan.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2018년도 추계학술발표대회
• /
• pp.362-364
• /
• 2018

Predicting network traffic volume has become a popular topic recently due to its support in many situations such as detecting abnormal network activities and provisioning network services. Especially, predicting the volume of the next upcoming traffic from the series of observed recent traffic volume is an interesting and challenging problem. In past, various techniques are researched by using time series forecasting methods such as moving averaging and exponential smoothing. In this paper, we propose a long short-term memory neural network (LSTM) based network traffic volume prediction method. The proposed method employs the changing rate of observed traffic volume, the corresponding time window index, and a seasonality factor indicating the changing trend as input features, and predicts the upcoming network traffic. The experiment results with real datasets proves that our proposed method works better than other time series forecasting methods in predicting upcoming network traffic.