Journal Search Engine

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer
The Journal of The Korea Institute of Intelligent Transport Systems Vol.16 No.6 pp.67-78
DOI : https://doi.org/10.12815/kits.2017.16.6.67

Traffic Congestion Estimation by Adopting Recurrent Neural Network

Hee jin Jung*, Jin su Yoon**, Sang hoon Bae***
*Super Computing Center, Korea Institute of Science and Technology Information
**National Transport Technology R&D Center, Korea Transport Institute
***Dept. of Spatial Information Engineering, Pukyong National Univ.
Corresponding author : Sang hoon Bae, sbae@pknu.ac.kr
20170524 │ 20170702 │ 20171208

Abstract

Traffic congestion cost is increasing annually. Specifically congestion caused by the CDB traffic contains more than a half of the total congestion cost. Recent advancement in the field of Big Data, AI paved the way to industry revolution 4.0. And, these new technologies creates tremendous changes in the traffic information dissemination. Eventually, accurate and timely traffic information will give a positive impact on decreasing traffic congestion cost. This study, therefore, focused on developing both recurrent and non-recurrent congestion prediction models on urban roads by adopting Recurrent Neural Network(RNN), a tribe in machine learning. Two hidden layers with scaled conjugate gradient backpropagation algorithm were selected, and tested. Result of the analysis driven the authors to 25 meaningful links out of 33 total links that have appropriate mean square errors. Authors concluded that RNN model is a feasible model to predict congestion.


순환인공신경망(RNN)을 이용한 대도시 도심부 교통혼잡 예측

정 희 진*, 윤 진 수**, 배 상 훈***
*주저자 : 한국과학기술정보연구원 슈퍼컴퓨팅본부 선임연구원
**공저자 : 한국교통연구원 교통기술연구소 연구원
***교신저자 :부경대학교 공간정보시스템공학과 교수

초록

교통혼잡비용은 매해 증가하며, 교통혼잡비용의 63.8%에 해당되는 도심부 교통혼잡에 대한 대책 마련이 시급한 상태이다. 최근 빅데이터, 인공지능 등 4차 산업혁명을 선도하는 기술들의 발전으로 교통부문의 정보화에도 많은 변화가 초래되고 있다. 이러한 신개념 기술을 활용하여 소통상황 예측정보를 제공함으로써 교통혼잡비용을 저감할 수 있을 것으로 기대된다. 이에 본 연구에서는 순환 인공 신경망(RNN)을 활용하여 반복 및 비반복 정체 예측 모형을 개발하고자 하였다. 제안 모형은 실시간 소통정보, 이력정보, 유고상황정보 등을 활용하여 현재를 기점으로 15분 간격의 1시간 이후 소통 상황을 예측하는 모형이다. 33개 링크로 구성된 서울시 논현로에 대해 2개의 은닉층으로 구성된 RNN 모형을 구축하였다. 총 30개 모형을 계량활용변화역전파 알고리즘으로 학습하여, 이 중 평균오차제곱이 0.0834인 모형을 최적 모형으로 선정하였다. 모 형 검증 결과 25개 링크에 대해 유의성 높은 예측을 하였다. 모형의 예측력을 열지도를 통해 검토한 결과 반복 정체뿐 아니라 비반복 정체까지 예측할 수 있는 것을 확인할 수 있었다. 따라 서 실제 도로 상에서의 교통혼잡 예측을 위한 모형으로 활용할 수 있을 것이라 기대된다.


    Pukyong National University

    Ⅰ.서 론

    1.연구의 배경

    한국교통연구원에 따르면 2015년 전국 교통혼잡비용은 33조 4천억 원으로 2010년 대비 17% 증가된 것으 로 산정되었다(Cho, 2014). 그 중, 도심부 교통혼잡 비용은 총 21조 2,929억 원이며, 이 중 서울시가 약 9조 4,353억으로 가장 높으며 <Fig. 1>과 같이 전체의 44.3%를 차지하고 있다. 이에, 한국교통연구원에서 교통혼 잡 지도를 개발하여 행정구역, 도로 별 혼잡도 서비스를 제공하고 있으나 이용자 측면에서 직관적으로 이해 하기 힘들며 활용이 미흡한 상황이다(Cheon and Kim, 2014). 기존의 교통정보수집 체계의 한계를 극복하여 GPS 기반 차량궤적데이터 등을 활용한 도심부 간선도로망의 예측 소통상황 정보 제공이 필요하다.

    2.연구의 목적

    본 연구의 목적은 신호교차로를 포함한 도심부 주간선도로의 소통상황을 인공지능 모형을 적용하여 시공 간적 링크간 관계성과 비반복정체의 영향까지 고려한 비선형모형을 개발하는 것이다. 본 연구에서 제안하는 모형은 특정링크의 미시적 소통상황을 예측하기보다는 다소 긴 도로구간의 소통상황을 예측가능한 모형이 다. 도심부 도로망에 적용이 가능하여 유고상황 영향권 분석 및 간선도로의 유고검지 알고리즘의 개발에 활 용할 수 있는 모형을 개발하고자 하였다.

    3.연구의 범위

    1)연구의 공간적 범위

    본 연구에서는 서울시 도심부 주요 간선도로를 연구의 공간적 범위로 선정하였다. 서울시 주요 간선도로 중 GPS수신기를 장착한 차량의 이용 빈도 및 데이터 수집율이 높은 지역 내 주요 간선도로를 대상지로 선정 하였다. 최종적으로 서울특별시 강남구의 성수대교 남단에서 역삼역을 경유하는 논현로를 선정하였으며 이 구간은 총 길이 6.78km의 편도3차로이다.

    2)연구의 시간적 범위

    본 연구의 시간적 범위는 개발된 모형이 국가 및 지자체 ITS센터 등에서 구축 완료되는 2018년을 목표년 도로 설정하였다. 적용된 데이터는 2013년 4월 1일부터 2013년 9월 30일까지 6개월 간 수집된 일반 승용차의 GPS데이터를 사용하였다.<Fig. 2>

    3)연구의 내용적 범위

    프로브 차량을 통해 수집된 데이터는 교통상황의 추정과 이력데이터로서 통행패턴 구축, 교통상황 예측모 형의 학습 및 검증을 위한 기본데이터로 활용하였다. 또한 본 연구에서는 교통사고 데이터를 사용하였는데, 돌발 상황에 대한 기본 자료로 활용하였으며 교통상황 예측모형의 학습을 위한 입력데이터로 활용하였다.

    과거 이력데이터를 활용하여 반복성 학습을 실시하였다. 실시간 데이터를 활용하여 반복성을 벗어난 교통 상황에 대한 인식을 학습하여, 최종적으로 돌발 상황 정보를 고려하여 1시간 후까지의 15분 단위 교통상황 예측 모형을 개발하였다.

    Ⅱ.문헌고찰

    1.Recurrent Neural Network

    뉴런과 뉴런들 사이의 그물망과 같은 연결(Netwrok)을 수학적으로 모델링한 비선형 모형인 NN은 뉴런과 뉴런 사이를 연결한 시냅스로 구성된다. 다수의 뉴런의 집합을 층으로 정의하는데 Input Data가 입력되는 층 은 입력층(Input Layer), Output Data가 출력되는 층은 출력층(Output Layer), 입력층과 출력층 사이의 하나 이 상의 층을 은닉층(Hidden Layer)이라고 한다.<Fig. 3>

    Recurren Netwrok(RNN)은 피드백 작용이 있는 모든 종류의 신경망 모델을 칭한다. 기존 신경망모형은 개 개의 데이터를 독립적으로 처리하기 때문에 데이터의 입력순서 자체에 패턴이 있는 경우, 데이터가 시간에 대해 연속적인 경우 개개의 데이터와 마찬가지로 데이터의 순차(Sequence) 또한 중요한 패턴이 된다. 그러나 기존 모형은 이러한 순차적 패턴이 간과되기에 그 단점을 보완한 모형이다. RNN 모형은 역전파 알고리즘으 로 학습할 경우 Folding과정을 통해 신경망을 확장해야 하기 때문에 많은 계산량이 발생한다.

    2.자동유고검지 알고리즘

    고속도로 등 연속류를 위한 자동유고상황검지 알고리즘은 이미 오래 전 다양한 모형이 개발되어 왔다. 최 근에는 기존의 알고리즘을 개선하는 연구들이 주로 수행되었다. 반면, 도심부 단속류를 대상으로 하는 자동유 고검지 알고리즘 역시 연구되고 있으나 실제 적용사례는 찾아보기 힘든 상황이다. 비교적 높은 신뢰도를 보이 는 연속류를 위한 자동유고상황검지 알고리즘을 단속류에 적용하려는 연구들이 있었다. Huiying and Jun(2011) 은 Learning Vector Quantization(LVQ) 신경망을 통한 간선도로 유고검지 알고리즘을 제안하였다. 루프검지기 자료와 프로브 차량의 GPS 자료를 합성하여 오검지율을 루프검지기 자료만 사용하였을 때에 비해 약 86%로 개선하였다. Faisal and Yaser(2012)는 다중회귀모형을 이용하여 유고검지를 위한 임계값을 추정하였는데, 두 신호교차 사이의 링크를 상류부, 중뷰루, 하류부로 나누어 차량대수와 평균속도를 이용하였다.(1)

    G e r n e r a l L i n e a r M o d e l = r a l | a r M o d e l = β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + β 4 Y 1 + β 5 Y 2 + β 6 Y 3
    (1)

    한편, 연속류에 비해 복잡한 단속류에서의 교통상황을 분석하기 위해 다양한 새로운 알고리즘의 적용을 위한 연구들이 수행되고 있다. 최근에는 많은 차량들이 GPS 장비를 탑재하여 운행하므로 GPS 자료를 활용 한 유고상황검지 알고리즘 연구가 수행되고 있다. Park and Ali(2015)는 도로 혼잡 패턴을 인식하기 위해 Baysian Neural Network (BNN)을 이용하여 2차 사고 예측 및 혼잡영향 파악까지 가능한 모형을 개발하였다. GPS 자료는 대부분 차량의 위치변화에 기반을 둔 차량 속도자료만이 수집되는 반면 기존의 루프검지기는 차량의 속도 뿐 아니라 교통량, 점유율도 함께 수집된다. Yasuo Asakura et al.(2015)은 GPS 자료를 기반으로 유고검지 알고리즘을 개발하였는데 차량에 근접한 두 링크의 이동시간과 시간동안의 흐름 차이 비율을 구하 여 시공도상에서 유고상황을 검지하였다.

    이러한 선행 연구에도 불구하고 단속류는 링크의 길이가 상대적으로 짧고 신호체계에 의해 차로별 기능 이 나뉘는 간선도로의 특성상 실시간 자동유고검지 알고리즘의 계산량이 많고 복잡한 연산이 필요하다. 이 러한 이유 때문에 단속류 상의 자동유고검지 알고리즘은 전 세계적으로 활용도가 매우 낮다. 단속류의 교통 상황을 추정할 수 있는 다양한 척도 개발이 필요하며, 연속류에 비해 단속류에 영향을 끼치는 복합적 요인에 대한 분석이 필요하다.

    3.유고확산모형과 영향권 설정

    돌발상황에 의한 유고확산모형은 돌발상황이 발생하였을 때 주변도로(상류부)에 교통혼잡이 시간에 따라 확산되는 현상을 모형화하고자 하는 것이다. 유고영향권 예측 모형이란 교통 혼잡의 정도에 따라 돌발상황 의 영향이 미치는 공간적 범위를 결정하는 모형이다. 돌발상황에 의한 유고확산모형 및 유고영향권에 대한 연구는 새로운 분야이므로 관련연구가 미흡한 상황이다. 유고영향권에 대한 모형화를 위해 기존의 다양한 영향권에 대한 연구 동향을 파악하였다.

    Oh et al.(2005)은 Zone간 교통량 누적 비율 95% 기준으로 zone을 추출하고, 추출된 zone간 누적통행시간의 95%에 해당하는 통행시간을 영향권 설정기준으로 사용하였다. Kim et al.(2008)은 Categorical Analysis Regression Tree(CART) 분석을 통한 합리적인 역세권 영향력 범위를 설정하기 위한 요인 분석을 통하여 Subway station Influence Area(SIA) 통합 모델을 개발하였다. CART분석은 데이터마이닝 기법(의사결정나무법)의 하나로서 그룹 내 동질성이 높은 그룹을 판별하기 위해서 불순도함수를 사용하며, SIA 통합 모델은 2차 보도거리와 역세권지가와 의 관계를 이용하여 다항회귀식으로 SIA 통합모형식을 개발한다. Lee et al.(2009)은 고속도로 합류부에서 발생하 는 난류현상을 이용하여 미시적 영향권을 설정하였는데, 합류의 형태에 따라 다른 분포를 비교하였다. Ji et al.(2012)은 spillover현상을 파급효과(propagation effect)라는 개념을 적용하여 도심지 내 도로망에서 정체의 파급 현상(congestion propagation dynamics)를 간단한 모형으로 구현하였다. 혼잡확산의 지표로 Maximum Connected Component(MCC)를 사용하였다.

    유고 상황별 정체 확산 모형의 개발과 유고 영향력 평가 척도가 필요할 것으로 판단되며, 영향권 설정을 위한 임계치 결정이 가능하다. 또한, 링크 특성의 반영이 유고확산모형과 영향권 설정에 고려될 필요가 있다.

    기존 연구에서 단속류를 위한 자동유고검지알고리즘은 신호지연과 유고로 인한 정체현상의 구분이 어려 워 링크단위의 미시적 소통상황 예측을 하였다. 이러한 모형을 도시분간선도로에 적용하기 위해서는 링크의 숫자만큼 예측모형을 개발해야하고 일반화된 모형을 적용하기 어렵다. 반면 유고영향권 모형은 거시적 접근 법으로 교통류 현상을 모형으로 구현하여 시뮬레이션할 수 있는 장점이 있으나, 유고상황에 대한 민감도가 낮아서 소통상황 예측에 활용하는데 한계가 있다. 그러므로 본 연구에서는 도심부 간선도로의 긴 구간(33개 링크, 6.78km)을 링크간 시공간적 연결성을 고려한 비선형 모형인 Recurrent Neural Network(RNN)을 이용하여 모형화하여 정체구간 및 정체의 파급현상을 모형화하였다.

    Ⅲ.연구수행 내용

    1.수집 데이터의 특징

    1)데이터 샘플 사이즈 분석

    연구의 공간적 범위인 논현로의 시간대별 일 평균 프로브 차량대수를 분석하였다. 새벽시간대 프로브 차 량대수는 1,500대 미만이며, 오전 4시에 약 500대로 가장 낮게 나타났다. 오전 첨두시간대는 프로브 차량대 수가 2,500대 이상 증가하는 것으로 나타났다. 낮 시간대에 프로브 차량 대수는 3,000대 이상 나타났다. 오후 첨두 시간대에 약 3,500대 이상으로 가장 높게 나타나는 것으로 분석되었고, 22시 이후로는 프로브 차량대수 가 2,500대 이하로 감소하는 것을 확인할 수 있다.

    2)프로브 차량의 평균속도 분포

    <Fig. 4>는 6개월간 5분마다 집계된 통행속도의 분포를 boxplot으로 표현한 것이다. 그림에서 파란색 영역 은 각 시간대에 관찰된 속도 데이터의 사분위수 범위(Interquantile range, IQR)이며 백색 점선은 중앙값, 붉은 색 선은 평균값이다. 파란색 영역의 아래부분의 빗금면을 1사분위수(25th percentile)과 최솟값(이상치 제외)의 사이이고 윗부분의 빗금명은 3사분위수(75th percentile)와 최댓값(이상치 제외) 사이이다. 그림에서 발견되는 파란색 원은 이상치(outlier)를 의미한다. 각 시간대 별 평균 속도 분석 결과, 새벽 시간대에는 평균 속도가 50km/h 이상이었다. 오전 첨두시에는 약 40km/h로 속도가 감소하는 것으로 분석되었다. 오후 첨두시간대에 40km/h 미만으로 분석되었다. 오전 첨두시간대가 길고 파란색 영역이 넓은 이유는 오전첨두의 발생시점과 종료시점이 유동적인 반면 비첨두시간과 오후첨두시간은 매우 규칙적이기 때문이다.

    3)데이터 전처리와 대표속도 산출

    링크 단위 산출된 개별 프로브 차량의 속도 데이터를 수집하여 중복 데이터 및 매칭 되지 않는 데이터는 삭제하였다. 고속도로를 제외한 서울시 강남구 국가표준링크에 매칭을 수행하였다. 국가표준노드링크 기반 으로 5분 단위 링크별 시간대별 타임 테이블을 구축하였다.

    소수의 과속차량 및 정차 차량은 대표 속도 산출에 영향을 미치기 때문에, 신뢰도 95% 범위 밖의 값은 이 상치로 간주하여 제거하였고, 5분 단위로 조화평균하여 링크 별 대표속도를 산출한 후에 결측 처리를 수행 하였다.

    2.RNN 모형 구축

    1)입출력 데이터 구축

    본 연구에서 소통상황 예측모형의 범위는 도심부 도로망으로부터 수집된 실시간 소통정보를 기반으로 다 음 1시간 동안의 소통상황을 15분 단위로 예측하는 모형이다. 정확한 소통상황을 예측하기 위해 실시간 소 통정보 외에 이력자료를 기반으로 요일별 소통상황 패턴과 실시간 사고정보를 활용하였다. 소통상황 예측모 형은 1시간 주기로 다음 1시간 동안의 소통상황을 예측하였다.

    소통정보는 15분 주기로 가공하였고 패턴정보는 2013년 4월부터 2013년 6월까지 생성된 소통정보를 각 시간대(15분씩 하루 96개 시간대)별로 산술평균하여 계산하였다. 생성된 소통정보와 패턴정보는 Traffic Performance Index(TPI) 값으로 변환하여 사용하였다. TPI는 도로의 자유속도(일반적으로 제한속도의 1.2배)를 기준으로 통행 속도차의 오차비율을 계산하여 지체도를 측정하는 지표이다.(2)

    T P I = V f V i V f
    (2)

    Vf는 자유속도(Free-flow Speed), Vi는 현재의 평균속도를 의미하며, TPI는 0에서 1사이의 값으로서 0은 완 전자유속도, 1은 완전 정체상황으로 해석할 수 있다. 연속류의 경우 0.4 이하를 원활, 0.7이상을 정체로 분류 한다. 단속류의 경우 신호교차로 등과 같은 외부요인으로 인해 TPI의 범위가 제한적일 수 있다. 사고정보는 사고가 발생한 것으로 보고된 링크의 시간대(15분)별 이진화 데이터로 생성하였다(0=사고 무, 1=사고 유).

    2)소통상황 예측을 위한 RNN 모형

    본 연구에서 RNN모형의 입력데이터는 예측시점 직전에 집계된 실시간 소통정보(p1), 과거 3개월 데이터 로 가공한 이력패턴데이터의 예측시점(1시간) 데이터(p2), 그리고 예측시점 직전에 보고된 사고정보(p3)로 구 성하였다. 모형의 목표값은 대상구간의 33개 링크의 소통속도를 15분 가격으로 한시간 동안 예측한 값이다. 첫 번째 은닉층에서 입력데이터는 p1과 p2만으로 소통정보를 가공한다. 두 번째 은닉층은 첫 번째 은닉층의 예측값과 사고정보(p3)를 이용하여 첫 번째 은닉층에서 예측한 정보를 보정한다. 이 때 15분 전에 모형이 예 측한 소통정보를 참조할 수 있도록 시간 지체 레이어(Time Delay Layer)을 통해 15분 전 예측된 소통정보를 저장해 두었다가 두 번째 은닉층의 입력값으로 사용한다. TPI의 범위가 0에서 1사이 값이므로 각 은닉층의 출력값도 0에서 1사이 값으로 변화해 줄 수 있는 로그 시그모이드 함수(Log-sigmoid function)를 사용하였다. <Fig. 5>는 제안모형의 구조를 block diagram으로 보여준다.

    3)RNN 모형의 학습

    본 연구에서 RNN 모형은 MATLAB의 Neural Network Toolbox를 이용하여 구축하였다. Neural Network Toolbox는 다양한 학습 알고리즘을 제공한다. 본 연구에서는 Levenberg-Marquardt optimization Algorithm(LMA) 을 기반으로 한 Lenvenberg-Marquardt backpropagation(LMB) 알고리즘을 이용하여 RNN모형을 학습하였다. LMB 는 모형을 학습하기 위한 다양한 최적화 알고리즘 중 하나이고 본 연구에서는 다양한 알고리즘을 적용한 결과 LMB가 가장 높은 성능을 가진 것으로 판단하였다(Reynaldi et al., 2012).

    대상지는 5개 링크를 무작위로 선택하여 소통상황 예측모형을 적용하였으며, 학습을 위한 자료는 2013년 4월에서 2013년 6월 사이(88일) 수집된 자료를 사용하였으며, 모형검증은 2013년 7월에서 2013년 9월 사이 (88일) 수집된 자료를 사용하였다.

    4)최적모형 선정

    최적화 알고리즘의 특성에 의해 항상 최적의 RNN을 학습되지 않으므로, 30개 이상의 RNN 모형을 구축하 여 최적의 RNN 모형을 선정하였다. 학습된 30개의 모형 중 최적의 모형을 찾기 위해 평균제곱오차(Mean Squared Error, MSE)를 사용하여 성능을 비교하였다. <Fig. 6>과 <Table 1>은 학습된 30개 RNN 모형의 MSE 를 비교한 것이다. 일반적으로 시계열 데이터 예측모형의 정확도는 Mean Absolute Percent Error(MAPE)로 측 정하지만 예측값(estimates) 또는 실제값(actual value)의 값이 매우 작을 경우 MAPE값이 과장되는 경향이 있 다. 특히 실제값이 0일 경우 무한값으로 발산해 버리기 때문에 정확한 오차를 측정하기 어렵다. 본 연구에서 는 TPI를 예측하는 모형이므로 MAPE값 대신 MSE를 사용하여 모형의 성능을 테스트하였다.

    두 번째 모형의 MSE값이 가장 작았으나, 첫 번째 모형에서부터 여섯 번째 모형까지 모형에서 비슷한 MSE값이 나왔으므로 이들 모형을 비교하여 적절한 모형을 최적모형으로 선정하였다.

    총 MSE 비교를 통해 선정된 6개 모형으로 논현로 33개 개별 링크의 소통상황에 대한 MSE를 비교하였다. <Fig. 7>은 각 링크에 대한 예측값의 오차 MSE를 산정하여 비교한 것이다. 링크 1, 2, 32, 33에서 6개 모형 모두 MSE 0.005이하의 높은 성능을 보였다. 링크 11, 12, 13, 14, 19, 22에서는 MSE 0.01 이상의 값을 보였으 며, 세 번째 모델의 경우 링크 19와 링크 21에서 0.25 이상의 낮은 성능을 보여 세 번째 모델은 국소 최저치 (local minima)에 빠진 것으로 판단하였다. 전체 링크에 대한 비교결과 두 번째 모형의 MSE가 낮았으나 개별 링크에서 다른 모형에 비해 두드러진 성능이 관찰되지 않았다. 링크 11, 12, 13, 14에서 두 번째 모형에 비해 다섯 번째 모형이 더 좋은 성능을 나타내어 다섯 번째 모형을 최적모형으로 선정하였다.

    5)모형의 검증

    다섯 번째 모형의 예측값이 실제값과 얼마나 일치하는지 분석하기 위해 산포도를 활용하였다. x축은 실제 정체도(TPI)값이고 y축은 다섯 번째 모형이 예측한 TPI값이다. 산포도의 분포를 분석하여 모형의 정확도를 평가하였는데, 모형이 정확하게 정체도를 예측하였을 경우 그 값은 산포도에 그려진 직선을 따라 분포한다. 실제 정체도에 비해 낮은 정체도를 예측하였을 경우 직선의 아래에 분포하게 되고, 실제 정체도에 비해 높은 정체도를 예측하였을 경우 직선의 위쪽에 분포하게 된다.

    <Fig. 8>의 산포도는 33개의 링크 중 일부 링크에 대한 다섯 번째 모형의 예측치와 실제값 간의 선형성 분 석을 한 결과이다. 링크 11과 링크 12는 추세가 직선과 어긋나 있으므로 다섯 번째 모형의 신뢰도가 낮은 구 간이다. 본 연구에서 고려한 정보에서는 얻을 수 없는 다른 원인에 의해 소통상황이 달라지는 것으로 판단하 였다. 링크 19와 링크 22에서는 정체도가 비교적 낮은 범위에서 추세가 일치하지 않고 있으나, TPI 0.6이상에 서는 비교적 추세를 잘 따르는 것으로 판단하였다. 소통상황의 예측에서 정체도가 낮을 경우에 비해 높은 경 우의 예측이 더욱 중요시 되므로 링크 19와 22에서 다섯 번째 모형의 신뢰도는 높은 것으로 판단하였다. 링 크 30과 링크 31은 MSE는 0.01보다 낮지만 TPI 0.7이상인 정체도가 높은 범위에서 추세와 어긋남이 관찰되 었다. 통계적으로 추세를 따르는 예측모형이라도 정체도 예측이 어려운 경우 신뢰도가 낮다고 판단하였다. 이 외의 링크에 대해서는 MSE의 비교에서와 같이 모형 5번의 예측력이 통계적으로 유의미한 예측을 수행한 것으로 판단하였다.

    Ⅳ.연구수행 결과

    본 모형에서는 입력데이터로 과거 3개월간의 이력데이터를 이용하여 가공한 요일별 패턴 데이터를 사용 하였다. 도심부 간선도로에서 시간적 주기성이 뚜렷한 특징이 있으므로 다섯 번째 모형이 패턴데이터의 추 세를 단순히 따라가는 예측을 한다면 독창성이 훼손될 수 있다. 일주일 단위의 예측결과가 실제데이터에 관 측되는 비 반복적 패턴을 반영하는지를 확인할 필요가 있다.

    <Fig. 9>는 전체 검증데이터에 대한 실제 값과 예측값을 열지도(Heat Map) 형태로 비교한 것이다. 상단의 열지도는 정체도의 실제 값의 패턴이고 하단의 열지도는 다섯 번째 모형 예측값의 패턴이다. 실제 값에서 관 찰되는 패턴이 예측 값에서 관측되며, 일별 반복성도 관찰되었다.

    요일별 패턴의 의존성을 검증하기 위해 일주일 단위로 실제 값과 예측치의 패턴을 <Fig. 10>과 같이 비교 하였다. 첫 번째 날(7월 1일)은 월요일이었고 일곱 번째 날(7월 7일)은 일요일이었다. <Fig. 11>의 두 번째 주 패턴을 비교해 볼 때 각 요일별 유사성과 함께 각 일자의 독특한 패턴도 관찰할 수 있었다. 예측치에서 일자 별 독특한 패턴과 유사패턴이 관찰되므로 요일별 패턴의 의존성 문제는 없는 것으로 판단하였다.

    Ⅴ.결 론

    본 연구에서는 과거 이력데이터와 직전 교통상황을 고려하여 소통상황의 예측을 수행하는 모형을 RNN 을 활용하여 개발하였다. 사고데이터를 입력데이터로 활용하여 예측된 결과를 보정할 수 있는 은닉층을 추 가한 모형을 제시하였다. 과거 이력데이터를 활용한 소통상황 예측은 시간적 반복성이 뚜렷한 도심부 간선 도로에서 주로 활용되고 있는 기법으로서 실시간 교통정보를 가중평균하여 활용하는 방법이 주류를 이루었 다. 본 연구에서는 RNN의 패턴인식능력을 활용하여 과거 이력데이터의 패턴을 파악하여 소통상황을 단기 예측할 수 있는지에 대해 연구하였다. 제시된 모형은 이력데이터를 활용한 패턴데이터가 기본정보로 활용되 고 직전 소통상황과 현재 소통상황 데이터를 활용한 보정을 비선형적으로 수행하고 돌발 상황과 이전 예측 정보를 적용하여 이차보정을 시도함으로써 비 반복적 패턴을 인식하도록 학습하였다. 교통상황이 수시로 주 변환 경에 의해 다양하게 변한다는 특성을 고려하여 예측시간을 1시간으로 제한하였다. 총 30개의 모형을 학습하여 성능비교를 통해 6개 모형을 선정하였고, 6개 모형 중 다섯 번째 모형을 최적모형으로 선정하여 예 측치의 통계적 유효성을 고려하여 검증하였다.

    검증 결과, 전체 33개 링크 중 8개 링크를 제외한 나머지 25개 링크에 대해 높은 성능을 보였으며, 선택된 모형이 실제 소통상황의 패턴을 잘 반영하는지에 대한 검토를 한 결과 반복정체 상황에 대한 예측뿐만 아니 라 비 반복적 패턴까지도 예측되는 것을 확인하였다.

    본 연구에서 사용된 데이터의 비반복정체의 빈도는 매우 적어서, 실제 기대와 달리 비반복정체의 예측정 확도를 측정하기에는 매우 적은 양의 데이터만을 확보하였다. 그러므로 향후 비반복정체의 예측정확도를 높 이기 위하여 사고 다발지역으로 연구범위를 좁혀서 모형을 개발할 필요가 있다.

    ACKNOWLEDGEMENTS

    본 논문은 부경대학교 자율창의학술연구비(2016년)에 의하여 연구되었습니다.

    Figure

    KITS-16-67_F1.gif

    Traffic congestion cost by city in 2015

    KITS-16-67_F2.gif

    Nonhyeon-ro, Gangnam-gu, Seoul

    KITS-16-67_F3.gif

    Recurrent Neural Network

    KITS-16-67_F4.gif

    Daily average probe vehicle speed distribution

    KITS-16-67_F5.gif

    Block diagram of suggested RNN model

    KITS-16-67_F6.gif

    Comparison of total MSE of 30 learned RNN models

    KITS-16-67_F7.gif

    MSE comparison for each link of six models selected based on total MSE

    KITS-16-67_F8.gif

    Comparison of linearity between predicted and actual values for congestion

    KITS-16-67_F9.gif

    Comparison of predicted and actual value patterns of link-level congestion using heat map

    KITS-16-67_F10.gif

    Comparison of predicted and actual value patterns of link-level congestion using heat map(First week)

    KITS-16-67_F11.gif

    Comparison of predicted and actual value patterns of link-level congestion using heat map(Second week)

    Table

    MSE of learned RNN model

    Reference

    1. CheonS.H. KimS.M. (2014) Big data analysis technology developed nationwide traffic congestion map., Monthly Traffic, Vol.Vol. 193
    2. ChoH.S. (2014) Forecast of traffic congestion cost in 2015, The Korea Transport Institute, Press Releases
    3. AhmedF. HawasY.E. (2012) A Threshold-Based Real-Time Incident Detection System for Urban Traffic Networks., Transport Research Arena-Europe,
    4. WEN H. and LUO J.WEN H. and LUO J. (2011) Traffic Incident Detection for Urban Arterial Road based on Data Fusion and Learning Vector Quantization , American Society of Civil Engineers,
    5. ParkH. HaghaniA. (2015) Real-time prediction to secondary incident occurrences using vehicle probe data. , Transp. Res., Part C Emerg. Technol.,
    6. JiY. (2012) Geroliminis and Nikolas , Swiss Transport Research Conference, ; pp.1-5
    7. KimT.H. LeeY.T. HwangE.P. WonJ.M. (2008) Development of Selection Model of Subway Station Influence Area (SIA) in New town using Categorical and Regression Tree (CART). , Journal of the Korean Society for Railway, Vol.11 (3) ; pp.216-224
    8. LeeK.Y. RohC.G. SonB.S. ChungJ.H. (2009) Analysis on Propagation of Highway Traffic Flow Turbulence at Entrance-Ramp Juctions. , Journal of the Korean Society of Civil Engineers D, Vol.29 (2D) ; pp.167-173
    9. OhD.K. KimK.S. JungS.B. (2005) Development of Mothod to Define Influence Area using Variation of Travel Time on the Feasibility Study. , Korean Society of Civil Engineers, Vol.2005 (10) ; pp.3789-3792
    10. ReynaldiA. LukasS. MargarethaH. (2012) Backpropagation and Levenberg-Marquardt Algorithm for Training Finite Element Neural Network , 2012 Sixth UKSim/AMSS European Symposium on Computer Modeling and Simulation,
    11. AsakuraY. KusakabeT. LongN.X. UshikiT. (2015) Incident detection methods using probe vehicles with on-board GPS equipment., Transportation Research Procedis,

    저자소개

    Footnote