Analysis of Incident Impact Factors and Development of SMOGN-DNN Model for Prediction of Incident Clearance Time

Abstract

정체현상은 높은 교통비용과 혼잡을 발생시킨다. 교통사고, 기상이변 등의 유고로 발생하는 비반복정체에 대한 연구는 첨두시 같은 반복정체에 비해 부족한 실정이다. 비반복 정체를 일으키는 유고에 가장 중요한 지표는 유고가 지속되는 시간이다. 비반복 정체로 인한 높은 교통비용과 혼잡을 효과적으로 해소하기 위해서 유고 처리시간을 예측하는 것은 중요하다. 이를 위해 본 연구에서는 서울특별시 도시고속도로인 내부순환로를 공간적 범위로 선정하여 약 5년치 유고 데이터를 수집하였으며, 해당 데이터 중 종속변수는 유고 지속시간이 아닌 처리시간 데이터로 획득되었다. 독립변수에 대해서는 유고 처리시간 영향요인을 분석하고 해당 영향 요인 중 총 22개의 특성을 선정하여 전처리 및 분석을 통해 예측 모델의 학습데이터로 생성하였다. 기존 연구와 본 연구의 학습데이터 생성 및 예측 모델의 평가 과정에서 높은 유고 처리시간에 대한 과소 예측 문제가 발생하였다. 이에 대한 해결방안으로 본 연구에서는 소수데이터는 오버샘플링하고, 대다수의 데이터는 랜덤으로 언더샘플링해주는 SMOGN기법을 적용한 오버샘플링 학습데이터를 생성하였다. 본 연구에서 개발된 예측 모델은 인공신경망 모델인 ANN과 DNN 모델을 활용하였으며 두 가지 모델의 성능을 비교하는 동시에 원본 학습데이터와 오버샘플링 학습데이터를 모델에 적용하여 결과 비교를 시도하였다. 그 결과 ANN모델에 비해 DNN모델을 사용한 경우와 원본 데이터에 비해 오버샘플링 데이터를 사용한 경우에 더 정확한 예측을 하였으며 결과적으로 SMOGN기법을 적용한 오버샘플링 데이터로 구축된 DNN모델이 MAE기준 예측오차 18.3분으로 최적모델로 선정되었다. 이는 기존에 개발된 예측모델의 과소 예측에 대한 한계점을 보완할 수 있을 것으로 기대하지만, 아직 실무에 적용되기엔 여전히 높은 예측오차를 가지며, 다른 도시고속도로의 데이터를 적용해보는 것으로 추가 검증이 향후 연구로 수행되어야 한다.

Traffic congestion causes high costs and congestion. Studies on non-recurring congestion caused by accidents such as traffic accidents and extreme weather conditions are insufficient compared to recurrent congestion such as peak hours. The most important indicator for non-recurring congestion is the duration of traffic incident. It is important to predict the incident duration in order to effectively solve high traffic costs and congestion caused by non-recurring congestion. Based on the literature review, various studies on the prediction of incident duration were insufficient in Korea compared to other countries, and various studies suitable for domestic road conditions were needed. To this end, in this study, Naebusunhwan-ro, an urban expressway in Seoul, was selected as a spatial scope to collect data on retention for a period of about 5 years. For independent variables, factors affecting the incident clearance time were analyzed and a total of 22 characteristics were selected among the influencing factors and generated as training data of the predictive model through pre-processing and analysis. In the process of generating training data and evaluating the prediction model of the previous study and this study, there was a problem of under-prediction with respect to the high error processing time. As a solution to this problem, in this study, over-sampling training data by applying the SMOGN technique that over-sampling a small number of data and under-sampling the majority of data at random was generated. The prediction model developed in this study utilized the artificial neural network model ANN and DNN model, and at the same time, the performance of the two models was compared, and the original training data and over-sampling training data were applied to the model to compare the results. As a result, more accurate predictions were made when the DNN model was used compared to the ANN model and when the over-sampling data was used compared to the original data. As a result, the DNN model built with the over-sampling data applied with the SMOGN method showed a prediction error of 18.3 minutes of MAE was selected as the optimal model. This is expected to be able to supplement the limitations of the under-prediction of the previously developed prediction model, but it still has a high prediction error to be applied in practice. By applying data from other urban highways, additional verification should be performed as a future study.