Automatic Incident Detection of the Metropolitan City by Adopting Deep Learning Algorithm of Spatial-Temporal Traffic Data

Abstract

도심부 정체는 교통혼잡비용의 주요 원인이 된다. 특히 비반복 정체인 유고는 병목현상, 2차사고 등을 유발시켜 막대한 사회경제적 손실을 초래할 수 있다. 따라서 빠르게 검지하고 대처하는 것이 중요하다. 기존 연구들에서는 연속류 유고검지가 주를 이루어왔으며 단속류 유고검지는 연속류 유고검지 알고리즘의 적용으로 인해 낮은 검지율과 높은 오검지율을 산출하였다. 또한 도심부 간선도로는 주∙정차 및 신호등 등의 다양한 변수가 존재하기에 검지가 잘 이루어지지 않았다. 최근 다양하고 복잡한 문제들을 해결할 수 있는 인공지능 방법론이 주목받고 있다. 이는 기존에 해결하지 못한 한계점들을 해결해 다양한 분야에서 접목되고 있다. 이에 본 연구에서는 GPS 차량 궤적 데이터를 활용하여 심층신경망을 적용한 대도시 도심부 유고검지를 실시하고자 하였다. 먼저, 수집된 데이터들의 오류데이터 및 이상치를 제거해주었다. 이후 결측처리 및 데이터 평활화 작업을 거쳐 링크별/시간대별 패턴데이터를 구축하였다. 패턴데이터는 유고 시 발생하는 교통류의 변화 특성을 파악할 수 있다. 인공신경망 입력 변수를 선정하기 위해 유고 시에 나타나는 상류부, 중류부, 하류부의 교통흐름을 분석해보았다. 최종적으로 속도 변수, 프로브 차량대수 변수 등 총 8가지로 선정되었다. 신경망 학습 전 최적 심층신경망 구조를 선정하였다. 3가지의 조건을 변경해가며 구조를 채택하였다. 학습 후 TEST SET을 통해 돌발상황 검지율, 오검지율 및 교통상황 검지율을 산출하였다. 이를CONVENTIONAL ARTIFICIAL NEURAL NETWORK 및 200*200 DNN과 비교·분석하였다. 비교 결과, 최적구조 선정 후 학습된 DNN의 돌발상황 검지율이 79.5%로 가장 높게 나타났으며, 전체적인 교통상황 검지율이 가장 높은 경우는 200*200으로 설정한 DNN으로 나타났다.