데이터 증폭을 통한 도시부 간선도로에서의 유고시 속도 예측 인공신경망 모델 개발

Abstract

교통혼잡 완화를 위한 방법으로 ITS 분야에서는 교통속도를 예측하고 도로 이용자에게 예측 정보를 제공하여 교통량을 분산시키는 방법이 있다. 교통속도 예측 연구는 대부분 반복적인 교통체증에 대하여 시계열 예측 모델을 적용하고 평균적인 오차율을 활용하여 검증을 수행해왔다. 본 연구에서는 서울특별시 내부순환도로를 기준으로 기존 속도예측 연구에서 발전하여 반복 정체에 대하여 속도를 지속적으로 예측하나 유고상황이 발생하였을 시 비반복 정체에 대응하는 모델을 단일 인공신경망 모듈로 구성하여 속도를 예측하고자 하였다. 또한, 유고 상황에 대응하는 예측 모델에 대하여 교통 시뮬레이션 기반의 데이터 증폭 방법을 통한 성능 개선 방법을 제시하였다. 연구 내용은 총 두 부분으로 나눠 서술하였다. 첫 번째 부분에서는 유고 상황을 고려한 속도 예측 방법을 제시하였다. 속도 예측 모델 개발 방법으로 반복정체가 발생하는 정상 교통류 속도 예측 모델은 속도 외의 데이터에 대하여 속도에 미치는 영향에 대하여 시·공간적 분석을 수행하고 분석한 결과는 예측 모델의 입력 데이터를 선정하기 위하여 활용되었다. 선정된 입력 데이터는 시계열 예측에 유리한 LSTM 모델에 학습 데이터로 조합하여 실험적 방법으로 결정하였다. 유고 상황 발생에 대응하는 모델은 유고 이후 속도의 시·공간적 변화를 분석하였고 유고 이후 속도 예측의 범위를 구성하여 예측 모델의 구조를 결정하였다. 모델은 LSTM 모델, 공간적 해석에 뛰어난 성능을 보이는 CNN 모델, CNN-LSTM 모델의 예측 오차율을 검증하여 성능을 평가하였다. 그 결과 반복정체를 포함하는 정상적인 교통류의 경우 평균 절대 오차기준 7.43km/h로 예측하였고 유고 발생 시 7.66km/h의 오차율로 예측하였다. 두 번째 부분은 첫 번째 부분에서 수행한 유고 이후 속도 예측에 대하여 세부적인 검토와 성능 개선 방법에 대하여 연구를 수행하였다. 유고 다발 링크에 대하여 유고 발생 시 속도의 시·공간적 특성에 대하여 분석하였으며 분석한 결과를 기반으로 예측 모델의 구조와 데이터 증폭 방법을 설정하였다. 또한, 모델의 성능 개선을 위하여 교통 시뮬레이션을 활용하여 학습 데이터인 유고 전후의 속도 데이터를 증폭하는 방법을 제시하였다. 데이터의 증폭의 횟수를 구분하여 SVR, LSTM, CNN-LSTM 모델에 학습한 결과를 비교 검증하여 성능을 평가하여 데이터 증폭의 효과를 분석하였다. 그 결과 CNN-LSTM 모델에서 평균 절대 오차기준 17.83km/h에서 14.79km/h로 개선할 수 있었다. 본 연구에서 제시한 방법을 활용하여 속도 예측 정보를 개선하여 유고 발생 시 유고가 도로에 미치는 영향을 속도로 예측함으로서 적절한 교통 안내를 통한 교통체증 완화와 서비스 수준 개선이 가능할 것으로 기대된다.