딥러닝 기반의 링크통행시간을 이용한 차량대기길이 추정모형 개발

DC Field Value Language
dc.contributor.advisor이철기-
dc.contributor.author이용주-
dc.date.accessioned2018-11-08T08:14:42Z-
dc.date.available2018-11-08T08:14:42Z-
dc.date.issued2018-02-
dc.identifier.other27528-
dc.identifier.urihttps://dspace.ajou.ac.kr/handle/2018.oak/11778-
dc.description학위논문(박사)--아주대학교 일반대학원 :건설교통공학과,2018. 2-
dc.description.abstract본 연구는 교통운영 개선에 필요한 빅데이터․인공지능 모델 개발의 일환으로서, 도시부의 링크통행시간 및 통과교통량 등 가용 데이터 등을 이용하여 교통변수로 활용도가 높은 차량대기길이와의 관계를 딥러닝(Deep Learning)을 통해 학습하고 추정하는 인공지능 모델을 구축하는 것을 목표로 하였다. 링크별로 다양한 차량대기길이 분포를 수용하는 통합모형 개발을 위해 6개의 중요교차로를 포함한 총 11개의 교차로와 중요교차로 간을 연결하는 14개 링크로 구성된 수원시 CBD 지역 내의 네트워크를 공간적 범위로 하여, 해당 네트워크의 도로조건, 신호조건, 그리고 통행속도 등 ITS 데이터를 조사하여 이를 VISSIM 시뮬레이션에 반영하여 데이터를 구득하였다. 차량대기길이와 링크통행시간, 통과교통량 간의 관계를 분석하였다. 차량대기길이는 링크통행시간과 높은 상관관계가 있으며 통과교통량은 특정 링크통행시간에 넓게 분포된 차량대기길이를 분류하는 데 일조하였다. 또한 차량대기길이가 링크를 초과할 때에는 상류부 링크통행시간과 높은 상관관계가 분석되었다. 차량대기길이 추정모형은 데이터 분석결과를 토대로 하여 우선 차량대기길이의 링크 초과여부를 분류한 후 링크 초과 및 링크 미초과 상황에서의 각각의 차량대기길이 추정하는 3개의 모형으로 모델링하였다. 모든 모형은 DNN(Deep Neural Network) 구조를 기반으로 하였으며, 적정 입력변수 및 활성화 함수, 비용 함수, 최적화 알고리즘, 초기화, 학습환경 등을 시나리오에 따라 설정하여 가장 최소의 오차를 나타내는 모형을 각각 선정하였다. 차량대기길이 링크 초과여부 분류 모형은 약 98%의 정확도를 나타냈으며, 링크 미초과 모형은 15% 미만, 링크 초과 모형은 5% 미만의 오차를 각각 나타내었다. 링크별 평균 오차는 12%로 도출되었다. 이를 기존 실시간 신호제어시스템과 비교 분석한 결과 오차가 약 39% 감소된 것으로 분석되었다.-
dc.description.tableofcontents제 1 장 서 론 1 제 1 절 연구 배경 및 목적 1 제 2 절 연구 내용 및 방법 4 제 2 장 이론적 고찰 6 제 1 절 차량대기행렬 정의 및 활용분야 6 1. 차량대기행렬 정의 6 2. 차량대기행렬 활용분야 8 제 2 절 차량대기행렬 관련 연구 9 1. 차량도착분포 기반 연구 9 2. 검지기 데이터 기반 연구 10 3. 차량 궤적 데이터 기반 연구 11 4. 통행시간 기반 연구 13 5. V2X통신 데이터 기반 연구 14 제 3 절 딥러닝 이론 15 1. 딥러닝 개요 15 2. 딥러닝 이론 17 3. 딥러닝 모델 30 4. 딥러닝 프레임워크 31 제 4 절 기존 연구와의 차별성 32 제 3 장 데이터 구축 및 분석 33 제 1 절 데이터 구축 33 1. 개요 33 2. 차량대기길이 관련 변수 선정 34 3. 대상 네트워크 현황 36 4. 데이터 수집환경 및 변수정의 42 5. 데이터 구축결과 44 제 2 절 데이터 분석 45 1. 개요 45 2. 통행시간 및 차량대기길이 발생 현황 46 3. 변수 간 상관관계 분석 56 4. 링크 초과 상황에서의 변수 간 상관관계 분석 61 5. 데이터 분석결과 63 제 4 장 딥러닝 기반 차량대기길이 추정모형 개발 64 제 1 절 개요 64 1. 모형 개요 64 2. 개발 방법 65 제 2 절 차량대기길이 링크 초과여부 분류모형 66 1. 로지스틱 회귀 고찰 66 2. 딥러닝 기반 차량대기길이 링크 초과여부 추정모형 69 3. 학습 및 검증을 통한 최적모형 선정 71 제 3 절 차량대기길이 링크 미초과 추정모형 73 1. 입력변수 설정 73 2. DNN 모델링 73 3. 학습 및 검증을 통한 최적모형 선정 75 제 4 절 차량대기길이 링크 초과 추정모형 77 1. 입력변수 설정 77 2. DNN 모델링 77 3. 학습 및 검증을 통한 최적모형 선정 79 제 5 절 링크별 차량대기길이 추정 결과 81 제 5 장 모형 평가 및 교통서비스 구상 84 제 1 절 차량대기길이 추정모형 평가 84 1. 평가 개요 84 2. 검지기 데이터 기반 차량대기길이 산출 85 3. 개발모형의 차량대기길이 추정 결과 91 4. 평가 결과 93 제 2 절 차량대기길이 기반 교통서비스 구상 95 1. 차량대기길이 활용방향 95 2. 차량대기길이 기반 도시부 교통서비스 96 제 6 장 결론 및 향후 연구 100 제 1 절 결론 100 제 2 절 향후 연구 102 참고 문헌 103-
dc.language.isokor-
dc.publisherThe Graduate School, Ajou University-
dc.rights아주대학교 논문은 저작권에 의해 보호받습니다.-
dc.title딥러닝 기반의 링크통행시간을 이용한 차량대기길이 추정모형 개발-
dc.title.alternativeDevelopment of an Estimation Model of Vehicle Queue Length Using Link Travel Time based on Deep Learning-
dc.typeThesis-
dc.contributor.affiliation아주대학교 일반대학원-
dc.contributor.alternativeNameLee yong Ju-
dc.contributor.department일반대학원 건설교통공학과-
dc.date.awarded2018. 2-
dc.description.degreeDoctoral-
dc.identifier.localId800861-
dc.identifier.urlhttp://dcoll.ajou.ac.kr:9080/dcollection/jsp/common/DcLoOrgPer.jsp?sItemId=000000027528-
dc.subject.keyword딥러닝-
dc.subject.keywordDeep Learning-
dc.subject.keyword링크통행시간-
dc.subject.keyword차량대기길이-
dc.subject.keyword추정모형-
Appears in Collections:
Graduate School of Ajou University > Department of Construction and Transportation Engineering > 4. Theses(Ph.D)
Files in This Item:
There are no files associated with this item.

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse