딥러닝 모델을 활용한 신호교차로 대기행렬길이 예측

DC Field Value Language
dc.contributor.advisor이상수-
dc.contributor.author나다혁-
dc.date.accessioned2022-11-29T02:32:35Z-
dc.date.available2022-11-29T02:32:35Z-
dc.date.issued2021-02-
dc.identifier.other30754-
dc.identifier.urihttps://dspace.ajou.ac.kr/handle/2018.oak/20132-
dc.description학위논문(석사)--아주대학교 일반대학원 :교통공학과,2021. 2-
dc.description.abstract국내 도시에서는 지속적으로 일상적인 교통 혼잡이 발생되고 있다. 이러한 문제를 해결하기 위하여 교통 혼잡을 대표하는 미시적 변수인 예측 대기행렬길이 정보를 제공하여 통행시간을 단축하여 해소하는 방법이 있다. 그러나, 기존 대기행렬길이 예측 모델의 경우 루프 기반 검지기자료를 이용하여 신뢰성이 부족하며 예측 정확도가 부족하다. 하여, 본 연구에서는 영상 검지기 기반의 딥러닝 기반 대기행렬길이 예측 모델을 구축하여 정확성을 향상시키고자 하였다. 연구의 공간적 범위는 강남구 대치역 교차로의 학여울역 방면 접근로로 설정 하였으며, 시간적 범위는 2020년 08월 01월부터 2020년 10월 31일까지로 정하였다. 대기행렬길이, 점유율, 교통량 등이 수집되는 영상 검지기 자료를 이용하여 데이터 셋을 구축하였다. 본 연구에서는 딥러닝 모델의 성능을 검증 하기 위하여 비교 모델로서 다중회귀분석 모형을 선정하였다. 다중회귀분석을 통해 유의성 검정을 진행한 결과, 대기행렬길이에 대한 유의한 변수들은 시간, 요일, 점유율, 버스 교통량인 것으로 도출되었다. 이를 바탕으로 다중회귀분석 예측 모형식을 도출하였다. 딥러닝 모델의 경우 Look Back이 6일 때, 은닉층이 4겹일 때, 모델의 성능이 가장 뛰어난 것으로 도출되어 이를 바탕으로 대기행렬길이 예측 모델을 구축하였다. 또한, 각 성능은 평균절대오차와 평균제곱근오차를 이용하여 평가하였다. 하루 동안의 대기행렬 길이를 예측한 결과, 다중회귀분석 모형에 비하여 딥러닝 모델의 평균절대오차가 약 52.8%와 평균제곱근오차가 약 52.3% 낮은 것으로 분석되어 딥러닝을 기반으로 구축한 대기행렬길이 예측 모델의 정확도가 뛰어나다는 결과를 도출하였다. 본 연구에서 제시한 딥러닝 기반 대기행렬길이 예측 모델은 높은 정확도를 기반으로 도로 이용자에게 정보 제공 측면에서 교통 혼잡을 완화할 수 있는 용도로 이용 가능할 것으로 사료된다.-
dc.description.tableofcontents제1장 서론 1 제1절 연구의 배경 및 목적 1 제2절 연구의 방법 및 절차 3 제2장 이론적 배경 5 제1절 관련 이론 고찰 5 제2절 선행 연구 고찰 10 제3절 시사점 16 제3장 자료 수집 및 분석 17 제1절 개요 17 제2절 자료 수집 19 제3절 자료 가공 25 제4절 기초 분석 27 제4장 모델 구축 및 평가 31 제1절 개요 및 절차 31 제2절 모델 평가 지표 선정 33 제3절 모델 구축 34 제4절 평가 결과 41 제5장 결론 및 향후 연구과제 44 제1절 결론 44 제2절 향후 연구과제 45-
dc.language.isokor-
dc.publisherThe Graduate School, Ajou University-
dc.rights아주대학교 논문은 저작권에 의해 보호받습니다.-
dc.title딥러닝 모델을 활용한 신호교차로 대기행렬길이 예측-
dc.title.alternativePredicting a Queue Length Using Deep Learning Model at Signalized Intersection-
dc.typeThesis-
dc.contributor.affiliation아주대학교 일반대학원-
dc.contributor.department일반대학원 교통공학과-
dc.date.awarded2021. 2-
dc.description.degreeMaster-
dc.identifier.localId1203875-
dc.identifier.uciI804:41038-000000030754-
dc.identifier.urlhttp://dcoll.ajou.ac.kr:9080/dcollection/common/orgView/000000030754-
dc.subject.keywordLSTM-
dc.subject.keyword교통-
dc.subject.keyword대기행렬-
dc.subject.keyword딥러닝-
dc.subject.keyword순환신경망-
dc.description.alternativeAbstractDaily traffic congestion continues to occur in domestic cities. In order to solve this problem, there is a method of reducing travel time by providing predicted queue length information as a microscopic variable representing traffic congestion. However, in the case of the existing queue length prediction model, the reliability of the loop-based detector data is insufficient and the prediction accuracy is low. Therefore, in this study, we tried to improve the accuracy by constructing an image detector-based deep learning based queue length prediction model. The spatial scope of the study is set as the approach road toward Hakyeoul Station at the intersection of Dae-chi Station in Gangnam-gu, and the temporal range is set from August 01, 2020 to October 31, 2020. A data set is constructed using image detector data that collects queue length, occupancy, and traffic volume. In this study, the comparison model is selected as a multiple regression analysis model to verify the performance of the deep learning model. As a result of conducting a significance test through multiple regression analysis, it is found that the significant variables for the queue length are time, weekday, occupancy, and bus traffic volume. Based on this, a multiple regression prediction model equation is derived. In the case of the deep learning model, when the Look Back is 6 and the hidden layer is 4 layers, the model's performance is the best, and based on this, a queue length prediction model is constructed. In addition, each performance is evaluated using the mean absolute error and the root mean square error. As a result of predicting the length of the queue for a day, it is analyzed that the mean absolute error of the deep learning model is about 52.8% and the root mean square error is about 52.3% lower than that of the multiple regression analysis model, and the queue length constructed based on deep learning is analyzed. The result is that the accuracy of the prediction model is excellent. It is believed that the deep learning-based queue length prediction model presented in this study can be used to alleviate traffic congestion in terms of providing information to road users based on high accuracy.-
Appears in Collections:
Graduate School of Ajou University > Department of Transportation System Engineering > 3. Theses(Master)
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