repository
AADT 교통량 보정을 위한 LSTM 모형 개발
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | 이상수 | - |
| dc.contributor.author | 한대철 | - |
| dc.date.accessioned | 2022-11-29T03:01:27Z | - |
| dc.date.available | 2022-11-29T03:01:27Z | - |
| dc.date.issued | 2022-08 | - |
| dc.identifier.other | 32113 | - |
| dc.identifier.uri | https://dspace.ajou.ac.kr/handle/2018.oak/21176 | - |
| dc.description | 학위논문(박사)--아주대학교 일반대학원 :교통공학과,2022. 8 | - |
| dc.description.abstract | 도로교통량 통계연보에서 제공되는 연평균 일교통량(Annual Average Daily Traffic, AADT)은 교통 및 도로부문에서 중요한 기초 자료로 활용되고 있다. 도로 및 교통분야에서 기초 자료로 활용되고 있는 교통량은 관․학․연․산에서 교통계획, 도로계획, 교통수요 예측 등 다양한 기초 근거자료로 사용되고 있어 정확한 교통량 정보 제공은 무엇보다도 중요한 문제이다. 교통량 정보 수집을 위해 현장에 설치된 장비가 영구적으로 고장 없이 가동되어 정상적인 교통량에 대한 자료를 수집하면 AADT 산출을 위한 자료를 확보하여 신뢰성 있는 정보의 제공이 가능하지만, 현장에 설치된 장비의 고장, 통신 오류 등으로 인해 교통량 자료를 확보할 수 없는 경우가 발생한다. 교통량 자료를 자동 검지하는 최신의 교통량조사 장비 도입을 통해서 기존의 교통량조사 장비가 가진 단점을 보완하여 교통량 이상치 및 결측치는 줄일 수 있겠지만, 교통량 자료의 불확실성을 해결하는 데는 여전히 난제로 남아있다. 본 연구에서는 과거자료의 일관성에 기반한 교통량 보정, 통계학습 알고리즘에 기반한 교통량 보정 연구, 딥러닝을 이용한 교통관련 연구의 선행 연구 고찰을 통해서 다양한 알고리즘을 분석하고 교통량 자료의 특성을 반영하여 예측의 정확도를 향상시킬 수 있는 방법을 연구하였다. 본 연구에서는 딥러닝 모형을 이용한 교통량 보정 및 예측 모형 개발을 통해서 기존에 가지고 있는 한계점(교통량 보정 및 예측 시 장시간 소요, 교통량 장기 결측 시 교통량 보정 및 예측 불가능)을 해결하고자 하였다. 이러한 한계점을 극복하기 위해서 실제 적용이 가능한 망각 게이트를 변형하여 기존의 시계열 딥러닝 방식을 개선한 모형을 구축하였다. 본 연구의 결과로 도로 및 교통 분야에서 기초 근거 자료로 사용되고 있는 교통량의 신뢰성을 확보할 수 있을 것으로 기대되며, 교통량 자료 외 최근에 다양하게 수집되고 있는 시계열 자료에 본 연구의 결과물을 적용할 수 있다는 것이 큰 성과라고 생각된다. | - |
| dc.description.tableofcontents | 제1장 서론 1 제1절 연구의 배경 및 목적 1 1. 연구의 배경 1 2. 연구의 목적 4 제2절 연구의 범위 5 제3절 연구의 수행절차 및 방법 7 제2장 이론적 배경 8 제1절 도로교통량 조사 8 1. 도로교통량 조사 관련 법제도 8 2. 도로교통량 조사 자료의 보정 방법 9 제2절 기존관련 연구 고찰 13 1. 과거자료에 기반한 교통량 보정 연구 13 2. 통계학습법 알고리즘에 기반한 교통량 예측 연구 17 3. 딥러닝을 이용한 교통관련 예측 연구 23 제3절 시계열 분석 알고리즘 고찰 27 1. 전통적 통계기반 알고리즘 28 2. 머신러닝 기반 알고리즘 31 3. 딥러닝 기반 알고리즘 32 제4절 기존 연구와의 차별성 38 제3장 자료수집 및 특성 분석 39 제1절 자료의 수집 39 1. 도로교통량 조사 구간 및 장비 설치 현황 39 2. 자료의 수집방법 41 제2절 자료의 특성 분석 43 1. 자료의 특성 분석 43 2. 유형별 교통량 이상치 특성 분석 55 제4장 모형 개발 및 평가 58 제1절 연구방법론 58 1. 연구방법의 시계열 분석 정의 60 2. 딥러닝 기반 모형의 아키텍처 62 제2절 연구 데이터 특성 및 전처리 63 1. 교통량자료의 결측 및 이상치 63 2. 이상치 검지 66 제3절 모형 성능 평가 방법 71 1. 평균 절댓값 백분율 오차(MAPE) 71 2. 평균 제곱근 오차(RMSE) 71 3. 절대 오차 평균(MAE) 72 4. 시계열 예측 성능 검증 설계 73 제4절 통계학습 및 머신러닝 모형 개발 및 평가 75 1. 통계학습 모형 75 2. 머신러닝 모형 79 제5절 딥러닝 모형 개발 및 평가 82 1. 딥러닝 시계열 분석 설정 82 2. LSTM 모형 87 3. 멱급수 함수를 활용한 LSTM 모형 90 4. 멱급수 함수를 활용한 LSTM 모형의 교통량 예측 93 5. 모형의 예측 성능 검증 결과 98 제5장 결론 및 향후 연구과제 101 제1절 결론 101 제2절 향후 연구과제 103 참고문헌 104 | - |
| dc.language.iso | kor | - |
| dc.publisher | The Graduate School, Ajou University | - |
| dc.rights | 아주대학교 논문은 저작권에 의해 보호받습니다. | - |
| dc.title | AADT 교통량 보정을 위한 LSTM 모형 개발 | - |
| dc.title.alternative | Development of a LSTM Model for AADT Traffic Volume Correction | - |
| dc.type | Thesis | - |
| dc.contributor.affiliation | 아주대학교 일반대학원 | - |
| dc.contributor.department | 일반대학원 교통공학과 | - |
| dc.date.awarded | 2022. 8 | - |
| dc.description.degree | Doctoral | - |
| dc.identifier.localId | 1254119 | - |
| dc.identifier.uci | I804:41038-000000032113 | - |
| dc.identifier.url | https://dcoll.ajou.ac.kr/dcollection/common/orgView/000000032113 | - |
| dc.subject.keyword | AADT | - |
| dc.subject.keyword | LSTM | - |
| dc.subject.keyword | 결측 | - |
| dc.subject.keyword | 교통량 | - |
| dc.subject.keyword | 시계열 | - |
| dc.description.alternativeAbstract | The Annual Average Daily Traffic(AADT) provided in the South Korea Annual Traffic Volume Report is continually utilized as important baseline data in the transportation and road sectors. Providing accurate traffic volume data is crucial because traffic volume, which serves as the baseline data in the road and traffic sectors, is utilized for various places such as traffic planning, road planning, and traffic demand forecasting in governmental, academic, research, and industrial areas. Assuming that the on-site equipment can permanently operate without failure and continue to collect normal traffic volume data, it can provide reliable data by acquiring the data for AADT calculation. However, on-site equipment failures and communication errors do occur and prevent consistent traffic volume data measurement. Resolving the data uncertainty still remains a challenge despite being able to reduce the outliers and missing values of traffic volume by compensating for the shortcomings of the existing traffic volume analysis equipment through the introduction of the latest technology capable of automatically measuring traffic volume data. Various algorithms were analyzed in this study by reviewing previous traffic volume correction studies based on the consistency of prior data, traffic volume correction research based on statistical learning algorithms, and traffic-related analysis using deep learning. Methods to improve prediction accuracy were also researched by mirroring traffic data characteristics. Traffic volume correction and prediction carry challenges as both require a significant amount of time and are impossible when traffic volume measurement is unavailable for an extended time. The study aimed to solve their limitations by developing deep-learning correction and prediction models. A model that improves the existing time series deep-learning method was also constructed to overcome the hurdles by modifying the practically applicable forget gate. The study result is expected to secure the traffic volume reliability used as baseline data in the road and traffic sectors. It is considered a significant achievement to apply the study results to various recently-collected time series data on top of the traffic data. | - |
- Appears in Collections:
- Graduate School of Ajou University > Department of Transportation System 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.
-
- License
- STATISTICS
- Total Visit :3,730,443
- Total Download :1,818
- Today View :8,101
