139. 샘플링된 차량 궤적 데이터를 이용한 신호 교차로에서의 신호 간 대기열 예측 모델 / 이혜진, 여화수

포스터세션, , 27(금) 12:50-13:20, 라카이볼룸Ⅱ 

샘플링된 차량 궤적 데이터를 이용한 신호 교차로에서의 신호 간 대기열 예측 모델 / 이혜진(한국과학기술원(KAIST)), 여화수(한국과학기술원(KAIST))

교통 혼잡은 도시 지역에서 흔히 발생하는 문제로, 혼잡을 완화하고 도로를 효율적으로 관리하기 위해서는 대기열 길이의 정확한 예측이 필요하다. 대기열 길이 예측에 관한 기존 연구는 정적 센서의 공간적 한계로 인해 혼잡한 교통 상황에서 대기열 길이를 예측하는 데 어려움을 겪었다. 차량 데이터를 활용한 연구는 차량의 표본 크기가 충분하지 않을 경우 예측 성능이 불안정하고 확률론적 모델링은 실제 교통 상황을 정확하게 반영하지 못하는 경우가 많다. 이러한 한계를 극복하기 위해 본 연구에서는 교통 공학의 충격파 이론을 이용해 샘플링된 차량 궤적을 처리하여 대기열 길이를 예측하는 딥러닝 기반의 새로운 방법론을 제안한다. 본 방법론은 차량 특성 추출, 대기열 추정 및 예측의 세 단계로 구성된다. 차량 특성 추출 단계에서는 대기열 내 차량 궤적을 분석하여 충격파 이론을 반영한 특성 데이터를 추출한다. 대기열 추정 단계에서는 앞서 추출된 데이터를 기반으로 상류, 대상 도로, 하류 각각의 대기열 길이를 추정한다. 대기열 길이 추정은 충격파 이론을 기반으로 차량 궤적 데이터를 통합하고 각 도로마다 심층 신경망을 병렬로 연결하여 각 신호의 대기열 길이를 추출한다. 본 프레임워크에서는 대기열 길이를 예측하기 위해 장단기 메모리(LSTM)를 활용하여 인접 링크 데이터를 고려하여 다음 주기에 해당하는 대상 도로의 대기열 길이를 예측한다. 이전 연구들과는 달리 하류 도로를 예측에 사용함으로써, 대상 도로의 정체나 하류 도로의 과포화 상태를 모델에 반영할 수 있었으며, 각 링크의 개별 특성이 대상 도로의 대기열 길이에 미치는 영향력을 분석하였다. 평균 절대 오차(MAE)는 최저 약 차량 3대 수준으로 제안된 대기열 길이 추정 및 예측 통합 구조 모델의 잠재력을 입증하였다. 요약하면, 본 연구는 충격파 이론을 적용한 딥러닝 모델을 개발하여 신호가 있는 교차로의 다양한 교통 수요 상태에서도 샘플링된 차량 데이터를 기반으로 정확하고 효율적으로 대기열 길이를 예측할 수 있다. 이 연구는 기존의 한계를 극복하고 다양한 실시간 교통 시스템의 기반이 될 수 있다.