결과 비교

In document 저작자표시 (Page 53-62)

본 연구는 대구광역시의 도로 중 사용 빈도수 상위 5%의 네트워크에 대해 속도 예 측을 수행하였다. 본 연구에서 제시한 모델은 ResNet을 전이 학습한 모델이며 Ma et al.‘s 모델과 비교하여 분석하였다. 결과적으로 본 연구에서 제시한 모델은 MAE를 기 준으로 약 3.8% 더 높은 성능을 보였다. 정확도 측면에서 향상된 정도가 통계적으로 유의미한 성능의 향상인지 확인하기 위해 각 모델을 통해 생성된 예측 결괏값들 사이 에 차이가 존재하는지 알아보기 위한 통계적 검증 방법을 적용하였다. 검증하기 이전 에 각각의 예측 결과가 정규성을 따르는지 검정하였으며, 표본 개수에 따라 kolmogorov-smirnov test(Smirnov, 1939)를 수행하였다. 식 14는 두 분포의 차이를 나 타낸다.

       (14) 여기서 는 상한(supremum), 는 distribution function을 나타낸다.

정규성 검정 수행결과 Ma et al.’s 모델과 본 연구에서 제시한 모델을 통해 예측한 결괏값의 집합은 모두 정규분포를 따르지 않았다. 그러므로, 비 모수적 검증 방식인 wilcoxon rank sum test를 시행하였다. wilcoxon rank sum test는 서로 다른 두 집단 이 중앙값이 같은 분포에서 추출된 표본이라는 귀무가설을 검정한다.

수행결과 결괏값(p-value < 0.05)이 몹시 작으므로 귀무가설을 기각하고 대립가설을 채택하였다. 두 집단은 같은 중앙값의 분포에서 추출된 표본이 아니며, 이것은 통계적 으로 유의미한 결괏값 생성의 차이라고 있다고 할 수 있다. 그림 5.7은 각 모델의 예측 수행결과의 분포를 나타낸다.

그림 5.7 각 모델의 예측 결괏값 분포

6. 결 론

시간의 영향을 받는 교통 데이터의 특성을 반영하기 위해 사용되었던 기존의 시계열 분석 방식은 네트워크의 규모가 증가함에 따라 정의되어야 하는 모델의 수가 같이 증 가하는 문제가 있었다. 또한. 시간뿐만 아니라 공간에도 종속되어 서로의 상태에 영향 을 미치는 네트워크의 환경에서 기존의 시계열 분석 방식은 각각의 도로 구간별로 모 델을 정의하기 때문에 네트워크의 공간적 상관관계를 고려하지 못한다는 한계가 존재 한다. 이를 보완하고자 합성곱 신경망을 적용하는 방식이 제안되었고 본 연구는 기존 에 적용되었던 합성곱 신경망보다 더 깊은 구조를 가진 ResNet을 전이 학습하여 도로 네트워크의 환경에서 통행 속도를 예측하였다. 예측을 수행하기 위해 모델 학습에 필 요한 이미지 데이터를 이모션에서 제공된 택시 이동 포인트 데이터와 국토교통부에서 제공된 도로 링크 데이터를 공간 조인의 방식으로 결합하여 이미지 데이터를 생성하였 다. 모델을 통해 예측을 수행하여 비교 분석한 결과 기존의 Ma et al.‘s 모델에 비해 ResNet-152를 전이 학습한 모델은 정확도 측면에서 최대 3.8%, 향상되었다. 이는 MAE 값을 척도로 하여 계산된 수치이며, 통계적으로 유의미한 성능의 향상이다.

본 연구의 실험에서 ImageNet의 데이터로 학습이 이루어진 ResNet을 교통 데이터 로 전이 학습을 수행할 경우, satage 3까지 가중치를 고정했을 때 높은 성과를 보인다 는 것을 확인하였다. 이후 본 연구의 데이터에 한정하는 것인지 추가적인 실험이 더 필요할 것으로 보인다. 또한, 본 연구의 모델은 시간과 공간의 영향만을 고려하였기 때 문에 다양한 외적 요소에 영향을 받는 도로 네트워크의 환경을 모두 고려하지 못했다 는 한계가 존재한다. 뿐만 아니라 모델을 학습시킬 때 사용한 이미지 데이터는 택시의 데이터만을 사용하여 생성한 이미지이다. 이러한 데이터로 모델을 구축하였기 때문에 연구에서 제시된 모델을 통해 수행한 예측이 일반적인 도로 네트워크에서의 이동 객체 에 대한 속도를 대표한다고 보기 어렵다. 향후 택시를 포함한 이동 객체의 데이터와 도로 네트워크를 구성하는 다양한 요소들을 고려한 모델을 구축할 필요가 있을 것으로 보인다.

참 고 문 헌

1. 전승배, 오행열, & 정명훈. (2020). 머신러닝을 이용한 해양수질 등급 추정. 대한공 간정보학회지, 28(4), 145-152.

2. 조한선, 이호, & 김영춘. (2014). 2011, 2012 년 전국 교통혼잡비용 추정과 추이 분 석. 한국교통연구원 수시연구보고서, 1-121.

3. Ahmed, M. S., & Cook, A. R. (1979). Analysis of freeway traffic time-series data by using Box-Jenkins techniques (No. 722).

4. Box, G. E., Jenkins, G. M., & Reinsel, G. (1970). Time series analysis:

forecasting and control Holden-day San Francisco. BoxTime Series Analysis:

Forecasting and Control Holden Day1970.

5. Cauchy, A. (1847). Méthode générale pour la résolution des systemes d’équations simultanées. Comp. Rend. Sci. Paris, 25(1847), 536-538.

6. Chen, M., Liu, X., Xia, J., & Chien, S.I. (2004). A dynamic bus‐arrival time prediction model based on APC data. ComputerAided Civil and Infrastructure Engineering, 19(5), 364-376.

7. Chung, J., Gulcehre, C., Cho, K., & Bengio, Y. (2014). Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.

8. Dai, G., Ma, C., & Xu, X. (2019). Short-term traffic flow prediction method for urban road sections based on space–time analysis and GRU. IEEE Access, 7, 143025-143035.

9. Dougherty, M. (1995). A review of neural networks applied to transport.

Transportation Research Part C: Emerging Technologies, 3(4), 247-260.

10. Duchi, J., Hazan, E., & Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. Journal of machine learning research, 12(7).

11. Fukushima, K. (1979). Neural network model for a mechanism of pattern recognition unaffected by shift in position-Neocognitron. IEICE Technical

Report, A, 62(10), 658-665.

12. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).

13. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.

14. Hochreiter, S., & Schmidhuber, J. (1997). LSTM can solve hard long time lag problems. Advances in neural information processing systems, 473-479.

15. Ioffe, S., & Szegedy, C. (2015, June). Batch normalization: Accelerating deep network training by reducing internal covariate shift. In International conference on machine learning (pp. 448-456). PMLR.

16. Jeon, S.B., Jeong, M.H., Lee, T.Y., Lee, J.H., & Cho, J.M. (2020). Bus Travel Speed Prediction Using Long Short-term Memory Neural Network. Sensors and Materials, 32(12), 4441-4447.

17. Jeong, M.H., Lee, T.Y., Jeon, S.B., & Youm, M. (2021). Highway Speed Prediction Using Gated Recurrent Unit Neural Networks. Applied Sciences, 11(7), 3059.

18. Jia, Y., Wu, J., & Du, Y. (2016, November). Traffic speed prediction using deep learning method. In 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC) (pp. 1217-1222). IEEE.

19. Khan, A., Sohail, A., Zahoora, U., & Qureshi, A. S. (2020). A survey of the recent architectures of deep convolutional neural networks. Artificial Intelligence Review, 53(8), 5455-5516.

20. Kiefer, J., & Wolfowitz, J. (1952). Stochastic estimation of the maximum of a regression function. The Annals of Mathematical Statistics, 23(3), 462-466.

21. Kim, Y., Wang, P., Zhu, Y., & Mihaylova, L. (2018, October). A capsule network for traffic speed prediction in complex road networks. In 2018 Sensor Data Fusion: Trends, Solutions, Applications (SDF) (pp. 1-6). IEEE.

22. Kingma, D.P., & Ba, J. (2014). Adam: A method for stochastic optimization.

arXiv preprint arXiv:1412.6980.

23. Krizhevsky, A., Sutskever, I., & Hinton, G.E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25, 1097-1105.

24. LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W.,

& Jackel, L. D. (1989). Backpropagation applied to handwritten zip code recognition. Neural computation, 1(4), 541-551.

25. Ma, X., Dai, Z., He, Z., Ma, J., Wang, Y., & Wang, Y. (2017). Learning traffic as images: a deep convolutional neural network for large-scale transportation network speed prediction. Sensors, 17(4), 818.

26. Ma, X., Tao, Z., Wang, Y., Yu, H., & Wang, Y. (2015). Long short-term memory neural network for traffic speed prediction using remote microwave sensor data. Transportation Research Part C: Emerging Technologies, 54, 187-197.

27. Mou, L., Zhao, P., Xie, H., & Chen, Y. (2019). T-LSTM: A long short-term memory neural network enhanced by temporal information for traffic flow prediction. Ieee Access, 7, 98053-98060.

28. Okutani, I., & Stephanedes, Y. J. (1984). Dynamic prediction of traffic volume through Kalman filtering theory. Transportation Research Part B:

Methodological, 18(1), 1-11.

29. Ren, S., Yang, B., Zhang, L., & Li, Z. (2018, November). Traffic speed prediction with convolutional neural network adapted for non-linear spatio-temporal dynamics. In Proceedings of the 7th ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data (pp. 32-41).

30. Rosenblatt, F. (1957). The perceptron, a perceiving and recognizing automaton Project Para. Cornell Aeronautical Laboratory.

31. Rubin, D. B. (1987). The calculation of posterior distributions by data augmentation: Comment: A noniterative sampling/importance resampling alternative to the data augmentation algorithm for creating a few imputations when fractions of missing information are modest: The SIR algorithm. Journal

32. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1985). Learning internal representations by error propagation. California Univ San Diego La Jolla Inst for Cognitive Science.

33. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. nature, 323(6088), 533-536.

34. Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., ... &

Fei-Fei, L. (2015). Imagenet large scale visual recognition challenge.

International journal of computer vision, 115(3), 211-252.

35. Schafer, J. L. (1999). Multiple imputation: a primer. Statistical methods in medical research, 8(1), 3-15.

36. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.

37. Smirnov, N. V. (1939). On the estimation of the discrepancy between empirical curves of distribution for two independent samples. Bull. Math. Univ.

Moscou, 2(2), 3-14.

38. Spear, M. E. (1952). Charting statistics.

39. Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... &

Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).

40. Tieleman, T., & Hinton, G. (2012). Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural networks for machine learning, 4(2), 26-31.

41. TN, H. D. W. (1959). Receptive fields of single neurones in the cat's striate cortex. Journal of Physiology, 148, 574591.

42. Tran, D. Q., Park, M., Jung, D., & Park, S. (2020). Damage-Map Estimation Using UAV Images and Deep Learning Algorithms for Disaster Management System. Remote Sensing, 12(24), 4169.

43. Van Lint, J. W. C., Hoogendoorn, S. P., & van Zuylen, H. J. (2002). Freeway travel time prediction with state-space neural networks: modeling state-space dynamics with recurrent neural networks. Transportation Research Record,

1811(1), 30-39.

44. Vlahogianni, E. I., Karlaftis, M. G., & Golias, J. C. (2014). Short-term traffic forecasting: Where we are and where we’re going. Transportation Research Part C: Emerging Technologies, 43, 3-19.

45. Weisbrod, G., Vary, D., & Treyz, G. (2003). Measuring economic costs of urban traffic congestion to business. Transportation research record, 1839(1), 98-106.

46. Williams, B. M., Durvasula, P. K., & Brown, D. E. (1998). Urban freeway traffic flow prediction: application of seasonal autoregressive integrated moving average and exponential smoothing models. Transportation Research Record, 1644(1), 132-141.

47. Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, 30(1), 79-82.

48. Zhao, L., Song, Y., Zhang, C., Liu, Y., Wang, P., Lin, T., ... & Li, H. (2019).

T-gcn: A temporal graph convolutional network for traffic prediction. IEEE Transactions on Intelligent Transportation Systems, 21(9), 3848-3858.

49. Zhao, Z., Chen, W., Wu, X., Chen, P. C., & Liu, J. (2017). LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems, 11(2), 68-75.

부 록

도로 네트워크 통행 속도의 이미지화 pseudocode

In document 저작자표시 (Page 53-62)

Related documents