ETRI-Knowledge Sharing Plaform

KOREAN
기술이전 검색
Year ~ Transaction Count Keyword

Detail

Traffic speed prediction in citywide road network

Manager
Lee Yongjin
Participants
Kim Gwan Joong, Kim Kwihoon, Nae-Soo Kim, Marie Kim, You Woongshik, Lee Yongjin, Jun Jong-Arm, Cheol Sig Pyo
Transaction Count
1
Year
2021
Project Code
본 기술은 지능형 교통 시스템(Intelligent Transportation System)을 구축하기 위한 요소 중 하나로, 도로의 통행 속도를 예측하는 기술을 제공한다. 도로에 설치된 센서로부터 수집된 통행 속도 데이터를 이용하여 딥러닝 기반의 예측 모델을 생성하고, 생성된 예측 모델을 이용하여 미래의 통행 속도를 추론하는 기술이다.
1. 목적
- 본 기술은 보다 정확한 도로망 통행 속도 예측 모델을 제공하는데 그 목적이 있다.
- 이를 위해, 본 기술은 직접 연결된 도로뿐만 아니라, 도로망 전체에 대한 연결성을 고려하여 예측 모델을 생성하고, 도로의 통행 속도를 예측한다.

2. 필요성
- 기존의 도로 통행 속도 예측 기술의 경우, 도로의 상호 연결 특성을 고려하지 않고, 개별 도로별로 통행 속도를 예측하였다.
- 또는, 예측 모델 구성 기술의 한계로, 직접 연결된 주변 도로만을 고려하여 통행 속도를 예측하였다.
- 하지만, 도로는 서로 유기적으로 연결되어 있고, 시간의 흐름에 따라 한 도로의 상태는 인접한 도로를 거쳐 멀리 떨어져 있는 다른 도로에도 영향을 미친다.
- 따라서, 보다 정확한 통행 속도 예측을 위해서는 도로의 유기적 연결성을 고려한 예측 모델이 필요하다.
- 주요 특징
* 도로망 연결 구조를 이용한 예측 모델 생성 기능
* 도로망 통행 속도 데이터를 이용한 딥러닝 기반의 예측 모델 학습 기능
* 학습된 모델을 이용한 통행 속도 예측 기능

- 장점
* 지속성 : 예측 모델 학습 기능을 제공함으로써, 예측 모델을 지속적으로 유지 보수 할 수 있음.
* 다양성 : 간단한 인터페이스를 제공하여 다양한 응용 서비스 시스템 구성 가능
* 재활용성 : 학습 기능을 제공함으로써, 다른 환경에서 수집된 도로망 통행 속도 데이터에도 적용할 수 있음.
* 확장성 : 단일화된 인터페이스를 제공하여, 여러 서비스에 적용 가능함.
* 편의성 : 도로의 연결 정보를 입력으로 받아 예측 모델을 생성하므로, 손쉽게 예측 모델을 구성할 수 있음.
* 학습기
- 입력된 도로망 연결 정보로부터 예측 모델 골격 생성
- 학습 데이터를 이용하여 딥러닝 기반의 예측 모델 학습

* 예측기
- 학습된 예측 모델을 이용하여 미래의 통행 속도를 예측


- 도로망 통행 속도 예측(Traffic Speed Prediction) SW (소스코드 제공)
- 도로망 통행 속도 예측 모델
- 요구사항, 시험절차 및 결과서
1. 적용분야 : 지능형 교통 시스템

2. 기대효과
- 기존의 개별 도로 정보에 기반하여 도로 통행 속도를 예측하는 시스템의 한계를 극복하여, 도로망의 연결 구조 정보를 예측 모델에 적용하여 예측 정확도를 향상시킬 수 있다.
- 보다 정확한 예측치를 기반으로 지능형 교통 시스템의 서비스의 질을 향상시킬 수 있다.
- 다양한 형태의 도로망에 적용 가능함으로서 적용 범위가 넓으며 도입 비용을 절감할 수 있다.
- 특히, 이전기술에서 제공하는 확장성을 기반으로 지능형 교통 시스템 분야에서 도로 통행 속도 예측뿐만 아니라 다른 교통 통행 (교통량, 교통 밀도)에 대해서도 같은 방법론을 적용함으로써, 기업이나 관공서에 빠른 인공지능 예측 서비스를 구축하는데 기여할 수 있다.