A Recurrent Neural Network for Estimating Speed Using Probe Vehicle Data in Urban Traffic Network

Abstract

Urban traffic flows are characterized by complexity. Due to this complexity, limitations arise when using models that have commonly been using to estimate the speed of arterial road networks. This study analyzes the characteristics of the speed data collected by the probe vehicle method in links on the urban traffic flow, presents the limitations of existing models, and develops a modified recurrent neural network model as a solution to these limitations. In order to complement the limitations of existing models, this study focused on the interrupted flow characteristics of urban traffic. Through data analysis, we verified the separation of platoons and high-frequency transitions as phenomena in interrupted flow. Using these phenomena, this study presents a two-step model using the characteristics of each platoon and the selected dropout method that applies traffic conditions separately. In addition, we have developed an active imputation method to deal with frequent missing data in data collection effectively. The developed model not only showed high accuracy on average, but it also improved the accuracy of certain states, which is the limitation of the existing models, increased the correlation between the estimated value and the estimated target value, and properly learned the periodicity of the data.

도시교통류는 복잡성을 내재하고 있다. 이 복잡성으로 인해, 일반적으로 지역간 간선 도로 네트워크의 속도를 추정하던 모형들을 사용할 경우 여러가지 한계점이 발생하게 된다. 본 연구는 도시교통류 상의 링크에서 프로브 차량 방식으로 수집된 속도자료의 특성을 분석하고, 기존 모형의 한계점을 제시하고, 이러한 한계점에 대한 해법으로서 변형된 순환형 신경망 모형을 개발하였다. 모형 개발에 있어, 기존 모형의 한계점을 보완하기 위해, 본 연구에서는 도시교통류의 단속류적 특징에 주목하였다. 자료 분석을 통해, 본 연구에서는 단속류에서 나타나는 현상으로서 차량군의 분리와 높은 빈도의 전이상태 발생을 확인하였다. 해당 현상들을 이용하여, 본 연구에서는 각 차량군의 특징을 이용한 이용한 2단계 모형과, 교통 상태를 분리하여 적용하는 선택적 드롭아웃 방식을 제시하였다. 추가적으로, 자료의 수집에 있어 빈발하는 결측 데이터를 효과적으로 다루기 위한 능동적 대체 방식을 개발하였다. 개발 모형은 평균적으로 높은 정확도를 보일 뿐 아니라, 기존 모형들의 한계점인 특정 상황에 대한 정확도를 제고하고 추정값과 추정 대상값의 상관관계를 높이며, 자료의 주기성을 적절하게 학습할 수 있었다.