Publications
Detailed Information
대용량 자료를 이용한 네트워크 기반 도시간 경로통행시간 예측
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | 이영인 | - |
| dc.contributor.author | 장현호 | - |
| dc.date.accessioned | 2017-07-14T05:32:18Z | - |
| dc.date.available | 2017-07-14T05:32:18Z | - |
| dc.date.issued | 2015-02 | - |
| dc.identifier.other | 000000026607 | - |
| dc.identifier.uri | https://hdl.handle.net/10371/124919 | - |
| dc.description | 학위논문 (박사)-- 서울대학교 환경대학원 : 환경계획학과, 2015. 2. 이영인. | - |
| dc.description.abstract | 오늘날의 도시교통정보를 한 마디로 요약하자면 대용량 자료일 것이다. 첨단기술을 기반으로 하는 스마트 폰과 21세기 지능형교통체계(Intelligent Transport System, 이하 ITS)의 정보수집단을 통해 수집되는 방대한 양의 다양한 교통정보는 대용량 자료의 많은 부분을 점유하고 있으며, ITS분야의 자료환경을 소량의 실시간 자료에서 방대한 이력자료를 포함하는 대용량 자료로 변화시켰다. 이러한 자료환경의 변화에 따라 최근 ITS분야에서는 대용량 자료를 수집․관리․분석하기 위하여 첨단자료관리시스템(Advanced Data Management System, 이하 ADMS)이 도입되고 있다.
ITS의 사회적 편익은 장래 교통상태의 예측을 통한 사전 교통류 관리 및 동적 교통정보제공으로 극대화된다. 따라서 교통상태의 예측은 ITS의 주요 요소 중 하나이며, ITS에서 교통상태 예측시스템은 첨단교통관리시스템과 첨단교통정보시스템의 핵심 하위시스템 중 하나이다. 이와 같이 교통상태 예측기술은 교통상태 예측시스템의 성능과 더불어 ITS의 편익 증대에 있어 밀접한 관련이 있다. 따라서 20세기 말에 ITS가 도입된 이후로 ITS 분야의 예측기술은 다양한 예측모형의 개발을 통해 지속적으로 발전하고 있으며, 하나의 학문분야로 자리잡았다. 기존의 고도화된 예측모형은 예측 정확도 향상이라는 목표를 달성하였으나, 다음의 한계를 가지고 있다. 첫째, 기존모형은 ITS 예측분야의 고질적 문제인 장래 상태의 불확실성을 극복하지 못 하였기 때문에 단기예측의 수준에서 벗어나지 못 하고 있다. 둘째, 많은 경우에 있어 실시간 자료를 이용하도록 설계되었기 때문에 ADMS와 같은 자료관리시스템에 탑재되어 실시간 자료와 대용량 이력자료를 이용하여 교통상태의 예측에 적용하기 어려운 구조적 문제가 있다. 마지막으로 고도화된 모형들은 ITS 시스템에 탑재․운영시 새로운 문제를 발생시키고 있다. 고도화된 모형은 모형의 구조변경, 입․출력 자료의 변경, 파라미터 값의 재정산 등에 교통류의 행태와 예측 모델링에 대한 깊은 이해를 필요로 하기 때문에 예측 모델링 경험이 부족한 현장의 운영요원에게 새로운 장애가 되고 있다. 본 연구에서는 ITS 예측분야의 지속적 도전 과제인 장래 상태의 불확실성을 극복하고 예측영역의 확장을 위하여 실시간 및 대용량 이력 교통자료를 이용한 교통정보 예측기(Forecaster)인 KJC 예측기를 개발하였으며, 다음의 목표를 달성하도록 설계되었다. 첫째, 장래 상태의 불확실성을 극복하기 위한 방안이 고려되었다. 불확실성을 감소시키기 위하여 입력자료의 공간적 영역을 기존의 지점 또는 구간에서 도로망으로 확장하고, 도로망의 소통상태를 이용하여 장래 상태의 불확실성을 감소시켰다. 둘째, KJC 예측기는 ADMS와 같은 자료관리시스템에 탑재되어 도로망 소통상태를 예측하고, 예측된 도로망 소통상태를 이용하여 단․중․장거리 경로통행시간을 예측하도록 개발되었다. 따라서 보다 적극적이고 전술적인 첨단교통관리와 동적 중․장거리 통행시간 정보제공에 활용할 수 있도록 하였다. 이상의 목적으로 개발된 KJC 예측기는 이력자료에 내재된 장래 교통상태 정보를 탐색 및 구축하기 위한 지식탐색 모듈, 군집화 모형을 이용한 의사결정 그룹화 모듈, 그리고 사례기반 추론을 기반으로하는 예측 의사결정 모듈로 구성된다. 3개 모듈은 입․출력 자료구조의 용이한 변경, 결측자료의 자동처리, 파라미터 값의 자동정산, 연산수행속도 등을 고려하여 개발되었다. 본 연구에서 개발된 KJC 예측기의 성능은 대용량 자료환경에서 평가되었다. 경부고속도로 서울-대전 구간을 대상으로 8개월간 약 4억건의 통행사슬 자료를 이용하여 도로구간 소통상태 및 경로통행시간 이력자료를 구축하였으며, 구축된 자료는 총 18,768,960건이다. 다각적인 종합평가 결과, 개발된 교통정보 예측기는 매우 빠른 연산수행속도를 보이면서 장래 6시간까지 도로망의 소통상태를 합리적으로 예측하였다. 그리고 개발된 예측기로 추정된 도시간 경로통행시간의 정확도는 모든 단․중․장거리 통행시간 시나리오에서 기존의 경로통행시간 예측기법들에 비하여 매우 우수하게 나타났다. | - |
| dc.description.tableofcontents | Abstract
Network-based Intercity Path Travel Time Forecasting Using Large-scale Data Chang, Hyun-Ho Department of Environmental Planning The Graduate School of Environmental Studies Seoul National University Todays urban and transportation information can be summarized simply with the words big data. Unimaginably tremendous quantities of information collected by smart-phones and information devices of 21C intelligent transportation systems (ITS) based on edge technology accounts for much of this big data, and changes in the data environment of ITS from small real-time data to big data mean that it now includes vast quantities of historical data as well. With these changes in data environments, advanced data management systems (ADMS) have recently been introduced to process, store, and analyze big data in the field of ITS. The forecasting of traffic conditions along road networks is one of the essential factors with regard to ITS, as the social benefits of ITS can be maximized by proactive traffic management and the provision of dynamic traffic information based on the forecasting of traffic conditions. The traffic state forecasting system is one of the kernel sub-systems of an advanced traffic management system and the advanced traffic information system in ITS. Hence, forecasting technology to generate future states is closely related to increments in ITS benefits and to the performance of the traffic state forecasting system. Various forecasting models, from simple and conventional to refined and sophisticated, have therefore been proposed since ITSs were widely introduced at the end of the twentieth century. Although existing advanced models have essentially achieved the common goal of ITS forecasting with improvements in forecasting accuracy, they have several chronic or emerging problems to be solved. First, the temporal prediction horizon of the models in most cases still operate on the short term | - |
| dc.description.tableofcontents | they cannot from the perspective of long-term forecasting overcome uncertainties in future states, and this remains an unsolved problem in the ITS forecasting area. Second, their structures are not suitable when they are coupled with a data management system such as ADMS and then used to estimate future states using both real-time and historical data, as they are in many cases designed to utilize only real-time data. Lastly, many sophisticated models becoming associated with obstacles which require field staff to manage. These models inevitably require the field staff to possess a deep understanding of the behaviors of traffic flows and forecasting model and then to manipulate the operational factors of these entities, such as structural changes of algorithms, in-and-out alterations of data, recalibrations of parameter values and other such actions.
In this thesis, a traffic information forecaster termed the KJC forecaster is developed based on a combination of k-nearest neighbor nonparametric regression and j-clustering using both real-time and historical data. First, a conquest solution to address the uncertainties of future states is proposed. In order to reduce the uncertainties of future states, the spatial concept of a forecasting model is expanded from an isolated location or link to a road network, after which traffic states, such as link travel speeds and link probe volumes, of the road network are utilized as the inputs to the forecaster. Second, KJC forecaster is designed to be used in conjunction with data management systems such as ADMS and to estimate the future traffic conditions of road networks. This can in turn be used to generate short-, middle-, and long-distance path travel times. The forecaster, therefore, is at the very least suitable for more proactive and tactical advanced traffic management and especially for dynamic intercity path travel times. The KJC forecaster consists of three modules: a knowledge discovery module to search for and compile the information on future traffic states included in the historical data, a clustering module to determine decision-making groups, and a forecasting decision-making module which is based on case-based reasoning. The three modules were developed while considering operational requirements such as multivariate in-and-out data, easy alterations of inputs and outputs, the automatic processing of missing data, the automatic calibration of parameter values, as well as high-speed computing that is actually faster than real-time. The performance of the traffic information forecaster was tested under the circumstances of large-scale data and the test bed was Seoul-Daejeon road section, 142 km, of Gyeongbu motorway. The historical database used, with a data size of 18,768,960 items, was composed of link-based traffic flow information and path travel times which were compiled using nearly four hundred million instances of trip chain data for eight months. This data was collected by means of dedicated short range communications technology. The results show that KJC forecaster estimates accurate traffic conditions, at least from a forecasting perspective, of road networks up to six hours in the future, with high-speed computations. In addition, the forecaster is clearly superior to two compared path travel time methods, instantaneous and experience-based, in terms of prediction accuracy of the path travel time. Therefore, it is clear that KJC forecaster as proposed in this thesis is a promising multivariate long-term traffic flow forecasting approach which is feasible for use with large-scale data. keywords : Advanced Data Management System, Large-scale Data, k-Nearest Neighbor Nonparametric Regression, j-Clustering, Long-term forecasting, Traffic Condition of Road Network, Intercity Path Travel Time Student Number : 2008-30675 | - |
| dc.format | application/pdf | - |
| dc.format.extent | 15647564 bytes | - |
| dc.format.medium | application/pdf | - |
| dc.language.iso | ko | - |
| dc.publisher | 서울대학교 대학원 | - |
| dc.subject | 첨단자료관리시스템 | - |
| dc.subject | 대용량 자료 | - |
| dc.subject | k-최근린 비모수회귀 | - |
| dc.subject | j-클러스터링 | - |
| dc.subject | 장기예측 | - |
| dc.subject | 도로망 소통상태 | - |
| dc.subject | 도시간 경로통행시간 | - |
| dc.subject.ddc | 711 | - |
| dc.title | 대용량 자료를 이용한 네트워크 기반 도시간 경로통행시간 예측 | - |
| dc.type | Thesis | - |
| dc.description.degree | Doctor | - |
| dc.citation.pages | 273 | - |
| dc.contributor.affiliation | 환경대학원 환경계획학과 | - |
| dc.date.awarded | 2015-02 | - |
- Appears in Collections:
- Files in This Item:
Item View & Download Count
Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.