Performance Evaluation of Classifiers by Machine Algorithm at Freeway On-Ramp

Abstract

고속도로 합류부에서는 본선부차선과 합류부차선의 교통류가 혼입됨에 따른 상호작용뿐만 아니라 다양한 교통영향인자(즉, 교통량의 상태, 도로기하구조, weaving, 운전자 행태에 따라 달라지는 개인적 반응 등)로 인하여 차로변경여부를 예측하는 것은 매우 어렵다. 또한, NGSIM US-101 데이터는 동일한 교통상황에서 한 운전자가 여러 번에 걸쳐 비합류 결과(non-merge event)를 발생시키는 반면, 1개의 합류결과(merge event)만을 생성하는 데이터 구조를 갖기 때문에 본질적으로 불균형 데이터가 만들어 진다. 즉, 다수의 rejected cases에 비해 소수의 accepted cases로 구성된다. 이와 같이 불균형 데이터 구조를 갖고 차로변경여부의 판정은 다수의 경우에 편중(biased)하게 되기 때문에 종종 accepted cases를 rejected cases로 오분류될 수 있다. 강제차로변경(MLC) 환경 하에서 합류차량의 차로변경의 판정을 위해 제안된 분류기들의 성능을 향상시키고, 불균형 데이터를 완화시키기 위해서 본 연구의 전략은 3가지로 요약될 수 있다. 첫째는, 자료 불균형문제 해결을 위해 데이터 샘플링기법을 도입하여 분할표(contingency matrix)와 이를 활용한 다양한 평가지표(skill scores) 및 ROC/PR 곡선을 통해 분류성능을 보이고자 한다. 이 목적을 위해 먼저 MATLAB 프로그램에 내장되어 있는 Hampel 필터링 기법을 사용하여 비정상적 이상치의 제거와 측정오차를 저감시켰다. 또한 rejected cases의 개수를 줄이기 위해 데이터저장을 위해 EXCEL Spread Sheet에 많이 사용되는 평균화에 의한 복제데이터 제거(duplicate elimination by averaging)와 샘플링 시간간격 조절에 의한 데이터 축약(data reduction by sampling time interval) 방법이 모색되었다. 둘째는, 최근 통계학, 의학 및 전산학 등에 많이 사용되는 기계학습(machine algorithm)에 기초를 둔 비모수법 형태의 SVM(서포트벡터 기계학습)과 EBM(앙상블 부스팅법)으로 기존에 많이 통용되어 왔던 모수법인 BLM(이분형 로지스틱 모델)과 비교하여 합류부에서의 차로변경 여부에 대한 예측을 상호비교 하였다. 참고로 BLM은 여러 매개변수의 선형조합으로 정의되는 확률함수로 차로변경 여부를 판정한다. 셋째는, MIT공대의 Choudhury가 2007년에 제안한 예상간격모델(anticipated gap model)로 기존에 사용되었던 합류차량과 주변차량이 등속운동을 한다는 가정하에 계산되는 인접간격(adjacent gap)에 합류차량을 중심으로 선행 및 후행차량이 차로변경을 하는 동안 가속운동을 한다는 가정하에 주변차량의 동적효과에 의한 추가적인 간격변동을 고려하는 방식이다. 차로변경을 결정하는 임계간격(critical gap)은 차로변경에 큰 영향을 주기 때문에 새롭게 제안된 모델을 반영하여 분류성능 효과를 확인하고자 하였다. 한편 제안하는 기게학습 기반 분류기들의 확장성을 보이기 위해 분할표에서 True-Positive(분류기에 의해서도 합류판정, 측정값도 합류판정인 차량)로 분류된 차량만을 갖고 실제 미시교통해석(microscopic traffic analysis)을 수행하였다. 차량궤적의 그래프작성을 통해 차로변경 결정(decision making process)을 구분하고 합류행태를 직접합류(direct merging), 추적합류(chase merging) 및 기타합류로 분류하였다. 이 목적을 위해 차량궤적을 구분하기 위해 K-means 클러스터링 알고리즘이 적용되었다. 각각의 분류기에서 생성된 합류차량의 횡방향 변위와 실제 측정치와의 오차분석을 수행하였다. 특히, 직접합류의 경우 BLM은 많은 오차를 SVM과 EBM에 비해 보여주었다. 또한, 샘플링 시간간격을 통한 데이터 축약기법에 의해 데이터의 횡방향 변위와 시간에 대한 분포를 도시하여 분류기의 성능평가 및 오차분석이 수행되었다. 자세한 차량궤적의 데이터는 NGSIM(Next Generation Simulation) US-101 구간데이터가 사용되었다. 여러 분석과 평가를 통해 다음과 같은 결과가 도출되었다. 즉, 기계학습 기반의 비모수 분류기는 NGSIM 데이터의 불균형 정도에 상관없이 기존의 모수법 기반의 분류기에 비해 개선된 예측정확도를 보여준다. 그리고 데이터 샘플링기법과 예측간격모델(anticipated gap model)은 데이터 불균형을 완화시키고 데이터의 질을 높여 주는 것으로 판단된다.