earticle

영어

With the advent of big data, traffic prediction has been developed based on historical data analysis methods, but this method deteriorates prediction performance when a traffic incident that has not been observed occurs. This study proposes a method that can compensate for the reduction in traffic prediction accuracy in traffic incidents situations by hybrid approach of machine learning and traffic simulation. The blind spots of the data-driven method are revealed when data patterns that have not been observed in the past are recognized. In this study, we tried to solve the problem by reinforcing historical data using traffic simulation. The proposed method performs machine learning-based traffic prediction and periodically compares the prediction result with real time traffic data to determine whether an incident occurs. When an incident is recognized, prediction is performed using the synthetic traffic data generated through simulation. The method proposed in this study was tested on an actual road section, and as a result of the experiment, it was confirmed that the error in predicting traffic state in incident situations was significantly reduced. The proposed traffic prediction method is expected to become a cornerstone for the advancement of traffic prediction.

한국어

빅데이터의 등장과 더불어 교통 상태 예측은 과거 이력 데이터 분석 방식에 힘을 싣고 발전 되어 왔으나, 이 방법은 관측된 적 없는 돌발 상황에 충분히 대응하지 못한다는 약점이 있다. 본 연구에서는 기계학습과 시뮬레이션 기법의 융합을 통해 돌발 상황 발생 시 교통 상태 예측 정확도 감소를 보완할 수 있는 예측 기법을 제시한다. 데이터 기반 방식의 맹점은 과거에 관측 된 적 없는 데이터 패턴이 인지되었을 때 드러난다. 본 연구에서는 시뮬레이션을 이용하여 과 거 이력 데이터를 보강하는 방법으로 문제를 해결하고자 하였다. 제시한 방법은 기계학습 기 반의 교통 예측을 수행하고, 예측 결과와 실시간으로 수집되는 교통 데이터를 지속적으로 비 교하여 돌발 상황 발생 여부를 판단한다. 돌발 상황이 인지되었을 시, 시뮬레이션을 통해 생성 한 데이터베이스를 활용하여 예측을 수행한다. 본 연구에서 제시한 방법은 실제 도로 구간을 대상으로 검증되었으며, 검증 결과 돌발 상황에서의 교통 상태 예측 정확도 향상을 확인할 수 있었다. 본 연구에서 제시한 융합 교통 예측 방법은 향후 교통 예측 고도화에 이바지할 수 있 을 것으로 전망된다.