earticle

한국어

본 연구는 지속적인 교통량 증거와 혼잡 문제 해결을 위한 고속도로의 복잡하고 동적인 패턴을 정교하게 반영할 수 있는 딥러 닝 기반의 GRU 모델을 활용한 고속도로 통행량 예측 모델을 구축한다. 따라서 고속도로 통행량의 시계열적 패턴과 예측 성능 을 비교 및 분석하고 교통류 예측에 적합한 모델을 검토하고자 한다. 전국의 고속도로 VDS 대용량 자료를 활용하여 교통량, 점유율, 평균속도 등의 변수를 포함한 약 6,900만 건의 시계열 데이터를 구축하고 로그 변환과 Min_Max Scaling을 적용한 변 수 전처리 후 각 모델을 동일한 입력 구조와 하이퍼파라미터로 학습한 결과 가장 우수한 예측 성능을 나타낸 GRU 모델로 전체 데이터를 재학습하여 모델의 정밀도를 평가하였다. GRU 모델은 구조의 간결성과 빠른 학습 특성으로 높은 정확도와 안정성을 보이며, 이를 통한 고속도로 교통량 예측 분야에서 딥러닝 기반의 시계열 모델 적용 가능성을 실증적으로 입증하였고, 교통운 영 및 혼잡 완화를 위한 정책 수립에 활용될 수 있을 것으로 기대한다.