개인 운전자의 주행 특성을 반영한 속도 예측 기법 = Speed prediction by reflecting an individual driver's driving characteristics

국문 초록 (Abstract)

지능형 교통체계 (ITS: intelligent transport system)의 확산과 교통정보 저장 기술의 발달로 인하여 전국의 도로에서 하루에도 수천만 건의 교통 속도 데이터들이 수집되고 있으며, 시간의 흐름에 따라 생성되는 방대한 양의 데이터를 효율적으로 처리하는 방법과 신뢰성 있는 통행 속도 정보 예측이 중요한 연구 주제가 되고 있다. 이러한 교통 정보 시스템의 발달로 교통 정보에 대한 다양한 분석이 가능해 졌지만 운전자의 개인특성을 반영한 교통 정보의 분석은 아직까지 연구가 거의 이루어지고 있지 않은 분야이다. 본 논문에서는 도로유형, 시간대 등의 속성 (attribute)을 고려하여 운전자의 개인 특성을 반영한 속도 예측 기법을 제시한다. 데이터 정규화를 통하여 전체 분포에서 상대적 위치를 나타내는 통계량인 z-score를 이용하여 운전자의 개인주행 특성을 정의하고, 개인 특성에 따라 운전자들을 군집 기법인 k-means clustering 알고리즘을 사용하여 군집화 함으로써 군집 단위의 속도 정보 관리 방안을 제안한다. 다음으로, 군집별로 계산된 운전자 주행 특성을 반영하여 목적지 도달 시간 (destination arrival time)을 계산하기 위한 속도를 보정함으로써 속도 예측에대한 정확도를 개선한다. 실험 결과, 본 연구에서 제시한 예측 기법을 사용한 경우, 평균 5.27%, 최대 10.4% 의 오차 개선 효과를 달성할 수 있었다.

다국어 초록 (Multilingual Abstract)

With the development of ITS (intelligent transport system) and traffic information storage technology, tens of millions of data are gathered nationwide on daily basis. It is becoming an important research issue recently to handle such large amount of data efficiently and to perform the reliable traffic speed prediction. It has become possible to analyze various traffic information with the development of the intelligent traffic system, but data analysis that reflects driver's individual driving characteristics has not been considered yet. In this study, we present the speed prediction method considering various attributes such as road types and daily time slots. We have defined a driver's driving characteristic using z-score, which is a statistics for ascertaining the relative position in the entire distribution by normalizing the distribution. We have also presented a process of managing the speed data according to the groups that are generated by clustering drivers using the k-means clustering algorithm. Finally, we propose a new prediction method that corrects the speed for calculating destination arrival time by reflecting the driver’s driving characteristic. Result analysis shows a noteworthy effect by the improvement of error prediction, 5.27% on average and up to 10.4%, using the correction method of speed prediction proposed in this study.

참고문헌 (Reference)

• 1 "지능형 교통체계 관리시스템(표준노드링크)"
• 2 기용걸, "중앙교통정보센터 교통패턴 데이터 구축 방안" 2013
• 3 유영중, "도심 도로의 속도 예측을 위한 KNN 알고리즘 분석" 사단법인 인문사회과학기술융합학회 7 (7): 245-253, 2017
• 4 한국ITS학회, "교통정보 공학론" 청문사 174-189, 2008
• 5 한국도로공사, "교통공학 기초" Koean Expressway Corporation 4-7, 2006
• 6 최보승, "교통 통계 정보를 이용한 속도 패턴 예측에 관한 연구" 한국통계학회 22 (22): 1177-1190, 2009
• 7 조준한, "과거이력자료를 활용한 요일별 패턴분류 알고리즘 개발" 한국ITS학회 10 (10): 11-23, 2011
• 8 Bernd Ludwig, "Recommendation of Personalized Routes with Public Transport Connections" 53 : 97-107, 2009
• 9 Stefan Funke, "Personalized Route Planning in Road Networks" 2015
• 10 Chien-Ming Tseng, "Personalized Prediction of Vehicle Energy Consumption based on Participatory Sensing" 2017
• 11 김동혁, "K-medians 클러스터링과Elbow method를 이용하여 정확도가 향상된 Snort rule classifier" 1400-1402, 2015
• 12 Xing-Yu Chen, "Efficient traffic speed forecasting based on massive heterogeneous historical data" 2014
• 13 Hubert. M, "An adjusted boxplot for skewed distributions" 52 : 5186-5201, 2008
• 14 Yuanyuan Bao, "A personalized route search method based on joint driving and vehicular behavior recognition" 2016
• 15 "A Policy on Geometric Design of Highways and Streets" AASHTO 2011