생몰정보
소속
직위
직업
활동분야
주기
서지
국회도서관 서비스 이용에 대한 안내를 해드립니다.
검색결과 (전체 1건)
원문 있는 자료 (1) 열기
원문 아이콘이 없는 경우 국회도서관 방문 시 책자로 이용 가능
목차보기더보기
표제지
목차
Abstract 9
초록 10
제1장 서론 11
1.1. 연구의 배경 11
1.2. 연구의 필요성 및 목적 11
1.3. 연구의 방법 및 구성 14
제2장 선행연구에 대한 고찰 16
2.1. 교통 예보 16
2.2. DSRC 데이터를 이용한 교통정보 제공 22
2.3. 선행연구의 시사점 24
제3장 KNN기반의 교통정체예보 시스템 설계 25
3.1. KNN 알고리즘 25
3.2. KNN 알고리즘 적용방안 27
3.2.1. KNN알고리즘을 통한 교통정체예보 절차 27
3.2.2. 전처리 모듈 31
3.2.3. 날짜리스트 관리 36
3.2.4. 실시간 데이터 처리 39
3.2.5. 광역 구역 매칭(Global Matching) 42
3.2.6. 작은 구역 매칭(Local Matching) 46
3.2.7. 정체(통행시간) 예측 49
제4장 교통정체예보시스템 성능 시험 51
4.1. 시스템 구성 51
4.2. 시험 방법 52
4.3. 시험결과 및 분석 53
제5장 결론 및 향후과제 55
5.1. 결론 55
5.2. 향후과제 55
참고문헌 57
[표 2-1] 중요 seasonal 특성변수 20
[표 3-1] 구간별 속도자료 26
[표 3-2] 예측에 사용되는 데이터 테이블 30
[표 4-1] 검증 내용 52
[표 4-2] 신뢰도 비교 결과 54
[그림 1-1] 교통예보 웹서비스화면 13
[그림 1-2] 연구의 절차 15
[그림 2-1] 교통예보 흐름 17
[그림 2-2] 패턴교통정보의 생성방법 19
[그림 2-3] Tmap 예측 교통정보의 개요 20
[그림 2-4] 기지국의 해당데이터에 기반한 교통량-속도 곡선 21
[그림 2-5] 기지국 이동량 정보와 통행속도간의 상관관계 그래프 22
[그림 3-1] KNN적용 개요 28
[그림 3-2] 세부적용 방안 29
[그림 3-3] EX_CITY_SPEED_DSRC_REALTIME 테이블 31
[그림 3-4] 데이터의 분류 및 저장 방법(Local DSRC) 32
[그림 3-5] Missing data의 처리 프로세스 33
[그림 3-6] Health data 생성 34
[그림 3-7] Health data와 Value data의 구분 35
[그림 3-8] Hybrid 데이터 작성 35
[그림 3-9] 글로벌구역별 리스트 관리 테이블 37
[그림 3-10] 헬스 데이터를 기반으로 한 날짜 제거 전후의 예시 38
[그림 3-11] 글로벌 매칭 리스트 저장 39
[그림 3-12] 실시간 데이터 처리(Value, Health) 40
[그림 3-13] 실시간으로 추출된 VDS Value Data 41
[그림 3-14] 실시간으로 추출된 VDS Health Data 41
[그림 3-15] 광역구역 매칭 흐름 42
[그림 3-16] 광역구역 매칭시 날짜 리스트 관리 테이블 43
[그림 3-17] 고속도로 각 구역별 날씨 정보 43
[그림 3-18] 날씨, 요일 형식의 분류 후의 날짜 관리 44
[그림 3-19] 글로벌 매칭 결과물 및 상위 20개 날짜의 선정 45
[그림 3-20] 글로벌 매칭 결과 저장 폴더 46
[그림 3-21] 글로벌 매칭 기반의 로컬 매칭 비교 테이블 구성 47
[그림 3-22] 로컬 매칭 결과물 및 상위 날짜의 선정 48
[그림 3-23] 로컬 매칭 결과 저장 48
[그림 3-24] DSRC 각 Link에 대한 미래 속도 산출 49
[그림 3-25] 출발 도착지간의 통행시간 예측 50
[그림 4-1] 예측시스템아키텍처 51
[그림 4-2] 기능 구성도 51
[그림 4-3] 서울⇔대전간 예측신뢰도 측정결과 53
초록보기 더보기
일평균 400만대, 연간 3.4%의 지속적 교통량 증가를 보이는 고속도로 교통상황에서 고속도로 이용고객을 대상으로 실시간 교통정보 등 다양한 교통정보가 제공되고 있다. 고속도로라는 고정된 물리적 환경에서 교통정체를 미리 회피하고자 하는 고속도로이용객은 물론, 교통상황을 관리하는 교통관리자에는 기존의 실시간 교통정보뿐만 아니라 미래에 대한 예보정보가 절실한 상황이다. 이에 소요시간을 예측하는 다양한 통계적, 시뮬레이션 예측방법 등을 사용하고 있다. 본 논문은 다양한 교통정보를 활용하여 KNN알고리즘기반의 교통 정체예측기법을 제시하고자 한다. 이를 위해 고속도로에서 수집되는 다양한 교통정보를 융합하는 방안과 이를 이용한 소구간별 정체패턴을 예측할 수 있는 방법을 제시하였다. KNN알고리즘을 이용하되 교통량을 기준으로 유사날짜를 선정하고, 선택된 날짜중에서 구간별 정체상황이 유사한 날짜를 선택하는 Multi-KNN알고리즘을 적용하였다. 예측된 3~4km구간 단위의 소구간 정체를 연계하여 구간별 통행속도를 산출하고 이를 통행예측시간으로 변환하여 검증하였다. 정체가 많이 발생하는 토요일과 일요일의 정체시간대(10~22시)를 대상으로 서울중심의 주요 도시간 예측소요시간을 실제 통행시간과 비교하였다. 검증결과 실제 통행시간과 비교하여 정확도 91%의 성과를 얻을 수 있었다.
원문구축 및 2018년 이후 자료는 524호에서 직접 열람하십시요.
도서위치안내: / 서가번호:
우편복사 목록담기를 완료하였습니다.
* 표시는 필수사항 입니다.
* 주의: 국회도서관 이용자 모두에게 공유서재로 서비스 됩니다.
저장 되었습니다.
로그인을 하시려면 아이디와 비밀번호를 입력해주세요. 모바일 간편 열람증으로 입실한 경우 회원가입을 해야합니다.
공용 PC이므로 한번 더 로그인 해 주시기 바랍니다.
아이디 또는 비밀번호를 확인해주세요
