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
1장 서론 10
1절 연구배경 10
2절 연구목적 11
3절 관련연구 13
2장 제안 방법 16
1절 교통 데이터 정의 17
2절 이상치 제거 19
3절 운전자 주행 특성 정의 22
(1) index를 이용한 운전자 주행 특성 정의 22
(2) z-score를 이용한 운전자 주행 특성 정의 23
4절 속성 클래스 통합 25
(1) 교통류 클래스 통합 26
(2) 요일 클래스 통합 27
(3) 시간대 클래스 통합 27
(4) 도로 (단속류) 길이 클래스 통합 28
5절 분류 및 군집 32
(1) Axis 분류 33
(2) k-means 군집화 36
6절 그룹별 운전자 특성을 반영한 속도 예측 38
(1) Index를 반영한 속도 예측 39
(2) z-score를 반영한 속도 예측 39
3장 실험 및 결과분석 40
1절 실험 준비 40
2절 실험 결과 40
(1) 그룹에 따른 운전자 특성 40
(2) 운전자 특성에 따른 속도 보정 46
4장 결론 50
참고문헌 52
ABSTRACT 54
〈표 1〉 전국 속성 클래스 개수 11
〈표 2〉 실험 데이터 Attribute 18
〈표 3〉 이상치 제거 방법 별 이상치 제거율 21
〈표 4〉 전국 및 서울, 경기지역 속성 클래스 개수 25
〈표 5〉 속성 클래스의 축소 29
〈표 6〉 분류 경계식 34
〈표 7〉 서울 지역 Axis 분류 41
〈표 8〉 경기 지역 Axis 분류 42
〈표 9〉 서울지역 K-means 군집 43
〈표 10〉 경기지역 K-means 군집 44
〈표 11〉 교통류별 MAPE(서울 지역) 47
〈표 12〉 교통류별 MAPE(경기 지역) 47
〈표 13〉 운전자별 예측 속도 및 MAPE (서울 지역) 48
〈표 14〉 운전자별 예측 속도 및 MAPE (경기 지역) 49
[그림 1] 제안한 방법의 전체 흐름도 16
[그림 2] 노드/링크 구성도 17
[그림 3] 실험 데이터 속도 분포 히스토그램 20
[그림 4] 운전자 주행 특성 지수 분포도 22
[그림 5] z-score 분포 그래프 23
[그림 6] 서울 지역 연속류 및 단속류에서의 요일별, 시간대별 평균 통행 속도 26
[그림 7] 경기 지역 연속류 및 단속류에서의 요일별, 시간대별 평균 통행 속도 27
[그림 8] 서울 지역 단속류에서 도로 길이에 따른 통행속도 평균 28
[그림 9] 경기 지역 단속류에서 도로 길이에 따른 통행속도 평균 28
[그림 10] z-score 분포 그래프 33
[그림 11] k값에 따른 그룹 내 제곱합 43
[그림 12] 올림픽대로 (염창교 → 가양대교남단 교차로) 48
[그림 13] 경부고속도로 (오산 IC→ 동탄 JC) 49
초록보기 더보기
With the development of technology for traffic information storage and ITS (intelligent transport system), tens of millions of data are gathered nationwide on daily basis. Recently, it is becoming an important research issue to predict the reliable traffic speed and to handle such large amount of data efficiently. It has become possible to analyze various traffic information with the development of the intelligent traffic system, but research areas reflecting the driver's individual driving characteristics for speed prediction has not been addressed considerably. In this study, we proposed a method for finding an index scheme by calculating the speed ratio between the average speed of a specific user and that of all user groups, and also defined the relative position using z-score of an individual user considering driving characteristics by utilizing data normalization of entire distribution. In addition, the speed data is analyzed with respect to each attribute such as day of the week, time of day, and traffic flow. Data groups having similar properties are integrated into a super-class to reduce data. We propose a group-based velocity information management scheme by using Axis classification and K-means clustering method on three dimensional axes based on the traffic class. The speed, associated with the arrival time calculation, is corrected reflecting the driver's driving characteristics improving the speed prediction accuracy. Result analysis shows a noteworthy effect using the correction method of speed prediction proposed in this study. Our method achieved an improvement of error prediction, 3.22% on an average and up to 6.0% by the index method, and 4.63% on an average and up to 10.4% by the z-score method.
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
