딥러닝을 이용한 긴급차량 통행시간 추정 모형 개발에 관한 연구
A Study on the Development of Estimation Model for Emergency Vehicle Travel Time using Deep Learning Model
초록/요약
본 연구에서는 긴급차량 통행시간과 관련된 실측자료를 수집하여 통행시간 영향요인을 분석하고 이를 활용하여 긴급차량 통행시간을 추정하는 딥러닝 기반 모형을 개발하였다. 이를 위하여 화재 발생 출동 이력 자료와 KTDB 노드/링크 자료를 활용하였고, 딥러닝 모형과 모수 및 비모수 통계 모형을 각각 개발하고, 통계적인 지표를 활용하여 비교 평가 하였다. 그리고 실제 도로구간을 대상으로 적용성에 대한 평가를 수행하였다. 긴급차량 출동 관련 실측 자료 기반으로 긴급차량 통행시간과 독립변수 간의 Pearson 상관분석 결과, 9개의 변수가 유의한 것으로 나타났다. 이후 멱함수 분석을 통해 긴급차량 통행시간의 주요 영향요인 6개(첨두시, 1차로/2차로/3차로 링크길이, 신호지점 수, 비신호지점 수)를 도출하였다. 다양한 입력변수(13개)를 적용하여 딥러닝 모형 기반의 긴급차량 통행시간 추정모형을 개발하였다. 이를 모수적 통계기법의 MLR 모형과 비모수적 통계 기법의 KNN 모형과 평가지표별 비교한 결과, MAPE 기준으로 딥러닝을 이용한 모형의 MAPE가 25.31%로 MLR 모형보다 13.7%, KNN 모형보다 15.7% 오차율이 감소하여 타 모형에 비해 우수한 결과를 나타내었다. 개발모형의 평가를 위해 대표지점 20개소를 선정하여 내비게이션 경로 통행시간과 개발모형의 추정 통행시간을 비교하였다. 평가 결과, 20개 경로 중 75%가 내비게이션 예상 경로 통행시간 보다 개발모형의 추정 경로 통행시간이 빠른 것으로 분석되었다. 통계적 검정 결과 내비게이션 통행시간과 개발모형의 추정 통행시간의 차이는 유의한(t=2.697, p<0.05) 것으로 분석되었다.
more초록/요약
In this study, a deep learning-based model was developed to estimate the travel time of emergency vehicles by analyzing the factors affecting travel time by collecting actual data related to travel time of emergency vehicles. Fire occurrence history data and KTDB node/link data were used, and deep learning models and parametric and non-parametric statistical models were developed, respectively, and compared and evaluated using statistical indicators. And the applicability was evaluated for the actual road section. As a result of Pearson correlation analysis between emergency vehicle travel time and independent variables, based on the analysis of actual data related to emergency vehicle, 9 variables were found to be significant. After that, through the power set analysis, six major influencing factors (peak time, 1-lane/2-lane/3 or more lane link length(one direction), number of traffic signal, number of non-traffic signal) were derived. An emergency vehicle travel time estimation model based on a deep learning model was developed by applying 13 independent variables. As a result of comparing this with the MLR model and the KNN model by evaluation index, the MAPE of the model using deep learning was 25.31%, which was 13.7% less than the MLR model and 15.7% less than the KNN model, resulting in superior results compared to other models. For the evaluation of the development model, 20 representative points were selected and the travel time of the navigation route and the estimated travel time of the development model were compared. As a result of the evaluation, it was analyzed that 75% of the 20 routes had the estimated route travel time faster than the expected navigation route travel time. As a result of the statistical test, the difference between the navigation travel time and the estimated travel time of the development model was analyzed to be significant(t=2.697, p<0.05).
more목차
제 1 장 서 론 1
제 1 절 연구 배경 및 목적 1
제 2 절 연구의 범위 3
제 3 절 연구 내용 및 방법 4
제 2 장 이론적 배경 6
제 1 절 관련 개념 6
1. 골든타임 정의 및 기준 6
2. 골든타임과 피해 상관관계 7
3. 통행시간의 추정 및 예측 정의 8
4. 통행시간 추정 및 예측 모형 이론 9
5. 딥러닝 모형 이론 11
제 2 절 국내 ․ 외 선행 연구 사례 16
1. 통행시간 영향요인 및 추정 관련 연구 16
2. 긴급차량 통행시간 관련 연구 19
3. 딥러닝 기반 통행시간 추정 및 예측 관련 연구 29
제 3 절 연구의 차별성 및 시사점 30
제 3 장 데이터 수집 및 분석 31
제 1 절 개요 31
제 2 절 데이터 수집 및 분석 범위 선정 32
1. 데이터 수집 32
2. 데이터 현황 분석 및 범위 선정 41
제 3 절 데이터 셋 구축 47
1. 데이터 융합 및 가공 47
2. 추정모형 구축을 위한 변수 설정 결과 52
3. 데이터 전처리 54
4. 정규성 검정 55
제 4 장 딥러닝 기반 통행시간 추정모형 개발 58
제 1 절 개요 58
1. 개발방법론 58
2. 모형 개발 절차 59
3. 기초통계 59
제 2 절 딥러닝을 이용한 추정모형 개발 61
1. 개요 61
2. 입력변수 및 데이터셋 구성 62
3. 모델링 62
4. 딥러닝 학습 및 검증 결과 분석 및 최적 모형 선정 65
제 3 절 통계기법을 이용한 추정모형 개발 67
1. 개요 67
2. MLR을 이용한 추정모형 개발 67
3. KNN을 이용한 추정모형 개발 76
제 5 장 모형의 검증 및 평가 81
제 1 절 검증 및 평가 방법론 81
제 2 절 모형의 검증 82
1. 모형 검증을 위한 지표 82
2. 모형의 검증 84
제 3 절 모형의 평가 86
1. 모형 평가 범위 및 대상 86
2. 경로 배정 및 자료 수집 88
3. 개발모형의 평가 결과 89
4. 통계적 검정 95
제 6 장 결론 및 향후 연구과제 96
제 1 절 결론 96
제 2 절 향후 연구과제 98
참고문헌 99
