Earticle

초록

한국어

본 연구는 도로 교통량의 단기 예측 정확도를 향상시키기 위해, 시간 주기성을 반영한 다변량 LSTM 기반 예측 모델을 제안한다. 기존 교통 예측 모델은 대부분 단변량 시계열 입력에 의존하여 시 간대나 요일과 같은 반복적 패턴을 효과적으로 학습하지 못하는 한계를 지닌다. 이에 본 연구에서는 교통량, 시간대, 요일 정보를 모두 입력 변수로 포함하고, 주기성을 수학적으로 표현하기 위해 사인/코 사인 변환을 적용하였다. 서울시 실시간 도로 소통 데이터를 활용한 실험 결과, 제안한 모델은 단변량 LSTM 및 Naive 모델 대비 MAE, RMSE, MAPE 모든 지표에서 예측 오차가 감소하였다. 특히 출퇴 근 시간대와 같이 시간 패턴이 뚜렷한 구간에서 높은 예측 정확도를 보이며, 구조적으로 단순하면서도 실용적인 접근임을 입증하였다.

목차

요약
1. 서론
2. 관련 연구
3. 데이터 및 전처리
3.1 데이터셋 개요 및 입력 변수 구성
3.2 결측치 처리 및 시계열 샘플 구성
4. 모델 설계 및 학습 방법
4.1 모델 구조 개요
4.2 모델 구성
4.3 모델 학습 및 하이퍼파라미터 설정
5. 실험 결과
5.1 실험 설정
5.2 예측 성능 비교
5.3 성능 향상의 요인 분석
5.4 시각적 분석
5.5 종합 정리
6. 결론
Acknowledgement
참고문헌

저자

• 안지민 [ Ji Min An | 씨엘모빌리티 ]
• 박무열 [ Mu Youl Park | 씨엘모빌리티 ] 교신저자

참고문헌