Earticle

초록

영어

Purpose: This study aims to develop a deep learning-based time-series forecasting model for expressway traffic volume using data collected from Vehicle Detection System (VDS) installed in nationwide expressways, and to compared and analyze the predictive performance of representative deep learning models. Method: Nationwide expressway VDS data collected throughout 2024 were used to evaluate three deep learning models: LSTM, GRU, Transformer. A one-step-ahead time-series forecasting framework was adopted, in which traffic information from the previous 24 hours was used as input to predict volume for the subsequent hour. All models were trained and evaluated under identical experimental conditions. Result: The experimental results indicated that the GRU model exhibited relatively stable predictive performance compared to the other deep learning models in terms of overall error metrics and explanatory power. Despite its relatively simple architecture, the GRU model effectively captured the temporal variability of expressway traffic volume and achieved a level of prediction accuracy that can be considered suitable for practical applications when evaluated in actual traffic volume units. Conclusion: This study is meaningful in that it empirically examined the applicability of deep learning-based traffic volume forecasting using national expressway VDS time-series data. In particular, the efficiency and predictive stability of the GRU model were confirmed, suggesting its potential usefulness for the development of forecasting models to support real-time traffic management and operation in the future.

한국어

연구목적: 본 연구는 전국의 고속도로에 설치된 차량 검지기(VDS) 데이터를 활용하여 딥러닝 기반 고속 도로 교통량 시계열 예측 모델을 구축하고, 대표적인 딥러닝 모델 간 예측 성능을 비교ㆍ분석하는 것을 목 적으로 한다. 연구방법: 2024년 한 해 동안 수집된 전국 고속도로 VDS 데이터를 대상으로 LSTM, GRU, Transformer 모델을 적용하였으며, 과거 24시간의 교통정보를 입력한 후 다음 1시간 교통량을 예측하는 1-step ahead 시계열 예측 구조를 동일한 학습 조건에서 비교ㆍ평가하였다. 연구결과: 실험 결과 GRU 모 델이 전반적인 오차 지표와 설명력 측면에서 다른 딥러닝 모델과 비교하여 상대적으로 안정적인 예측 성 능을 보였다. 특히, 비교적 간결한 구조임에도 불구하고 고속도로 교통량 시계열의 변동 특성을 효과적으 로 반영하였고 실제 교통량 단위 기준에서도 실무적인 활용을 고려할 수 있는 수준의 예측 정확도를 확보 한 것으로 분석되었다. 결론: 본 연구는 전국의 고속도로 VDS 시계열 데이터를 활용한 딥러닝 기반 교통 량 예측을 실증적으로 검토하였다는 점에서 의의가 있다. 특히 GRU 모델의 효율성과 예측 안정성을 확인 할 수 있었고 향후 실시간 교통 관리 및 운영을 위한 예측 모형 개발에 활용될 수 있을 것으로 기대된다.

목차

ABSTRACT
요약
서론
이론 및 선행연구 고찰
LSTM(Long Short-Term Memory)
GRU(Gated Recurrent Unit)
Transformer 기반 시계열 예측 모델
교통량 예측 모델링 관련 선행연구 분석
모형개발
데이터 수집 및 전처리
교통량 시계열 데이터의 계절성 및 주기성 분석
시계열 구조화 및 입력 데이터 생성
예측 모델 구조설계
분석 결과
모델별 예측 성능 비교
실제 교통량 예측 결과의 시각적 비교
전체 데이터 기반 GRU 모델의 최종 학습 결과
GRU 모델 예측 성능의 시각적ㆍ통계적 분석
결론
Acknowledgement
References

키워드

고속도로 교통량 예측 차량 검지기(VDS) 딥러닝 GRU 시계열 분석 지능형 교통체계 Expressway Traffic Volume Forecasting Vehicle Detection System (VDS) Deep Learning GRU Time-Series Analysis Intelligent Transportation System

저자

• 윤병조 [ Byoung-Jo Yoon | Professor, College of Urban Science, Incheon National University, Incheon, Republic of Korea ] Corresponding Author
• 이선민 [ Sun-min Lee | Researcher, College of Urban Science, Incheon National University, Incheon, Republic of Korea ]

참고문헌

발행기관

간행물