데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
개인 운전자의 주행 특성을 반영한 속도 예측 기법 |
| 영문제목(English Title) |
개인 운전자의 주행 특성을 반영한 속도 예측 기법 |
| 저자(Author) |
조석현
최경일
이석룡
Seok-Hyun Cho
Kyung-Il Choe
Seok-Lyong Lee
|
| 원문수록처(Citation) |
VOL 33 NO. 01 PP. 0048 ~ 0061 (2017. 04) |
한글내용
(Korean Abstract) |
지능형 교통체계 (ITS: intelligent transport system)의 확산과 교통정보 저장 기술의 발달로 인하여 전국의 도로에서 하루에도 수천만 건의 교통 속도 데이터들이 수집되고 있으며, 시간의 흐름에 따라 생성되는 방대한 양의 데이터를 효율적으로 처리하는 방법과 신뢰성 있는 통행 속도 정보 예측이 중요한 연구 주제가 되고 있다. 이러한 교통 정보 시스템의 발달로 교통 정보에 대한 다양한 분석이 가능해 졌지만 운전자의 개인 특성을 반영한 교통 정보의 분석은 아직까지 연구가 거의 이루어지고 있지 않은 분야이다. 본 논문에서는 도로 유형, 시간대 등의 속성 (attribute)을 고려하여 운전자의 개인 특성을 반영한 속도 예측 기법을 제시한다. 데이터 정규화를 통하여 전체 분포에서 상대적 위치를 나타내는 통계량인 z-score를 이용하여 운전자의 개인 주행 특성을 정의하고, 개인 특성에 따라 운전자들을 군집 기법인 k-means clustering 알고리즘을 사용하여 군집화 함으로써 군집 단위의 속도 정보 관리 방안을 제안한다. 다음으로, 군집별로 계산된 운전자 주행 특성을 반영하여 목적지 도달 시간 (destination arrival time)을 계산하기 위한 속도를 보정함으로써 속도 예측에 대한 정확도를 개선한다. 실험 결과, 본 연구에서 제시한 예측 기법을 사용한 경우, 평균 5.27%, 최대 10.4%의 오차 개선 효과를 달성할 수 있었다. |
영문내용
(English Abstract) |
With the development of ITS (intelligent transport system) and traffic information storage technology, tens of millions of data are gathered nationwide on daily basis. It is becoming an important research issue recently to handle such large amount of data efficiently and to perform the reliable traffic speed prediction. It has become possible to analyze various traffic information with the development of the intelligent traffic system, but data analysis that reflects driver's individual driving characteristics has not been considered yet. In this study, we present the speed prediction method considering various attributes such as road types and daily time slots. We have defined a driver's driving characteristic using z-score, which is a statistics for ascertaining the relative position in the entire distribution by normalizing the distribution. We have also presented a process of managing the speed data according to the groups that are generated by clustering drivers using the k-means clustering algorithm. Finally, we propose a new prediction method that corrects the speed for calculating destination arrival time by reflecting the driver’s driving characteristic. Result analysis shows a noteworthy effect by the improvement of error prediction, 5.27% on average and up to 10.4%, using the correction method of speed prediction proposed in this study. |
| 키워드(Keyword) |
지능형 교통 체계
속도 예측
개인화
데이터마이닝
군집화화
intelligent transport system
speed prediction
personalization
data mining
clustering
|
| 파일첨부 |
PDF 다운로드
|
