[논문 리뷰] Traffic Congestion Prediction Using Machine Learning Techniques

Rafed Muhammad Yasir, Asad, Moumita외 2명|arXiv (Cornell University)|2022. 06. 22.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 시간, 요일, 기상 요소(기온, 습도, 풍속 등)를 포함한 지식 기반 지원 벡터 회귀(SVR) 모델을 사용하여 최대 1주일 전까지 장기 교통 정체를 예측하는 모델을 제안한다. 뉴델리 교통 데이터를 기반으로 평가한 결과, 평균 RMSE가 1.12를 기록하여 제한된 데이터셋으로 인한 한계가 있음에도 불구하고 사전 교통 관리의 타당성을 입증하였다.

ABSTRACT

The prediction of traffic congestion can serve a crucial role in making future decisions. Although many studies have been conducted regarding congestion, most of these could not cover all the important factors (e.g., weather conditions). We proposed a prediction model for traffic congestion that can predict congestion based on day, time and several weather data (e.g., temperature, humidity). To evaluate our model, it has been tested against the traffic data of New Delhi. With this model, congestion of a road can be predicted one week ahead with an average RMSE of 1.12. Therefore, this model can be used to take preventive measure beforehand.

연구 동기 및 목표

• 시간, 요일, 기상 조건을 고려한 장기 교통 정체 예측 모델을 개발한다.
• 기존 모델이 단기 예측에만 집중하거나 기상 요소를 생략하는 점을 개선한다.
• 뉴델리의 실세계 교통 및 기상 데이터를 활용하여 모델 성능을 평가한다.
• 통합된 시간적 및 기상적 요소가 정체 예측 정확도에 미치는 영향을 규명한다.
• 기계학습을 활용한 확장 가능한 데이터 기반 교통 관리 시스템의 기초를 마련한다.

제안 방법

• 모델는 비선형 회귀를 위해 입력 특징을 고차원 공간으로 매핑하는 데 라디얼 기저 함수(RBF) 커널을 사용한 지식 기반 지원 벡터 회귀(SVR)를 사용한다.
• 입력 특징으로는 도로 이름, 시간대, 요일, 기온, 습도, 풍속, 일광 시간, 속도 비율(현재 속도 대비 평균 속도)이 포함된다.
• 반응 변수는 0.0(자유 통행)에서 10.0(심한 정체)까지 정규화된 정체 수준인 '정체 요소'이다.
• 데이터는 2019년 4월 15일부터 28일까지 5분 간격으로 HERE API를 통해 수집되었으며, 첫 번째 주는 학습용, 두 번째 주는 테스트용으로 사용되었다.
• 모델 성능은 루트 평균 제곱 오차(RMSE)를 사용하여 평가되었으며, 다음 식으로 계산된다: $ RMSE = \left[ \frac{1}{n} \sum_{i=1}^{n} (|f_i - \hat{f}_i|)^2 \right]^{1/2} $.
• 모델는 시간 창을 적응적으로 조절하는 SVR을 사용한 단기 예측 방법인 AMWR와 비교되었다.

실험 결과

연구 질문

• RQ1 시간, 요일, 기상 데이터를 통합한 기계학습 모델이 1주일 전까지 수용 가능한 정확도로 교통 정체를 예측할 수 있는가?
• RQ2 기온, 습도, 풍속과 같은 기상 요소가 교통 정체 예측 성능에 어떤 영향을 미치는가?
• RQ3 데이터셋 크기가 장기 교통 예측 모델의 일반화 및 정확도에 어떤 영향을 미치는가?
• RQ4 제안된 SVR 기반 모델은 RMSE 및 예측 기간 측면에서 기존의 단기 예측 모델인 AMWR과 비교해 어떻게 성능을 냈는가?
• RQ5 시간적 및 기상적 특징이 기존의 시간 기반 모델을 초월해 정체 예측 정확도를 향상시키는 데 얼마나 기여하는가?

주요 결과

• 제안된 모델은 뉴델리의 네 곳의 테스트 지역에서 평균 RMSE 1.12를 기록하여 장기 정체 예측에 대해 중간 수준의 예측 정확도를 확보하였다.
• 가장 낮은 RMSE는 Location 1에서 기록되었으며, 0.893이었고, 가장 높은 RMSE는 Location 3 및 4에서 각각 1.234 및 1.233였다.
• 낮은 RMSE 값을 기록했음에도 불구하고, AMWR 모델은 모든 지역에서 제안된 방법을 초월하여 RMSE 0.521에서 1.939 사이를 기록했지만, 이는 단지 최대 15분 이내의 단기 예측에 국한된 성능이었다.
• 모델의 성능은 학습 및 테스트 데이터셋의 크기가 작아 제한되었으며, 이는 데이터 양이 예측 정확도에 상당한 영향을 미친다는 것을 시사한다.
• 기온, 습도, 풍속과 같은 기상 요소를 통합함으로써 모델의 강건성이 향상되었지만, 데이터 부족 문제를 해결하기에는 부족했다.
• 본 연구는 시간적 및 기상적 특징을 통합함으로써 장기 정체 예측 정확도가 향상됨을 확인하였으며, 중간 수준의 RMSE를 기록함에도 불구하고 향후 연구를 위한 더 큰 데이터셋이 필요하다는 점을 뒷받침한다.