[논문 리뷰] When Traffic Flow Prediction Meets Wireless Big Data Analytics

Yuanfang Chen, Mohsen Guizani외 4명|arXiv (Cornell University)|2017. 09. 23.

Traffic Prediction and Management Techniques참고 문헌 6인용 수 9

한 줄 요약

이 논문은 실제 무선 빅데이터를 적합시켜 모델 파라미터를 보정함으로써 교통 흐름 예측 모델을 최적화하여 기존 모델 대비 예측 정확도를 크게 향상시키는 방법을 제안한다. GPS 및 무선 센서로부터의 실제 궤적 데이터를 사용하여, 데이터 기반의 파라미터 조정이 혼잡도 예측 및 지능형 교통 시스템에서 성능 향상에 기여함을 입증한다.

ABSTRACT

Traffic flow prediction is an important research issue for solving the traffic congestion problem in an Intelligent Transportation System (ITS). Traffic congestion is one of the most serious problems in a city, which can be predicted in advance by analyzing traffic flow patterns. Such prediction is possible by analyzing the real-time transportation data from correlative roads and vehicles. This article first gives a brief introduction to the transportation data, and surveys the state-of-the-art prediction methods. Then, we verify whether or not the prediction performance is able to be improved by fitting actual data to optimize the parameters of the prediction model which is used to predict the traffic flow. Such verification is conducted by comparing the optimized time series prediction model with the normal time series prediction model. This means that in the era of big data, accurate use of the data becomes the focus of studying the traffic flow prediction to solve the congestion problem. Finally, experimental results of a case study are provided to verify the existence of such performance improvement, while the research challenges of this data-analytics-based prediction are presented and discussed.

연구 동기 및 목표

• 스마트 시티에서의 교통 혼잡 문제를 해결하기 위해 교통 흐름 예측 정확도를 향상시키는 것.
• 실제 무선 빅데이터를 사용한 파라미터 최적화가 예측 성능 향상에 기여하는지 조사하는 것.
• 빅데이터 분석을 시계열 모델과 융합하여 지능형 교통 시스템(ITS)에 통합하는 것.
• 교통 분석에서 누락되거나 잘못된 무선 데이터와 같은 데이터 품질 문제를 특정하고 해결하는 것.
• 개선된 예측 분석을 통해 친환경 루팅 및 지능형 교통 관리 시스템을 구현하는 것.

제안 방법

• GSM, WiFi, Bluetooth, RFID 등의 무선 기술을 활용해 GPS 장착 차량 및 도로변 단위(RSUs)로부터 시공간적 궤적 데이터를 수집한다.
• 관련 도로의 역사적 및 실시간 데이터를 기반으로 시계열 분석 모델을 적용하여 교통 흐름을 예측한다.
• 실제 교통 데이터를 적합시켜 모델 파라미터를 최적화함으로써 기준 모델을 초월한 예측 정확도 향상을 도모한다.
• 대규모 무선 빅데이터에서 패턴을 분석하고 추출하기 위해 딥러닝 및 회귀 기법을 활용한다.
• 무선 데이터 스트림에서 누락되거나 고장난 센서 데이터로 인한 문제를 완화하기 위해 데이터 무결성 검사를 구현한다.
• 도시 수준의 계획 수립 및 지능형 교통 신호 제어에 예측 인사이트를 통합하여 전역적인 흐름 최적화를 달성한다.

실험 결과

연구 질문

• RQ1 실제 무선 빅데이터를 사용해 시계열 예측 모델의 파라미터를 최적화하면 교통 흐름 예측 정확도가 유의미하게 향상되는가?
• RQ2 무선 센서 및 차량 데이터에서 발생하는 데이터 이질성과 불완전성은 교통 예측 성능에 어떤 영향을 미치는가?
• RQ3 차량 및 RSUs의 시공간적 궤적 데이터는 혼잡도 예측 및 루팅 결정에 얼마나 기여하는가?
• RQ4 무선 빅데이터를 활용한 교통 분석에서 데이터 무결성과 신뢰성 확보에 있어 주요 과제는 무엇인가?
• RQ5 최적화된 예측 모델은 도시 환경에서 지능형 교통 신호 스케줄링과 친환경 루팅을 어떻게 지원할 수 있는가?

주요 결과

• 실제 교통 데이터를 사용해 모델 파라미터를 최적화하면 표준 시계열 모델 대비 예측 성능 향상이 명확하게 측정된다.
• GPS, GSM 및 RSUs로부터의 실시간 무선 빅데이터를 활용하면 상호 연결된 도로 구간 전역에서 정확하고 신속한 교통 흐름 예측이 가능하다.
• 궤적 데이터는 차량 이동 패턴에 대한 핵심 통찰을 제공하여 교차로에서 잠재적 혼잡 지점을 조기에 탐지할 수 있다.
• 데이터 무결성은 여전히 주요 과제이며, 누락되거나 잘못된 무선 데이터는 예측 결과에 심각한 왜곡을 초래할 수 있다.
• 최적화된 예측 모델을 도시 수준의 데이터 분석과 융합함으로써 더 스마트한 도시 계획 수립 및 자동화된 교통 신호 제어를 지원할 수 있다.
• 예측 정확도 향상은 혼잡 회피를 통해 CO2 배출 감소, 연료 소비 감소 및 공공 안전 향상에 기여한다.