KR101742043B1 - Apparatus and method for travel mode choice prediction - Google Patents
Apparatus and method for travel mode choice prediction Download PDFInfo
- Publication number
- KR101742043B1 KR101742043B1 KR1020160152015A KR20160152015A KR101742043B1 KR 101742043 B1 KR101742043 B1 KR 101742043B1 KR 1020160152015 A KR1020160152015 A KR 1020160152015A KR 20160152015 A KR20160152015 A KR 20160152015A KR 101742043 B1 KR101742043 B1 KR 101742043B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- transportation means
- module
- traffic
- weight value
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
본 발명은 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체에 관한 것이다. The present invention relates to an apparatus, a method, and a storage medium for storing a program for predicting a sharing of a transportation means.
종래의 기술인 교통수단분담률을 계산하기 위한 다항로짓 모형에는 통신비용 변수 등 입력 변수들 간의 관계를 포함한 효용함수를 직접 계산할 수는 없었다. 또한 다항로짓 모형에서는 데이터의 평균적으로 분석한 선형화 변수 값을 포함하는 입력자료를 받아 사용하는 것이 표준적인 방법이다. 또한 교통수단분담률 계산에 사용되는 효용함수는 복잡한 비선형성을 포함하고 있어서 교통수단분담률을 정확히 계산하기에는 용이하지 않다. The utility function including the relation between the input variables such as the communication cost variable could not be directly calculated in the polynomial logit model for calculating the transportation share ratio of the conventional technology. In addition, in the polynomial logit model, it is a standard method to use the input data including the average linearized parameter value of the data. In addition, the utility function used for the calculation of the transportation share ratio includes complicated nonlinearities, which is not easy to calculate accurately.
한편, 인공신경망(Artificial Neural Network)을 활용하는 기술에서는 은닉층에서 비선형 지수함수를 포함하는 시그모이드(Sigmoid) 함수의 사용으로 뉴런들 사이의 웨이트 값이 사라지는 문제 및 기울기 감소문제 (Vanishing Gradient Problem)가 빈번히 발생하였다. 또한 은닉층의 증가에 따라 오버피팅(Over-fitting)을 하는 문제점도 발생하였다. 하지만 최근 인공지능 기반 딥러닝 알고리즘이 등장하여 전술한 기울기 감소문제의 해결이 가능하게 되었고, 또한 전술한 오버피팅(Overfitting) 문제를 완화할 수 있는 방법이 개발되었다. On the other hand, in the art utilizing artificial neural network, the use of a sigmoid function including a nonlinear exponential function in the hidden layer eliminates the weight value between the neurons and the vanishing gradient problem, . Also, there was a problem of over-fitting according to the increase of the hidden layer. However, recently, a deep learning algorithm based on artificial intelligence has appeared to solve the tilt reduction problem described above, and a method for mitigating the above-described overfitting problem has been developed.
전술한 교통수단분담률을 계산하기 위한 다항로짓 모형에 전술한 인공신경망에 기반한 기술의 하이브리드 접근은 현재 기초적인 수준이며, 구체적으로는 개별적인 결과를 단순 비교하는 수준이다. Hybrid approach to technology based on artificial neural network described above in the polynomial logit model for calculating the above-mentioned traffic share ratio is a basic level, and specifically, it is a level of simple comparison of individual results.
전술한 바와 같이 다항로짓 모형에 인공신경망에 기반한 기술의 하이브리드 접근을 위해, 본 발명은 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체를 제공함에 목적이 있다.As described above, the present invention aims to provide a transportation device sharing prediction device, a method, and a storage medium for storing a program for predicting a transportation device sharing, in order to hybridize a technique based on an artificial neural network to a multinomial logit model.
본 발명의 교통수단분담 예측 장치는 교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하는 선형화모듈; 상기 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 다항로짓모듈; 및 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 딥러닝모듈; 을 포함한다. The traffic sharing contribution prediction apparatus of the present invention comprises: a linearization module for receiving first information, which is information on a traffic cost for each transportation means, from a traffic DB and linearizing the received information; A polynomial module for receiving the linearized first information and extracting second information, which is a probability density of a contribution ratio for each transportation means; And a deep learning module for processing the first information and the second information based on supervised learning; .
또한 본 발명의 교통수단분담 예측방법은 교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하는 단계; 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 단계; 및 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 단계; 를 포함한다.In addition, the method of predicting a traffic sharing contribution of the present invention may include: receiving and linearizing first information, which is information on a traffic cost for each transportation means, from a traffic database; Receiving linearized first information and extracting second information which is a probability density of a contribution ratio for each transportation means; And processing the first information and the second information based on Supervised Learning; .
또한 본 발명의 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체는 교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하고, 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하고, 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하고, 선형화된 제 1 정보 또는 제 2 정보를 수신하고, 역전파 알고리즘을 사용하여 최적화된 웨이트(가중치) 값 또는 웨이트 값을 기반으로 교통수단별 분담률의 분포 값을 추출하고, 최적화된 웨이트 값을 저장하고, 저장된 웨이트 값을 기반으로 교통 수단별 통행비용에 대한 정보를 최적화하는 것을 포함한다.In addition, the storage medium storing the program for predicting the sharing of transportation means according to the present invention receives and linearizes the first information, which is information on the transportation cost for each transportation means, from the traffic DB, receives the linearized first information, The first information and the second information are processed based on Supervised Learning, the linearized first information or the second information is received, and the backpropagation is performed using the back propagation algorithm Extracting the distribution value of the sharing ratio for each transportation means based on the optimized weight (weight value) value or the weight value, storing the optimized weight value, and optimizing the information on the traveling cost for each transportation means based on the stored weight value .
이상 설명한 바와 같이, 본 발명에 의하면 교통수단분담률 계산의 정확도를 향상시킬 수 있다. INDUSTRIAL APPLICABILITY As described above, according to the present invention, it is possible to improve the accuracy of the calculation of the share of the transportation means.
또한, 본 발명에 의하면 교통 관련 빅데이터를 활용하여 교통수단분담에 대한 확률밀도와 최적화된 효용함수를 얻을 수 있다. In addition, according to the present invention, the probability density and optimal utility function for the transportation means sharing can be obtained by using the traffic-related big data.
또한, 본 발명에 의하면 정확한 교통수단분담률 계산으로 실제 버스/대중교통 정류장을 기준으로 대중교통 수단 분담률 향상할 수 있는 여러 가지 방안을 용이하게 마련할 수 있다. In addition, according to the present invention, it is possible to easily provide various measures for improving the share of the public transportation means based on the actual bus / public transportation stop by calculating the correct transportation means contribution ratio.
또한, 본 발명에 의하면, 교통수단분담률의 정확한 계산으로 이에 대한 방안을 마련하여 대도시에 발생하는 대중교통의 혼잡도를 줄일 수 있다. In addition, according to the present invention, it is possible to reduce the congestion of public transportation occurring in a large city by providing an accurate calculation of the transportation sharing ratio.
도 1은 교통수단분담 예측 시스템의 일 실시예를 설명하기 위한 도면이다.
도 2는 딥러닝에 기반한 교통수단분담 예측 시스템의 일 실시예를 설명하기 위한 도면이다.
도 3은 교통수단분담 예측 장치의 일 실시예를 설명하기 위한 도면이다.
도 4는 교통수단분담 예측 방법의 일 실시예를 설명하기 위한 도면이다.1 is a view for explaining an embodiment of a traffic sharing prediction system.
FIG. 2 is a diagram for explaining an embodiment of a transportation contribution sharing prediction system based on deep learning.
3 is a view for explaining an embodiment of a means for predicting a traffic share.
FIG. 4 is a diagram for explaining an embodiment of a method of predicting a traffic sharing contribution. FIG.
본 발명의 일 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.One embodiment of the present invention will be described in detail with reference to the accompanying drawings. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
도 1은 교통수단분담 예측 시스템의 일 실시예를 설명하는 도면이다.1 is a view for explaining an embodiment of a traffic sharing contribution prediction system.
도 1을 참조하면, 교통수단분담 예측 시스템은 통행비용변수 처리모듈(100), 선형화 변수모듈(110), 다항로짓 계산모듈(120), 수단분담률 출력모듈(130), 하이브리드 입력모듈(140), 딥러닝 계산모듈(150), 또는 비선형화 변수모듈(160)을 포함할 수 있다. 또한 교통수단분담 예측 시스템은 웨이트 저장모듈(170) 또는 확률분포 출력모듈(180)을 더 포함할 수 있다. 1, the transportation unit contribution prediction system includes a travel cost
통행비용변수 처리모듈(100)은 교통 DB(190)로부터 교통 수단별 통행비용에 관한 정보를 입력받아 처리할 수 있다. 구체적으로 통행비용변수 처리모듈(100)은 아래의 제시된 수학식 1에 따라 전술한 교통 수단별 통행비용에 관한 정보를 입력받아 처리할 수 있다.The travel cost
전술한 수학식 1에서 k는 교통수단에 대한 정보이며 구체적으로 예를 들어 k=1 일 경우 버스, k=2일 경우 승용차, k=3일 경우 택시, k=4일 경우 기차일 수 있다. M은 사용된 총 정보의 개수로 전술한 교통 수단별 통행비용에 관한 정보에 대응할 수 있다. 또한 i 는 출발 지점에 대한 정보이며 j 는 도착 지점에 대한 정보일 수 있다. 또한 Uij(k)는 교통수단 k를 통해서 출발 지점 i에서 도착 지점 j까지 이동할 경우 효용 값 즉 전술한 교통 수단별 통행비용에 관한 정보를 의미한다. For example, if k = 1, a bus, k = 2, k = 3, and k = 4 may be used. M can correspond to the above-described information on the travel cost by the transportation means by the total number of information used. Also, i is information on the starting point and j is information on the arrival point. Also, Uij (k) means utility value, that is, information on the above-mentioned travel cost by the transportation means when moving from the departure point i to the arrival point j through the transportation means k.
또한 통행비용변수 처리모듈(100)은 처리된 교통 수단별 통행비용정보를 선형화 변수모듈(110)로 전송할 수 있다. 전술한 교통 수단은 대중교통, 지하철, 기차, 승용차, 오토바이 등 교통 수단으로 활용되는 것을 포함하며 전술한 예시에 한정되지 않는다. 또한 교통 수단별 통행비용에 관한 정보는 교통 수단별 통행시간에 대한 정보 또는 교통 수단별에 대한 비용정보를 포함할 수 있다. Also, the travel cost
전술한 교통 수단별 통행시간에 대한 정보는 교통 수단별 내에서 통행시간, 개별 교통 수단 접근 시 보행시간, 기점 및 종점 간의 소요시간, 대기 시간 등 교통 수단으로 활용되는 것과 관련되어 소요되거나 필요한 시간에 대한 정보를 포함하며 전술한 예시에 한정되지 않는다. 또한 전술한 교통 수단별에 대한 비용정보는 차량운영비용, 톨게이트비, 주차비, 환승 횟수 등 교통 수단으로 활용되는 것과 관련되어 필요한 또는 소비되는 비용에 대한 정보를 포함하며 전술한 예시에 한정되지 않는다. The above-mentioned information on the travel time of each transportation means is related to the travel time in the transportation means, the walking time in approaching the individual transportation means, the time required between the starting point and the end point, the waiting time, And is not limited to the example described above. In addition, the cost information for each transportation means includes information on necessary or consumed expenses related to utilization as transportation means such as vehicle operation cost, toll gate fee, parking fee, number of transit times, etc., and is not limited to the above-described example.
선형화 변수모듈(110)은 통행비용변수 처리모듈로부터 교통 수단별 통행비용 정보들을 입력받아 전술한 정보들 중 비선형 정보들을 선형화할 수 있다. 또한, 선형화 변수모듈(110)은 선형화된 교통 수단별 통행비용 정보들을 다항로짓 계산모듈(120)로 전송할 수 있다. 선형화 변수모듈(110)은 정보들의 선형화를 위해 입력되는 개별 정보들의 평균값을 계산하여 전술한 평균값에 대한 정보를 다항로짓 계산모듈(120)로 전송할 수 있다.The
다항로짓 계산모듈(120)은 선형화 변수모듈(110)로부터 선형화된 교통 수단별 통행비용 정보들을 입력받아 교통수단별 분담률을 확률밀도로 계산할 수 있다. 구체적으로 다항로짓 계산모듈(120)은 아래의 수학식 1에 따라 선형화 변수모듈(110)로부터 선형화된 교통 수단별 통행비용 정보들을 입력받아 교통수단별 분담률을 확률밀도로 계산할 수 있다. 또한 다항로짓 계산모듈(120)은 전술한 확률밀도에 대한 정보를 수단분담률 출력모듈(130)로 전송할 수 있다. 또한 전술한 교통수단별 분담률은 총 합이 1일 수 있다. 구체적인 예로, 2015년 대전시 교통수단분담률은 대중교통 28.8%(버스 24.6%, 도시철도 4.2%), 승용차 55.6%, 택시 9.5%, 기타 6.1% 이다. The
하이브리드 입력모듈(140)은 통행비용변수 처리모듈(100)로부터 교통 수단별 통행비용 정보 또는 전술한 수단분담률 출력모듈(130)로부터 확률밀도에 대한 정보를 입력받을 수 있다. 또한 하이브리드 입력모듈(140)은 개별 개인에 따른 교통 수단별 통행비용에 대한 정보를 수신할 수 있다. 또한 하이브리드 입력모듈(140)은 전술한 교통 수단별 통행비용 정보, 개별 개인에 따른 교통 수단별 통행비용에 대한 정보, 교통 수단에 대한 정보와 관련된 개별 개인 정보 또는 확률밀도에 대한 정보를 딥러닝 계산모듈(150)에 전송할 수 있다.The
딥러닝 계산모듈(150)은 아래의 수학식 2에 따라 하이브리드 입력모듈(140)로부터 수신한 전술한 정보들은 처리할 수 있다. 아래의 수학식 2에서 k는 교통수단에 대한 정보이며 구체적으로 예를 들어 k=1일 경우 버스, k=2일 경우 승용차, k=3일 경우 택시, k=4일 경우 기차일 수 있다. M은 사용된 총 정보의 개수로 전술한 교통 수단별 통행비용에 관한 정보에 대응할 수 있다. 또한 i 는 출발 지점에 대한 정보이며 j 는 도착 지점에 대한 정보일 수 있다. 또한 Uij(k)는 교통수단 k를 통해서 출발 지점 i에서 도착 지점 j까지 이동할 경우 효용 값 즉 전술한 교통 수단별 통행비용에 관한 정보를 의미한다. Pij(k)는 개별 개인이 출발 지점 i에서 도착 지점 j까지 이동할 경우 이용이 가능한 모든 교통수단 중에서 교통 수단 k를 이용할 확률이다. The deep
또한, 딥러닝 계산모듈(150)은 딥러닝 기술에 기반하여 하이브리드 입력모듈(140)로부터 입력된 정보들을 처리할 수 있다. 또한 딥러닝 계산모듈은 지도 학습(Supervised Learning) 기술에 의해 하이브리드 입력모듈(140)로부터 수신한 정보들을 처리할 수 있다. 전술한 지도 학습 기술이란 계산된 값과 기설정된 값(정답) 사이의 오차를 최소화하기 위해 인공신경망 내의 각 계층의 뉴런과 뉴런들 사이에 연결강도의 값을 조정하는 것을 의미한다. 구체적으로 딥러닝 계산모듈(150)은 입력 정보 및 출력 정보들에 대해 기설정된 또는 정해진 값에 기반하여 딥러닝 계산모듈 내의 개별 뉴런들의 값과 개별 웨이트의 값을 조정하여 결정할 수 있다. 또한 딥러닝 계산모듈(150)은 전술한 개별 웨이트 값을 난수(Random Number)를 이용하여 오차를 최소화하는 방향으로 최적화할 수 있다. 또한 딥러닝 계산모듈(150)은 지도 학습 기술에 의해 최적화된 웨이트 값과 출력 값을 역전파 알고리즘에 기반하여 딥러닝 계산모듈(150)의 입력 값을 최적할 수 있다. 딥러닝 계산모듈에 대한 구체적인 설명은 도 2에서 후술한다. In addition, the deep
비선형화 변수모듈(160) 전술한 최적화된 입력 값, 최적화된 출력 값 또는 최적화된 웨이트 값을 활용하여 최적화된 효용함수 값을 추출할 수 있다. 비선형화 변수모듈(160)은 아래에 제시된 수학식 3과 같이 교통 수단별로 최적화된 입력 값, 최적화된 출력 값 또는 최적화된 웨이트 값을 활용하여 최적화된 효용 함수 값을 추출할 수 있다. The
웨이트 저장모듈(170)은 딥러닝 계산모듈(150)에서 역전파 알고리즘을 사용하여 최종적으로 최적화된 웨이트 값을 저장할 수 있다. 또한 웨이트 저장모듈(170)은 저장된 웨이트 값을 변화에 따라 업데이트할 수 있다. The
확률분포 출력모듈(180) 딥러닝 계산모듈(150)에서 역전파 알고리즘을 사용하여 전술한 최종적으로 최적화된 웨이트 값을 활용하여 최적화된 교통 수단분담률 정보에 대한 확률 분포 값을 출력할 수 있다. 종래의 기술인 이항로짓은 시그모이드(Sigmoid) 활성함수를 갖고 출력을 0 또는 1로 하지만 본 발명과 같은 딥러닝 기술을 활용한 경우에는 아래에서 후술할 소프트맥스(Softmax) 활성함수를 활용하여 다항 값, 즉 0, 0.25, 0.5 등의 출력할 수 있다. 전술한 다항 값은 설계변경이 가능하므로 전술한 것에 한정되지 않는다. The probability
도 2는 딥러닝에 기반한 교통수단분담 예측 시스템의 일 실시예를 설명하기 위한 도면이다. FIG. 2 is a diagram for explaining an embodiment of a transportation contribution sharing prediction system based on deep learning.
도 2를 참조하면, 도 1에서 전술한 딥러닝 계산모듈(150)은 입력층, 은닉층, 소프트 맥스층, 하이브리드 입력층 또는 출력층을 포함하여 계층적으로 또는 병렬적으로 나누어질 수 있다. 또한 전술한 딥러닝 계산모듈(150)은 수단별 변수 입력모듈(200), ReLU모듈, 드롭아웃모듈, 은닉층조절모듈, 소프트맥스 출력모듈(250), 또는 비선형 효용함수 출력모듈(280)을 포함할 수 있다. 또한 전술한 ReLU모듈은 ReLU(Retified Linear Unit)선형단위(220), 전술한 드롭아웃모듈은 드롭아웃(230), 전술한 은닉층조절모듈은 은닉층 조절 장치(240)에 각각 대응할 수 있다. 또한 딥러닝 계산모듈(150)은 수단분담률 출력모듈(270) 또는 다항로짓 결과 입력 모듈(260)을 더 포함할 수 있다. Referring to FIG. 2, the deep
딥러닝 계산모듈(150)은 임의의 교통 수단을 이용하여 통행할 확률 분포 값을 아래의 수학식 4에 따라 처리할 수 있다.The deep
P(k)는 임의의 교통 수단을 이용하여 통행할 확률 분포 값이며, k는 교통 수단의 개수에 관한 정보, M은 도 1에서 전술한 통행비용에 관한 정보를 의미한다. 또한 L은 은닉층에 대한 정보를 의미한다. 또한 x(k)는 전술한 수학식 1에서 도입한 설명변수에 대한 정보이며, w(k)는 도 1에서 전술한 웨이트 값에 대한 정보를 의미한다. 구체적으로 예를 들어, 교통수단이 버스, 자동차, 택시, 철도 4개이며 통행비용에 관한 정보는 시간 및 비용 2개이고, 딥러닝에 있어서 은닉층의 개수가 10개일 경우, 전술한 k의 값은 4이며, M은 2이고 L은 10에 해당한다. 또한 b는 바이어스 값으로 초기값은 랜덤 또는 임의의 값으로 설정하고 최적화 값으로 업데이트될 수 있다. P (k) is a probability distribution value to be traveled by using any transportation means, k is information on the number of transportation means, and M is information on the above-mentioned travel cost in FIG. L is information about the hidden layer. Also, x (k) is information on the explanatory variable introduced in Equation (1) described above, and w (k) means information on the weight value described above with reference to FIG. Specifically, for example, when the transportation means is four buses, a car, a taxi, and a railway, the information about the travel cost is two times and the cost, and the number of hidden layers is ten in deep running, , M is 2, and L is 10. B is a bias value, and the initial value may be set to a random value or an arbitrary value and updated to an optimization value.
수단별 변수 입력모듈(200)은 계층적 구조 중 전술한 입력층에 포함되고, 개별 교통 수단에 대한 각각 통행비용에 대한 정보를 수신할 수 있다. 전술한 통행비용에 대한 정보는 도 1에서 전술한 바와 같이 통행비용, 통행시간에 대한 정보 또는 변수를 포함할 수 있다. 또한 수단별 변수 입력모듈(200)은 k개 교통수단이 각각 M개의 통행비용 변수를 가진 적어도 하나 이상의 입력 신호(M x k)를 수신할 수 있다. 구체적으로 입력되는 개별 교통 수단에 버스, 지하철이고 통행비용에 대한 정보는 통행비용 및 통행 시간일 경우 입력되는 신호(뉴런)의 개수는 2 x 2로 4개이다. The per-instrumental
전술한 계층적 구조 중 은닉층은 ReLU모듈(ReLU 선형단위(220)), 드롭아웃모듈(드롭아웃(230)), 또는 은닉층조절모듈(은닉층 조절 장치(240))을 포함할 수 있다. 또한 딥러닝 계산모듈(150)은 ReLU(Retified Linear Unit)를 사용할 수 있다. 전술한 ReLU(Retified Linear Unit)은 딥러닝 기술에 있어서 은닉층의 개수 증가에 따른 기울기 감소(vanishing gradient) 문제를 해결하는데 효과적이다. ReLU모듈에서 활용되는 활성함수는 아래의 수학식 5와 같다. ReLU모듈 는 아래의 수학식 5에서 x < 0 일 경우 입력 값들은 0으로 처리할 수 있다. 또한 ReLU모듈은 x > 0 일 경우 전술한 입력 값을 출력할 수 있다. The hidden layer of the above-described hierarchical structure may include a ReLU module (ReLU linear unit 220), a dropout module (dropout 230), or a hidden layer adjustment module (hidden layer adjustment device 240). Also, the deep
드롭아웃모듈은 임의의 확률 값에서 출력 값 또는 출력에 대응하는 개별 뉴런의 값을 0으로 처리할 수 있다. 전술한 임의의 확률 값은 교통수단분담률에 관한 확률 값과 무관하며 설계자에 의해서 임의적으로 설정할 수 있다. 전술한 임의의 확률 값의 설정을 통해 사용하지 않을 또는 계산하지 않을 뉴런을 결정할 수 있다. 구체적인 예로 임의의 확률 값을 0.5로 설정할 경우 드롭아웃모듈 은 0.5 확률 값에서 전술한 수단별 변수 입력모듈(200)을 통해 입력되는 입력신호(뉴런)에 대응하는 출력(출력 뉴런) 값들을 0으로 처리할 수 있다. The dropout module may process the value of an individual neuron corresponding to an output value or output at any probability value to zero. The above-mentioned arbitrary probability value is independent of the probability value related to the traffic contribution ratio and can be arbitrarily set by the designer. Through the setting of any of the probability values described above, it is possible to determine neurons not to be used or calculated. As a specific example, when a certain probability value is set to 0.5, the dropout module sets the output (output neuron) values corresponding to the input signal (neuron) input through the above-described individual
소프트맥스 출력모듈(250)은 전술한 통행비용에 대한 정보를 의미하는 M을 기반으로 전술한 수학식 4를 활용하여 교통 수단별에 대응하는 확률 분포 값을 출력할 수 있다. 또한 전술한 교통 수단별에 대응하는 확률 분포 값의 총합은 1일 수 있다. 비선형 효용함수 출력모듈(280)은 소프트맥스 출력모듈(250)의 출력에 대한 정보를 수신하여 도 1에서 전술한 다항로짓 계산모듈(120)을 업데이트할 수 있다. The soft
다항로짓 결과 입력 모듈(260)은 도 1에서 전술한 다항로짓 계산모듈(120)에 대응할 수 있다. 수단분담률 출력모듈(270)은 도 1에서 전술한 수단분담률 출력모듈(130)에 대응할 수 있다. 한편, 하이브리드 입력모듈(140)은 전술한 수단분담률 출력모듈(130)로부터 확률밀도에 대한 정보를 수신하여 딥러닝 계산모듈(150)에 전송할 수 있다.The polynomial
도 3은 교통수단분담 예측 장치의 일 실시예를 설명하기 위한 도면이다.3 is a view for explaining an embodiment of a means for predicting a traffic share.
도 3을 참조하면, 교통수단분담 예측 장치는 다항로짓모듈(300) 및 딥러닝모듈(310)을 포함할 수 있다. 또한 교통수단분담 예측 장치는 선형화모듈(320), 하이브리드 입력모듈(330), 추출모듈(340) 또는 저장모듈(350)을 포함할 수 있다. Referring to FIG. 3, the transportation contribution prediction device may include a
다항로짓모듈(300)은 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출할 수 있다. 다항로짓모듈(300)은 도 1에서 전술한 다항로짓 계산모듈(120) 및 수단분담률 출력모듈(130)에 대응할 수 있고 이에 대한 구체적인 설명은 도 1에서 전술한 바 있다. The
딥러닝모듈(310)은 전술한 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리할 수 있다. 딥러닝모듈(310)은 도 1에서 전술한 딥러닝 계산모듈(150) 또는 하이브리드 입력모듈(140)에 대응할 수 있고 이에 대한 구체적인 설명은 도 1 및 도 2에서 전술한 바 있다.The
선형화모듈(320)은 교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화할 수 있다. 전술한 선형화모듈(320)은 도 1에서 전술한 선형화 변수모듈(110)에 대응할 수 있고 이에 대한 구체적인 설명은 도 1에서 전술한 바 있다. 또한 전술한 교통 DB는 도 1에서 전술한 통행비용 변수처리모듈(100)을 포함할 수 있다. 또한 선형화모듈(320)은 전술한 통행비용 변수처리모듈(100)로부터 통행비용에 대한 정보를 수신할 수 있다. 또한 전술한 제 1 정보는 교통 수단별 통행시간에 대한 정보 또는 교통 수단별에 대한 비용정보일 수 있다. The linearization module 320 can receive and linearize the first information, which is information on the traffic cost for each transportation means, from the traffic DB. The above-described linearization module 320 may correspond to the
하이브리드 입력모듈(330)은 선형화된 제 1 정보 또는 제 2 정보를 수신할 수 있다. 하이브리드 입력모듈(330)은 도 1에서 전술한 하이브리드 입력모듈(140)에 대응할 수 있고 이에 대한 구체적인 설명은 도 1에서 전술한 바 있다. The hybrid input module 330 may receive the linearized first information or the second information. The hybrid input module 330 may correspond to the
추출모듈(340)은 역전파 알고리즘을 사용하여 최적화된 웨이트(가중치) 값 또는 웨이트 값을 기반으로 교통수단분담률에 대한 최적화된 확률분포 값 또는 예측확률분포 값을 추출할 수 있다. 추출모듈(340)은 도 1에서 전술한 비선형화 변수모듈(160) 또는 확률분포 출력모듈(180)에 대응할 수 있고 이에 대한 구체적인 설명은 도 1에서 전술한 바 있다. The extraction module 340 may extract an optimized probability distribution value or a predicted probability distribution value for the transportation means contribution ratio based on the optimized weight (weight value) or weight value using the back propagation algorithm. The extraction module 340 may correspond to the
저장모듈(350)은 최적화된 웨이트 값을 저장할 수 있다. 저장모듈(350)은 웨이트 저장모듈(170)에 대응할 수 있고 이에 대한 구체적인 설명은 도 1에서 전술한 바 있다. 전술한 교통 DB 또는 도 1에서 전술한 통행비용 변수처리모듈(100)은 전술한 저장된 웨이트 값을 기반으로 교통 수단별 통행비용에 대한 정보를 최적할 수 있다. The storage module 350 may store an optimized weight value. The storage module 350 may correspond to the
도 4는 교통수단분담 예측 방법의 일 실시예를 설명하기 위한 도면이다.FIG. 4 is a diagram for explaining an embodiment of a method of predicting a traffic sharing contribution. FIG.
도 4를 참조하면, 교통수단분담 예측 방법은 교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하는 단계(S400), 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 단계(S410), 및 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 단계(S420)를 포함할 수 있다. 선형화모듈(320)은 교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하는 단계(S400)를 수행할 수 있다. 이에 대한 구체적인 설명은 도 1, 도 2 및 도 3에서 전술한 바 있다. 다항로짓모듈(300)은 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 단계(S410)를 수행할 수 있다. 이에 대한 구체적인 설명은 도 1, 도 2 및 도 3에서 전술한 바 있다. 딥러닝모듈(310)은 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 단계(S420)를 수행할 수 있다. 이에 대한 구체적인 설명은 도 1, 도 2 및 도 3에서 전술한 바 있다.Referring to FIG. 4, the method for predicting the shared transportation method includes receiving (S400) the first information, which is the information on the travel cost of each transportation means, from the traffic database (S400), receiving the linearized first information, (S410) extracting second information having a probability density, and processing (S420) processing the first information and the second information based on supervised learning. The linearization module 320 may perform step S400 of receiving and linearizing the first information, which is information on the transportation cost for each transportation means, from the traffic DB. A detailed description thereof has been given above with reference to Figs. 1, 2 and 3. The
본 발명의 명세서에 개시된 실시예들은 본 발명을 한정하는 것이 아니다. 본 발명의 범위는 아래의 특허청구범위에 의해 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술도 본 발명의 범위에 포함되는 것으로 해석해야 할 것이다.The embodiments disclosed in the specification of the present invention do not limit the present invention. The scope of the present invention should be construed according to the following claims, and all the techniques within the scope of equivalents should be construed as being included in the scope of the present invention.
100 : 통행비용 변수처리모듈
110 : 선형화 변수모듈
120 : 다항로짓 계산모듈
130 : 수단분담률 출력모듈100: Transit Cost Variable Processing Module
110: linearization variable module
120: polynomial calculation module
130: means share ratio output module
Claims (13)
상기 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 다항로짓모듈; 및
상기 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 딥러닝모듈; 을 포함하는 교통수단분담 예측 장치.A linearization module for receiving first information, which is information on a traffic cost for each transportation means, from the traffic DB and linearizing the received information;
A polynomial module for receiving the linearized first information and extracting second information, which is a probability density of a contribution ratio for each transportation means; And
A deep learning module for processing the first information and the second information based on supervised learning; And means for estimating a share of the transportation means.
다항로짓모듈이 상기 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 단계; 및
딥러닝모듈이 상기 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 단계; 를 포함하는 교통수단분담 예측방법.The linearization module receiving and linearizing the first information, which is information on the traffic cost for each transportation means, from the traffic database;
The polynomial module receiving the linearized first information and extracting second information, which is a probability density of the contribution ratio for each transportation means; And
The deep learning module processing the first information and the second information based on Supervised Learning; The method comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160152015A KR101742043B1 (en) | 2016-11-15 | 2016-11-15 | Apparatus and method for travel mode choice prediction |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160152015A KR101742043B1 (en) | 2016-11-15 | 2016-11-15 | Apparatus and method for travel mode choice prediction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101742043B1 true KR101742043B1 (en) | 2017-05-31 |
Family
ID=59052293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160152015A KR101742043B1 (en) | 2016-11-15 | 2016-11-15 | Apparatus and method for travel mode choice prediction |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101742043B1 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103758A (en) * | 2017-06-08 | 2017-08-29 | 厦门大学 | A kind of city area-traffic method for predicting based on deep learning |
| WO2019045194A1 (en) * | 2017-08-31 | 2019-03-07 | 현대엠엔소프트 주식회사 | Traffic information prediction device, method, and server |
| KR101974495B1 (en) * | 2018-08-21 | 2019-05-03 | 한국과학기술정보연구원 | Apparatus for predicting traffic information, method thereof and recoding medium for predicting traffic information |
| KR20190048274A (en) * | 2017-10-31 | 2019-05-09 | 전자부품연구원 | Multiple Neural Network Configuration Method for Generating Multiple Analog Control Variables |
| KR102021992B1 (en) * | 2018-08-21 | 2019-09-18 | 한국과학기술정보연구원 | Apparatus for controling a trafic signal, method for controling a trafic signal, and recoding medium for controling a tarfic signal |
| CN110400471A (en) * | 2019-07-24 | 2019-11-01 | 杭州电子科技大学 | A kind of control method of Traffic Systems safe operation |
| CN110751831A (en) * | 2019-10-10 | 2020-02-04 | 珠海市岭南大数据研究院 | Travel mode identification method and device, computer equipment and storage medium |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013210941A (en) | 2012-03-30 | 2013-10-10 | I-Transport Lab Co Ltd | Traffic flow prediction device, traffic flow prediction method, and traffic flow prediction program |
-
2016
- 2016-11-15 KR KR1020160152015A patent/KR101742043B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013210941A (en) | 2012-03-30 | 2013-10-10 | I-Transport Lab Co Ltd | Traffic flow prediction device, traffic flow prediction method, and traffic flow prediction program |
Non-Patent Citations (5)
| Title |
|---|
| 김채만 외, "경기도 교통지표 산정에 관한 연구"(2009.08.27) |
| 류시균외 2, 교통수단분담모형을 이용한 수단별 OD구축연구. 경기개발연구원. 2011.12, pp. 1-109.* |
| 이홍석 외, 라지 스케일 GPS 차량 궤적 빅데이터를 위한 딥러닝 연구, 한국정보과학회 학술발표논문집, pp.10-12(2015.12) |
| 이홍석 외, 슈퍼컴퓨터 기반 교통 혼잡 예측을 위한 딥러닝 성능최적화, 한국정보과학회 학술발표논문집, pp.915-917(2016.06)* |
| 진현수, 인공지능기반 AHP를 이용한 교통제어기 설계, 한국지능시스템학회 학술발표 논문집 15(2), pp.448-451(2005.11) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103758A (en) * | 2017-06-08 | 2017-08-29 | 厦门大学 | A kind of city area-traffic method for predicting based on deep learning |
| CN107103758B (en) * | 2017-06-08 | 2019-06-21 | 厦门大学 | A kind of city area-traffic method for predicting based on deep learning |
| WO2019045194A1 (en) * | 2017-08-31 | 2019-03-07 | 현대엠엔소프트 주식회사 | Traffic information prediction device, method, and server |
| KR20190048274A (en) * | 2017-10-31 | 2019-05-09 | 전자부품연구원 | Multiple Neural Network Configuration Method for Generating Multiple Analog Control Variables |
| KR102527605B1 (en) * | 2017-10-31 | 2023-05-02 | 한국전자기술연구원 | Multiple Neural Network Configuration Method for Generating Multiple Analog Control Variables |
| KR101974495B1 (en) * | 2018-08-21 | 2019-05-03 | 한국과학기술정보연구원 | Apparatus for predicting traffic information, method thereof and recoding medium for predicting traffic information |
| KR102021992B1 (en) * | 2018-08-21 | 2019-09-18 | 한국과학기술정보연구원 | Apparatus for controling a trafic signal, method for controling a trafic signal, and recoding medium for controling a tarfic signal |
| WO2020040412A1 (en) * | 2018-08-21 | 2020-02-27 | 한국과학기술정보연구원 | Traffic signal control device, traffic signal control method, and storage medium for storing traffic signal control program |
| CN110400471A (en) * | 2019-07-24 | 2019-11-01 | 杭州电子科技大学 | A kind of control method of Traffic Systems safe operation |
| CN110400471B (en) * | 2019-07-24 | 2020-09-22 | 杭州电子科技大学 | Control method for safe operation of urban traffic system |
| CN110751831A (en) * | 2019-10-10 | 2020-02-04 | 珠海市岭南大数据研究院 | Travel mode identification method and device, computer equipment and storage medium |
| CN110751831B (en) * | 2019-10-10 | 2021-01-22 | 珠海市岭南大数据研究院 | Travel mode identification method and device, computer equipment and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101742043B1 (en) | Apparatus and method for travel mode choice prediction | |
| Zhou et al. | Development of an efficient driving strategy for connected and automated vehicles at signalized intersections: A reinforcement learning approach | |
| CN112700072B (en) | Traffic condition prediction method, electronic device, and storage medium | |
| Li et al. | Deep reinforcement learning enabled decision-making for autonomous driving at intersections | |
| Greenberg | An analysis of traffic flow | |
| Xiao et al. | UB‐LSTM: a trajectory prediction method combined with vehicle behavior recognition | |
| Chai et al. | Fuzzy cellular automata model for signalized intersections | |
| WO2016096226A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| Hu et al. | A review on key challenges in intelligent vehicles: Safety and driver‐oriented features | |
| Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
| Azadani et al. | A novel multimodal vehicle path prediction method based on temporal convolutional networks | |
| Gaikwad | Vehicle velocity prediction using artificial neural networks and effect of real-world signals on prediction window | |
| CN107978148A (en) | A kind of traffic status prediction method based on multi-source traffic data dynamic reliability | |
| Wang et al. | Vehicle Trajectory Prediction by Knowledge‐Driven LSTM Network in Urban Environments | |
| Wu et al. | Traffic control models based on cellular automata for at‐grade intersections in autonomous vehicle environment | |
| CN113205698A (en) | Navigation reminding method based on IGWO-LSTM short-time traffic flow prediction | |
| Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
| Joseph et al. | A novel hybrid deep learning algorithm for smart city traffic congestion predictions | |
| Peng et al. | Evaluation of emergency driving behaviour and vehicle collision risk in connected vehicle environment: A deep learning approach | |
| Seo et al. | LoRa based architecture for smart town traffic management system | |
| Prontri et al. | Traffic signal control using fuzzy logic | |
| Esaid et al. | Machine learning-based eco-approach and departure: Real-time trajectory optimization at connected signalized intersections | |
| Alomari et al. | Traffic speed prediction techniques in urban environments | |
| Hou et al. | Modelling large vehicles operating speed characteristics on freeway alignment based on aggregated GPS data | |
| Osman et al. | Application of long short term memory networks for long-and short-term bus travel time prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |