[iitp] 딥러닝 기반 도심지 교통혼잡 해결

[교통 흐름 데이터를 시간, 공간에서 2차원 이미지 변화]

 

 

 

 

*** 출처: [iitp] 딥러닝 기반 도심지 교통혼잡 해결 - 이홍석 한국과학기술정보연구원 단장

*** 문서:

file1751390168024927539-185501.pdf

 

 

 

 

딥러닝 기반 도심지 교통혼잡 예측 기법과 강화학습 기반 신호 제어 기술 소개

 

 

 

■ 딥러닝 기반 도심지 교통혼잡 예측

 

 

1. 장단기 메모리(LSTM) 기반 교통혼잡 예측

 

- 시계열 데이터를 이용하여 단기, 중기 그리고 장기 예측을 정확히 할 수 있는 아키텍처

 

- LTSM 아키텍처의 특징은 RNN의 기본 구조에 3개의 입력, 출력, 망가 게이트가 있고, 2개의 활성 함수로 기억 흐름을 조절한다. 즉, 망각 게이트를 최적화하여 신경망의 기억 흐름을 조절할 수 있는 구조. 마치 수돗물을 조절하는 2개의 밸브(꼭지)가 있어서 물의 양, 물의 온도도 조절이 가능한 장치로 이해하면 쉽다

 

 

 

2. 도심지 교통혼잡 예측을 위한 CNN

 

- 교통 데이터를 시공간 이미지로 변환하는 것과 그 이미지를 레이블링하는 것의 어려움 때문에 CNN 적용 사례는 많지 않음

 

- 레이블링: 도로 간격을 일정 간격으로 나누거나, 도심지도를 2차원 Grid로 나눠, 혼잡도로별, 요일별, 시간대별 등의 교통 데이터를 적용 Heatmap을 작성하는 2가지의 방법이 있음

 

 

 

■ 강화학습의 응용 분야

 

 

1. 불연속적인 에이전트 행동은 DQN을 이용

2. 연속적인 에이전트 행동은 DDPG를 이용