신경망 이론과 유전자 알고리즘을 결합한 신호교차로 대기행렬 예측기법에 관한 연구

Abstract

Good examples of existing models that predict queue length may include statistical models and neural network model. Previous studys showed the neural network model was more effective than the statistical models on prediction capability. However the neural network model has its shortcomings in the term of excessive learning times. This study proposes hybrid model which a combination of genetic algorithm and neural network minimizing the learning times. In this model, travel time, arrival volume, departure volume and queue length are used for neural network's learning patterns for the queue prediction. RMSE(Root Mean Square Error) is used for a MOE(Measure Of Effectiveness). The comparison of the two models showed that the predicting capability of Hybrid model is more effective than that of neural network model. The proposed hybrid model is able to predict queue length, thus it can apply to traffic signal controls.

기존 대기행렬길이를 예측하기 위한 신경망 모형은 통계적 방식을 이용한 예측보다 더 우수한 예측력을 보였지만 단지 예측력만을 고려한 분석이였다. 신경망의 과도한 학습시간과 진동학습(지역최소점에 빠진경우)이라는 문제점은 극복하지 못했다. 본 연구에서는 신경망(neural network)모형의 단점을 극복하기 위해 신경망모형에 유전자 알고리즘(genetic algorithm)을 결합한 결합모형(Hybrid model)을 구현했다. 그리고 대기행렬길이 예측을 위한 신경망의 학습자료 구성은 과거 시계열적자료 (통행시간, 유출교통량, 유입교통량, 대기행렬길이)를 사용하였다. 본 연구에 사용된 신경망과 결합모형간의 예측치와 관측치를 비교하기 위해 평균제곱근오차(RMSE)을 비교척도로 사용하여 대기행렬길이에 대한 신경망모형과 결합모형간 예측력과 수렴속도를 비교했다. 그 결과 결합모형의 RMSE값이 더 적은 것으로 나왔으며, 신경망 모형이 결합모형에 비해 대안별 RMSE 변화의 폭이 크게 나타났다. 이는 향후 결합모형을 적용한 대기행렬길이 예측시스템 사용시 학습시간 단축으로 실시간 예측모형에 적합한 것으로 판단된다.