최근 교통량 예측을 위한 인공 신경망(Artificial neural networks : ANNs) 구조와 학습방법에 대한 연구가 다양하게 시도되고 있다. 이것은 신경망이 유연한 비선형 모형(non-linear model)으로 강력한 패...
http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
https://www.riss.kr/link?id=A104742627
2004
-
KCI등재
학술저널
155-159(5쪽)
2
0
상세조회0
다운로드국문 초록 (Abstract)
최근 교통량 예측을 위한 인공 신경망(Artificial neural networks : ANNs) 구조와 학습방법에 대한 연구가 다양하게 시도되고 있다. 이것은 신경망이 유연한 비선형 모형(non-linear model)으로 강력한 패...
최근 교통량 예측을 위한 인공 신경망(Artificial neural networks : ANNs) 구조와 학습방법에 대한 연구가 다양하게 시도되고 있다. 이것은 신경망이 유연한 비선형 모형(non-linear model)으로 강력한 패턴 인식 능력을 가지고 있기 때문이다. 그러나, 신경망은 비선형 모형이기 때문에 많은 매개변수(parameter)를 사용하게 되면서 과적합(overfitting) 문제에 부딪히게 된다.본 논문에서는 이러한 교통량 예측을 위한 신경망 모형에서 과적합을 해소하기 위한 방안으로 매개변수에 대한 다양한 모형선택기준(model selection criterion)에 대한 적용성에 대해서 알아보았다. 특히, AIC계열을 중심으로 모형선택기준으로 선택된 모형이 과적합 경향을 해소하고 시간적 전이성을 보장할 수 있는지를 분석하는데 본 연구의 목적을 두고 있다. 교통량 자료를 신경망 모형에 적용하여 분석한 결과, 첫째 학습자료(in-sample) 모형선택기준에 의해 선택된 모형이 검증자료(out-of-sample)의 최적의 성능을 보장하지는 못한다는 결과를 얻었다. 즉, 본 연구에서 기존의 연구에서처럼, 학습자료(in-sample)의 최적 모형이 검증자료(out-of-sample)의 성능과 직접적인 관계가 없다는 것을 알 수 있었다. 둘째 모형선택기준의 안정성을 분석한 결과 AIC3, AICC, BIC는 안정적인 모형을 선택하는 기준으로서 의미가 있는 것으로 분석되었다. 하지만, AIC4의 경우는 최상의 모형과 편차가 큰 것으로 분석되었다. 시계열 자료 분석과 예측에 있어서 모형의 불확실성은 학습 자료와 검증 자료의 상관관계에 영향을 줄 수 있음에 비춰볼 때, 앞으로 보다 많은 자료에 대한 분석이 필요하다고 판단되며, 다른 시계열 자료에 대한 분석이 요구된다.
참고문헌 (Reference)
1 "베이지안 샘플링과 신경망판별함수를 이용한 교통량 패턴그룹기반의 AADT추정(Traffic Pattern Groups-based estimation of AADT using Bayesian Sampling and Neural Network Discriminant Functions)" 57-77, 2002
2 "Neural network for pattern recognition" 116 (116): 371-380, 1995
3 "Neural network design" 11 : 1-25, 1996
4 "Fundamental of neural networks" 11 (11): 289-316, 1994
5 "Fitting autoregressive models for predictions." 243-247, 1969
6 "Abayesian analysis of the minimum aic procedure" 9-14, 1978
7 "AIC를 이용한 신경망모델 선정에 관한 연구" 한양대학교 2002
8 "A new look at the statistical model identification" 716-723, 1974
9 "2nd International Sysmposium on Information Theory" Budapest:Akademia Kiado 267-281, 1973
1 "베이지안 샘플링과 신경망판별함수를 이용한 교통량 패턴그룹기반의 AADT추정(Traffic Pattern Groups-based estimation of AADT using Bayesian Sampling and Neural Network Discriminant Functions)" 57-77, 2002
2 "Neural network for pattern recognition" 116 (116): 371-380, 1995
3 "Neural network design" 11 : 1-25, 1996
4 "Fundamental of neural networks" 11 (11): 289-316, 1994
5 "Fitting autoregressive models for predictions." 243-247, 1969
6 "Abayesian analysis of the minimum aic procedure" 9-14, 1978
7 "AIC를 이용한 신경망모델 선정에 관한 연구" 한양대학교 2002
8 "A new look at the statistical model identification" 716-723, 1974
9 "2nd International Sysmposium on Information Theory" Budapest:Akademia Kiado 267-281, 1973
특송소화물 배송완료시간 최소화를 위한 차량경로문제 연구
계절별 요일별 교통패턴 변동을 반영한 연통행시간 편익산출
퍼지 역평가법과 시나리오 분석을 통한 상하이 및 북중국과 우리나라 컨테이너항만의 경쟁력분석에 관한 연구
완전배정방법을 이용한 도시철도 운행비용 모형의 정립과 적용 (서울, 인천, 부산, 대구지하철을 중심으로)
학술지 이력
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2022 | 평가예정 | 계속평가 신청대상 (등재유지) | |
2017-01-01 | 평가 | 우수등재학술지 선정 (계속평가) | |
2013-01-01 | 평가 | 등재학술지 유지 (등재유지) | |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | |
2008-01-01 | 평가 | 등재학술지 유지 (등재유지) | |
2006-01-01 | 평가 | 등재학술지 유지 (등재유지) | |
2004-01-01 | 평가 | 등재학술지 유지 (등재유지) | |
2001-07-01 | 평가 | 등재학술지 선정 (등재후보2차) | |
1999-01-01 | 평가 | 등재후보학술지 선정 (신규평가) |
학술지 인용정보
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 0.43 | 0.43 | 0.46 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
0.46 | 0.43 | 0.762 | 0.2 |