기상데이터를 결합한 경부고속도로 시계열 교통량 예측 모델링|RISS 상세보기

국문 초록 (Abstract)

최근 도로 교통량의 지속적인 증가에 따라, 고속도로를 중심으로 한 효율적인 교통 관리와 예측의 중요성이 부각되고 있다. 그러나 기존의 교통량 예측 연구는 과거의 교통량 데이터에만 의존하여 기상 등 외부 요인을 충분히 반영하지 못하는 한계를 가진다. 이에 따라 본 연구는 기상 데이터를 고려한 시계열 기반 교통량 예측 모델을 경부고속도로 데이터에 적용하여 분석하고 기상 변수와 교통 데이터를 결합한 후 Temporal Fusion Transformer(TFT) 모형을 적용하여 교통량 예측 성능을 향상하고자 한다. 실험 결과, 기상 데이터를 포함한 경우 모든 모델에서 예측 성능이 향상되었으며, TFT가 LSTM보다 우수한 정확도를 보였다. 기상 데이터를 포함한 경우 MAPE 기준으로 LSTM 대비 수원 지역에서 4.27, 대구 지역에서 1.44 더 낮은 오차율을 보였다. 본 연구는 기상 데이터를 고려한 교통량 예측의 실효성을 확인하고, 향후 다양한 외부 요인을 반영한 연구로 확장될 수 있는 가능성을 제시한다.

번역하기

최근 도로 교통량의 지속적인 증가에 따라, 고속도로를 중심으로 한 효율적인 교통 관리와 예측의 중요성이 부각되고 있다. 그러나 기존의 교통량 예측 연구는 과거의 교통량 데이터에만 의...

다국어 초록 (Multilingual Abstract)

As road traffic volume has steadily increased, the need for efficient traffic management and accurate prediction, particularly on expressways, has become increasingly critical. However, existing traffic prediction studies are often limited by their reliance on historical traffic data, failing to adequately consider external factors such as weather conditions. To address this limitation, this study integrates meteorological variables with traffic data and evaluates the performance of the Temporal Fusion Transformer (TFT) model. Experimental results indicate that incorporating weather data improves prediction accuracy across all models, with the TFT model outperforming LSTM. Specifically, the TFT model achieved a reduction in MAPE compared to LSTM by 4.27 percentage points in Suwon and 1.44 percentage points in Daegu. These findings demonstrate the effectiveness of integrating weather data in traffic volume prediction and suggest the potential for future research to incorporate additional external factors.

번역하기