딥러닝 기반 교통량 단기예측

스마트 교차로 구현을 위해 교차로로 진입하는 교통량을 딥러닝으로 예측

LSTM

일반적인 신경망Feed-forward neural networks(FFNets) 에서는 데이터를 트레이닝 셋과 테스트 셋으로 나누어서 관리를 하고 트레이닝 셋을 통해서 신경망의 가중치를 학습시키고 이 결과를 테스트셋을 통해서 확인을 하는 방식이다.

FFNets에서는 데이터를 입력하면 입력층에서 은닉층까지 연산이 차근차근 진행되고 출력이 되는데 이 과정에서 입력 데이터는 모든 노드를 딱 한 번씩만 지나간다. 데이터가 노드를 한 번만 지나가게 된다는 것은 데이터의 순서 즉 시간적인 측면을 고려하지 않는 구조라는 의미이다. 데이터들의 시간 순서를 무시하고 현재 주어진 데이터를 통해서 독립적으로 학습한다.

하지만 RNN의 경우는 은닉층의 결과가 다시 같은 은닉층의 입력으로 들어가도록 연결되어있어 순서 또는 시간이라는 측면을 고려할 수 있는 특징을 유지한다. 이렇게 순서적인 측면을 고려할 수 있는 RNN은 특히 Sequence data를 다루는데 도움이 된다.

CNN model

Convolution은 기능을 추출하는 효율적인 방법이며, 많은 관련 작업에서 CNN 계층을 트래픽 예측 작업에 적용했습니다. 다음 섹션에서는 먼저 CNN의 작동 메커니즘에 대해 설명하고 트래픽 변수와 함께 컨볼 루션 연산을 사용하여 트래픽 변수 (예 : FD) 간의 내부 관계를 활용하는 새로운 방법을 제안합니다.