Traffic congestion is a common problem in urban areas, and accurate forecasting of queue lengths is necessary to alleviate congestion and manage roads efficiently. Previous queue forecasting studies have not sufficiently considered the characteristics of traffic theory, resulting in a lack of interpretability of the methodology. Previous studies that utilized vehicle data had the limitation of low performance in the case of insufficient vehicles. To overcome these limitations, we propose a new methodology based on deep learning to predict queue length by processing sampled vehicle trajectories based on the theory of shock waves in traffic engineering. The methodology consists of three steps: vehicle feature extraction, queue estimation, and forecasting. In the vehicle attribute extraction phase, vehicle trajectories are analyzed to extract a new concept of data that reflects the shock wave theory. In the queue estimation step, the queue lengths of upstream, target stream, and downstream are estimated based on the extracted data. Finally, the estimation of queues takes into account the data of three adjacent links to analyze the influence of individual characteristics of each link on the queue length of the target stream. The mean absolute error (MAE) is as low as about 3 vehicles, which demonstrates the potential of the proposed integrated structure for queue length forecasting. In summary, this study develops a deep learning model applying shock wave theory to propose an accurate and efficient method for queue length forecasting under diverse traffic demand conditions at signalized intersections based on sampled vehicle data.
교통 혼잡은 도시 지역에서 흔히 발생하는 문제로, 혼잡을 완화하고 도로를 효율적으로 관리하기 위해서는 대기열 길이의 정확한 예측이 필요하다. 기존의 대기열 예측 연구들은 교통 이론의 특성을 충분히 고려하지 않아 방법론의 해석력이 부족한 경우가 있었다. 차량 데이터를 활용한 연구의 경우, 표본 차량의 수가 부족할 경우 예측 성능이 낮아지는 한계가 있었다. 본 연구에서는 이러한 한계점들을 극복하기 위해, 교통공학의 충격파 이론을 바탕으로 샘플링된 차량 궤적를 가공하여 대기열 길이를 예측하는 심층학습 기반의 새로운 방법론을 제안한다. 본 방법론은 차량 특성 추출, 대기열 추정 및 예측의 세 단계로 구성된다. 차량 특성 추출 단계에서는 차량 궤적을 분석하여 충격파 이론을 반영한 새로운 개념의 데이터를 추출한다. 대기열 추정 단계에서는 앞서 추출되 데이터를 기반으로 상류, 목표 도로, 하류 각각의 대기열 길이를 추정한다. 최종적으로 대기열 예측을 위해 인접 링크들의 데이터를 모두 고려하였으며, 이로써 각 링크의 개별적 특성이 목표 도로의 대기열 길이에 미치는 영향력을 분석하였다. 평균 절대 오차(MAE)는 최저 약 차량 3대 수준으로 제안된 통합 구조의 잠재력을 입증하였다. 요약하면, 본 연구는 충격파 이론을 적용한 딥러닝 모델을 개발하여 샘플링된 차량 데이터 기반, 신호가 있는 교차로의 다양한 교통 수요 상태에서도 대기열 길이를 예측하는 정확하고 효율적인 방법을 제안한다.
