Transportation network is a transition system which internal condition transfer across the stationary states. Numerous researches have pointed out the state transition as a primary event that triggers traffic dynamics. However, exact impact regarding the precursor state has not been revealed yet. At this time, this dissertation proposes a data-driven methodology to understand the traffic dynamics involving state transition (Part I), and develop a prediction algorithm that provides an accurate, efficient, stable pattern search, produces a reliable information, and organizes a robust structure (Part II).
In an effort to uncover the mechanism of traffic dynamics, Part I conducts empirical study on the scope of macroscopic and microscopic analysis. Systematic identification method classifies stationary and oscilla-tory traffic into several classes including FF, BN, CT, BQ, transition, and oscillation. Section-based perspec-tive presents that inequalities on the capacities (involving with section hysteresis) are characterized by section traffic states differentiated by the section-acceleration. Also, accompanied by traffic oscillations, a series of capacity loss suggests the negative impact of oscillations on traffic dynamics triggering subsequent perfor-mance degradations. This subsequent impact is indirectly supported by microscopic trajectory analysis that quantitatively yields changes in driving behavior after local oscillations which triggered by lane changes.
As a part of application of the empirical findings, Part II develops a search-based structured prediction methodology for traffic state prediction. The k-NN based pattern search strategy improves the predictive ca-pability by modifying its search structure as a sequential processing. The evaluation provides the fact that the sequential search outperforms the single-level search in terms of predictive accuracy, efficiency, and stability, while, at the same time, improving the computational efficiency of the search process. Part II also pioneers a new service criteria: potential transition probability. This prediction is informative as it provides potential transition hazards inherent in the future expectation by increasing predictive reliability. Followed by, GA-based training determines the robust sequential search structure that maximizes predictive accuracy. This training process allows the sequential search to adapt to the environmental change in prediction. The pro-posed sequential structure and its relevant performances may begin to be a significant solution on the real-time on-line operationalization of search-based method in the era of big-data.
교통 네트워크 시스템은 일종의 추이 시스템으로서 내부 상태의 확률적 전이현상이 지속적으로 관측되어 왔다. 상태 전이로 인한 동적 교통 변화를 수반한 고속도로 성능 손실은 공학적 문제로 제기되어 왔으나, 정확한 기작과 그 영향에 대한 연구는 미비하다. 이에 본 논문에서는 데이터 기반 방법론을 개발함으로써 상태 전이 현상에 따른 네트워크 상태 변화를 이해하며 (파트I), 새로운 형태의 예측 알고리즘 개발을 통해 교통 상태 예측 시스템의 정확도, 효율성, 안정성, 정보의 신뢰도, 그리고 모델 견고성을 향상 시키고자 한다 (파트II).
우선, 상태 전이로 인한 동적 변화 현상을 규명하기 위해 거시？미시적 관점에서 경험적 분석을 수행하였다 (파트 I). 군집화 기반 교통상태 식별 알고리즘 개발을 통해 교통상태를 안정상태, 전이상태, 진동상태로 체계적으로 분류하였으며, 섹션 기반 관점에서 내부 가속상태에 따라 변화하는 최대 교통량을 이력현상을 활용해 용량 불균형현상을 설명하였다. 또한, 상태진동과 교통 동적 흐름 간 관계 분석을 통해 초기 와해로부터 이어지는 일련의 용량손실 현상을 최초로 보고하였으며 그에 따른 용량손실 정도를 측정하였다. 그 결과 차선 수와 연속적인 용량손실과의 음의 관계를 나타내 보였으며, 이를 다차선 도로의 내부 진동강도에 대한 반발성을 활용해 설명하였다. NGSIM 데이터를 활용한 개별 차량의 행태변화에 대한 미시적 분석이 이를 부분적으로 뒷받침해 준다. 차로변경으로 인한 국부적 진동류 발생은 후속 교통류의 운전행태 변화를 야기시키며, 결국 가다서다 파동이 상류부로 전파되는 것이다. 운전 환경에 따른 가다서다 파동의 여파를 미시적 차원에서 실질적으로 분석함으로써 기존 교통류 이론들을 수치적으로 검증하였으며, 연속적인 용량손실 현상의 원인을 규명하였다.
한편, 미래 교통 상태 예측을 위해 패턴 탐색 기반 예측 기법을 개발하였다 (파트 II). 제안된 k-NN 알고리즘은 기존의 단일 수준 탐색 기법을 개선한 순차적 탐색 구조로서 예측 정확도, 효율성, 그리고 안정성을 유의미하게 향상시키며, 동시에 전산 비용을 크게 절감할 수 있는 것으로 밝혀졌다. 예측 결과를 토대로 산정된 상태 전이 확률은 예측 정보의 신뢰도를 향상시켰다. 단순히 미래 기대치뿐 아니라 잠재적으로 내재된 상태 후보군에 대한 정보를 제시함으로써 기존에 없었던 새로운 예측 서비스 분야를 개척했다고 평가된다. 외부적 요인에 따른 예측 환경 변화에 견고한 순차적 탐색 구조 구현을 위해 유전 알고리즘 기반 최적화 트레이닝 과정을 구현하였으며, 이에 따라 최적 탐색 순서 및 매개변수를 도출함으로써 모델 적응성을 향상시켰다. 본 논문을 통해 제안된 예측 시스템은 빅 데이터 환경 내 탐색 기반의 예측 방법론의 실질적인 적용에 있어 중요한 해결책의 시작이 될 수 있을 것으로 기대된다.
