This study categorizes traffic detectors into Eulerian and Lagrangian and addresses the challenges each faces. First, Eulerian sensing collects traffic data from all passing vehicles at detector locations over time. However, due to several factors, including detector malfunctions and communication errors, missing data frequently occurs. To address this problem, a Spatial Temporal Transformer Networks (STTNs) model was developed that applies an attention mechanism to impute missing traffic data. This model was evaluated across three types of missing patterns (MCAR, TCM and SCM) and missing rates ranging from 10% to 90%. The evaluation results showed that the accuracy decreases as the missing rate increases, with the highest accuracies observed for MCAR, followed by SCM and TCM. Next, Lagrangian sensing involves collecting trajectory data from probe vehicles, but this data is typically sparse, and detailed trajectory information is obscured during the spatiotemporal aggregation. To address this issue, a Pix2Pix Generative Adversarial Networks (GANs) model was developed, capable of estimating traffic speeds at the trajectory level with only 5% of the probe vehicle data. Despite being trained on simulation data, this model demonstrated superior performance on real-world datasets from NGSIM US-101 and I-80. These results suggest that even with varying road geometries and traffic characteristics, traffic states can be accurately estimated at the trajectory level based on images derived from trajectory data.
본 연구는 교통 검지기 유형을 오일러리안과 라그랑지안 검지기로 분류하고, 각 검지 방식이 직면하는 문제를 해결하고자 한다. 먼저, 오일러리안 검지기는 시간 경과에 따라 검지기가 설치된 지점을 통과하는 모든 차량의 데이터를 수집한다. 그러나, 검지기의 오작동이나 통신 오류와 같은 다양한 요인으로 인해 데이터 누락이 종종 발생한다. 이를 해결하고자, 어텐션 메커니즘을 적용한 Spatial Temporal Transformer Networks (STTNs) 모델을 개발하여 누락된 교통 데이터를 재구성하였다. 이 모델은 세가지 유형의 누락 패턴 (MCAR, TCM, SCM)과 10%에서 90%에 이르는 다양한 누락률에서 평가되었다. 평가 결과, 누락률이 증가함에 따라 정확도가 낮아 졌으며, MCAR, SCM, TCM 순으로 높은 정확도를 보였다. 다음, 라그랑지안 검지기는 프로브 차량으로부터 궤적 데이터를 수집하나 이 데이터는 표본이 매우 희박하며, 시공간 집계 과정에서 궤적의 세부 정보가 손상되는 문제가 있다. 이를 해결하고자, 단 5% 프로브 차량 데이터만을 활용하여 궤적 수준에서 교통 속도를 추정할 수 있는 Pix2Pix Generative Adversarial Networks (GANs) 모델을 개발하였다. 이 모델은 시뮬레이션 데이터를 기반으로 학습되었음에도, 실 데이터인 NGSIM US-101과 I-80에서 우수한 성능을 보였다. 이 결과는 도로의 기하학적 구조와 교통 특성이 다름에도 불구하고, 5% 궤적 데이터를 기반으로 형상화된 이미지 레이아웃만으로도 궤적 수준에서 교통 상태를 정확하게 추정할 수 있음을 보여준다.
