The increasing of population and vehicles has led to the problem of traffic delay which is one of major issues on the freeways. Also, serious traffic accidents cause severe delays and traffic flow interruption, not only the location in which the accident occurs but area of the surroundings. To be prompt in dealing with the traffic accident and reduce delay time, although it has been utilized the on-line incident detection algorithm, the real-time accident duration and queue length prediction have not been applied.
This study reviews the concept of artificial neural network, genetic algorithm, and combination of them to find out optimal solution. The study also reviews the previous studies to find out the limitations related to them. In this thesis, each three types of the real-time accident duration prediction model and real-time queue length prediction model is analyzed using artificial neural network optimized by genetic algorithm. The each prediction result is compared with actually calculated accident duration and queue length which is obtained from actual accident data and traffic flow data at the time of traffic accident occurrence. The traffic accident data is obtained from the Traffic Accident Surveillance and Analysis System (TASAS) and the traffic information data is obtained from the Freeway Performance Measurement System (PeMS). Two data are combined to predict real-time accident duration and queue length, and the combined data is divided into training data set and test data set. The developed model is evaluated by various measurements and the possibility of applying the developed method is validated through the evaluation.
The developed model shows that all the real-time accident duration prediction models are predicted more accurately with lower Mean Absolute Percentage Error (MAPE) than all the real-time queue length predication models in both the training data set result and the test data set result. The results have brought the applicability of using artificial neural network optimized by genetic algorithm to predict real-time accident delay temporally and spatially. By using the proposed prediction model, real-time accident duration and queue length can be predicted with only the variables at the time of accident occurrence.
It is important to analyze the accident data and predict real-time accident duration and queue length so that the effective strategies are implemented to manage traffic flow and the secondary accident caused by delay is prevented. The accurate real-time prediction of accident duration and queue length can provide critical information for agencies to manage the accidents or drivers to pass through the accident location. Also, it can contribute to improve accuracy and reliability of travel time prediction in real time.
급격한 인구와 차량의 증가는 고속도로의 가장 큰 문제점 중의 하나인 교통 정체를 야기해왔다. 또한, 심각한 교통사고는 사고가 발생한 지점뿐만 아니라, 주변지역까지 극심한 정체와 교통 흐름의 차단을 야기한다. 교통사고를 빠르게 처리하고, 지체 시간을 감소시키기 위해, 온라인 돌발상황 검지 알고리즘(On-line incident detection algorithm)이 활용되고 있지만, 실시간 사고 지속시간과 혼잡길이 예측은 적용되지 않고 있다.
본 연구에서는 교통사고 데이터 분석과 사고 지체 분석을 위한 다양한 방법론, 인공신경망, 유전 알고리즘, 그리고 최적해를 찾기 위한 유전 알고리즘으로 최적화된 인공신경망의 개념들이 검토되었다. 그리고 각 방법의 한계점을 알아내기 위해 선행 연구가 검토되었다. 본 논문에서는 유전 알고리즘으로 최적화된 인공신경망을 사용한, 각각 세가지 종류의 실시간 사고 지속시간 예측 모델과 혼잡길이 예측 모델이 분석되었고, 각 예측 결과는 사고가 발생한 시점의 실제 사고 데이터와 교통류 데이터로부터 얻은 실제 사고 지속시간 및 혼잡길이와 비교되었다. 교통사고 데이터는 Traffic Accident Surveillance and Analysis System (TASAS)로부터 얻었고, 교통 정보 데이터는 Freeway Performance Measurement System (PeMS)로부터 얻었다. 두 데이터는 실시간 사고 지속시간과 혼잡길이를 예측하기 위해 결합되었고, 결합된 데이터는 학습 집합(Training dataset)과 검증 집합(Test dataset)으로 나누어졌다. 개발된 모델은 다양한 측도(Measurement)들을 통해 평가되었고, 평가를 통해, 개발된 방법론의 적용 가능성이 입증되었다.
개발된 모델은 평균 절대적 백분율 오차(MAPE : Mean Absolute Percentage Error)를 통해 학습 집합과 검증 집합에서 모두 실시간 사고 지속시간이 실시간 혼잡길이보다 더 정확하게 예측된 것을 보여주었다. 이 분석 결과는 시, 공간적으로 실시간 사고 지체를 예측하기 위해 사용된 유전 알고리즘으로 최적화된 인공신경망의 적용 가능성을 제시하였다. 본 논문에서 제시한 예측 모델을 통해, 단지 사고가 발생한 시점에서 얻을 수 있는 변수들 만으로 실시간 사고 지속시간 및 혼잡길이를 예측할 수 있다.
교통 흐름을 관리하고, 지체로 인해 발생하는 이차적인 사고 예방을 위한 효과적인 전략을 실행하기 위해서, 사고 데이터를 분석하고, 실시간 사고 지속시간 및 혼잡길이를 예측하는 것은 중요하다. 정확하게 예측된 실시간 사고 지속시간과 혼잡길이의 결과는 교통사고를 관리하는 정부 기관이나 사고 지점을 지나가는 운전자들에게 중요한 정보로 제공될 수 있다. 또한, 본 연구는 실시간 통행 시간 예측의 신뢰도와 정확도 향상에 기여할 수 있다.
