산학 프로젝트

우선, 비트센싱 레이더 기반 수집 데이터로 생성 가능한 교통 데이터 및 교통 흐름 분석 지표를 4가지 기준(1. 교통 운영 평가 지표, 2. 교통 안전 평가 지표, 3. 환경성 평가 지표, 4. 경제성 평가 지표)으로 나눠 

각 지표들에 대한 조사를 진행했습니다. 

해당 프로젝트에서 최적의 신호주기를 도출하려는 타겟 지역이 이탈리아의 베로나 시이기 때문에, 자료조사를 진행할 때, 이탈리아 기준에 맞춰 조사를 진행했습니다. 

또한 이탈리아 기준의 데이터가 없을 경우, 유럽을 기준으로 자료조사를 실시하였습니다.

현재 베로나시의 Piazzale Porta Nuova의 남쪽 및 북쪽 교차로의 현시는 37-37-37로 동일하게 설정되어 있습니다. OD matrix를 기반으로 앞서 AI 모델의 train data로 수집된 37가지 현시 조합에 따르면,

시뮬레이션 상 남쪽 교차로의 최적 신호주기는 [37, 52, 22], 북쪽 교차로의 최적 신호주기는 [47, 22, 42]임을 알 수 있었습니다.

최적 신호 주기를 AI 모델을 실행해서 도출한 결과,남쪽 교차로에서는 DNN과 GAN의 최적 신호주기가 [37, 52, 22]로 도출하였습니다. 

즉, 시뮬레이션 상 최적 신호주기로 동일하게 도출되었습니다. 그러나 북쪽 교차로에서는 DNN은 [44, 22, 45], GAN은 [36, 23, 52]를 도출했습니다. 

특히 DNN으로 도출한 최적 신호주기의 경우, 시뮬레이션 상의 최적 신호주기와 비교해봤을 때, 모든 지표에서 기존의 신호주기 대비 개선되었다는 점을 확인할 수 있었습니다. 

이와 달리, GAN모델의 경우, 기존보다 travel time이 0.3초 크기 때문에, 예측 정확도가 DNN 보다 낮음을 확인했습니다. 

MSE와 MAE의 값을 비교해보니, DNN(MSE: 7.89, MAE:1.23)이 GAN(MSE: 24.63, MAE: 3.89)보다 학습의 정확도가 더 높은 것을 확인했습니다. 

즉, 남쪽 교차로와 달리 GAN 모델이 북쪽 교차로에서 예측 정확도가 낮은 것을 확인하였습니다. 

GAN 모델의 경우 분포를 학습하기 때문에, 분포를 확인해본 결과, 시뮬레이션에서 도출한 최적 신호주기보다 GAN모델이 도출한 최적 신호주기의 분산이 작아, 

분포적 측면에서 GAN 모델의 결과가 효과적임을 확인했습니다. 

또한, DNN 모델의 최적 신호 주기로 시뮬레이션을 진행해 분포 결과를 확인해보니, 시뮬레이션을 근거한 신호주기보다 분산이 더 작게 나온 것을 확인했습니다.

DNN의 분산을 GAN 모델의 분포와 비교해봤을 때, GAN 모델의 결과가 DNN 대비 평균적으로 낮은 분산 값을 가지는 최적 신호주기를 도출하는 것으로 확인하여, 

분포가 반영된 GAN 모델이 DNN 모델보다 안정성(robustness)이 고려된 최적 신호주기를 찾는다는 의의를 도출할 수 있었습니다.