Prediction of Divided Traffic Demands Based on Knowledge Discovery at Expressway Toll Plaza

고속도로의 주요 영업소 톨부스는 일반적으로 2개 차종(경차포함 승용차, 승용차 이외의 중차량)의 교통수요 변동에 따른 사전 대응방식으로 각 차종에 대하여 운영된다. 이러한 의미에서 2개 차종에 대한 정확한 교통량 예측은 영업소의 첨단 운영에 있어 주요 요소 중 하나이다. 유감스럽게도, 기존 연구로 보고된 현행의 일변량 단기 예측 기법들을 이용하여 2개 차종의 교통량을 동시에 예측하기는 용이하지 않다. 이러한 실용적 학술적 배경으로 인해 수용 가능한 정확도의 수준에서 2개 차종의 장래 교통량 예측은 ITS 예측 분야의 매력적인 연구 주제 중 하나이다. 따라서 본 연구에서는 기존의 일변량 단기 예측기법의 단점을 극복함과 더불어 2개 차종의 교통량을 동시에 예측하기 위한 다중 입출력(Multiple In-and-Out, MIO) 모형을 제시하도록 한다. 제안된 MIO 모형은 대용량 이력자료의 실시간 이용이 가능한 자료 환경에서 비모수 접근법을 기반으로 개발되었다. 실제 자료를 이용한 적용가능 실험에서, 개발모형은 다변량 예측 수준에도 불구하고 폭 넓게 이용되는 일변량 예측모형 중 하나인 Kalman filtering에 비하여 예측 정확도 측면에서 우수하게 나타났다. The tollbooths of a main motorway toll plaza are usually operated proactively responding to the variations of traffic demands of two-type vehicles, i.e. cars and the other (heavy) vehicles, respectively. In this vein, it is one of key elements to forecast accurate traffic volumes for the two vehicle types in advanced tollgate operation. Unfortunately, it is not easy for existing univariate short-term prediction techniques to simultaneously generate the two-vehicle-type traffic demands in literature. These practical and academic backgrounds make it one of attractive research topics in Intelligent Transportation System (ITS) forecasting area to forecast the future traffic volumes of the two-type vehicles at an acceptable level of accuracy. In order to address the shortcomings of univariate short-term prediction techniques, a Multiple In-and-Out (MIO) forecasting model to simultaneously generate the two-type traffic volumes is introduced in this article. The MIO model based on a non-parametric approach is devised under the on-line access conditions of large-scale historical data. In a feasible test with actual data, the proposed model outperformed Kalman filtering, one of a widely-used univariate models, in terms of prediction accuracy in spite of multivariate prediction scheme.