상태공간 신경망을 활용한 고속도로 여행 시간 예측: 순환 신경망을 통한 상태공간 동역학 모델링

순환 신경망을 기반으로 한 고속도로 여행 시간 예측 접근법이 제시됩니다. 여행 시간 예측은 흐름, 속도 및 밀도 간의 복잡한 비선형 시공간 관계를 처리할 수 있는 모델링 접근이 필요합니다. 문헌에 따르면, 피드포워드 신경망은 이 문제를 해결하는 데 적합한 수학적 모델의 한 종류입니다. 피드포워드 접근의 단점은 입력 시계열의 크기와 구성 요소가 본질적으로 설계 선택이기 때문에 모든 입력에 대해 고정된다는 점입니다. 이는 불필요하게 큰 모델로 이어질 수 있습니다. 또한, 서로 다른 교통 조건에 따라 서로 다른 크기와 구성 요소의 입력 시계열이 필요할 수 있는데, 이는 어떤 피드포워드 데이터 기반 방법으로도 충족되지 않는 요구 사항입니다. 제시된 순환 신경망 토폴로지는 시공간 관계를 암묵적으로 처리할 수 있습니다. 이 신경망의 토폴로지는 여행 시간 예측 문제의 상태공간 공식화에서 파생되며, 이는 교통 흐름 이론과 일치합니다. 네덜란드의 밀집 사용되는 고속도로 구간에서 합성 데이터에 대해 여러 버전의 상태공간 신경망의 성능을 테스트했습니다. 이 신경망 모델은 경험한 여행 시간을 정확히 예측할 수 있으며, 실제 기대 여행 시간의 10%를 넘는 경우는 거의 없이 평균이 0인 정규 분포 잔차를 생성했습니다. 또한, 내부 상태 및 가중치 구성에 대한 분석은 신경망이 기본 교통 프로세스와 연결된 내부 모델을 개발할 수 있음을 보여주었습니다.