Q-Net: Queue Length Estimation via Kalman-based Neural Networks

작성자

Haebom

카테고리

Empty

저자

Ting Gao, Elvin Isufi, Winnie Daamen, Erik-Sander Smits, Serge Hoogendoorn

💡 개요

신호 교차로에서의 대기열 길이 추정은 교통 관리의 오랜 과제였으며, 본 논문은 루프 검지기 계수와 부동 차량 데이터(aFCD)라는 두 가지 데이터 소스를 활용하는 Q-Net 프레임워크를 제안합니다. Q-Net은 칼만 필터 기반의 상태 공간 모델을 사용하여 데이터 통합의 어려움을 해결하고, AI를 통해 시간 변화에 따른 필터 이득을 학습하며, 물리적 해석 가능성을 유지합니다. 이를 통해 정확한 대기열 길이 추정, 실시간 구현, 그리고 공간적 전이성을 개선하여 기존 방식보다 우수한 성능을 보여줍니다.

🔑 시사점 및 한계

•

다양한 공간 및 시간 해상도를 가진 교통 데이터를 효과적으로 통합하여 대기열 길이를 정확하게 추정할 수 있습니다.

•

칼만 필터의 예측-업데이트 구조와 AI 기반 학습을 결합하여 물리적 해석 가능성을 유지하면서도 데이터 기반으로 최적의 성능을 달성합니다.

•

카메라나 레이더와 같은 고가 센서 없이도 실시간으로 대기열 길이를 추정할 수 있어 교통 관리 시스템의 효율성과 경제성을 높일 수 있습니다.

•

제안된 모델의 일반화 성능을 다양한 도시 환경 및 교통 조건에서 추가적으로 검증할 필요가 있습니다.

PDF 보기

Made with Slashpage