@article{ref1,
title="Deep-learning based urban vehicle trajectory prediction",
journal="Journal of Korean Society of Transportation",
year="2019",
author="Choi, Seongjin and Kim, Jiwon and Yu, Hwapyeong and Ka, Dongho and Yeo, Hwasoo",
volume="37",
number="5",
pages="422-429",
abstract="Recently, as a variety of position sensors are developed, a large amount of urban position data is collected in the urban traffic networks. Based on the data collected through such location sensors, high-resolution urban mobility data of individual users using urban road networks is generated and collected in the transportation systems. Urban mobility data generated by these sensors provide a novel spatio-temporal insights into the mobility patterns of traffic network users and can be used to develop models and strategies to predict traffic flows in urban areas and improve traffic efficiency. This study proposes an algorithm for predicting urban mobility patterns. Deep learning based algorithm is used to train mobility patterns in urban areas and predict mobility. The proposed algorithm is trained and tested using Bluetooth data collected in Brisbane for one year. As a result of evaluating the performance of the algorithm with the test dataset, the proposed algorithm shows an average prediction accuracy of 70% or more.    최근 다양한 위치추적센서를 통하여 수집된 데이터를 기반으로 교통 분야에서는 도시 도로망을 이용하는 개별 사용자의 고해상도 이동성 데이터가 생성 및 수집되고 있다. 해당 센서에서 생성 된 도시 지역 이동성 데이터는 교통 네트워크 이용자들의 이동 패턴에 대한 시공간적인 새로운 통찰력을 제공하며, 이는 도시 지역 교통 흐름을 예측하고 교통 효율을 향상시키는 모델 및 전략을 개발하는데 사용 될 수 있다. 따라서 이 연구는 도시 지역 이동성 패턴을 예측하고자 도시 지역 차량 궤적을 예측하는 알고리즘을 제안한다. 도시 지역을 구역으로 나누어 거시적 이동성 패턴을 분석한 선행 연구와는 달리, 본 연구에서는 교차로 단위의 차량 궤적 데이터를 생성하여 보다 미시적인 이동성 패턴을 분석하려고 한다, 본 연구에서는 딥러닝 기반의 모델을 사용하여 차량 궤적을 예측하였다. 한 차량이 앞서 진행한 교차로 시퀀스를 입력하여 다음에 이 차량이 진행할 교차로를 예측한다. 제안된 알고리즘은 브리즈번에서 1년간 수집된 블루투스 데이터를 이용하여 학습하고 시험한다. 시험 데이터 세트로 알고리즘의 성능을 평가한 결과 제안된 알고리즘이 평균 70% 이상의 예측 정확도를 보였다.  키워드 도시 지역 이동성 패턴 딥러닝 빅 데이터 차량 궤적   Keywords artificial neural network deep learning urban mobility prediction vehicle trajetory<p /> <p>Language: ko</p>",
language="ko",
issn="1229-1366",
doi="10.7470/jkst.2019.37.5.422",
url="http://dx.doi.org/10.7470/jkst.2019.37.5.422"
}