지능형 교통 시스템(ITS)에서 제공하는 대부분의 교통 흐름 상황은 검지기와 검지기 사이의 링크라 불리는 하나의 도로에 대해 하나의 속도로 표시하고 있다. 그러나 고속도로와 도심 도로 모두 주행 차로에 따른 속도 차이가 있다. 고속도로의 경우 진출과 진입 차로의 차량 속도가 본선 차로와 크게 차이 나는 경우가 관찰된다. 도심에서도 직진, 우회전, 또는 좌회전에 따라 주행 속도가 다르게 관찰된다. 도로의 교통 흐름을 링크의 속도 하나로만 나타내기보다는 차로별로 나타내는 것이 주행 경로의 소요 시간과 같은 교통 상황 예측의 정확성을 높이는 데 효과적이다. 2022년 현재 ITS가 사용하고 있는 방식으로 차로별 주행 속도를 측정하기 위해서는 세밀한 측정 장치를 사용한 교통 데이터 측정과 진행 방향을 추적할 수 있는 복잡도 높은 계산이 필요하여, 높은 비용이 요구된다.
이 연구를 통해 인공 신경망을 활용하여 현재 ITS로부터 입수할 수 있는 링크 속도로부터 차로 별로 속도를 분리하여 예측하는 방법을 개발하였다. 학습과 예측 실험을 위한 데이터는 대구광역시의 국채보상로의 서성네거리와 공평네거리 교차로를 잇는 링크를 중심으로 인접 링크와 교차로에서 ITS가 검지한 데이터를 사용하였다. 서성네거리에서 공평네거리로 진행하는 링크의 속도를 직진, 좌회전, 우회전 속도로 분리 예측하였다. LSTM, CNN, RNN, 다항회귀, 선형회귀의 5가지 인공 신경망을 시험하여 효과적인 학습 모델을 선택하였다. 또한 속도 이외에 인자로서 교통 흐름에 영향을 줄 수 있는 요인들을 학습과 예측에 도입하는 것이 효과적인지 확인하기 위한 실험도 진행하였다.
5개의 인공 신경망 중 정확도가 높았던 LSTM을 활용한 실험 결과, 최종적으로 각 차로의 RMSE가 직진은 6.4km/h에서 5.0km/h로 21.9%, 우회전은 8.5km/h에서 7.4km/h로 12.9%, 좌회전은 8.7km/h에서 8.2km/h로 5.7% 감소했다. 교통 흐름은 현재 교통 상황은 과거 교통 상황으로부터 영향을 받고 동시에 미래 교통 상황에 영향을 주는 특징이 있다. LSTM의 정확도가 높은 것은 LSTM이 이러한 교통 흐름의 특성을 잘 반영하기 때문으로 추정된다. 예측 정확도를 높이기 위해서는 사용하는 특성 데이터의 측정 지역과 수집 시간을 확장한 것이 도움이 되었다. 링크의 종점 뿐만 아니라 링크의 시작점에 연결된 링크들의 속도까지 포함하고, 수집 시간을 연속한 15시간으로 확장하여 학습하였을 때 RMSE가 줄었다. 링크 속도의 수집 시공간을 확장할 때 직진, 우회전, 좌회전 각각 14.5%, 8.9%, 6.2%의 RMSE 감소 효과가 있었다.
LSTM을 활용한 차로별 속도 예측은 교통 정체도가 높을 때 모든 진행 방향에 대하여 정확성이 높았다. 정체되었을 때의 RMSE는 모든 진행 방향에 대하여 원활할 때보다 1/2 정도이었다. 이외 시각, 요일, 휴일과 같은 시각 데이터를 다양하게 포함한 경우를 실험한 결과, 시각을 포함하면 정확도가 높아졌으나 요일과 휴일을 포함하는 경우 정확도가 근소하게 낮아졌다. 그리고 분석 주기를 운전자의 관점에서 실시간에 가깝게 하고자 현재 ITS가 책정한 5분 주기 대신 1분 주기로 분석해 보았다. 실험 결과, 정확도는 직진 차로는 9.82km/h에서 7.37km/h로 24.9%, 우회전 차로는 9.15km/h에서 5.26km/h로 42.5%, 좌회전 차로는 9.82km/h에서 6.08km/h로 38.1% 정확도가 높아졌음을 알 수 있었다.
차로 별로 속도를 예측하는 방법을 사용하면, 직진/우회전/좌회전이 섞여 있는 도심 주행 경로의 소요 시간을 정확히 예측할 수 있다. 시간 구간별 평균 속도보다 개별 차량의 속도를 그대로 사용하는 것이 예측의 정확성을 높일 것이나, 발생 데이터의 폭증 또한 예상된다. 이 문제를 해결하기 위한 검지기의 성능 개선과 설치 위치, 교차로 검지기가 송출하는 데이터를 중간에 포집하여 서버가 해야 하는 계산의 일부를 지역에서 수행하는 중계 서버를 포함한 네트웍 설계에 대한 연구가 필요하다.

Most traffic flow conditions provided by the Intelligent Transport System (ITS) are indicated at one speed for one road, called the link between detectors. However, there is a difference in speed according to the driving lane on highways and city roads. In the case of expressways, the vehicle speed of the exit and entry lanes differs significantly from that of the main road. Even in the city center, the driving speed varies depending on going straight, turning right, or turning left. Representing the traffic flow on the road by lane rather than by link speed alone is more effective in improving the accuracy of traffic situation prediction, such as the travel time required for a driving route. As of 2022, to measure the driving speed for each lane using the method adopted by the ITS, traffic data measurement using detailed measuring devices and complex calculations to track the direction of travel are required, requiring high costs.
This study developed a method separately predicting lane speeds from link speeds available from the current ITS using artificial neural networks. For training and prediction experiments, we used the data detected at adjacent links and intersections centering on the link connecting the Seoseong and Gongpyeong Intersections of Daegu Metropolitan City''s National Debt Compensation Road. We tested five artificial neural networks of LSTM, CNN, RNN, and polynomial and linear regressions to select an effective learning model. Also, we conducted experiments to verify the effectiveness of including factors other than link speeds that can indirectly affect traffic flow.
LSTM, which was the most accurate among the five artificial neural networks, reduces the RSME of each lane by 21.9% from 6.4km/h to 5.0km/h in straight driving, 12.9% from 8.5km/h to 7.4km/h in a right turn, and 5.7% from 8.7 km/h to 8.2 km/h for a left turn. Past traffic conditions cannot help influence current traffic conditions, which, in turn, affect future traffic conditions. The high accuracy of LSTM is likely because LSTM reflects the characteristics of these traffic flows well. The most effective way to improve prediction accuracy was to expand the measurement area and time for collecting the link speed. We could reduce RSMEs when training the neural network by including the speeds of the links connected to the beginning point of the link in addition to its endpoint and extending the collection time to 15 consecutive hours. When extending the collection time and space of link speed, the RSME reduction effect was 14.5%, 8.9%, and 6.2% for straightforward, right-turn, and left-turn, respectively.
The lane speed prediction using LSTM neural network was highly accurate in all directions when traffic congestion was high. When traffic congestion changed from low to high, the RSME dropped to half in all directions. In addition, we tested different combinations of time data, such as current times, days of the week, and holidays. Accuracy improved when we included the current time, but including days of the week and holidays has limited effect. Furthermore, to make the analysis cycle closer to real-time from the driver''s point of view, the analysis was performed at a 1-minute interval instead of the 5-minute currently set by ITS. The accuracy improved by 24.9% from 9.82 km/h to 7.37 km/h in straight lanes, 42.5% in right-turn lanes from 9.15 km/h to 5.26 km/h, and 38.1% from 982 km/h to 6.08 km/h in left-turn lanes.
Using the method of estimating the speed for each lane, it is possible to accurately predict the required time for driving a city route composed of going straight and turning right and left. Using the speed of individual vehicles as it is rather than the average speed for each time interval will increase the accuracy of prediction. However, explosions of generated data are unavoidable. In order to solve this problem, it is necessary to improve the detector''s performance, optimize install locations, and design the network, including a relay server that collects the data transmitted by detectors and performs some of the calculations for the main servers.