본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

논문요약

목차

제1장 서론 12

제1절 연구 배경 및 목적 12

제2절 연구의 범위 14

제3절 연구 내용 및 방법 15

제2장 이론적 배경 17

제1절 관련 개념 17

1. 골든타임 정의 및 기준 17

2. 골든타임과 피해 상관관계 18

3. 통행시간의 추정 및 예측 정의 19

4. 통행시간 추정 및 예측 모형 이론 20

5. 딥러닝 모형 이론 22

제2절 국내·외 선행연구 사례 27

1. 통행시간 영향요인 및 추정 관련 연구 27

2. 긴급차량 통행시간 관련 연구 30

3. 딥러닝 기반 통행시간 추정 및 예측 관련 연구 40

제3절 연구의 차별성 및 시사점 41

제3장 데이터 수집 및 분석 42

제1절 개요 42

제2절 데이터 수집 및 분석범위 선정 43

1. 데이터 수집 43

2. 데이터 현황 분석 및 범위 선정 52

제3절 데이터 셋 구축 58

1. 데이터 융합 및 가공 58

2. 추정모형 구축을 위한 변수설정 결과 63

3. 데이터 전처리 65

4. 정규성 검정 66

제4장 딥러닝 기반 통행시간 추정모형 개발 69

제1절 개요 69

1. 개발방법론 69

2. 모형 개발 절차 70

3. 기초 통계 70

제2절 딥러닝을 이용한 추정모형 개발 72

1. 개요 72

2. 입력변수 및 데이터셋 구성 73

3. 모델링 73

4. 딥러닝 학습 및 검증 결과 분석 및 최적 모형 선정 76

제3절 통계기법을 이용한 추정모형 개발 78

1. 개요 78

2. MLR을 이용한 추정모형 개발 78

3. KNN을 이용한 추정모형 개발 87

제5장 모형의 검증 및 평가 92

제1절 검증 및 평가 방법론 92

제2절 모형의 검증 93

1. 모형 검증을 위한 지표 93

2. 모형의 검증 95

제3절 모형의 평가 97

1. 모형 평가 범위 및 대상 97

2. 경로 배정 및 자료 수집 99

3. 개발모형의 평가 결과 100

4. 통계적 검정 106

제6장 결론 및 향후 연구과제 107

제1절 결론 107

제2절 향후 연구과제 109

참고문헌 110

Abstract 117

표목차

〈표 1〉 연구 내용 및 방법 15

〈표 2〉 자동차 및 대형 트럭의 통행시간 추정 방정식 27

〈표 3〉 Mobility Kill Zone 유형의 매개변수 33

〈표 4〉 국가화재정보 화재발생지 현황자료(2018~2019) 43

〈표 5〉 화재 발생 출동 이력 자료 중 연구 변수 선정 44

〈표 6〉 노드 데이터 구성 자료 46

〈표 7〉 노드 데이터 중 선정한 변수의 세부 속성 47

〈표 8〉 KTDB 노드 속성정보 데이터베이스 현황자료 48

〈표 9〉 링크 데이터 구성 자료 49

〈표 10〉 링크 데이터 중 선정한 변수의 세부 속성 50

〈표 11〉 KTDB 링크속성 정보 데이터베이스 현황자료 51

〈표 12〉 경기도 화재발생지 거리별 골든타임 내 도착 건수 52

〈표 13〉 경기도 시·군 도시 통계 및 소방차 평균 통행시간 분석 53

〈표 14〉 경기도 시·군 내 화재 발생 출동 관련 분석 54

〈표 15〉 일반차량과 긴급차량의 동일 경로상의 통행속도 차이 55

〈표 16〉 주요 지역별 화재 발생 현황(2018~2019) 56

〈표 17〉 주요 지역별 골든타임 확보율(2018~2019) 57

〈표 18〉 경기 남부 소방관서 위치 자료 현황(2018년 기준) 58

〈표 19〉 긴급차량 통행 경로에 따른 링크와 노드 62

〈표 20〉 추정모형 구축을 위한 변수 도출 63

〈표 21〉 딥러닝 모형 구축을 위한 최종 변수설정 64

〈표 22〉 딥러닝 모형 분석을 위한 융합데이터 셋 예시 64

〈표 23〉 화재 발생 출동 이력 자료에서 데이터 이상치 및 결측치 제거 65

〈표 24〉 기초 통계량 분석 71

〈표 25〉 긴급차량 통행시간 추정모형 개발을 위한 분석 데이터셋 구축 73

〈표 26〉 딥러닝 모델링 시나리오 구성을 위한 환경 설정 74

〈표 27〉 시나리오별 평가지표 결과 및 최적 모형 선정 76

〈표 28〉 상관계수 크기에 따른 해석 79

〈표 29〉 긴급차량 통행시간과 독립변수 간 상관분석 80

〈표 30〉 다중공선성 발생 변수의 분산팽창지수 산정 83

〈표 31〉 긴급차량 통행시간과 독립변수 간 멱집합(Power Set) 분석 84

〈표 32〉 MLR을 이용한 긴급차량 통행시간 영향력 분석 결과 85

〈표 33〉 MLR을 이용한 긴급차량 통행시간 추정모형 구축 결과 86

〈표 34〉 주성분 분석 - 공통성 88

〈표 35〉 주성분 분석 결과 - KMO-Bartlett 검정, 설명된 총분산 89

〈표 36〉 KNN을 이용한 긴급차량 통행시간 추정모형 구축 결과 91

〈표 37〉 긴급차량 통행시간 추정 개발모형 간 오차 비교 분석 95

〈표 38〉 긴급차량 통행시간 추정 개발모형별 산점도 96

〈표 39〉 모형 평가를 위한 경로 20개소 추출 및 가상변수 설정 97

〈표 40〉 GIS 경로 배정에 따른 노드, 링크 속성정보 99

〈표 41〉 대표지점별 경로 배정 결과 및 추정 통행시간 100

〈표 42〉 개발모형의 평가 결과 105

〈표 43〉 집단통계량 106

〈표 44〉 독립 표본 t-검정 결과 106

그림목차

〈그림 1〉 연구의 공간적 범위 14

〈그림 2〉 연구 수행 절차 16

〈그림 3〉 화재성장곡선(좌)과 구조 골든타임 곡선(우) 17

〈그림 4〉 화재 골든타임 초과 전/후 피해현황 18

〈그림 5〉 화재 확산단계별 사망자 수 18

〈그림 6〉 통행시간 예측과 추정의 단계 19

〈그림 7〉 유클리디안 거리 21

〈그림 8〉 순전파 & 역전파 알고리즘 23

〈그림 9〉 경사 하강법 개념 24

〈그림 10〉 LTSM 구조 26

〈그림 11〉 긴급차량 우선 신호 적용 시, 시뮬레이션 과정 35

〈그림 12〉 현장제어식/중앙관제식 긴급차량 우선신호시스템 개념도 36

〈그림 13〉 GIS 프로그램을 이용한 노드/링크 시각화 및 데이터베이스 45

〈그림 14〉 GeoCorder 주소변환툴을 이용한 좌표 변환 및 지도 표출 59

〈그림 15〉 QGIS 상에 화재발생지 및 소방관서 OD Matrix 분석값 표출 59

〈그림 16〉 기종점 간 최단 시간 직선거리 연결 60

〈그림 17〉 기종점 간 최단 경로 알고리즘에 따른 네트워크 경로 배정 및 코드 61

〈그림 18〉 긴급차량 통행속도 데이터 이상치 제거(Box-plot) 66

〈그림 19〉 긴급차량 통행시간(종속변수) 데이터 정규성 검정 결과 68

〈그림 20〉 통행시간 추정모형 개발 및 검증 절차 70

〈그림 21〉 딥러닝 기반 긴급차량 통행시간 추정모형 개발 절차 72

〈그림 22〉 딥러닝(LSTM) 학습 네트워크 구조 75

〈그림 23〉 LSTM 기반 긴급차량 통행시간 최종 추정모형 구조 77

〈그림 24〉 긴급차량 통행시간(종속변수)과 독립변수 간 상관관계 산점도 81

〈그림 25〉 긴급차량 통행시간(종속변수)와 독립변수 간 상관관계 히트맵 82

〈그림 26〉 KNN을 이용한 긴급차량 통행시간 추정모형 개발 절차 87

〈그림 27〉 KNN 하이퍼파라미터인 근접 이웃 수(K) 도출 90

〈그림 28〉 모형 검증 및 평가 방법론 92

〈그림 29〉 MAE와 MAPE 개념 94

초록보기

본 연구에서는 긴급차량 통행시간과 관련된 실측자료를 수집하여 통행시간 영향요인을 분석하고 이를 활용하여 긴급차량 통행시간을 추정하는 딥러닝 기반 모형을 개발하였다. 이를 위하여 화재 발생 출동 이력 자료와 KTDB 노드/링크 자료를 활용하였고, 딥러닝 모형과 모수 및 비모수 통계 모형을 각각 개발하고, 통계적인 지표를 활용하여 비교 평가 하였다. 그리고 실제 도로구간을 대상으로 적용성에 대한 평가를 수행하였다.

긴급차량 출동 관련 실측 자료 기반으로 긴급차량 통행시간과 독립변수 간의 Pearson 상관분석 결과, 9개의 변수가 유의한 것으로 나타났다. 이후 멱함수 분석을 통해 긴급차량 통행시간의 주요 영향요인 6개(첨두시, 1차로/2차로/3차로 링크길이, 신호지점 수, 비신호지점 수)를 도출하였다.

다양한 입력변수(13개)를 적용하여 딥러닝 모형 기반의 긴급차량 통행시간 추정모형을 개발하였다. 이를 모수적 통계기법의 MLR 모형과 비모수적 통계 기법의 KNN 모형과 평가지표별 비교한 결과, MAPE 기준으로 딥러닝을 이용한 모형의 MAPE가 25.31%로 MLR 모형보다 13.7%, KNN 모형보다 15.7% 오차율이 감소하여 타 모형에 비해 우수한 결과를 나타내었다.

개발모형의 평가를 위해 대표지점 20개소를 선정하여 내비게이션 경로 통행시간과 개발모형의 추정 통행시간을 비교하였다. 평가 결과, 20개 경로 중 75%가 내비게이션 예상 경로 통행시간 보다 개발모형의 추정 경로 통행시간이 빠른 것으로 분석되었다. 통계적 검정 결과 내비게이션 통행시간과 개발모형의 추정 통행시간의 차이는 유의한(t＝2.697, p〈0.05) 것으로 분석되었다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차