KR20160127896A - 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 - Google Patents

오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20160127896A
KR20160127896A KR1020150059203A KR20150059203A KR20160127896A KR 20160127896 A KR20160127896 A KR 20160127896A KR 1020150059203 A KR1020150059203 A KR 1020150059203A KR 20150059203 A KR20150059203 A KR 20150059203A KR 20160127896 A KR20160127896 A KR 20160127896A
Authority
KR
South Korea
Prior art keywords
error
training data
traffic volume
genetic programming
entities
Prior art date
Application number
KR1020150059203A
Other languages
English (en)
Other versions
KR101725629B1 (ko
Inventor
원동호
강동우
김지예
문종호
이동훈
정재욱
최윤성
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020150059203A priority Critical patent/KR101725629B1/ko
Publication of KR20160127896A publication Critical patent/KR20160127896A/ko
Application granted granted Critical
Publication of KR101725629B1 publication Critical patent/KR101725629B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 실시예들에 따른 유전 프로그래밍 기반의 교통량 예측 시스템은 유전 프로그래밍 환경 변수들 및 훈련 데이터를 저장하는 유전 프로그래밍 데이터베이스, 유전 프로그래밍을 위한 함수들 및 터미널들로 구성된 현재 세대의 개체들에 대한 교배 및 변이를 포함하는 진화 절차들을 수행하여, 후속 세대의 개체들을 생성하는 진화 절차 처리부 및 후속 세대의 개체로부터 얻은 예측값과 훈련 데이터의 차이인 오차에 관하여, 오차 구간별로 서로 다른 가중치들을 부여하는 적합도 함수를 이용하여, 후속 세대의 개체들 중에서 적어도 일부의 개체들을 선택하며, 선택된 개체들을 진화 절차 처리부에 제공하는 개체 선택부를 포함할 수 있다.

Description

오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING VEHICULAR TRAFFIC BASED ON GENETIC PROGRAMMING USING FITNESS FUNCTION CONSIDERING ERROR MAGNITUDE}
본 발명은 교통량 예측 기법에 관한 것으로, 더욱 상세하게는, 유전 프로그래밍에 기반한 교통량 예측 기법에 관한 것이다.
교통량 예측 문제는 국가적 과제 중 하나인 지능형 운송 시스템(ITS: Intelligent Transport Systems) 사업 중에서도 중요한 부분을 차지한다. 지능형 운송 시스템은 교통 수단 또는 교통 시설에 전자, 제어 및 통신 등 첨단 교통 기술과 교통 정보를 적용함으로써 교통 체계의 운영 및 관리를 과학화하고 자동화하며 교통의 효율성과 안정성을 향상시키기 위해 연구되고 있다.
효율적인 교통량 예측을 위해 다양한 예측 기법들이 시험되고 있는데, 유전 알고리즘 또는 유전 프로그래밍을 적용한 예측 기법들도 속속 제안되고 있다.
유전 알고리즘은 자연 세계의 진화 과정과 그에 따른 선택과 도태를 모방하여 최적 대안을 도출할 수 있도록 구축된 계산 모델로서, 전역 최적화 기법 중 하나이다.
유전 프로그래밍은 프로그래밍 기법과 유전 알고리즘을 결합한 것으로서, 유전자들이 트리 구조, 선형 구조, 그래프 구조, 스택 구조 등과 같은 구조체를 이룬다. 유전자들은 그 자체로 일종의 작은 프로그램 조각인 함수이거나, 상태 변수들과 같은 터미널이다. 이러한 함수들과 터미널들을 유전자로 가지는 각각의 개체들은 매 세대마다 소정의 진화 절차들, 예를 들어, 교배, 변이 및 대치되고, 자손 세대의 개체들 중에서 일부 개체들이 선택되며, 선택된 개체들이 다시 진화 절차를 수행하는 것을 반복함으로써 최종적으로 가장 최적화된 개체가 선택된다. 이렇게 하여, 최적화된 프로그램이 자동으로, 또한 동적으로 생성될 수 있다.
이때, 유전 알고리즘이나 유전 프로그래밍은 특정 유전자 조합이 얼마나 우수한지를 수치화하는 적합도 함수들을 이용하여 유전자 조합들을 선택 내지 도태시킨다.
유전자 조합의 우수성은 과거에 실존하였던 데이터들과 예측된 데이터들의 차이인 오차에 기초하여 수치화될 수 있다. 기존의 적합도 함수들은 예를 들어 오차의 표준 편차(SDE), 오차의 평균제곱근편차(RMSE), 평균절대 백분비 오차(MAPE), 평균 절대 오차(MAE), 타일의 불일치 계수(Theil's U-Statistics), 더빈-왓슨 계수 모형 통계량(Durbin-Watson Statistic) 등이 있다.
본 발명이 해결하고자 하는 과제는 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법을 제공하는 데에 있다.
본 발명이 해결하고자 하는 과제는 오차의 통계적 특성을 이용하는 종래의 적합도 함수들의 제한된 성능을 개선할 수 있는 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법을 제공하는 데에 있다.
본 발명이 해결하고자 하는 과제는 적합도 함수의 성능이 개선됨에 따라 좀 더 빠르고 정확한 예측 결과를 도출할 수 있는 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법을 제공하는 데에 있다.
본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확히 이해될 수 있을 것이다.
본 발명의 일 측면에 따른 유전 프로그래밍 기반의 교통량 예측 시스템은 유전 프로그래밍 환경 변수들 및 교통량 훈련 데이터를 저장하는 유전 프로그래밍 데이터베이스; 유전 프로그래밍을 위한 함수들 및 터미널들로 구성된 현재 세대의 개체들에 대한 교배 및 변이를 포함하는 진화 절차들을 수행하여, 후속 세대의 개체들을 생성하는 진화 절차 처리부; 상기 후속 세대의 개체로부터 얻은 예측값과 훈련 데이터의 차이인 오차에 관하여, 오차 구간별로 서로 다른 가중치들을 부여하는 적합도 함수를 이용하여, 상기 후속 세대의 개체들 중에서 적어도 일부의 개체들을 선택하며, 상기 선택된 개체들을 상기 진화 절차 처리부에 제공하는 개체 선택부; 및 최종적으로 선택된 개체를 구성하는 함수들 및 터미널들에 따른 프로그램과 입력 데이터에 기초하여 교통량을 예측하는 교통량 예측부를 포함할 수 있다.
일 실시예에 따라, 상기 적합도 함수는 오차의 부호에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
일 실시예에 따라, 상기 적합도 함수는 0보다 큰 오차의 가중치에 비해 0보다 작은 오차의 가중치가 크도록 설정될 수 있다.
일 실시예에 따라, 상기 적합도 함수는 다음 수학식
Figure pat00001
에 따라 주어지고, 여기서
Figure pat00002
는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
Figure pat00003
은 가중치일 수 있다.
일 실시예에 따라, 상기 적합도 함수는 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
일 실시예에 따라, 상기 적합도 함수는 다음 수학식
Figure pat00004
에 따라 주어지고, 여기서,
Figure pat00005
는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
Figure pat00006
,
Figure pat00007
및
Figure pat00008
은 오차 구간별 가중치들이며,
Figure pat00009
는 오차
Figure pat00010
의 절대오차백분율일 수 있다.
일 실시예에 따라, 상기 적합도 함수는 오차의 부호가 양이면 가중치가 1이고, 오차의 부호가 음이면 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
본 발명의 다른 측면에 따른 컴퓨터를 이용한 유전 프로그래밍 기반의 교통량 예측 방법은 상기 컴퓨터가, (a) 유전 프로그래밍을 위한 함수들 및 터미널들로 구성된 현재 세대의 개체들에 대한 교배 및 변이를 포함하는 진화 절차들을 수행하여, 후속 세대의 개체들을 생성하는 단계; (b) 상기 후속 세대의 개체로부터 얻은 예측값과 훈련 데이터의 차이인 오차에 관하여, 오차 구간별로 서로 다른 가중치들을 부여하는 적합도 함수를 이용하여, 상기 후속 세대의 개체들 중에서 적어도 일부의 개체들을 선택하는 단계; (c) 상기 선택된 개체들에 관하여 소정의 종료 조건이 만족할 때까지 단계 (a) 및 (b)를 반복하는 단계; 및 (d) 최종적으로 선택된 개체를 구성하는 함수들 및 터미널들에 따른 프로그램과 입력 데이터에 기초하여 교통량을 예측하는 단계를 포함할 수 있다.
일 실시예에 따라, 상기 적합도 함수는 오차의 부호에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
일 실시예에 따라, 상기 적합도 함수는 0보다 큰 오차의 가중치에 비해 0보다 작은 오차의 가중치가 크도록 설정될 수 있다.
일 실시예에 따라, 상기 적합도 함수는 다음 수학식
Figure pat00011
에 따라 주어지고, 여기서
Figure pat00012
는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
Figure pat00013
은 가중치일 수 있다.
일 실시예에 따라, 상기 적합도 함수는 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
일 실시예에 따라, 상기 적합도 함수는 다음 수학식
Figure pat00014
에 따라 주어지고, 여기서,
Figure pat00015
는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
Figure pat00016
,
Figure pat00017
및
Figure pat00018
은 오차 구간별 가중치들이며,
Figure pat00019
는 오차
Figure pat00020
의 절대오차백분율일 수 있다.
일 실시예에 따라, 상기 적합도 함수는 오차의 부호가 양이면 가중치가 1이고, 오차의 부호가 음이면 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
본 발명의 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법에 따르면, 오차 크기를 고려하는 적합도 함수를 이용하여, 오차의 통계적 특성을 이용하는 종래의 적합도 함수들의 제한된 성능을 개선할 수 있다.
본 발명의 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법에 따르면, 적합도 함수의 성능이 개선됨에 따라 좀 더 빠르고 정확한 예측 결과를 도출할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 유전 프로그래밍 기반의 교통량 예측 시스템을 예시한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 유전 프로그래밍 기반의 교통량 예측 시스템으로부터 얻은 예측 교통량과 실제 교통량을 비교한 그래프이다.
도 3은 본 발명의 일 실시예에 따른 유전 프로그래밍 기반의 교통량 예측 방법을 예시한 순서도이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 유전 프로그래밍 기반의 교통량 예측 시스템을 예시한 개념도이다.
도 1을 참조하면, 유전 프로그래밍 기반의 교통량 예측 시스템(10)은 유전 프로그래밍 데이터베이스(11), 진화 절차 처리부(12), 개체 선택부(13) 및 교통량 예측부(14)를 포함할 수 있다.
유전 프로그래밍 데이터베이스(11)는 유전 프로그래밍 환경 변수들 및 훈련 데이터를 저장할 수 있다.
유전 프로그래밍 환경 변수들은 예를 들어, 터미널 설정, 트리 깊이 설정, 인구 수, 세대 수, 검증 집합, 선택 유형, 교차율, 변이율 등이다.
훈련 데이터는 예를 들어 특정 도로 구간에서 소정 기간 동안 측정된 교통량 데이터로 구성될 수 있다.
진화 절차 처리부(12)는 유전 프로그래밍을 위한 함수들 및 터미널들로 구성된 현재 세대의 개체들에 대한 교배 및 변이를 포함하는 진화 절차들을 수행하여, 후속 세대의 개체들을 생성할 수 있다.
각각의 개체는 트리 구조, 스택 구조, 선형 구조 또는 그래프 구조와 같은 다양한 구조로 함수들과 터미널들을 구조화하는데, 특히 인공지능 언어인 LISP로 함수를 작성할 경우에는 트리 구조로 구조화될 수 있다.
교배(crossover)는 두 개의 개체들 사이에서, 각 개체를 구성하는 트리의 일부인 서브 트리가 자리를 서로 바꾸는 절차이다. 통상적으로 유전 알고리즘에서는 교배 전후로 유전체의 길이는 일정하지만, 유전 프로그래밍에서는 자리를 바꾸는 서브 트리들의 길이가 서로 다를 수 있으므로 교배 전후로 유전체의 길이가 달라질 수 있다.
변이(mutation), 즉 돌연변이는 하나의 개체 내에서 터미널을 교체하거나 또는 서브 트리의 위치를 교체하는 절차이다.
유전 프로그래밍에서는 교배와 변이가 프로그래밍 문법이 허용하는 한에서만 이루어진다는 점이 유전 알고리즘과 다른 점이다.
교배 및 변이로 인해 얻어진 후속 세대의 개체들은 선택(selection) 절차를 거쳐 선별되는데, 비례 선택, 승자승 선택, 순위 기반 선택, 균등 비례 룰렛 휠 선택 또는 토너먼트 선택 등의 다양한 방식이 있다.
예를 들어 토너먼트 선택은 10 개의 개체들이 토너먼트 방식으로 적합도 함수의 값에 따라 토너먼트마다 승자를 결정함으로써 그 중 일부의 개체들만 선택하는 방식이다.
선택 절차의 방식도 중요하지만, 선택 절차의 효율은 근본적으로 적합도 함수의 성능에 의해 결정될 수 있다.
개체 선택부(13)는 후속 세대의 개체로부터 얻은 예측값과 훈련 데이터의 차이인 오차에 관하여, 오차 구간에 따라 서로 다른 가중치들을 부여하는 적합도 함수를 이용하여, 후속 세대의 개체들 중에서 적어도 일부의 개체들을 선택하며, 선택된 개체들을 진화 절차 처리부(12)에 제공할 수 있다.
종래의 적합도 함수들인 오차의 표준 편차(SDE), 오차의 평균제곱근편차(RMSE), 평균절대 백분비 오차(MAPE), 평균 절대 오차(MAE), 타일의 불일치 계수(Theil's U-Statistics), 더빈-왓슨 계수 모형 통계량(Durbin-Watson Statistic) 등은 오차 크기가 적합도 함수에 미치는 영향이 선형적이다. 즉, 어떤 훈련 데이터에 대한 오차가 다른 훈련 데이터에 대한 오차보다 10배라면, 적합도 함수에 미치는 영향도 10배만큼 커진다.
하지만, 교통량 예측의 경우에, 실제 교통량이 예측 교통량보다 작다면, 예측 오차가 적거나 크거나 운전자들은 별다른 불편함을 느끼지 못하는 반면에, 실제 교통량이 예측된 교통량보다 크면, 예측 오차가 커질수록 운전자들이 느끼는 불편함은 급격히 증가할 수 있다.
이러한 교통량 예측 오차에 대해 운전자들이 인지하는 불편함의 비선형성을 적합도 함수에 반영할 수 있도록, 본 발명의 실시예들에 따른 개체 선택부(13)는 오차 구간에 따라 가중치들을 다르게 부여하는 적합도 함수를 이용할 수 있다.
여기서, 실시예에 따라, 적합도 함수는 오차의 부호에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
예를 들어, 예측 오차가 음이면, 다시 말해 실제 교통량이 예측된 교통량보다 작다면, 가중치는 1로 설정되어 오차의 크기가 적합도 함수의 계산값에 그대로 반영될 수 있다. 반면에, 예측 오차가 양이면, 다시 말해 실제 교통량이 예측된 교통량보다 많았다면, 가중치는 1보다 큰 양수로 설정되어 오차의 크기가 적합도 함수의 계산값에 오차의 원래 절대값보다 더 크게 반영될 수 있다.
실시예에 따라, 적합도 함수는, 0보다 큰 오차의 가중치에 비해 0보다 작은 오차의 가중치가 크도록 설정될 수 있다.
예를 들어, 예측 오차가 음이면, 다시 말해 실제 교통량이 예측된 교통량보다 작다면, 가중치는 1보다 작은 값으로 설정되어 오차의 크기가 적합도 함수의 계산값에 상대적으로 작게 반영될 수 있다. 반면에, 예측 오차가 양이면, 다시 말해 실제 교통량이 예측된 교통량보다 많았다면, 가중치는 1보다 큰 양수로 설정되어 오차의 크기가 적합도 함수의 계산값에 상대적으로 크게 반영될 수 있다.
실시예에 따라, 적합도 함수는 다음 수학식 1에 따라 주어질 수 있다.
Figure pat00021
여기서,
Figure pat00022
는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
Figure pat00023
은 가중치이다.
실시예에 따라, 적합도 함수는 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
예를 들어, 예측 오차들을 크기 순서대로 나열하여 복수의 오차 구간들로 나누고, 가장 작은 오차 구간의 경우에는 오차의 크기를 적합도 함수에 그대로 반영하고, 크기가 큰 오차 구간들일수록 더 큰 가중치들을 부여할 수 있다.
실시예에 따라, 적합도 함수는 다음 수학식 2과 같이 주어질 수 있다.
Figure pat00024
여기서,
Figure pat00025
는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
Figure pat00026
,
Figure pat00027
및
Figure pat00028
은 오차 구간별 가중치들이며,
Figure pat00029
는 오차
Figure pat00030
의 절대오차백분율이다.
수학식 2에서 예시적으로
Figure pat00031
의 구간을 0.1%, 1%, 10%의 기준으로 나누었지만, 이러한 구간의 분할은 얼마든지 다르게 설정될 수 있다.
실시예에 따라, 적합도 함수는, 오차의 부호가 양이면 가중치가 1이고, 오차의 부호가 음이면 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
예를 들어, 예측 오차가 음이면, 다시 말해 실제 교통량이 예측된 교통량보다 작다면, 오차가 그대로 반영된다. 하지만 예측 오차가 양이면, 다시 말해 실제 교통량이 예측된 교통량보다 많다면, 예측 오차들을 크기 순서대로 나열하여 복수의 오차 구간들로 나누고, 가장 작은 오차 구간의 경우에는 오차의 크기를 적합도 함수에 그대로 반영하지만, 크기가 큰 오차 구간들일수록 더 큰 가중치들을 부여할 수 있다.
구체적으로 적합도 함수는 다음 수학식 3과 같이 주어질 수 있다.
Figure pat00032
여기서,
Figure pat00033
는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
Figure pat00034
,
Figure pat00035
및
Figure pat00036
은 오차 구간별 가중치들이며,
Figure pat00037
는 오차
Figure pat00038
의 절대오차백분율이다.
진화 절차 처리부(12) 및 개체 선택부(13)는 세대수, 연산 시간 또는 오차 등의 소정 종료 조건이 만족할 때까지 진화 절차와 개체 선택을 반복한다.
종료 조건이 만족하면, 개체 선택부(13)는 최종 세대의 개체들 중 가장 성능이 우수한, 즉 적합도 함수의 판별 기준에서 가장 우수한 하나의 개체를 최종적으로 선택한다.
교통량 예측부(14)는 최종적으로 선택된 개체를 구성하는 함수들 및 터미널들에 따른 프로그램과 입력 데이터에 기초하여 교통량을 예측할 수 있다.
도 2는 본 발명의 일 실시예에 따른 유전 프로그래밍 기반의 교통량 예측 시스템으로부터 얻은 예측 교통량과 실제 교통량을 비교한 그래프이다.
도 2를 참조하면, 2013년 1월 1일부터 2013년 11월 23일까지, 고속도로 경부선 김천 IC ~ 추풍령 사이에서 측정된 327일 분량의 교통량 데이터 중 297일 동안의 훈련 데이터로써 교통량 예측 프로그램이 최적화되었다.
나머지 30일 분량의 교통량 데이터를 검증 데이터로 이용하여 검증한 결과, 교통량 예측 프로그램은 실제 데이터와 상당히 유사하게 예측하였음을 알 수 있다.
도 3은 본 발명의 일 실시예에 따른 유전 프로그래밍 기반의 교통량 예측 방법을 예시한 순서도이다.
도 3을 참조하면, 본 발명의 실시예에 따라 컴퓨터를 이용한 유전 프로그래밍 기반의 교통량 예측 방법은, 단계(S31)에서, 컴퓨터가, 유전 프로그래밍을 위한 함수들 및 터미널들로 구성된 현재 세대의 개체들에 대한 교배 및 변이를 포함하는 진화 절차들을 수행하여, 후속 세대의 개체들을 생성하는 단계로부터 시작할 수 있다.
단계(S32)에서, 컴퓨터는 후속 세대의 개체로부터 얻은 예측값과 훈련 데이터의 차이인 오차에 관하여, 오차 구간별로 서로 다른 가중치들을 부여하는 적합도 함수를 이용하여, 후속 세대의 개체들 중에서 적어도 일부의 개체들을 선택할 수 있다.
이때, 이러한 교통량 예측 오차에 대해 운전자들이 인지하는 불편함의 비선형성을 적합도 함수에 반영할 수 있도록, 적합도 함수는 오차 구간에 따라 가중치들을 다르게 부여하도록 설정될 수 있다.
실시예에 따라, 적합도 함수는 오차의 부호에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
실시예에 따라, 적합도 함수는, 0보다 큰 오차의 가중치에 비해 0보다 작은 오차의 가중치가 크도록 설정될 수 있다.
실시예에 따라, 적합도 함수는 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
실시예에 따라, 적합도 함수는, 오차의 부호가 양이면 가중치가 1이고, 오차의 부호가 음이면 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정될 수 있다.
구체적으로 적합도 함수는 상술한 수학식들 1 내지 3과 같이 주어질 수 있다.
단계(S33)에서, 컴퓨터가, 선택된 개체들에 관하여 소정의 종료 조건이 만족할 때까지 단계(S31)과 단계(S32)를 반복할 수 있다.
단계(S33)에서, 만약 종료 조건이 만족하면, 컴퓨터는 최종 세대의 개체들 중 가장 성능이 우수한, 즉 적합도 함수의 판별 기준에서 가장 우수한 하나의 개체를 최종적으로 선택할 수 있다.
단계(S34)에서, 컴퓨터가 최종적으로 선택된 개체를 구성하는 함수들 및 터미널들에 따른 프로그램과 입력 데이터에 기초하여 교통량을 예측할 수 있다.
본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.
또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
10 교통량 예측 시스템
11 유전 프로그래밍 데이터베이스;
12 진화 절차 처리부
13 개체 선택부
14 교통량 예측부

Claims (15)

  1. 유전 프로그래밍 환경 변수들 및 교통량 훈련 데이터를 저장하는 유전 프로그래밍 데이터베이스;
    유전 프로그래밍을 위한 함수들 및 터미널들로 구성된 현재 세대의 개체들에 대한 교배 및 변이를 포함하는 진화 절차들을 수행하여, 후속 세대의 개체들을 생성하는 진화 절차 처리부;
    상기 후속 세대의 개체로부터 얻은 예측값과 훈련 데이터의 차이인 오차에 관하여, 오차 구간별로 서로 다른 가중치들을 부여하는 적합도 함수를 이용하여, 상기 후속 세대의 개체들 중에서 적어도 일부의 개체들을 선택하며, 상기 선택된 개체들을 상기 진화 절차 처리부에 제공하는 개체 선택부; 및
    최종적으로 선택된 개체를 구성하는 함수들 및 터미널들에 따른 프로그램과 입력 데이터에 기초하여 교통량을 예측하는 교통량 예측부를 포함하는 유전 프로그래밍 기반의 교통량 예측 시스템.
  2. 청구항 1에 있어서, 상기 적합도 함수는
    오차의 부호에 따라 오차에 서로 다른 가중치들이 부여되도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 시스템.
  3. 청구항 2에 있어서, 상기 적합도 함수는
    0보다 큰 오차의 가중치에 비해 0보다 작은 오차의 가중치가 크도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 시스템.
  4. 청구항 2에 있어서, 상기 적합도 함수는 다음 수학식
    Figure pat00039

    에 따라 주어지고, 여기서
    Figure pat00040
    는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
    Figure pat00041
    은 가중치인 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 시스템.
  5. 청구항 1에 있어서, 상기 적합도 함수는
    오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 시스템.
  6. 청구항 5에 있어서, 상기 적합도 함수는 다음 수학식
    Figure pat00042

    에 따라 주어지고, 여기서,
    Figure pat00043
    는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
    Figure pat00044
    ,
    Figure pat00045
    및
    Figure pat00046
    은 오차 구간별 가중치들이며,
    Figure pat00047
    는 오차
    Figure pat00048
    의 절대오차백분율인 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 시스템.
  7. 청구항 1에 있어서, 상기 적합도 함수는
    오차의 부호가 양이면 가중치가 1이고, 오차의 부호가 음이면 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 시스템.
  8. 컴퓨터를 이용한 유전 프로그래밍 기반의 교통량 예측 방법으로서,
    상기 컴퓨터가,
    (a) 유전 프로그래밍을 위한 함수들 및 터미널들로 구성된 현재 세대의 개체들에 대한 교배 및 변이를 포함하는 진화 절차들을 수행하여, 후속 세대의 개체들을 생성하는 단계;
    (b) 상기 후속 세대의 개체로부터 얻은 예측값과 훈련 데이터의 차이인 오차에 관하여, 오차 구간별로 서로 다른 가중치들을 부여하는 적합도 함수를 이용하여, 상기 후속 세대의 개체들 중에서 적어도 일부의 개체들을 선택하는 단계;
    (c) 상기 선택된 개체들에 관하여 소정의 종료 조건이 만족할 때까지 단계 (a) 및 (b)를 반복하는 단계; 및
    (d) 최종적으로 선택된 개체를 구성하는 함수들 및 터미널들에 따른 프로그램과 입력 데이터에 기초하여 교통량을 예측하는 단계를 포함하는 유전 프로그래밍 기반의 교통량 예측 방법.
  9. 청구항 8에 있어서, 상기 적합도 함수는
    오차의 부호에 따라 오차에 서로 다른 가중치들이 부여되도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 방법.
  10. 청구항 9에 있어서, 상기 적합도 함수는
    0보다 큰 오차의 가중치에 비해 0보다 작은 오차의 가중치가 크도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 방법.
  11. 청구항 9에 있어서, 상기 적합도 함수는 다음 수학식
    Figure pat00049

    에 따라 주어지고, 여기서
    Figure pat00050
    는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
    Figure pat00051
    은 가중치인 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 방법.
  12. 청구항 8에 있어서, 상기 적합도 함수는
    오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 방법.
  13. 청구항 12에 있어서, 상기 적합도 함수는 다음 수학식
    Figure pat00052

    에 따라 주어지고, 여기서,
    Figure pat00053
    는 n 개의 훈련 데이터들 중 i 번째 훈련 데이터에 따른 오차이고,
    Figure pat00054
    ,
    Figure pat00055
    및
    Figure pat00056
    은 오차 구간별 가중치들이며,
    Figure pat00057
    는 오차
    Figure pat00058
    의 절대오차백분율인 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 방법.
  14. 청구항 8에 있어서, 상기 적합도 함수는
    오차의 부호가 양이면 가중치가 1이고, 오차의 부호가 음이면 오차의 절대값에 따라 오차에 서로 다른 가중치들이 부여되도록 설정되는 것을 특징으로 하는 유전 프로그래밍 기반의 교통량 예측 방법.
  15. 컴퓨터 하드웨어에서 청구항 8 내지 청구항 14 중 어느 한 청구항의 유전 프로그래밍 기반의 교통량 예측 방법의 각 단계들을 수행하도록 작성되어 기록 매체에 기록된 컴퓨터 프로그램.
KR1020150059203A 2015-04-27 2015-04-27 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법 KR101725629B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150059203A KR101725629B1 (ko) 2015-04-27 2015-04-27 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150059203A KR101725629B1 (ko) 2015-04-27 2015-04-27 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20160127896A true KR20160127896A (ko) 2016-11-07
KR101725629B1 KR101725629B1 (ko) 2017-04-12

Family

ID=57529985

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150059203A KR101725629B1 (ko) 2015-04-27 2015-04-27 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101725629B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
CN110782658A (zh) * 2019-08-16 2020-02-11 华南理工大学 一种基于LightGBM算法的交通量预测方法
CN111340176A (zh) * 2018-12-19 2020-06-26 富泰华工业（深圳）有限公司 神经网络的训练方法、装置及计算机存储介质
KR102254765B1 (ko) * 2020-11-10 2021-05-24 한국건설기술연구원 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000057482A (ja) * 1998-08-07 2000-02-25 Nippon Telegr & Teleph Corp <Ntt> 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
JP2000505580A (ja) * 1996-03-01 2000-05-09 ウォーゼル、ウィリアム、ピー． 遺伝学的プログラミング方法及びシステム
JP2010009510A (ja) * 2008-06-30 2010-01-14 Univ Waseda 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム
KR101104893B1 (ko) * 2009-09-28 2012-01-12 한국수력원자력 주식회사 중수로 압력관 반경방향 크립 예측 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000505580A (ja) * 1996-03-01 2000-05-09 ウォーゼル、ウィリアム、ピー． 遺伝学的プログラミング方法及びシステム
JP2000057482A (ja) * 1998-08-07 2000-02-25 Nippon Telegr & Teleph Corp <Ntt> 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
JP2010009510A (ja) * 2008-06-30 2010-01-14 Univ Waseda 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム
KR101104893B1 (ko) * 2009-09-28 2012-01-12 한국수력원자력 주식회사 중수로 압력관 반경방향 크립 예측 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
CN111340176A (zh) * 2018-12-19 2020-06-26 富泰华工业（深圳）有限公司 神经网络的训练方法、装置及计算机存储介质
CN110782658A (zh) * 2019-08-16 2020-02-11 华南理工大学 一种基于LightGBM算法的交通量预测方法
KR102254765B1 (ko) * 2020-11-10 2021-05-24 한국건설기술연구원 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법

Also Published As

Publication number Publication date
KR101725629B1 (ko) 2017-04-12

Similar Documents

Publication Publication Date Title
Clarke Land use change modeling with sleuth: Improving calibration with a genetic algorithm
KR101725629B1 (ko) 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법
Guthrie Real options analysis of climate-change adaptation: investment flexibility and extreme weather events
CA2436352A1 (en) Process and system for developing a predictive model
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN112308281A (zh) 一种温度信息预测方法及装置
CN105224738B (zh) Lssvm非高斯脉动风速预测方法
CN110941902B (zh) 一种输电线路雷击故障预警方法和系统
CN107609583A (zh) 分类模型的参数优化方法、装置、计算机设备及存储介质
CN109886554A (zh) 违规行为判别方法、装置、计算机设备和存储介质
CN113033861A (zh) 一种基于时间序列模型的水质预测方法及系统
CN109598052B (zh) 基于相关系数分析的智能电表寿命周期预测方法及装置
KR20190123040A (ko) 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
Clarke Improving SLEUTH calibration with a genetic algorithm
CN117615359B (zh) 基于多种规则引擎的蓝牙数据传输方法及系统
CN111382540A (zh) 优化计算方法和信息处理装置
CN110807508A (zh) 计及复杂气象影响的母线峰值负荷预测方法
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
EP2302571A1 (en) Method and apparatus for efficiently configuring a motion simulation device
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN103763123A (zh) 一种网络健康状态的评估方法和装置
CN110781978A (zh) 一种用于机器学习的特征处理方法和系统
CN115526393A (zh) 一种基于变电工程关键影响因素筛选的造价预测方法

Legal Events

Date Code Title Description
A201 Request for examination
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20200217

Year of fee payment: 4