동적 시간 워핑을 사용한 확산 컨볼루션 게이트 순환 유닛 모델을 이용한 보행자 볼륨 예측

핵심 개념

본 논문에서는 도시 전체 규모에서 보행자 볼륨을 예측하기 위해 동적 시간 워핑을 사용한 확산 컨볼루션 게이트 순환 유닛(DCGRU-DTW) 모델을 제안합니다.

초록

동적 시간 워핑을 사용한 확산 컨볼루션 게이트 순환 유닛 모델을 이용한 보행자 볼륨 예측

본 연구 논문에서는 도시 전체 규모에서 보행자 볼륨을 예측하는 데 사용되는 새로운 딥러닝 모델인 DCGRU-DTW(Dynamic Time Warping with Diffusion Convolutional Gated Recurrent Unit) 모델을 소개합니다. 효과적인 보행자 흐름 분석 및 예측 모델은 보행자와 도로 사용자 모두의 안전을 보장하는 데 중요하며, 도시 인프라 설계 및 기하학적 최적화, 상호 연결된 커뮤니티의 경제적 효용성을 지원하는 데 중요한 역할을 합니다. 도시 전체에 걸쳐 자동 보행자 계수 시스템이 구현됨에 따라 연구자들은 트래픽 및 군중 흐름에 대한 더 나은 통찰력을 제공하는 딥러닝 애플리케이션을 개발하고 훈련할 수 있는 귀중한 데이터를 얻을 수 있게 되었습니다. 본 연구에서는 멜버른시 보행자 계수 시스템에서 제공하는 실제 데이터를 활용하여 동적 시간 워핑을 사용한 확산 컨볼루션 게이트 순환 유닛(DCGRU)의 확장으로서 보행자 흐름 예측 모델인 DCGRU-DTW를 제시합니다. 이 모델은 확산 프로세스를 통해 보행자 흐름의 공간적 의존성을 포착하고 게이트 순환 유닛(GRU)을 통해 시간적 의존성을 포착합니다. 광범위한 수치 실험을 통해 제안된 모델이 여러 모델 정확도 지표에서 고전적인 벡터 자기회귀 모델과 원래 DCGRU보다 성능이 우수함을 입증합니다.

보행자 흐름 관리의 중요성
군중 및 보행자 관리는 도시 환경, 거주 적합성 및 이동성을 개선하는 데 중요한 역할을 합니다. 보행자 흐름이 제대로 관리되지 않으면 공공 공간 및 교통 시스템의 활용도가 떨어지고 사망 및 부상과 같은 부정적인 사건이 발생할 수 있습니다. 군중 및 보행자 관련 재해의 수는 적시에 정보가 부족한 것을 포함한 다양한 이유로 전 세계적으로 증가하고 있습니다. 보행자 흐름 분석 도구는 도시 계획 및 기하학적 측면, 인프라 설계 및 군중 안전 문제 해결에 필수적입니다. 이러한 통찰력이 없으면 적절한 군중 및 보행자 대응 전략을 파악하는 것은 여전히 효과적이지 않습니다. 따라서 보행자 활동에 대한 정확한 시공간 정보(예: 볼륨, 속도, 방향)를 예측하는 것은 공공 안전 및 효율적인 도시 계획에 매우 중요합니다.
멜버른시 보행자 계수 시스템
멜버른시는 열 및 레이저 기반 센서를 활용하는 보행자 계수 시스템을 구축했습니다. 이 비전 기반 기술을 통해 개인 정보를 침해하지 않고 계수 구역을 형성하여 다방향 보행자 이동을 기록할 수 있습니다. 본 연구에서는 딥러닝 기반 도구를 개발하여 이 데이터에 적용하여 보행자 흐름 및 패턴을 평가하고 예측합니다. 이는 도시 전체 규모에서 보행자 흐름 행동에 나타나는 이상 현상 및 극한 조건을 식별하는 데 사용될 수 있습니다.
공간 및 시공간 데이터에 대한 딥러닝
통계학자들은 공간 및 시공간 데이터에 딥러닝을 사용하는 데 점점 더 많은 관심을 보이고 있습니다. 공간 데이터의 경우 딥 컴포지션 모델을 사용하여 비정상 및 이방성 공분산 함수를 모델링합니다. 마찬가지로 딥 신경망을 사용하여 공간적 평균 추세를 모델링할 수 있습니다. 시공간 데이터의 경우 딥 신경망의 한 유형인 에코 상태 네트워크가 해수면 온도, 토양 수분, 풍력 및 대기 오염과 같은 많은 응용 분야에서 사용됩니다. 공간 및 시공간 데이터에 대한 통계적 딥러닝 방법에 대한 자세한 내용은 Wikle 및 Zammit-Mangion(2023)에서 찾을 수 있습니다.
교통 데이터 모델링의 과제
도시 교통 데이터는 고유한 과제를 제기합니다. 즉, 유클리드 거리는 여전히 유용하지만 대기 오염이나 온도 예측과 같은 다른 응용 분야만큼 유용하지 않을 수 있습니다. 교통 데이터의 경우 그래프 신경망(GNN)은 노드 간의 복잡성을 처리할 수 있는 기능 때문에 추가적인 관심을 받았습니다. 보다 구체적으로 GNN은 교통 예측 문제에서 서로 다른 위치, 도로 또는 지역 간의 공간적 의존성을 모델링하는 데 이상적인 도구입니다. 일반적으로 GNN에서 교통 그래프는 노드 집합, 에지 집합 및 인접 행렬로 구성된 트리플로 구성됩니다. GNN의 인접 행렬은 공간적 의존성을 포착하는 데 중요한 역할을 하므로 교통 예측 문제에서 이러한 행렬을 나타내는 다양한 방법이 제안되었습니다. 도로 기반 행렬의 경우 도로 연결 행렬, 교통 연결 행렬 및 방향 행렬을 병합하여 간선 도로, 고속도로 및 지하철 시스템과 같은 복잡한 도로망을 효과적으로 모델링합니다. 거리 기반 행렬은 노드 간의 공간적 근접성에 중점을 두고 있으며 Lee 및 Rhee(2022)에서 거리, 방향 및 위치 관계를 모델링하는 데 사용됩니다. 또 다른 유형의 인접 행렬은 유사성 기반 행렬로, 서로 다른 위치의 고유한 상호 의존성, 상관 관계 및 분포를 나타내기 위해 교통 패턴 또는 기능적 유사성 행렬을 고려합니다. 동적 행렬은 사전 정의된 인접 행렬의 대안으로 교통 예측 작업에서도 고려됩니다.
보행자 또는 군중 흐름 예측의 과제
자동차 관련 모델링에 비해 문헌에서 보행자 또는 군중 흐름 예측에 전념하는 작업은 더 적습니다. 우리는 세 그룹의 관련 연구를 확인했습니다. (i) 철도 환승역이나 버스 정류장과 같은 대중 교통역의 승객 흐름 예측, (ii) 휴대폰, 택시, 공유 자전거 등에서 수집한 GPS 데이터를 사용한 군중 흐름 예측, (iii) 다양한 유형의 계수 시스템(예: 카메라 또는 열 센서)에서 수집한 데이터를 사용한 넓은 지역에 걸친 보행자 볼륨 예측. 이 작업의 초점은 (iii)입니다. 앞서 언급한 모델과 다른 교통 예측 접근 방식을 보행자 또는 군중 흐름 예측에 사용할 수 있지만 보행자 흐름 예측 문제는 고유한 복잡성을 나타냅니다. 궤적과 속도가 도로망 상황과 교통 규칙에 의해 제한되는 자동차와 달리 보행자 흐름과 패턴은 종종 상당한 불확실성을 나타냅니다. 따라서 많은 경우 자동차용으로 개발된 교통 예측 모델을 보행자 흐름 예측에 단순히 사용하는 것이 당연히 더 어렵고 모델을 설계할 때 보행자 흐름의 다양한 특수 기능을 고려해야 합니다.

핵심 통찰 요약

Pedestrian Volume Prediction Using a Diffusion Convolutional Gated Recurrent Unit Model

by Yiwei Dong, ... 게시일 arxiv.org 11-07-2024

https://arxiv.org/pdf/2411.03360.pdf

더 깊은 질문

DCGRU-DTW 모델을 다른 도시 또는 국가의 보행자 데이터에 적용할 경우, 데이터 특성의 차이로 인해 모델의 성능이 달라질 수 있을까요? 어떤 요인들이 모델의 성능에 영향을 미칠 수 있을까요?

네, DCGRU-DTW 모델을 다른 도시 또는 국가의 보행자 데이터에 적용할 경우, 데이터 특성의 차이로 인해 모델의 성능이 달라질 수 있습니다. 모델의 성능에 영향을 미칠 수 있는 요인들은 다음과 같습니다.

보행 환경: 도시 또는 국가마다 보행 환경이 다릅니다. 예를 들어, 도로의 폭, 보행자 도로의 유무, 횡단보도의 위치 등이 다를 수 있습니다. 이러한 보행 환경의 차이는 보행자의 이동 패턴에 영향을 미치고, 결과적으로 모델의 성능에 영향을 미칠 수 있습니다.
문화적 요인: 문화적 요인 또한 보행자의 이동 패턴에 영향을 미칠 수 있습니다. 예를 들어, 어떤 문화권에서는 보행자가 횡단보도를 건널 때 신호를 잘 지키는 반면, 어떤 문화권에서는 그렇지 않을 수 있습니다. 이러한 문화적 차이는 모델의 성능에 영향을 미칠 수 있습니다.
데이터 수집 방법: 보행자 데이터는 다양한 방법으로 수집될 수 있습니다. 예를 들어, CCTV, 적외선 센서, GPS 등을 사용하여 데이터를 수집할 수 있습니다. 데이터 수집 방법의 차이는 데이터의 품질에 영향을 미치고, 결과적으로 모델의 성능에 영향을 미칠 수 있습니다.
데이터의 양과 질: 모델의 성능은 데이터의 양과 질에 따라 달라질 수 있습니다. 일반적으로 데이터의 양이 많고 질이 좋을수록 모델의 성능이 향상됩니다. 따라서, 충분한 양의 고품질 데이터를 확보하는 것이 중요합니다.

본 연구에서는 보행자 볼륨 예측에 초점을 맞추었는데, 보행자의 이동 속도나 방향과 같은 다른 요소들을 예측하는 데 DCGRU-DTW 모델을 활용할 수 있을까요? 만약 그렇다면, 어떤 방식으로 모델을 수정해야 할까요?

네, DCGRU-DTW 모델을 활용하여 보행자의 이동 속도나 방향과 같은 다른 요소들을 예측하는 데 활용할 수 있습니다. 모델을 수정하는 방식은 다음과 같습니다.

출력층 수정: 보행자 볼륨 예측에는 하나의 출력 노드만 필요하지만, 이동 속도나 방향과 같은 여러 요소를 예측하려면 출력층에 여러 개의 노드를 추가해야 합니다. 예를 들어, 이동 속도와 방향을 예측하려면 출력층에 두 개의 노드를 추가해야 합니다.
손실 함수 변경: 다중 출력을 예측하도록 모델을 수정했다면, 각 출력에 대한 손실을 고려하는 손실 함수를 사용해야 합니다. 예를 들어, 평균 제곱 오차(MSE) 손실 함수를 사용하여 각 출력에 대한 오차의 제곱의 평균을 최소화할 수 있습니다.
데이터 추가: 이동 속도나 방향과 같은 요소들을 예측하기 위해서는 기존 데이터에 해당 정보를 추가해야 합니다. 예를 들어, GPS 데이터를 사용하여 보행자의 이동 속도와 방향을 추출하여 모델에 입력할 수 있습니다.

인공지능 기술의 발전이 도시 계획 및 관리 분야에 어떤 영향을 미칠 것이라고 생각하십니까? 특히, 보행자 흐름 예측 기술은 도시 환경을 개선하고 시민들의 삶의 질을 향상시키는 데 어떻게 기여할 수 있을까요?

인공지능 기술의 발전은 도시 계획 및 관리 분야에 혁신적인 변화를 가져올 것으로 예상됩니다. 특히, 보행자 흐름 예측 기술은 도시 환경을 개선하고 시민들의 삶의 질을 향상시키는 데 크게 기여할 수 있습니다.

스마트 횡단보도 및 신호등 시스템: 보행자 흐름 예측 기술을 활용하여 스마트 횡단보도 및 신호등 시스템을 구축할 수 있습니다. 예를 들어, 특정 시간대나 이벤트 발생 시 보행자 밀집도를 예측하여 횡단보도 신호 시간을 조절하거나, 횡단보도 폭을 실시간으로 조정하여 보행자 안전 및 편의를 증진할 수 있습니다.
보행자 친화적인 도시 계획: 보행자 흐름 예측 기술은 보다 효율적이고 안전한 보행 환경 조성을 위한 도시 계획에도 활용될 수 있습니다. 예를 들어, 밀집 지역의 보행자 동선을 분석하여 보행자 도로 확장, 횡단보도 추가 설치, 벤치 및 휴식 공간 마련 등 보행자 친화적인 도시 계획을 수립할 수 있습니다.
대중교통 시스템 최적화: 보행자 흐름 예측 기술은 버스나 지하철과 같은 대중교통 시스템의 운영 효율성을 높이는 데에도 활용될 수 있습니다. 예를 들어, 특정 시간대나 지역의 보행자 밀집도를 예측하여 버스 노선을 조정하거나 배차 간격을 조절하여 시민들의 대중교통 이용 편의를 증진할 수 있습니다.
안전사고 예방 및 관리: 보행자 흐름 예측 기술을 활용하여 밀집 지역에서 발생할 수 있는 안전사고를 예방하고 효율적으로 관리할 수 있습니다. 예를 들어, 축제나 집회와 같은 대규모 행사 시 예상되는 보행자 밀집도를 분석하여 안전 요원 배치를 최적화하고, 혼잡 상황 발생 시 신속하게 대응할 수 있는 시스템을 구축할 수 있습니다.
결론적으로, 인공지능 기반 보행자 흐름 예측 기술은 도시 계획 및 관리 분야에서 시민들의 안전과 편의를 증진하고, 도시 환경을 개선하는 데 필수적인 기술이 될 것입니다.