A High-Risk Event Detection Algorithm Based on Vehicle Interactions Prediction at Urban Intersections

Young Jo; Seolyoung Lee; Cheol Oh; Wonho Suh; Hyoungsoo Kim

doi:10.7470/jkst.2022.40.2.245

Preview

Article

Journal of Korean Society of Transportation. 30 April 2022. 245-259
https://doi.org/10.7470/jkst.2022.40.2.245

A High-Risk Event Detection Algorithm Based on Vehicle Interactions Prediction at Urban Intersections

교차로 차량 주행안전성 예측 기반 위험상황 검지 기술 개발

Young JO¹

Seolyoung LEE²

Cheol OH³^*

Wonho SUH⁴

Hyoungsoo KIM⁵

조 영¹

이 설영²

오 철³^*

서 원호⁴

김 형수⁵

¹Ph.D. Course, Transportation and Logistics Engineering, Hanyang University, Gyeonggi 15588, Korea

²Principal Research Engineer, Department of Smart City Research, Seoul Institute of Technology, Seoul 03909, Korea

³Professor, Transportation and Logistics Engineering, Hanyang University, Gyeonggi 15588, Korea

⁴Associate Professor, Transportation and Logistics Engineering, Hanyang University, Gyeonggi 15588, Korea

⁵Research Fellow, Department of Highway and Transportation Research, Korea Institute of Civil Engineering and Building Technology, Gyeonggi 10223, Korea

¹한양대학교 교통 ‧ 물류공학과 박사과정

²서울기술연구원 스마트도시연구실 수석연구원

³한양대학교 교통 ‧ 물류공학과 교수

⁴한양대학교 교통 ‧ 물류공학과 부교수

⁵한국건설기술연구원 도로교통연구본부 연구위원

^{*Corresponding Author}

ABSTRACT

An important technology for proactive traffic safety analytics, which is a backbone of preventing traffic crashes, is to identify hazardous situations based on vehicle interactions prediction. The purpose of this study is to develop a high-risk event detection algorithm by analyzing predicted vehicle interactions using trajectory data. Vehicle interactions were evaluated in terms of quantifying crash risks by the proposed long-short term memory based vehicle position prediction model. The vehicle position prediction model is optimized for a parameter set with superior accuracy by combining the time scale parameters and the prediction model hyperparameters. A high-risk event indicator (HEI) was then derived based on an analysis of vehicle interactions using predicted position data. The applicability of the proposed algorithm was evaluated based on trajectory data obtained from vehicle image tracking technology at an urban intersection. The prediction model developed in this study was able to predict the x-axis and y-axis vehicle positions after 1 seconds with mean absolute percentage errors of approximately 1% and 3%, respectively. In addition, the correct detection rate (CDR) was defined as a performance measure to derive the accuracy of high-risk events using the proposed HEI. Performance evaluations of the proposed algorithm show promising results for actual implementation in practice, where a CDR of up to 94% can be achieved. The infrastructure-based detection of high-risk events by predicting vehicle interactions would be useful in supporting autonomous vehicles crossing intersections safely via I2V wireless communication.

Keywords

high-risk event detection

intersection safety

LSTM

proactive traffic safety

vehicle interactions

개별차량의 주행안전성 예측을 통해 위험상황을 검지하는 것은 능동적이고 효과적인 교통사고 예방을 위한 선제적 교통안전 분석의 중요 기술 중 하나이다. 본 연구의 목적은 차량 주행궤적자료를 이용하여 차량 간 상호작용 예측 기반의 위험상황 검지 알고리즘을 개발하는 것이다. 차량 간 상호작용은 Long-Short Term Memory(LSTM) 기반 위치 예측 모델 개발을 통해 위험상황을 정량화함으로써 평가되었다. 차량 위치 예측의 경우 time scale parameter와 LSTM 하이퍼파라미터를 연계하여 위치 예측 정확도가 우수한 최적화된 모델을 구축하였다. 예측된 위치 정보는 차량 간 상호작용 분석을 통한 사고개연성을 추정할 수 있는 High-risk Event Indicator(HEI)를 산출하는데 적용되어 위험상황 검지에 활용되었다. 제안된 알고리즘은 도심부 교차로에서 수집된 영상검지 기반의 차량 주행궤적자료를 이용하여 적용성을 평가하였다. 차량 위치 예측 결과, rolling horizon이 5초이고 prediction horizon이 1초인 경우에 대해 최적화된 LSTM 모델의 Mean Absolute Percentage Error(MAPE)는 x축 위치 1.10%, y축 위치 3.74%로 도출되었다. 예측된 위치에서 위험상황 검지 정확도를 도출하기 위한 성능척도로 correct detection rate(CDR)를 정의하였다. 분석 결과, CDR은 HEI 임계값 1.5-3초를 기준으로 94% 이상으로 산출되었다. 차량 간 상호작용 예측을 통한 위험상황 검지 기술은 자율주행차량이 교차로를 안전하게 통과하기 위한 I2V 무선통신 기반의 선제적 교통안전 정보로 활용될 수 있을 것으로 기대된다.

키워드

위험상황 검지

교차로 주행안전성

LSTM

선제적 교통 안전성

차량간 상호작용

MAIN

서론
관련문헌 고찰
1. 교통안전성 평가 연구
2. 주행궤적자료를 이용한 위치 예측 연구
3. 시사점
연구방법론
1. 연구 수행 과정
2. LSTM 기반 차량 위치 예측 모델
3. 위험상황 검지 지표
위험상황 검지 알고리즘 적용
1. 교차로 영상 검지기반 차량 궤적 데이터
2. 차량 위치 예측 결과
3. 위험상황 검지 결과
결론 및 향후연구과제

서론

도심도로 교차로 사각지대에 존재하는 차량에 대한 안전 서비스를 제공하고, 인접한 위험 요소를 인지하기 위한 V2X(vehicle-to-everything) 무선통신 기반의 BSM(basic safety message) 송수신 기술이 발달 되었다(SAE Standard J2735, 2016). BSM은 Radar, Lidar, camera 등 각종 첨단센서로부터 수집된 개별차량에 대한 속도, 가속도, 위치, 방향(heading) 등의 주행 정보를 포함한다. 주행의 편의와 운전자 및 보행자의 안전을 지원하기 위하여 주행 정보를 이용한 단기 미래의 이동체 위치 예측에 대한 연구가 활발히 수행되고 있다(Choi et al., 2018; Park et al., 2018; Schulz et al., 2018; Ma et al., 2019; Jeong et al., 2020). 특히 자율주행차량의 안전 및 수용성 측면에서 주변 객체에 대한 위치 예측 기술은 자율차의 주행에 영향을 미치는 객체인지 판단하는데 기여할 수 있다(Baek et al., 2020). 이에 따라, 도심도로 자율주행 환경에서 자율차의 차로변경 및 돌발상황 회피를 위해서는 단기적으로 위치를 예측함으로써 예측된 위치 정보를 기반으로 사전에 위험상황에 대한 경고정보를 제공할 필요가 있다.

도심도로와 같이 고층빌딩, 다양한 기하구조, 신호 운영 등의 복잡한 상황에서 효과적인 교통운영관리를 위해서는 안전한 도로주행이 가능하도록 개별차량 관점이 아닌 차량 간 상호작용 기반의 위험상황 판단이 요구된다. 개별차량의 미시적인 이동패턴을 나타내는 주행궤적자료는 실시간으로 사고개연성을 추정하고, 운전자에게 정보를 제공하는데 활용될 수 있으나(Bagdadi and Várhelyi, 2013; Wang et al., 2019; Xing et al., 2019), 데이터를 수집한 시점에서 이미 상충이 발생한 경우 운전자는 충돌을 회피할 시간이 부족하게 된다. 따라서 본 연구에서는 효과적인 정보제공을 위하여 선제적 교통안전 분석(proactive traffic safety analysis, PTSA) 기반의 개별차량 위치를 예측하고, 주행안전성 평가를 위한 위험상황 검지 방법론을 개발하고자 한다. 본 연구에서 PTSA는 교통사고 예방을 목적으로 사고발생 이전에 안전성 분석을 통해 능동적이고, 선제적인 대응책(countermeasure)을 도출하는 분석 기법으로 정의하였다. 차량의 위치를 예측하여 검지된 위험상황 정보는 I2V(infrastructure-to-vehicle) 무선통신의 지원을 받아 차량 내 경고알람이 표출될 수 있으며, 이는 자율차 및 운전자에게 사고 회피 행동을 보다 효과적으로 수행할 수 있는 기회를 제공할 수도 있다.

본 연구의 구성은 다음과 같다. 2장에서는 개별차량 위치 예측 기술 동향과 안전성 평가 관련 지표에 대한 문헌을 검토하였다. 3장에서는 차량 위치 예측 기반 위험상황 검지 방법론에 대해 서술하였다. 4장에서는 교차로 영상검지 기반 차량 주행궤적자료를 이용하여 제안된 알고리즘을 적용하였다. 마지막 장에서는 본 연구의 결론 및 향후 연구과제에 대해 서술하였다.

Figure 1

Overall framework

2. LSTM 기반 차량 위치 예측 모델

차량 위치 예측을 위한 LSTM 모델의 구조는 Figure 2에 제시하였다. 시계열 기반의 교통자료를 이용하여 예측 모델을 구축할 경우 rolling step( $r s$ ), rolling horizon( $r h$ ), prediction horizon( $p h$ )를 포함한 TSP 설정이 요구된다. $t$ 시점의 주행 궤적자료는 $I^{t} = [v t, a^{t}, h^{t}, x^{t}, y^{t}, v x^{t}, a x^{t}, v y^{t}, a y^{t}]$ 로 나타낼 수 있으며, 주행속도 $v$ , 가속도 $a$ , 방향각 $h$ , x축 위치 $x$ , y축 위치 $y$ , x축 속도 $v x$ 및 가속도 $a x$ , 그리고 y축 속도 $v y$ 및 가속도 $a y$ 을 포함한다. 이때, input data( $I n p u t^{t}$ )는 TSP 중 과거 이력자료에 대한 시간 간격을 의미하는 $r s$ 와 과거 이력자료에 대한 기간을 나타내는 $r h$ 을 고려하여 $I n p u t^{t} = [I^{t - r h}, . . ., I^{t - 2 r s}, I^{t - r s}, I^{t}]'$ 로 생성된다. LSTM layer 내에 LSTM block은 현재 셀의 입력값( $I^{t}$ )과 과거 셀의 상태 값( $h^{t - 1}$ )을 사용해 현재 셀의 상태 값( $h^{t}$ )을 계산하는 구조이다. 상태 값은 input weight $W$ , recurrent weight R, bias $b$ 의 조정을 통해 도출되며, $W = [W_{i} W_{f} W_{o}]'$ , $R = [R_{i} R_{f} R_{o}]'$ , $b = [b_{i} b_{f} b_{o}]'$ 와 같이 행렬로 나타낼 수 있다. 여기서 $i$ 는 입력 게이트(input gate), $f$ 는 손실 게이트(forget gate), $o$ 는 출력 게이트(output gate)이다. 손실 게이트는 현재의 입력값이 과거의 상태 값과 함께 시그모이드(sigmoid) 출력값을 도출하는 셀을 의미한다. 시그모이드는 0-1 사이의 값을 출력하고 과거의 메모리 셀( $C^{t - 1}$ )과 곱해져서 시그모이드 출력값이 1인 경우 기억을 그대로 유지한다. 예를 들어, 시그모이드 출력값이 0.8일 경우 80%의 과거 기억만을 저장하고, 20%의 기억은 소멸된다. 또한, 현재의 입력값과 과거의 상태 값을 계산하여 저장할 새로운 정보의 양을 결정하는 셀을 입력 게이트라고 하며, 출력값을 내보내기 전 메모리 셀과 상태 값을 계산하는 셀을 출력 게이트라고 한다. 각 게이트의 계산식은 Equation 1에 제시하였다. Fully-connected layer는 LSTM layer로부터 출력된 모든 상태 값을 연결시켜 1차원 배열의 형태로 통합하고, 평활화한다. 최종적으로 output layer에서는 fully-connected layer로부터 뉴런을 전달받아 미래에 대한 예측 기간인 $p h$ 에 해당하는 위치 데이터 $O^{t + p h} = ({\hat{x}}^{t + p h}, {\hat{y}}^{t + p h})$ 을 출력한다.

(1)

f^{t} = s i g m o i d (W_{f} I^{t} + R_{f} h^{t - 1} + b_{f}) i^{t} = s i g m o i d (W_{i} I^{t} + R_{i} h^{t - 1} + b_{i}) o^{t} = s i g m o i d (W_{o} I^{t} + R_{o} h^{t - 1} + b_{o})

여기서, $i^{t}$ : time step t에서 입력 게이트

$f^{t}$ : time step t에서 손실 게이트

$o^{t}$ : time step t에서 출력 게이트

$W$ : input weight

$R$ : recurrent weight

$b$ : bias

$I^{t}$ : time step t에서 입력 값

$h^{t - 1}$ : time step t-1에서 상태 값

https://static.apub.kr/journalsite/sites/kst/2022-040-02/N0210400209/images/kst_40_02_09_F2.jpg

Figure 2

The overall structure of LSTM model for trajectory prediction

딥러닝 모델의 하이퍼파라미터는 모델의 학습 및 수렴속도에 영향을 미치며, 하이퍼파라미터 조정을 통해 예측 오차가 최소화되도록 최적화를 수행하여야 한다. 본 연구에서는 다양한 하이퍼파라미터 값 설정을 통해 파라미터 시나리오를 설계하고, 예측 오차가 가장 작은 모델에 대해 최적 파라미터 셋을 도출하고자 한다. LSTM 모델의 하이퍼파라미터 중 은닉층의 노드 개수(number of hidden nodes), 에포크(epoch), 배치사이즈(batch size), 학습률(learning rate)에 대한 값을 조절하였다. LSTM의 은닉층은 노드(node)에서 활성화 함수를 통해 결과 값을 출력하며, 일반적으로 신경망의 성능을 높이기 위하여 은닉층의 노드 개수를 늘려 계층 구조를 깊게 구축한다. 하지만, 노드의 개수가 매우 많을 경우에는 연결 가중치도 많아져 복잡한 모델이 되기 때문에 과대적합(over-fitting) 문제가 발생할 수 있고, 계산량이 급증하여 학습시간이 오래 소요되기 때문에 적정 값 설정이 요구된다. 또한, 에포크는 훈련데이터의 학습 횟수를 결정하는 파라미터로, 에포크 값이 매우 작을 경우 과소적합(under-fitting) 문제가 발생하고, 에포크 값이 매우 클 경우 과대적합 문제가 발생할 수 있다. 배치사이즈는 하나의 배치에 포함되는 샘플의 수를 의미하며, 여기서 배치는 훈련 데이터의 샘플을 여러 개로 묶어 학습에 이용되는 그룹을 의미한다. 하나의 배치에 포함된 모든 샘플을 이용하여 가중치와 편향을 수정하기 때문에 배치 사이즈는 가중치와 편향을 수정하는 간격으로 표현한다. 마지막으로, 학습률은 학습의 속도를 결정하는 상수로, 값이 작을수록 학습시간이 오랜 시간 소요되며 국소 최적해(local minimum) 문제가 발생할 수 있다. 반면에 학습률이 너무 커져도 오차가 작은 지점으로 수렴되기 어려운 문제(overshooting)가 발생한다. 따라서 하이퍼파라미터 설정값에 따라 알고리즘이 달라지기 때문에 우수한 성능을 도출하기 위하여 다양한 파라미터 값에 대한 고려가 필요하다. MathWorks에서 제공하는 공학용 소프트웨어인 MATLAB에서 제시한 LSTM 모델의 하이퍼파라미터에 대한 설명은 Mathworks-trainingoptions를 참고하여 Table 1에 제시하였다.

Table 1.

Hyperparamter for LSTM (Mathworks-trainingoptions)

Hyperparameter	Description	Default
numHiddenUnits	The number of hidden units corresponds to the amount of information remembered between time steps (the hidden state)	-
MaxEpochs	Maximum number of epochs to use for training	30
MiniBatchSize	Size of the mini-batch to use for each training iteration	128
InitialLearnRate	Initial learning rate used for training	0.001

3. 위험상황 검지 지표

본 연구에서는 예측된 위치 데이터를 이용하여 차량 간 상호작용 기반의 위험상황을 검지하고자 한다. 개별차량의 최근접 차량을 상호작용 차량으로 정의하였으며, 상호작용 차량은 주체가 되는 차량의 움직임 변화로 인하여 속도와 위치가 변할 것이다. 본 연구에서는 위험상황을 정량화하기 위한 지표로 기존의 TTC 개념과 유사한 High-risk event indicator(HEI)를 정의하였으며, HEI는 두 차량이 추종, 차로변경, 교차 시 현재 주행상태와 같은 방향 및 속도로 주행할 경우 충돌이 발생하기까지 남은 잔여 시간을 의미한다. TTC 임계값을 설정한 기존 연구를 참고하여(El-Basyouny and Sayed, 2013; Sacchi et al., 2013; Sacchi and Sayed, 2016), HEI가 1.5초, 2초, 2.5초, 3초 이하인 경우에 대한 다양한 위험상황을 정의하였다. 향후 제안된 기술의 실도로 적용 시 교통운영자가 정의한 위험상황에 따라 교차로 모니터링이 가능할 것으로 기대된다. HEI는 LSTM으로부터 예측된 $t + p h$ 시점의 x축 위치 ${\hat{x}}^{t + p h}$ 와 y축 위치 ${\hat{y}}^{t + p h}$ , 그리고 속도 자료를 이용하여 Equation 2와 같이 산출된다.

(2)

H E I^{t + p h} = \frac{\sqrt{({\hat{x}}_{s u b}^{t + p h} - {\hat{x}}_{o p p}^{t + p h})^{2} + ({\hat{y}}_{s u b}^{t + p h} - y_{o p p}^{t + p h})^{2}}}{|v_{s u b}^{t + p h} - v_{o p p}^{t + p h}|}

여기서, ${\hat{x}}_{s u b}^{t + p h}$ : $t + p h$ 시점에서 예측된 주체 차량의 x축 위치(m)

${\hat{x}}_{o p p}^{t + p h}$ : $t + p h$ 시점에서 예측된 상호작용 차량의 x축 위치(m)

${\hat{y}}_{s u b}^{t + p h}$ : $t + p h$ 시점에서 예측된 주체 차량의 y축 위치(m)

${\hat{y}}_{o p p}^{t + p h}$ : $t + p h$ 시점에서 예측된 상호작용 차량의 y축 위치(m)

$v_{s u b}^{t + p h}$ : $t + p h$ 시점에서 주체 차량의 속도(m/s)

$v_{o p p}^{t + p h}$ : $t + p h$ 시점에서 상호작용 차량의 속도(m/s)

$p h$ : 미래에 대한 예측 기간 prediction horizon(s)

위험상황 검지 알고리즘 적용

1. 교차로 영상 검지기반 차량 궤적 데이터

교차로 영상검지 기반의 차량 주행궤적자료는 Kim(2019) 연구에서 수집되었으며, 해당 데이터는 본 연구에서 제안된 방법론에 적용되었다. Figure 3에 제시된 분석대상 구간은 경기도 광명시에 위치한 금당사거리로 가로수, 높은 건물 등으로 인해 차량이나 배경이 가리지 않는 양방향 4차로 4지 신호교차로이다. 사진이나 영상은 3차원의 물체를 2차원으로 표현한 것으로 물리적인 원근 특성이 발생할 수 있기 때문에 왜곡에 대한 영향을 최소화하기 위하여 분석대상 구간의 약 30m 높이의 장소에서 촬영되었다(Kim, 2019). 영상 추적 범위는 가로, 세로 각각 약 50m이며, 2,500m²에 해당하는 면적이다. 자료 수집 범위는 2018년도 9월 19일, 오전 10시에서 오후 5시 사이의 총 7시간이다. 분석 범위 내에 총 11,649대의 차량에 대해 391,326개의 데이터 샘플이 수집되었다. 수집된 데이터 중 HEI 임계값 1.5초, 2초, 2.5초, 3초를 기준으로 위험상황은 각각 123건, 233건, 384건, 575건이 발생하였다. 개별차량의 주행궤적 자료는 0.1초 단위로 수집된 주행속도(m/s), 가속도(m/s²), 방향각(degree), x축 위치(pixel, m), y축 위치(pixel, m), x축 속도(m/s) 및 가속도(m/s²), y축 속도(m/s) 및 가속도(m/s²)를 포함한다. 차량의 중심부에 대한 x축 및 y축 위치는 영상 검지 범위의 좌측 하단을 원점으로 하는 픽셀 위치이며, 10pixel은 1m를 의미한다.

https://static.apub.kr/journalsite/sites/kst/2022-040-02/N0210400209/images/kst_40_02_09_F3.jpg

Figure 3

Study site and individual vehicle’s trajectories

1) 모델 변수 설정

수집된 개별차량의 주행궤적자료는 input data와 output data로 구분되며, Equation 3과 같이 TSP를 고려하여 연속된 시계열 형태의 데이터로 생성된다. TSP는 시계열 기반의 교통자료를 이용하여 단기 예측 모델을 구축할 경우 예측 정확도에 영향을 미치는 파라미터로 rolling step( $r s$ ), rolling horizon( $r h$ ), prediction horizon( $p h$ )을 포함한다(Ishak and Al-Deek, 2002). 개별차량 $i$ 에 대해 $t$ 시점의 주행 궤적자료는 $I_{i}^{t} = [v_{i}^{t}, a_{i}^{t}, h_{i}^{t}, x_{i}^{t}, y_{i}^{t}, v x_{i}^{t}, a x_{i}^{t}, v y_{i}^{t}, a y_{i}^{t}]$ 로 나타낼 수 있다. 이때 input data는 $r s$ 와 $r h$ 를 고려한 9개의 feature vector로 설정된다. 또한 output data는 $p h$ 를 고려하여 예측하고자 x축과 y축의 위치로 설정하였다.

(3)

{I n p u t}_{i}^{t} = [\begin{matrix} v_{i}^{t - r h} & a_{i}^{t - r h} & h_{i}^{t - r h} & x_{i}^{t - r h} & y_{i}^{t - r h} & v x_{i}^{t - r h} & v y_{i}^{t - r h} & a x_{i}^{t - r h} & a y_{i}^{t - r h} \\ ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ & ⋮ \\ v_{i}^{t - 2 r s} & a_{i}^{t - 2 r s} & h_{i}^{t - 2 r s} & x_{i}^{t - 2 r s} & y_{i}^{t - 2 r s} & v x_{i}^{t - 2 r s} & v y_{i}^{t - 2 r s} & a x_{i}^{t - 2 r s} & a y_{i}^{t - 2 r s} \\ v_{i}^{t - r s} & a_{i}^{t - r s} & h_{i}^{t - r s} & x_{i}^{t - r s} & y_{i}^{t - r s} & v x_{i}^{t - r s} & v y_{i}^{t - r s} & a x_{i}^{t - r s} & a y_{i}^{t - r s} \\ v_{i}^{t} & a_{i}^{t} & h_{i}^{t} & x_{i}^{t} & y_{i}^{t} & v x_{i}^{t} & v y_{i}^{t} & a x_{i}^{t} & a y_{i}^{t} \end{matrix}] = [\begin{matrix} I_{i}^{t - r h} \\ ⋮ \\ I_{i}^{t - 2 r s} \\ I_{i}^{t - r s} \\ I_{i}^{t} \end{matrix}]

여기서, $I n p u t_{i}^{t}$ : 차량 $i$ , 시점 $t$ 에 대한 state-space를 나타내는 input data

$O u t p u t_{i}^{t + p h}$ : 차량 $i$ , 시점 $t + p h$ 에 대한 state-space를 나타내는 output data

$I_{i}$ : 차량 $i$ 의 주행궤적자료

$v$ : 주행속도(m/s)

$a$ : 가속도(m/s²)

$h$ : 방향각(degree)

$x$ : x축 위치(m)

$y$ : y축 위치(m)

$v x$ : x축 속도(m/s)

$v y$ : y축 속도(m/s)

$a x$ : x축 가속도(m/s²)

$a y$ : y축 가속도(m/s²)

$r s$ : rolling step(s)

$r h$ : rolling horizon(s)

$p h$ : prediction horizon(s)

2) 파라미터 시나리오

본 연구에서는 TSP와 딥러닝 하이퍼파라미터를 연계하여 차량 위치 예측 모델의 최적화를 수행하였다. TSP는 수집된 데이터의 특성에 따라 결정될 수 있다. Rolling step은 데이터 수집 간격에 따라 결정되며, 주행궤적자료가 0.1초 단위로 수집될 경우 rolling step은 0.1초 이상으로 설정한다. 또한, rolling horizon은 prediction horizon보다 큰 값으로 설정되며, 개별차량에 대한 데이터 수집 건수에 따라 결정된다. 본 연구에서 수집된 85percentile에 해당하는 개별차량의 데이터 수집 건수는 약 60건으로 6초에 해당하는 주행궤적자료이다. 이에 따라, Table 2와 같이 prediction horizon은 1초, 2초로 설정하였으며, rolling horizon은 2초, 3초, 4초, 5초로 설정하였다. 예를 들어, prediction horizon 1초, rolling horizon 5초에 대한 파라미터 시나리오의 경우 6초 이상을 주행한 궤적자료를 LSTM 모델에 적용하였다. 향후 더 넓은 영상 추적 범위에서 더 많은 주행궤적자료가 수집될 경우 보다 먼 미래의 위치를 예측할 수 있을 것이다. 설정된 TSP에 따라 생성된 데이터는 training set(70%)과 test set(30%)으로 구분하였으며, 이때 training set은 LSTM 모델을 구축하는데 활용되고 구축된 모델을 검증하기 위하여 test set을 적용한다.

Table 2.

The number of data by time scale parameters

Rolling step (s)	Rolling horizon (s)	Prediction horizon (s)	Total number of data	Number of training data	Number of test data
0.1	2	1	130,766	91,536	39,230
0.1	3	1	78,036	54,625	23,411
0.1	4	1	43,816	30,671	13,145
0.1	5	1	23,129	16,190	6,939
0.1	3	2	43,816	30,671	13,145
0.1	4	2	23,129	16,190	6,939

본 연구에서 설정한 LSTM 하이퍼파라미터 시나리오는 기존 문헌에서 고려된 범위를 기반으로 정의된 MATLAB 기본값(default)을 참고하여(Bishop, 2006; Murphy, 2012; Pascanu et al., 2013) Table 3과 같이 설정하였다. LSTM 모델은 Adam(ADAptive Moment estimation) optimizer를 사용하여 학습한다(Kingma and Ba, 2014). MaxEpochs의 경우는 기본값인 30보다 매우 클수록 과대적합 문제가 발생할 수 있으며, InitialLearnRate가 증가할수록 오차가 작은 지점으로 수렴되지 않는 문제가 발생하여 예측 정확도가 떨어질 수 있다. 또한, MiniBatchSize는 기본값인 128보다 매우 작을수록 학습에 이용되는 훈련데이터의 그룹 수가 증가하기 때문에 모델의 가중치 및 편향의 계산량이 급증하는 문제가 발생할 수 있다. 본 연구에서는 기존 연구에서 고려된 하이퍼파라미터의 범위를 시나리오에 반영하였다(Altché and de La Fortelle, 2017; Kim et al., 2017; Deo and Trivedi, 2018; Xin et al., 2018). 따라서 본 연구에서 적용한 파라미터 시나리오는 TSP 6개와 하이퍼파라미터 81개의 조합을 통해 총 486개로 설정하였다. 이때, 개발된 486개의 위치 예측 모델 중 TSP를 기준으로 예측 정확도가 가장 우수한 하이퍼파라미터를 도출함으로써 모델 최적화를 수행하였다.

Table 3.

Details of hyperparameters for LSTM

Hyperparameters	Details	Number of cases
numHiddenUnits	50, 100, 150	3 cases
MaxEpochs	30, 50, 100	3 cases
MiniBatchSize	32, 64, 128	3 cases
InitialLearnRate	0.001, 0.005, 0.01	3 cases

2. 차량 위치 예측 결과

LSTM을 기반으로 예측된 위치의 오차는 mean absolute percentage error(MAPE)와 root mean square error(RMSE)를 이용하여 도출되었으며 각각 Equation 4, Equation 5와 같이 산출된다. Rolling horizon 및 prediction horizon에 따라 도출된 각 81개의 LSTM 모델 중 x축과 y축 위치에 대해 최소 RMSE 및 MAPE를 가지는 하이퍼파라미터는 Table 4와 같다. RMSE를 기준으로 위치 예측 정확도가 가장 우수한 최적 파라미터 셋은 rolling horizon 5초일 경우, 은닉층의 노드 개수 150, 최대 에포크 32, 미니배치사이즈 100, 초기학습률 0.001로 도출되었다. 이에 해당하는 RMSE는 x축 0.61m, y축 0.57m이며, MAPE는 x축 1.10%, y축 3.74%로 분석되었다. LSTM 하이퍼파라미터 셋 변화에 따른 x축 및 y축 위치 오차에 대한 예시를 Figure 4에 제시하였다. 또한, 임의의 차량에 대해 관측 및 예측된 주행궤적의 예시는 Figure 5(a)에 제시하였으며, x축과 y축 위치의 RMSE에 대한 예시는 Figure 5(b)와 같다.

(4)

M A P E = \frac{1}{N} \sum |\frac{P - \hat{P}}{P}| \times 100 (%)

여기서, $P$ : 실제 위치( $P = (x, y)$ )

$\hat{P}$ : 예측된 위치( $\hat{P} = (\hat{x}, \hat{y})$ )

$N$ : 데이터 샘플 수

(5)

R M S E = \sqrt{\frac{\sum (P - \hat{P})^{2}}{N}}

여기서, $P$ : 실제 위치( $P = (x, y)$ )

$\hat{P}$ : 예측된 위치( $\hat{P} = (\hat{x}, \hat{y})$ )

$N$ : 데이터 샘플 수

Table 4.

Result of optimal hyperparameters by rolling horizon and prediction horizon

Rolling horizon (s)	Prediction horizon (s)	Hyperparameters				RMSE (m)		MAPE (%)
Rolling horizon (s)	Prediction horizon (s)	num Hidden Units	Mini Batch Size	Max Epochs	Initial Learn Rate	x-axis position	y-axis position	x-axis position	y-axis position
2	1	50	128	30	0.001	6.23*	5.41*	16.29	31.85
		100	32	50	0.01	6.37	5.45	15.96*	31.87
		100	32	30	0.01	6.37	5.47	16.68	29.83*
3	1	50	128	50	0.005	0.67*	0.69	1.35	4.09
		100	64	30	0.001	0.71	0.66*	1.49	3.85
		100	32	30	0.001	0.71	0.80	1.30*	4.45
		100	64	30	0.001	0.71	0.66	1.49	3.85*
4	1	50	64	50	0.005	0.64*	0.60*	1.35	4.30
		150	64	100	0.001	0.66	0.62	1.23*	4.23
		150	32	50	0.001	0.68	0.61	1.30	3.72*
5	1	150	32	100	0.001	0.61**	0.57**	1.10**	3.74
5	1	100	128	100	0.005	0.68	0.59	1.24	3.71**
3	2	50	64	100	0.005	1.18*	1.09	2.48	6.85
		50	128	100	0.01	1.27	1.00*	2.54	6.42
		150	128	100	0.001	1.23	1.11	2.34*	6.25
		150	64	50	0.005	1.31	1.10	2.54	6.22*
4	2	150	64	30	0.005	1.09*	1.13	2.22	6.88
		100	128	30	0.01	1.12	0.97*	2.21	6.74
		150	128	30	0.01	1.18	1.19	2.18*	7.03
		150	64	50	0.001	1.22	1.26	2.29	6.30*

*minimum error by rolling horizon and prediction horizon.

**minimum error by optimal LSTM model.

https://static.apub.kr/journalsite/sites/kst/2022-040-02/N0210400209/images/kst_40_02_09_F4.jpg

Figure 4

Illustrative example for MAPE by hyperparameter set

https://static.apub.kr/journalsite/sites/kst/2022-040-02/N0210400209/images/kst_40_02_09_F5.jpg

Figure 5

Illustrative example for vehicle position prediction (vehicle ID 152)

3. 위험상황 검지 결과

과거 5초의 주행궤적 자료를 이용하여 1초 뒤 위치가 예측된 차량은 1,491대이다. 개별차량에 대해 최근접 차량을 추출하고, 두 차량의 상호작용 분석을 통해 위험상황을 검지하였으며, 이에 적용된 데이터 샘플 수는 13,067개이다. 신호교차로에서 신호위반을 하지 않는다는 가정에 따라 최근접 차량은 동일 방향을 주행하는 선 ‧ 후행 차량, 서로 다른 방향을 주행하는 좌회전-우회전 차량, 직진-우회전 차량이 될 수 있다. 위험상황은 두 차량의 속도와 예측된 위치를 이용하여 HEI 산출을 통해 정량화된다. HEI의 임계값은 1.5초, 2초, 2.5초, 3초로 설정하였으며, 임계값 이하일 경우는 위험상황으로 검지하였다. 예측된 위치 데이터를 이용하여 위험상황 검지에 대한 성능척도로 correct detection rate(CDR)와 false detection rate(FDR)를 각각 Equation 6과 Equation 7로 정의하였다. CDR은 관측된 위험상황을 위험하다고 검지한 비율이며, FDR은 검지된 총 위험상황 건수 중 잘못 검지된 위험상황 건수의 비율이다. CDR과 FDR은 0-100 사이로 산출되며, CDR은 높을수록 FDR은 낮을수록 위험상황 검지 정확도가 우수한 것을 의미한다. HEI 임계값을 기준으로 도출된 성능척도의 값은 Table 5에 제시하였다. 임계값 3초를 기준으로 관측된 총 위험상황 건수 574건 중 위험하다고 검지한 건수가 560건으로 CDR은 97.56%로 산출되었다. 반면 임계값 2초를 기준으로 검지된 총 위험상황 건수 233건 중 잘못 검지된 위험상황이 4건으로 FDR은 1.72%로 도출되었다. 전반적으로 HEI 임계값별 CDR은 94.31-97.56%, FDR은 1.72-5.69%로 본 연구에서 제안된 알고리즘의 적용성을 확인하였다.

(6)

C D R = \frac{H E_{t r u e}}{H E_{o b s}} \times 100 %

여기서, $H E_{t r u e}$ : 실제 위험상황을 위험하다고 검지한 건수

$H E_{o b s}$ : 관측된 총 위험상황 발생 건수

(7)

F D R = \frac{H E_{f a l s e}}{H E_{d e t}} \times 100 %

여기서, $H E_{f a l s e}$ : 잘못 검지된 위험상황 발생 건수

$H E_{d e t}$ : 검지된 총 위험상황 발생 건수

Table 5.

Comparison of performance measures

Thresholds	Total observed events	Correctly detected events	CDR (%)	Total detected events	Incorrectly detected events	FDR (%)
1.5s	123	116	94.31	123	7	5.69
2s	236	229	97.03	233*	4*	1.72*
2.5s	386	373	96.63	384	11	2.86
3s	574*	560*	97.56*	575	15	2.61

*the best-reported value.

결론 및 향후연구과제

개별차량의 주행궤적 자료를 이용하여 위치 예측 기반의 차량 간 상호작용 분석을 통해 교통사고 발생 개연성이 높은 위험상황을 검지하는 것은 선제적 교통안전성 분석의 핵심 기술이라 할 수 있다. 본 연구에서는 교차로에서 수집된 총 391,326개의 주행궤적 데이터 샘플을 이용하여 LSTM을 기반으로 위치를 예측하였다. 위치 예측 정확도가 가장 우수한 모델의 RMSE는 x축 위치 0.61m, y축 위치 0.57m로 분석되었다. 추가적으로 예측된 위치 데이터를 이용하여 위험상황을 검지한 결과, HEI 3초를 기준으로 약 98%의 정확도로 도출되어 제안된 방법론의 적용성을 확인하였다.

본 연구에서 제안된 기술은 교통운영과 자율차 제어 두 가지 관점에서 활용될 수 있을 것으로 기대된다. 특히, 비신호교차로의 경우 자율차의 자체 센서 기능만으로 온전히 주변 상황을 인지하고 돌발상황에 대처하며 주행하기에 한계가 있다. 이에 따라, 교통운영 측면에서는 자율차가 비신호교차로에서 좌회전을 하려는 경우 자율차의 안전성이 확보된 시점에서 좌회전 신호를 부여(left signal warrant)하는 것이 가능할 것이다. 또한 자율차 제어 측면에서는 비보호 좌회전 시 진행방향이 다른 직진, 우회전, 좌회전 차량과의 위험상황 정보를 I2V 무선통신을 통해 자율차에게 제공하여 교차로를 안전하게 통과하는데 거동을 결정할 수 있는 선제적 교통안전 정보로 활용 가능하다. 본 연구에서 제안된 방법론을 실질적으로 적용하기 위해서는 더욱 긴 주행궤적을 수집할 수 있는 넓은 영상 추적 범위가 요구된다. 향후 연속된 교차로를 대상으로 추적된 주행궤적자료 수집을 통해 자율차 거동 결정 또는 일반차량 운전자의 충돌회피를 위한 충분한 시간을 제공하기 위하여 실질적으로 적용 가능한 모델 개선 및 결과 도출이 필요할 것이다. 추가적으로 본 연구에서 제시한 방법론은 교차로뿐만 아니라 고속도로의 평면선형, 종단선형, 복합선형 구간과 터널, 교량 등 시설이 포함된 구간 등 다양한 분석범위에 적용될 수 있다. 예를 들어, 국내 C-ITS 시범사업구간을 주행하는 C-ITS 단말기 장착 차량에 대해 주행정보 수집, 선행차량 위치 예측, 주행안전성 평가를 통한 V2X 기반 선제적 교통안전정보를 제공함으로써 안전성 증진에 기여할 것으로 판단된다.

본 연구에서 제시한 차량 위치 예측기반 주행안전성 평가를 위한 위험상황 검지 기술에 대한 신뢰도를 높이기 위해서는 다음과 같은 추가적인 연구가 필요하다. 첫째, 본 연구에서는 일부 샘플 데이터를 활용하여 분석하였으나, 센서 기반 DB를 구축하여 보다 다양한 이동체 궤적 예측이 가능하도록 하는 것이다. 이동체 궤적 자료를 무한히 수집하여 빅데이터 분석을 위한 데이터 셋이 구축될 경우, 신호기 고장, 보행자 무단횡단과 같은 돌발 상황에 대한 in-regular trajectory에 대해서도 위치를 예측할 수 있다. 또한, 수집된 영상 데이터의 원근 특성 상 거리 계산에 있어 왜곡이 발생할 수 있기 때문에 왜곡 보정을 통한 신뢰도 높은 결과를 제시할 것이다. 둘째, 이동체 위치 예측 오차를 반영한 위험상황 검지가 수행되어야 한다. 두 상호작용 이동체가 실제 위험상황임에도 불구하고 위치 오차로 인해 안전한 상황으로 예측하는 문제가 발생할 수 있다. 따라서 위험상황을 검지하는데 있어서 수용할 수 있는 오차범위 설정이 요구된다. 설정된 오차범위는 위험상황 검지의 신뢰성과 직결되는 문제이다. 셋째, RNN, deep neural network(DNN), convolutional neural network(CNN)와 같은 다양한 방법론을 고려한 연구가 수행되어야 한다. 여러 모델의 하이퍼파라미터 조정을 통한 위치 예측 정확도를 비교하여 오차를 최소화하기 위한 모델 개선이 필요하다. 딥러닝 모델을 기반으로 예측된 위치와 실제 위치 간의 차이를 나타내는 오차의 평균 비교를 통해 통계적 검증을 수행함으로써 분석 결과의 유의성을 판단할 수 있다. 이를 통해 본 연구에서 예측된 위치 기반의 위험상황 검지 결과와 여러 모델 간의 비교 및 평가가 가능할 것으로 기대된다. 교차로의 선제적 교통안전 분석을 위하여 향후 보행자, 이륜차 등 다양한 이동체의 궤적 자료를 이용할 경우 교통류 전반의 안전성 평가 및 모니터링이 가능할 것이다.

Funding

This work is supported by the Korea Agency for Infrastructure Technology Advancement (KAIA) grant funded by the Ministry of Land, Infrastructure and Transport (Grant 21AMDP-C160881-01, Future Road Design and Testing for Connected and Autonomous Vehicles).

알림

본 논문은 대한교통학회 제84회 학술발표회(2021.02.26)에서 발표된 내용을 수정 ‧ 보완하여 작성된 것입니다.

References

Altché F., de La Fortelle A. (2017), An LSTM Network for Highway Trajectory Prediction, In 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), 353-359. 10.1109/ITSC.2017.8317913

Ammoun S., Nashashibi F. (2009), Real Time Trajectory Prediction for Collision Risk Estimation between Vehicles, In 2009 IEEE 5th International Conference on Intelligent Computer Communication and Processing. 10.1109/ICCP.2009.5284727

Archer J., Young W. (2010), Signal Treatments to Reduce the Likelihood of Heavy Vehicle Crashes at Intersections: Microsimulation Modeling Approach, J. Transp. Eng., 136(7), 632-639. 10.1061/(ASCE)TE.1943-5436.0000125

Baek M., Jeong D., Choi D., Lee S. (2020), Vehicle Trajectory Prediction and Collision Warning via Fusion of Multisensorsand Wireless Vehicular Communications, Sensors, 20(1), 288. 10.3390/s2001028831947961PMC6982806

Bagdadi O., Várhelyi A. (2013), Development of a Method for Detecting Jerks in Safety Critical Events, Accid. Anal. Prev., 50, 83-91. 10.1016/j.aap.2012.03.03223200443

Barrios C., Motai Y. (2011), Improving Estimation of Vehicle's Trajectory Using the Latest Global Positioning System with Kalman Filtering, IEEE Trans. Instrum. Meas., 60(12), 3747-3755. 10.1109/TIM.2011.2147670

Bishop C. M. (2006), Pattern Recognition, Machine Learning, 128(9).

Choi S., Yeo H., Kim J. (2018), Network-wide Vehicle Trajectory Prediction in Urban Traffic Networks Using Deep Learning, Transp. Res. Rec., 2672(45), 173-184. 10.1177/0361198118794735

Deo N., Trivedi M. M. (2018), Multi-modal Trajectory Prediction of Surrounding Vehicles with Maneuver Based Lstms, In 2018 IEEE Intelligent Vehicles Symposium (IV), 1179-1184. 10.1109/IVS.2018.8500493

Dijkstra A. (2013), Assessing the Safety of Routes in a Regional Network, Transp. Res. Part C Emerg. Technol., 32, 103-115. 10.1016/j.trc.2012.10.008

El-Basyouny K., Sayed T. (2013), Safety Performance Functions Using Traffic Conflicts, Saf. Sci., 51(1), 160-164. 10.1016/j.ssci.2012.04.015

Hochreiter S., Schmidhuber J. (1997), Long Short-term Memory, Neural Comput., 9(8), 1735-1780. 10.1162/neco.1997.9.8.17359377276

https://www.mathworks.com/help/deeplearning/ref/trainingoptions.html

Ishak S., Al-Deek H. (2002), Performance Evaluation of Short-term Time-series Traffic Prediction Model, J. Transp. Eng., 128(6), 490-498. 10.1061/(ASCE)0733-947X(2002)128:6(490)

Jeong Y., Kim S., Yi K. (2020), Surround Vehicle Motion Prediction Using LSTM-RNN for Motion Planning of Autonomous Vehicles at Multi-lane Turn Intersections, IEEE Open Journal of Intelligent Transportation Systems, 1, 2-14. 10.1109/OJITS.2020.2965969

Kathuria A., Vedagiri P. (2020), Evaluating Pedestrian Vehicle Interaction Dynamics at Un-signalized Intersections: A Proactive Approach for Safety Analysis, Accid. Anal. Prev., 134, 105316. 10.1016/j.aap.2019.10531631677475

Kilian J., Siegelmann H. T. (1996), The Dynamic Universality of Sigmoidal Neural Networks, Inf. Comput., 128(1), 48-56. 10.1006/inco.1996.0062

Kim B., Kang C. M., Kim J., Lee S. H., Chung C. C., Choi J. W. (2017), Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map Via Recurrent Neural Network, In 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC), 399-404. 10.1109/ITSC.2017.8317943

Kim J. (2019), Vision Technology Based Vehicle Conflicts Identification at Intersections and Correlation between Vehicle Conflicts and Directional Traffic Signal Phase and Timing, Doctoral Dissertation, Hanyang University.

Kingma D. P., Ba J. (2014), Adam: A Method for Stochastic Optimization, ArXiv Preprint ArXiv:1412.6980.

A., Svensson Å., Hydén C. (2010), Evaluation of Traffic Safety, Based on Micro-level Behavioural Data: Theoretical Framework and First Implementation, Accid. Anal. Prev., 42(6), 1637-1646. 10.1016/j.aap.2010.03.02120728612

Lin C. F., Ulsoy A. G., LeBlanc D. J. (2000), Vehicle Dynamics and External Disturbance Estimation for Vehicle Path Prediction, IEEE Trans. Control Syst. Technol., 8(3), 508-518. 10.1109/87.845881

Ma Y., Zhu X., Zhang S., Yang R., Wang W., Manocha D. (2019), Trafficpredict: Trajectory Prediction for Heterogeneous Traffic-agents, In Proceedings of the AAAI Conference on Artificial Intelligence, 33(1), 6120-6127. 10.1609/aaai.v33i01.33016120

Murphy K. P. (2012), Machine Learning: A Probabilistic Perspective, MIT Press.

Park S. H., Kim B., Kang C. M., Chung C. C., Choi J. W. (2018), Sequence-to-sequence Prediction of Vehicle Trajectory Via LSTM Encoder-decoder Architecture, In 2018 IEEE Intelligent Vehicles Symposium (IV), 1672-1678. 10.1109/IVS.2018.8500658

Pascanu R., Mikolov T., Bengio Y. (2013), On the Difficulty of Training Recurrent Neural Networks, In International Conference on Machine Learning, 1310-1318.

Phillips D. J., Wheeler T. A., Kochenderfer M. J. (2017), Generalizable Intention Prediction of Human Drivers atIintersections, In 2017 IEEE Intelligent Vehicles Symposium (IV), 1665-1670. 10.1109/IVS.2017.7995948

Pirdavani A., Brijs T., Bellemans T., Wets G. (2010), Evaluation of Traffic Safety at Un-signalized Intersections Using Microsimulation: A Utilization of Proximal Safety Indicators, Adv. Transp. Stud., 22, 43-50.

Sacchi E., Sayed T. (2016), Conflict-based Safety Performance Functions for Predicting Traffic Collisions by Type, Transp. Res. Rec., 2583(1), 50-55. 10.3141/2583-07

Sacchi E., Sayed T., Deleur P. (2013), A Comparison of Collision-based and Conflict-based Safety Evaluations The Case of Right-turn Smart Channels, Accid. Anal. Prev., 59, 260-266. 10.1016/j.aap.2013.06.00223831452

SAE Standard J2735 (2016), Dedicated Short Range Communications (DSRC) Message Set Dictionary, SAE International Surface Vehicle Standard.

Schulz J., Hubmann C., Löchner J., Burschka D. (2018), Interaction-aware Probabilistic Behavior Prediction in Urban Environments, In 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 3999-4006. 10.1109/IROS.2018.8594095

Sobhani A., Young W., Sarvi M., Bahrololoom S. (2013), Using a Simulation Based Road Safety Index to Assess Risk of Turning Behaviour at Signalised Intersections, In Proceedings of World Conference in Transport Research, 1-15.

Wang C., Xu C., Dai Y. (2019), A Crash Prediction Method Based on Bivariate Extreme Value Theory and Video-based Vehicle Trajectory Data, Accid. Anal. Prev., 123, 365-373. 10.1016/j.aap.2018.12.01330597330

Xin L., Wang P., Chan C. Y., Chen J., Li S. E., Cheng B. (2018), Intention-aware Long Horizon Trajectory Prediction of Surrounding Vehicles Using Dual Lstm Networks, In 2018 21st International Conference on Intelligent Transportation Systems (ITSC), 1441-1446. 10.1109/ITSC.2018.8569595

Xing L., He J., Abdel-Aty M., Cai Q., Li Y., Zheng O. (2019), Examining Traffic Conflicts of up Stream Toll Plaza Area Using Vehicles' Trajectory Data, Accid. Anal. Prev., 125, 174-187. 10.1016/j.aap.2019.01.03430771587

Yue L., Abdel-Aty M., Wu Y., Yuan J., Morris M. (2020), Influence of Pedestrian-to-vehicle Technology on Drivers' Response and Safety Benefits Considering Pre-crash Conditions, Transp. Res. F: Traffic Psychol. Behav., 73, 50-65. 10.1016/j.trf.2020.06.012

Journal of Korean Society of TransportationISSN:1229-1366(Print) 2234-4217(Online)대한교통학회

Preview

A High-Risk Event Detection Algorithm Based on Vehicle Interactions Prediction at Urban Intersections

ABSTRACT

MAIN

Figure 1

Overall framework

(1)

Figure 2

The overall structure of LSTM model for trajectory prediction

Table 1.

Hyperparamter for LSTM (Mathworks-trainingoptions)

(2)

Figure 3

Study site and individual vehicle’s trajectories

(3)

Table 2.

The number of data by time scale parameters

Table 3.

Details of hyperparameters for LSTM

(4)

(5)

Table 4.

Result of optimal hyperparameters by rolling horizon and prediction horizon

Figure 4

Illustrative example for MAPE by hyperparameter set

Figure 5

Illustrative example for vehicle position prediction (vehicle ID 152)

(6)

(7)

Table 5.

Comparison of performance measures

References