머신러닝(GRNN)을 이용한 교통사고모형의 예측정확도 개선에 관한 연구

이상혁; 우용한

추천

검색

자료유형: 학술저널

저자정보: 이상혁 (한국건설기술연구원 인프라안전연구본부) 우용한 (경일대학교 도시인프라공학부)

저널정보: 한국도로학회 한국도로학회논문집 한국도로학회논문집 제20권 제6호

발행연도: 2018.1

수록면: 179 - 189 (11page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

PURPOSES : The purpose of this study is to compare applicability, explanation power, and flexibility of traffic accident models between estimating model using the statistical method and the machine learning method. METHODS : In order to compare and analyze traffic accident models between model estimated using the statistical method and machine learning method, data acquisition was conducted, and traffic accident models were estimated using statistical methods such as negative binomial regression model, and machine learning methods such as a generalized regression neural network (GRNN). Then, the fitness of model as $R^2$, root mean square error (RMSE), mean absolute percentage error (MAPE), accuracy, etc., were determined to compare the traffic accident models. RESULTS:The results showed that the annual average daily traffic (AADT), speed limits, number of lanes, land usage, exclusive right turn lanes, and front signals were significant for both traffic accident models. The GRNN model of total traffic accidents had been better statistical significant with $R^2$: 0.829, RMSE: 2.495, MAPE: 32.158, and Accuracy: 66.761 compared with the negative binomial regression model with $R^2$: 0.363, RMSE: 9.033, MAPE: 68.987, and Accuracy: 8.807. The GRNN model of injury traffic accidents also showed similar results of model's statistical significance. CONCLUSIONS :Traffic accident models estimated with GRNN had better statistical significance compared with models estimated with statistical methods such as negative binomial regression model.

#traffic accident models #machine learning #generalized regression neural network #negative binomial regression model #prediction accuracy

참고문헌 (20)

참고문헌 신청

Abdi, L. / 2017 / Deep Learning Traffic Sign Detection, Recognition and Augmentation / Proceeding of the Symposium on Applied Computing :131~136

Chen, Q. / 2016 / Learning Deep Representation from Big and Heterogeneous Data for Traffic Accident Inference / Preceeding of the Thirtieth AAAI Conference on Artificial Intelligence :338~344

Halim, Z. / 2016 / Artificial Intelligence Techniques for Driving Safety and Vehicle Crash Prediction / Artificial Intelligence Review 46(3):351~387

Huval. H. / 2015 / An Empirical Evalution of Deep Learning on Highway Driving / arXiv preprint arXiv:1504.01716

정성봉 / 2009 / EB기법을 이용한 사고잦은 곳 개선사업 우선순위 판정기법 개발 / 대한교통학회지 27(3):81~90

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이상혁

소속기관 한국건설기술연구원

주요연구분야 자연과학 > 생물학 공학 > 건축공학 > 토목공학

논문수 23 이용수 1,537

우용한

소속기관 경일대학교 도시인프라공학부

주요연구분야 공학 > 건축공학 > 토목공학

논문수 10 이용수 825

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (20)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

최근 본 자료

댓글(0)