KOTI 한국교통연구원

■ Deep Learning은 심층 신경망을 기반으로 한 다양한 아키텍처와 대규모 데이터를 이용한 학습으로 대표되는 새로운 도구로 지난 10년간 다양한 분야에서 큰 성과를 내고 있음

◦ 다양한 형태의 심층 신경망 구조(CNN, RNN, DRN 등)들이 개발되어 computer vision, 음성인식, 번역, 게임, 로보틱스, 영상 처리 등 다양한 분야에서 인간에 필적하거나 오히려 능가하는 성과를 도출

■ 교통부문은 대규모 데이터를 이용한 분석이 요구되는 분야로 최근 다양한 분야에서 Deep Learning 적용한 연구가 진행됨

◦ 교통 데이터의 검지 및 식별, 교통량, 속도 등 교통 지표 예측, 자율주행 차량 제어 및 신호제어 등 다양한 분야에 Deep Learning 기술 적용

■ Deep Learning은 결과물의 해석의 어려움 등 몇 가지 문제점이 존재하지만 대규모 데이터를 이용해야 하거나 이용하는 것이 유리한 문제에는 활용 가능성이 높음

◦ 본 연구에서 고령자 등 교통약자 이동 식별 등 영상기반 연구 등 향후 연구과제를 제안

◦ 이외에도 교통 데이터 검지 및 수집 분야에서는 데이터 확보 수준에 따라 보다 더 세분화된 검지 및 수집으로 범위를 점차 확대

◦ GAN 등 Deep Learning의 새로운 기법을 활용한 연구 시도

◦ 교통정보의 제공(교통전광판 메시지)을 통한 간접 제어 등 다양한 향후 연구가 필요

Ⅰ. 연구의 개요 1
1. 연구의 배경 1
2. 연구의 목적 2

Ⅱ. Deep Learning의 기본구조 및 유형 3
1. 인공 신경망 모형 3
2. 심층 인공신경망 유형 6

Ⅲ. 교통부문 Deep Learning 활용 연구 사례 및 적정 활용 방향 13
1. 교통부문 Deep Learning 활용 연구 검토 13
2. Deep Learning의 교통부문 적정 활용 방향 21

Ⅳ. Deep Learning 기반 연구개발 과제 제안 23
1. 고령자 등 교통약자 움직임 식별 23
2. GAN 기반의 시뮬레이션 정산(Calibration) 기술 24
3. 영상을 이용한 사고 가능성 예측 및 경고 25
4. 도시철도 혼잡예측 26

Ⅴ. 결론 및 제언 27

참고문헌 28