Traffic Flow Prediction in Seoul Metropolitan Area using Functional Principal Component Analysis

Abstract

In this paper, we analyze traffic flow of eight expressway tollgates in Seoul Metropolitan Area by functional principal component analysis and other machine learning methods. Using functional component analysis, daily traffic curves with 24 time points can be reduced to lower dimensional principal components (PCs). Instead of clustering original curves, we cluster lower dimensional PCs with similar patterns using EM algorithm. To find the appropriate number of clusters, we check that the mean function of each cluster is distinguishable. In addition, we apply linear regression and extreme gradient boosting model for to compare prediction accuracies. Weather data such as rainfall, snowfall, temperature, and other features including employment rates, number of departures, and the number of registered cars were used to illustrate the changes in traffic flow. Four years of data from the year 2015 to 2018 were used for training, and data of the year 2019 were used for testing model performances.;본 연구에서는 함수데이터의 군집분석 기법을 이용하여 수도권 고속도로의 통행패턴을 군집화하고, 교통량 예측의 정확도를 높이는 방법을 제시하고자 한다. 한국 도로공사에서 제공하는 2015년부터 2019년까지 5년간의 통행량이 가장 많은 8 개 영업소의 교통량 데이터와 날씨자료, 각종 경제지표를 이용하였다. 교통데이터를 살펴보면 시간별 변화량이 가장 크다. 이 점에 착안해 하루 24 시간동안의 통행량을 하나의 함수로 보고, 함수데이터의 주성분 분석을 통해 24 차원을 3 개의 주성분으로 요약한 후에 3 개의 주성분을 이용해 비슷한 모양별로 통행패턴을 군집화 하였다. 군집화에는 EM 알고리즘을 이용하였으며, 비슷한 통행패턴을 가진 각 군집별로 모델링을 진행하였다. 또한 군집을 활용하지 않은 모형을 적합한 후에 군집 모형과 성능을 비교하였다. 2015 년부터 2018 년까지의 자료는 학습 데이터로, 2019 년 자료를 테스트 데이터로 활용하여 RMSE, MAE, MAPE 기준을 사용하였다. 분석에 사용한 모형은 회귀모형(Linear Regression)과 XG 부스트(Extreme Gradient Boosting)이다. 두 모형 모두 군집 모형을 사용하였을 때 다른 날에 비해 예측력이 떨어졌던 주말, 휴일 등에 대한 교통량 예측 정확도가 올라간 것을 확인할 수 있었다. 정확한 교통수요 예측을 통해 교통량을 더욱 효율적으로 관리하여 교통 혼잡비용을 줄일 수 있을 것으로 기대된다.