LITMUS

이상치 제거

리트머스 교통량 모델을 통하여 생성된 교통량 원본 데이터는 1차적으로  K-Means, DBSCAN, Autoencoder 등 다양한 AI 클러스터링 모델을 활용하여 모바일 측위 데이터 기반 교통량의 특성 (기지국 위치 기반의 인공지능 위치 모델의 결과를 활용하므로 기지국의 배치와 변경사항 등으로 인하여 오차 발생 가능) 으로 인하여 필연적으로 발생하는 이상치 데이터를 검출해내는 작업을 거칩니다. 이후 본격적인 전수화 모델 적용 단계에서 과도한 이상치는 모델의 전반적인 적합성을 떨어뜨릴 수 있기 때문에 필수적으로 거치는 과정입니다.

 
전수화 모델 주요 특성 데이터

리트머스 교통량 전수화 모델은 XGBoost 모델을 기반으로 설명될 다양한 특성들을 학습 데이터로 삼습니다. 가장 중요한 학습용 데이터 셋의 경우 국가 및 지자체 차원에서 수집 관리하고 있는 ⓵ 공공 교통량 데이터 ⓶ T맵 도로 통행 데이터 ③ 리트머스 시스템을 통해 실시간으로 모델링 생성하는 전국 출도착지 기준 통행량 데이터 ④ KS Link (국가 도로 링크 정보) 정보 데이터가 있습니다. 각각의 특성은 전수화 교통량 데이터가 실제 교통상황을 반영할 수 있도록 면밀하게 수집되어 전처리 되고 있습니다. 

전수화 모델 구성

리트머스 교통량 전수화 모델은 아래와 같이 구성됩니다. 베이스가 되는 교통량 전수화 모델이 상기 설명한 다양한 특성 정보를 지속적으로 학습할 수 있도록 합니다. 무엇보다 앞서 언급한 바와 같이 도로 특성 정보의 연결성과 리트머스 데이터를 결합하여 정답 데이터가 전체 도로 구간으로 전이될 수 있도록 구성하였습니다. 전수화 모델은 대상 지역별로 고유한 전수화 계수를 제공하게 되며, 전수화 이전의 리트머스 교통량 데이터를 전수화 계수와 결합하여 최종 교통량 데이터를 만들어 내도록 구성되었습니다. 

리트머스 교통량 전수화 모델의 장점

리트머스 교통량 전수화 모델은 기존의 계측 장비를 통한 교통량 제공 시스템의 장점을 극대화 하고 단점을 최대한 보완하는 방향의 특장점을 가집니다. 무엇보다 이러한 모바일 데이터 기반 교통량 서비스가 보완재로서의 역할을 충실하게 수행할 수 있도록 구성하였습니다.

정답지가 없는 구간에서 전수화 기능

• AI 기술로 재구성된 도로 경로 단위 통행량과 도로 특성 정보를 결합하여 정답지가 없는 구간에서도 높은 정확도의 전수화가 가능합니다.
• 도로의 연결 특성 (그래프 특성) 을 토대로 실제 정답 데이터와 경로 단위 통행량을 전이 (Propagation) 시켜 가상의 정답 데이터를 생성하도록 합니다.

최대 점유율의 네비게이션 데이터를 활용한 경향성 정확도 강화

• T맵의 링크 단위 통행 정보를 활용하여 도로 교통량의 경향성 정확도를 향상 시킵니다.
• 실제 도로 통행량 대비 T맵의 통행량 비율은 굉장히 낮지만 네비게이션 앱을 통해 축적한 고정밀 위치를 기반으로 특성 중요도가 높습니다.

전국 단위 통행량 데이터를 통한 교통량 볼륨 정확도 강화

• 리트머스의 인구통계 컨텍스트를 통해 추가적 특성을 제공함으로써 모델 정확도를 향상 시켰습니다.

전수화 정확도

리트머스 교통량 전수화 모델의 서울시에 적용한 결과는 아래와 같습니다. R Square (회귀분석 모델의 성능 평가지표) 기준 0.98 (일 단위 교통량 통계), 0.96 (시간 단위 교통량 통계) 를 보여줌으로써 매우 높은 상관관계를 보임을 알 수 있습니다.