Annual Conference of KIPS (한국정보처리학회:학술대회논문집)

  • 2025.05a
  • /
  • Pages.614-617
  • /
  • 2025
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Traffic Prediction System for Holiday Periods Using Portal Search Data

포털 검색량 데이터 활용 명절 기간 교통 예측 시스템

  • Hyomin Shin (Dept. of Artificial Intelligence, Hanyang University) ;
  • Dong-Hyuk Seo (Dept. of Computer Science, Hanyang University) ;
  • Sang-Wook Kim (Dept. of Computer Science, Hanyang University)
  • 신효민 (한양대학교 인공지능학과 ) ;
  • 서동혁 (한양대학교 컴퓨터 소프트웨어학과) ;
  • 김상욱 (한양대학교 컴퓨터 소프트웨어학과)
  • Published : 2025.05.29
Download PDF
⟨ Previous Next ⟩

Abstract

설, 추석 등으로 대표되는 명절 기간에는 평소의 교통 패턴과는 매우 다른 교통 패턴이 관찰된다. 이러한 교통 패턴은 과거 교통량의 패턴을 학습하여 미래 교통량을 예측하는 기존 교통 예측 시스템의 예측을 방해한다. 이처럼 데이터의 한계로 인해, 오로지 과거 교통량 데이터에 의존하는 기존 연구들은 명절 기간에 교통 예측 정확도가 크게 저하되는 문제를 겪고 있다. 이에 본 연구에서는 포털 사이트에서 제공하는 여러 검색어에 대한 포털 검색량 데이터를 추가 정보로 활용하여 정확도를 개선하는 딥 러닝 기반 교통 예측 시스템을 제안한다. 경부고속도로의 8 년간 명절 기간 데이터를 대상으로 실시한 실험 결과, 제안 방안은 우리나라 경부고속도로 데이터에 대해 최신 교통 예측 시스템과 비교하여 3%에 가까운 개선된 교통 예측 정확도를 나타냈다. 이를 통해 본 연구는 포털 검색량 데이터를 활용하는 접근법이 명절과 같이 교통 상황이 급변하는 경우에 대한 예측 정확도를 효과적으로 개선할 수 있음을 보였다는 점에서 큰 의미가 있다.

Keywords

Acknowledgement

이 논문은 2024년도 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원과 2025년도 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 지원을 받아 수행된 연구임 (No.RS-2022-00155586, 실세계의 다양한 다운스트림 태스크를 위한 고성능 빅 하이퍼그래프 마이닝 플랫폼 개발(SW스타랩), No.RS-2020-II201373, 인공지능대학원지원(한양대학교))

References

  1. BAI, Lei, et al., Adaptive graph convolutional recurrent network for traffic forecasting, Advances in Neural Information Processing Systems, 33, 17804-17815, 2020.
  2. GAO, Jianliang, et al., MTGNN: multi-Task Graph Neural Network based few-shot learning for disease similarity measurement, Methods, 198, 88-95, 2022.
  3. JIANG, Renhe, et al., Spatio-temporal meta-graph learning for traffic forecasting, Proceedings of the AAAI Conference on Artificial Intelligence, 2023, 8078-8086.
  4. SEO, Dong-hyuk, et al., Empowering Traffic Speed Prediction with Auxiliary Feature-Aided Dependency Learning, Proceedings of the 33rd ACM International Conference on Information and Knowledge Management, 2024, 4031-4035.
  5. SONG, Junho, et al., St-gat: A spatio-temporal graph attention network for accurate traffic speed prediction, Proceedings of the 31st ACM International Conference on Information & Knowledge Management, 2022, 4500-4504.
  6. DONG, Zheng, et al., Heterogeneity-informed metaparameter learning for spatiotemporal time series forecasting, Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2024, 631-641.
  7. LI, Yaguang, et al., Diffusion convolutional recurrent neural network: Data-driven traffic forecasting, arXiv preprint arXiv:1707.01926, 2017.
  8. SHANG, Chao; CHEN, Jie; BI, Jinbo, Discrete graph structure learning for forecasting multiple time series, arXiv preprint arXiv:2101.06861, 2021.
  9. WU, Zonghan, et al., Graph wavenet for deep spatialtemporal graph modeling, arXiv preprint arXiv:1906.00121, 2019.
  10. HAN, Haoyu, et al., STGCN: a spatial-temporal aware graph learning method for POI recommendation, 2020 IEEE International Conference on Data Mining (ICDM), 2020, 1052-1057.
  11. KUMAR, S. Vasantha; VANAJAKSHI, Lelitha, Short-term traffic flow prediction using seasonal ARIMA model with limited input data, European Transport Research Review, 7, 1-9, 2015.
  12. STATHOPOULOS, Anthony; KARLAFTIS, Matthew G., A multivariate state space approach for urban traffic flow modeling and prediction, Transportation Research Part C: Emerging Technologies, 11, 2, 121-135, 2003.
  13. CUI, Yue; XIE, Jiandong; ZHENG, Kai, Historical inertia: A neglected but powerful baseline for long sequence timeseries forecasting, Proceedings of the 30th ACM International Conference on Information & Knowledge Management, 2021, 2965-2969.
  14. KIM, Namhyuk, et al., Context-aware Traffic Flow Forecasting in New Roads, Proceedings of the 31st ACM International Conference on Information & Knowledge Management, 2022, 4133-4137.
  15. KIM, Namhyuk, et al., APOTS: A model for adversarial prediction of traffic speed, 2022 IEEE 38th International Conference on Data Engineering (ICDE), 2022, 3353-3359.
  16. SHAO, Zezhi, et al., Exploring progress in multivariate time series forecasting: Comprehensive benchmarking and heterogeneity analysis, IEEE Transactions on Knowledge and Data Engineering, 2024.
  17. Kipf, Thomas N., Welling, Max, Semi-supervised classification with graph convolutional networks, arXiv preprint arXiv:1609.02907, 2016.
  18. Veličković, Petar, Graph attention networks, arXiv preprint arXiv:1710.10903, 2017.
  19. CHO, Kyunghyun, et al., Learning phrase representations using RNN encoder-decoder for statistical machine translation, arXiv preprint arXiv:1406.1078, 2014.
  20. HOCHREITER, Sepp; SCHMIDHUBER, Jürgen, Long short-term memory, Neural Computation, 9, 8, 1735-1780, 1997.
  21. SIMS, Christopher A., Macroeconomics and Reality, Econometrica, 48, 1, 1-48, 1980.