Feb 02, 2020
Contents인공지능과미래전망
인공지능및인공신경망
CNN, RNN, Reinforcement Learning
딥러닝기반도심지교통혼잡해결방안
요약
판단, 추론, 학습등인간의지능이가지는능력을갖춘컴퓨터시스템
人工智能
x1
x1
w1
w2
x2
x2
입력 가중치 합 활성 출력
6
ImageNet Classification Results 3년동안 3배의정확도향상
• 인간오차율은 5~10% 범위, 하지만딥러닝은 15%에서 3%로접근 (2012년~2016년)
7
• 장점:• 계산이 빠름• 기울기사라짐 문제해결
Rectified Linear Units (ReLU)
Teacher
Labeling
Agent
Big Data
Supervised Learning(지도학습)① 입력(x), 출력(y) ② Labeling
Training Testing
Training TestingValidation
Original Data Set
3x3
5x5
7x7
9
3x3 6x6
12x12
10
Input Conv ReLU Pooling ReLU Conv ReLU Pooling Fully Connected Output
A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction
Sensors 2017, 17, x; doi:
13
월 화 수
RNN = Recurrent Neural Network
2018-10-08
14
어제먹었던음식
원래 RNN 패턴
2018-10-08
2018-10-08 15
월 화 수 목 토금
고속도로에서메모리(기억)의중요성• 날씨,• 사고,• 교통량• 단기기억 망각• 장기기억 선별• 중요기억 활용
16
Tra
ffic
Perf
orm
an
ce I
nd
ex (
TP
I)
시간 (5분단위 )
교통혼잡발생 (정체)
• 2017년 5월 10일에서 7월 31일 (82일), 경부고속도로, 서울-춘천, 서해안, 제1영동양방향
• 차량(prove vehicle)의규모는전국기준 50만대, 5분단위집계
18
無 有Critic-network
Actor-network (states inputs)
(3 actions)
(3 Q functions)
21
터널
Weaving
22
차량들위치 차량들속도
레이블링은무엇인가?
As is To Be
• 여러기술개발추진에도개선되지않는교통혼잡비용 • 도시의혼잡도로를 중심으로교통소통능력을증대
문제명 : 줄어들지않는교통혼잡비용문제해결
• 단발적인해결방안보다혼잡도로를대상으로날씨,시간대별, 주변환경,교통흐름등종합적고려하여실시간모니터링,제어,시뮬레이션등종합적인솔루션고려
해결책 : 교통인프라지능형혁신을통한도심지교통신호제어기술개발
사회문제해결형문제정의서
문제정의
• 기술개발을통한혼잡도로를대상으로문제해결가능성이있을경우국가적인교통혼잡비용문제해결의마중물로활용을기대함
기대효과
I-Korea 4.0 실현위한 AI R&D 전략(2018.5)
[기술력] 1-2. [응용: AI+X] AI와타분야혁신시너지확보
[AI+X]
AI + 타기술분야혁신
• X= 신약, AI 활용차세대신약개발플랫폼
• X= 미래소재, 10개소재분야 AI 활용소재개발플랫폼구축
• X= 의료, 의료전주기사람중심 AI 헬스케어적용
• X= 농업, AI를활용한무인지능형스마트팜구축 (8천억원, 예타추진)
AI + 산업응용
• X=제품혁신, AI+의료, AI+금융
• X = 공공수요연계
• X = 중소기업, AI 접목서비스고부가가치화추진
AI +국민생활연구
• 국민의일상행활에영향을미치는심각한문제해결을위해 AI 접목
• (예시) X=교통, 데이터이용교통혼잡해결
• AI 기술을활용한탐지분석( Early Warning) 시스템개발 (KISTI)
I-Korea 4.0: 인공지능기술, 폭발적인성장시작
두번의 AI 암흑기를극복 데이터, 컴퓨팅파워(GPU), 딥러닝진화등으로 AI 부흥기에진입
* 1차('70년대) : 메모리·처리속도등이미구축, 실패로 AI에대한지원중단
* 2차('00년대) :전문가시스템의高유지비용·업데이트한계·오류등으로AI회의론확산
[AI+X]
인공지능 SW 기술개발내용및범위
기술개발전략
딥러닝강화학습
기계학습
인공지능
신호제어
혼잡예측
지역단위신호제어(Blue Signal)
교통혼잡지역신호제어(한국교통연구원)
Deep-TraC SW 개발 (KISTI) 강화학습기반신호제어(KAIST)
교통패턴분석 DB 설계구축(데이터위즈)
데이터위즈
딥러닝
• 실시간교통데이터기반교통혼잡예측 Deep-TraC 설계및실시간예측정확도향상으로개념증명구현• LSTM(Long-Short Term Memory) 아키텍처기반 Deep-TraC PoC (Large-Scale Computation 요구)
슈퍼컴퓨터사용을통한장단기메모리 LSTM 신경망학습으로정확도향상
장단기기억 LSTM 층
Fu
lly C
on
ne
cte
d L
aye
r
GPS 차량데이터 교통혼잡지수
슈퍼컴퓨터에서 학습, 테스트는실시간예측
GPU 컴퓨팅및 Large-Scale 계산
주관기관(KISTI): 도심혼잡도로대상인공지능교통신호제어를위한시스템통합
1차년도
LST
M L
aye
r
Fu
lly C
on
ne
cte
d L
aye
r
딥러닝예측Deep-TraC
GPS 차량
미세먼지
날씨정보
휴일정보
지역환경
시간정보
CNNLayer
Fu
lly C
on
ne
cte
d L
aye
r
도로환경입력층
교통혼잡도로
2차년도 3차년도
인공지능기반교통신호제어
교통신호제어를위한딥러닝혼잡예측
Deep-TraC : 시공간데이터근접성• 교통상황은시간적연속성과공간적연결성에의해변화
• 교통혼잡의시간적연속성: 발생->신화->확산->해소->완화->회복
• 교통혼잡의공간적연결성: (교통류) 상류부->하류부, (shorkwave) 하류부->상류부
Deep-TraC 데이터레이블링 (TPI)
정체
비정체
𝑇𝑃𝐼 =𝑣𝑓 − 𝑣𝑡𝑣𝑓
Traffic Performance Index
비정체
정체
Deep-TraC 데이터융합
기상정보
대지오염정보
공사정보
사고정보
Land use정보
교통정보
Big Data Spatial Data
Fusion
Image Data
대전광역시 RSE VDS
0개 구- 0개 동에서 00개 노변장치 및 VDS를 이용해 실시간 소통상황 정보 수집
Deep-TraC 데이터융합
Deep-TraC 데이터융합
개발내용 혼잡교차로신호제어솔루션결과를기반
으로 지역단위 교통량 제어 솔루션 도출하는협조체계구축
지역단위교통량제어모듈서버탑재
• 지역단위교통량제어솔루션모듈과 혼잡교차로 신호제어 솔루션 모듈은 독립적으로수행
• 통합 모듈을 통해서만 상호협조적인 솔루션도출이가능
개발용도
지역단위교통량제어통합솔루션도출
신호제어통합솔루션
주관기관Deep-TraC 예측
참여기관1 지역단위제어
참여기관2 혼잡단위제어
AI 기반교통신호제어활용방안
(ALL) 대전시교통신호제어실증을통한교통혼잡비용개선테스트베드구축
• 도심지역교통량제어와지역내부교통제어간의협력적차세대교통제어시스템
• 통합테스트베드(서버) 구축실증테스트에적극협력
혼잡교차로제어솔류선모듈
Deep-TraC 기반교통혼잡예측솔류선모듈
지역단위교통량제어솔류선모듈
통합서버구축 서버관리 UI 개발
시스템실제검증 대전시
대전시와 MoU 추진 (진행중)
기대효과
• 딥러닝 기반 도심지 교통흐름 예측 및 제어 플랫폼 분야에서 전세계적으로선도적인기술경쟁력을확보
• AI 기반교통상태예측및제어서버탑재용기술개발
기술적측면 : 딥러닝예측/제어세계적기술확보
• 불필요한신호대기시간을단축, 국민체감하는편의제공
• 교통혼잡감소에따른생활비용이절감, 사회적편익발생
사회적측면 : 시민을위한시스템솔루션서비스구축
• AI 교통신호운영방안제시로새로운부가가치창출
• AI 기반교통신호제어로교통혼잡비용 10% 개선기대
경제산업적측면 : 교통혼잡비용 10% 개선
2016년,30조원 2022년,27조원10% 개선
국가적측면 : 혁신을위한 4차산업혁명대응계획
대통령직속 4차산업혁명위원회 (2017년 12월발표)
감사합니다!