딥러닝 기반 차량 경로예측 모델의 전파과정 간소화를 통한 트레이드오프 성능 검증 연구 (A Study on Trade-off Evaluation by Simplifying Propagation Process of Vehicle Trajectory Prediction Model Based on Deep Learning)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 46권 / 5호 / 914 ~ 922페이지
· 저자명 : 오기성, 김희중, 임세준

초록

본 논문에서는 딥러닝 기반의 차량 경로예측 모델의 예측 정확도와 예측시간 사이의 Trade-off 관계에서 성능을 개선하기 위한 전파과정 간소화 방안을 제안하였다. 차량 경로예측 문제에서 딥러닝 기술을 활용하면서 점점높은 정확도의 예측이 가능해지고 있지만, 반면에 모델의 복잡도가 증가하면서 예측시간이 길어지는 Trade-off 문제를 발생시킨다. 이 문제를 해결하기 위해 기존의 딥러닝 기반 state-of-the-art 차량 경로예측 모델에 여러 가지전파과정 간소화 방안을 적용하고 실험을 통해 예측 정확도와 예측시간을 측정하였다. PC 및 임베디드 환경에서의 검증을 통하여 주변차량의 Dynamic Motion 특성을 추출하는 과정을 간소화할 경우, 예측 정확도 손실 없이예측시간을 PC 환경에서는 15.7%, 임베디드 환경에서는 2.1% 단축했다.

영어초록

In this paper, a method of simplifying the propagation process to improve the performance in the trade-off relationship between prediction accuracy and prediction time of vehicle trajectory prediction model based on deep learning is proposed. In vehicle trajectory prediction tasks, it is possible to predict increasingly high accuracy by using deep learning technology, but on the other hand, a trade-off problem occurred because of the increasing the prediction time of the model according to increased complexity. To solve this problem, various simplifying methods of propagation process were applied to the existing deep learning based state-of-the-art vehicle trajectory prediction model and the prediction accuracy and prediction time were measured through the experiments. In case of simplifying from the process to extract the Dynamic Motion features of neighboring vehicles, the predicted time was reduced by 15.7% in the PC environment and 2.1% in the embedded environment without any loss of the predicted accuracy.

참고자료

· 없음