목차

제1장 서 론 1
1.1 연구의 배경 및 목적 1
1.2 관련 연구 7
1.3 연구개요 11
1.4 머신러닝 알고리즘 13
1.4.1 베이지안 네트워크(Bayesian Network) 13
1.4.2 서포트 벡터 머신(Support Vector Machine) 16
1.4.3 C4.5(J48) 19
1.4.4 랜덤 포레스트(Random Forest) 22
1.4.5 심층 신경망(Deep Neural Network) 24
1.5 예측모델 학습 및 성능 테스트 방법 28
1.6 머신러닝 기법 적용 개요 31
1.7 머신러닝 컴퓨터 및 소프트웨어 32
1.7.1 머신러닝 컴퓨터 환경 32
1.7.2 WEKA 33
제2장 가상 주행 실험 및 예측 모델 성능 분석 38
2.1 연구의 배경 및 목적 38
2.2 연구개요 40
2.3 가상 주행 실험 시나리오 설계 42
2.3.1 시뮬레이터 42
2.3.2 가상 도로 환경 43
2.3.3 가상 교통 환경 48
2.3.4 시선 추적 장비 49
2.3.5 입력장치 54
2.3.6 주행상태 구분 55
2.4 가상 환경 데이터 정의 57
2.4.1 운전자 정보 57
2.4.2 실험차량 정보 59
2.4.3 실험차량과 주변차량과의 상대정보 60
2.4.4 실험차량과 차선과의 상대정보 62
2.5 실험 절차 63
2.6 실험 참가자 64
2.7 데이터 처리 65
2.7.1 시계열 데이터 처리 65
2.7.2 예측시점 조정 68
2.8 특징선택 및 전처리 필터 사용 69
2.8.1 특징선택기법 69
2.8.2 전처리 필터 72
2.9 시뮬레이터 데이터 기반 알고리즘 별 예측모델 성능 분석 73
2.9.1 베이지안 네트워크(Bayesian Network) 73
2.9.2 서포트 벡터 머신(Support Vector Machine) 75
2.9.3 C4.5(J48) 77
2.9.4 랜덤 포레스트(Random forest) 79
2.9.5 심층 신경망(Deep Neural Network) 81
2.10 가상 주행 데이터 기반 실험결과 89
2.10.1 현재 주행상태 인식 성능 결과 89
2.10.2 3초 후 주행산태 인식 성능 결과 92
2.10.3 5초 후 주행상태 인식 성능 결과 95
2.11 결론 및 토의 98
2.11.1 결론 98
2.11.2 성과 103
2.11.3 향후 과제 107
제3장 실제 주행 데이터 수집 및 예측 모델 성능 분석 109
3.1 연구의 배경 및 목적 109
3.2 연구개요 111
3.3 실제 환경 데이터(DVI DB) 113
3.3.1 DVI 실험차량 정보 113
3.3.2 DVI 운전자 정보 114
3.3.3 DVI 주변차량 정보 115
3.3.4 DVI 차선 정보 116
3.4 DVI 실험 도로 및 주행상태 정보 117
3.4.1 DVI 실험도로 117
3.4.2 DVI 주행상태 레이블링 118
3.5 DVI 실험 및 실험참가자 정보 119
3.6 데이터 처리 120
3.6.1 샘플링 주기 동기화 및 데이터 추출 120
3.6.2 시계열 데이터 처리 122
3.6.3 예측시점 조정 122
3.7 특징선택 및 전처리 필터 사용 123
3.7.1 특징선택기법 123
3.7.2 전처리 필터 125
3.8 실제 주행 데이터 기반 알고리즘 별 예측모델 성능 분석 126
3.8.1 베이지안 네트워크(Bayesian Network) 126
3.8.2 서포트 벡터 머신(Support Vector Machine) 128
3.8.3 C4.5(J48) 130
3.8.4 랜덤 포레스트(Random Forest) 132
3.8.5 심층 신경망(Deep Neural Network) 134
3.9 가상 주행 데이터 기반 실험결과 142
3.9.1 현재 주행상태 인식 성능 결과 142
3.9.2 3초 후 주행산태 인식 성능 결과 144
3.9.3 5초 후 주행상태 인식 성능 결과 146
3.10 결론 및 토의 148
3.10.1 토의 148
3.10.3 성과 153
3.10.4 향후 과제 155
제4장 결론 158
참고 문헌 160