I. 결과물 개요 II. 기술의 개념 및 내용 교통 흐름 분석 - CNN(Convolution Neural Network)과 RNN(Recurrent Neural Network)을 혼 합하여 사용한 딥러닝 기반 교통 혼잡도 검출 기술을 개발 - CNN 모델은 시각적 특징을 추출하여 원활, 다소 혼잡, 혼잡의 3 가지 수준으로 혼잡도 * 본 내용은 전재욱 교수(☎ 031-290-7129, jwjeon@skku.edu)에게 문의하시기 바랍니다. ** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다. ***정보통신기획평가원은 현재 개발 진행 및 완료 예정인 ICT R&D 성과 결과물을 과제 종료 이전에 공개하는 “ICT R&D 사 업화를 위한 기술예고”를 2014년부터 실시하고 있는 바, 본 칼럼에서는 이를 통해 공개한 결과물의 기술이전, 사업화 등 기술 활용도 제고를 위해 매주 1~2건의 관련 기술을 소개함 교통 흐름 분석 기술 Chapter 03 개발목표시기 기술이전 가능 시기 - 소프트웨어 기술 개발(2026. 3.) - 엣지 디바이스 탑재 및 최적화 (2028. 3.) 기술성숙도 (TRL) 개발 전 개발 후 2 6 결과물 형태 SW-System, SW-Platform, Patent 검증방법 공인인증평가, 자체 검증 Keywords 교통 흐름 분석, 지능형 교통감시시스템, Congestion detection, Intelligent Transport Systems 외부기술요소 SW 개발기술, Open source로 공개된 딥러닝 프레임워크 사용, 상용 엣지 디바이스 이용 권리성 특허, 인공지능 알고리즘, 소프트웨어 ICT R&D 동향 정보통신기획평가원 29 를 검출 - RNN 모델은 일련의 시간에 따른 교통량과 속도 등의 교통 흐름을 분석하여 교통 혼잡 도를 예측 - 두 모델의 결과를 혼합하여 최종 교통 혼잡도를 출력 III. 국내외 기술 동향 및 경쟁력 1. 기술의 특성 및 성능 CNN과 RNN을 결합한 교통 흐름 분석은 현재 시점의 이미지의 시각적 특성뿐만 아니라 시간의 흐름까지 고려하여 최종 교통 혼잡도를 산출하며, 이를 통해 더욱 정밀한 교통 흐름 분석이 가능함