주 교통 예측 모델의 학습 데이터를 준비하며 VDS 수집·전처리와 LightGBM 결측 보완을 맡고, A* 경로 탐색으로 예측 속도를 지도·ETA에 연결했습니다.
<aside> ✅
캡스톤 우수상 2등
</aside>
2024.03 – 2024.06
분류 팀 프로젝트 / 2024년
4인 캡스톤 팀 · 데이터·A 단독 담당 · React 공동 개발*
2024.06 세종대학교 컴퓨터공학과 캡스톤 디자인 우수상 2등
본인 작업: VDS·LightGBM·DB 인덱싱·A* / 공동 화면: React·Kakao Map·Flask REST 연계 / 팀의 주 예측 모델·서버: Graph WaveNet·PyTorch·GCP
React·Kakao Map으로 경로·ETA 화면을 공동 개발하고 Flask 서버와 결과를 주고받는 REST 통신 구조를 설계했습니다. 본인의 결측 보완과 별도로 팀의 주 모델 출력을 경로 탐색에 연결했습니다.
공공데이터포털의 VDS 데이터를 수집·정제하고 시간·날짜·지점 기준으로 통합했습니다. 학습·조회에 활용할 수 있게 데이터를 정리하고 DB 인덱싱을 적용했습니다.
주 교통 예측 모델의 학습에 사용할 수집 데이터 일부에 결측치가 있어, 제가 LightGBM으로 직접 예측·보완했습니다. 시간대별 누락은 앞뒤 시간대 데이터를, IC 구간 사이의 누락은 해당 구간의 앞뒤 데이터를 참고해 보완했습니다.
본인의 결측 보완은 주 모델의 학습 데이터를 준비하는 전처리 작업이며, 경로 서비스에 사용하는 주 교통 속도 예측 모델의 학습·배포는 팀원이 맡았습니다.
flowchart TD
A["본인: VDS 수집·정제·통합"] --> B["본인: LightGBM 결측 예측·보완"]
B --> C["본인: 교통량 비율을 고려한 변환·DB 인덱싱"]
C --> D["팀원: 주 교통 속도 예측 모델 학습·배포"]
D --> E["본인: 예측 출력과 IC 노드·A* 연결"]
E --> F["공동: React 지도·경로·ETA 표시"]
교통량 비율을 고려해 가중 평균 집계·변환을 수행했습니다. 차량 평균 속도·교통량·노드별 통과 시간은 입력·고려 지표로 다루며 경로에 연결할 데이터를 정리했습니다.
결측 보완 데이터와 팀의 주 속도 예측 모델 출력을 구분하고, 각 단계의 데이터를 경로 탐색에 연결했습니다.
고속도로 IC를 노드 기준으로 삼아 지도와 예측 데이터를 연결했습니다. 톨게이트·진입 지점·휴게소 등 도로상의 지점과 도로 정보를 정리하고, 노드에 연결한 예측 교통 속도를 탐색 비용에 반영했습니다.