KR101105446B1 - Travel Time Estimation Method using Data fusion among detectors - Google Patents
Travel Time Estimation Method using Data fusion among detectors Download PDFInfo
- Publication number
- KR101105446B1 KR101105446B1 KR1020100044358A KR20100044358A KR101105446B1 KR 101105446 B1 KR101105446 B1 KR 101105446B1 KR 1020100044358 A KR1020100044358 A KR 1020100044358A KR 20100044358 A KR20100044358 A KR 20100044358A KR 101105446 B1 KR101105446 B1 KR 101105446B1
- Authority
- KR
- South Korea
- Prior art keywords
- travel time
- collection system
- traffic information
- center
- time
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
ITS(Intelligent Transportation System) 교통정보수집체계와 u-TSN(ubiquitous-Transportation Sensor Network) 교통정보체계의 자료들에 대해 데이터 퓨전을 하여 기존보다 신뢰도 높은 교통정보를 제공하기 위한 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법이 개시된다.
개시된 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법은, 서로 다른 교통정보수집체계에서 수집한 통행시간 자료를 기반으로 추정한 통행시간 정보와 실제 통행시간 정보를 비교하여 오차분포 매트릭스를 생성하는 단계와, 상기 생성한 오차분포 매트릭스를 이용하여 각 수집체계의 질량 함수를 도출하는 단계와, 상기 도출한 질량함수를 이용하여 수집체계별 가중치를 산출하는 단계와, 상기 산출한 가중치를 기반으로 수집체계의 통행시간 데이터를 퓨전하여 실시간 통행시간을 산정하는 단계와, 상기 데이터 퓨전을 통해 산출되는 교통정보의 신뢰도 개선 정도를 산출하는 단계로 이루어진다.Through the data fusion between the ITS (Intelligent Transportation System) traffic information collection system and u-TSN (ubiquitous-Transportation Sensor Network) traffic information system, data fusion between detection systems to provide more reliable traffic information than before. A real time travel time estimation method is disclosed.
In the real-time travel time estimation method through data fusion between the disclosed detection systems, generating an error distribution matrix by comparing the travel time information estimated based on the travel time data collected by different traffic information collection systems and the actual travel time information. And deriving a mass function of each collection system using the generated error distribution matrix, calculating a weight for each collection system using the derived mass function, and collecting the system based on the calculated weights. Calculating the real-time travel time by fusion of the time of travel data, and calculating the degree of reliability improvement of the traffic information calculated through the data fusion.
Description
본 발명은 검지체계간의 데이터 퓨전(Data fusion)을 통한 실시간 통행시간 산정 알고리즘에 관한 것으로서, 더욱 상세하게는 ITS(Intelligent Transportation System) 교통정보수집체계와 u-TSN(ubiquitous-Transportation Sensor Network) 교통정보체계와 같은 검지체계간의 자료들에 대해 데이터 퓨전(Date fusion)을 하여 기존보다 신뢰도 높은 교통정보를 제공하기 위한 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법에 관한 것이다.The present invention relates to an algorithm for estimating real-time travel time through data fusion between detection systems, and more specifically, an Intelligent Transportation System (ITS) traffic information collection system and a ubiquitous-Transport Sensor Network (u-TSN) traffic information. The present invention relates to a method for calculating real-time travel time through data fusion between detection systems to provide more reliable traffic information by performing data fusion on data between detection systems such as systems.
교통정보를 받기 위해 기존 ITS 교통정보수집체계에서는 지점 검지기나 영상 검지기와 같은 데이터 수집장치를 통해 차량 정보를 수집하고, 이를 통합하며 구간 통행 시간을 산출한 후 각 노드(Node)로 전송하게 된다.In order to receive traffic information, the existing ITS traffic information collection system collects vehicle information through data collection devices such as point detectors and image detectors, integrates them, calculates section travel time, and transmits them to each node.
따라서 이러한 기존 ITS 교통정보수집체계에서는 데이터 수집, 데이터 가공, 데이터 제공을 위해 발생하는 시간 처짐 현상(Time lag)이 존재하여, 실제 이용자들이 제공받는 교통정보는 실시간 교통정보라고 할 수 없다.Therefore, in the existing ITS traffic information collection system, there is a time lag occurring for data collection, data processing, and data provision, and thus traffic information provided by actual users is not called real time traffic information.
이에 본 발명은 상기와 같은 기존 ITS 교통정보수집체계에서 발생하는 시간 처짐 현상을 해결하기 위해서 제안된 것으로서,Accordingly, the present invention has been proposed to solve the time lag caused by the existing ITS traffic information collection system,
본 발명이 해결하려는 과제는, ITS(Intelligent Transportation System) 교통정보수집체계와 u-TSN(ubiquitous-Transportation Sensor Network) 교통정보체계와 같은 검지체계간의 자료들에 대해 데이터 퓨전을 하여 기존보다 신뢰도 높은 교통정보를 제공하기 위한 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법을 제공하는 데 있다.The problem to be solved by the present invention, the data fusion between the detection system, such as the Intelligent Transportation System (ITS) traffic information collection system and the ubiquitous-Transportation Sensor Network (u-TSN) traffic information system by performing data fusion data The present invention provides a method for calculating real-time travel time through data fusion between detection systems for providing information.
본 발명이 해결하려는 다른 과제는, 검지체계간의 데이터 퓨전을 통해 실시간 통행시간을 산정토록 함으로써, 급변하는 도로 상황에서 신뢰도 높은 통행시간을 제공할 수 있도록 한 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법을 제공하는 데 있다.Another problem to be solved by the present invention is to calculate the real-time travel time through the data fusion between the detection system, to calculate the real-time travel time through the data fusion between the detection system to provide a reliable travel time in a rapidly changing road situation To provide a way.
상기와 같은 과제들을 해결하기 위한 본 발명에 따른 "검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법"은,According to the present invention for solving the above problems, a "real time travel time estimation method through data fusion between detection systems",
ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 서로 다른 교통정보수집체계에서 수집한 통행시간 자료를 기반으로 추정한 통행시간 정보와 실제 통행시간 정보를 비교하여 오차분포 매트릭스를 각각 생성하는 단계와;The error distribution matrix is generated by comparing the estimated travel time information and the actual travel time information based on the travel time data collected from different traffic information collection systems at the Intelligent Transportation System (ITS) Center and the Ubiquitous Transportation Center (UTC) Center. Making a step;
상기 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 상기 오차분포 매트릭스를 이용하여 각 수집체계의 질량 함수를 각각 도출하는 단계와;Deriving a mass function of each collection system using the error distribution matrix at the intelligent transportation system (ITS) center and the ubiquitous transportation center (UTC) center;
상기 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 상기 질량함수를 이용하여 수집체계별 가중치를 각각 산출하는 단계와;Calculating weights for each collection system by using the mass function in the intelligent transportation system (ITS) center and the ubiquitous transportation center (UTC) center;
상기 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 각각 상기 가중치를 기반으로 수집체계의 통행시간 데이터를 퓨전하여 실시간 통행시간을 산정하는 단계를 포함하여 이루어짐을 특징으로 한다.And calculating the real time travel time by fusion of travel time data of the collection system based on the weights in the Intelligent Transportation System (ITS) center and the Ubiquitous Transportation Center (UTC) center, respectively.
또한, 본 발명에 따른 "검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법"은,In addition, the "real time travel time estimation method through the data fusion between detection systems" according to the present invention,
상기 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 상기 데이터 퓨전을 통해 산출되는 교통정보의 신뢰도 개선 정도를 각각 산출하는 단계를 더 포함하여 이루어짐을 특징으로 한다.And calculating the degree of reliability improvement of the traffic information calculated through the data fusion at the intelligent transportation system (ITS) center and the ubiquitous transportation center (UTC) center.
또한, 상기 오차분포 매트릭스는 ITS 교통정보수집체계와 u-TSN 교통정보수집체계에서 각각 수집한 통행시간 자료를 기반으로 추정한 통행 시간 정보를 Dempster-Shafer 이론을 활용하여 오차분포 매트릭스를 산출하는 것을 특징으로 한다.In addition, the error distribution matrix is to calculate the error distribution matrix using the Dempster-Shafer theory of the travel time information estimated based on the travel time data collected by the ITS traffic information collection system and the u-TSN traffic information collection system, respectively. It features.
상기 질량 함수는 각 교통정보수집체계별로 추정된 통행시간과 실제 통행시간이 일치하는 비율을 의미한다.The mass function means a ratio at which the estimated travel time and actual travel time correspond to each traffic information collection system.
본 발명에 따르면, 기존 ITS 교통정보수집체계를 u-TSN 교통정보수집체계에 데이터 퓨전을 통해 통합하여 실시간 통행시간정보를 제공해줌으로써, 교통정보 제공의 효율성 및 신뢰성을 증진할 수 있는 장점이 있다.According to the present invention, by providing the real-time travel time information by integrating the existing ITS traffic information collection system to the u-TSN traffic information collection system through data fusion, there is an advantage to improve the efficiency and reliability of providing traffic information.
또한, 본 발명에 따르면, 기존 ITS 교통정보수집체계에서 발생하는 시간 처짐 현상을 감소시킬 수 있어, 교통정보를 받는 이용자들에게 더욱 정확한 교통정보를 제공할 수 있는 장점이 있다.In addition, according to the present invention, it is possible to reduce the time droop occurring in the existing ITS traffic information collection system, there is an advantage that can provide more accurate traffic information to users receiving the traffic information.
도 1은 본 발명이 적용되는 u-TSN과 ITS 간의 교통정보 통합 연계체계의 시스템 개략구성도.
도 2는 본 발명에 따른 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법을 보인 흐름도.
도 3은 본 발명에서 검증대상 네트워크 및 AVI 설치지점의 예시도.
도 4는 데이터 퓨전 수행 전/후 통행시간 정보 오차율 그래프.1 is a system schematic configuration diagram of a traffic information integration linkage system between u-TSN and ITS to which the present invention is applied.
2 is a flowchart showing a method for calculating a real-time passage time through data fusion between detection systems according to the present invention.
Figure 3 is an exemplary view of the verification target network and AVI installation point in the present invention.
4 is a graph of the time information error rate before / after performing data fusion.
이하 본 발명의 바람직한 실시 예를 첨부한 도면에 의거 상세히 설명하면 다음과 같다. 본 발명을 설명하기에 앞서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다.Hereinafter, described in detail with reference to the accompanying drawings a preferred embodiment of the present invention. In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail.
도 1은 본 발명이 적용되는 u-TSN과 ITS 간의 교통정보 통합 연계체계의 시스템 개략구성도로서, 참조부호 100은 VDS(Vehicle Detection System), AVI(Automatic Vehicle Identification), BIS(Bus Information System) 등으로 대표되는 기존 ITS 교통정보 수집체계를 의미하며, 참조부호 200은 UVS(Ubiquitous Vehicle Sensor), UIS(Ubiquitous Infrastructure Sensor), UPS(Ubiquitous Pedestrian Sensor) 등으로 대표되는 u-TSN의 교통정보 수집체계를 의미하며, 참조부호 300 및 400은 데이터 퓨전을 위한 ITS 센터 및 UTC(Ubiquitous Transportation Center) 센터를 각각 나타낸다.1 is a schematic diagram of a system for integrating a traffic information integrated system between a u-TSN and an ITS to which the present invention is applied.
도 2는 본 발명에 따른 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법을 보인 흐름도로서, ITS 교통정보를 수집하는 단계(S101), 상기 수집한 통행시간 자료를 기반으로 추정한 통행시간 정보와 실제 통행시간 정보를 비교하여 오차분포 매트릭스를 생성하는 단계(S103), 상기 생성한 오차분포 매트릭스를 이용하여 ITS 수집체계의 질량 함수를 도출하는 단계(S105), 상기 도출한 질량함수를 이용하여 ITS 수집체계 가중치(신뢰도)를 산출하는 단계(S107), u-TSN 교통정보를 수집하는 단계(S201), 상기 수집한 통행시간 자료를 기반으로 추정한 통행시간 정보와 실제 통행시간 정보를 비교하여 오차분포 매트릭스를 생성하는 단계(S203), 상기 생성한 오차분포 매트릭스를 이용하여 u-TSN 수집체계의 질량 함수를 도출하는 단계(S205), 상기 도출한 질량함수를 이용하여 u-TSN 수집체계 가중치(신뢰도)를 산출하는 단계(S207), 상기 각각 산출한 가중치를 기반으로 각 수집체계의 통행시간 데이터를 퓨전하여 실시간 통행시간을 산정하는 단계(S301), 상기 데이터 퓨전을 통해 산출되는 교통정보의 신뢰도 개선 정도를 산출하는 단계(S303)로 이루어진다.2 is a flowchart illustrating a method for calculating a real-time travel time through data fusion between detection systems according to the present invention, collecting ITS traffic information (S101), and estimated travel time information based on the collected travel time data. Generating an error distribution matrix by comparing actual travel time information (S103), deriving a mass function of an ITS collection system using the generated error distribution matrix (S105), and using the derived mass function Calculating a weighting system (reliability) of the collection system (S107), collecting the u-TSN traffic information (S201), and comparing the estimated travel time information based on the collected travel time data with the actual travel time error. Generating a distribution matrix (S203), deriving a mass function of a u-TSN collection system using the generated error distribution matrix (S205), and deriving the derived mass function Computing the u-TSN collection system weights (reliability) using the step (S207), fusion time data of each collection system based on the calculated weights to calculate the real-time passage time (S301), the data Comprising a step of calculating the degree of improvement of the reliability of the traffic information calculated through fusion (S303).
이와 같이 이루어지는 본 발명에 따른 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법을 구체적으로 설명하면 다음과 같다.The method of calculating the real-time passage time through the data fusion between the detection systems according to the present invention as described above will be described in detail.
본 발명은 기존의 ITS 교통정보수집체계를 u-TSN에 통합하여 교통정보제공의 효율성 및 신뢰성을 증진하기 위한 것으로서, 이를 위해 데이터 퓨전을 통해 u-TSN과 ITS의 교통수집체계에서 수집되는 정보들을 모두 이용하여 신뢰성 있고 의미 있는 교통정보를 생성하게 된다.The present invention is to improve the efficiency and reliability of providing traffic information by integrating the existing ITS traffic information collection system to u-TSN, for this purpose, information collected from the traffic collection system of u-TSN and ITS through data fusion All of them are used to generate reliable and meaningful traffic information.
여기서 데이터 퓨전은 검지기 자료, VDS, AVI, BIS 등으로 대표되는 기존 ITS 교통정보 수집체계와, UVS, UIS, UPS 등의 u-TSN의 교통정보 수집체계의 정보를 통합하여, 보다 정확하고 공간적으로 유기적인 교통정보를 제공하는 것을 의미한다.Here, data fusion integrates the information of the existing ITS traffic information collection system represented by detector data, VDS, AVI, BIS, etc., and the information of the traffic information collection system of u-TSN such as UVS, UIS, UPS, etc. It means providing organic traffic information.
본 발명에서는 일반화된 데이터 퓨전 방법론 중 하나인 Dempster-Shafer이론을 기반으로, 교통정보의 특성을 반영하여 신뢰도 높은 교통정보를 생성하게 된다. 또한, 풍부한 ITS 교통정보와 u-TSN 교통정보의 실시간 특성을 동시에 활용할 수 있도록 ITS 센터(300)와 UTC(Ubiquitous Transportation Center)(400) 간의 원활한 정보교환이 가능한 t-Conversions 통합연계 구조를 제공한다.In the present invention, based on the Dempster-Shafer theory, which is one of the generalized data fusion methodology, the traffic information with high reliability is generated by reflecting the characteristics of the traffic information. In addition, it provides a t-Conversions integrated linkage structure that enables the smooth exchange of information between the ITS
데이터 퓨전은 주지한 바와 같이, 다양한 정보 제공원에서 수집된 자료를 가공 및 통합하여 신뢰도 높은 단일의 정보를 도출하는 방법으로서, 데이터 퓨전을 수행하는 이유는 다양한 정보 제공원에 의한 통행시간 중 어느 하나가 구간의 통행시간을 대표한다고 볼 수 없기 때문이며, 데이터 퓨전에서는 각 정보제공원에 대한 개별적인 통행시간 변환 알고리즘이 존재하며 이를 통해 1차 처리된 정보를 퓨전하는 것이 보편적이다.As is well known, data fusion is a method of deriving a single piece of reliable information by processing and integrating data collected from various information sources. The reason for performing data fusion is any one of travel times by various information sources. Is not representative of the travel time of the section.In data fusion, there is a separate travel time conversion algorithm for each information park, and it is common to fusion the first processed information.
상기 Dempster-Shafer 이론(D-S이론)은 증거 추론 기법 중 하나로 베이지안 추론 과정의 일반화된 형태이다. 베이지안 추론은 불확실성을 지니고 있지 않은 완전한 확률 모델을 필요로 하는 반면, D-S 이론은 증거와 가설 사이의 불확실성을 표현할 수 있으므로 더욱 넓은 영역에서 응용이 되고 있다.The Dempster-Shafer theory (D-S theory) is one of the evidence inference techniques and is a generalized form of Bayesian inference process. Bayesian inference requires a complete probabilistic model with no uncertainty, while D-S theory has wider application because it can express the uncertainty between evidence and hypotheses.
D-S 이론에서는 질량(Mass) 함수, 신뢰(Belief) 함수, 타당성(Plausibility) 함수를 이용해 확률을 표현하며, 다음과 같은 특징이 있다.In the D-S theory, the probability is expressed using the mass function, the confidence function, and the plausibility function, and has the following characteristics.
질량함수는 확률밀도 함수와 유사하게 정의되고 각각의 수집체계에 질량을 할당하며, 다음 조건을 만족한다.The mass function is defined similarly to the probability density function, assigning mass to each collection system and satisfying the following conditions:
이러한 질량 함수는 각 연구의 목적과 주어진 상황에 따라 가장 알맞은 것을 적용해야 하므로, 연구 별로 구축해야 한다.These mass functions need to be constructed on a study-by-study basis, as they are best suited for the purpose of each study and the given situation.
D-S 이론은 두 공간 사이의 불확실성에 대응하는 방안으로 확률의 하한과 상한의 개념을 도입했으며, 하한은 신뢰함수에 의하여 산출되고, 상한은 타당성 함수에 의하여 산출된다.D-S theory introduces the concept of the lower limit and the upper limit of probability as a countermeasure to the uncertainty between two spaces, the lower limit is calculated by the confidence function, and the upper limit is calculated by the validity function.
예컨대, m(A)를 A의 질량함수라 하면, 
Bel(A)와 Pls(A)는 각각 하한 확률과 상한 확률의 의미를 가지므로, D-S 이론은 A에 대한 확률 구간 [Bel(A),Pls(A)]로 표현할 수 있으며, 이 두 값의 차이(Pls(A) - Bel(A))는 확률 모델의 불확실성에 기인한 추론 결과의 불확실성을 나타낸다.Since Bel (A) and Pls (A) have lower and upper probability, respectively, DS theory can be expressed as probability interval [Bel (A), Pls (A)] for A. The difference Pls (A)-Bel (A) represents the uncertainty of the inference result due to the uncertainty of the probabilistic model.
이와 같이 신뢰(belief)를 나타내는 확률 질량함수(probability mass function)를 이용하는 서로 다른 두 가지 데이터를 퓨전 하는 조합의 규칙이 만들어진다.In this way, a combination rule is created that fuses two different data using a probability mass function that represents the confidence.
집합 U에서 동시에 정의된 둘 이상의 질량함수와 신뢰함수는 D-S 조합 규칙에 의해 하나로 합해질 수 있으며, Bel1 과 Bel2를 각각 m1,m2에 의해 정의된 신뢰함수라 할 때, 두 함수의 직교 합은 
단, A≠Ф,m(Ф)=0Where A ≠ Ф, m (Ф) = 0
본 발명에서는 상기와 같은 D-S 이론의 기본적인 알고리즘을 바탕으로, ITS 교통정보와 u-TSN의 교통정보 특성을 반영하여 신뢰도 높은 교통정보를 생성하는 데이터 퓨전에 관한 것이며, 또한 D-S 이론의 특징인 질량 함수, 신뢰 함수, 타당성 함수 등을 활용하여 t-Conversions 데이터 퓨전 프로세스를 정립한 것이다. The present invention relates to data fusion for generating reliable traffic information by reflecting the characteristics of ITS traffic information and u-TSN traffic information based on the basic algorithm of DS theory as described above. , A confidence function, a validity function, etc., were used to establish the t-Conversions data fusion process.
데이터 퓨전 프로세스는 도 2와 같으며, 교통정보 수집체계별로 질량함수를 생성하여 개별 수집체계들의 신뢰도를 산출하고, 신뢰도를 기반으로 데이터 퓨전을 실시하며 D-S 조합 규칙을 활용해 퓨전 후의 신뢰도 개선 정도를 산정하게 된다.The data fusion process is shown in FIG. 2, and generates a mass function for each traffic information collection system to calculate the reliability of individual collection systems, performs data fusion based on the reliability, and uses a DS combination rule to improve the reliability after fusion. It is calculated.
이를 위해서 단계 S101에서는 ITS 교통정보수집체계에서의 교통정보를 수집하고, 단계 S201에서는 u-TSN 교통정보수집체계에서의 교통정보를 수집한다.To this end, in step S101, traffic information in the ITS traffic information collection system is collected, and in step S201, traffic information in the u-TSN traffic information collection system is collected.
그리고 단계 S103 및 단계 S203에서 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 각 교통정보수집체계별로 D-S이론을 적용하여 오차분포 매트릭스를 각각 산출하게 된다.In step S103 and step S203, the error distribution matrix is calculated by applying the D-S theory for each traffic information collection system in the ITS (Intelligent Transportation System) center and the Ubiquitous Transportation Center (UTC) center.
본 발명에서는 질량함수를 도출하기 위해 오차분포 매트릭스(Confusion Matrix)라는 개념을 도입하였으며, 이러한 오차분포 매트릭스는 정보 수집체계에서 1차 처리되어 추정된 통행시간 정보와 실제 통행시간 정보(Reference Travel Time)를 비교하여 아래와 같은 수식 3을 이용하여 도출되며, 정보수집체계별로 오차분포 매트릭스가 도출된다.In the present invention, the concept of an error distribution matrix (Confusion Matrix) was introduced to derive a mass function, and such error distribution matrix was first processed in an information collection system and estimated travel time information and actual travel time information (Reference Travel Time). By comparing
여기서, mk=k 검지기의 오차분포 매트릭스, 
이러한 오차분포 매트릭스는 수집체계별로 추정된 통행시간 정보가 실제 통행시간 정보와 비교하여 과소, 과대 추정되었는지를 파악하기 쉬운 장점이 있다.The error distribution matrix has an advantage that it is easy to determine whether the estimated travel time information for each collection system is underestimated or overestimated compared with the actual travel time information.
다시 말해, 
다음으로, 단계 S105 및 단계 S205에서는 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 각 검지체계별로 상기 도출한 오차분포 매트릭스를 기반으로 각 검지체계의 질량함수를 아래와 같이 수식 4를 이용하여 각각 정의한다.Next, in Steps S105 and S205, the mass function of each detection system is expressed by Equation 4 as shown below based on the error distribution matrix derived for each detection system at the Intelligent Transportation System (ITS) Center and the Ubiquitous Transportation Center (UTC) Center. Define each using
여기서, mk = k수집체계의 질량함수이다.Where m k = mass function of the k collection system.
즉, 질량함수는 각 수집체계별로 추정된 통행시간과 실제 통행시간이 일치한 비율을 의미하며, 이는 수집체계별 신뢰도를 나타내는 지표로 사용한다.In other words, the mass function means the ratio of the estimated passage time and actual passage time for each collection system, which is used as an indicator of the reliability of each collection system.
다음으로, 단계 S107 및 단계 S207에서 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서는 개별 수집체계에서 산출된 질량함수 값을 이용하여 각각 가중치를 산정하였으며, 가중치를 기준으로 데이터 퓨전을 수행한다. 각 수집체계별로 아래와 같은 수식 5를 이용하여 가중치를 각각 생성한다.Next, in Steps S107 and S207, the Intelligent Transportation System (ITS) Center and the Ubiquitous Transportation Center (UTC) Center calculate the weights using the mass function values calculated by the individual collection systems, respectively. To perform. Each collection system generates
여기서, mi= 수집체계 i의 신뢰도, wi= 수집체계 i의 가중치이다.Where m i = reliability of collection system i and w i = weight of collection system i.
다음으로, 단계 S301에서는 상기 산출된 가중치를 활용하여 수집체계의 통행시간 데이터를 아래의 수식 6과 같이 퓨전한다.Next, in step S301, the travel time data of the collection system is fused using the calculated weight value as shown in Equation 6 below.
여기서, TTi = 수집체계 i에서 산출된 통행시간, TTfusion = 퓨전 후 산출된 통행시간을 나타낸다.Where TT i = Travel time calculated in collection system i, TT fusion = Travel time calculated after fusion.
다음으로, 단계 S303에서는 상기 데이터 퓨전을 통해 산출되는 교통정보의 신뢰도 개선 정도를 계산하기 위해 아래의 수식 7과 같은 D-S 조합규칙을 이용한다.Next, in step S303, a D-S combination rule as shown in Equation 7 below is used to calculate the degree of reliability improvement of traffic information calculated through the data fusion.
여기서, mij = 퓨전 후 신뢰도, mi = i 수집체계의 신뢰도, mj = j 수집체계의 신뢰도이다.Where m ij = Reliability after fusion, m i = reliability of the collection system, m j = j The reliability of the collection system.
본 발명에서는 TraCISS를 이용하여 데이터 퓨전 기술을 검증하였으며, ITS 체계의 AVI(Automatic Vehicle Identification)와 u-TSN 체계의 UVS를 통해 산출된 교통정보를 퓨전하였다. AVI는 대표적인 ITS 교통정보수집체계 중 하나로 자동으로 차량에 관한 정보를 인식하여 차량의 ID확인을 통해 구간통행시간 자료를 수집한다.In the present invention, the data fusion technology was verified using TraCISS, and traffic information calculated through AVI (Automatic Vehicle Identification) of the ITS system and UVS of the u-TSN system was fused. AVI is one of the representative ITS traffic collection systems. It automatically recognizes the information about the vehicle and collects section travel time data by checking the ID of the vehicle.
그러나 AVI는 차량이 구간을 통과한 후에 자료가 수집될 수 있는 한계로 시간 처짐(time lag) 현상이 발생하는 문제점이 있다. UVS 단말기의 시장 점유율을 기준으로 시나리오를 수립하였으며, 그에 따라 데이터 퓨전 기술의 효과평가를 수행하였다.However, AVI has a problem that time lag occurs due to the limit that data can be collected after the vehicle passes the section. The scenario was established based on the market share of UVS terminals, and the effectiveness evaluation of data fusion technology was performed accordingly.
시장 점유율이 5%, 15%, 25%일 때로 구분하여 시나리오를 수립하였으며, 검증에 사용된 네트워크는 u-TSN 교통부문 운영전략 수립 및 평가 시와 동일한 네트워크를 이용하였다. 네트워크는 도 3에 도시한 바와 같이, 중부 및 제2중부 고속도로를 1/3로 축소한 약 12.5km이며, 하행선을 대상으로 교통정보를 수집처리하였다.Scenarios were set up when the market share was 5%, 15%, and 25%, and the same network was used for establishing and evaluating the operation strategy of the u-TSN transportation sector. As shown in FIG. 3, the network is about 12.5 km in which the central and second central highways are reduced by one third, and traffic information is collected and processed for the downline.
결과의 신뢰성을 높이기 위해 시작 10분 동안의 자료는 분석에서 배제하였고, 총 시뮬레이션 시간은 1시간으로 설정하였으며, ITS체계의 정보수집체계 중 AVI를 선정하였으며, 교통정보는 1분 단위로 정보를 수집하여 통행시간자료를 생성하는 것으로 가정하였다.In order to increase the reliability of the results, the data for 10 minutes were excluded from the analysis, the total simulation time was set to 1 hour, AVI was selected from the information collection system of the ITS system, and traffic information was collected every 1 minute. It is assumed to generate travel time data.
도 3과 같이 대상 네트워크에 총 6개의 AVI를 설치하여 구간통행시간을 산출하였으며, 산출된 구간통행시간을 교통정보수집 주기별로 평균 통행시간을 산출하였다. u-TSN 체계 및 데이터 퓨전을 통한 교통정보 제공은 ITS의 교통정보와 동일한 1분을 주기로 정하여 제공하며, V2V, V2I 통신을 통해 수집되는 u-TSN 교통정보는 과거에 수행된 링크 통행시간 추정방법론을 활용하여 대표 통행시간으로 산출하였다.As shown in FIG. 3, a total of six AVIs were installed in the target network to calculate a section passage time, and the average section time was calculated for each cycle information collection period. Traffic information through u-TSN system and data fusion is provided every 1 minute as the traffic information of ITS, and u-TSN traffic information collected through V2V and V2I communication is estimated in the past. Calculated as representative travel time using.
각 교통정보 수집체계별로 산출된 통행시간, 데이터 퓨전 기술을 적용하여 산출된 통행시간이 출발시각 기준 통행시간을 추정하는 능력을 비교하여 데이터 퓨전 기술의 효과를 평가하였다. 데이터 퓨전을 통해 출발시각 기준 통행시간 오차율은 ITS 대비 약 15%, UVS 대비 약 20% 감소하는 것으로 나타났으며, ITS의 교통정보 수집 시 문제점이었던 시간 처짐 현상을 완화하여 보다 실시간 정보에 가까운 통행시간을 생성할 수 있었다.The effects of the data fusion technology were evaluated by comparing the travel time calculated by each traffic information collection system and the ability to estimate the travel time based on the departure time calculated by applying the data fusion technology. According to data fusion, the error time of departure time based on departure time is reduced by about 15% compared to ITS and about 20% compared to UVS.It also reduces the time sag that was a problem when collecting traffic information of ITS. Could produce
UVS 시장 점유율별로 각 수집체계 및 데이터 퓨전 후의 오차율은 도 4와 같다. UVS에서 산출된 통행시간은 시장 점유율이 높아짐에 따라 이상치가 차지하는 비율이 높아져 대표 통행시간 산출 시스템 내부의 오차가 커지나, 충분한 UVS가 존재하게 되면 오차율이 감소하는 것으로 파악되었다.The error rate after each collection system and data fusion by UVS market share is shown in FIG. 4. As the market share increases, the time taken by UVS increases the ratio of outliers, which increases the error inside the representative travel time calculation system, but the error rate decreases when sufficient UVS exists.
본 발명은 상술한 특정의 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.The present invention is not limited to the above-described specific preferred embodiments, and various modifications can be made by any person having ordinary skill in the art without departing from the gist of the present invention claimed in the claims. Of course, such changes will fall within the scope of the claims.
100… ITS 교통정보 수집체계
200… u-TSN 교통정보 수집체계
300… ITS 센터
400… UTC 센터100... ITS traffic information collection system
200 ... u-TSN Traffic Information Collection System
300 ... ITS Center
400 ... UTC center
Claims (9)
ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 서로 다른 교통정보수집체계에서 각각 수집한 통행시간 자료를 기반으로 추정한 통행시간 정보와 실제 통행시간 정보를 비교하여 오차분포 매트릭스를 각각 생성하는 단계와;
상기 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 상기 오차분포 매트릭스를 이용하여 각 수집체계의 질량 함수를 각각 도출하는 단계와;
상기 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 상기 질량함수를 이용하여 수집체계별 가중치를 각각 산출하는 단계; 및
상기 ITS(Intelligent Transportation System) 센터 및 UTC(Ubiquitous Transportation Center) 센터에서 각각 상기 가중치를 기반으로 수집체계의 통행시간 데이터를 퓨전하여 실시간 통행시간을 산정하는 단계를 포함하여 이루어짐을 특징으로 하는 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법.
In the method of calculating the real time travel time through data fusion between traffic information detection systems,
The error distribution matrix is compared by comparing the estimated travel time information with the actual travel time information based on the travel time data collected by different traffic information collection systems at the Intelligent Transportation System (ITS) Center and the Ubiquitous Transportation Center (UTC) Center. Generating;
Deriving a mass function of each collection system using the error distribution matrix at the intelligent transportation system (ITS) center and the ubiquitous transportation center (UTC) center;
Calculating weights for each collection system by using the mass function at the intelligent transportation system (ITS) center and the ubiquitous transportation center (UTC) center; And
Calculating the real-time travel time by fusion of the travel time data of the collection system based on the weights at the Intelligent Transportation System (ITS) center and the Ubiquitous Transportation Center (UTC) center, respectively. How to calculate real time travel time through data fusion.
The method of claim 1, further comprising calculating a degree of reliability improvement of the traffic information calculated through the data fusion.
The error distribution matrix according to claim 1, wherein the error distribution matrix uses the Dempster-Shafer theory to calculate the travel time information estimated based on the travel time data collected by the ITS traffic information collection system and the u-TSN traffic information collection system, respectively. Method for calculating the real-time passage time through the data fusion between the detection system, characterized in that for calculating.
The method of claim 1, wherein the mass function is a ratio in which the estimated travel time and the actual travel time coincide with each traffic information collection system.
<수식>
여기서, mk=k 검지기의 오차분포 매트릭스,
The method of claim 1, wherein the error distribution matrix is calculated by the following equation.
<Formula>
Here, m k = k error distribution matrix,
<수식>
여기서, mk = k수집체계의 질량함수이다.
The method of claim 1, wherein the mass function derivation of each collection system is derived by the following equation.
<Formula>
Where m k = mass function of the k collection system.
<수식>
여기서, mi= 수집체계 i의 신뢰도, wi= 수집체계 i의 가중치이다.
The method of claim 1, wherein the weight of each collection system is calculated by the following formula using the derived mass function.
<Formula>
Where m i = reliability of collection system i and w i = weight of collection system i.
<수식>
여기서, TTi = 수집체계 i에서 산출된 통행시간, TTfusion = 퓨전 후 산출된 통행시간을 나타낸다.
The method of claim 1, wherein the fusion time data of the collection system is fused using the following equation based on the calculated weights.
<Formula>
Where TT i = Travel time calculated in collection system i, TT fusion = Travel time calculated after fusion.
<수식>
여기서, mij = 퓨전 후 신뢰도, mi = i 수집체계의 신뢰도, mj = j 수집체계의 신뢰도이다.The method of claim 2, wherein the degree of improvement of the reliability of the traffic information is calculated by the following equation.
<Formula>
Where m ij = Reliability after fusion, m i = reliability of the collection system, m j = j The reliability of the collection system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100044358A KR101105446B1 (en) | 2010-05-12 | 2010-05-12 | Travel Time Estimation Method using Data fusion among detectors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020100044358A KR101105446B1 (en) | 2010-05-12 | 2010-05-12 | Travel Time Estimation Method using Data fusion among detectors |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110124906A KR20110124906A (en) | 2011-11-18 |
| KR101105446B1 true KR101105446B1 (en) | 2012-01-17 |
Family
ID=45394516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020100044358A KR101105446B1 (en) | 2010-05-12 | 2010-05-12 | Travel Time Estimation Method using Data fusion among detectors |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101105446B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102810251A (en) * | 2012-08-01 | 2012-12-05 | 重庆大学 | Simplified road net model orientated real-time road condition information acquisition system on basis of GPS (global positioning system) terminal |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101796481B1 (en) | 2011-11-28 | 2017-12-04 | 삼성전자주식회사 | Method of eliminating shutter-lags with low power consumption, camera module, and mobile device having the same |
| CN104021675B (en) * | 2014-06-25 | 2016-06-01 | 北京易华录信息技术股份有限公司 | A kind of system and method predicted needed for the future time instance of through street between whilst on tour |
| CN106033643B (en) * | 2015-03-10 | 2019-05-24 | 中国移动通信集团辽宁有限公司 | A kind of data processing method and device |
| CN104794895A (en) * | 2015-04-09 | 2015-07-22 | 吉林大学 | Multisource traffic information fusion method for expressways |
| CN105679025B (en) * | 2016-02-22 | 2017-11-28 | 北京航空航天大学 | A kind of arterial street travel time estimation method based on Changeable weight mixed distribution |
| CN106097707B (en) * | 2016-06-03 | 2020-01-07 | 深圳驾图通信技术有限公司 | Method and device for judging vehicle running state |
| CN110288825B (en) * | 2019-05-23 | 2020-12-25 | 浙江工业大学 | Traffic control subregion clustering division method based on multi-source data fusion and SNMF |
| CN110852273B (en) * | 2019-11-12 | 2023-05-16 | 重庆大学 | Behavior recognition method based on reinforcement learning attention mechanism |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000346664A (en) | 1999-06-02 | 2000-12-15 | Matsushita Electric Ind Co Ltd | Navigation apparatus for vehicle |
| KR20080029505A (en) * | 2006-09-29 | 2008-04-03 | 현대자동차주식회사 | A traffic estimating system and the method considered road type |
| KR20090124197A (en) * | 2008-05-29 | 2009-12-03 | 주식회사 세인시스템 | Apparatus for forecasting traffic information with multi-detection and method for operating the same |
-
2010
- 2010-05-12 KR KR1020100044358A patent/KR101105446B1/en not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000346664A (en) | 1999-06-02 | 2000-12-15 | Matsushita Electric Ind Co Ltd | Navigation apparatus for vehicle |
| KR20080029505A (en) * | 2006-09-29 | 2008-04-03 | 현대자동차주식회사 | A traffic estimating system and the method considered road type |
| KR20090124197A (en) * | 2008-05-29 | 2009-12-03 | 주식회사 세인시스템 | Apparatus for forecasting traffic information with multi-detection and method for operating the same |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102810251A (en) * | 2012-08-01 | 2012-12-05 | 重庆大学 | Simplified road net model orientated real-time road condition information acquisition system on basis of GPS (global positioning system) terminal |
| CN102810251B (en) * | 2012-08-01 | 2014-07-02 | 重庆大学 | Simplified road net model orientated real-time road condition information acquisition system on basis of GPS (global positioning system) terminal |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110124906A (en) | 2011-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101105446B1 (en) | Travel Time Estimation Method using Data fusion among detectors | |
| US9240124B2 (en) | Traffic-volume prediction device and method | |
| Kim et al. | Compound Gamma representation for modeling travel time variability in a traffic network | |
| Hao et al. | Vehicle index estimation for signalized intersections using sample travel times | |
| Ghaleb et al. | Improved vehicle positioning algorithm using enhanced innovation-based adaptive Kalman filter | |
| CN109035784B (en) | Dynamic traffic flow OD estimation method based on multi-source heterogeneous data | |
| Barceló Bugeda et al. | A kalman filter approach for the estimation of time dependent od matrices exploiting bluetooth traffic data collection | |
| CN104021674B (en) | A kind of quick and precisely prediction vehicle method by road trip time | |
| CN104657199B (en) | The Forecasting Methodology of freeway traffic event coverage based on microscopic simulation | |
| Rahmani et al. | Floating car and camera data fusion for non-parametric route travel time estimation | |
| Padiath et al. | Prediction of traffic density for congestion analysis under Indian traffic conditions | |
| El Esawey et al. | Travel time estimation in urban networks using limited probes data | |
| CN108257380B (en) | Method and system for detecting congestion event based on road condition information | |
| CN103093625A (en) | City road traffic condition real-time estimation method based on reliability verification | |
| Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
| Schendzielorz et al. | Infrastructure-based vehicle maneuver estimation at urban intersections | |
| US10706720B2 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
| Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
| KR20220055335A (en) | Traffic information prediction apparatus and prediction method using the same | |
| Xu et al. | An asynchronous synchronization strategy for parallel large-scale agent-based traffic simulations | |
| Yamaguchi et al. | Real-time prediction for future profile of car travel based on statistical data and greedy algorithm | |
| CN103280109A (en) | Obtaining method, obtaining device and prediction system of travel time | |
| El Esawey et al. | Using buses as probes for neighbor links travel time estimation in an urban network | |
| Bilali et al. | Analyzing the impact of anticipatory vehicle routing on the network performance | |
| Daaif et al. | An efficient distributed traffic events generator for smart highways |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20150106 Year of fee payment: 4 |
|
| LAPS | Lapse due to unpaid annual fee |