KR102517212B1 - Control server for estimating travel speed in units of cells - Google Patents

Control server for estimating travel speed in units of cells Download PDF

Info

Publication number
KR102517212B1
KR102517212B1 KR1020220023011A KR20220023011A KR102517212B1 KR 102517212 B1 KR102517212 B1 KR 102517212B1 KR 1020220023011 A KR1020220023011 A KR 1020220023011A KR 20220023011 A KR20220023011 A KR 20220023011A KR 102517212 B1 KR102517212 B1 KR 102517212B1
Authority
KR
South Korea
Prior art keywords
travel speed
trajectory data
space
control server
unit
Prior art date
Application number
KR1020220023011A
Other languages
Korean (ko)
Inventor
김형주
김종호
서영훈
임동현
Original Assignee
재단법인차세대융합기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인차세대융합기술연구원 filed Critical 재단법인차세대융합기술연구원
Priority to KR1020220023011A priority Critical patent/KR102517212B1/en
Application granted granted Critical
Publication of KR102517212B1 publication Critical patent/KR102517212B1/en

Links

Images

Classifications

    • G06Q50/30—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P11/00—Measuring average value of speed
    • G01P11/02—Measuring average speed of number of bodies, e.g. of vehicles for traffic control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P3/00—Measuring linear or angular speed; Measuring differences of linear or angular speeds
    • G01P3/64—Devices characterised by the determination of the time taken to traverse a fixed distance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

The present invention provides a control server enabling safe and efficient traffic management. According to an embodiment of the present invention, the control server for estimating a travel speed by a unit of space-time intervals on a road based on trajectory data transmitted from a probe vehicle. The control server includes: a communication unit receiving the trajectory data; and a control unit collecting the trajectory data and estimating the travel speed by unit of a space-time cell of the road based on the collected trajectory data. The control unit generates multiple scenarios according to a sample rate and the space-time intervals are predetermined based on the trajectory data. The control unit also estimates the travel speed of each of the space-time intervals in each of the multiple scenarios and calculates the accuracy of the estimated travel speed. The control unit determines the proper space-time intervals according to the sample rate based on the accuracy.

Description

셀 단위로 통행 속도를 추정하는 관제 서버{CONTROL SERVER FOR ESTIMATING TRAVEL SPEED IN UNITS OF CELLS}Control server for estimating travel speed in cell units {CONTROL SERVER FOR ESTIMATING TRAVEL SPEED IN UNITS OF CELLS}

본 발명은 교통 관제 서버에 관한 것으로, 더욱 상세하게는 셀 단위로 차량들의 통행 속도를 추정하고, 적정 시공간 간격을 산정할 수 있는 관제 서버에 관한 것이다. The present invention relates to a traffic control server, and more particularly, to a control server capable of estimating the traveling speed of vehicles on a cell-by-cell basis and calculating an appropriate space-time interval.

실시간 교통 정보는 도로 이용자에게 통행 수단, 통행 경로 등의 선택에 결정적인 영향을 미친다. 뿐만 아니라, 실시간 교통 정보는 교통 관제 관점에서 도로의 전반적인 교통 상태를 실시간으로 모니터링하고, 시계열 데이터 분석을 가능케 하여 도로 운영자의 정책 결정에 결정적인 요인으로 작용한다. Real-time traffic information has a decisive influence on road users' choice of means of transportation and travel route. In addition, real-time traffic information monitors the overall traffic condition of the road in real time from the perspective of traffic control and enables time-series data analysis, acting as a decisive factor in road operator policy decisions.

하지만, 대부분의 교통 정보는 지점 검지기 또는 구간 검지기에 의해서 수집 및 생성되고 있는 실정이다. 지점 검지기를 통해서 수집된 교통 정보는 교통 정체시 부정확한 정보를 생성하는 문제가 있다. 구간 검지기의 경우, 구간 내 교통류 흐름을 명확히 파악하는데 한계가 있다. 또한, 이들 검지기는 검지기가 설치된 장소에 국한되어 정보 수집이 가능하여 공간적 제약이 존재하며, 높은 유지 및 관리 비용이 소요되고 혼잡 상황에서는 신뢰성마저 낮은 실정이다. However, most of the traffic information is collected and generated by point detectors or section detectors. Traffic information collected through point detectors has a problem of generating inaccurate information in case of traffic congestion. In the case of section detectors, there is a limit to clearly grasping the traffic flow within the section. In addition, these detectors are limited to the place where the detector is installed and information collection is possible, so there is a spatial restriction, high maintenance and management costs are required, and reliability is low even in a congested situation.

최근 자율 주행 기술 수준이 점점 고도화됨에 따라 대한민국 정부는 2027년까지 전국 주요 도로에 레벨4 자율 주행차의 상용화를 목표로 하고 있다. 따라서, 가까운 미래에 자율 주행차 상용화 시대가 도래됨에 따라 자율 주행차 과도기 시점에서 일반 차량과 혼재 운영되는 상황은 불가피한 실정이다. 이러한 혼재 교통류 상황에서 교통 안전 이슈가 활발히 논의되고 있다. 자율 주행차와 일반 차량이 혼재하는 시점에서 안전하고 효율적인 교통 관리 기술을 제공하기 위한 새로운 관제 정보가 필요한 실정이다.As the level of self-driving technology has recently become more advanced, the Korean government aims to commercialize level 4 self-driving cars on major roads across the country by 2027. Therefore, as the era of commercialization of self-driving cars arrives in the near future, it is inevitable that self-driving cars will be operated in a mixed mode with general vehicles at the transitional point. Traffic safety issues are being actively discussed in this mixed traffic situation. New control information is needed to provide safe and efficient traffic management technology at a time when autonomous vehicles and general vehicles coexist.

- 한국 공개특허공보 10-2020-0084750 (2020.07.13)- Korean Patent Publication No. 10-2020-0084750 (2020.07.13)

본 발명의 목적은, 자율 주행차와 일반 차량이 혼재하는 시점에서의 고해상도의 개별 차량 궤적 데이터를 사용한 교통 정보를 생성하여, 안전하고 효율적인 교통관리가 가능한 관제 서버를 제공하는 데 있다. An object of the present invention is to provide a control server capable of safe and efficient traffic management by generating traffic information using high-resolution individual vehicle trajectory data at the time when autonomous vehicles and general vehicles coexist.

본 발명의 일 실시 예에 따른 프로브 차량에서 전송되는 궤적 데이터를 기반으로 도로에서의 시공간 간격을 단위로 통행 속도를 추정하는 관제 서버는, 상기 궤적 데이터를 수신하는 통신부, 그리고 상기 궤적 데이터를 수집하고, 수집된 상기 궤적 데이터에 기반하여 상기 도로의 시공간적 셀 단위의 통행 속도를 추정하는 제어부를 포함하되, 상기 제어부는, 상기 궤적 데이터로부터 미리 설정된 시공간 간격과 표본율에 따라 복수의 시나리오를 생성하고, 상기 복수의 시나리오 각각에서 상기 시공간 간격들 각각의 통행 속도를 추정하고, 상기 추정된 통행 속도의 정확도를 계산하고, 그리고 상기 정확도에 기반하여 상기 표본율에 따른 적정 시공간 간격을 결정한다. According to an embodiment of the present invention, a control server for estimating a travel speed in units of space-time intervals on a road based on trajectory data transmitted from a probe vehicle includes a communication unit receiving the trajectory data, and collecting the trajectory data , Based on the collected trajectory data, including a control unit for estimating the travel speed of the road in a spatio-temporal cell unit, wherein the control unit generates a plurality of scenarios according to a preset space-time interval and sample rate from the trajectory data, In each of the plurality of scenarios, a travel speed of each of the space-time intervals is estimated, an accuracy of the estimated travel speed is calculated, and an appropriate space-time interval according to the sampling rate is determined based on the accuracy.

이 실시 예에서, 상기 궤적 데이터는 상기 프로브 차량의 이동 정보, 차로 정보, 위치 정보, 시간 정보들 중 적어도 하나를 포함한다.In this embodiment, the trajectory data includes at least one of movement information, lane information, location information, and time information of the probe vehicle.

이 실시 예에서, 상기 통행 속도는 상기 시공간 간격에 포함되는 차량들의 통행 거리의 합을 통행 시간의 합으로 나눈 값에 대응한다.In this embodiment, the travel speed corresponds to a value obtained by dividing the sum of travel distances of vehicles included in the space-time interval by the sum of travel times.

이 실시 예에서, 상기 추정된 통행 속도의 상기 정확도는 상기 통행 속도의 참값과 추정값 사이의 MAPE(Mean Absolute Percentage Error) 또는 RMSE(Root Mean Square Error)를 활용하여 계산된다.In this embodiment, the accuracy of the estimated travel speed is calculated utilizing a Mean Absolute Percentage Error (MAPE) or Root Mean Square Error (RMSE) between the true value and the estimated travel speed.

이 실시 예에서, 상기 궤적 데이터는 상기 프로브 차량에 탑재된 GPS 센서로부터 획득된다.In this embodiment, the trajectory data is obtained from a GPS sensor mounted on the probe vehicle.

상술한 본 발명의 실시 예에 따른 관제 서버에 따르면, GPS 센서와 같은 이동형 검지기로부터 획득된 개별 차량의 궤적 데이터를 사용함에 따라 적은 유지 비용으로 높은 신뢰도 및 고해상도의 미시적 교통 정보의 생성이 가능하다. 더불어, 종래의 교통정보에 비해 셀 단위의 미시적인 교통 정보를 생성할 수 있고, 적정 시공간 간격 산정을 통해 자율 주행차와 일반 차량이 혼재하는 교통류 상황에서 안전하고 효율적인 교통 관제가 가능하다. According to the above-described control server according to the embodiment of the present invention, it is possible to generate high-reliability and high-resolution microscopic traffic information at low maintenance cost by using trajectory data of individual vehicles obtained from a mobile detector such as a GPS sensor. In addition, microscopic traffic information in cell units can be generated compared to conventional traffic information, and safe and efficient traffic control is possible in a traffic flow situation in which autonomous vehicles and general vehicles coexist through appropriate temporal and spatial interval calculations.

도 1은 본 발명의 실시 예에 따른 교통 관제 시스템을 간략히 보여주는 도면이다.
도 2는 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다.
도 3은 도 1의 관제 서버에서 수행하는 셀 단위의 통행 속도 추정과 적정 시공간 간격의 산정 방법을 간략히 보여주는 순서도이다.
도 4는 도 3의 관제 서버에서 수행하는 적정 시공간 간격의 산정 절차를 좀더 구체적으로 보여주는 순서도이다.
도 5는 본 발명의 궤적 데이터를 예시적으로 보여주는 테이블이다.
도 6은 통행 속도의 추정을 위한 궤적 데이터의 공간적 범위인 도로의 기하 구조를 예시적으로 보여주는 도면이다.
도 7은 본 발명의 시공간적 셀 단위의 교통 정보 추정 시나리오를 생성하는 방식을 예시적으로 보여주기 위한 테이블이다.
도 8은 본 발명의 실시 예에 따른 시공간적 통행 속도의 추정 방법을 간략히 보여주는 시공간 다이어그램이다.
도 9는 본 발명의 셀 단위의 통행 속도의 참값과 추정값을 각각 보여주는 도면이다.
도 10a 및 도 10b는 표본율에 따른 통행 속도의 추정값의 정확도를 간략히 보여주는 도면들이다.
도 11a 및 도 11b는 셀의 크기에 따른 통행 속도의 추정값의 정확도를 간략히 보여주는 도면들이다.
도 12는 시간적 간격(ΔTime)에 따른 통행 속도 추정값의 MAPE를 각 공간적 거리(ΔDistance)에 따라 도시한 도면들이다.
도 13은 적정 시공간 간격을 산정하는 방법을 예시적으로 보여주는 도면이다. 1 is a diagram briefly showing a traffic control system according to an embodiment of the present invention.
2 is a block diagram showing the control server shown in FIG. 1 as an example.
FIG. 3 is a flow chart briefly illustrating a method of estimating a travel speed in units of cells and calculating an appropriate space-time interval performed by the control server of FIG. 1 .
FIG. 4 is a flowchart showing a procedure for calculating an appropriate space-time interval performed by the control server of FIG. 3 in more detail.
5 is a table exemplarily showing trajectory data of the present invention.
6 is a diagram exemplarily showing a geometric structure of a road, which is a spatial range of trajectory data for estimating travel speed.
7 is a table exemplarily illustrating a method of generating a traffic information estimation scenario in units of spatio-temporal cells according to the present invention.
8 is a space-time diagram briefly illustrating a method for estimating a space-time travel speed according to an embodiment of the present invention.
9 is a diagram showing the true value and the estimated value of the traveling speed in units of cells according to the present invention.
10A and 10B are diagrams briefly showing the accuracy of the estimated value of the traveling speed according to the sampling rate.
11A and 11B are diagrams briefly showing the accuracy of the estimation value of the travel speed according to the size of the cell.
FIG. 12 is a diagram showing the MAPE of the travel speed estimation value according to the temporal interval (ΔTime) according to each spatial distance (ΔDistance).
13 is a diagram exemplarily illustrating a method of calculating an appropriate space-time interval.

이하, 본 발명의 일부 실시 예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.Hereinafter, some embodiments of the present invention will be described in detail with reference to exemplary drawings. In adding reference numerals to components of each drawing, the same components may have the same numerals as much as possible even if they are displayed on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description may be omitted.

도 1은 본 발명의 실시 예에 따른 교통 관제 시스템을 간략히 보여주는 도면이다. 도 1을 참조하면, 교통 관제 시스템(10)은 프로브 차량(100)을 비롯한 차량들(110, 120, 130), 통신망(200) 그리고 관제 서버(300)를 포함한다.1 is a diagram briefly showing a traffic control system according to an embodiment of the present invention. Referring to FIG. 1 , the traffic control system 10 includes vehicles 110 , 120 , and 130 including a probe vehicle 100 , a communication network 200 , and a control server 300 .

프로브 차량(100)은 운행 중인 복수의 차량들 중에서 궤적 데이터를 실시간으로 전송하는 차량이다. 프로브 차량(100)은 예를 들면, 차량의 현재 위치를 나타내는 GPS(Global Positioning System) 데이터를 궤적 데이터로서 통신망(200)을 경유하여 관제 서버(300)에 전송할 수 있다. 프로브 차량(100)은 주행중인 도로에서의 차량 ID, 시간, 차량의 위치와 차로 ID 등을 감지하여 관제 서버(300)로 전송할 수 있다. 물론, 프로브 차량(100)은 차량의 위치 정보 이외에도 속도나 가속도, 감지된 주변 차량의 정보나 차두 거리 등의 정보를 추가적으로 전송할 수도 있음은 잘 이해될 것이다. 다른 실시 예에서, 프로브 차량(100)이 전송하는 궤적 데이터는 노변 기지국(미도시)을 경유하여 통신망(200)이나 관제 서버(300)에 제공될 수도 있을 것이다.The probe vehicle 100 is a vehicle that transmits trajectory data in real time among a plurality of vehicles in operation. The probe vehicle 100 may transmit Global Positioning System (GPS) data indicating the current location of the vehicle to the control server 300 via the communication network 200 as trajectory data, for example. The probe vehicle 100 may detect and transmit vehicle ID, time, location of the vehicle and lane ID on the road being driven to the control server 300 . Of course, it will be well understood that the probe vehicle 100 may additionally transmit information such as speed or acceleration, detected information of nearby vehicles or headway distance, in addition to vehicle location information. In another embodiment, trajectory data transmitted by the probe vehicle 100 may be provided to the communication network 200 or the control server 300 via a roadside base station (not shown).

통신망(200)은 프로브 차량(100)과 관제 서버(300) 간의 통신 채널을 제공한다. 통신망(200)은 프로브 차량(100)이나 관제 서버(300)와 같은 각각의 노드(Node)들 간에 정보의 교환을 위한 무선 또는 유선 통신 구조를 의미한다. 예를 들면, 통신망(200)은 차량이 다른 차량이나 모바일 기기, 도로 등의 사물과 정보를 교환하기 위한 차량사물통신(V2X, Vehicle to Everything)을 포함할 수 있다. 또는, 통신망(200)은 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 3G, 4G, 5G, 6G 등을 포함할 수 있으나, 본 발명은 여기에 한정되지는 않는다.The communication network 200 provides a communication channel between the probe vehicle 100 and the control server 300 . The communication network 200 means a wireless or wired communication structure for exchanging information between nodes such as the probe vehicle 100 or the control server 300 . For example, the communication network 200 may include Vehicle to Everything (V2X) for exchanging information between vehicles and things such as other vehicles, mobile devices, and roads. Alternatively, the communication network 200 may include 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), World Interoperability for Microwave Access (WIMAX), Wi-Fi, 3G, 4G, 5G, 6G, etc. However, the present invention is not limited thereto.

관제 서버(300)는 프로브 차량(100)에서 전송된 궤적 데이터를 수집하고 처리하여 시공간적 간격(차로, 단위 구간, 집계 간격)을 고려한 통행 속도를 추정할 수 있다. 그리고 관제 서버(300)는 추정된 통행 속도에 대해 정확도를 평가하고, 정확도에 기반하여 표본율에 따른 적정 시공간 간격을 산정해 낼 수 있다. 표본율에 따른 적정 시공간 간격을 기초로 관제 서버(300)는 자율 주행차와 일반 차량의 혼재 상황에서도 효율적이고 높은 교통 관제 서비스를 제공할 수 있다. The control server 300 may collect and process trajectory data transmitted from the probe vehicle 100 to estimate a travel speed considering temporal and spatial intervals (lanes, unit sections, aggregated intervals). In addition, the control server 300 may evaluate the accuracy of the estimated travel speed and calculate an appropriate space-time interval according to the sampling rate based on the accuracy. Based on the appropriate space-time interval according to the sample rate, the control server 300 can provide an efficient and highly efficient traffic control service even in a situation where autonomous vehicles and general vehicles are mixed.

이상에서 설명된 교통 관제 시스템(10)에 따르면, 고정된 지점 검지 방식이 아니라 움직이는 차량으로부터 정보를 수집하기 때문에 신뢰도 높은 교통 정보를 제공할 수 있다. According to the traffic control system 10 described above, reliable traffic information can be provided because information is collected from a moving vehicle rather than a fixed point detection method.

도 2는 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다. 관제 서버(300, 도 1 참조)는 프로브 차량(100, 도 1 참조)으로부터 전송되는 궤적 데이터를 처리하여 표본율에 따른 시공간적 통행 속도를 추정할 수 있다. 그리고 관제 서버(300)는 추정된 표본율에 따른 시공간적 통행 속도에 대한 정확도를 분석할 수 있다. 도 2를 참조하면, 관제 서버(300)는 통신부(320), 저장부(340), 그리고 제어부(360)를 포함할 수 있다. 2 is a block diagram showing the control server shown in FIG. 1 as an example. The control server 300 (see FIG. 1) may process trajectory data transmitted from the probe vehicle 100 (see FIG. 1) to estimate the spatio-temporal travel speed according to the sample rate. In addition, the control server 300 may analyze the accuracy of the spatio-temporal traffic speed according to the estimated sample rate. Referring to FIG. 2 , the control server 300 may include a communication unit 320, a storage unit 340, and a control unit 360.

통신부(320)는 수신부(321)와 송신부(323)를 포함한다. 수신부(321)는 프로브 차량(100)에서 전송되는 궤적 데이터를 수신한다. 수신부(321)는 통신망(200, 도 1 참조)을 통해서 전달되는 궤적 데이터를 제어부(360)에서 처리되는 데이터 포맷으로 변경할 수 있다. 수신부(321)는 수신된 궤적 데이터를 제어부(360)에 전달할 것이다. 송신부(323)는 관제 서버(300)에서의 제어 동작에 따라 생성되는 제어 정보나 데이터를 전송할 수 있다. The communication unit 320 includes a receiving unit 321 and a transmitting unit 323. The receiving unit 321 receives trajectory data transmitted from the probe vehicle 100 . The receiving unit 321 may change trajectory data transmitted through the communication network 200 (see FIG. 1) into a data format processed by the controller 360. The receiver 321 will deliver the received trajectory data to the controller 360 . The transmitter 323 may transmit control information or data generated according to a control operation in the control server 300 .

저장부(340)는 차량 궤적 DB(341), 시나리오 DB(343)를 포함할 수 있다. 차량 궤적 DB(341)에는 프로브 차량(100)들로부터 수집된 개별 차량의 궤적 데이터가 저장된다. 시나리오 DB(343)는 제어부(360)에서 생성된 표본율, 시간 간격, 공간 간격을 다양한 값으로 변화시킨 시나리오들을 저장할 수 있다. 또한, 저장부(340)는 관제 서버(300)에서 관리하는 데이터를 저장하기 위한 스토리지들을 포함할 수 있을 것이다.The storage unit 340 may include a vehicle trajectory DB 341 and a scenario DB 343 . The vehicle trajectory DB 341 stores trajectory data of individual vehicles collected from the probe vehicles 100 . The scenario DB 343 may store scenarios in which the sampling rate, time interval, and spatial interval generated by the control unit 360 are changed to various values. Also, the storage unit 340 may include storage units for storing data managed by the control server 300 .

제어부(360)는 통신부(320)를 통해서 전달되는 궤적 데이터를 수집하고, 수집된 궤적 데이터를 기반으로 시공간적 셀 단위의 통행 속도 추정 및 적정 시공간 간격을 산정할 수 있다. 이를 위해, 제어부(360)는 프로세서(361), 궤적 데이터 수집 유닛(363), 통행 속도 추정 유닛(365), 정확도 분석 유닛(367), 그리고 적정 시공간 간격 결정 유닛(369)을 포함한다. 여기서, 바람직하게는 프로세서(361)는 하드웨어로 구현될 수 있고, 궤적 데이터 수집 유닛(363), 통행 속도 추정 유닛(365), 정확도 분석 유닛(367), 그리고 적정 시공간 간격 결정 유닛(369)은 소프트웨어로 구현될 수 있다.The control unit 360 may collect trajectory data transmitted through the communication unit 320, and estimate the traveling speed in units of spatio-temporal cells and calculate an appropriate space-time interval based on the collected trajectory data. To this end, the control unit 360 includes a processor 361, a trajectory data collection unit 363, a travel speed estimation unit 365, an accuracy analysis unit 367, and an appropriate space-time interval determination unit 369. Here, the processor 361 may be implemented in hardware, and the trajectory data collection unit 363, the travel speed estimation unit 365, the accuracy analysis unit 367, and the appropriate space-time interval determination unit 369 are It can be implemented in software.

프로세서(361)는 관제 서버(300)의 전반적인 동작을 제어할 수 있다. 프로세서(361)는 통신부(320)를 통해서 수신되는 궤적 데이터를 패치하거나 제어 신호를 전송할 수 있다. 프로세서(361)는 저장부(340)의 차량 궤적 DB(341) 또는 시나리오 DB(343)에 접근할 수 있다. 프로세서(361)는 궤적 데이터 수집 유닛(363), 통행 속도 추정 유닛(365), 정확도 분석 유닛(367), 그리고 적정 시공간 간격 결정 유닛(369)을 구성하는 알고리즘이나 프로그램 명령을 실행할 수 있다. 프로세서(361)는 SoC(system-on-chip), ASIC(application specific integrated circuit), FPGA(field programmable gate array) 등의 형태로 구현될 수 있다.The processor 361 may control the overall operation of the control server 300 . The processor 361 may patch trajectory data received through the communication unit 320 or transmit a control signal. The processor 361 may access the vehicle trajectory DB 341 or the scenario DB 343 of the storage unit 340 . The processor 361 may execute algorithms or program instructions constituting the trajectory data collection unit 363, the travel speed estimation unit 365, the accuracy analysis unit 367, and the appropriate space-time interval determination unit 369. The processor 361 may be implemented in the form of a system-on-chip (SoC), an application specific integrated circuit (ASIC), a field programmable gate array (FPGA), or the like.

궤적 데이터 수집 유닛(363)은 프로브 차량(100, 도 1 참조)으로부터 전송되는 궤적 데이터를 저장부(340)에 저장한다. 궤적 데이터는 궤적 데이터를 수집하기 위한 도로 구간을 운행하는 프로브 차량(100)의 GPS 센서에서 감지된 데이터가 전송되면, 궤적 데이터 수집 유닛(363)이 수집한다. 수집된 궤적 데이터는 저장부(340)의 차량 궤적 DB(341)에 저장된다.The trajectory data collection unit 363 stores trajectory data transmitted from the probe vehicle 100 (see FIG. 1 ) in the storage unit 340 . The trajectory data is collected by the trajectory data collecting unit 363 when data detected by the GPS sensor of the probe vehicle 100 traveling on the road section for collecting the trajectory data is transmitted. The collected trajectory data is stored in the vehicle trajectory DB 341 of the storage unit 340 .

통행 속도 추정 유닛(365)은 수집된 궤적 데이터를 사용하여 통행 속도 추정 구간에서의 시나리오별 차량의 통행 속도를 계산한다. 통행 속도 추정 유닛(365)은 차량의 궤적 정보에 기반하여 다양한 시나리오를 설정할 수 있다. 특히, 데이터 취득 범위로서의 표본율, 공간적 범위로서 셀의 크기, 시간적 범위로서 집계 간격 등을 가변하여 다양한 시나리오를 생성할 수 있다. 통행 속도 추정 유닛(365)은 생성된 각 시나리오별로 셀 단위의 통행 속도를 추정한다. 예를 들면, 통행 속도 추정 유닛(365)은 셀 영역에 포함되는 모든 차량의 통행 거리의 합을 통행 시간의 합으로 나눈 값을 통행 속도값으로 계산할 수 있다. 셀 단위의 통행 속도 정보는 상습 정체 유발 지점이나 특정 이벤트가 빈번히 발생하는 지점을 세밀하게 파악하는데 효과적이다.The travel speed estimation unit 365 calculates the travel speed of the vehicle for each scenario in the travel speed estimation section using the collected trajectory data. The travel speed estimating unit 365 may set various scenarios based on vehicle trajectory information. In particular, various scenarios can be created by varying the sample rate as a data acquisition range, cell size as a spatial range, and aggregation interval as a temporal range. The travel speed estimation unit 365 estimates the travel speed in units of cells for each generated scenario. For example, the travel speed estimating unit 365 may calculate a value obtained by dividing the sum of travel distances of all vehicles included in the cell area by the sum of travel times as the travel speed value. Traffic speed information in units of cells is effective in identifying in detail the points that cause frequent congestion or the points where specific events frequently occur.

정확도 분석 유닛(367)은 시나리오별로 산출된 통행 속도 추정값과 궤적 데이터를 비교하여 추정된 통행 속도의 정확도를 분석한다. 정확도 분석 유닛(367)은 통행 속도 추정의 정확도를 검출하기 위해 MAPE(Mean Absolute Percentage Error)와 RMSE(Root Mean Square Error)를 활용할 수 있다. 즉, 정확도 분석 유닛(367)은 표본율에 따른 추정 오차, 셀 간격에 따른 추정 오차, 그리고 집계 간격에 따른 추정 오차를 분석할 수 있다. The accuracy analysis unit 367 analyzes the accuracy of the estimated travel speed by comparing trajectory data with the travel speed estimation value calculated for each scenario. The accuracy analysis unit 367 may utilize MAPE (Mean Absolute Percentage Error) and RMSE (Root Mean Square Error) to detect the accuracy of travel speed estimation. That is, the accuracy analysis unit 367 may analyze an estimation error according to a sampling rate, an estimation error according to a cell interval, and an estimation error according to an aggregation interval.

적정 시공간 간격 결정 유닛(369)은 정확도 분석 유닛(367)에 의해서 계산된 정확도를 참조하여 표본율에 따른 적정 시공간 간격을 선택한다. 예를 들면, 적정 시공간 간격을 선택하기 위해 적정 시공간 간격 결정 유닛(369)은 추정 오차에 따라 나쁨, 보통, 좋음의 정확도로 구분하고, 표본율에 따라 셀의 크기나 집계 간격값을 결정할 수 있다.The appropriate space-time interval determining unit 369 refers to the accuracy calculated by the accuracy analysis unit 367 and selects an appropriate space-time interval according to the sampling rate. For example, in order to select an appropriate spatio-temporal interval, the appropriate spatio-temporal interval determination unit 369 may classify the accuracy as bad, normal, or good according to the estimation error, and determine the size of the cell or the aggregation interval value according to the sample rate. .

도 3은 도 1의 관제 서버에서 수행하는 셀 단위의 통행 속도 추정과 적정 시공간 간격의 산정 방법을 간략히 보여주는 순서도이다. 도 3을 참조하면, 관제 서버(300, 도 1 참조)는 프로브 차량(100, 도 1 참조)으로부터 제공되는 궤적 데이터를 수신하고, 수신된 궤적 데이터에 기반하여 셀 단위의 통행 속도 추정 및 적정 시공간 간격의 산정 연산을 수행할 수 있다.FIG. 3 is a flow chart briefly illustrating a method of estimating a travel speed in units of cells and calculating an appropriate space-time interval performed by the control server of FIG. 1 . Referring to FIG. 3, the control server 300 (see FIG. 1) receives trajectory data provided from the probe vehicle 100 (see FIG. 1), and based on the received trajectory data, travel speed estimation in units of cells and appropriate space-time Calculations of intervals can be performed.

S110 단계에서, 궤적 데이터 수집 유닛(363)은 프로브 차량(100)으로부터 전송되는 궤적 데이터를 저장부(340)의 차량 궤적 DB(341)에 저장한다. 프로브 차량(100)의 궤적 데이터는, 예를 들면, 특정 도로 구간에서 GPS 센서를 장착한 차량들의 궤적을 0.1초 간격으로 수집될 수 있다. 수집된 차량들의 궤적 데이터는 차량 궤적 DB(341)에 저장될 수 있다. 차량의 궤적 데이터는 GPS 센서가 장착된 프로브 차량 데이터를 대체하기 위한 NGSIM(Next Generation Simulation) 데이터를 활용할 수도 있다. 본 발명의 효과를 검증하기 위해서 NGSIM 데이터에서 개별 차량 정보와 시간 정보, 위치 정보가 활용될 수 있다.In step S110 , the track data collection unit 363 stores the track data transmitted from the probe vehicle 100 in the vehicle track DB 341 of the storage unit 340 . Trajectory data of the probe vehicle 100 may be collected, for example, at intervals of 0.1 seconds from vehicles equipped with GPS sensors in a specific road section. Collected vehicle trajectory data may be stored in the vehicle trajectory DB 341 . Vehicle trajectory data may utilize NGSIM (Next Generation Simulation) data to replace probe vehicle data equipped with a GPS sensor. In order to verify the effect of the present invention, individual vehicle information, time information, and location information can be utilized in NGSIM data.

S120 단계에서, 통행 속도 추정 유닛(365)은 차량 궤적 DB(341) 상에 저장된 수집된 궤적 데이터를 기초로 속도 추정 시나리오를 생성한다. 속도 추정 시나리오는 표본율(프로브 차량의 비율)에 따라, 공간적 범위(차로 및 셀)의 크기에 따라, 그리고 시간적 범위(집계 간격)에 따라 구분할 수 있다. 예를 들면, 표본율은 10% 내지 90% 범위에서 비복원 추출 방식으로 선택될 수 있다. 그리고 공간적 범위의 셀의 크기는 하나의 차로당 20m, 40m, 80m, 160m 크기 중 어느 하나로 설정될 수 있다. 시간적 범위인 집계 간격은 30초, 60초, 180초, 300초 단위로 설정될 수 있을 것이다. 각각의 경우들을 조합하는 경우, 144개의 시나리오가 생성될 수 있다. 시나리오가 생성되면 각각의 시나리오에서의 통행 속도가 계산될 수 있다. 통행 속도는 하나의 셀에 포함되는 모든 차량들의 통행 거리의 합을 각각의 차량이 통행한 시간을 합한 값으로 나눈 결과에 대응한다. 통행 속도의 추정 방법은 후속되는 도면을 통해서 보다 상세히 설명하기로 한다.In step S120, the travel speed estimation unit 365 generates a speed estimation scenario based on the collected trajectory data stored on the vehicle trajectory DB 341. Speed estimation scenarios can be classified according to sample rate (probe vehicle ratio), spatial extent (lane and cell) size, and temporal extent (aggregation interval). For example, the sample rate can be selected in the range of 10% to 90% with non-replacement sampling. In addition, the cell size of the spatial range may be set to one of 20m, 40m, 80m, and 160m sizes per lane. The aggregation interval, which is a temporal range, may be set in units of 30 seconds, 60 seconds, 180 seconds, and 300 seconds. When combining each case, 144 scenarios can be created. When the scenarios are created, the travel speed in each scenario can be calculated. The travel speed corresponds to a result of dividing the sum of the travel distances of all vehicles included in one cell by the sum of the travel times of each vehicle. The method of estimating the travel speed will be described in more detail through the following drawings.

S130 단계에서, 정확도 분석 유닛(367)은 각 시나리오별로 산출된 통행 속도 추정값과 참값을 비교하여 추정의 정확도를 분석한다. 정확도 분석 유닛(367)은 추정된 통행 속도와 참값을 MAPE(Mean Absolute Percentage Error)와 RMSE(Root Mean Square Error)를 활용하여 분석할 수 있다. 정확도 분석 유닛(367)은 표본율에 따른 추정 오차, 셀 간격에 따른 추정 오차, 그리고 집계 간격에 따라 추정의 정확도를 분석할 수 있다. 분석 결과, 표본율의 증가에 따라 MAPE와 RMSE 값은 셀 간격이나 집계 간격에 상관없이 점차 감소하는 것을 확인할 수 있었다. In step S130, the accuracy analysis unit 367 analyzes the accuracy of the estimation by comparing the travel speed estimation value calculated for each scenario with the true value. The accuracy analysis unit 367 may analyze the estimated travel speed and the true value by utilizing MAPE (Mean Absolute Percentage Error) and RMSE (Root Mean Square Error). The accuracy analysis unit 367 may analyze the estimation error according to the sample rate, the estimation error according to the cell interval, and the estimation accuracy according to the aggregation interval. As a result of the analysis, it was confirmed that as the sampling rate increased, the MAPE and RMSE values gradually decreased regardless of the cell interval or the aggregation interval.

S140 단계에서, 적정 시공간 간격 결정 유닛(369)은 시나리오별로 집계된 통행 속도 추정값의 정확도를 기초로 표본율에 따른 적정 시공간 간격을 산정한다. 즉, 적정 시공간 간격 결정 유닛(369)은 표본율(%), 셀 간격(m), 집계 간격(sec), 추정 오차(%)를 고려하여 각 표본율별 적정 시공간 간격을 결정한다. 적정 시공간 간격 결정 유닛(369)은 추정된 오차에 따라 '나쁨', '보통', 그리고 '좋음'으로 구분하였다. '나쁨'은 추정 오차가 10%를 초과하는 경우, '보통'은 추정 오차가 5% 초과 10% 이하인 경우, 그리고 '좋음'은 추정 오차가 5% 이하인 경우로 설정하였다. 추정 오차에 따라 표본율별로 '좋음'으로 평가된 시공간적 범위를 선택할 수 있을 것이다. In step S140, the appropriate space-time interval determination unit 369 calculates an appropriate space-time interval according to the sampling rate based on the accuracy of the estimated travel speed values aggregated for each scenario. That is, the appropriate spatiotemporal interval determining unit 369 determines an appropriate spatiotemporal interval for each sample rate in consideration of the sample rate (%), the cell interval (m), the counting interval (sec), and the estimation error (%). The appropriate spatio-temporal interval determining unit 369 classifies them into 'bad', 'normal', and 'good' according to the estimated error. 'Poor' was set when the estimation error exceeded 10%, 'normal' when the estimation error exceeded 5% and less than 10%, and 'good' was set when the estimation error was less than 5%. Depending on the estimation error, it will be possible to select the spatiotemporal range evaluated as 'good' for each sampling rate.

이상에서는 본 발명의 실시 예에 따른 관리 서버(300)의 궤적 데이터의 수집과 셀 단위의 통행 속도 추정, 그리고 적정 시공간 간격을 산정하는 방법이 간략히 설명되었다. 여기서, 관리 서버(300)에서 도출되는 셀 단위의 통행 속도의 추정 정보는 상습 정체 유발 지점과 같이 특정 이벤트가 발생하는 지점을 세밀하게 도출해 낼 수 있다. 더불어, 적정 시공간 산정에 그치지 않고 표본율, 셀 간격, 집계 간격이 시공간적 셀 단위 교통 정보 추정 정확도에 미치는 요인 분석을 수행할 수 있다. 이는 미시적인 교통 정보의 유효성을 검증할 수 있어, 향후 자율 주행차와 일반 차량이 혼재하는 상황에서 효율적이고 안전한 교통 관리를 가능케 할 것으로 기대된다.In the above, a method of collecting trajectory data of the management server 300, estimating a travel speed in units of cells, and calculating an appropriate space-time interval according to an embodiment of the present invention has been briefly described. Here, the estimation information of the traffic speed in units of cells derived from the management server 300 may derive a point where a specific event occurs, such as a habitual congestion inducing point, in detail. In addition, it is possible to perform a factor analysis that affects the sampling rate, cell interval, and aggregation interval on the spatio-temporal cell unit traffic information estimation accuracy, not just calculating the appropriate space-time. This can verify the validity of microscopic traffic information, and is expected to enable efficient and safe traffic management in the future when autonomous vehicles and general vehicles coexist.

도 4는 도 3의 관제 서버에서 수행하는 적정 시공간 간격의 산정 절차를 좀더 구체적으로 보여주는 순서도이다. 도 4를 참조하면, 관제 서버(300)는 프로브 차량(100)으로부터 제공되는 궤적 데이터를 기반으로 복수의 시나리오들을 생성하고, 시나리오별 통행 속도의 추정과 추정 정확도 산정, 그리고 최적 시공간 간격의 산정 동작을 수행한다. FIG. 4 is a flowchart showing a procedure for calculating an appropriate space-time interval performed by the control server of FIG. 3 in more detail. 4, the control server 300 generates a plurality of scenarios based on the trajectory data provided from the probe vehicle 100, estimates the travel speed for each scenario, calculates the estimated accuracy, and calculates the optimal space-time interval do

S210 단계에서, 프로브 차량(100)의 궤적 데이터는 관제 서버(300)에서 수신되어 차량 궤적 DB(341)에 저장된다. In step S210 , trajectory data of the probe vehicle 100 is received from the control server 300 and stored in the vehicle trajectory DB 341 .

S220 단계에서, 통행 속도 추정 유닛(365)은 차량 궤적 DB(341) 상에 저장된 궤적 데이터를 기초로 속도 추정 시나리오를 생성한다. 속도 추정 시나리오는 표본율(프로브 차량의 비율)에 따라, 공간적 범위(차로 및 셀)의 크기에 따라, 그리고 시간적 범위(집계 간격)에 따라 구분할 수 있다. 예를 들면, 표본율은 10% 내지 90% 범위에서 비복원 추출 방식으로 선택될 수 있다. 그리고 공간적 범위의 셀의 크기는 하나의 차로당 20m, 40m, 80m, 160m 크기 중 어느 하나로 설정될 수 있다. 시간적 범위인 집계 간격은 30초, 60초, 180초, 300초 단위로 설정될 수 있을 것이다. In step S220, the travel speed estimation unit 365 generates a speed estimation scenario based on the trajectory data stored on the vehicle trajectory DB 341. Speed estimation scenarios can be classified according to sample rate (probe vehicle ratio), spatial extent (lane and cell) size, and temporal extent (aggregation interval). For example, the sample rate can be selected in the range of 10% to 90% with non-replacement sampling. In addition, the cell size of the spatial range may be set to one of 20m, 40m, 80m, and 160m sizes per lane. The aggregation interval, which is a temporal range, may be set in units of 30 seconds, 60 seconds, 180 seconds, and 300 seconds.

S230 단계에서, 통행 속도 추정 유닛(365)은 생성된 복수의 시나리오들 중에서 어느 하나를 선택한다. 예를 들면, 복수의 시나리오들 중에서 표본율 10%, 하나의 차로당 길이 20m의 크기의 공간적 셀, 그리고 집계 간격 30초 조건에 대응하는 시나리오가 선택될 수 있다. 그리고 이러한 시나리오 선택은 다양한 크기의 표본율, 셀 크기, 그리고 집계 간격에 따라 순차적으로 선택될 것이다.In step S230, the travel speed estimating unit 365 selects one of a plurality of generated scenarios. For example, among a plurality of scenarios, a scenario corresponding to a condition of a sampling rate of 10%, a spatial cell having a length of 20m per lane, and an aggregation interval of 30 seconds may be selected. And these scenario selections will be sequentially selected according to various sample rates, cell sizes, and aggregation intervals.

S240 단계에서, 통행 속도 추정 유닛(365)은 선택된 시나리오에서 정의된 조건에 따라 통행 속도를 계산한다. 통행 속도는 하나의 셀에 포함되는 모든 차량들의 통행 거리의 합을 각각의 차량이 통행한 시간을 합한 값으로 나눔으로써 계산될 수 있다. In step S240, the travel speed estimation unit 365 calculates the travel speed according to the conditions defined in the selected scenario. The travel speed may be calculated by dividing the sum of the travel distances of all vehicles included in one cell by the sum of the travel times of each vehicle.

S250 단계에서, 통행 속도 추정 유닛(365)은 이전의 S240 단계에서 통행 속도 계산을 위해 적용된 시나리오가 마지막 시나리오인지 판단한다. 만일, S240 단계에서 처리된 시나리오가 마지막 시나리오에 대응하는 경우('예' 방향), 절차는 S260 단계로 이동한다. 반면에, S240 단계에서 처리된 시나리오가 마지막 시나리오가 아닌 경우('아니오' 방향), 절차는 새로운 시나리오를 선택하기 위해 S230 단계로 복귀한다. In step S250, the travel speed estimation unit 365 determines whether the scenario applied for calculating the travel speed in the previous step S240 is the last scenario. If the scenario processed in step S240 corresponds to the last scenario ('yes' direction), the procedure moves to step S260. On the other hand, if the scenario processed in step S240 is not the last scenario ('No' direction), the procedure returns to step S230 to select a new scenario.

S260 단계에서, 정확도 분석 유닛(367)은 각 시나리오별로 산출된 통행 속도 추정값과 참값을 비교하여 추정의 정확도를 분석한다. 정확도 분석 유닛(367)은 추정된 통행 속도와 참값을 MAPE와 RMSE를 활용하여 분석할 수 있다. 정확도 분석 유닛(367)은 표본율에 따른 추정 오차, 셀 간격에 따른 추정 오차, 그리고 집계 간격에 따라 추정의 정확도를 분석할 수 있다. 분석 결과, 표본율의 증가에 따라 MAPE와 RMSE 값은 셀 간격이나 집계 간격에 상관없이 점차 감소하는 것을 확인할 수 있었다. In step S260, the accuracy analysis unit 367 analyzes the accuracy of the estimation by comparing the travel speed estimation value calculated for each scenario with the true value. The accuracy analysis unit 367 may analyze the estimated travel speed and true value using MAPE and RMSE. The accuracy analysis unit 367 may analyze the estimation error according to the sample rate, the estimation error according to the cell interval, and the estimation accuracy according to the aggregation interval. As a result of the analysis, it was confirmed that as the sampling rate increased, the MAPE and RMSE values gradually decreased regardless of the cell interval or the aggregation interval.

S270 단계에서, 적정 시공간 간격 결정 유닛(369)은 시나리오별로 집계된 통행 속도 추정값의 정확도를 기초로 표본율에 따른 적정 시공간 간격을 산정한다. 즉, 적정 시공간 간격 결정 유닛(369)은 표본율(%), 셀 간격(m), 집계 간격(sec), 추정 오차(%)를 고려하여 각 표본율별 적정 시공간 간격을 결정한다. 적정 시공간 간격 결정 유닛(369)은 추정된 오차에 따라 '나쁨', '보통', 그리고 '좋음'으로 구분하였다. '나쁨'은 추정 오차가 10%를 초과하는 경우, '보통'은 추정 오차가 5% 이상 10% 이하인 경우, 그리고 '좋음'은 추정 오차가 5% 이하인 경우로 설정하였다. 추정 오차에 따라 표본율별로 '좋음'으로 평가된 시공간적 범위를 선택할 수 있을 것이다. In step S270, the appropriate space-time interval determination unit 369 calculates an appropriate space-time interval according to the sample rate based on the accuracy of the estimated travel speed values aggregated for each scenario. That is, the appropriate spatiotemporal interval determining unit 369 determines an appropriate spatiotemporal interval for each sample rate in consideration of the sample rate (%), the cell interval (m), the counting interval (sec), and the estimation error (%). The appropriate spatio-temporal interval determining unit 369 classifies them into 'bad', 'normal', and 'good' according to the estimated error. 'Bad' was set when the estimation error exceeded 10%, 'normal' when the estimation error was between 5% and 10%, and 'good' when the estimation error was less than 5%. Depending on the estimation error, it will be possible to select the spatiotemporal range evaluated as 'good' for each sampling rate.

이상에서는 본 발명의 실시 예에 따른 관제 서버(300)의 궤적 데이터의 수집과 시나리오별 통행 속도 추정, 그리고 추정된 통행 속도의 정확도를 계산한 후에, 적정 시공간 간격을 결정하는 절차들이 간략히 설명되었다.In the above, procedures for determining an appropriate space-time interval after collecting trajectory data of the control server 300, estimating travel speed for each scenario, and calculating accuracy of the estimated travel speed according to an embodiment of the present invention have been briefly described.

도 5는 본 발명의 궤적 데이터를 예시적으로 보여주는 테이블이다. 도 5를 참조하면, 프로브 차량(100, 도 1 참조)의 GPS 센서에서 제공하는 궤적 데이터에는 다양한 정보들이 포함될 수 있다. 5 is a table exemplarily showing trajectory data of the present invention. Referring to FIG. 5 , trajectory data provided by the GPS sensor of the probe vehicle 100 (see FIG. 1 ) may include various pieces of information.

궤적 데이터의 대분류에는 기본 차량 정보, 차량 이동 정보, 그리고 상대 차량과의 관계 정보가 포함될 수 있다. 기본 차량 정보는 프로브 차량(100)의 차량 식별자(Vehicle ID), GPS 데이터가 수집된 시점의 글로벌 타임, 프레임 ID, 그리고 차량의 길이나 너비, 등급 등이 포함될 수 있다. 차량 이동 정보에는 차량의 도로 구간에서의 차로 및 로컬 위치(Local X, Local Y)와 차량의 속도 정보가 포함될 것이다. 그리고 프로브 차량 주변의 상대 차량들에 대한 정보(차량 ID, 시간적 및 공간적 차두 거리)가 궤적 정보에 포함될 수 있을 것이다. 하지만, 본 발명에서는 GPS 센서가 장착된 프로브 차량의 궤적만이 관심 대상이므로, 칼럼에 표시된 밑줄 그은 항목들만이 궤적 정보로 활용될 수 있을 것이다.Major classifications of trajectory data may include basic vehicle information, vehicle movement information, and relationship information with another vehicle. The basic vehicle information may include a vehicle identifier (Vehicle ID) of the probe vehicle 100, a global time at the time the GPS data was collected, a frame ID, and a length or width of the vehicle, a grade, and the like. The vehicle movement information will include lane and local location (Local X, Local Y) and speed information of the vehicle in the road section of the vehicle. In addition, information on other vehicles around the probe vehicle (vehicle ID, temporal and spatial headway distances) may be included in the trajectory information. However, since only the trajectory of the probe vehicle equipped with the GPS sensor is of interest in the present invention, only underlined items displayed in columns may be used as trajectory information.

본 발명은 GPS 센서가 장착된 프로브 차량(100)에 국한되지 않고, 상대차량과의 관계 정보까지 수집할 수 있는 자율주행차 또는 자율협력주행차를 통해서도 수집이 가능하며, 상대차량과의 관계정보까지 활용될 수 있을 것이다.The present invention is not limited to the probe vehicle 100 equipped with a GPS sensor, and can also be collected through an autonomous vehicle or an autonomous cooperative vehicle that can collect relationship information with the other vehicle, and the relationship information with the other vehicle can be used up to

도 6은 통행 속도의 추정을 위한 궤적 데이터의 공간적 범위인 도로의 기하 구조를 예시적으로 보여주는 도면이다. 도 6을 참조하면, 공간적 범위인 도로(20)는 유입 및 유출 차로가 존재하는 640m 길이의 5차로의 기하 구조로 제공될 수 있다.6 is a diagram exemplarily showing a geometric structure of a road, which is a spatial range of trajectory data for estimating travel speed. Referring to FIG. 6 , the road 20, which is a spatial range, may be provided in a geometric structure of 5 lanes with a length of 640 m in which inflow and outflow lanes exist.

5차로를 구성하는 각 차로들은 공간적 범위로서 셀(21, Cell)들로 구분될 수 있다. 이들 각 셀들의 크기는 시나리오별로 도로의 진행 방향으로 20m, 40m, 80m, 160m 크기 중 어느 하나로 설정될 수 있다. 하지만, 시나리오의 생성을 위한 셀의 크기 설정은 여기의 개시에 국한되지 않으며, 필요에 따라 다양한 크기로 조정될 수 있음은 잘 이해될 것이다. Each lane constituting the 5 lanes may be divided into cells 21 as a spatial range. The size of each of these cells may be set to one of 20m, 40m, 80m, and 160m in the traveling direction of the road for each scenario. However, it will be well understood that setting the size of a cell for generating a scenario is not limited to the disclosure herein, and may be adjusted to various sizes as needed.

선택된 시나리오에서 각 셀 단위로 통행 속도가 추정되면, 셀(21, Cell) 영역 내 통행속도 값이 산출된다. 도시된 도면의 셀(21, Cell)이 붉은색에 가까울수록 통행속도가 낮게 산출된 경우이고, 푸른색에 가까울수록 통행속도가 높게 산출된 것을 나타낸다.When the travel speed is estimated for each cell in the selected scenario, the travel speed value within the cell (21, Cell) area is calculated. The closer the cell 21 is to red, the lower the travel speed is calculated, and the closer the cell 21 is to blue, the higher the calculated travel speed.

도 7은 본 발명의 시공간적 셀 단위의 교통 정보 추정 시나리오를 생성하는 방식을 예시적으로 보여주기 위한 테이블이다. 도 7을 참조하면, 시나리오들은 데이터 취득 범위, 공간적 범위, 시간적 범위, 내용적 범위의 대분류에 따라 구분될 수 있다. 7 is a table exemplarily illustrating a method of generating a traffic information estimation scenario in units of spatio-temporal cells according to the present invention. Referring to FIG. 7 , scenarios may be classified according to major classifications of data acquisition scope, spatial scope, temporal scope, and content scope.

데이터 취득 범위로서 표본율은 셀 영역을 점유하는 차량들 중에서 프로브 차량의 비중을 나타내는 값으로, 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, 그리고 90% 중 어느 하나로 선택될 수 있다. 공간적 범위 설정에서, 하나의 셀(Cell)은 하나의 차로당 주행 방향으로의 거리(ΔDistance)를 나타낸다. 셀의 크기는 20m, 40m 80m, 160m의 4개 값으로 설정할 수 있을 것이다. 더불어, 시간적 범위로서 집계 간격(ΔTime)은 하나의 셀에 데이터 수집을 위한 시간 간격을 나타낸다. 집계 간격은 예를 들면, 30초, 60초, 180초, 300초 중 어느 하나로 선택될 수 있다. 상술한 표본율, 셀 크기, 집계 간격 조건들의 조합에 따르면 144(9×4×4)개의 시나리오 생성이 가능하다. 하지만, 시나리오의 수는 표본율, 집계 간격, 셀 크기의 변경에 따라 다양하게 조정될 수 있다. The sample rate as the data acquisition range is a value representing the proportion of probe vehicles among the vehicles occupying the cell area, 10%, 20%, 30%, 40%, 50%, 60%, 70%, 80%, and 90%. It can be selected as any one of %. In the spatial range setting, one cell represents the distance (ΔDistance) per lane in the driving direction. The cell size can be set to four values: 20m, 40m, 80m, and 160m. In addition, the aggregation interval (ΔTime) as a temporal range represents the time interval for data collection in one cell. The counting interval may be selected from among, for example, 30 seconds, 60 seconds, 180 seconds, and 300 seconds. According to the above-mentioned combination of sampling rate, cell size, and aggregation interval conditions, it is possible to generate 144 (9×4×4) scenarios. However, the number of scenarios can be varied according to changes in sample rate, aggregation interval, and cell size.

도 8은 본 발명의 실시 예에 따른 시공간적 통행 속도의 추정 방법을 간략히 보여주는 시공간 다이어그램이다. 도 8을 참조하면, 시공간 다이어그램에 따르면, 수집된 프로브 차량들(100, 102)의 궤적 데이터를 기초로 셀 단위의 통행 속도를 계산할 수 있다.8 is a space-time diagram briefly illustrating a method for estimating a space-time travel speed according to an embodiment of the present invention. Referring to FIG. 8 , according to the space-time diagram, the travel speed in units of cells may be calculated based on the collected trajectory data of the probe vehicles 100 and 102 .

도시된 시공간 다이어그램에서, 셀 구간(Cell)은 궤적 데이터가 수집되고 통행 속도 추정이 이루어지는 시공간 상의 단위 영역이다. 셀 구간의 사이즈는 공간적 거리(ΔDistance)와 시간적 간격(ΔTime)의 크기를 갖는다. 셀 구간을 프로브 차량(102)이 먼저 시간 간격(t1) 동안 이동 거리(d1) 만큼 주행하였다. 이어서, 프로브 차량(100)이 시간 간격(t2) 동안 이동 거리(d2) 만큼 주행한 것으로 가정한다. 그러면, 셀의 시공간 상에서의 통행 속도는 아래 수학식 1로 표현될 수 있다. In the illustrated space-time diagram, a cell section is a unit area in space-time in which trajectory data are collected and travel speed estimation is made. The size of the cell interval has the size of a spatial distance (ΔDistance) and a temporal interval (ΔTime). In the cell section, the probe vehicle 102 first traveled as much as the moving distance d 1 during the time interval t 1 . Subsequently, it is assumed that the probe vehicle 100 travels as much as the movement distance d 2 during the time interval t 2 . Then, the travel speed of the cell in space-time can be expressed by Equation 1 below.

Figure 112022019793243-pat00001
Figure 112022019793243-pat00001

셀 단위의 통행 속도(Travel Speed)는 셀 내에서의 모든 차량들의 총 통행 거리(ΣTravel distance)를 총 통행 시간(ΣTravel time)으로 나눈 값이 된다. 즉, 도시된 셀 단위에서의 통행 속도(Travel Speed)는 차량들(100, 102)의 통행 거리의 합(d1+d2)을 통행 시간의 합(t1+t2)으로 나눈 값에 해당한다. The cell unit travel speed is a value obtained by dividing the total travel distance (ΣTravel distance) of all vehicles in the cell by the total travel time (ΣTravel time). That is, the travel speed in the illustrated cell unit is the value obtained by dividing the sum of travel distances (d 1 +d 2 ) of the vehicles 100 and 102 by the sum of travel times (t 1 +t 2 ). applicable

도 9는 본 발명의 셀 단위의 통행 속도의 참값과 추정값을 각각 보여주는 도면이다. 도 9를 참조하면, 동일한 시공간 셀에서의 참값과 추정값 각각에 대응하는 차량의 궤적들이 도시되어 있다. 9 is a diagram showing the true value and the estimated value of the traveling speed in units of cells according to the present invention. Referring to FIG. 9 , trajectories of a vehicle corresponding to each of a true value and an estimated value in the same space-time cell are shown.

참값의 셀에 도시된 궤적들은 표본율 100%의 경우를 나타내는 것으로, 추정값의 경우에 비해 차량의 궤적들이 상대적으로 조밀하게 나타나 있다. The trajectories shown in the cell of the true value represent the case of a sample rate of 100%, and the trajectories of the vehicle appear relatively densely compared to the case of the estimated value.

도 10a 및 도 10b는 표본율에 따른 통행 속도의 추정값의 정확도를 간략히 보여주는 도면들이다. 도 10a를 참조하면, 시간적 간격(ΔTime)이 180초인 경우의 표본율 및 공간적 거리(ΔDistance)에 따른 MAPE 값들이 도시되어 있다.10A and 10B are diagrams briefly showing the accuracy of the estimated value of the traveling speed according to the sampling rate. Referring to FIG. 10A , MAPE values according to the sample rate and spatial distance ΔDistance when the temporal interval ΔTime is 180 seconds are shown.

시공간적 셀의 크기를 나타내는 공간적 거리(ΔDistance) 20m에서, 각 표본율별 오차를 나타내는 MAPE는 점차 감소하는 것을 확인할 수 있다. 즉, 표본율 10%에서는 '12.843%'의 MAPE는 표본율의 증가에 따라 감소하며, 90%의 표본율에서는 '1.292%'로 계산됨을 알 수 있다. 이는 공간적 거리(ΔDistance) 40m에서도 유사한 추세로 표본율의 증가에 따라 오차는 감소하는 것으로 나타남을 확인할 수 있다. 다만, 공간적 거리(ΔDistance)가 증가함에 따라 동일 표본율에서 상대적으로 MAPE가 감소함을 확인할 수 있다. At a spatial distance (ΔDistance) of 20 m representing the size of a spatiotemporal cell, it can be seen that MAPE, representing an error for each sample rate, gradually decreases. In other words, at a sampling rate of 10%, the MAPE of '12.843%' decreases as the sampling rate increases, and at a sampling rate of 90%, it can be seen that it is calculated as '1.292%'. It can be confirmed that the error decreases as the sample rate increases in a similar trend even at the spatial distance (ΔDistance) of 40 m. However, as the spatial distance (ΔDistance) increases, it can be confirmed that MAPE decreases relatively at the same sampling rate.

도 10b를 참조하면, 도 10a에서 붉은 박스로 표시된 공간적 거리(ΔDistance) 20m에서의 표본율(참값, 10%, 20%, 30%)별 MAPE를 색상으로 나타내는 도면이다. 각 그래프에서 x축은 차로와 시간 간격을, y축은 공간 간격, 색상은 통행 속도의 값을 나타낸다. 표본율이 증가할수록 각 셀들에 색상으로 표시된 통행 속도의 추정값은 참값과 가까워짐을 확인할 수 있다. Referring to FIG. 10B, it is a diagram showing MAPE in color for each sample rate (true value, 10%, 20%, 30%) at a spatial distance (ΔDistance) of 20m indicated by a red box in FIG. 10A. In each graph, the x-axis represents the lane and time interval, the y-axis represents the spatial interval, and the color represents the travel speed value. As the sampling rate increases, it can be confirmed that the estimated value of the travel speed displayed in color in each cell approaches the true value.

도 11a 및 도 11b는 셀의 크기에 따른 통행 속도의 추정값의 정확도를 간략히 보여주는 도면들이다. 도 11a를 참조하면, 시간적 간격(ΔTime)이 180초인 경우의 표본율 및 공간적 거리(ΔDistance)에 따른 MAPE 값들이 도시되어 있다.11A and 11B are diagrams briefly showing the accuracy of the estimation value of the travel speed according to the size of the cell. Referring to FIG. 11A, MAPE values according to the sampling rate and spatial distance ΔDistance when the temporal interval ΔTime is 180 seconds are shown.

표본율 10%에서 각 공간적 거리(ΔDistance) 20m, 40m, 80m, 160m에서의 MAPE는 '12.843%, 11.641%, 9.909%, 8.031%'로 계산된다. 그리고 표본율 30%에서 각 공간적 거리(ΔDistance) 20m, 40m, 80m, 160m에서의 MAPE는 '6.548%, 5.590%, 4.672%, 3.516%'로 계산된다. 단위 셀의 크기를 나타내는 공간적 거리(ΔDistance)가 커질수록 오차를 나타내는 MAPE는 감소함을 알 수 있다. 비록 표본율 10%와 30%에 대해서만 설명하였지만, 테이블에 나타난 바와 같이 이러한 추세는 다른 모든 표본율에서도 동일하게 나타나고 있다.At a sample rate of 10%, the MAPE at each spatial distance (ΔDistance) of 20m, 40m, 80m, and 160m is calculated as '12.843%, 11.641%, 9.909%, and 8.031%'. And at a sample rate of 30%, the MAPE at each spatial distance (ΔDistance) of 20m, 40m, 80m, and 160m is calculated as '6.548%, 5.590%, 4.672%, and 3.516%'. It can be seen that the MAPE representing the error decreases as the spatial distance (ΔDistance) representing the size of the unit cell increases. Although only the sample rates of 10% and 30% were explained, as shown in the table, this trend is the same for all other sample rates.

도 11b를 참조하면, 시간적 간격(ΔTime) 180초, 표본율 10%와 30%에서 각 공간적 거리(ΔDistance) 20m, 40m, 80m, 160m에서의 산점도를 보여준다. 각 산점도에서 x축은 추정 속도, y축은 실제 속도를 나타낸다. 표본율 10%와 30% 각각에서 공간적 거리(ΔDistance)가 증가할수록 추정 속도와 실제 속도가 수렴되어 감을 직관적으로 관찰할 수 있다. Referring to FIG. 11B, scatter plots are shown at spatial distances of 20m, 40m, 80m, and 160m at a temporal interval (ΔTime) of 180 seconds and sampling rates of 10% and 30%, respectively. In each scatterplot, the x-axis represents the estimated speed and the y-axis represents the actual speed. It can be intuitively observed that the estimated speed and the actual speed converge as the spatial distance (ΔDistance) increases at the sample rates of 10% and 30%, respectively.

도 12는 시간적 간격(ΔTime)에 따른 통행 속도 추정값의 MAPE를 각 공간적 거리(ΔDistance)에 따라 도시한 도면들이다. 도 12를 참조하면, 낮은 표본율(10%~20%)에서는 오차의 크기를 나타내는 MAPE가 크다는 것을 알 수 있다. 낮은 표본율(10%~20%)에서는 추정 정확도는 낮음을 알 수 있다. 반면에, 30% 이상의 표본율에서는 오차의 크기를 나타내는 MAPE는 10% 이하로 나타난다. FIG. 12 is a diagram showing the MAPE of the travel speed estimation value according to the temporal interval (ΔTime) according to each spatial distance (ΔDistance). Referring to FIG. 12, it can be seen that at a low sampling rate (10% to 20%), MAPE, which represents the size of the error, is large. It can be seen that the estimation accuracy is low at low sample rates (10% to 20%). On the other hand, at a sample rate of 30% or more, MAPE, which indicates the size of the error, appears to be less than 10%.

도 13은 적정 시공간 간격을 산정하는 방법을 예시적으로 보여주는 도면이다. 도 13을 참조하면, 앞서 계산된 표본율별 공간적 거리를 나타내는 셀 간격(ΔCell), 집계 간격, 추정 오차를 고려하여 적정 시공간 간격을 산정할 수 있다. 13 is a diagram exemplarily illustrating a method of calculating an appropriate space-time interval. Referring to FIG. 13, an appropriate space-time interval can be calculated in consideration of the previously calculated cell interval (ΔCell) representing the spatial distance for each sample rate, aggregation interval, and estimation error.

적정 시공간 간격을 산정하기 위해 추정된 오차에 따라 '나쁨', '보통', 그리고 '좋음'으로 구분할 수 있다. '나쁨'은 추정 오차가 10%를 초과하는 경우, '보통'은 추정 오차가 5% 초과 10% 이하인 경우, 그리고 '좋음'은 추정 오차가 5% 이하인 경우로 설정하였다. 추정 오차에 따라 표본율별로 '좋음'으로 평가된 시공간적 범위를 선택할 수 있을 것이다. In order to calculate the appropriate space-time interval, it can be classified into 'bad', 'normal', and 'good' according to the estimated error. 'Poor' was set when the estimation error exceeded 10%, 'normal' when the estimation error exceeded 5% and less than 10%, and 'good' was set when the estimation error was less than 5%. Depending on the estimation error, it will be possible to select the spatiotemporal range evaluated as 'good' for each sampling rate.

이상에서 설명된 본 발명에 따르면, 프로브 차량(100)에 탑재된 이동형 검지기인 GPS 센서를 통해 차량의 궤적 데이터를 활용하여 다수의 시나리오를 생성하고, 각 시나리오별 시공간적 셀 단위 통행 속도를 추정할 수 있다. 그리고 셀 단위의 추정 속도에 대한 표본율에 따른 추정 오차를 분석하여 각 표본율에 따른 적정 시공간 간격을 산정할 수 있었다. 본 발명의 셀 단위 통행 속도의 추정을 통해서 자율 주행차와 일반 차량이 혼재하는 시점에서 상습 정체 유발 구간이나 특정 이벤트가 발생하는 지점을 세밀하게 도출할 수 있을 것으로 기대된다. According to the present invention described above, a plurality of scenarios are generated using vehicle trajectory data through a GPS sensor, which is a mobile detector mounted on the probe vehicle 100, and the time-space and cell-unit travel speed for each scenario can be estimated. there is. In addition, by analyzing the estimation error according to the sampling rate for the estimation speed in the unit of cell, it was possible to calculate the appropriate space-time interval according to each sampling rate. It is expected that through the estimation of the cell-by-cell traffic speed of the present invention, it is possible to derive in detail the point where a habitual congestion inducing section or a specific event occurs at the time when autonomous vehicles and general vehicles coexist.

더불어, 본 발명은 적정 시공간 간격의 산정에 더하여 표본율, 셀 간격, 집계 간격이 시공간적 셀 단위의 교통 정보 추정 정확도에 미치는 요인들을 분석할 수 있다. 이러한 분석을 통해 미시적 교통 정보의 유효성을 검증할 수 있어, 향후 자율 주행차와 일반 차량이 혼재되는 교통류 상태에서 효율적이고 안전한 교통 관리 기술을 수립하는데 기여할 수 있을 것으로 기대된다.In addition, in addition to calculating the appropriate spatio-temporal interval, the present invention can analyze factors affecting the accuracy of traffic information estimation in units of spatio-temporal cells such as sampling rate, cell interval, and aggregation interval. Through this analysis, the validity of microscopic traffic information can be verified, and it is expected to contribute to the establishment of efficient and safe traffic management technology in traffic flow conditions in which autonomous vehicles and general vehicles are mixed in the future.

이상에서 기술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.What has been described above are specific embodiments for carrying out the present invention. The present invention will include not only the above-described embodiments, but also embodiments that can be simply or easily changed in design. In addition, the present invention will also include techniques that can be easily modified and practiced using the embodiments. Therefore, the scope of the present invention should not be limited to the above-described embodiments and should not be defined by the following claims as well as those equivalent to the claims of this invention.

Claims (5)

프로브 차량에서 전송되는 궤적 데이터를 기반으로 도로에서의 시공간 간격을 단위로 통행 속도를 추정하는 관제 서버에 있어서:
상기 궤적 데이터를 수신하는 통신부; 그리고
상기 궤적 데이터를 수집하고, 수집된 상기 궤적 데이터에 기반하여 상기 도로의 시공간적 셀 단위의 통행 속도를 추정하는 제어부를 포함하되,
상기 제어부는:
상기 궤적 데이터로부터 미리 설정된 시공간 간격과 표본율에 따라 복수의 시나리오를 생성하고,
상기 복수의 시나리오 각각에서 상기 시공간 간격들 각각의 통행 속도를 추정하고,
상기 추정된 통행 속도의 정확도를 계산하고, 그리고
상기 정확도에 기반하여 상기 표본율에 따른 상기 셀 단위의 적정 시공간 간격을 결정하되,
상기 적정 시공간 간격은 상기 궤적 데이터를 수집하기 위한 차로별 공간적 거리와 수집이 이루어지는 시간 간격을 포함하는 관제 서버.In the control server for estimating the travel speed in units of space-time intervals on the road based on trajectory data transmitted from the probe vehicle:
a communication unit for receiving the trajectory data; and
A control unit for collecting the trajectory data and estimating a travel speed in spatio-temporal cell units of the road based on the collected trajectory data,
The control unit:
Generating a plurality of scenarios according to a preset space-time interval and sampling rate from the trajectory data;
Estimating a travel speed of each of the space-time intervals in each of the plurality of scenarios;
Calculate the accuracy of the estimated travel speed, and
Based on the accuracy, an appropriate space-time interval of the cell unit according to the sample rate is determined,
The appropriate space-time interval includes a spatial distance of each lane for collecting the trajectory data and a time interval at which the collection is performed. 제 1 항에 있어서,
상기 궤적 데이터는 상기 프로브 차량의 이동 정보, 차로 정보, 위치 정보, 시간 정보들 중 적어도 하나를 포함하는 관제 서버. According to claim 1,
The trajectory data includes at least one of movement information, lane information, location information, and time information of the probe vehicle. 제 1 항에 있어서,
상기 통행 속도는 상기 시공간 간격에 포함되는 차량들의 통행 거리의 합을 통행 시간의 합으로 나눈 값에 대응하는 관제 서버.According to claim 1,
The traffic control server corresponds to a value obtained by dividing the sum of travel distances of vehicles included in the space-time interval by the sum of travel times. 제 1 항에 있어서,
상기 추정된 통행 속도의 상기 정확도는 상기 통행 속도의 참값과 추정값 사이의 MAPE(Mean Absolute Percentage Error) 또는 RMSE(Root Mean Square Error)를 활용하여 계산되는 관제 서버.According to claim 1,
The control server wherein the accuracy of the estimated travel speed is calculated by utilizing a mean absolute percentage error (MAPE) or root mean square error (RMSE) between a true value and an estimated value of the travel speed. 제 1 항에 있어서,
상기 궤적 데이터는 상기 프로브 차량에 탑재된 GPS 센서로부터 획득되는 관제 서버. According to claim 1,
The trajectory data is obtained from a GPS sensor mounted on the probe vehicle.
KR1020220023011A 2022-02-22 2022-02-22 Control server for estimating travel speed in units of cells KR102517212B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220023011A KR102517212B1 (en) 2022-02-22 2022-02-22 Control server for estimating travel speed in units of cells

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220023011A KR102517212B1 (en) 2022-02-22 2022-02-22 Control server for estimating travel speed in units of cells

Publications (1)

Publication Number Publication Date
KR102517212B1 true KR102517212B1 (en) 2023-03-31

Family

ID=86005586

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220023011A KR102517212B1 (en) 2022-02-22 2022-02-22 Control server for estimating travel speed in units of cells

Country Status (1)

Country Link
KR (1) KR102517212B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110113986A (en) * 2010-04-12 2011-10-19 한양대학교 산학협력단 Method for estimating travel time of vehicle
US20200114926A1 (en) * 2018-10-16 2020-04-16 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles
KR20200084750A (en) 2018-12-27 2020-07-13 한국전자통신연구원 Traffic speed prediction using a deep neural network to accommodate citywide spatio-temporal correlations
KR102245580B1 (en) * 2020-09-22 2021-04-29 재단법인차세대융합기술연구원 Control server for estimating traffic density using adas probe data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110113986A (en) * 2010-04-12 2011-10-19 한양대학교 산학협력단 Method for estimating travel time of vehicle
US20200114926A1 (en) * 2018-10-16 2020-04-16 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on v2x data augmentation to enable predictive optimal control of connected and automated vehicles
JP2022504691A (en) * 2018-10-16 2022-01-13 トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド Vehicle speed predictor using a neural network based on V2X data expansion to enable connection and automated predictive optimal control of the vehicle
KR20200084750A (en) 2018-12-27 2020-07-13 한국전자통신연구원 Traffic speed prediction using a deep neural network to accommodate citywide spatio-temporal correlations
KR102245580B1 (en) * 2020-09-22 2021-04-29 재단법인차세대융합기술연구원 Control server for estimating traffic density using adas probe data

Similar Documents

Publication Publication Date Title
Darwish et al. Traffic density estimation in vehicular ad hoc networks: A review
Yuan et al. A traffic congestion detection and information dissemination scheme for urban expressways using vehicular networks
US9564048B2 (en) Origin destination estimation based on vehicle trajectory data
Bauza et al. Road traffic congestion detection through cooperative vehicle-to-vehicle communications
US9886850B2 (en) Monitoring intersection delays in a transportation network
KR100979724B1 (en) Apparatus for forecasting traffic information with multi-detection and method for operating the same
Cai et al. Shock wave approach for estimating queue length at signalized intersections by fusing data from point and mobile sensors
CN101925940A (en) Method and system for forecasting travel times on roads
Al Mamun et al. An intelligent smartphone based approach using IoT for ensuring safe driving
EP2974182B1 (en) Traffic analysis system using wireless networking devices
KR102245580B1 (en) Control server for estimating traffic density using adas probe data
Seredynski et al. The emerging applications of intelligent vehicular networks for traffic efficiency
Bae et al. Spatio-temporal traffic queue detection for uninterrupted flows
Ahmad et al. Microscopic congestion detection protocol in VANETs
KR20240032811A (en) Server, method and computer program for generating traffic information
KR102517212B1 (en) Control server for estimating travel speed in units of cells
Cheng et al. The optimal sampling period of a fingerprint positioning algorithm for vehicle speed estimation
CN102945604B (en) Judgment method for congestion event
Imani The use of real-time connected vehicles and HERE data in developing an automated freeway incident detection algorithm
CN117178309A (en) Method for creating a map with collision probability
Zardosht et al. An in-vehicle tracking method using vehicular ad-hoc networks with a vision-based system
El-Sayed et al. An infrastructure based congestion detection and avoidance scheme for VANETs
KR101815941B1 (en) System for providing unstable traffic flow information, and method for the same
Codeca et al. Traffic routing in urban environments: The impact of partial information
Kaur et al. RFID based Intelligent Transport System with RSU Communication for Emergency Vehicles in Urbanization

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant