KR100345792B1

KR100345792B1 - 차량의 진행방향별 구간속도 실시간 예측 방법

Info

Publication number: KR100345792B1
Application number: KR1020000050915A
Authority: KR
Inventors: 박종헌; 신영달; 안수한; 심현식
Original assignee: 주식회사 로티스
Priority date: 2000-08-30
Filing date: 2000-08-30
Publication date: 2002-07-24
Also published as: KR20020017535A

Abstract

본 발명은 현재 주행중인 도로 구간의 차량속도를 실시간으로 정확하게 산출하여, 이에 따른 정보를 제공함으로써 실제 도로 교통정보에 유용하도록 한 차량의 진행방향별 구간속도 실시간 예측 방법에 관한 것으로, 차량정보중계수단으로부터 수신되는 프로브차량의 각종 정보를 분석하는 차량정보분석과정과, 링크주행거리, 링크정지시간 등 각종정보를 이용하여 차량의 구간속도를 산출할 수 있도록 하여주는 차량속도정보산출과정과, 상기 차량정보를 통해 속도정보 단위 생성시에 지나간 도로와 이전도로의 속도인 연속된 두 개의 도로에 대한 속도정보를 통해 차량의 현재 진행방향을 판별하는 차량의 진행방향판별과정과, 차량의 진행방향이 판별되면, 진행방향에 따른 각각의 구간속도를 산출하는 차량의 진행방향별 구간속도산출 과정과, 상기 산출된 구간속도에 따른 각종 교통정보를 차량의 운전자에게 제공하는 교통정보제공과정으로 된 차량의 진행방향별 구간속도 산출 방법에 있어서, 상기 구간속도산출에서, 현재 차량이 주행하고 있는 도로의 차량속도를 이전도로의 차량속도를 이용하여 예측 및 산출하는 현재 구간속도 예측과정을 더 포함하여 된 특징을 가진다.

Description

차량의 진행방향별 구간속도 실시간 예측 방법{A METHOD ESTIMATING THE SECTION-VELOCITY FOR THE ADVANCE DIRECTION}

본 발명은 도로에 대한 교통정보 수집 및 제공에 관한 것으로, 더욱 상세하게는 주행중인 차량이 진행하는 방향별로 정확한 구간속도를 검출하되, 현재 주행중인 도로 구간의 차량속도를 실시간으로 정확하게 산출하여, 이에 따른 정보를 제공함으로써 실제 도로 교통정보에 유용하도록 한 차량의 진행방향별 구간속도 실시간 예측 방법에 관한 것이다.

제공된 종래의 교통정보 수집체계로는 구간검지방식과 지점검지방식 두 가지가 있다.

먼저, 상기 구간검지방식은 프로브 차량(PROBE CAR)이 도로를 주행하면서 도로구간에 대한 주행시간, 주행거리 등의 정보를 무선통신이나 유선통신망을 이용하여 교통정보센터로 전송하고, 상기 교통정보센터에서는 이 정보를 이용하여 각 도로에서의 교통정보를 산출하는 방식이다.

지점검지방식은 도로에 지점검지기(루프 검지기, 적외선 카메라 등)를 설치하고, 이 장치로부터 얻은 교통량 점유률 지점속도 등을 교통정보센터로 전송하고 교통정보센터에서 각 도로에 대한 교통정보를 산출하는 방식이다.

이와 같은 두 가지 방식은 모두 하나의 도로구간(교차로와 교차로 사이의 도로, 도로합류지점과 도로합류지점 사이의 도로, 교차로와 도로 합류지점 사이의 도로(이하 '링크(LINK)' 라 함) 등에 대한 속도정보를 산출하는데 중점을 두고 있다. 따라서 링크를 주행하는 차량이 앞의 교차로나 도로 합류지점에서 어느 방향으로 진행하느냐에 관계없이, 단지 링크에 대한 속도정보를 산출하는데 쓰이게 된다.

따라서, 이러한 정보는 진행 방향별 평균적인 의미를 갖게 되어, 직진 주행하는 경우에는 실제보다 낮은 속도정보를, 좌회전이나 기타 방법(우회전, U턴, P턴 등)으로 주행하는 차량에게는 실제보다 빠른 속도정보를 제공하게 되는 문제점이 있게 된다.

결국, 이와 같은 종래의 방식은 차량의 진행방향을 전혀 고려하지 않기 때문에 주행하는 차량에 정확한 속도정보를 서비스할 수 없으며, 교통신호 제어측면에 있어서도 진행방향을 고려한 속도정보를 제공하지 못함으로 해서 신호기의 효과적인 제어에 유용한 정보를 제공하지 못하고 있다.

또한, 상기 지점검지방식으로 진행방향별 교통정보를 산출하려고 한다면, 교차로나 도로 합류지점에 설치해야 되는데, 이렇게 하면 각 링크에 대하여 정방향과 역방향 주행을 고려하기 위해서 두 개의 지점 검지기를 설치해야 하며, 이 경우 비용이 많이 들어가는 문제점과 더불어 링크에 대한 정확한 속도를 산출하는데 문제점이 있게 된다.

또한, 상기 구간검지방식으로 진행방향별 교통정보를 산출하려면, 각각의 프로브 차량의 여행경로를 추적해야하는 번거로움과 계산량 문제 등으로 인한 시스템 부하의 증가 등으로 인하여 실시간 속도 정보를 제공하는데 많은 문제점이 있다.

본 발명은 상기한 문제점을 해결하고자 창안된 것으로, 본 발명의 목적은 교차로나 도로합류 지점에서의 차량의 진행 방향별 구간속도 정보를 수집하고 이용하되, 특히 현재 주행하고 있는 구간의 차량속도를 실시간으로 제공할 수 있도록 하는 차량의 진행방향별 구간속도 실시간 예측 방법을 제공하는 것에 있다.

본 발명의 다른 목적은 차량이 진행한 연속된 두 개 링크의 속도정보를 동시에 전송하되, 현재 도로의 차량속도를 연속되어 연결된 이후 도로의 차량 속도정보로부터 예측하여 산출할 수 있도록 한 차량의 진행방향별 구간속도 실시간 예측 방법을 제공하는 것에 있다.

이와 같은 목적을 달성하기 위한 본 발명은 차량정보중계수단으로부터 수신되는 프로브차량의 각종 정보를 분석하는 차량정보분석과정과, 링크주행거리, 링크정지시간 등 각종정보를 이용하여 차량의 구간속도를 산출할 수 있도록 하여주는 차량속도정보산출과정과, 상기 차량정보를 통해 속도정보 단위 생성시에 지나간 도로와 이전도로의 속도인 연속된 두 개의 도로에 대한 속도정보를 통해 차량의 현재 진행방향을 판별하는 차량의 진행방향판별과정과, 차량의 진행방향이 판별되면, 진행방향에 따른 각각의 구간속도를 산출하는 차량의 진행방향별 구간속도산출 과정과, 상기 산출된 구간속도에 따른 각종 교통정보를 차량의 운전자에게 제공하는 교통정보제공과정으로 된 차량의 진행방향별 구간속도 산출 방법에 있어서, 상기 구간속도산출에서, 측정이 요구되는 현재 구간에 있는 도로의 차량 속도정보를 연속되어 연결된 이후 도로 구간의 차량 속도정보를 이용하여 예측 및 산출하는 현재 구간속도 예측과정을 더 포함하여 된 것을 특징으로 한다.

도 1은 본 발명이 적용되는 도로상의 차량속도 검출 시스템의 구성도,

도 2은 본 발명을 설명하기 위하여 일례로 제시한 도로 구성도,

도 3은 본 발명에 따른 실시간 속도정보예측을 위한 신경망 구조를 나타내는 구성도,

도 4는 본 발명에 따른 차량의 진행방향별 구간속도 실시간 예측 방법을 나타내는 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명을 보다 상세히 설명한다.

도 1은 본 발명이 적용되는 도로상의 차량속도 검출 시스템의 구성도이다.

도시된 바와 같이, 10a,10b,...는 도로상을 주행하는 다수의 프로브차량으로, 차량정보수집수단(20a,20b,...)으로부터 수집된 각종 교통정보를 차량정보중계수단(30a,30b,...)에 무선으로 전송하여 주는 차량이다.

20a,20b,...는 차량정보수집수단(Car Radio Frequency)으로, 상기 프로브차량(10a,10b,...)에 각각 장착되어 차량이 이동한 거리, 시간 또는 정지시간 등 차량을 통해 실제 다양한 교통정보를 검출한다.

30a,30b,...는 차량정보중계수단으로, 교차점이나 도로 합류지점(이하 '노드(NODE)'라 함) 등의 소정 위치에 설치되어 프로브차량(10a,10b,...)으로부터 전송된 차량의 교통정보를 교통정보제어센터(40)로 전송하거나 미 도시된 신호등제어처리기로 직접 전송한다.

40은 교통정보제어센터로, 상기 다수의 차량정보중계수단(30a,30b,...)으로부터 각종 차량정보를 유선 또는 무선(S)으로 수신 받아 필요로 하는 교통정보를 산출하여 각종 교통 안내 서비스를 제공하게 된다.

또한, 상기 프로브차량(10b)은 도시된 바와 같이 차량정보중계수단(30b)의 소정 수신감지거리에 들어갔을 때 상기 차량정보중계수단(30b)은 프로브차량(10b) 및 이 차량이 제공하는 각종 정보를 수신하여 상기 교통정보제어센터(40)로 전송하게 된다.

결국, 상기 차량정보수집수단(20a,20b,..)을 각각 장착한 차량이 다수의 노드에 설치된 다수의 차량정보중계수단(30a,30b,...)을 지나가면서 수집된 교통(차량)정보를 무선 통신으로 제공하게 되며, 상기 다수의 차량정보중계수단(30a,30b,...)은 그에 따른 정보를 다시 무선 또는 유선을 통해 교통정보제어센터(40)로 전송하는 것이다.

또한, 상기 프로브차량에 장착되는 차량정보수집수단은 다음과 같은 정보를검출 및 생성하게 된다.

①현재노드(C): 프로브차량이 정보단위를 생성하는 시점에 지나간 노드의 고유번호.

②제1이전노드(P): 프로브차량이 현재노드(C)를 지나가기 바로 전에 지나간 노드의 고유번호.

③제2이전노드(PP): 프로브차량이 제1이전노드(P)를 지나가기 바로 전에 지나간 노드의 고유번호.

④제1이전링크(P-C): 제1이전노드(P)에서 현재노드(C)로 가는데 지나간 링크를 구분해주는 정보.

⑤제1이전링크(PP-P): 제2이전노드(PP)에서 제1이전노드(P)로 가는데 지나간 링크를 구분해주는 정보.

⑥제1이전링크거리(P-C/S):제1이전노드(P)에서 현재노드(C)로 가는데 주행한 거리(단위:m).

⑦제1이전링크소요시간(P-C/T):제1이전노드(P)에서 현재노드(C)로 가는데 걸린 시간(단위:초).

⑧제1이전링크정지시간(P-C/ST):제1이전노드(P)에서 현재노드(C)로 주행 도중에 차가 정지한 상태로 있는 시간들의 합(단위:초).

⑨제2이전링크거리(PP-P/S):제2이전노드(PP)에서 제1이전노드(P)로 가는데 주행한 거리(단위:m).

⑩제2이전링크소요시간(PP-P/T):제2이전노드(PP)에서 제1이전노드(P)로 가는데 걸린 시간(단위:초).

⑪제2이전링크정지시간(PP-P/ST):제2이전노드(PP)에서 제1이전노드(P)로 주행 도중에 차가 정지한 상태로 있는 시간들의 합(단위:초).

⑫제1이전링크정지횟수(PP-P/SN), 현재링크정지횟수(P-C/SN): 이전도로(링크)와 현도로(링크)에서의 차량이 1초이상 정지한 경우의 횟수.

⑬히스토리 인덱스(History Index): 차량정보수집수단의 버전을 나타냄.

⑭메세지 인덱스(Message Index): 정보의 재등록을 방지하는 정보.

⑮체크섬 CRF(CheckSum CRF): 전송된 정보의 비트(bit) 오류를 검지하기 위한 정보.

여기서, 상기 제1이전링크거리(P-C/S) 및 제1이전링크소요시간(P-C/T)과, 제2이전링크거리(PP-P/S) 및 제2이전링크소요시간(PP-P/T)은 각각 제1이전링크(P-C) 및 제2이전링크(PP-P)에 대한 차량의 속도정보를 산출하는데 이용한다.

따라서, 상기 차량정보중계수단(30a,30b,...)으로부터 수신된 상기 자료를 통해 교통정보제어센터(40)에서는 차량의 구간속도를 산출하게 된다.

이때, 구간속도의 산출방법을 알아본다.

먼저, 제1이전링크(P-C)에 대한 차량의 속도(P-C/V)는,

제1이전링크속도(P-C/V) = [제1이전링크거리(P-C/S)/제1이전링크소요시간(P-C/T)] ×3.6 (단위: Km/h) 이고,

제2이전링크(PP-P)에 대한 차량의 속도(PP-P/V)는,

제2이전링크속도(PP-P/V)=[제2이전링크거리(PP-P/S)/제1이전링크소요시간(PP-P/T)] ×3.6 (단위: Km/h) 로 산출되어 진다.

도 2은 본 발명을 설명하기 위하여 일례로 제시한 도로 구성도이다.

도시된 바와 같이, 바둑판 형상의 도로상의 교차점에는 다수개의 노드가 형성되는데, 여기서는 프로브차량(10)의 진행방향에 따라 제2이전노드(PP)→제1이전노드(P)-→현재노드(C)를 통해 차량의 정보가 수신되며, 상기 노드(PP)(P)(C)에는 소정의 위치에 차량정보중계수단(30a,30b,...)이 위치하게 된다.

상기 프로브차량(10)의 진행방향을 살펴보면, 먼저 제2이전노드(PP)를 통해 직진하여 제2이전링크(PP-P)를 통과하고, 제2이전노드(P)에서 우회전하여 제1이전링크(P-C)를 통과하고, 현재노드(C)에서 직진한 상태이다. 현재 차량(10)의 위치는 현재노드(C)를 통과한 위치이다.

따라서, 현재의 프로브차량(10)을 통해 각 노드(C)(P)(PP)...에 위치한 차량정보중계수단(30a,30b,...)으로부터 전송되어온 자료를 통해 제1이전링크(P-C) 및 제2이전링크(PP-P) 등의 차량 진행속도를 산출할 수 있다. 물론 이때 제공되는 차량속도정보는 차량이 제2이전노드(PP)를 지나 제1이전노드(P)에서 우회전하여 차량이 현재노드(C)를 지나는 경우로, 매우 정확하고, 실제적인 교통속도정보를 제공하게 된다.

이와 같이, 차량의 진행방향 및 구간속도가 산출됨에 있어서, 만약, 교통의 흐름이 원활하였다면, 제2이전노드(PP)에서 제1이전노드(P)를 지나간 시간대와 제1이전노드(P)와 현재노드(C)를 지나간 시간대와 같은 서비스단위 시간대에 속할 것이다. 그러나, 그렇지 않을 경우 제2이전노드(PP)에서 제1이전노드(P)의 속도정보는 이전의 서비스단위 시간대에 대한 속도정보를 나타내게 된다. 이 경우 현재 서비스 단위 시간대의 속도정보를 이전 시간대의 속도정보로부터 예측(산출)해야 된다. 이는 현재 도로에 대한 매우 정확한 실시간 속도정보를 제공하게 된다.

결국, 이전도로에 대해서 이전시간대의 속도정보를 바탕으로 혀재시간대의 속도정보를 예측하게 되는 것이다.

본 발명에서는, 현재도로의 차량속도를 산출하는 데에는 2가지 방법이 이용된다. 그 하나는 칼멘필터(Kalman Filter)를 이용하는 방식이고, 다른 하나는 신경망(Neural Network)을 이용하는 방식이다.

먼저, 칼멘방식을 설명한다.

상기 칼멘방식은 다음과 같은 용어를 사용한다.

T: 링크당, 하루동안 서비스 하기위해 만들어지는 속도 정보의 수. 예를 들어 5분 단위의 서비스를 한다면 링크당 하루동안에 288개의 속도정보가 생성된다.

L: 속도서비스를 제공 제공받고자 하는 링크의 총 수.

yⁱ _t,r, t=1,...,T, i=1,...,L, r=1,2,3: 링크 i의 t시간대에 관측되는 진행방향별 속도정보.

αⁱ _t,r: 링크 i의 t시간대의 진행 방향별 상태변수, 1×m 벡터,

ⁱ _t,r: 링크 i의 t시간대의 진행 방향별 노이즈 변수(noise variable), n×1 벡터,

ⁱ _t,r: 링크 i의 t시간대의 진행 방향별 노이즈 변수, g×1 벡터,

Aⁱ _t,r: 1×m 벡터, Bⁱ _t: 1×n 벡터,

Cⁱ _t,r: m×m 벡터,Bⁱ _t: m×g 벡터,

진행방향별 속도 서비스를 위하여 링크별, 진행방향별로 다음과 같은 상태 공간 모형을 수립한다. 이 모형의 수립은 시계열 분석과 같은 통계적 방법을 통하여 이루어진다.

<상태 공간 모형>

yⁱ _t,r= Aⁱ _t,rαⁱ _t,r+ Bⁱ _t,r ⁱ _t,r, t=1,...,T, i=1,...,L, r=1,2,3 (측정 방정식)

αⁱ _t,r= Cⁱ _t,rαⁱ _{t-1, r}+ Dⁱ _t,r ⁱ _t,r, t=1,...,T, i=1,...,L, r=1,2,3 (전이 방정식)

여기서, { ⁱ _t,r}, { ⁱ _t,r}는 서로 독립이고, 화이트 노이즈(White Noise)라고 불리우는 확률과정으로 평균이 모두 0이고 공분산 행렬은 각각 Hⁱ _t,r, Qⁱ _t,r이다.

따라서, 칼멘필터 방식을 이용하여 현재도로의 차량속도를 추정하자면 2가지의 방정식, 즉 예측방정식 및 갱신방정식을 이용하여 속도정도를 재귀적으로 예측할 수 있다.

상태변수 αⁱ _{t-1, r}의 최소오차제곱 추정량을αⁱ _{t-1, r}라 하고, 오차αⁱ _{t-1, r}- αⁱ _{t-1, r}의 공분산 행렬이 ²Pⁱ _{t-1, r}로 나타내어 진다면, 여기서Pⁱ _{t-1, r}는 알고 있는 행렬, 예측방정식은 다음과 같다.

<예측방정식>

αⁱ _{t｜t-1, r}=Cⁱ _t,rαⁱ _{t-1, r},

ⁱ _{t｜t-1, r}=Aⁱ _t,rαⁱ _{t｜t-1, r}

Pⁱ _{t｜t-1, r}= Cⁱ _t,rPⁱ _{t-1, r}Cⁱ _t,r' +Dⁱ _t,rQⁱ _t,rDⁱ _t,r'

t=1,...,T, i=1,...,L, r=1,2,3

여기서, ⁱ _{t｜t-1, r}가 t-1 시점까지의 자료를 이용한 t시점의 속도정보에 대한 예측값이다.

또한, 갱신방정식은 t-1 시점까지의 자료를 이용하여 t시점의 속도정보에 대한 예측값으로 ⁱ _{t｜t-1, r}를 제공한 후, t시점에서의 속도정보를 관측했을 때, t시점의 속도정보에 대한 수정값을 제공해주는 방정식이다.

<갱신방정식>

Pⁱ _{t, r}=Pⁱ _{t｜t-1, r}-Pⁱ _{t｜t-1, r}Aⁱ _t,r'(Fⁱ _t,r)^-1Aⁱ _t,rPⁱ _{t｜t-1, r},

αⁱ _{t, r}= αⁱ _{t｜t-1, r}+Pⁱ _{t｜t-1, r}Aⁱ _t,r(Fⁱ _t,r)^-1(yⁱ _t,r- Aⁱ _t,rαⁱ _{t｜t-1, r}),

Fⁱ _{t, r}= Aⁱ _t,rPⁱ _{t｜t-1, r}Aⁱ _t,r'+ Bⁱ _t,rHⁱ _t,rBⁱ _t,r,

t=1,...,T, i=1,...,L, r=1,2,3

따라서, 상기 갱신방정식과 상기 예측방정식을 이용하여 다시 t+1 시점의 속도정보를 재귀적으로 예측할 수 있다.

한편, 본 발명에 따른 현재도로의 차량속도를 산출하는 데에는 2번째 방법은 신경망이라고 알려진 알고리즘을 이용하는 이용하는 방식이다.

상기 신경회로망은 자기학습 능력이 있어서 복잡하고 어려운 모형의 최적화 문제에 효과적인 분석방법으로, 각 링크별, 시간대별로 오프라인 데이터베이스의 속도정보를 이용하여, 이전 시간대의 속도정보와 주변링크의 속도정보를 입력요소로 하여 적절한 입력뉴런의 갯수와 1개의 출력뉴런을 가진 신경회로망으로 학습하여 결정된 모형으로부터 예측값을 결정한다. 신경회로망은 요일별, 링크별, 시간대별로 각각에 대해서 따로 결정되며 자정이 지나면 그날의 속도정보를 바탕으로 학습하도록 하고, 새로이 학습된 모형을 일주일후 같은 요일의 속도정보의 예측모형으로 사용한다. 도로에 유고 상황(공사 등)이 발생하거나 도로정보가 바뀐 경우는 새로이 신경회로망을 작성하도록 하는 방법이다. 첨부된 도면, 도 3은 본 발명에 따른 실시간 속도정보예측을 위한 신경망 구조를 나타내는 구성도이다.

상기와 같이 구성된 본 발명의 작용을 도 4의 흐름도를 참조하여 이하 설명한다.

도 4는 본 발명에 따른 차량의 진행방향별 구간속도 실시간 예측 방법을 나타내는 흐름도 이다.

도시된 바와 같이, 본 발명은 차량정보중계수단(30)으로부터 수신되는 프로브차량(10)의 각종 정보를 분석하는 차량정보분석과정(S10)과, 링크주행거리, 링크주행시간 등 주지한 바와 같은 여러가지 데이터를 이용하여 차량의 구간속도를 산출하는 구간속도산출과정(S20)과, 상기 차량정보를 통해 속도정보 단위 생성시에 지나간 도로와 이전도로의 속도인 연속된 두 개의 도로에 대한 속도정보를 통해 이전도로 주행차량의 진행방향을 판별하는 차량의 진행방향판별과정(S30)과, 차량의 진행방향이 판별되면, 진행방향에 따른 각각의 구간속도를 산출하는 차량의 진행방향별 구간속도산출 과정(S40)과, 상기 구간속도산출에서, 이전링크의 현재 시간에 대한 차량속도를 예측 및 산출하는 현재 구간속도 예측과정(S50)과, 상기 산출된 구간속도에 따른 각종 교통정보를 차량의 운전자에게 제공하는 교통정보제공과정(S60)으로 구성된다.

상기 차량의 현재 구간속도 예측과정(S50)은 현재 구간속도 예측단계(S51)와, 상기 현재 구간속도 예측에 따른 계산방식을 선택하는 단계(S52)와, 상기 계산방식 선택에 따른 칼멘필터방식인가 아니면 신경망을 이용한방식인가를 판단하는 방단계(S53, S54)와, 상기 2가지 방식에 의해 계산하여 현재 구간속도를 실시간으로 산출하는 단계(S55)를 포함한다.

이를 보다 상세히 설명하면, 차량정보수집수단(20)을 장착한 프로브차량(10)은 도로를 주행하면서 각 노드에 설치된 차량정보중계수단(30)으로 각종 차량에 대한 정보를 무선 송출한다. 이때의 정보는 전술한 바와 같이, 현재노드(C), 제1이전노드(P), 제2이전노드(PP), 제1이전링크(P-C), 제1이전링크(PP-P), 제1이전링크거리(P-C/S), 제1이전링크소요시간(P-C/T), 제1이전링크정지시간(P-C/ST), 제2이전링크거리(PP-P/S), 제2이전링크소요시간(PP-P/T), 제2이전링크정지시간(PP-P/ST), 제1이전링크정지횟수(PP-P/SN), 현재링크정지횟수(P-C/SN), 히스토리 인덱스(History Index), 메세지 인덱스(Message Index) 및 체크섬 CRF(CheckSum CRF) 등이다.

따라서, 이러한 정보를 수신받는 차량정보중계수단(30)은 이 정보를 교통정보제어센터(40)로 전송하거나 미도시된 신호등제어처리기로 직접 전송한다. 여기서 상기 교통정보제어센터(40)는 전송되어온 상기 프로브차량(10)의 각종 정보를 분석하여 정리한다(S10 과정).

그리고, 전송된 자료를 통해 차량의 링크에 대한 속도를 산출한다. 여기서 차량에 대한 구간속도는 현재 차량이 지나온 제1이전링크(P-C) 뿐 아니라 제2이전링크(PP-P)에 대한 속도 등도 검출하게 된다(S20 과정).

이와 같이 프로브차량(10)의 현재 위치 및 구간, 즉 링크속도가 판별되면, 차량의 진행방향을 판별할 수 있게 된다. 즉 현재 지나온 노드(C)와, 그 이전노드(P) 및 그 이전의 이전 노드(PP)를 통해서 제2이전링크(PP-P)에서의 차량의 진행방향, 곧 직진 차량인가, 우회전 차량인가, 좌회전 차량인가, U턴 차량인가 등을 판별할 수 있다.

이렇게 해서 차량의 진행방향이 판별되면, 차량의 진행방향별 구간속도를 산출할 수 있게 된다(S40 과정). 여기서 교통의 흐름이 원활하였다면, 제2이전노드(PP)에서 제1이전노드(P)를 지나간 시간대와 제1이전노드(P)와 현재노드(C)를 지나간 시간대와 같은 서비스단위 시간대에 속할 것이다. 그러나, 그렇지 않을 경우에는 제2이전링크(PP-P)의 속도정보를 이용하여 혀재 시간의 속도정보를 예측 및 산출해야 한다.

따라서, 교통정보제어센터(40)는 현재도로에 대한 차량의 속도를 산출하기 위하여, 칼멘필터방식과 신경망 방식을 선택한다. 먼저, 칼멘필터방식인 경우, 갱신방정식과 예측방정식을 이용하여 현재 차량이 운행중인 구간에 대한 속도정보를 재귀적으로 산출한다.

신경망 방식인 경우, 이전 시간대의 속도정보와 주변링크의 속도정보를 입력요소로 하여 적절한 입력뉴런의 갯수와 1개의 출력뉴런을 가진 신경회로망으로 학습하여 결정된 모형으로부터 예측값을 산출한다

이렇게 해서, 현재 시간대의 도로에 대한 차량의 속도를 산출하게 된다(S50 과정).

이와 같이 생성된 교통정보, 즉 차량의 진행방향별 구간속도 정보는 다시 차량의 운전자에게 제공된다(S60 과정). 따라서, 운전자들은 목적지에 다다르는 차량의 진행방향에 따른 최적의 교통정보를 제공받게 된다.

이상에서와 같이, 본 발명은 교차로나 도로합류지점에서의 진행방향별 구간속도를 제공함은 물론 현재 진행중인 차량의 구간도로에 대한 속도정보를 실시간으로 제공함으로써, 교통정보 수집시스템에 획기적인 자료정보의 획득이 가능하고, 이를 다시 이용함으로써, 교통정보제공에 대한 질을 가일층 향상시킨 이점이 있다.

Claims

차량정보중계수단으로부터 수신되는 프로브차량의 각종 정보를 분석하는 차량정보분석과정과, 링크주행거리, 링크정지시간 등 각종정보를 이용하여 차량의 구간속도를 산출할 수 있도록 하여주는 차량속도정보산출과정과, 상기 차량정보를 통해 속도정보 단위 생성시에 지나간 도로와 이전도로의 속도인 연속된 두 개의 도로에 대한 속도정보를 통해 차량의 현재 진행방향을 판별하는 차량의 진행방향판별과정과, 차량의 진행방향이 판별되면, 진행방향에 따른 각각의 구간속도를 산출하는 차량의 진행방향별 구간속도산출 과정과, 상기 산출된 구간속도에 따른 각종 교통정보를 차량의 운전자에게 제공하는 교통정보제공과정으로 된 차량의 진행방향별 구간속도 산출 방법에 있어서,

상기 구간속도산출에서, 측정이 요구되는 현재 구간에 있는 도로의 차량 속도정보를 연속되어 연결된 이후 도로 구간의 차량 속도정보를 이용하여 예측 및 산출하는 현재 구간속도 예측과정을 더 포함하여 된 것을 특징으로 하는 차량의 진행방향별 구간속도 실시간 예측 방법.
제 1 항에 있어서,

상기 현재 구간속도 예측방법은 갱신방정식과 예측방정식을 이용하여 현재 시간대의 도로구간에 대한 속도정보를 재귀적으로 산출하는 칼멘필터방식인 것을특징으로 하는 차량의 진행방향별 구간속도 실시간 예측 방법.
제 1 항에 있어서,

상기 현재 구간속도 예측방법은 이전 시간대의 속도정보와 주변링크의 속도정보를 입력요소로 하여 다수개의 입력뉴런의 갯수와 1개의 출력뉴런을 가진 신경회로망으로 학습하여 결정된 모형으로부터 산출하는 신경망방식인 것을 특징으로 하는 차량의 진행방향별 구간속도 실시간 예측 방법.