KR100510237B1 - 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법 - Google Patents

교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법 Download PDF

Info

Publication number
KR100510237B1
KR100510237B1 KR10-2002-0087442A KR20020087442A KR100510237B1 KR 100510237 B1 KR100510237 B1 KR 100510237B1 KR 20020087442 A KR20020087442 A KR 20020087442A KR 100510237 B1 KR100510237 B1 KR 100510237B1
Authority
KR
South Korea
Prior art keywords
traffic information
traffic
unit
raw data
data
Prior art date
Application number
KR10-2002-0087442A
Other languages
English (en)
Other versions
KR20040060625A (ko
Inventor
김도성
김재민
윤명수
김태용
Original Assignee
에스케이 주식회사
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 에스케이 주식회사 filed Critical 에스케이 주식회사
Priority to KR10-2002-0087442A priority Critical patent/KR100510237B1/ko
Publication of KR20040060625A publication Critical patent/KR20040060625A/ko
Application granted granted Critical
Publication of KR100510237B1 publication Critical patent/KR100510237B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법에 관한 것으로, 특히 교통정보 가공 장치는 여러 교통재원으로부터 수집되는 원시자료에 기초하여 교통정보를 제공하는 교통정보 제공장치에서 상기 원시자료를 가공하는 장치로서, 일정 구간 일정 시간대에 다른 종류의 교통재원으로부터 수집되는 원시자료가 다수일 경우 서로의 원시자료에서 단점인 부분을 보완하는 자료 합성을 통하여 최종 대표값을 생성하는 합성부; 상기 합성부에 의해 생성된 최종 대표값을 평활화하여 최종 교통정보를 생성하여 이용자들에게 제공하는 평활부; 및 상기 합성부에 의해 생성된 최종 대표값에서 특정 시간대에 해당되는 대표값이 존재하지 않는 경우, 상기 제공된 교통정보에 의해 누적된 패턴데이터를 기반으로 현재의 교통정보를 예측하여 이용자들에게 제공하는 예측부를 포함한다. 본 발명에 따르면, 다양한 교통재원으로부터 수집되는 원시자료를 신속하고 정확하게 가공하여 제공할 수 있다. 따라서, 신뢰성있는 실시간 교통 정보를 제공하여 도로 이용자들에게 최적의 주행 경로를 제공할 수 있다.

Description

교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법 {APPARATUS FOR COLLECTING AND PROVIDING RAW DATA IN TRAFFIC INFORMATION PROVIDING APPARATUS}
본 발명은 교통정보 제공장치에 관한 것으로, 보다 상세하게는 다양한 교통재원으로부터 수집되는 대용량 원시자료를 가공하여 교통정보로 제공하는 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법에 관한 것이다.
최근 도로 이용자들에게 실시간 구간 교통정보를 제공함으로서 운행 및 시간 비용을 최소화하고, 또한 한정되어 있는 도로에 교통량 집중화를 방지하여 최대한 분산시켜 도로 효율성을 높일 수 있도록 하는 중앙교통센터와 같은 교통정보 제공장치의 구축이 당연시되고 있다.
이러한 교통정보 제공장치에서는 원활한 교통 데이터의 수집/가공/제공 등의 기능을 수행하기 위해 일련의 프로세스가 정의되어야 하고, 이렇게 정의된 항목에 대해 개개 모듈이 설계되어야 한다.
상기한 프로세스와 이에 대응되는 개개 모듈은 신뢰성있는 실시간 교통 정보를 제공하여 도로 이용자들에게 최적의 주행 경로를 제공하기 위해서 여러 교통재원에서 수집된 대용량 교통 데이터를 빠르고 정확하게 가공하여 제공할 수 있어야 한다는 것이 요구되고 있다.
따라서, 본 발명의 목적은 다양한 교통재원으로부터 수집되는 대용량 원시자료를 신속하고 정확하게 가공하여 교통정보로 제공하는 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법을 제공하는 데 있다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 교통정보 제공장치에서의 교통정보 가공 장치는,
여러 교통재원으로부터 수집되는 원시자료에 기초하여 교통정보를 제공하는 교통정보 제공장치에서 상기 원시자료를 가공하는 장치로서,
일정 구간 일정 시간대에 다른 종류의 교통재원으로부터 수집되는 원시자료가 다수일 경우 서로의 원시자료에서 단점인 부분을 보완하는 자료 합성을 통하여 최종 대표값을 생성하는 합성부; 상기 합성부에 의해 생성된 최종 대표값을 평활화하여 최종 교통정보를 생성하여 이용자들에게 제공하는 평활부; 및 상기 합성부에 의해 생성된 최종 대표값에서 특정 시간대에 해당되는 대표값이 존재하지 않는 경우, 상기 제공된 교통정보에 의해 누적된 패턴데이터를 기반으로 현재의 교통정보를 예측하여 이용자들에게 제공하는 예측부를 포함한다.
여기서, 상기 합성부에서 현대 수학 모델인 인공지능(AI:Artificial Intelligence-유전자 알고리즘, 신경망 이론, 퍼지 시스템 등) 및 이종 데이터간의 합성 규칙을 적용하여 최종대표값을 산출하는 것을 특징으로 한다.
또한, 상기 예측부는 다양한 예측 모델(이동평균법, 지수평활법, ARIMA(BOX-JEKINS 이론), 신경망 이론, 칼만 필터링 등)을 활용하여 상기 특정 시간대의 교통정보를 예측하는 것을 특징으로 한다.
본 발명의 다른 특징에 따른 교통정보 제공장치에서의 교통정보 가공 방법은,
여러 교통재원으로부터 수집되는 원시자료에 기초하여 교통정보를 제공하는 교통정보 제공장치에서 상기 원시자료를 가공하는 방법으로서,
a) 일정 구간 일정 시간대에 다른 종류의 교통재원으로부터 수집되는 원시자료가 다수일 경우 서로의 원시자료에서 단점인 부분을 보완하는 자료 합성을 통하여 최종 대표값을 생성하는 단계; b) 상기 a) 단계에서 생성된 최종 대표값을 평활화하여 최종 교통정보를 생성하여 이용자들에게 제공하는 단계; 및 c) 상기 a) 단계에서 생성된 최종 대표값에서 특정 시간대에 해당되는 대표값이 존재하지 않는 경우, 상기 제공된 교통정보에 의해 누적된 패턴데이터를 기반으로 현재의 교통정보를 예측하여 이용자들에게 제공하는 단계를 포함한다.
여기서, 상기 a) 단계는 상기 원지자료 합성시 유전자 알고리즘, 신경망 이론, 퍼지 시스템 등과 같은 현대 수학 모델과 이종 데이터간의 합성 규칙을 적용하여 최종대표값을 산출하는 것을 특징으로 한다.
또한, 상기 c) 단계는 이동평균법, 지수평활법, 신경망 이론, 칼만 필터링 등과 같은 시계열적 예측 모델을 사용하여 상기 특정 시간대의 교통정보를 예측하는 것을 특징으로 한다.
여기서, 상기 c) 단계는 이동평균법을 사용하여 상기 특정 시간대의 교통정보를 예측하며, 관측된 시계열을 정리하는 단계; 이동평균 기간을 결정하는 단계; 상기 제공된 교통정보를 이용하여 가중치 결정 계수를 생성하는 단계; 및 상기 정리된 시계열 및 상기 가중치 결정 계수를 사용하여 예측값을 산출하는 단계를 포함한다.
또한, 상기 c) 단계는 지수평활법을 사용하여 상기 특정 시간대의 교통정보를 예측하며, 관측된 시계열을 정리하는 단계; 평활상수를 결정하는 단계; 및 상기 정리된 시계열 및 평활상수를 사용하여 예측값을 산출하는 단계를 포함한다.
또한, 상기 c) 단계는 신경망 이론－여기서 신경망의 형태는 선행 신경망이고, 시계열 예측 모형은 역전파 알고리즘이며, 학습방법은 교사학습 방법임－을 사용하여 상기 특정 시간대의 교통정보를 예측하며, i) 입력층의 유니트에 입력값을 입력하고 전방으로 진행하여 출력값을 구하는 단계; ii) 상기 출력층의 각각의 유니트에 대해 오차를 구하고, 가중치의 변화를 구하는 단계; iii) 상기 출력층 이전의 층에서 상기 입력층 이후까지의 각 은닉층의 각 유니트에 대해 오차를 구하고 델타가중치의 변화를 구하는 단계; 및 iv) 기존의 가중치에 상기 구해진 각 가중치의 변화를 더하여 모든 가중치를 갱신하는 단계를 포함한다.
또한, 상기 c) 단계는 칼만 필터링 방법을 사용하여 상기 특정 시간대의 교통정보를 예측하며, 예측 시점에서의 사전 추정치 및 오차 공분산을 입력하는 단계; 칼만 이득을 계산하는 단계; 상기 입력된 사전 추정치, 오차 공분산, 칼만 이득 및 관측치를 사용하여 사전 추정치를 갱신하는 단계; 상기 갱신된 사전 추정치에 대한 오차 공분산을 계산하는 단계; 및 상기 갱신된 사전 추정치에 전이행렬(transition matrix)을 사용하여 장래치 및 해당 오차 공분산을 계산하는 단계를 포함한다.
이하, 본 발명의 실시예에 대해 첨부된 도면을 참조하여 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 교통정보를 가공하여 제공하는 교통정보 제공장치의 동작을 개념적으로 도시한 도면이고, 도 2는 도 1의 교통정보 제공장치의 블록도이다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 교통정보를 가공하여 제공하는 교통정보 제공장치는 지점검지체계(영상검지기, 초음파검지기, 초단파검지기, CCTV 등), 구간검지체계(AVI, GPS, BEACON, DSRC 등), 통신원제보(Anecdotal Information) 등의 교통재원을 통하여 실시간 또는 일정한 시간 간격으로 검지된 교통데이터를 수집하여 데이터를 가공한 후, 일정 분량의 교통정보로 제공한다.
보다 상세하게, 교통정보 제공장치는 여러 교통재원에서 수집된 데이터를 특정 처리를 통하여 속도정보 등을 생성하고, 이렇게 생성된 속도정보 등의 데이터와 동일 시간, 동일 구간에서 수집된 타 재원의 데이터에 대해 자료 합성 처리를 수행하며, 이러한 자료 합성 처리를 통해 생성된 대표값에 대해 평활화 처리를 수행하여 최종 도로 이용자들에게 교통정보로써 실시간으로 제공한다. 또한, 교통정보 제공장치는 이와 같이 실시간으로 제공하는 데이터를 해당 구간에서 발생할 수 있는 과거 자료로 저장하여, 향후 온 라인 및 오프 라인 상에서 활용될 수 있도록 구축한다.
이러한 교통정보 제공장치의 상세한 블록은 도 2에 도시되어 있다.
도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 교통정보를 가공하여 제공하는 교통정보 제공장치는 교통 검지자료 수집부(100), 데이터 생성부(200), 데이터 합성부(300), 원시자료 저장관리부(400) 및 패턴데이터 저장관리부(500)를 포함한다.
여기서, 교통 검지자료 수집부(100)는 여러 교통재원으로부터 실시간으로 수집된 원시자료 중에 오류를 포함한 자료를 제거하는 오류 제거부(110) 및 오류 데이터를 제거하기 위해 설정되는 자료 범위의 기준을 제공하는 파라미터의 값을 갱신하는 파라미터 갱신부(120)를 포함한다.
오류 제거부(110)는 필터링 방식을 사용하여 오류 데이터를 정정하거나 제거하며, 특히 구간 거리 및 해당 구간의 통행 시간을 기준으로 하는 필터링 방식을 통하여 오류 데이터를 정정하거나 제거한다. 이러한 오류 데이터의 판단 및 제거는 정의된 오류와 기존의 통계 모듈을 활용하여 적용될 수 있으며, 이러한 통계 모듈은 패턴데이터 저장관리부(500)에 의해 제공된다.
또한, 구간 및 이 구간의 통행 시간 자료들은 지점/구간 검지기(이동식, 고정식) 자체의 결함이나 통신 상의 문제, 도로 운전자들의 비정상적인 주행 등으로 인하여 오류 데이터가 발생될 수 있는데, 이러한 오류를 포함한 데이터를 제거하기 위해서는 자료의 범위 설정이 중요하다. 이러한 자료 범위 설정이 되는 기준 파라미터는 개개 차량들의 단말기로부터 수신되는 검지자료를 기준으로 할 수 있으며, 이러한 파라미터들의 갱신은 파라미터 갱신부(120)에 의해 수행된다.
다음, 데이터 생성부(200)는 교통 검지자료 수집부(100)에서 수집되어 오류가 제거된 교통 원시자료들을 시/공간적 구분으로 그룹핑하여 해당 구간의 해당 시간을 대표할 수 있는 교통정보로 생성한다.
이러한 데이터 생성부(200)는 대표값 산출을 위해 데이터 선택부(210) 및 데이터 혼합부(220)를 포함한다.
데이터 선택부(210)는 수집된 원시자료들을 시/공간적 구분으로 그룹핑하고, 그룹핑된 데이터 중에서 차량 유형별로 교통데이터들을 선택하여 데이터 혼합부(220)로 출력한다.
여기서, 원시자료들을 시/공간적 구분으로 그룹핑하는 예로는 지역적 특성기준, 수집된 원시자료수 기준 등에 따라 그룹핑하는 것이 있다.
또한, 차량 유형별로 선택되는 교통데이터들은 주로 속도 데이터로써, 예를 들어 승용차 구간 속도, 버스 구간 속도, 택시 구간 속도, 콜택시 구간 속도, 물류 차량 구간 속도 등이다.
한편, 데이터 혼합부(220)는 데이터 선택부(210)에서 제공하는 데이터를 혼합하여 해당 구간의 해당 시간을 대표하는 대표값을 산출한다.
이러한 대표값 산출은, 예를 들어, 동일 시간대 수신된 일반차량, 업무용 차량, 기타 차량 등에서 검지된 속도 정보들 사이의 편차를 활용하여 이루어질 수 있다.
다음, 데이터 합성부(300)는 일정 구간 일정 시간대에서 다른 종류의 교통재원으로부터 검지된 여러 개의 교통데이터들을 합성하는 합성부(310), 합성부(310)에 의해 합성되어 생성되는 최종 대표값을 평활화하여 최종 교통정보를 생성하는 평활부(320) 및 특정 교통데이터 비존재시 과거 데이터를 기반으로 현재 교통정보를 예측하는 예측부(330)를 포함한다.
여기서, 합성부(310)는 데이터 생성부(200)에서 제공되는 교통데이터가 상이한 구간에 해당되는 경우에는 각각의 소통정보로 제공되지만, 동일 구간, 동일 시점에 동시에 존재할 경우에는 서로의 정보에서 단점인 부분을 보완하는 교통데이터의 합성을 통해 최종 대표값을 생성한다.
이러한 데이터들의 합성을 통해 도로 이용자들에게 제공되는 교통정보는 정시성과 정확성 등의 신뢰도면에서 종래에 비해 월등히 향상된 교통정보이다.
한편, 실시간으로 수집된 구간 검지자료가 제공 시간대에 존재하는 경우에는 평활부(320)가 동작하게 되지만, 만약 해당 시간대에 구간 검지자료가 존재하지 않는 경우에는 예측부(330)가 동작하게 된다. 상기한 동작은 구간 검지자료들의 특성상 시간에 대하여 간헐적이므로 원시자료가 5분, 10분, 15분 등의 누락이 충분히 발생될 수 있기 때문이다.
평활부(320)는 합성부(310)를 통하여 생성된 대표값인 통행 속도/시간은 시계열상 연속적인 흐름이 존재한다는 특성에 기초한 것으로, 과거와 현재 데이터의 임의 변동(Random Fluctuation) 요소를 제거하고, 데이터를 평활화하는 것이다.
한편, 예측부(330)는 링크별로 예측된 교통정보, 특히 통행 시간에 대해 평가하는 예측치 평가를 수행한다.
이러한 예측치 평가는 관측치와 예측치간의 오차를 산출하는 통계량들을 사용하여 이루어질 수 있다.
다음, 원시자료 저장관리부(400)는 여러 교통재원으로부터 수집되는 원시자료들을 받아서 저장하고 관리한다.
한편, 패턴데이터 저장관리부(500)는 데이터 합성부(300)에서 생성되는 최종 교통정보를 일정한 시간간격, 예를 들어 5분 간격으로 도로 이용자들에게 제공한 후, 해당 데이터를 특정 패턴에 따라 분류, 저장하고 관리하며, 교통 검지자료 수집부(100), 데이터 생성부(200) 및 데이터 합성부(300)에서 적용되는 모든 모델의 파라미터를 도출할 수 있는 자료를 제공한다.
패턴데이터 저장관리부(500)는 데이터 합성부(500)에서 생성되는 교통 정보를 해당 링크, 해당 요일, 해당 시간대별로 패턴을 구축하여 저장하고 관리한다. 여기서, 개개 링크마다 초기 패턴자료가 구축되면 실시간으로 수집된 교통 정보들에 대해 동일성을 검정하여 해당 자료를 업데이트한다.
이러한 패턴데이터 저장관리부(500)의 구성 방법에 따라 교통정보를 제공하는데 있어서 신속하고 정확한 실시간 통행시간 정보 제공의 향배가 달려있다.
이하, 상기한 데이터 합성부(300)에 대해 보다 상세하게 설명한다.
데이터 합성부(300)의 합성부(310)는 다른 종류의 수집재원으로부터 검지된 여러 개의 교통데이터를 합성하여 출력하는데, 예를 들어 구간/지점 검지자료가 상이한 구간에 대한 것일 경우에는 각각의 소통정보로 제공이 되지만, 동일 구간, 동일 시점에 동시에 존재할 경우에는 서로의 정보에서 단점인 부분을 보완하는 자료 합성을 통하여 최종 대표값을 생성하여 출력한다.
이와 같이 특성이 상이한 검지방식으로 수집된 두 가지의 교통데이터 합성시 현대 수학 모델인 유전자 알고리즘이나 신경망 이론, 퍼지 시스템을 적용하여 보다 신뢰성있는 소통정보를 산출하게 된다.
한편, 예측부(330)는 실시간으로 수집된 구간 검지자료가 제공 시간대에 존재하지 않는 경우에 동작하며, 이전에 존재한 데이터, 즉 패턴데이터 저장관리부(500)에 누적된 패턴데이터를 기반으로 현재의 소통정보를 예측한다.
이러한 예측부(330)에 의해 수행되는 예측 방법에는 이동평균법(Moving Average), 지수평활법(Exponential Smoothing Method), 현대수학 모델인 신경망 이론(Neural Network Theory), 칼만필터링(Kalman filtering) 등이 있다.
먼저, 이동평균법에 대해 설명한다.
이동평균은 기준 시점과 인접한 n개의 관측값의 평균을 의미하며, 이러한 이동평균을 이용하여 불규칙변동이나 계절변동을 제거함으로써 데이터 예측이 가능해진다.
이와 같이, 이동평균은 불규칙 변동이나 계절변동을 간단히 제거할 수 있는 장점이 있으나, 긴 기간의 이동평균이나 반복되는 이동평균은 많은 자료를 손실한다. 그러나 교통정보의 특성상 짧은 시간대에 변동하는 데이터에 대해 예측을 수행하므로 상기한 문제점은 크게 나타나진 않는다.
본 실시예에서는 교통 데이터 특성에 맞도록 최근 데이터에 가중치를 부여하여 예측하는 것으로, 먼저 과거 데이터를 활용하여 가중치 결정계수 를 생성한 후, 다음의 [수학식 1]에 의해 구간 통행시간의 예측값을 산출한다.
[수학식 1]
여기서, x(n-t)는 (n-t)기의 관측치이고, 는 (n-t)기의 가중치이며, =1이다.
다음, 지수평활법에 대해 설명한다.
지수평활법은 과거의 관측값으로 미래의 값을 예측할 때 최근의 자료에 더 많은 가중값을 부여하여 예측하는 방법이다. 상기한 이동평균법에서는 이동평균을 계산하기 위해 최근 특정 개수의 관측값으로만 예측을 수행하였지만 정확한 예측을 위해서는 더 많은 자료들을 사용하는 것이 일반적이므로 지수평활법이 보다 바람직한 예측 방법이라 할 수 있다.
이러한 지수평활법에서는 다음의 [수학식 2]에 의해 구간통행 시간의 예측값을 산출한다.
[수학식 2]
여기서, ST는 t시점의 예측치이고, 는 평활상수이며, Xt는 t시점의 관측치이다.
다음, 신경망 이론에 대해 설명한다.
신경망 이론은 병렬처리가 가능하고, 복잡한 추론이나 판단을 쉽고 빠르게 처리해 줄 수 있기 때문에 최근 교통분야에서도 다양하게 적용이 되고 있다.
이러한 신경망의 구조는 첨부한 도 3에 도시되어 있는 바와 같이, 입력측(Input Layer), 은닉층(Hidden Layer) 및 출력층(Output Layer)으로 구성되어 있으며, 개개층 사이의 유니트들은 서로 연결강도(Synaptic Weight)에 의해 결합되어 있다.
상기 구조의 신경망 이론에 의한 시계열 예측 모형은 신경망 이론 중에 가장 일반적인 역전파(Back Propagation) 알고리즘으로, 먼저 선정된 링크에서 수집된 검지자료를 입력으로 하여 추정된 통행시간을 구축하고, 도 3에 도시된 바와 같이 적절한 수의 유니트와 은닉층을 가진 신경망 구조를 설계한 후, 과거 시계열 입력자료와 목표자료를 입력으로 하여 에러가 최소화되도록 연결강도를 조절함으로써 각각의 유니트들을 학습(Training)시킨 후, 현재의 자료를 입력하여 구간 통행시간을 예측하도록 하는 것이다.
이러한 신경망 이론에 대한 자세한 내용은 다음과 같다.
본 발명의 실시예에서는 선행 신경망(Feed Forward Neural Network) 모형을 사용하고 학습 방법으로는 역전파에 의한 교사 학습 방법(Supervised Learning Method)을 사용한다.
먼저, 역전파 요소는 입력값을 다음의 [수학식 3]과 같이 전환시킨다.
[수학식 3]
여기서, 는 s층에서 j번째 유니트 현재의 결과 상태이고, 는 s층의 j번째 유니트와 s-1층의 i번째 유니트를 묶는 연결 가중치이며, 는 s층에 있는 j번째 유니트에 전달되는 가중치를 적용한 입력의 합계이고, f는 첨부한 도 4에 도시된 바와 같이 그 값의 범위가 0에서 1 사이인 단극성 시그모이드 함수(Sigmoid Function)이며, 다음의 [수학식 4]와 같이 정의된다.
[수학식 4]
한편, 신경망은 전체적인 오차함수 E를 가지고 있는데, 이것은 네트워크의 모든 연결 가중치의 차별화 함수이다. s층에서의 j유니트에서 각 유니트의 오차값은 다음의 [수학식 5]와 같이 정의된다.
[수학식 5]
이러한 오차는 각 층들을 통행하여 역방향으로 통과하는데, s층과 s+1층의 각 유니트의 오차의 관계는 연쇄관계를 이용해서 구해질 수 있는데, 이것을 델타학습법(Delta Learning Rule)이라하며 다음의 [수학식 6]과 같이 나타낼 수 있다.
[수학식 6]
상기 [수학식 6]은 단지 비출력층에만 사용할 수 있으므로,를 적용하면 상기 [수학식 6]은 다음의 [수학식 7]과 같이 전환될 수 있다.
[수학식 7]
한편, 역전파의 주기법은 입력층에서 은닉층을 통하여 출력층까지 전방으로 진행하여 출력층에서 오차를 결정한 후, 상기 [수학식 7]을 이용하여 출력층에서 입력층까지 역방향으로 진행된다. 현재의 가중치 가 존재할 때, 총오차는 Gradient descent rule를 적용하면 다음의 [수학식 8]과 같이 감소될 수 있다.
[수학식 8]
여기서, 는 학습율을 의미하고, 연쇄법칙에 의해 다음의 [수학식 9]를 도출할 수 있다.
[수학식 9]
상기 [수학식 9]는 다음의 [수학식 10]과 같이 전환된다.
[수학식 10]
또한, 목적값(Desired Data)과 출력값으로 총 오차는 다음의 [수학식 11]과 같이 구해질 수 있다.
[수학식 11]
여기서 Dk는 목표값이고, Ok는 출력값을 의미한다.
출력층의 각 유니트에서의 지역오차는 다음의 [수학식 12]와 같이 구해질 수 있다.
[수학식 12]
상기 [수학식 11]에서 정의한 총 오차(E)는 신경망에서 (I, D)에 해당하는 총 오차이며, 역전파 알고리즘은 상기한 총 오차를 감소시키기 위해 각층의 각 유니트의 가중치를 조절한다.
첨부한 도 5에는 상기한 신경망 이론을 적용하여 삼성동에서 선릉역 구간의 통행시간을 예측한 결과가 도시되어 있다.
다음, 칼만필터링 모형에 대해 설명한다.
칼만필터링 알고리즘은 실시간으로 얻을 수 있는 각 관측치를 이용하여 필터의 이전 추정치를 새로운 추정치로 갱신하고, 다음 시점의 상태값을 예측하며, 상태평균과 오차 공분산을 계산하기 위한 알고리즘으로, 모형식은 다음의 [수학식 13], [수학식 14]로 구성된다.
[수학식 13]
[수학식 14]
여기서, 는 tk시점에서의 (n*1) 상태벡터이고, 는 tk시점에서 k+1 시점으로의 (n*n) 전이행렬이며, zk는 tk 시점의 (m*1) 관측벡터이고, Hk는 관측벡터와 상태벡터를 연결하는 (m*n) 벡터이며, vk는 알려진 공분산을 가지며 구성인자의 평균이 0이고 다른 변수와의 상관관계가 없는 관측오차로 (m*1) 벡터이며, wk는 알려진 공분산과 백색잡음(white noise)을 가지는 상관관계가 없는 (n*1) 벡터이다.
여기서 vk, wk의 공분산은 다음의 [수학식 15]와 같다.
[수학식 15]
통행시간은 랜덤 프로세스(random process)로 가정되며, [수학식 13]과 같이 모형화된다. 관측치는 이산적으로 발생하는 상태 추정치와 선형관계를 가지는 [수학식 14]의 프로세스로 가정된다.
상기 [수학식 13], [수학식 14]는 도로 구간에서 차량의 흐름에 따라 변화하는 이산적인 동적 시스템(dynamic system)을 구성하게 된다.
상기한 상태방정식과 관측방정식을 기반으로 하여 진행되는 칼만 필터 알고리즘의 각 단계별 절차는 다음과 같이 전개된다.
먼저, 사전(prior) 예측 모형식에 관한 것으로, 각 시점마다 사전 예측추정치 를 기초로 현재 값을 추정하게 되는데, 여기서 위첨자 'hat'는 예측추정치를 의미하며, '-'는 사전추정치를 나타낸다.
따라서 사전 예측추정치의 예측추정 오차는 다음의 [수학식 16]과 같이 나타낼 수 있으며, 오차의 공분산 행렬식(Pk(-))은 다음의 [수학식 17]과 같다.
[수학식 16]
[수학식 17]
다음은, 관측치에 의한 현 상태 모형의 갱신에 관한 것으로, 상기 구해진 사전 예측추정치 와 현 상태벡터의 예측치 를 관측벡터 zk를 사용하여 선형방정식으로 표현하면 다음의 [수학식 18]과 같다.
[수학식 18]
여기서, 는 갱신된 예측추정치이고, 는 모형내에서 구축해야할 계수이다.
따라서 갱신된(updated) 또는 사후(posterioir) 예측치에 대한 오차공분산 행렬은 다음의 [수학식 19]와 같다.
[수학식 19]
상기 [수학식 19]에 이전의 식들을 대입하여 정리하면 다음의 [수학식 20]이 된다.
[수학식 20]
이때의 가중치를 칼만 이득(Kalman Gain) 라 하며, 이것은 단순히 가중인자(weighting factor)로 간주할 수 있다. 을 구하기 위하여 공분산 행렬식 Pk(+)를 대표하는 주대각항을 최소화시킨다. 이러한 문제를 최적화하면 다음의 [수학식 21]과 같다.
[수학식 21]
상기 [수학식 21]을 [수학식 20]에 대입하여 정리하면 최적예측치를 생성하는 공분산행렬이 다음의 [수학식 22]와 같이 계산된다.
[수학식 22]
다음은, (k+1)시점에서의 사전예측 모형식에 관한 것으로, 갱신된 추정치 는 전이행렬(transition matrix)을 이용하여 (k+1)시점의 사전예측치로 추정하게 되는데, wk가 평균이 0이고 이전의 다른 w과의 상관관계가 없는 것으로 가정했기 때문에 제외되어 다음의 [수학식 23]과 같이 (k+1)시점의 사전예측 모형이 구축된다.
[수학식 23]
이때 의 공분산 오차행렬식은 다음의 [수학식 24]와 같다.
[수학식 24]
따라서, (k+1)시점의 사전 공분산행렬은 다음의 [수학식 25]와 같다.
[수학식 25]
다음은, 상기한 바와 같은 칼만 필터에 의한 단기 구간 통행시간 예측 모형의 구축에 대해 설명한다.
시점 k의 관측치 z0, z1, …, zk의 최적추정량 가 시점 (k-1)의 관측치 z0, z1, …, zk-1의 최적추정량 과 새로이 얻어진 관측치 zk만의 선형 연산식으로 기술될 수 있다면 과거의 관측치를 전부 기억할 필요가 없게 된다. 즉 시점 (k-1) 이전의 관측치는 이 모두 반영하고 있는 것이다.
비록, 본 발명이 가장 실제적이며 바람직한 실시예를 참조하여 설명되었지만, 본 발명은 상기 개시된 실시예에 한정되지 않으며, 후술되는 특허청구범위 내에 속하는 다양한 변형 및 등가물들도 포함한다.
본 발명에 따르면, 다양한 교통재원으로부터 수집되는 원시자료의 오류를 정확하게 제거할 수 있고, 또한 대용량 원시자료를 신속하고 정확하게 수집하여 제공할 수 있다.
따라서, 신뢰성있는 실시간 교통 정보를 제공하여 도로 이용자들에게 최적의 주행 경로를 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 교통정보를 가공하여 제공하는 교통정보 제공장치의 동작을 개념적으로 도시한 도면이고, 도 2는 도 1의 교통정보 제공장치의 블록도이다.
도 2는 본 발명의 실시예에 따른 교통정보를 가공하여 제공하는 교통정보 제공장치의 블록도이다.
도 3은 도 2에 도시된 예측부에 의해 수행되는 신경망 알고리즘에서의 신경망의 구조도이다.
도 4는 도 3에 도시된 신경망 알고리즘에서 사용되는 시그모이드 함수를 도시한 도면이다.
도 5는 도 3에 도시된 신경망 알고리즘을 적용한 일예를 도시한 도면이다.
도 6은 도 2에 도시된 합성부에 의해 수행되는 칼만 필터링에서 측정 모델의 흐름을 개략적으로 도시한 도면이다.

Claims (18)

  1. 여러 교통재원으로부터 수집되는 원시자료에 기초하여 교통정보를 제공하는 교통정보 제공장치에서 상기 원시자료를 가공하는 장치에 있어서,
    일정 구간 일정 시간대에 다른 종류의 교통재원으로부터 수집되는 원시자료가 다수일 경우 서로의 원시자료에서 단점인 부분을 보완하는 자료 합성을 통하여 최종 대표값을 생성하는 합성부;
    상기 합성부에 의해 생성된 최종 대표값을 평활화하여 최종 교통정보를 생성하여 이용자들에게 제공하는 평활부; 및
    상기 합성부에 의해 생성된 최종 대표값에서 특정 시간대에 해당되는 대표값이 존재하지 않는 경우, 상기 제공된 교통정보에 의해 누적된 패턴데이터를 기반으로 현재의 교통정보를 예측하여 이용자들에게 제공하는 예측부
    를 포함하는 교통정보 제공장치에서의 교통정보 가공 장치.
  2. 제1항에 있어서,
    상기 합성부는 상기 원시자료 합성시 유전자 알고리즘, 신경망 이론 및 퍼지 시스템을 포함하는 현대 수학 모델과 이종 데이터간의 합성 규칙을 적용하여 최종대표값을 산출하는 것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 장치.
  3. 제1항에 있어서,
    상기 예측부는 이동평균법, 지수평활법, 신경망 이론 및 칼만 필터링 방법 중 하나를 사용하여 상기 특정 시간대의 교통정보를 예측하는 것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 장치.
  4. 여러 교통재원으로부터 수집되는 원시자료에 기초하여 교통정보를 제공하는 교통정보 제공장치에서 상기 원시자료를 가공하는 방법에 있어서,
    a) 일정 구간 일정 시간대에 다른 종류의 교통재원으로부터 수집되는 원시자료가 다수일 경우 서로의 원시자료에서 단점인 부분을 보완하는 자료 합성을 통하여 최종 대표값을 생성하는 단계;
    b) 상기 a) 단계에서 생성된 최종 대표값을 평활화하여 최종 교통정보를 생성하여 이용자들에게 제공하는 단계; 및
    c) 상기 a) 단계에서 생성된 최종 대표값에서 특정 시간대에 해당되는 대표값이 존재하지 않는 경우, 상기 제공된 교통정보에 의해 누적된 패턴데이터를 기반으로 현재의 교통정보를 예측하여 이용자들에게 제공하는 단계
    를 포함하는 교통정보 제공장치에서의 교통정보 가공 방법.
  5. 제4항에 있어서,
    상기 a) 단계에서 상기 원시자료 합성시 유전자 알고리즘, 신경망 이론 및 퍼지 시스템을 포함하는 현대 수학 모델과 이종 데이터간의 합성 규칙을 적용하여 최종대표값을 산출하는 것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  6. 제4항에 있어서,
    상기 c) 단계는 이동평균법, 지수평활법, 신경망 이론 및 칼만 필터링 방법 중 하나를 사용하여 상기 특정 시간대의 교통정보를 예측하는 것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  7. 제6항에 있어서,
    상기 c) 단계는 이동평균법을 사용하여 상기 특정 시간대의 교통정보를 예측하며,
    관측된 시계열을 정리하는 단계;
    이동평균 기간을 결정하는 단계;
    상기 제공된 교통정보를 이용하여 가중치 결정 계수를 생성하는 단계; 및
    상기 정리된 시계열 및 상기 가중치 결정 계수를 사용하여 예측값을 산출하는 단계
    를 포함하는 교통정보 제공장치에서의 교통정보 가공 방법.
  8. 제7항에 있어서,
    상기 예측값(TravelTime(n))은 다음의 관계식
    여기서, x(n-t)는 (n-t)기의 관측치이고,
    는 (n-t)기의 가중치이며,
    = 1임.
    에 의해 산출되는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  9. 제6항에 있어서,
    상기 c) 단계는 지수평활법을 사용하여 상기 특정 시간대의 교통정보를 예측하며,
    관측된 시계열을 정리하는 단계;
    평활상수를 결정하는 단계; 및
    상기 정리된 시계열 및 평활상수를 사용하여 예측값을 산출하는 단계
    를 포함하는 교통정보 제공장치에서의 교통정보 가공 방법.
  10. 제9항에 있어서,
    상기 예측값은 다음의 관계식
    여기서, ST는 t시점의 예측치이고,
    Xt는 t시점의 관측치이며,
    는 평활상수임.
    에 의해 산출되는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  11. 제6항에 있어서,
    상기 c) 단계는 신경망 이론－여기서 신경망의 형태는 선행 신경망이고, 시계열 예측 모형은 역전파 알고리즘이며, 학습방법은 교사학습 방법임－을 사용하여 상기 특정 시간대의 교통정보를 예측하며,
    i) 입력층의 유니트에 입력값을 입력하고 전방으로 진행하여 출력값을 구하는 단계;
    ii) 상기 출력층의 각각의 유니트에 대해 오차를 구하고, 가중치의 변화를 구하는 단계;
    iii) 상기 출력층 이전의 층에서 상기 입력층 이후까지의 각 은닉층의 각 유니트에 대해 오차를 구하고 델타가중치의 변화를 구하는 단계; 및
    iv) 기존의 가중치에 상기 구해진 각 가중치의 변화를 더하여 모든 가중치를 갱신하는 단계
    를 포함하는 교통정보 제공장치에서의 교통정보 가공 방법.
  12. 제11항에 있어서,
    상기 i) 단계에서의 출력값은 다음의 관계식
    여기서, 는 s층에서 j번째 유니트 현재의 결과 상태이고,
    는 s층의 j번째 유니트와 s-1층의 i번째 유니트를 묶는 연결 가중치이며,
    는 s층에 있는 j번째 유니트에 전달되는 가중치를 적용한 입력의 합계이고,
    f는 값의 범위가 0에서 1 사이인 단극성 시그모이드 함수(Sigmoid Function)임.
    에 의해 구해지는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  13. 제11항에 있어서,
    상기 ii) 단계 및 iii) 단계에서의 가중치의 변화()는 다음의 관계식
    여기서, 는 학습율이고,
    E는 신경망 전체 오차임.
    에 의해 구해지는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  14. 제6항에 있어서,
    상기 c) 단계는 칼만 필터링 방법을 사용하여 상기 특정 시간대의 교통정보를 예측하며,
    예측 시점에서의 사전 추정치 및 오차 공분산을 입력하는 단계;
    칼만 이득을 계산하는 단계;
    상기 입력된 사전 추정치, 오차 공분산, 칼만 이득 및 관측치를 사용하여 사전 추정치를 갱신하는 단계;
    상기 갱신된 사전 추정치에 대한 오차 공분산을 계산하는 단계; 및
    상기 갱신된 사전 추정치에 전이행렬(transition matrix)을 사용하여 장래치 및 해당 오차 공분산을 계산하는 단계
    를 포함하는 교통정보 제공장치에서의 교통정보 가공 방법.
  15. 제14항에 있어서,
    상기 칼만 이득()은 다음의 관계식
    여기서, 는 사전 추정치이고,
    Pk(-)는 사전 추정치의 오차 공분산이며,
    Hk는 관측벡터와 상태벡터를 연결하는 (m*n) 벡터임.
    에 의해 계산되는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  16. 제14항에 있어서,
    상기 사전 추정치의 갱신은 다음의 관계식
    여기서, 는 갱신된 사전 추정치임.
    에 의해 계산되는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  17. 제14항에 있어서,
    상기 갱신된 사전 추정치에 대한 오차 공분산(Pk(+))은 다음의 관계식
    에 의해 계산되는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
  18. 제14항에 있어서,
    상기 장래치()는 다음의 관계식
    여기서, 는 tk시점에서 k+1 시점으로의 (n*n) 전이행렬임.
    에 의해 계산되고,
    장래치에 대한 오차 공분산(Pk+1(-))은 다음의 관계식
    에 의해 계산되는
    것을 특징으로 하는 교통정보 제공장치에서의 교통정보 가공 방법.
KR10-2002-0087442A 2002-12-30 2002-12-30 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법 KR100510237B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR10-2002-0087442A KR100510237B1 (ko) 2002-12-30 2002-12-30 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR10-2002-0087442A KR100510237B1 (ko) 2002-12-30 2002-12-30 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20040060625A KR20040060625A (ko) 2004-07-06
KR100510237B1 true KR100510237B1 (ko) 2005-08-25

Family

ID=37352494

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-2002-0087442A KR100510237B1 (ko) 2002-12-30 2002-12-30 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR100510237B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100804800B1 (ko) * 2006-11-03 2008-02-20 에스케이에너지 주식회사 교통 정보 생성 시스템 및 교통 정보 생성 방법
KR100910344B1 (ko) * 2007-11-01 2009-08-04 에스케이마케팅앤컴퍼니 주식회사 교통정보 제공 방법
KR101460327B1 (ko) * 2008-06-25 2014-11-10 주식회사 케이티 비정상 트래픽 검출 장치 및 그 방법
KR101572582B1 (ko) * 2010-07-02 2015-12-01 현대엠엔소프트 주식회사 네비게이션 장치, 교통 예측 서비스 장치, 교통 예측 서비스 시스템 및 그 방법
CN108922183A (zh) * 2018-07-17 2018-11-30 重庆大学 一种时空关联度与svr结合的高速公路短时流量预测方法
KR102059902B1 (ko) * 2019-06-17 2020-02-20 서울대학교산학협력단 교통 속도 추정 방법 및 시스템

Also Published As

Publication number Publication date
KR20040060625A (ko) 2004-07-06

Similar Documents

Publication Publication Date Title
Khosravi et al. Prediction intervals to account for uncertainties in travel time prediction
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
Sáez et al. Hybrid adaptive predictive control for the multi-vehicle dynamic pick-up and delivery problem based on genetic algorithms and fuzzy clustering
Ashqar et al. Modeling bike availability in a bike-sharing system using machine learning
Boussabaine The use of artificial neural networks in construction management: a review
CN106022541B (zh) 一种到站时间预测方法
CN107346460B (zh) 基于智能网联系统下前车运行信息的未来工况预测方法
CN108492555A (zh) 一种城市路网交通状态评价方法及装置
CN107194491A (zh) 一种基于公交客流和站间行程时间预测的动态调度方法
WO2021058099A1 (en) Multi-step traffic prediction
CN114495507B (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
Gkiotsalitis et al. Exact optimization of bus frequency settings considering demand and trip time variations
KR100510237B1 (ko) 교통정보 제공장치에서의 교통정보 가공 장치 및 그 방법
CN113674524A (zh) 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统
CN109993341A (zh) 一种基于径向基函数神经网络的客流量预测方法
CN113052206B (zh) 一种基于浮动车数据的路段旅行时间预测方法及装置
CN117094534B (zh) 一种物联智控方法及系统
Yang et al. Dynamic Origin‐Destination Matrix Estimation Based on Urban Rail Transit AFC Data: Deep Optimization Framework with Forward Passing and Backpropagation Techniques
CN110459050A (zh) 一种基于混合决策树的短期公交客流预测方法
CN116592903B (zh) 车路协同环境下群体偏好的生态驾驶路径实时规划方法
Sidi et al. Urban transport network regulation and evaluation: A fuzzy evolutionary approach
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
Osman et al. Application of long short term memory networks for long-and short-term bus travel time prediction
Bae Dynamic estimation of travel time on arterial roads by using automatic vehicle location (AVL) bus as a vehicle probe
KR100532140B1 (ko) 교통정보를 가공하여 제공하는 교통정보 제공장치

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: 20120820

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20130819

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20140819

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20150810

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20160801

Year of fee payment: 12

FPAY Annual fee payment

Payment date: 20170731

Year of fee payment: 13

FPAY Annual fee payment

Payment date: 20180731

Year of fee payment: 14

FPAY Annual fee payment

Payment date: 20190626

Year of fee payment: 15