KR100859566B1 - 도로 네트워크에서 이동객체의 미래 경로 예측 방법 - Google Patents

도로 네트워크에서 이동객체의 미래 경로 예측 방법 Download PDF

Info

Publication number
KR100859566B1
KR100859566B1 KR1020070021196A KR20070021196A KR100859566B1 KR 100859566 B1 KR100859566 B1 KR 100859566B1 KR 1020070021196 A KR1020070021196 A KR 1020070021196A KR 20070021196 A KR20070021196 A KR 20070021196A KR 100859566 B1 KR100859566 B1 KR 100859566B1
Authority
KR
South Korea
Prior art keywords
trajectory
destination
future
moving object
trajectories
Prior art date
Application number
KR1020070021196A
Other languages
English (en)
Other versions
KR20080081216A (ko
Inventor
김상욱
김종대
원정임
이정훈
Original Assignee
제주대학교 산학협력단
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 제주대학교 산학협력단 filed Critical 제주대학교 산학협력단
Priority to KR1020070021196A priority Critical patent/KR100859566B1/ko
Publication of KR20080081216A publication Critical patent/KR20080081216A/ko
Application granted granted Critical
Publication of KR100859566B1 publication Critical patent/KR100859566B1/ko

Links

Images

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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 대한 것으로서, (a) 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달되는 단계, (b) 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거쳐서 목적지까지 사용자 ID의 과거 궤적을 검색하는 단계, (c) 상기 검색된 사용자 ID의 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계, 및 (d) 상기 (c) 단계의 판단결과 유사한 후보 궤적으로부터 현재 위치로부터 목적지까지의 예측 이동 경로들에 대하여 이용 빈도를 기반으로 확률을 부여하는 단계를 포함하는 미래 경로를 예측하는 단계를 포함하며, 과거 경로 선택 패턴을 분석하여 미래 경로 예측 방법을 제안함으로서 도로 네트워크에서 이동 객체의 미래 경로 예측을 효과적으로 처리한다.
미래 경로, 도로 네트워크, 이동객체, DSN함수, DSL함수, 그룹핑

Description

도로 네트워크에서 이동객체의 미래 경로 예측 방법{Method for predicting future path of moving objects in road network}
도1은 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측도이다.
도2는 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 순서도이다.
도3은 본 발명의 일 실시예에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 순서도이다.
도4a, 도4b는 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측을 위한 유사 함수를 활용하는 순서도이다.
도5는 본 발명의 일 실시예에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 따라 유사 궤적 검색예이다.
본 발명은 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 대한 것으로서, 더욱 상세하게는 이동 객체 데이터베이스에 접근하는 사용자의 과거 궤적 을 분석하여 질의가 주어진 현재 위치 이후의 경로를 예측하는 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 대한 것이다.
최근 들어, 이동 통신, 텔레메틱스, GPS 등의 기술발달로 인해 이동 객체의 위치 정보를 효과적으로 활용하기 위한 방안에 대한 관심이 증대되고 있다.
이동 객체는 주기적으로 자신의 위치를 서버로 전송하는데, 이 데이터들은 시간의 흐름에 따라 공간적인 위치 정보가 변화하는 시공간 데이터(spatio-temporal data)의 특성을 갖는다.
이동 객체 데이터베이스에 대한 사용자의 질의는 이동 객체의 과거 이동 경로 이력을 검색하는 과거 시간 질의와 이동 객체의 미래의 움직임을 예측하여 검색하는 미래 시간 질의의 두 가지 질의 형태로 크게 분류할 수 있고, 이중에서 미래 시간 질의는 위치기반 서비스, 교통 정보 시스템, 항공기 통제 시스템 등 미래 상황 예측에 기반한 다양한 서비스에 활용이 가능하다.
기존의 미래 예측 질의를 위한 기존의 기술로는 VCI-트리, TPR-트리, TPR*-트리 등이 있다.
이들 기술은 이동 객체의 움직임을 유클리디안(Euclidean) 공간 상에서 이동 가능한 모든 2차원의 공간을 대상으로 하며, 이동 객체의 이동 방향과 속도가 일정 시간 내에는 유지된다는 가정 하에 이동 객체의 미래 위치를 예측한다.
이중 가장 널리 이용되고 있는 TPR*-트리는 이동 객체들의 현재 위치들에 대한 MBR(minimum bound rectangle)과 이동 방향 및 속도를 모두 포함하는 CBR(conservative bounding rectangle)을 R*-트리 내에 저장함으로써 이동 객체의 미래 위치를 빠르게 검색할 수 있도록 한다.
그러나, 실제 응용에서 대부분의 이동 객체들은 도로 네트워크(road network) 공간 상에 존재하며, 이동 객체의 공간 정보를 파악하기 위해서는 이동 객체가 속해있는 도로 정보가 사용자에게 보다 직관적이고, 유용한 정보를 제시할 수 있다.
또한, 도로 네트워크 상에서 이동 객체의 이동 방향과 속도는 도로 네트워크의 사정에 의하여 빈번하게 달라질 수 있다.
따라서, 이동 객체의 현재 위치, 이동 방향, 속도를 이용하여 시간에 대하여 선형적으로 변화한다는 가정 하에 이동 객체의 위치를 예측하는 기존의 방법을 도로 네트워크 공간 상에 그대로 적용할 수 없다.
이러한 특성으로 인하여 도로 네트워크 공간상에서 이동 객체의 미래 경로 예측을 위한 기술은 아직 공개된 바가 없었다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 제안된 것으로, 기존의 유클리디언 공간에서의 이동 객체 위치 예측 방법이 아닌, 도로 네트워크에서 이동 객체의 미래 경로 예측 방법을 제공하기 위한 것이다.
또한, 도로 네트워크에서 이동 객체 미래 경로 예측을 위해서 이동 데이터베이스 내의 과거 궤적들을 대상으로 주어진 질의 궤적과 유사한 부분 궤적을 갖는 후보 궤적들을 검색하는 방법을 제공하기 위한 것이다.
본 발명의 또 다른 목적으로는, 경로 예측의 정확성을 높이기 위하여 작은 차이를 갖는 이동 경로들을 그룹핑하여 유사 경로로 간주함으로써 이를 예측 과정에 활용하는 방법을 제공하기 위한 것이다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법은, (a) 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달되는 단계, (b) 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거쳐서 목적지까지 사용자 ID의 과거 궤적을 검색하는 단계, (c) 상기 검색된 사용자 ID의 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계, 및 (d) 상기 (c) 단계의 판단결과 유사한 후보 궤적으로부터 현재 위치로부터 목적지까지의 예측 이동 경로들에 대하여 이용 빈도를 기반으로 확률을 부여하는 단계를 포함하는 미래 경로를 예측하는 단계를 포함한다.
한편, 본 발명에 따른 또 다른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법은, (a) 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달되는 단계, (b) 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거쳐서 목적지까지 사용자 ID의 과거 궤적을 검색하는 단계, (c) 상기 검색된 사용자 ID의 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계, (d) 상기 (c) 단계의 판단결과 유사로 판단된 궤적을 통해서 질의된 현재 지점으로부터 목적지까지의 부분 궤적을 그룹핑하는 단계, 및 (e) 상기 그룹핑된 그룹 내에 속한 이동 경로들에 대한 빈도를 계산하여 미래 경로를 예측하는 단계를 포함한다.
또한, 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 있어서, 상기 (c) 단계에서 상기 검색된 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계는, 검색된 과거 궤적과 Q의 궤적이 DSN 함수 임계값 안에 있는 지를 판단하는 단계를 포함하고, 여기서 상기 DSN 함수는, 과거 궤적 T와 질의 궤적Q 간의 유사도 측정함수로서 다음식
DSN(Q, T)=
Figure 112007017919761-pat00001
으로 주어지는 것을 특징으로 하는 것이다.
또한, 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 있어서, 상기 (c) 단계에서 상기 검색된 과거 궤적과 질의 정보 Qp의 궤적의 유사를 판단하는 단계는,
검색된 과거 궤적과 Q의 궤적이 DSL 함수 임계값 안에 있는 지를 판단하는 단계를 포함하고, 여기서 상기 DSL 함수는, 과거 궤적 T와 질의 궤적Q 간의 유사도 측정함수로서 다음식
DSL(Q, T)=
Figure 112007017919761-pat00002
으로 주어지는 것을 특징으로 하는 것이다.
또한, 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 있어서, 상기 (d) 단계에, 질의된 현재 지점으로부터 목적지까지의 부분 궤적 을 그룹핑하는 단계는, DSN 함수 임계값과 DSL 함수 임계값 안에 있는 검색된 유사궤적을 통해서 질의된 현재위치로부터 목적지까지의 부분궤적을 저장하는 단계, 현재 위치로부터 목적지까지의 상기 부분 궤적들 사이에서 임의의 두 부분 궤적이 서로 DSN 함수 임계값 안에 있는 지를 판단하는 단계, 현재 위치로부터 목적지까지의 상기 부분 궤적들 사이에서 임의의 두 부분 궤적이 서로 DSL 함수 임계값 안에 있는 지를 판단하는 단계, 및 상기 DSN 함수 임계값과 상기 DSL 함수 임계값 안에 있는 유사한 부분 궤적에 대한 궤적 그룹이 존재하는지 판단하는 단계, 상기 궤적 그룹을 생성하고 생성된 궤적 그룹의 이동 빈도를 이용하여 미래 경로를 예측하는 단계를 포함하는 것을 특징으로 하는 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
도1은 본 발명에 따라 도로 네트워크에서 이동 객체의 미래 경로 예측의 일실시예를 보여준다.
도2는 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 순서도이다.
본 발명에서는 도로 네트워크에서 이동 객체의 궤적 Ti를 (userId, moId, tId, <rseg1, rseg2, ..., rsegk>)로 구성한다. 여기서, userId는 사용자의 식별자이다.
동일 목적지로 움직이는 이동 객체라도 사용자의 운전 성향에 따라 경로 선택이 달라질 수 있으므로, 본 발명에서는 사용자별로 궤적을 분리하여 관리한다.
상기 moId는 이동 객체의 식별자이며, 상기 tId는 궤적 식별자이다.
또한, rsegj(1 ≤ j ≤ k)는 궤적 Ti을 구성하는 도로 세그먼트이며, (rsIdj, rsLenj)로 구성된다. rsIdj는 도로 세그먼트의 식별자이며, rsLenj은 도로 세그먼트의 길이이다.
본 발명에서는 교차로 지점까지의 도로들의 시퀀스를 하나의 도로 세그먼트로 간주한다. 이는 사용자의 경로 선택이 교차로 지점에서만 발생하기 때문이다.
도로 네트워크 상에서 시간 흐름에 따라 이동 객체가 지나간 도로 세그먼트들은 이동 객체 데이터베이스에 궤적의 형태로 축적되며, 임의의 출발지에서 목적지까지 움직인 이동 경로들은 대부분 사용자의 운전 성향을 반영하여 반복적인 패턴이나 유사 패턴을 갖는 경향이 있다.
본 발명에서의 미래 경로 예측 과정은 유사 궤적 검색과 미래 경로 예측의 두 단계로 이루어진다.
도로 네트워크 상에서 시간 흐름에 따라 움직인 이동 객체의 출발지부터 현재 위치까지의 이동 경로가 질의 궤적으로 서버에 전달되면, 우선 서버에서는 질의 궤적과 이동 패턴이 유사한 후보 궤적을 데이터베이스 내에 저장된 해당 이동 객체의 과거 궤적들로부터 검색한다.
그 다음, 이동 객체의 현재 위치 이후의 이동 경로를 예측하기 위하여 검색된 후보 궤적으로부터 목적지까지의 예측 이동 경로들에 대하여 이용 빈도를 기반으로 확률을 부여하여 사용자에게 전달한다.
도2를 참조하여 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법을 설명하면 다음과 같다.
먼저, 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달된다(S21).
다음, 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거쳐서 목적지까지 상기 질의 정보 Q의 경로 예측에 필요한 사용자 ID의 과거 궤적을 검색한다(S22).
상기 검색된 사용자 ID의 과거 궤적과 질의 정보 Q로부터 궤적의 유사여부를 판단하여 상기 판단결과 유사한 후보 궤적으로부터 Q의 질의 지점(현재 위치)으로부터 목적지까지의 예측 이동 경로들에 대하여 이용 빈도를 기반으로 확률을 부여하게 된다(S23, S24).
도3은 본 발명의 일 실시예에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 순서도이다.
상기 도2의 과정에서, 작은 경로 차이를 가지는 궤적들을 유사 궤적으로 그룹핑하여 각 이동 경로들에 대한 개별적인 이용 빈도를 계산하는 대신에 구성된 그룹내에 속한 이동 경로들에 대한 총괄적인 이용 빈도를 계산함으로써 경로 예측에 대한 정확성을 높일 수 있다.
상기 그룹핑에 의한 미래 경로 예측 과정의 순서는 도3을 참고하여 설명된다.
도3을 참고하면, 먼저 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용 자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달된다(S31).
다음, 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거쳐서 목적지까지 상기 질의 정보 Q의 경로 예측에 필요한 사용자 ID의 과거 궤적을 검색한다(S32).
상기 검색된 사용자 ID의 과거 궤적과 질의 정보 Q로부터 궤적의 유사여부를 판단한다(S33).
상기 판단결과 유사로 판단된 궤적을 통해서 질의된 현재 지점으로부터 목적지까지의 부분 궤적을 그룹핑한다(S34).
상기 그룹핑된 그룹 내에 속한 이동 경로들에 대한 빈도를 계산하여 미래 경로를 예측하게 된다(S35).
상기 도3에서 설명된 부분 궤적의 그룹핑 단계를 포함한 이동 궤적의 미래 경로 예측의 일 예를 도1의 도로 네트워크를 참조로 하여 설명한다.
도 1에서 이동 객체가 ⓢ 위치에서 출발하여 P1, P3를 경유하여 현재 ⓒ 위치에 도착하였고, 최종 목적지는 ⓓ 위치라고 가정한다.
상기 이동 객체가 ⓒ 위치 이후에 목적지 ⓓ로 어떤 경로를 선택하여 이동하게 될 지를 이동 객체가 움직인 과거 궤적을 이용하여 예측한다.
먼저 이동 객체 데이터베이스 내의 과거 궤적들을 대상으로 ⓢ 위치에서 ⓒ 위치까지의 궤적과 유사한 궤적을 검색한다.
그 결과로 도1과 같이, ⓢ에서 출발하여 P1, P3를 경유하여 ⓒ 위치까지 완전히 일치하는 60개의 과거 궤적 Tp1과 P1과 P2를 경유하는 유사한 40개의 과거 궤적 Tp2가 검색되었음을 알 수 있다.
이후 ⓒ 위치부터 ⓓ 까지의 경로 예측은, 검색된 Tp1, Tp2의 궤적에 대하여 ⓒ 이후의 경로를 살펴보면 P4, P6를 경유하는 Tf1 궤적으로는 68번, P4, P5를 경유하는 Tf2 궤적으로는 2번, P7, P9를 경유하는 Tf3 궤적으로는 26번, P7, P9를 경유하는 Tf4 궤적으로 4번의 이동 빈도로 목적지 ⓓ 로 이동하였음 알 수 있다.
따라서, 이동 객체의 현재 위치 ⓒ 이후의 목적지 ⓓ로 미래 이동 경로는 이들 궤적 중 이동 빈도가 가장 높은 Tf1 궤적의 이동 경로를 따라 P4와 P6 지점을 경유하여 목적지 ⓓ로 이동할 것이라고 예측할 수 있다.
그러나, 도1에서 Tf1과 Tf2의 궤적, 그리고 Tf3와 Tf4의 궤적은 서로 작은 경로 차이만을 갖는 유사 궤적임을 알 수 있다.
따라서, 궤적 Tf1, Tf2, Tf3, Tf4 각각에 대하여 이동 빈도를 계산한 미래 경로 예측 방법 대신에 본 발명에서는 이들 궤적을 유사 궤적으로 묶어 두 개의 그룹 G1={Tf1, Tf2}과 G2={Tf3, Tf4}를 구성하고, G1의 이동 빈도(Tf1 + Tf2 = 70)와 G2의 이동 빈도(Tf3 + Tf4 = 30)를 합하여 그룹별로 예측 경로 확률을 제시한다.
본 발명에서는 이동 객체 데이터베이스를 대상으로 유사 궤적 검색을 수행하기 위하여 먼저 이동 객체의 출발지와 목적지를 이용하여 이와 일치하는 궤적만을 검색 대상에 포함시킨다. 그 다음, 이들 궤적을 대상으로 질의 궤적과 이동 패턴이 유사한 부분 궤적을 갖는 과거 궤적을 검색한다.
이를 위하여 주어진 질의 궤적 Q와 과거 궤적 T간의 유사 정도를 측정하기 위해서 다음과 같은 도로 네트워크에서의 유사 궤적 판단 방법을 제안한다.
앞에서 정의된 궤적 T를 구성하는 도로 세그먼트의 개수와 도로 세그먼트의 길이의 합을 이용한 식(1) DSN(Dissimilarity based on Segment Number)과 식(2) DSL(Dissimilarity based on Segment Length)를 유사도 측정 함수로 사용한다.
이 방식은 두 궤적 간에 일치하는 도로 세그먼트의 개수가 많을수록, 도로 세그먼트의 길이의 차가 작을수록 두 궤적이 유사하다고 판별한다.
DSN(Q, T)=
Figure 112007017919761-pat00003
(1)
DSL(Q, T)=
Figure 112007017919761-pat00004
(2)
본 발명에서 위와 같은 유사도 측정 함수를 이용한 이동 객체의 유사 궤적 검색 방법은 다음과 같다.
질의 궤적 Q와 유사 허용치 ε1와 ε2가 주어지면 먼저 Q의 출발지와 목적지 를 이용하여 검색 대상이 되는 궤적만을 이동 객체 데이터베이스에서 여과하고, 여과된 궤적을 대상으로 DSN(Q, X)의 값이 ε1 이하이고, DSL(Q, X)의 값이 ε2 이하인 모든 부분 궤적 X를 찾고, X를 포함하는 궤적 T를 반환하는 것이다.
이를 위한 사용자 질의 궤적은 Q=(userId, moId, start, dest, <qrseg1, qrseg2, ..., qrsegk>, ε1, ε2)의 형태로 표현된다.
여기서, userId는 사용자의 식별자, moId는 이동 객체의 식별자, start는 이동 객체의 출발지, dest는 이동 객체의 목적지, qrsegi(1
Figure 112007017919761-pat00005
i
Figure 112007017919761-pat00006
k)는 출발지에서 현재 위치까지 움직인 이동 객체의 이동 경로로 (rsIdi, rsLeni)으로 구성된다.
ε1와 ε2는 유사 궤적 검색과 그룹핑을 위한 유사 허용치로, ε1은 도로 세그먼트의 개수 차이에 대한 비율이며, ε2는 도로 세그먼트의 길이 차이에 대한 비율이다.
이와 같이 비율을 사용하는 이유는 이들 유사 허용치의 적용 대상이 서로 다른 특성을 갖기 때문이다.
즉, k개의 도로 세그먼트로 이루어진 출발지부터 현재 위치까지의 질의 궤적 Q와 과거 궤적간의 유사 궤적 검색을 위한 유사도 측정뿐만 아니라, l개의 도로 세그먼트로 이루어진 현재 위치 이후의 목적지까지의 궤적간 그룹핑을 위한 유사도 측정에 적용되어야 하기 때문이다.
예를 들어, 질의 Q의 출발지부터 현재 위치까지의 도로 세그먼트 개수가 20개로 많지 않다면 허용치 ε1으로서 1의 값을 사용하여 유사 궤적을 검색하는 것은 유용하다.
그러나, 이후 미래 경로를 예측하는 과정에서 현재 위치부터 목적지까지의 도로 세그먼트의 개수가 평균 200개로 비교적 많았다면 허용치 ε1으로서 1의 값을 동일하게 사용하여 그룹핑을 하는 것은 무의미하다.
주어진 질의 Q의 현재 위치 이후의 목적지까지의 이동 경로를 예측하기 위한 단순한 방법은 유사 궤적 검색 과정을 통하여 얻어진 n개의 모든 후보 궤적들을 대상으로 현재 위치 이후부터 목적지까지의 이동 경로들에 대한 이동 빈도를 계산한 후, 빈도가 가장 높은 이동 경로를 이동 객체의 미래 경로로 예측하는 방법을 사용할 수 있다.
그러나, 도1에 나타난 바와 같이 작은 경로 차이를 갖는 궤적을 서로 다른 개별 경로로 취급하여 이동 빈도를 계산하는 것은 예측 결과의 정확도를 떨어뜨릴 수 있다.
따라서, 본 발명에서는 이러한 문제점을 해결하기 위하여 검색된 유사 궤적에 대한 그룹핑 기법을 제안한다.
이를 위하여 후보 궤적들을 대상으로 앞에서 언급한 유사도 측정 함수 DSN과 DSL를 이용하여 질의 Q의 현재 위치 이후부터 목적지까지에 해당하는 이동 경로들간의 유사도를 측정한다.
그 다음, 얻어진 DSN 및 DSL 값이 주어진 유사 허용치 ε1와 ε2를 만족하는 궤적들을 그룹핑한다.
본 발명에서는 이동 객체의 미래 경로 예측을 위한 이동 빈도로 각 이동 경 로의 개별적인 이동 빈도 대신에 각 그룹내에 속한 궤적들의 이동 빈도를 합한 그룹의 이동 빈도를 이용한다.
이 과정에서 하나의 궤적이 여러 개의 그룹에 동시에 속하는 경우가 발생할 수 있다.
이 경우 이동 경로의 빈도가 n이고, 이동 경로가 속한 그룹의 개수가 m이라면 해당 이동 경로의 이동 빈도는
Figure 112007017919761-pat00007
가 되며, 이 값을 이용하여 그룹의 이동 빈도를 계산한다.
궤적 이동 경로
Tf1 <(R01, 5), (R02, 2), (R03, 7), (R04, 1), (R05, 1), (R06, 1), (R09, 3), (R10, 2)>
Tf2 <(R01, 5), (R02, 2), (R03, 7), (R04, 1), (R05, 1), (R07, 2), (R08, 2), (R09, 3), (R10, 2)>
Tf3 <(R11, 3), (R12, 3), (R13, 2), (R14, 4), (R15, 4), (R18, 5), (R19, 7)>
Tf4 <(R11, 3), (R12, 3), (R13, 2), (R14, 4), (R16, 1), (R17, 2), (R18, 5), (R19, 7)>
표1 검색된 후보 궤적의 이동 경로
표 1에서 도1의 궤적 Tf1, Tf2, Tf3, Tf4에 대하여 현재 위치 ⓒ부터 목적지 ⓓ까지의 이동 경로를 보인다.
다음 표 2에 그룹핑을 위하여 이들 이동 경로들을 대상으로 계산된 유사도 값을 보인다.
표 2에 의하여 우리는 그룹 G1 = {Tf1, Tf2}와 G2={Tf3, Tf4}를 얻을 수 있다.
궤적 DSN DSL
Tf1, Tf2 0.176 0.106
Tf1, Tf3 1 1
Tf1, Tf4 1 1
Tf2, Tf3 1 1
Tf2, Tf4 1 1
Tf3, Tf4 0.2 0.127
표2 후보 궤적간의 유사도
출발지부터 목적지까지의 전체 궤적을 대상으로 그룹핑을 수행하지 않는 이유는 질의 Q내의 출발지와 현재 위치가 사용자마다 다를 수 있기 때문이다.
이를 처리하기 위해서는 궤적의 모든 부분 궤적을 추출한 후, 이에 대하여 그룹핑을 수행하여야 하므로 많은 오버헤드가 발생한다.
따라서 본 발명에서는 출발지부터 현재 위치까지는 순차 검색에 의한 유사 궤적 검색을 수행하고, 현재 위치 이후부터 목적지까지의 경로에 대해서만 클러스터링을 수행한다.
상술한 과정을 정리하면 도4a, 도4b에 도시된 과정을 거쳐서 미래 경로를 예측하게 된다.
도4a, 도4b는 본 발명에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측을 위한 유사 함수를 활용하는 순서도이다.
먼저, 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달된다(S41).
다음, 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거 쳐서 목적지까지 상기 질의 정보 Q의 경로 예측에 필요한 사용자 ID의 과거 궤적을 검색한다(S42).
상기 검색된 과거 궤적과 Q의 궤적이 상기 DSN 함수 임계값 안에 있는 지를 판단한다(S43).
다음으로, 검색된 과거 궤적과 Q의 궤적이 DSL 함수 임계값 안에 있는 지를 판단한다(S44).
다음으로, 상기 검색된 유사궤적을 통해서 질의 지점(현재위치)부터 목적지까지 부분 궤적을 저장한다(S45).
상기 현재 지점부터 목적지까지의 부분궤적(Tf1, Tf2,...,Tfn)들 사이의 유사성을 판단하게 된다(S46).
상기 유사성 판단은 현재 위치로부터 목적지까지의 상기 부분 궤적들 사이에서 임의의 두 부분 궤적이 서로 DSN 함수 임계값 안에 있는 지를 판단하고(S47), 현재 위치로부터 목적지까지의 상기 부분 궤적들 사이에서 임의의 두 부분 궤적이 서로 DSL 함수 임계값 안에 있는 지를 판단한다(S48).
상기 판단결과 상기 DSN 함수 임계값과 상기 DSL 함수 임계값 안에 있는 유사한 부분 궤적에 대한 궤적 그룹이 존재하는지 확인한다(S49).
상기 유사한 부분 궤적에 대해서는 해당 궤적을 예측 경로 궤적 그룹으로 포함한다(S50).
또한, 상기 S47, S48 단계의 판단 결과 유사한 궤적이 아닌 궤적들에 대해서도 새로운 궤적 그룹으로 생성하고 예측 경로 궤적 그룹으로 포함시킨다(S51).
상기 유사한 궤적 그룹 또는 비유사한 궤적 그룹으로 그룹핑되어 있는 궤적에 대하여 궤적 그룹의 이동 빈도를 이용하여 미래 경로를 예측하게 된다(S52).
아래에 기술한 과정은 도4a, 도4b를 참조하여 본 발명의 일 실시예에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법의 전체적인 처리 과정을 나타내는 알고리즘의 예이다.
우선, User_Id: 사용자 Id, Pstart: 출발지, Pdest: 목적지, Pcurrent: 현재 위치, Trajquery: 출발지부터 현재 위치까지의 질의 궤적이라고 정의한다.
첫째, 데이터베이스 내 과거 궤적들 중 Pcurrent를 포함하며, 사용자 Id, 출발지, 목적지가 각각 User_id, Pstart, Pdest인 궤적들을 검색하여 TrajSet에 넣어 둔다.
둘째,TrajSet 내의 각 궤적 Trajdata의 Pstart로부터 Pcurrent까지의 부분궤적 TrajPrefix에 대하여 IF (DSN(TrajPrefix, Trajquery) < ε1) AND (DSL(TrajPrefix, Trajquery) < ε2) Trajdata를 TargetTrajSet에 넣는다.
셋째, TargetTrajSet내의 궤적들을 SimTrajGroupi(1 ≤ i < k)로 그룹핑한다. SimTrajGroupi내에서는 임의의 두 궤적 Traji,x와 Traji,y의 Pcurrent부터 Pdest까지 의 각 부분 궤적 TrajPostfixi,x과 TrajPostfixi,y에 대하여 (DSN(TrajPostfixi,x,TrajPostfixi,y) < ε1) AND (DSL(TrajPostfixi,x, TrajPostfixi,y) < ε2)가 성립한다.
넷째, 각 궤적 그룹 SimTrajGroupi(1 ≤ i < k)에 대해서 예측 확률 |SimTrajGroupi|/|TargetTrajSet| 을 부여한다.
또한, 도5는 본 발명의 일 실시예에 따른 도로 네트워크에서 이동 객체의 미래 경로 예측 방법에 따라 유사 궤적 검색의 예를 나타낸다.
운전자 A의 출발지는 SP_1이고, 도착지는 EP_1이고, 출발지부터 현재 위치까지의 이동 경로는 (R0-R1-R2-R3)이다.
이들 값을 이용하여, 먼저 운전자 A의 모든 과거 궤적 중에서 출발지가 SP_1이고 목적지가 EP_1인 후보 궤적만을 검색한다.
도5에 나타난 바와 같이 검색된 후보 궤적을 대상으로 주어진 경로 (R0-R1-R2-R3)와 유사한 부분 궤적을 갖는 T1, T2, T3, T4의 궤적을 얻었으며, 각 궤적의 이동 빈도는 15, 2, 5, 6임을 알 수 있다.
또한, 얻어진 궤적 T1, T2, T3, T4의 궤적들에 대하여 그룹핑을 수행하여 G1={T1, T2}, G2={T3}, G3={T4}의 그룹을 구성하고, 이들 그룹에 대한 이동 빈도를 구한다.
도5에서 얻어진 그룹 G1, G2, G3의 이동 빈도는 각각 17, 5와 6이 된다.
즉, T1, T2로 이동할 확률은 60.7%, T3로 이동할 확률은 17.8%, T4로 이동할 확률은 21.4%이다.
최종 결과로 사용자에게 이동 확률이 높은 순서대로 목적지까지의 예측된 이동 경로들의 리스트를 제시한다.
본 발명에서는 이동 객체 데이터베이스에서 사용자의 과거 경로 선택 패턴을 분석하여 미래 경로 예측 방법을 제안함으로서 기존에 처리하지 못하던 도로 네트워크에서 이동 객체의 미래 경로 예측을 효과적으로 처리할 수 있다.
이상에서 본 발명은 기재된 구체적인 실시예에 대해서만 상세히 설명되었지만 본 발명의 기술사상 범위 내에서 다양한 변형 및 수정이 가능함은 당업자에게 있어서 명백한 것이며, 이러한 변형 및 수정이 첨부된 특허청구범위에 속함은 당연한 것이다.

Claims (5)

  1. (a) 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달되는 단계;
    (b) 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거쳐서 목적지까지 사용자 ID의 과거 궤적을 검색하는 단계;
    (c) 상기 검색된 사용자 ID의 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계; 및
    (d) 상기 (c) 단계의 판단결과 유사한 후보 궤적으로부터 현재 위치로부터 목적지까지의 예측 이동 경로들에 대하여 이용 빈도를 기반으로 확률을 부여하는 단계를 포함하는 미래 경로를 예측하는 단계를 포함하는 도로 네트워크에서 이동 객체의 미래 경로 예측 방법.
  2. (a) 도로 네트워크상에서 이동 객체의 궤적 데이터로 사용자 ID, 출발지, 목적지, 현재 위치 정보를 포함하는 사용자의 미래 예측 질의 정보 Q가 경로 예측 서버로 전달되는 단계;
    (b) 상기 서버의 궤적 데이터베이스에서 출발지에서부터 현재위치를 거쳐서 목적지까지 사용자 ID의 과거 궤적을 검색하는 단계;
    (c) 상기 검색된 사용자 ID의 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계;
    (d) 상기 (c) 단계의 판단결과 유사로 판단된 궤적을 통해서 질의된 현재 지점으로부터 목적지까지의 부분 궤적을 그룹핑하는 단계; 및
    (e) 상기 그룹핑된 그룹 내에 속한 이동 경로들에 대한 빈도를 계산하여 미래 경로를 예측하는 단계를 포함하는 도로 네트워크에서 이동 객체의 미래 경로 예측 방법.
  3. 제 1 항 또는 제 2 항에 있어서,
    상기 (c) 단계에 있어서,
    상기 검색된 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계는,
    검색된 과거 궤적과 Q의 궤적이 DSN 함수 임계값 안에 있는 지를 판단하는 단계를 포함하고, 여기서 상기 DSN 함수는, 과거 궤적 T와 질의 궤적Q 간의 유사도 측정함수로서 다음식
    DSN(Q, T)=
    Figure 112007017919761-pat00008
    으로 주어지는 것을 특징으로 하는 도로 네트워크에서 이동 객체의 미래 경로 예측 방법.
  4. 제 1 항 또는 제 2 항에 있어서,
    상기 (c) 단계에 있어서,
    상기 검색된 과거 궤적과 질의 정보 Q의 궤적의 유사를 판단하는 단계는,
    검색된 과거 궤적과 Q의 궤적이 DSL 함수 임계값 안에 있는 지를 판단하는 단계를 포함하고, 여기서 상기 DSL 함수는, 과거 궤적 T와 질의 궤적Q 간의 유사도 측정함수로서 다음식
    DSL(Q, T)=
    Figure 112007017919761-pat00009
    으로 주어지는 것을 특징으로 하는 도로 네트워크에서 이동 객체의 미래 경로 예측 방법.
  5. 제 2 항에 있어서,
    상기 (d) 단계에 있어서, 질의된 현재 지점으로부터 목적지까지의 부분 궤적을 그룹핑하는 단계는,
    DSN 함수 임계값과 DSL 함수 임계값 안에 있는 검색된 유사궤적을 통해서 질의된 현재위치로부터 목적지까지의 부분궤적을 저장하는 단계;
    현재 위치로부터 목적지까지의 상기 부분 궤적들 사이에서 임의의 두 부분 궤적이 서로 DSN 함수 임계값 안에 있는 지를 판단하는 단계;
    현재 위치로부터 목적지까지의 상기 부분 궤적들 사이에서 임의의 두 부분 궤적이 서로 DSL 함수 임계값 안에 있는 지를 판단하는 단계;
    상기 DSN 함수 임계값과 상기 DSL 함수 임계값 안에 있는 유사한 부분 궤적에 대한 궤적 그룹이 존재하는지 판단하는 단계; 및
    상기 궤적 그룹을 생성하고 생성된 궤적 그룹의 이동 빈도를 이용하여 미래 경로를 예측하는 단계를 포함하며, 상기 DSN 함수는 과거 궤적 T와 질의 궤적Q 간의 유사도 측정함수로서 다음식
    DSN(Q, T)=
    Figure 112008034337776-pat00016
    으로 주어지고,
    상기 DSL 함수는, 과거 궤적 T와 질의 궤적Q 간의 유사도 측정함수로서 다음식
    DSL(Q, T)=
    Figure 112008034337776-pat00017
    으로 주어지는 것을 특징으로 하는 도로 네트워크에서 이동객체의 미래 경로 예측 방법.
KR1020070021196A 2007-03-02 2007-03-02 도로 네트워크에서 이동객체의 미래 경로 예측 방법 KR100859566B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070021196A KR100859566B1 (ko) 2007-03-02 2007-03-02 도로 네트워크에서 이동객체의 미래 경로 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070021196A KR100859566B1 (ko) 2007-03-02 2007-03-02 도로 네트워크에서 이동객체의 미래 경로 예측 방법

Publications (2)

Publication Number Publication Date
KR20080081216A KR20080081216A (ko) 2008-09-09
KR100859566B1 true KR100859566B1 (ko) 2008-09-23

Family

ID=40021042

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070021196A KR100859566B1 (ko) 2007-03-02 2007-03-02 도로 네트워크에서 이동객체의 미래 경로 예측 방법

Country Status (1)

Country Link
KR (1) KR100859566B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2447476C1 (ru) * 2010-11-16 2012-04-10 Российская Федерация, От Имени Которой Выступает Министерство Промышленности И Торговли Российской Федерации Устройство прогнозирования и анализа обстановки для группы подвижных объектов
KR101446099B1 (ko) * 2013-03-04 2014-10-07 서울대학교산학협력단 스마트 단말을 이용한 안정적인 사용자의 이동 경로 실시간 예측 방법 및 그 시스템
JP2020086659A (ja) * 2018-11-19 2020-06-04 トヨタ自動車株式会社 情報処理システム、プログラム、及び情報処理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002267473A (ja) 2001-03-07 2002-09-18 Kenwood Corp ナビゲーション装置
JP2004101504A (ja) 2002-07-15 2004-04-02 Sumitomo Electric Ind Ltd 走行リンク確定システム及びリンク旅行時間計測システム
KR20060037481A (ko) * 2004-10-28 2006-05-03 홍석기 과거 및 실시간 교통정보를 이용하여 교통상황의 예측 및동적경로 안내를 제공하는 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002267473A (ja) 2001-03-07 2002-09-18 Kenwood Corp ナビゲーション装置
JP2004101504A (ja) 2002-07-15 2004-04-02 Sumitomo Electric Ind Ltd 走行リンク確定システム及びリンク旅行時間計測システム
KR20060037481A (ko) * 2004-10-28 2006-05-03 홍석기 과거 및 실시간 교통정보를 이용하여 교통상황의 예측 및동적경로 안내를 제공하는 방법 및 시스템

Also Published As

Publication number Publication date
KR20080081216A (ko) 2008-09-09

Similar Documents

Publication Publication Date Title
Magdy et al. Review on trajectory similarity measures
Muckell et al. Compression of trajectory data: a comprehensive evaluation and new approach
Lei et al. Exploring spatial-temporal trajectory model for location prediction
CN102810118B (zh) 一种变权网k近邻搜索方法
CN105912683B (zh) 一种基于时间顺序的轨迹匹配方法
Kim et al. Path prediction of moving objects on road networks through analyzing past trajectories
Anagnostopoulos et al. Intelligent trajectory classification for improved movement prediction
Kriegel et al. Statistical density prediction in traffic networks
KR100859566B1 (ko) 도로 네트워크에서 이동객체의 미래 경로 예측 방법
Lu et al. Mining fastest path from trajectories with multiple destinations in road networks
KR102185334B1 (ko) 도로 네트워크에서 ε-거리 조인 질의 처리 방법 및 도로 네트워크에서 ε-거리 조인 질의를 처리하는 장치
Baraglia et al. A trajectory-based recommender system for tourism
Lei et al. QS-STT: QuadSection clustering and spatial-temporal trajectory model for location prediction
CN116541721B (zh) 一种面向信令数据的定位与路网匹配方法及系统
Hendawi et al. Panda∗: A generic and scalable framework for predictive spatio-temporal queries
Chen et al. Modeling and predicting future trajectories of moving objects in a constrained network
CN110727958B (zh) 一种基于前缀树的差分隐私轨迹数据保护方法
Chen et al. Mining object similarity for predicting next locations
Ding et al. A-MCTS: adaptive monte carlo tree search for temporal path discovery
US7831386B2 (en) Loop-based route finding and navigation
Li et al. Probabilistic time-constrained paths search over uncertain road networks
Vukovic et al. Adaptive user movement prediction for advanced location-aware services
KR100800461B1 (ko) 미래 위치 검색 인덱스의 구성 방법
Tseng et al. A stop-or-move mobility model for PCS networks and its location-tracking strategies
Yin et al. Moving continuous k nearest neighbor queries in spatial network databases

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20120906

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20130819

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20141001

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20151113

Year of fee payment: 8

LAPS Lapse due to unpaid annual fee