KR101313958B1 - 이동 시간을 예측하기 위한 방법 및 시스템 - Google Patents

Abstract

미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을, 현재 시간 "t"에서 예측하기 위한 방법 및 시스템이 제공된다. 상기 방법은 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ" 및 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 결정하는 단계를 포함한다. 결정 컴포넌트 "μ_t+τ" 및 랜덤 변동 컴포넌트 "y^l _{t +τ}"는 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을 예측하도록 합산된다.

Description

이동 시간을 예측하기 위한 방법 및 시스템{METHODS AND SYSTEM FOR PREDICTING TRAVEL TIME}

본 발명은 도로 교통 관리의 기술에 관한 것이며, 더욱 상세하게, 비배타적으로, 미래의 시점에서 이동하는데 요구되는 시간을 예측하는 것에 관한 것이다.

교통 관리는 국가 경제에 영향을 주는 중요한 영역 중 하나이며, 효율적인 교통 관리가 요구된다. 교통 관리의 하나의 양상은 합리적인 운송 기간을 보장하기 위한 충분한 수송 인프라구조를 다루고 있다. 한편, 교통 관리의 또 다른 양상은, 수송 인프라구조의 사용자들이 그들의 통근 거리(commute)를 그에 맞춰 계획하도록 하는 서비스를 제공하는 것을 다루고 있다. 하나의 그러한 서비스는 미래의 시점에서 다수의 위치들 사이의 이동 시간을 예측하는 것에 관한 것이다.

미래의 시점에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간을 예측하기 위한 시도들이 이루어지고 있다. 기존의 방법들 중 하나에서, 시계열(time series)을 예측하기 위한 분석 기술인 SVR(Support Vector Regression)이 이동 시간을 예측하는데 적용되고 있다. 표준 머신 학습 모델이며, 전력 소모, 금융 시장 등을 예측하는데 이전에 적용된 SVR의 방법이 이동 시간을 예측하기 위해 적용되고 있다. 그러나, 이러한 방법은 그의 유용성에도 불구하고 도시-도로 시나리오에서 이동 시간을 예측하는데 있어서 기량을 발휘하지 못하는 것으로 알려져 있다. 이러한 방법이 드물지만 매우 혼잡한 상황에 능숙하지 않다는 것이 또한 관측되고 있다.

또한, 연관성 규칙 마이닝(Association Rule Mining) 기반 기술에 기초한 방법들은 도로-네트워크에서 교통량을 예측하기 위해 적용되고 있다. 데이터 마이닝(data mining)에서 공지된 일상적인 행위인 연관성 규칙 마이닝은, 어떠한 도로가 모든 다른 도로들 내에서 그때에 존재하는 교통량에 대해 가장 유력한지를 결정하는데 사용된다. 일단 가장 유력한 도로가 식별되면, 이러한 가장 유력한 도로 상의 교통량이 결정되고, 동일한 연관성 규칙 마이닝이 나머지 도로 상의 교통량을 예측하는데 사용된다. 그러나, 특히, 폭넓게 변동하는 교통량을 갖는 다수의 세그먼트들을 포함하는 길게 뻗은 도로에 대해, 교통량 예측을 이동 시간 예측으로 변환하는 것은 어렵다.

또한, 웨이블렛(Wavelet)에 기초한 또 다른 기술은 도로 나들목(교차로)에서 교통량을 예측하는데 사용된다. 초기에, 교통량 시계열은 웨이블렛 변환(신호 프로세싱에서의 표준 툴)을 사용하여 추세 시리즈(trend series) 및 변동 시리즈(variation series)의 계층으로 분류된다. 그후, 뉴럴 네트워크(Neural Network)(머신 학습에서의 또 다른 표준 툴)의 도움으로 추세 시리즈가 예측된다. 변동 시리즈의 나머지 계층은 마르코프 모델(표준 모델링 기술)을 사용하여 예측된다. 모든 이러한 예측들은 전체 교통량 시계열을 예측하도록 나중에 조합된다. 그러나, 이러한 방법이 교차로에서 교통량을 예측하는데 사용되고, 이러한 지점들 사이에서 교통량 예측을 이동 시간의 예측으로 변환하는 것이 어렵다는 것이 유의될 수 있다. 또한, 이러한 접근법이 도시 도로 네트워크에서 이동 시간 진전(travel time evolution)의 특성을 극도로 과소평가하는 것으로 알려져 있다.

본원의 실시예는 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을, 현재 시간 "t"에서 예측하기 위한 방법을 제공한다. 상기 방법은 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트(deterministic component) "μ_t+τ"를 결정하는 단계와, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트(random fluctuation component) "y^l _{t +τ}"를 예측하는 단계를 포함한다. 후속으로, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을 예측하기 위해, 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ" 는 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 예측된 랜덤 변동 컴포넌트 "y^l _{t +τ}"에 합산된다. 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 예측하기 위해, 현재 시간 "t"에서 복수의 위치들 사이를 이동하는데 걸린 시간의 랜덤 변동 컴포넌트 "y_t"가 결정된다. 또한, 랜덤 변동 컴포넌트 "y_t"가 놓이는 양자화 상태(quantization state)가 식별된다. 후속으로, 선형 평균 제곱 오차 파라미터(linear mean square error parameter)는, 이전에 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성(wide sense cyclostationarity)의 주기 "T_p" 및 양자화 상태에 기초하여 이력 데이터로부터 선택된 과거 이동 시간에 기초하여 계산된다. 또한, 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _{t +τ}"는 선형 평균 제곱 오차의 파라미터를 사용하여 계산된다.

본원의 또 다른 실시예는 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을, 현재 시간 "t"에서 예측하기 위한 시스템을 제공한다. 상기 시스템은 데이터 저장소 및 프로세서를 포함한다. 데이터 저장소는 복수의 위치들 사이를 이동하는데 걸린 시간에 관한 이력 데이터를 적어도 저장하도록 구성된다. 프로세서는, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ "를 결정하고, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 예측하고, 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ "와 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 예측된 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 합산하도록 구성된다. 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 예측하기 위해, 프로세서는 현재 시간에서 복수의 위치들 사이를 이동하는데 걸린 시간의 랜덤 변동 컴포넌트 "y_t"를 결정하고, 후속으로 랜덤 변동 컴포넌트 y_t가 놓인 양자화 상태를 결정하도록 구성된다. 프로세서는 이전에 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성의 주기 "T_p" 및 양자화 상태에 기초하여 이력 데이터로부터 선택된 과거 이동 시간에 기초하여 선형 평균 제곱 오차 파라미터를 계산하고, 선형 평균 제곱 오차의 파라미터를 사용하여 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 계산하도록 추가로 구성된다.

본원의 실시예들의 이들 및 다른 양상들은 다음의 설명 및 첨부한 도면과 관련하여 고려될 때 더 양호하게 인지 및 이해될 것이다.

본 발명의 실시예에 따른 장치 및/또는 방법의 일부 실시예는 단지 예시로서, 첨부한 도면을 참조하여 이제 설명된다.

도 1은 실시예에 따른, 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간을 예측하는 방법을 도시한 흐름도.
도 2는 실시예에 따른, 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간의 결정 컴포넌트를 결정하는 방법을 도시한 흐름도.
도 3은 실시예에 따른, 평균 이동 시간의 푸리에 변환의 다양한 주파수 컴포넌트들에 걸친 전력-스펙트럼 플롯을 예시한 그래프.
도 4는 실시예에 따른, 자동 상관의 푸리에 변환의 다양한 주파수 컴포넌트에 걸친 전력-스펙트럼 플롯을 예시한 그래프.
도 5는 실시예에 따른, 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간을 예측하기 위한 시스템의 블록도.

본원의 실시예 및 그의 다양한 특징들 및 이로운 세부 사항은, 첨부한 도면 및 상세한 다음의 설명에 예시되는 비제한적인 실시예들을 참조하여 더욱 완전히 설명된다. 잘 알려진 컴포넌트 및 프로세싱 기술의 설명은 본원의 실시예를 불필요하게 애매하지 않도록 생략된다. 본원에 사용된 예는 단지, 본원의 실시예가 실시될 수 있는 방식의 이해를 촉진하고 추가로 당업자가 본원의 실시예를 실시하게 하도록 의도된다. 따라서, 본원의 예는 본원의 실시예의 범위를 제한하는 것으로 해석되어서는 안 된다.

본원의 실시예는 미래의 시점에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을, 현재 시간에서 예측하기 위한 방법 및 시스템을 제공한다. 유사한 참조 부호가 도면 전반에 대응하는 특징을 일관적으로 표기하는 도면들, 더욱 상세하게 도 1 내지 도 5를 이제 참조하여, 실시예들이 도시된다.

예측을 가능하게 하기 위해, 이전에 다수의 위치들 사이를 이동하는데 걸린 시간을 포함하는 이력 데이터가 저장된다. 저장된 이러한 이동 시간은 시계열로서 지칭될 수 있다. 이러한 이동 시간이 특정 패턴을 나타내고, 확률론적 프로세스(stochastic process)인 것으로 간주될 수 있다는 것이 알려져 있다. 확률론적 프로세스를 지배하는 분포가 T라고 하는 주기로 주기적이라면, 확률론적 프로세스는 순환-정적(cyclo-stationary)인 것으로 불린다. 그러나, 이러한 엄격한 의미에서 순환 정적성(cyclostationarity)은 이동 시간에 관련된 시계열에 대해 확정하기에 어렵고, 따라서, 시계열은 순환 정적성과 비교하여 더 약한 개념인 "광의적인 순환 정적(wide-sense cyclostationary)"인 것으로 고려될 수 있다.

시계열은 미래의 시점에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간을, "t"로서 지칭될 수 있는 현재 시간에서 예측하는데 사용된다. 미래의 시점은 "t+τ"로서 지칭될 수 있다. 예측하기 위한 방법은, 미래의 시점 "t+τ"에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간의 결정 컴포넌트 "μ_t+τ"와, 미래의 시점에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간의 랜덤 변동 컴포넌트(random fluctuation component) "y^l _{t +τ}"를 합산하는 단계를 포함한다. 미래의 시점 "t+τ"에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간의 결정 컴포넌트는 "μ_t+τ"로 표현될 수 있고, 미래의 시점 "t+τ"에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간의 랜덤 변동 컴포넌트는 "y^l _{t +τ}"로 표현될 수 있다. 따라서, 미래의 시점 "t+τ"에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 예측된 시간은 "μ_t+τ + y^l _{t +τ}"와 동일하다.

도 1은 실시예에 따른, 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간을 예측하는 방법을 도시한 흐름도이다. 상기 방법은, 단계(102)에서, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ"를 결정하는 단계를 포함한다. 또한, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _{t +τ}"가 예측된다. 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 예측하기 위해, 단계(104)에서, 현재 시간 "t"에서 복수의 위치들 사이를 이동하는데 걸린 시간의 랜덤 변동 컴포넌트 "y_t"가 결정된다. 또한, 단계(106)에서, 랜덤 변동 컴포넌트 "y_t"가 놓이는 양자화 상태(quantization state)가 식별된다. 후속으로, 단계(108)에서, 선형 평균 제곱 오차 파라미터(linear mean square error parameter)는, 이전에 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성의 주기 "T_p" 및 양자화 상태에 기초하여 이력 데이터로부터 선택된 과거 이동 시간에 기초하여 계산된다. 또한, 단계(110)에서, 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _{t +τ}"는 선형 평균 제곱 오차의 파라미터를 사용하여 계산된다. 후속으로, 단계(112)에서, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을 예측하기 위해, 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ"는 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 예측된 랜덤 변동 컴포넌트 "y^l _{t +τ}"에 합산된다.

이동 시간의 결정 컴포넌트 결정

상술된 바와 같이, 미래의 시점에서 이동하는데 요구될 수 있는 시간을 예측할 수 있도록, 미래의 시점에서 이동 시간의 결정 컴포넌트를 인지하는 것이 필수적이다.

도 2는 실시예에 따른, 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간의 결정 컴포넌트를 결정하는 방법을 도시한 흐름도이다. 결정 컴포넌트는, 단계(202)에서, 이력 데이터의 일부분인 과거 이동 시간을 액세스함으로써 이력 정보를 사용하여 결정된다. 이력 데이터는 다양한 시점들에서 다수의 위치들 사이를 이동하는데 걸린 실제 시간의 기록이다. 다수의 위치들 사이를 이동하는데 걸린 실제 시간은, 무엇보다도, 도로 내 센서, 프로브(probe)로서 GPS-기반 디바이스를 갖는 차량, 셀룰러 삼각 측량 기반 해결책들, 차량 내의 근접장 통신 디바이스(near field communication device)를 사용하는 시스템 및 방법과 같은 해결책을 사용하여 결정될 수 있다. 다양한 시점에서 다수의 위치들 사이를 이동하는데 걸린 실제 시간이 저장되고, 계속해서 업데이트된다. 이력 데이터는, 단계(204)에서, 이동 시간이 광의적인 순환 정적성을 나타내는 주기를 결정하는데 사용된다.

시계열로서 또한 지칭될 수 있는 이동 시간은 확률론적 프로세스이다. 확률론적 프로세스의 분포가 "T_p"라고 하는 주기로 주기적이라면, 확률론적 프로세스는 순환-정적인 것으로 불린다. 예를 들면, 10 AM에서 임의의 날에 이동 시간의 분포가 임의의 다른 날에 10 AM에서 이동 시간의 분포와 동일하다고 가정하면, 확률론적 프로세스는 24 시간의 주기를 갖는 순환 정적인 것으로 불린다. 그러나, 이러한 엄격한 의미에서 순환 정적성은 확정하기 어렵다. 따라서, 시계열은 순환 정적성과 비교하여 더 약한 개념인 광의적인 순환 정적인 것으로 불릴 수 있다. 광의적인 순환 정적성의 주기를 결정하기 위해, 시계열의 평균 및 자동 상관의 푸리에 변환의 전력 스펙트럼이 조사된다. 상기 조사로부터, 주기는 통상적으로 전력 값이 피크인 최저 주파수 컴포넌트(lowest frequency component)로서 고려된다.

도 3은 실시예에 따른, 평균 이동 시간의 푸리에 변환의 다양한 주파수 컴포넌트에 걸친 전력-스펙트럼 플롯을 예시한 그래프이다. 그래프는 다수의 위치들 사이의 도로를 구성하는 2 개의 연속 링크들에 대한 전력 스펙트럼 플롯을 예시한다. 라인(302)은 제 1 링크의 전력 스펙트럼 플롯이고, 라인(304)은 제 2 링크의 전력 스펙트럼 플롯이다. 또한, 도 4는 실시예에 따른, 자동 상관의 푸리에 변환의 다양한 주파수 컴포넌트에 걸친 전력-스펙트럼을 예시한 그래프이다. 양자의 그래프로부터, 평균 이동 시간 및 자동 상관 함수 양자가 1/48의 주파수에서 분명한 피크들을 도시하고, 즉, 이동 시간이 48 시간의 주기로 광의적인 순환 정적이라는 것을 알 수 있다. 실시예에서, 주기는 푸리에 변환의 전력 값들이 피크인 최저의 주파수이다.

다수의 위치들 사이를 통근 거리에 관련된 시계열의 광의적인 순환 정적성의 주기는, 단계(206)에서, 다수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트를 결정하는데 사용된다.

실시예에서, 다수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트는 아래의 수학식을 사용하여 결정된다.

상기 수학식에서, "N"은 이력 데이터로부터 고려된 관련 샘플 시점들의 수에 따르고, X는 고려되는 시점에서 다수의 위치들 사이를 이동하는데 걸린 실제 시간이다.

이동 시간의 랜덤 변동 컴포넌트 결정

상술된 바와 같이, 미래의 시점에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간을 예측할 수 있도록, 미래의 시점에서 이동 시간의 결정 컴포넌트를 결정하는 것에 부가하여, 미래의 시점에서 이동 시간의 랜덤 변동 컴포넌트가 결정되어야 한다.

미래의 시점에서 이동 시간의 랜덤 변동 컴포넌트는 y_{t +τ}로 지칭될 수 있고, 미래의 시점에서 이동 시간의 랜덤 변동 컴포넌트의 예측된 값은 y^l _{t +τ}로서 지칭될 수 있다. 또한, 현재 시간 또는 예측 시간에서 이동 시간의 랜덤 변동 컴포넌트는 y_t로 지칭될 수 있다. 실시예에서, y_{t +τ}는 y_t 및 y_{t +τ} 사이의 상관 구조가 주기성 T_p으로 주기적이다는 사실에 기초하여 예측된다. 도 4는 y_k의 자기-공분산 프로세스(auto-covariance process)의 푸리에 변환을 예시한 그래프이다. 도면에서, y_k의 자기-공분산 프로세스의 주기성이 48 시간이라는 것을 알 수 있다. 실시예에서, y_{t +τ}의 결정을 가능하게 하기 위해, y_s의 값들의 히스토그램(여기서 s≤t)은 이력 데이터 내의 과거 이동 시간을 사용하여 준비된다. 또한, 실시예에서, y_s의 전체 범위는 "n" 개의 양자화 상태들, [q₁, q₂], [q₂, q₃], [q₃, q₄] 등으로 분할된다. 나중에, y_t가 놓인 양자화 상태가 식별된다. y_t가 놓인 양자화 상태는 [q_k, q_{k +1}]로서 지칭될 수 있고, q_k는 히스토그램에서 100(k-1)/n번째 백분위 값(percentile value)으로서 선택된다. 이와 같이 결정한 후에, y_{t +τ}가 아래의 수학식을 사용하여 예측된다.

여기서, A_{t ,τ} 및 B_{t ,τ}는 아래의 수학식들을 해결함으로써 획득된다.

여기서, 모든 합산들은 세트에 걸쳐 수행된다.

P = {s:s=t-iT_p (몇몇의 i에 대해), 및 q_k <ys≤q_{k +1}}

및 N=｜P｜

상기 수학식들은, LMSE의 파라미터를 계산하기 위해 y_s의 전체 범위에 대해 LMSE를 수행하는 대신에, LMSE의 파라미터가 y_s가 놓인 양자화 상태에 기초하여 계산되는 것을 보장한다.

미래의 시점에서의 랜덤 변동 컴포넌트를 결정한 후에, 미래의 시점에서 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간은 μ_t+τ + Y^l _{t +τ}로서 예측된다.

실시예는, 미래의 시점 "t+τ"에서 다수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을, 현재 시간 "t"에서 예측하기 위한 시스템을 제공한다. 도 5는 실시예에 따른, 다수의 위치들 사이를 이동하는데 요구될 수 있는 시간을 예측하기 위한 시스템(500)의 블록도를 예시한다. 상기 시스템은 데이터 저장소(502) 및 프로세서(504)를 포함한다. 데이터 저장소(502)는 복수의 위치들 사이를 이동하는데 걸린 시간에 관한 이력 데이터를 적어도 저장하도록 구성된다. 프로세서(504)는 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ "를 결정하고, 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 예측하고, 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ "와 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 예측된 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 합산하도록 구성된다. 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 예측하기 위해, 프로세서(504)는 현재 시간에서 복수의 위치들 사이를 이동하는데 걸린 시간의 랜덤 변동 컴포넌트 "y_t"를 결정하고, 후속으로 랜덤 변동 컴포넌트 y_t가 놓인 양자화 상태를 결정하도록 구성된다. 프로세서(504)는 이전에 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성의 주기 "T_p" 및 양자화 상태에 기초하여 이력 데이터로부터 선택된 과거 이동 시간에 기초하여 선형 평균 제곱 오차 파라미터를 계산하고, 선형 평균 제곱 오차의 파라미터를 사용하여 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _{t +τ}"를 계산하도록 추가로 구성된다.

다양한 상술된 방법들의 단계들이 프로그래밍된 컴퓨터에 의해 수행될 수 있다는 것을 당업자는 용이하게 인지할 것이다. 본원에서, 일부 실시예는 또한 프로그램 저장 디바이스, 예를 들면, 머신 또는 컴퓨터 판독 가능하고, 인스트럭션들의 머신-실행 가능 또는 컴퓨터-실행 가능 프로그램들을 인코딩하는 디지털 데이터 저장 매체를 포함하도록 의도되고, 여기서 상기 인스트럭션은 상기 상술된 방법들의 단계들 중 일부 또는 모두를 수행한다. 프로그램 저장 디바이스는, 예를 들면, 디지털 메모리, 자기 디스크 및 자기 테이프와 같은 자기 저장 매체, 하드 드라이브, 또는 광학적으로 판독 가능한 디지털 데이터 저장 매체일 수 있다. 실시예는 또한 상술된 방법들의 상기 단계들을 수행하도록 프로그래밍된 컴퓨터를 포함하도록 의도된다.

상세한 설명 및 도면은 단지 본 발명의 원리를 예시한다. 따라서, 본원에 명백히 기재 또는 도시되지 않았지만, 본 발명의 원리를 구현하고 본 발명의 사상 및 범위 내에 포함되는 다양한 장치를 당업자가 창안할 수 있다는 것이 인지될 것이다. 또한, 본원에 언급된 모든 예는 원칙적으로 당분야를 발전시키도록 발명자(들)에 의해 기여된 개념 및 본 발명의 원리의 독자 이해를 돕기 위해 명백히 단지 교육 목적으로 의도되고, 그러한 특정적으로 언급된 예 및 조건으로 제한되지 않는 것으로 해석되어야 한다. 또한, 본 발명의 원리, 양상, 및 실시예를 언급하는 본원의 모든 진술, 및 본 발명의 특정 예는 본 발명의 동등물을 포함하도록 의도된다.

"프로세서"로서 라벨링된 임의의 기능 블록을 포함하여, 도 4에 도시된 다양한 엘리먼트의 기능은 전용 하드웨어 및 적절한 소프트웨어와 연관하여 소프트웨어를 실행할 수 있는 하드웨어의 사용을 통해 제공될 수 있다. 프로세서에 의해 제공될 때, 기능은 단일의 전용 프로세서, 단일의 공유 프로세서, 또는 복수의 개별적인 프로세서들에 의해 제공될 수 있고, 복수의 개별적인 프로세서들 중 일부가 공유될 수 있다. 또한, 용어, "프로세서" 또는 "제어기"의 명시적인 사용은 소프트웨어를 실행할 수 있는 하드웨어를 배타적으로 지칭하도록 해석되어서는 안 되며, 비제한적으로, 디지털 신호 프로세서(DSP) 하드웨어, 네트워크 프로세서 주문형 집적 회로(ASIC), 필드 프로그래밍 가능 게이트 어레이(FPGA), 소프트웨어를 저장하기 위한 판독 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 및 비휘발성 저장 장치를 암시적으로 포함할 수 있다. 종래의 및/또는 관습적인 다른 하드웨어가 또한 포함될 수 있다. 마찬가지로, 도면에 도시된 임의의 스위치는 단지 개념적인 것이다. 스위치들의 기능은 프로그램 로직의 동작을 통해, 전용 로직을 통해, 프로그램 제어 및 전용 로직의 상호 작용을 통해, 또는 심지어 수동으로 수행될 수 있고, 특정 기술은 문맥으로부터 더욱 상세하게 이해되는 바와 같이 구현자에 의해 선택 가능하다.

본원의 임의의 블록도가 본 발명의 원리를 구현하는 예시적인 회로의 개념도를 제공한다는 것이 당업자에 의해 인식되어야 한다. 마찬가지로, 컴퓨터 또는 프로세서가 명시적으로 도시되는지 여부와 상관없이, 임의의 순서도, 흐름도, 상태 전이도, 의사 코드(pseudo code) 등이 컴퓨터 판독 가능 매체에 실질적으로 표현되고 컴퓨터 또는 프로세서에 의해 실행될 수 있는 다양한 프로세스를 나타낸다는 것이 인식될 것이다.

Claims (14)

1. 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을, 현재 시간 "t"에서 예측하여, 사용자들이 그들의 이동을 계획하도록 하는 방법으로서,
   상기 미래의 시점 "t+τ"에서 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트(deterministic component) "μ_t+τ"를 결정하는 단계와,
   상기 미래의 시점 "t+τ"에서 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트(random fluctuation component) "y^l _t+τ"를 예측하는 단계 ― 상기 예측하는 단계는, 상기 현재 시간에서 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 랜덤 변동 컴포넌트 "y_t"를 결정하는 단계와, 상기 랜덤 변동 컴포넌트 "y_t"가 놓이는 양자화 상태(quantization state)를 결정하는 단계와, 이전에 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성(wide sense cyclostationarity)의 주기 "T_p" 및 상기 양자화 상태에 기초한 이력 데이터(historical data)로부터 선택된 과거 이동 시간에 기초하여 선형 평균 제곱 오차 파라미터들(linear mean square error parameters)을 계산하는 단계와, 상기 선형 평균 제곱 오차 파라미터들을 사용하여 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _t+τ"를 계산하는 단계를 포함함 ― 와,
   상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 상기 결정 컴포넌트 "μ_t+τ"와 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 상기 예측된 랜덤 변동 컴포넌트 "y^l _t+τ"를 합산하는 단계를 포함하는
   이동 시간 예측 방법.
   
2. 제 1 항에 있어서,
   상기 결정 컴포넌트 "μ_t+τ"는 상기 미래의 시점 "t+τ"에 대응하는 시점들에서의 과거 이동 시간들을 평균화함으로써 결정되고, 상기 미래의 시점 "t+τ"에 대응하는 시점들은 상기 주기 "T_p"를 사용하여 결정되고, 상기 결정 컴포넌트 "μ_t+τ"는 수학식,
   

   

   을 사용하여 결정되고,
   여기서, "N"은 상기 이력 데이터로부터 고려된 관련 시점 샘플들의 수이고, "X"는 고려되는 시점들에서 상기 복수의 위치들 사이를 이동하는데 걸린 실제 시간인
   이동 시간 예측 방법.
   
3. 제 1 항에 있어서,
   상기 랜덤 변동 컴포넌트 "y_t"가 놓이는 양자화 상태를 결정하는 단계는, 상기 과거 이동 시간들에서의 랜덤 변동 컴포넌트들의 전체 범위를 복수의 양자화 상태들로 분할하는 단계를 포함하는
   이동 시간 예측 방법.
   
4. 제 1 항에 있어서,
   상기 랜덤 변동 컴포넌트 "y^l _t+τ"는 수학식,
   

   

   을 이용하여 계산되고,
   "A_t,τ"및 "B_t,τ"는 수학식들,
   

   

   을 이용하여 결정되고,
   여기서, 모든 합산들은 세트,
   P = {s:s=t-iT_p (몇몇의 i에 대해), 및 q_k <ys≤q_k+1} 및 N=｜P｜에 걸쳐 수행되고,
   여기서, [q_k, ≤q_k+1]는 y_t가 놓인 양자화 상태인
   이동 시간 예측 방법.
   
5. 삭제
6. 제 4 항에 있어서,
   "q_k"는 랜덤 변동 컴포넌트들 "y_s"의 히스토그램에서 100(k-1)/n번째 백분위 값(percentile value)으로서 선택되고, s≤t이고, "n"은 상기 과거 이동 시간들에서의 랜덤 변동 컴포넌트들의 전체 범위가 분할된 양자화 상태들의 수인
   이동 시간 예측 방법.
   
7. 제 1 항에 있어서,
   이전에 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성의 주기 "T_p"는, 이전에 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 평균(means) 및 자동 상관(auto-correlation)의 푸리에 변환의 전력 값들이 피크인 최저 주파수로부터 유도되는
   이동 시간 예측 방법.
   
8. 미래의 시점 "t+τ"에서 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간을, 현재 시간 "t"에서 예측하여, 사용자들이 그들의 이동을 계획하도록 하는 시스템으로서,
   상기 복수의 위치들 사이를 이동하는데 걸린 시간에 관한 이력 데이터를 적어도 저장하도록 구성된 데이터 저장소와,
   프로세서를 포함하되, 상기 프로세서는,
   상기 미래의 시점 "t+τ"에서 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 결정 컴포넌트 "μ_t+τ"를 결정하고,
   상기 미래의 시점 "t+τ"에서 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _t+τ"를 예측하고 ― 상기 예측은, 상기 현재 시간에서 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 랜덤 변동 컴포넌트 "y_t"를 결정하는 것과, 상기 랜덤 변동 컴포넌트 "y_t"가 놓이는 양자화 상태를 결정하는 것과, 이전에 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성의 주기 "T_p" 및 상기 양자화 상태에 기초한 이력 데이터로부터 선택된 과거 이동 시간에 기초하여 선형 평균 제곱 오차 파라미터들을 계산하는 것과, 상기 선형 평균 제곱 오차 파라미터들을 사용하여 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 랜덤 변동 컴포넌트 "y^l _t+τ"를 계산하는 것을 포함함 ― ,
   상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 상기 결정 컴포넌트 "μ_t+τ"와 상기 복수의 위치들 사이를 이동하는데 걸릴 수 있는 시간의 상기 예측된 랜덤 변동 컴포넌트 "y^l _t+τ"를 합산하도록 구성되는
   이동 시간 예측 시스템.
   
9. 제 8 항에 있어서,
   상기 프로세서는 상기 미래의 시점 "t+τ"에 대응하는 시점들에서의 과거 이동 시간들을 평균화함으로써 상기 결정 컴포넌트 "μ_t+τ"를 결정하도록 구성되고, 상기 미래의 시점 "t+τ"에 대응하는 시점들은 상기 주기 "T_p"를 사용하여 결정되고, 상기 결정 컴포넌트 "μ_t+τ"는 수학식,
   

   

   을 사용하여 결정되고,
   여기서, "N"은 상기 이력 데이터로부터 고려된 관련 시점 샘플들의 수이고, "X"는 고려되는 시점들에서 상기 복수의 위치들 사이를 이동하는데 걸린 실제 시간인
   이동 시간 예측 시스템.
   
10. 제 8 항에 있어서,
    상기 프로세서는 상기 랜덤 변동 컴포넌트 y_t가 놓이는 양자화 상태를 결정하기 위해 상기 과거 이동 시간들에서의 랜덤 변동 컴포넌트들의 전체 범위를 복수의 양자화 상태들로 분할하도록 구성되는
    이동 시간 예측 시스템.
    
11. 제 8 항에 있어서,
    상기 프로세서는 수학식,
    

    

    을 사용하여 상기 랜덤 변동 컴포넌트 "y^l _t+τ"를 계산하도록 구성되고,
    상기 프로세서는 수학식들,
    

    

    을 사용하여 "A_t,τ"및 "B_t,τ"를 결정하도록 구성되고,
    여기서, 모든 합산들은 세트,
    P = {s:s=t-iT_p (몇몇의 i에 대해), 및 q_k <ys≤q_k+1} 및 N=｜P｜에 걸쳐 수행되고,
    여기서, [q_k, ≤q_k+1]는 y_t가 놓인 양자화 상태인
    이동 시간 예측 시스템.
    
12. 삭제
13. 제 11 항에 있어서,
    상기 프로세서는 랜덤 변동 컴포넌트들 "y_s"의 히스토그램에서 100(k-1)/n번째 백분위 값(percentile value)으로서 "q_k"를 선택하도록 구성되고, s≤t이고, "n"은 상기 과거 이동 시간들에서의 랜덤 변동 컴포넌트들의 전체 범위가 분할된 양자화 상태들의 수인
    이동 시간 예측 시스템.
    
14. 제 8 항에 있어서,
    상기 프로세서는, 이전에 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 평균 및 자동 상관의 푸리에 변환의 전력 값들이 피크인 최저 주파수로부터, 이전에 상기 복수의 위치들 사이를 이동하는데 걸린 시간의 광의적인 순환 정적성의 주기 "T_p"를 유도하도록 구성되는
    이동 시간 예측 시스템.

Images