KR101638368B1 - 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 - Google Patents

다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR101638368B1
KR101638368B1 KR1020150000069A KR20150000069A KR101638368B1 KR 101638368 B1 KR101638368 B1 KR 101638368B1 KR 1020150000069 A KR1020150000069 A KR 1020150000069A KR 20150000069 A KR20150000069 A KR 20150000069A KR 101638368 B1 KR101638368 B1 KR 101638368B1
Authority
KR
South Korea
Prior art keywords
input pattern
pattern vector
ann
road
unit
Prior art date
Application number
KR1020150000069A
Other languages
English (en)
Inventor
김영진
오세도
홍지선
Original Assignee
경희대학교 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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020150000069A priority Critical patent/KR101638368B1/ko
Application granted granted Critical
Publication of KR101638368B1 publication Critical patent/KR101638368B1/ko

Links

Images

Classifications

    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • 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
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 정체에 영향을 주는 보다 세분화한 변수를 수집하여 도로의 상태를 예측하기 위해 ITS의 검지변수 이외에 도로의 환경변수들을 추가적으로 고려하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법을 제공하기 위한 것으로서, 시간대별 교통량의 변화, 도로의 지리적 특징, 지상조건, 사고 및 공사와 같은 돌발 상황을 포함하는 정체를 일으키는 원인에 해당되는 정보를 입력으로 입력 패턴 벡터를 구성할 수 있는 과거 기록 정보를 추출하는 정보 추출부와, 상기 추출된 과거 기록 정보에 따른 데이터 값의 표준화를 실시하여 도로패턴 벡터를 생성한 후, 도로의 패턴과 구간의 평균통과 속도와의 함수관계를 알아내기 위한 ANN 학습을 수행하는 모델 구성부와, 상기 모델 구성부와 동일한 전처리를 통해 예측용 입력 패턴 벡터의 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 평균속도를 예측하는 교통 예측부를 포함하여 구성된다.

Description

다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법{Prediction System And Method of Urban Traffic Flow Using Multifactor Pattern Recognition Model}
본 발명은 도시 교통 예측을 위한 시스템 및 그 방법에 관한 것으로, 특히 도로 정체에 영향을 주는 보다 세분화한 변수를 수집하여 도로의 교통 상태를 예측하는 시스템 및 그 방법에 관한 것이다.
현재 통계청의 자료에 의하면 전 국민의 49%가 서울을 중심으로 수도권에 거주하고 있으며, 이에 따른 교통에 대한 문제가 증가되고 있다. 전국의 교통 혼잡에 따른 교통혼잡 비용은 매년 증가하는 추세이다.
이에 따라, 교통 혼잡에 따른 사회적 손실을 감소시키고, 국가적 차원의 녹색 성장 전략에 부응하기 위해 첨단 기술을 활용한 교통시스템의 발전을 바탕으로 지능형 교통체계가 개발되었다.
지능형 교통체계(Intelligent Transport System : ITS)는 도로의 각종 교통 시설에 첨단 기술을 접목하여 교통 정보 및 서비스를 제공하는 것을 말하며, 국내의 여러 도시에 도입되어 버스 도착 안내시스템, 신호 자동 제어, 내비게이션, 하이패스 등 여러 분야에 적용되고 있다.
한편, 국·내외적으로 ITS 시스템이 구축됨으로써 축적된 데이터를 바탕으로 정체 예측, 주행시간 예측 등 여러 방향으로 연구가 진행되고 있다. 예를 들어, Oda, T.(1990)는 ARIMA 모델을 활용하여 주행 시간을 예측하는 연구를 수행하였고, Stathopoulos, A.(2003)는 시계열 분석 기법인 다중 선형 회귀 분석(Multiple Linear Regression) 방법을 활용하여 속도를 예측하였다. 그 이외에, 지식 베이스(Knowledge base)를 기반으로 데이터마이닝(Data mining) 기법을 활용하여 예측하는 연구와 신경망 알고리즘(Neural Network)을 활용하여 예측하는 연구 등 많은 분야에서 ITS 데이터를 활용하여 속도, 주행시간, 정체를 예측하는 연구를 진행하고 있다.
그러나 기존의 서비스의 경우 단순히 기존에 검지된 정보를 제공하는 수준을 벗어나지 못하고 있다. 즉 보다 효과적인 활용을 위해서는 미래 도로 상황의 정확한 예측이 필요하고, 이 예측을 활용해 정보를 제공하는 서비스로 발전해야 한다.
교통정체는 많은 요인들의 복합적인 작용에 의해 발생된다. 시간대별 교통량의 변화, 도로의 지리적 특징, 지상조건, 사고 및 공사와 같은 돌발 상황 등이 정체를 일으키는 주요원인 변수들이다. 이러한 요인들은 각각의 담당기관에서 관리하고 있다. 따라서 연구를 위해서는 여러 곳에 분산된 각각의 요인들을 하나의 DB에 통합해야 하므로 어려움이 따른다.
따라서 과거의 연구는 주로 과거시점의 교통량을 이용한 시계열 분석 모델을 적용한 예가 많다. 이 방법은 여러 정체요인 중의 일부만 반영해 예측을 수행하므로 돌발 상황이 발생된 경우 또는 도로의 환경이 바뀐 경우에는 예측 능력이 떨어진다는 한계가 있으며, 또한 몇몇 구간의 형태를 한정하여야만 예측을 수행할 수 있는 문제점이 있다.
등록특허공보 제10-1385057호 : ITS 데이터를 활용한 도심 구간의 정체도 예측 방법
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, 정체에 영향을 주는 보다 세분화한 변수를 수집하여 도로의 상태를 예측하기 위해 ITS의 검지변수 이외에 도로의 환경변수들을 추가적으로 고려하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적은 기존의 시스템들은 도로 상태를 규정하여 한 개의 도로 내지는 소수의 도로 상황을 예측하는 것을, 본 발명에서는 도로 상태가 서로 다른 여러 도로의 환경변수(평균직진차선, 구간내 횡단보도의 개수 등)로서 구분하므로 서로 다른 도로를 통합하여 도시 교통을 예측할 수 있는 시스템 및 그 방법을 제공하는데 있다.
본 발명의 또 다른 목적은, 날씨의 변화 및 차선의 축소 등으로 인한 돌발 상황에 대해 더 나은 예측을 수행할 수 있는 시스템 및 그 방법을 제공하는 데 있다.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템의 특징은 시간대별 교통량의 변화, 도로의 지리적 특징, 지상조건, 사고 및 공사와 같은 돌발 상황을 포함하는 정체를 일으키는 원인에 해당되는 정보를 입력으로 입력 패턴 벡터를 구성할 수 있는 과거 기록 정보를 추출하는 정보 추출부와, 상기 추출된 과거 기록 정보에 따른 데이터 값의 표준화를 실시하여 도로패턴 벡터를 생성한 후, 도로의 패턴과 구간의 평균통과 속도와의 함수관계를 알아내기 위한 ANN(Artificial Neural Network, 인공 신경망) 학습을 수행하는 모델 구성부와, 상기 모델 구성부와 동일한 전처리를 통해 예측용 입력 패턴 벡터의 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 평균속도를 예측하는 교통 예측부를 포함하여 구성된다.
바람직하게 상기 원인은 지능형 교통정보, 지리정보 및 기상정보를 포함하는 것을 특징으로 한다.
바람직하게 상기 전처리의 과정은 교통 정체와 관련된 요인의 특성에 따라 입력 변수를 정규화(normalizing) 및 이진화(binarization) 함으로써 이루어지는 것을 특징으로 한다.
바람직하게 상기 모델 구성부는 상기 정보 추출부에서 추출된 과거 기록 정보에 따른 전처리를 거쳐 해당 도로의 검지정보와 결합시켜 입력 패턴 벡터를 생성하는 입력 패턴 벡터 생성부와, 상기 생성된 입력 패턴 벡터를 저장하는 레퍼런스 DB와, 상기 레퍼런스 DB에 저장된 입력 패턴 벡터의 데이터 셋에 대해 GMM(Gaussian Mixture Model) 클러스터링(Clustering)을 적용하여 유사 패턴의 데이터 군집을 나누어 격자 구조의 클러스터를 추정하고 추정된 클러스터의 범위를 생성하는 데이터 분할부와, 상기 생성된 각각의 클러스터 내의 입력 패턴 벡터에 개별적으로 ANN 학습을 수행하는 ANN 학습부와, 상기 생성된 추정된 클러스터의 범위 정보 및 상기 ANN 학습부에서 각 클러스터 내의 입력 패턴 벡터에 개별적으로 학습된 ANN을 저장하는 모델 구조 DB를 포함하여 구성되는 것을 특징으로 한다.
바람직하게 상기 ANN 학습은 도로의 패턴과 구간이 평균통과 속도와의 함수 관계를 알아내기 위한 방식으로 입력 패턴 벡터와 다음 시점의 평균 속도 함수 관계를 통한 모델링으로 이루어지는 것을 특징으로 한다.
바람직하게 상기 교통 예측부는 이후 예측 과정에서 새로운 데이터에 대해 상기 모델 구성부와 동일한 전처리를 수행하여 예측용 입력 패턴 벡터를 생성하는 예측용 입력 패턴 벡터 생성부와, 상기 생성된 예측용 입력 패턴 벡터의 소속 클러스터를 판별하는 소속 클러스터 판별부와, 상기 판별된 소속 클러스터에 해당하는 로컬(local) ANN을 이용해 구간의 평균속도를 예측하는 속도 예측부를 포함하여 구성되는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법의 특징은 (A) 시간대별 교통량의 변화, 도로의 지리적 특징, 지상조건, 사고 및 공사와 같은 돌발 상황을 포함하는 정체를 일으키는 원인에 해당되는 정보를 입력으로 입력 패턴 벡터를 구성할 수 있는 과거 기록 정보를 추출하는 단계와, (B) 상기 추출된 과거 기록 정보에 따른 데이터 값의 표준화를 실시하여 도로패턴 벡터를 생성한 후, ANN 학습을 수행하는 단계와, (C) 상기 전처리와 동일한 전처리를 통해 판별된 예측용 입력 패턴 벡터의 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 속도를 예측하는 단계를 포함하여 이루어지는 데 있다.
바람직하게 상기 ANN 학습은 입력 패턴 벡터와 다음 시점의 평균 속도 함수 관계를 통한 모델링으로 이루어지는 것을 특징으로 한다.
바람직하게 상기 (B) 단계는 상기 추출된 과거 기록 정보에 따른 전처리를 거쳐 해당 도로의 검지정보와 결합시켜 입력 패턴 벡터를 생성하여 레퍼런스 DB에 저장하는 단계와, 상기 레퍼런스 DB의 데이터 셋에 대해 GMM(Gaussian Mixture Model) 클러스터링을 적용하여 유사 패턴의 데이터 군집을 나누어 격자 구조의 클러스터를 추정하고 추정된 클러스터의 범위를 생성하는 단계와, 상기 생성된 각각의 클러스터 내의 입력 패턴 벡터에 개별적으로 ANN 학습을 수행하는 단계를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게 상기 생성된 클러스터의 범위 정보 및 학습된 ANN는 모델 구조 DB에 각각 저장하는 단계를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게 상기 전처리 과정은 교통 정체와 관련된 요인의 특성에 따라 입력 변수를 정규화(normalizing) 및 이진화(binarization) 함으로써 이루어지는 것을 특징으로 한다.
바람직하게 상기 (C) 단계는 이후 예측 과정에서 새로운 데이터에 대해 동일한 전처리를 수행하여 예측용 입력 패턴 벡터를 생성하는 단계와, 상기 생성된 예측용 입력 패턴 벡터의 소속 클러스터를 판별하는 단계와, 상기 판별된 소속 클러스터에 해당하는 로컬(local) ANN을 이용하여 구간의 평균속도를 예측하는 단계를 포함하여 이루어지는 것을 특징으로 한다.
이상에서 설명한 바와 같은 본 발명에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법은 도로 상태가 다른 여러 도시의 환경변수로서 구분하므로 서로 다른 도로들을 통합하여 교통 상황을 예측하므로 날씨의 변화, 차선의 축소 등으로 인한 돌발 상황에 대해 더 나은 예측을 수행할 수 있는 효과가 있다. 따라서 기존의 교통 상황 예측 시스템보다 나은 예측 성능을 보일 수 있다.
도 1 은 본 발명의 실시예에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템의 구성을 나타낸 블록도
도 2 는 도 1의 모델 구성부의 구성을 상세히 나타낸 블록도
도 3 은 도 1의 교통 예측부의 구성을 상세히 나타낸 블록도
도 4 는 본 발명의 실시예에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법을 설명하기 위한 흐름도이다.
도 5 는 도 4의 입력 패턴 벡터의 모식도를 나타낸 도면
도 6 은 본 발명에 따른 예측 도로의 밀도와 직전 연결도로의 통행량에 대한히스토그램
도 7 은 도 6에서 나타내고 있는 변수들에 대해 각각 1차원의 EM 알고리즘 GMM 모델을 적용하여 확률 밀도함수를 추정한 결과를 나타낸 도면
도 8 은 해당 변수값에서 계산된 사후 확률의 비율에 의해 계산된 클러스터 회원점수(cluster membership scores)와 클러스터 경계(cluster boundary)를 나타낸 도면
도 9 는 도 8의 각각 추정된 클러스터를 나타낸 도면
도 10 은 본 발명에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법에 따른 시간대별 MAE 그래프를 나타낸 도면
본 발명의 다른 목적, 특성 및 이점들은 첨부한 도면을 참조한 실시예들의 상세한 설명을 통해 명백해질 것이다.
본 발명에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법의 바람직한 실시예에 대하여 첨부한 도면을 참조하여 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록하며 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1 은 본 발명의 실시예에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템의 구성을 나타낸 블록도이다.
도 1에서 도시하고 있는 것과 같이, 지능형 교통시스템(ITS), 지리정보 시스템 및 기상정보 시스템을 통해 제공되는 지능형 교통정보, 지리정보 및 기상정보를 입력으로 입력 패턴 벡터를 구성할 수 있는 과거 기록 정보를 추출하는 정보 추출부(100)와, 상기 정보 추출부(100)에서 추출된 과거 기록 정보에 따른 데이터 값의 표준화를 실시하여 입력 패턴 벡터를 생성한 후, 도로의 패턴과 구간의 평균통과 속도와의 함수관계를 알아내기 위한 ANN(Artificial Neural Network) 학습을 수행하는 모델 구성부(200)와, 상기 모델 구성부(200)와 동일한 전처리를 통해 예측용 입력 패턴 벡터의 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 평균속도를 예측하는 교통 예측부(300)로 구성된다. 이때, 상기 전처리 과정은 교통 정체와 관련된 요인의 특성에 따라 입력 변수를 정규화(normalizing) 및 이진화(binarization) 함으로써 이루어질 수 있다.
이때, 상기 모델 구성부(200)는 도 2에서 도시하고 있는 것과 같이, 상기 정보 추출부(100)에서 추출된 과거 기록 정보에 따른 전처리를 거쳐 해당 도로의 검지정보와 결합시켜 입력 패턴 벡터를 생성하는 입력 패턴 벡터 생성부(210)와, 상기 입력 패턴 벡터 생성부(210)에서 생성된 입력 패턴 벡터를 저장하는 레퍼런스 DB(220)와, 상기 레퍼런스 DB(220)에 저장된 입력 패턴 벡터의 데이터 셋에 대해 GMM(Gaussian Mixture Model) 클러스터링을 적용하여 비슷한 패턴의 데이터 군집을 나누어 격자 구조의 클러스터를 추정하고 추정된 클러스터의 범위를 생성하는 데이터 분할부(230)와, 상기 데이터 분할부(230)에서 생성된 각각의 클러스터 내의 입력 패턴 벡터에 개별적으로 ANN 학습을 수행하는 ANN 학습부(240)와, 상기 데이터 분할부(230)에서 생성된 추정된 클러스터의 범위 정보 및 상기 ANN 학습부(240)에서 각 클러스터 내의 입력 패턴 벡터에 개별적으로 학습된 ANN을 저장하는 모델 구조 DB(250)로 구성된다.
이때, 상기 GMM은 다중모델 분포를 다수의 가우시안(Gaussian) 분포의 결합으로 가정하여 분포를 추정하는 방법으로, 이는 이미 공지된 기술로 이에 따른 상세한 설명은 생략한다. 그리고 상기 ANN 학습은 도로의 패턴과 구간이 평균통과 속도와의 함수 관계를 알아내기 위한 방식으로 입력 패턴 벡터와 다음 시점의 평균 속도 함수 관계를 통한 모델링으로 이루어진다.
그리고 상기 교통 예측부(300)는 도 3에서 도시하고 있는 것과 같이, 이후 예측 과정에서 새로운 데이터에 대해 상기 모델 구성부(200)와 동일한 전처리를 수행하여 예측용 입력 패턴 벡터를 생성하는 예측용 입력 패턴 벡터 생성부(310)와, 상기 예측용 입력 패턴 벡터 생성부(310)에서 생성된 예측용 입력 패턴 벡터의 소속 클러스터를 판별하는 소속 클러스터 판별부(320)와, 상기 소속 클러스터 판별부(320)에서 판별된 소속 클러스터에 해당하는 로컬(local) ANN을 이용해 구간의 평균속도를 예측하는 속도 예측부(330)로 구성된다.
이와 같이 구성된 본 발명에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템의 동작을 첨부한 도면을 참조하여 상세히 설명하면 다음과 같다. 도 1 내지 도 3과 동일한 참조부호는 동일한 기능을 수행하는 동일한 부재를 지칭한다.
도 4 는 본 발명의 실시예에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법을 설명하기 위한 흐름도이다.
도 4를 참조하여 설명하면, 먼저, 지능형 교통시스템(ITS), 지리정보 시스템 및 기상정보 시스템을 통해 제공되는 지능형 교통정보, 지리정보 및 기상정보를 입력으로 입력 패턴 벡터를 구성할 수 있는 과거 기록 정보를 추출한다(S100). 이때, 기상정보 등과 같은 이미 공개된 정보의 경우는 온라인 정보 공개 시스템을 통해 수집하며, 비공개데이터의 경우는 ITS, GIS(Geographic Information System) 등과 같은 담당기관을 통해 제공받는다.
이어 상기 추출된 과거 기록 정보에 따른 데이터 값의 표준화를 실시하여 입력 패턴 벡터를 생성한 후, 도로의 패턴과 구간의 평균통과 속도와의 함수관계를 알아내기 위한 ANN 학습을 수행한다(S20). 이때. 상기 ANN 학습은 입력 패턴 벡터와 다음 시점의 평균 속도 함수 관계를 통한 모델링으로 이루어진다.
상기 S200의 단계를 좀 더 상세히 설명하면, 먼저 상기 추출된 과거 기록 정보에 따른 전처리를 거쳐 해당 도로의 검지정보와 결합시켜 입력 패턴 벡터를 생성하여 레퍼런스 DB(220)에 저장한다(S210).
이때, 생성되는 입력 패턴 벡터에 대한 설명은 다음 표 1에 나타내었고, 해당 도로와 관여된 입력 패턴 벡터의 모식도를 도 5에서 나타내었다.
Figure 112015000101619-pat00001
도 5에서 도시하고 있는 것과 같이, ITS, GIS, MIS에서 추출된 15개의 특성을 이용해 입력 패턴 벡터를 생성한다. 입력 패턴 벡터는 예측도로의 정보뿐만 아니라, 예측 도로의 연결도로에 대한 정보도 포함한다. 특히 연결 도로의 통행량은 예측도로에 부하를 전달해주는 매우 영향력 있는 입력 인자이다. 본 발명에서는 예측도로의 시작점과 직접적으로 연결된 연결도로의 통행량만을 예측에 반영한다. 실질적으로, 현 구간의 속도에 영향을 미치는 요인은 15분 내에 현 위치로 도달이 가능한 모든 루트에서의 통행량이다. 그러나 현실적으로 이와 같은 적용은 누락된 데이터(missing data), 차원의 저주, 상이한 가중치의 문제 등으로 인하여 불가능하다. 따라서 본 발명에서는 보다 실질적인 적용을 위해 합리적 생략을 적용하였다. 그러나 이는 하나의 일 실시예일 뿐, 이에 한정되지는 않는다.
다음으로 상기 레퍼런스 DB(220)의 데이터 셋에 대해 GMM(Gaussian Mixture Model) 클러스터링을 적용하여 비슷한 패턴의 데이터 군집을 나누어 격자 구조의 클러스터를 추정하고 추정된 클러스터의 범위를 생성한다(S220).
이때, 상기 레퍼런스 DB(220)는 데이터의 레코드수가 매우 많고 방대하여, 적절히 나누어야 할 필요가 있다. 레퍼런스 DB(220)는 각 도로별 시간대, 유사도로특징으로 인해 여러 개의 군집을 형성하고 있다. 만약 이러한 경우, 레퍼런스 DB(220) 전체의 데이터에 대해서 ANN 글로벌 함수를 학습하고, 이를 예측에 이용하면 좋은 예측의 성능을 기대할 수 없다. 각각의 군집들의 각기 다른 특징들이 소수의 에러로 취급되어 표준화되기 때문이다. 물론 모수를 조정하여 데이터 군집의 패턴을 긴밀하게 반영할 수 있지만 이는 오버 피팅(over fitting)의 문제를 초래할 수 있다.
이러한 문제점을 해결하기 위해 본 발명은 EM 알고리듬을 적용한 GMM 클러스터링을 활용하여 데이터의 클러스터를 나누었다. 이처럼 클러스터를 나눔에 있어 1차원의 GMM 클러스터링을 이용하여 몇 개의 선택된 연속형 요소에 대해 클러스터를분할한다. 이는 패턴 벡터 공간 상의 하이퍼 큐브 격자 구조를 이용한 데이터 분할방식을 의미한다. 본 발명의 입력 패턴 벡터의 차원이 3차원 이상이기 때문에 모든 클러스터를 정확히 시각화하기에는 불가능하다. 따라서 본 발명에서는 2차원의 데이터로 한정하여 예시를 설명하겠다.
도 6 은 본 발명에 따른 예측 도로의 밀도와 직전 연결도로의 통행량에 대한히스토그램이다.
도 6에서 나타내고 있는 변수들에 대해 각각 1차원의 EM 알고리즘 GMM 모델을 적용하여 확률 밀도함수를 추정한 결과는 도 7과 같다. 도 7에서 v2는 3개의 가우시안 확률분포에서 생성된 데이터임을 추정할 수 있고, v12는 4개의 가우시안 분포에서 생성된 데이터임을 추정할 수 있다.
이후 GMM 모델에서 추정된 각각의 가우시안 분포는 각각의 클러스터를 대표하는 분포로 사용된다. 샘플링 데이터에 대해 각각의 분포에 대한 사후 확률을 계산하고, 이중 가장 높은 사후 확률의 클러스터에 할당한다.
도 8 은 해당 변수값에서 계산된 사후 확률의 비율에 의해 계산된 클러스터 회원점수(cluster membership scores)와 클러스터 경계(cluster boundary)를 보여준다. 이렇게 구해진 각각의 클러스터 경계를 활용하여 두 변수의 범위를 가지는 좌표 평면상에 격자구조의 클러스터를 추정할 수 있다. 도 9 는 각각이 추정된 클러스터를 보여준다.
이렇게 생성된 각각의 클러스터 내의 입력 패턴 벡터에 개별적으로 ANN 학습을 수행한다(S230). 이때 상기 생성된 클러스터의 범위 정보 및 학습된 ANN는 모델 구조 DB(250)에 각각 저장된다. 그리고 상기 전처리 과정은 교통 정체와 관련된 요인의 특성에 따라 입력 변수를 정규화(normalizing) 및 이진화(binarization) 함으로써 이루어질 수 있다.
다음으로 상기 전처리와 동일한 전처리를 통해 판별된 예측용 입력 패턴 벡터의 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 속도를 예측한다(S30).
상기 S30의 단계를 좀 더 상세히 설명하면, 이후 예측 과정에서 새로운 데이터에 대해 동일한 전처리를 수행하여 예측용 입력 패턴 벡터를 생성하고, 상기 생성된 예측용 입력 패턴 벡터의 소속 클러스터를 판별한다. 그리고 상기 판별된 소속 클러스터에 해당하는 로컬(local) ANN을 이용하여 구간의 평균속도를 예측한다.
도 10 은 본 발명에 따른 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법에 따른 시간대별 MAE 그래프를 나타낸 도면이다.
도 10에서 나타내고 있는 것과 같이, 본 발명에 따른 MPRM은 다른 방법론에 비해 뛰어난 예측성능을 보이고 있으며, 시간대별 MAE 또한 전시간 구간에서 뛰어난 예측성능을 보이는 것을 알 수 있다.
상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (12)

  1. 시간대별 교통량의 변화, 도로의 지리적 특징, 지상조건, 및 돌발 상황을 포함하는 정체를 일으키는 원인에 해당되는 정보를 입력으로 입력 패턴 벡터를 구성할 수 있는 과거 기록 정보를 추출하는 정보 추출부와,
    상기 추출된 과거 기록 정보에 따른 데이터 값의 표준화를 실시하여 도로패턴 벡터를 생성한 후, 도로의 패턴과 구간의 평균통과 속도와의 함수관계를 알아내기 위한 ANN(Artificial Neural Network) 학습을 수행하는 모델 구성부와,
    예측용 입력 패턴 벡터의 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 평균속도를 예측하는 교통 예측부를 포함하여 구성되는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템에 있어서:
    상기 모델 구성부는,
    상기 정보 추출부에서 추출된 과거 기록 정보에 따른 전처리를 거쳐 해당 도로의 검지정보와 결합시켜 입력 패턴 벡터를 생성하는 입력 패턴 벡터 생성부와,
    상기 생성된 입력 패턴 벡터를 저장하는 레퍼런스 DB와,
    상기 레퍼런스 DB에 저장된 입력 패턴 벡터의 데이터 셋에 대해 GMM(Gaussian Mixture Model) 클러스터링을 적용하여 유사 패턴의 데이터 군집을 나누어 격자 구조의 클러스터를 추정하고 추정된 클러스터의 범위를 생성하는 데이터 분할부와,
    상기 생성된 각각의 클러스터 내의 입력 패턴 벡터에 개별적으로 ANN 학습을 수행하는 ANN 학습부와,
    상기 생성된 추정된 클러스터의 범위 정보 및 상기 ANN 학습부에서 각 클러스터 내의 입력 패턴 벡터에 개별적으로 학습된 ANN을 저장하는 모델 구조 DB를 포함하여 구성되고;
    상기 교통 예측부는, 상기 모델 구성부와 동일한 전처리를 통해 생성되는 상기 예측용 입력 패턴 벡터의 소속 클러스터를 판별하고, 상기 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 평균속도를 예측하는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템.
  2. 제 1 항에 있어서,
    상기 원인은 지능형 교통정보, 지리정보 및 기상정보를 포함하는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템.
  3. 제 1 항에 있어서,
    상기 모델 구성부의 전처리 과정은 교통 정체와 관련된 요인의 특성에 따라 입력 변수를 정규화(normalizing) 및 이진화(binarization) 함으로써 이루어지는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 ANN 학습은 도로의 패턴과 구간이 평균통과 속도와의 함수 관계를 알아내기 위한 방식으로 입력 패턴 벡터와 다음 시점의 평균 속도 함수 관계를 통한 모델링으로 이루어지는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템.
  6. 제 1 항에 있어서, 상기 교통 예측부는
    이후 예측 과정에서 새로운 데이터에 대해 상기 모델 구성부와 동일한 전처리를 수행하여 예측용 입력 패턴 벡터를 생성하는 예측용 입력 패턴 벡터 생성부와,
    상기 생성된 예측용 입력 패턴 벡터의 소속 클러스터를 판별하는 소속 클러스터 판별부와,
    상기 판별된 소속 클러스터에 해당하는 로컬(local) ANN을 이용해 구간의 평균속도를 예측하는 속도 예측부를 포함하여 구성되는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템.
  7. (A) 시간대별 교통량의 변화, 도로의 지리적 특징, 지상조건, 및 돌발 상황을 포함하는 정체를 일으키는 원인에 해당되는 정보를 입력으로 입력 패턴 벡터를 구성할 수 있는 과거 기록 정보를 추출하는 단계와,
    (B) 상기 추출된 과거 기록 정보에 따른 데이터 값의 표준화를 실시하여 도로패턴 벡터를 생성한 후, ANN 학습을 수행하는 단계와,
    (C) 예측용 입력 패턴 벡터의 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 속도를 예측하는 단계를 포함하여 이루어지는 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법에 있어서:
    상기 (B) 단계는,
    상기 추출된 과거 기록 정보에 따른 전처리를 거쳐 해당 도로의 검지정보와 결합시켜 입력 패턴 벡터를 생성하여 레퍼런스 DB에 저장하는 단계와,
    상기 레퍼런스 DB의 데이터 셋에 대해 GMM(Gaussian Mixture Model) 클러스터링을 적용하여 유사 패턴의 데이터 군집을 나누어 격자 구조의 클러스터를 추정하고 추정된 클러스터의 범위를 생성하는 단계와,
    상기 생성된 각각의 클러스터 내의 입력 패턴 벡터에 개별적으로 ANN 학습을 수행하는 단계를 포함하여 이루어지며;
    상기 (C) 단계는, 상기 (B) 단계의 전처리와 동일한 전처리를 통해 생성되는 상기 예측용 입력 패턴 벡터의 소속 클러스터를 판별하고, 상기 소속 클러스터에 해당하는 로컬 ANN을 이용하여 구간의 속도를 예측하는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법.
  8. 제 7 항에 있어서,
    상기 ANN 학습은 입력 패턴 벡터와 다음 시점의 평균 속도 함수 관계를 통한 모델링으로 이루어지는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법.
  9. 삭제
  10. 제 7 항에 있어서,
    상기 생성된 클러스터의 범위 정보 및 학습된 ANN는 모델 구조 DB에 각각 저장하는 단계를 포함하여 이루어지는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법.
  11. 제 7 항에 있어서,
    상기 (B) 단계의 전처리 과정은 교통 정체와 관련된 요인의 특성에 따라 입력 변수를 정규화(normalizing) 및 이진화(binarization) 함으로써 이루어지는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법.
  12. 제 7 항에 있어서, 상기 (C) 단계는
    이후 예측 과정에서 새로운 데이터에 대해 동일한 전처리를 수행하여 예측용 입력 패턴 벡터를 생성하는 단계와,
    상기 생성된 예측용 입력 패턴 벡터의 소속 클러스터를 판별하는 단계와,
    상기 판별된 소속 클러스터에 해당하는 로컬(local) ANN을 이용하여 구간의 평균속도를 예측하는 단계를 포함하여 이루어지는 것을 특징으로 하는 다변수 패턴 인식모델을 이용한 도시 교통 예측 방법.
KR1020150000069A 2015-01-02 2015-01-02 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 KR101638368B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150000069A KR101638368B1 (ko) 2015-01-02 2015-01-02 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150000069A KR101638368B1 (ko) 2015-01-02 2015-01-02 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR101638368B1 true KR101638368B1 (ko) 2016-07-11

Family

ID=56499653

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150000069A KR101638368B1 (ko) 2015-01-02 2015-01-02 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR101638368B1 (ko)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法
CN107293115A (zh) * 2017-05-09 2017-10-24 上海电科智能系统股份有限公司 一种用于微观仿真的交通流量预测方法
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN108182339A (zh) * 2018-03-20 2018-06-19 北京工业大学 一种基于高斯分布的窗户状态预测方法及系统
CN108399744A (zh) * 2018-02-24 2018-08-14 上海理工大学 基于灰色小波神经网络的短时交通流预测方法
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
CN108665703A (zh) * 2018-04-23 2018-10-16 东南大学 基于宏观基本图的路网状态转换点判别方法
CN109191841A (zh) * 2018-09-17 2019-01-11 天津中德应用技术大学 一种基于树莓派的城市交通智能管理系统
CN109712393A (zh) * 2019-01-10 2019-05-03 浙江工业大学 基于高斯过程回归算法的智能交通时段划分方法
CN109816983A (zh) * 2019-02-26 2019-05-28 昆明理工大学 一种基于深度残差网络的短时交通流量预测方法
CN111063204A (zh) * 2019-12-19 2020-04-24 浙江省交通规划设计研究院有限公司 一种基于收费站流量的高速公路车速预测模型训练方法
WO2020148761A1 (en) * 2019-01-15 2020-07-23 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
US10741078B2 (en) 2016-11-23 2020-08-11 Electronics And Telecommunications Research Institute Method and apparatus for providing traffic safety service based on decision layer model
CN111627210A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种车流量预测方法、装置、设备及介质
CN112652164A (zh) * 2020-12-02 2021-04-13 北京北大千方科技有限公司 一种交通时段划分方法、装置及设备
CN113283634A (zh) * 2021-04-15 2021-08-20 招商新智科技有限公司 一种基于梯度提升树模型的高速公路事故预测方法及系统
CN113327418A (zh) * 2021-05-31 2021-08-31 同济大学 一种快速路拥堵风险分级实时预测方法
KR20210117445A (ko) 2020-03-19 2021-09-29 충북대학교 산학협력단 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법 및 이를 기록한 기록매체
CN113920723A (zh) * 2021-09-27 2022-01-11 同济大学 一种山区高速公路事故多发路段识别方法
CN114390079A (zh) * 2022-03-24 2022-04-22 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
KR20220092293A (ko) * 2020-12-24 2022-07-01 한국교통연구원 교통 패턴 분류 장치 및 방법
CN115457767A (zh) * 2022-08-30 2022-12-09 同济大学 一种基于众包机动车轨迹的车道信息提取方法
WO2023014311A1 (en) * 2021-08-06 2023-02-09 Basarsoft Bilgi Teknolojileri Anonim Sirketi Traffic density estimation system and a method thereof
CN116703008A (zh) * 2023-08-02 2023-09-05 山东高速股份有限公司 一种用于新建公路的交通出行量预测方法、设备及介质
CN117408393A (zh) * 2023-12-06 2024-01-16 华中科技大学 一种异常事件下综合客运枢纽交通流量的预测方法及系统
CN117807450A (zh) * 2024-01-02 2024-04-02 浙江恒隆智慧科技集团有限公司 一种城市智能化公共交通系统及方法
US11961217B2 (en) 2020-12-29 2024-04-16 Pusan National University Industry—University Cooperation Foundation Device and method for storing image data for surface defect detection scanner

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050068938A (ko) * 2003-12-30 2005-07-05 현대자동차주식회사 도로 교통상황 판단방법
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
KR20140028801A (ko) * 2012-08-30 2014-03-10 경희대학교 산학협력단 Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050068938A (ko) * 2003-12-30 2005-07-05 현대자동차주식회사 도로 교통상황 판단방법
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
KR20140028801A (ko) * 2012-08-30 2014-03-10 경희대학교 산학협력단 Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법
KR101385057B1 (ko) 2012-08-30 2014-04-14 경희대학교 산학협력단 Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
신원식 외 2. ITS를 위한 차량검지시스템을 기반으로 한 교통 정체 예측 모듈 개발. 2010.12, IE Interfaces. Vol. 23, No. 4, pp. 349-356. *

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10741078B2 (en) 2016-11-23 2020-08-11 Electronics And Telecommunications Research Institute Method and apparatus for providing traffic safety service based on decision layer model
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法
CN106846816B (zh) * 2017-04-12 2019-09-17 山东理工大学 一种基于深度学习的离散化交通状态判别方法
CN107293115A (zh) * 2017-05-09 2017-10-24 上海电科智能系统股份有限公司 一种用于微观仿真的交通流量预测方法
CN107705556A (zh) * 2017-09-01 2018-02-16 南京邮电大学 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN108399744A (zh) * 2018-02-24 2018-08-14 上海理工大学 基于灰色小波神经网络的短时交通流预测方法
CN108182339A (zh) * 2018-03-20 2018-06-19 北京工业大学 一种基于高斯分布的窗户状态预测方法及系统
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
CN108182339B (zh) * 2018-03-20 2021-08-13 北京工业大学 一种基于高斯分布的窗户状态预测方法及系统
CN108492555B (zh) * 2018-03-20 2020-03-31 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
CN108665703A (zh) * 2018-04-23 2018-10-16 东南大学 基于宏观基本图的路网状态转换点判别方法
CN109191841A (zh) * 2018-09-17 2019-01-11 天津中德应用技术大学 一种基于树莓派的城市交通智能管理系统
CN109712393A (zh) * 2019-01-10 2019-05-03 浙江工业大学 基于高斯过程回归算法的智能交通时段划分方法
WO2020148761A1 (en) * 2019-01-15 2020-07-23 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
US12008896B2 (en) 2019-01-15 2024-06-11 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
US11100793B2 (en) 2019-01-15 2021-08-24 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
CN109816983A (zh) * 2019-02-26 2019-05-28 昆明理工大学 一种基于深度残差网络的短时交通流量预测方法
CN111063204A (zh) * 2019-12-19 2020-04-24 浙江省交通规划设计研究院有限公司 一种基于收费站流量的高速公路车速预测模型训练方法
KR20210117445A (ko) 2020-03-19 2021-09-29 충북대학교 산학협력단 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법 및 이를 기록한 기록매체
CN111627210A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种车流量预测方法、装置、设备及介质
CN112652164A (zh) * 2020-12-02 2021-04-13 北京北大千方科技有限公司 一种交通时段划分方法、装置及设备
CN112652164B (zh) * 2020-12-02 2022-12-30 北京北大千方科技有限公司 一种交通时段划分方法、装置及设备
KR20220092293A (ko) * 2020-12-24 2022-07-01 한국교통연구원 교통 패턴 분류 장치 및 방법
KR102464331B1 (ko) 2020-12-24 2022-11-09 한국교통연구원 교통 패턴 분류 장치 및 방법
US11961217B2 (en) 2020-12-29 2024-04-16 Pusan National University Industry—University Cooperation Foundation Device and method for storing image data for surface defect detection scanner
CN113283634A (zh) * 2021-04-15 2021-08-20 招商新智科技有限公司 一种基于梯度提升树模型的高速公路事故预测方法及系统
CN113283634B (zh) * 2021-04-15 2024-03-26 招商新智科技有限公司 一种基于梯度提升树模型的高速公路事故预测方法及系统
CN113327418A (zh) * 2021-05-31 2021-08-31 同济大学 一种快速路拥堵风险分级实时预测方法
WO2023014311A1 (en) * 2021-08-06 2023-02-09 Basarsoft Bilgi Teknolojileri Anonim Sirketi Traffic density estimation system and a method thereof
CN113920723A (zh) * 2021-09-27 2022-01-11 同济大学 一种山区高速公路事故多发路段识别方法
US11868926B2 (en) 2022-03-24 2024-01-09 Chengdu Qinchuan Iot Technology Co., Ltd. Systems and methods for managing public place in smart city
CN114390079A (zh) * 2022-03-24 2022-04-22 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
CN115457767B (zh) * 2022-08-30 2023-08-29 同济大学 一种基于众包机动车轨迹的车道信息提取方法
CN115457767A (zh) * 2022-08-30 2022-12-09 同济大学 一种基于众包机动车轨迹的车道信息提取方法
CN116703008A (zh) * 2023-08-02 2023-09-05 山东高速股份有限公司 一种用于新建公路的交通出行量预测方法、设备及介质
CN116703008B (zh) * 2023-08-02 2023-10-31 山东高速股份有限公司 一种用于新建公路的交通出行量预测方法、设备及介质
CN117408393A (zh) * 2023-12-06 2024-01-16 华中科技大学 一种异常事件下综合客运枢纽交通流量的预测方法及系统
CN117408393B (zh) * 2023-12-06 2024-03-19 华中科技大学 一种异常事件下综合客运枢纽交通流量的预测方法及系统
CN117807450A (zh) * 2024-01-02 2024-04-02 浙江恒隆智慧科技集团有限公司 一种城市智能化公共交通系统及方法
CN117807450B (zh) * 2024-01-02 2024-06-11 浙江恒隆智慧科技集团有限公司 一种城市智能化公共交通系统及方法

Similar Documents

Publication Publication Date Title
KR101638368B1 (ko) 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법
Kim et al. Urban traffic flow prediction system using a multifactor pattern recognition model
CN107610469B (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
CN106251625B (zh) 大数据环境下立体城市交通路网全局状态预测方法
Elhenawy et al. Dynamic travel time prediction using data clustering and genetic programming
Liu et al. Modeling different urban growth patterns based on the evolution of urban form: A case study from Huangpi, Central China
CN109410577B (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
CN108427965A (zh) 一种基于路网聚类的热点区域挖掘方法
EP2590151A1 (en) A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras
Meng et al. A two-stage short-term traffic flow prediction method based on AVL and AKNN techniques
CN107481511A (zh) 一种计算候选公交站点的方法及系统
Yu et al. Forecasting short-term traffic speed based on multiple attributes of adjacent roads
Zhou Comparative study of approaches to delineating built‐up areas using road network data
CN114428828A (zh) 基于行驶轨迹挖掘新增道路方法、装置及电子设备
Guo et al. Dynamic identification of urban traffic congestion warning communities in heterogeneous networks
CN110021161B (zh) 一种交通流向的预测方法及系统
Prasad et al. An efficient traffic forecasting system based on spatial data and decision trees.
CN113158084B (zh) 移动轨迹数据处理的方法、装置、计算机设备及存储介质
Pinelli et al. Robust bus-stop identification and denoising methodology
Yu et al. A hybrid prediction approach for road tunnel traffic based on spatial-temporary data fusion
Ghasempoor et al. Traffic Modeling and Prediction Using Basic Neural Network and Wavelet Neural Network Along with Traffic Optimization Using Genetic Algorithm, Particle Swarm, and Colonial Competition
Li et al. MGC-GAN: Multi-graph convolutional generative adversarial networks for accurate citywide traffic flow prediction
Reyes et al. Dynamic grouping of vehicle trajectories
Zhou et al. Refined taxi demand prediction with ST-Vec

Legal Events

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

Payment date: 20190625

Year of fee payment: 4