KR101703058B1 - System for predicting traffic state pattern by analysis of traffic data and predicting method thereof - Google Patents

System for predicting traffic state pattern by analysis of traffic data and predicting method thereof Download PDF

Info

Publication number
KR101703058B1
KR101703058B1 KR1020160110719A KR20160110719A KR101703058B1 KR 101703058 B1 KR101703058 B1 KR 101703058B1 KR 1020160110719 A KR1020160110719 A KR 1020160110719A KR 20160110719 A KR20160110719 A KR 20160110719A KR 101703058 B1 KR101703058 B1 KR 101703058B1
Authority
KR
South Korea
Prior art keywords
intersection
traffic
data
traffic volume
vehicle
Prior art date
Application number
KR1020160110719A
Other languages
Korean (ko)
Inventor
백승태
Original Assignee
주식회사 블루시그널
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 주식회사 블루시그널 filed Critical 주식회사 블루시그널
Priority to KR1020160110719A priority Critical patent/KR101703058B1/en
Application granted granted Critical
Publication of KR101703058B1 publication Critical patent/KR101703058B1/en
Priority to CN201710070741.0A priority patent/CN107784835B/en

Links

Images

Classifications

    • G06Q50/40—
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/30—Transportation; Communications
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • 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
    • G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • H04W4/008—
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Abstract

The present invention relates to a system for predicting a traffic condition pattern by the analysis of traffic data. The purpose of the present invention is to provide a system for predicting a traffic condition pattern which can accurately predict, in real time, a traffic condition on a certain road at a specific point of time on the basis of past historical traffic data by road section stored in a cloud server, and a method for predicting the same. The system for predicting a traffic condition pattern by the analysis of traffic data according to an embodiment of the present invention comprises: a queue length estimating unit for receiving, from a cloud server, vehicle passage time information and vehicle speed information of a first intersection or a second intersection that are measured by a first beacon installed at the first intersection or a second beacon installed at the second intersection adjacent to the first intersection, and estimating, from the vehicle passage time information and the vehicle speed information of the first intersection or the second intersection, a queue length of vehicles that have entered the first intersection and have not passed through the second intersection; a traffic volume estimating unit for obtaining traffic volume density by road section between the first intersection and the second intersection by using the estimated queue length so as to estimate traffic volume; a traffic volume correcting unit for correcting data of the estimated traffic volume on the basis of past historical traffic data by road section stored in the cloud server; and a traffic condition information calculating unit for applying data mining and pattern matching techniques to the corrected data of the traffic volume so as to calculate a traffic condition pattern and a traffic volume turnover by time period and by road section.

Description

교통데이터 분석에 의한 교통상태패턴 예측시스템 및 그 예측방법{SYSTEM FOR PREDICTING TRAFFIC STATE PATTERN BY ANALYSIS OF TRAFFIC DATA AND PREDICTING METHOD THEREOF}BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a traffic state pattern prediction system and a method of predicting the state of a traffic state,

본 발명은 교통데이터 분석에 의한 교통상태패턴 예측시스템 및 그 예측방법에 관한 것으로, 특히 추정된 교통량의 데이터를 도로구간별 과거이력 교통데이터를 기반으로 보정하여 미래의 교통상태패턴을 최적으로 예측하는 시스템 및 그 예측방법에 관한 것이다.The present invention relates to a traffic state pattern prediction system and a method for predicting the traffic state using traffic data analysis. More particularly, the present invention relates to a traffic state pattern prediction system and a method of predicting the traffic state pattern, And a prediction method thereof.

이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진시키기 위하여 작성된 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래 기술이 아닌 사항을 포함할 수 있다.The matters described in the background section are intended to enhance the understanding of the background of the invention and may include matters not previously known to those skilled in the art.

종래의 교통정보 제공시스템은 소정의 교통정보를 수집하기 위한 설비장치로서, 도로상에 매설된 원형도선에 전류를 흐르게 하여 차량이 이동하면 변화하는 자속의 변화량에 의하여 발생하는 잔류량으로 차량의 속도를 파악하는 전자유동식 차량 감지기, 도로상에 설치된 폐쇄회로(CCTV) 카메라, 또는 도로상에 설치된 속도 감지기 등을 사용하고 있다. 종래의 교통정보 제공시스템에서는 상기의 수단들을 통해 수집된 교통정보를 이용하여 신호등을 제어하거나, 이용자에게 무선 또는 유선으로 도로상의 정보를 제공하고 있으며, 교통정보를 실시간으로 수집하고 이를 이용자에게 전달하고 있다.A conventional traffic information providing system is a facility device for collecting predetermined traffic information. The current traffic information is supplied to a circular conductor embedded in a road, and when the vehicle moves, (CCTV) camera installed on the road, or a speed detector installed on the road. In the conventional traffic information providing system, traffic lights are controlled using the traffic information collected through the above means, or information on the road is wirelessly or wired to the user. Traffic information is collected in real time and transmitted to the user have.

또한, 근래에는 이동통신 단말기를 휴대하고 있는 사용자가 증가하면서 이동통신 단말기를 이용한 다양한 컨텐츠 서비스가 제공되고 있다. 컨텐츠 서비스 중 주행 중인 차량 내부에 구비되어 있는 이동통신 단말기로부터 출발지 및 목적지의 정보를 수신하여 무선으로 출발지에서 목적지까지의 최단의 경로를 안내하는 서비스가 사용된다. 예를 들면, 사용자가 출발지명 및 목적지명을 음성 또는 문자 형태로 이동통신 단말기 또는 독립된 네비게이션 단말기에 입력하면 출발지에서 목적지까지의 경로정보를 생성하여 운전자에게 음성, 문자, 신호음 등을 이용하여 출력하는 서비스가 제공되고 있다.In recent years, a variety of content services using a mobile communication terminal have been provided with users increasingly carrying mobile communication terminals. Among the content services, a service for receiving the information of the departure point and the destination from the mobile communication terminal provided in the running vehicle and guiding the shortest route from the departure point to the destination wirelessly is used. For example, when a user inputs a starting location name and a destination location name in voice or text form into a mobile communication terminal or an independent navigation terminal, route information from the origin to the destination is generated and output to the driver using voice, text, Services are being provided.

그러나, 종래의 교통소통정보 제공서비스에서는 특정한 시점의 해당 도로의 교통상태를 도로구간별 과거이력 교통데이터를 기반으로 실시간으로 정확히 예측할 수 없는 문제점이 있다. 또한, 도로구간별 신호주기뿐만 아니라, 더 나아가 여러 도로구간이 속한 도시구역단위의 신호주기를 최적화할 수 없는 문제점이 있다.However, in the conventional traffic communication information providing service, there is a problem that the traffic state of the road at a specific point in time can not be accurately predicted in real time based on the past history traffic data for each road section. In addition, there is a problem in that not only the signal period for each road section but also the signal period for each city section in which various road sections belong can not be optimized.

한국 공개특허공보 제2006-0037481호(2007.03.28.)Korean Unexamined Patent Publication No. 2006-0037481 (Mar. 28, 2007)

상술한 종래기술의 문제점을 해결하기 위한 것으로, 본 발명은 특정한 시점에 해당 도로의 교통상태를 클라우드 서버에 저장된 도로구간별 과거이력 교통데이터를 기반으로 실시간으로 정확히 예측할 수 있는 교통상태패턴 예측시스템 및 그 예측방법을 제공하는 것을 목적으로 한다.The present invention provides a traffic state pattern prediction system capable of accurately predicting a traffic state of a road at a specific time in real time based on past history traffic data for each road section stored in a cloud server, And a prediction method thereof.

또한, 본 발명은 도로구간별 신호주기뿐만 아니라, 더 나아가 여러 도로구간이 속한 도시구역단위의 신호주기를 최적화할 수 있는 교통상태패턴 예측시스템 및 그 예측방법을 제공하는 것을 목적으로 한다.It is another object of the present invention to provide a traffic state pattern prediction system and a prediction method thereof that can optimize not only a signal cycle for each road section but also a signal cycle for each urban zone to which various road sections belong.

본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측시스템은, 제1 교차로에 설치된 제1 비콘, 또는 제1 교차로에 인접한 제2 교차로에 설치된 제2 비콘이 측정한 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보를 클라우드 서버로부터 수신하고, 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보로부터, 제1 교차로에 진입하여 제2 교차로를 통과하지 않은 차량의 대기행렬 길이를 추정하는 대기행렬 길이 추정부; 추정된 대기행렬 길이를 이용하여 제1 교차로와 제2 교차로 사이의 도로구간별 교통량 밀도를 구하여 교통량을 추정하는 교통량 추정부; 추정된 교통량의 데이터를 클라우드 서버에 저장된 도로구간별 과거이력 교통데이터를 기반으로 보정하는 교통량 보정부; 및 보정된 교통량의 데이터에 데이터 마이닝 및 패턴매칭기법을 적용하여 시간구간별 도로구간별 교통상태패턴 및 교통량 회전비율을 산출하는 교통상태정보 산출부를 포함한다.The traffic state pattern prediction system according to an embodiment of the present invention may include a first beacon installed at a first intersection or a first intersection measured by a second beacon installed at a second intersection adjacent to the first intersection, From the cloud server, the vehicle transit time information and the vehicle speed information of the second intersection, and from the vehicle transit time information and the vehicle speed information of the first intersection or the second intersection, A queue length estimator for estimating a queue length of the vehicle; A traffic volume estimation unit for estimating a traffic volume by calculating a traffic volume density for each road section between the first intersection and the second intersection using the estimated queue length; A traffic volume correcting unit for correcting the estimated traffic volume data based on past history traffic data for each road section stored in the cloud server; And a traffic state information calculation unit for calculating a traffic state pattern and a traffic volume rotation ratio for each road section by applying a data mining and pattern matching technique to the data of the corrected traffic volume.

여기서, 제1 비콘 및 제2 비콘은 차량 내의 탑승자 휴대용 단말기와 무선통신을 통해 차량이 제1 교차로 또는 제2 교차로를 통과하는 시간과, 제1 교차로 또는 제2 교차로를 통과하는 차량의 속도를 감지한다.Here, the first beacon and the second beacon detect the time when the vehicle passes through the first intersection or the second intersection and the speed of the vehicle passing through the first intersection or the second intersection through wireless communication with the passenger portable terminal in the vehicle do.

또한, 대기행렬 길이 추정부는 차량의 속도가 설정속도 이상에서 설정속도 미만으로 감소하는 도로구간의 특정지점을 인식하여 차량의 대기행렬 길이를 추정한다.Further, the queue length estimating unit estimates the queue length of the vehicle by recognizing a specific point of the road section where the speed of the vehicle decreases from the set speed to less than the set speed.

또한, 과거이력 교통데이터는 특정시간구간과 특정도로구간에 따른 주행속도 및 주행시간이다.Also, the past historical traffic data is a traveling speed and traveling time according to a specific time period and a specific road section.

또한, 교통량 보정부는 과거이력 교통데이터의 패턴을 분석하고, 수집되지 않은 도로구간 및 수집되지 않은 시간구간을 나타내는 교통데이터를 해당 도로구간 및 시간구간의 과거이력 교통데이터로 보정한다.In addition, the traffic volume correction unit analyzes patterns of past history traffic data, and corrects the traffic data representing the road segments that have not been collected and the time segments that have not been collected as past historical traffic data of the road segment and the time segment.

또한, 교통상태정보 산출부는 산출된 도로구간별 교통상태패턴 및 교통량 회전비율로부터 머신러닝 기반의 제1 교차로 또는 제2 교차로의 실시간 신호주기를 구한다.Also, the traffic state information calculation unit calculates a real-time signal period of the first or second intersection based on the machine learning from the calculated traffic state pattern of the road section and the traffic volume rotation ratio.

또한, 교통량 회전비율은 도로구간별 유입된 교통량에 대한 우회전 교통량 비율, 좌회전 교통량 비율 및 직진 교통량 비율이다.The traffic volume turnover ratio is a ratio of right turn traffic volume, left turn traffic volume, and straight traffic volume with respect to the amount of traffic flowing into each road section.

또한, 교통량 보정부는 추정된 교통량의 데이터와 도로구간별 과거이력 교통데이터의 패턴매칭에 의해 추정된 교통량의 데이터를 가장 유사도가 높은 도로구간별 과거이력 교통데이터로 보정한다.The traffic volume correction unit corrects the traffic volume data estimated by pattern matching of the estimated traffic volume data and the past history traffic data for each road segment to the past history traffic data for each road segment having the highest degree of similarity.

또한, 교통량 보정부는 추정된 교통량의 데이터와 도로구간별 과거이력 교통데이터 사이의 유클라디안 거리를 산출하고, 산출된 유클라디안 거리를 유사도의 값으로 산출한다.Further, the traffic volume correction section calculates the Euclidian distance between the estimated traffic volume data and the past history traffic data per road section, and calculates the calculated Euclidean distance as the value of the similarity.

본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측방법은, 교통데이터 분석에 의한 교통상태패턴 예측시스템을 이용한 교통상태패턴 예측방법에 있어서, 제1 교차로에 설치된 제1 비콘, 또는 제1 교차로에 인접한 제2 교차로에 설치된 제2 비콘이 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보를 측정하여 클라우드 서버에 송신하는 단계; 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보를 클라우드 서버로부터 수신하여, 제1 교차로에 진입하여 제2 교차로를 통과하지 않은 차량의 대기행렬 길이를 추정하는 단계; 추정된 대기행렬 길이를 이용하여 제1 교차로와 제2 교차로 사이의 도로구간별 교통량 밀도를 구하여 교통량을 추정하는 단계; 추정된 교통량의 데이터를 클라우드 서버에 저장된 도로구간별 과거이력 교통데이터를 기반으로 보정하는 단계; 및 보정된 교통량의 데이터에 데이터 마이닝 및 패턴매칭기법을 적용하여 시간구간별 도로구간별 교통상태패턴 및 교통량 회전비율을 산출하는 단계를 포함한다.A traffic state pattern prediction method using traffic data analysis according to an exemplary embodiment of the present invention is a traffic state pattern prediction method using a traffic state pattern prediction system by traffic data analysis, Measuring a vehicle passing time information and vehicle speed information of the first intersection or the second intersection and transmitting to the cloud server a second beacon installed at a second intersection adjacent to the first intersection; Receiving vehicle transit time information and vehicle speed information of a first intersection or a second intersection from a cloud server and estimating a queue length of a vehicle that has entered the first intersection and has not passed through the second intersection; Estimating a traffic volume by calculating a traffic volume density for each road section between the first intersection and the second intersection using the estimated queue length; Correcting the estimated traffic volume data based on past history traffic data for each road section stored in the cloud server; And data mining and pattern matching techniques on the data of the corrected traffic volume to calculate a traffic state pattern and a traffic volume turn ratio for each road section.

본 발명에 따르면, 특정한 시점에 해당 도로의 교통상태를 클라우드 서버에 저장된 도로구간별 과거이력 교통데이터를 기반으로 실시간으로 정확히 예측할 수 있다.According to the present invention, it is possible to accurately predict the traffic state of the road at a specific time in real time based on past history traffic data for each road section stored in the cloud server.

또한, 본 발명에 따르면, 도로구간별 신호주기뿐만 아니라, 더 나아가 여러 도로구간이 속한 도시구역단위의 신호주기를 최적화할 수 있다.In addition, according to the present invention, it is possible to optimize not only a signal cycle for each road section but also a signal cycle for each city section in which a plurality of road sections belong.

도 1은 본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측시스템을 설명하기 위한 도로상황을 나타낸 개략도이다.
도 2는 본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측시스템의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 유클라디안 거리 산출을 설명하기 위한 개략도이다.
도 4는 본 발명의 일 실시예에 따른 도로구간 및 과거이력 교통데이터를 나타낸 화면이다.
도 5는 본 발명의 일 실시예에 따른 시간에 대한 차량속도를 나타낸 화면이다.
도 6은 본 발명의 일 실시예에 따른 교통량 회전비율을 설명하기 위한 개략도이다.
도 7은 본 발명의 일 실시예에 따른 네트워크 단위의 다중 교차로 교통데이터를 나타낸 화면이다.
도 8은 본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측방법의 흐름도이다.1 is a schematic diagram illustrating a road state for explaining a traffic state pattern prediction system by traffic data analysis according to an embodiment of the present invention.
2 is a configuration diagram of a traffic state pattern prediction system based on traffic data analysis according to an embodiment of the present invention.
3 is a schematic diagram for explaining an Euclidian distance calculation according to an embodiment of the present invention.
4 is a view showing road segment and past history traffic data according to an embodiment of the present invention.
5 is a graph showing vehicle speed versus time according to an embodiment of the present invention.
6 is a schematic diagram for explaining a traffic volume rotation rate according to an embodiment of the present invention.
FIG. 7 is a view showing multi-intersection traffic data on a network unit according to an embodiment of the present invention.
FIG. 8 is a flowchart illustrating a traffic state pattern prediction method according to an embodiment of the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.Brief Description of the Drawings The advantages and features of the present invention, and how to accomplish them, will become apparent with reference to the embodiments described hereinafter with reference to the accompanying drawings. However, the present invention is not limited to the embodiments described below, but may be embodied in various forms. It is to be understood that both the foregoing general description and the following detailed description of the present invention are exemplary and explanatory and are intended to provide further explanation only as the invention may make thedetails of the invention rather than limit the scope of the invention to those skilled in the art. Only.

도 1은 본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측시스템을 설명하기 위한 도로상황을 나타낸 개략도이다. 도 1을 참조하면, 도로에는 제1 교차로와 제2 교차로가 있고, 제1 교차로와 제2 교차로 사이에는 차량이 통과하거나 대기하고 있다. 또한, 제1 교차로와 제2 교차로에는 각각 제1 비콘 (10)과 제2 비콘(20)이 배치되어 있고, 제1 비콘(10)과 제2 비콘(20)에는 클라우드 서버(cloud server, 30)가 무선통신으로 연결되어 있으며, 클라우드 서버(30)는 교통상태패턴 예측시스템과 무선통신으로 연결되어 있기 때문에 교통상태패턴 예측시스템은 클라우드 서버(30)로부터 제1 교차로 또는 제2 교차로의 차량통과 시간정보 및 차량속도정보를 수신할 수 있다.1 is a schematic diagram illustrating a road state for explaining a traffic state pattern prediction system by traffic data analysis according to an embodiment of the present invention. Referring to Fig. 1, there is a first intersection and a second intersection on the road, and a vehicle passes or waits between the first intersection and the second intersection. The first beacon 10 and the second beacon 20 are disposed at the first intersection and the second intersection respectively and the first beacon 10 and the second beacon 20 are provided with a cloud server 30 And the cloud server 30 is connected to the traffic state pattern prediction system through a wireless communication, the traffic state pattern prediction system receives traffic from the cloud server 30 at the first intersection or at the second intersection Time information and vehicle speed information.

제1 비콘(10) 또는 제2 비콘(20)과 무선통신이 가능하도록 하는 휴대용 단말기에는 교통상태패턴 예측 애플리케이션 프로그램이 설치되어야 한다. 휴대용 단말기로는 스마트폰, 테블릿, PC 등 휴대 가능한 단말기라면 모두 가능하다.A traffic state pattern prediction application program must be installed in a portable terminal that enables wireless communication with the first beacon 10 or the second beacon 20. Portable terminals can be any portable terminal such as a smart phone, a tablet, and a PC.

차량에는 탑승자가 휴대용 단말기를 소지하고 있으며, 차량이 제1 교차로를 통과하여 제2 교차로를 통과한다고 하면, 제1 비콘(10)은 차량 내의 탑승자 휴대용 단말기와 무선통신을 통해 차량이 제1 교차로를 통과하는 시간과, 제1 교차로를 통과하는 차량의 속도를 감지한다. 또한, 제2 비콘(20)은 차량 내의 탑승자 휴대용 단말기와 무선통신을 통해 차량이 제2 교차로를 통과하는 시간과, 제2 교차로를 통과하는 차량의 속도를 감지한다.When the vehicle occupant has a portable terminal and the vehicle passes through the first intersection and passes through the second intersection, the first beacon 10 communicates with the passenger portable terminal in the vehicle via radio communication, And the speed of the vehicle passing through the first intersection. Further, the second beacon 20 senses the time at which the vehicle passes through the second intersection and the speed of the vehicle passing through the second intersection through wireless communication with the passenger portable terminal in the vehicle.

차량이 제2 교차로를 통과하지 못하고 대기하고 있는 경우에 제2 비콘(20)은 차량이 제2 교차로를 통과하는 시간과, 제2 교차로를 통과하는 차량의 속도를 감지할 수 없다. 이때, 차량이 대기하고 있는 경우의 대기행렬 길이를 추정할 수 있으며, 대기행렬 길이는 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보로부터 추정될 수 있다. 차량이 제2 교차로를 통과하기 전에 대기하고 있는 경우에는 속도가 점점 감소하는데, 차량속도정보는 대기행렬 길이의 추정에 이용될 수 있다. 도 1에서 x는 제1 교차로에서 이격된 거리이고, v는 차량의 속도를 나타낸다. 도 1에서는 차량이 제1 교차로를 통과하여 속도가 급격히 감소한 후 특점지점(A)에서 속도의 감소율이 저하됨을 알 수 있다.The second beacon 20 can not sense the time the vehicle passes through the second intersection and the speed of the vehicle passing through the second intersection when the vehicle is waiting without passing through the second intersection. At this time, the queue length when the vehicle is waiting can be estimated, and the queue length can be estimated from the vehicle passing time information and the vehicle speed information of the first intersection or the second intersection. If the vehicle is waiting before passing through the second intersection, the speed decreases gradually, and the vehicle speed information can be used for estimation of the queue length. In FIG. 1, x is a distance apart from the first intersection, and v represents the speed of the vehicle. In FIG. 1, it can be seen that the rate of decrease of the speed decreases at the point of preference (A) after the speed of the vehicle has rapidly decreased through the first intersection.

도 2는 본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측시스템의 구성도이다. 도 1 및 도 2를 참조하면, 교통데이터 분석에 의한 교통상태패턴 예측시스템은 대기행렬 길이 추정부(100), 교통량 추정부(200), 교통량 보정부 (300) 및 교통상태정보 산출부(400)를 포함할 수 있다.2 is a configuration diagram of a traffic state pattern prediction system based on traffic data analysis according to an embodiment of the present invention. 1 and 2, a traffic state pattern prediction system based on traffic data analysis includes a queue length estimation unit 100, a traffic estimation unit 200, a traffic volume correction unit 300, and a traffic state information calculation unit 400 ).

대기행렬 길이 추정부(100)는 제1 교차로에 설치된 제1 비콘(10), 또는 제1 교차로에 인접한 제2 교차로에 설치된 제2 비콘(20)이 측정한 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보를 클라우드 서버(30)로부터 수신한다. 여기서, 제1 비콘(10) 및 제2 비콘(20)은 차량 내의 탑승자 휴대용 단말기와 무선통신을 통해 차량이 제1 교차로 또는 제2 교차로를 통과하는 시간과, 제1 교차로 또는 제2 교차로를 통과하는 차량의 속도를 감지한다. 제1 비콘(10) 또는 제2 비콘(20)은 휴대용 단말기로부터 V2I(차량과 인프라간 통신 : Vehicle to Infrastructure) 통신에 의해 차량통과시간정보를 수신하고, 휴대용 단말기로부터 M2C 통신에 의해 차량속도정보를 수신한다.The queue length estimating unit 100 calculates the queue length 100 based on the first beacon 10 installed at the first intersection or the first intersection measured by the second beacon 20 installed at the second intersection adjacent to the first intersection, Pass time information and vehicle speed information from the cloud server 30. Here, the first beacon 10 and the second beacon 20 communicate with the occupant's portable terminal in the vehicle through wireless communication through the time when the vehicle passes through the first intersection or the second intersection, the time when the vehicle passes through the first intersection or the second intersection The speed of the vehicle is detected. The first beacon 10 or the second beacon 20 receives the vehicle passing time information from the portable terminal by V2I (Vehicle to Infrastructure Communication) communication, .

또한, 대기행렬 길이 추정부(100)는 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보로부터, 제1 교차로에 진입하여 제2 교차로를 통과하지 않은 차량의 대기행렬 길이를 추정한다. 이때, 대기행렬 길이 추정부(100)는 차량의 속도가 설정속도 이상에서 설정속도 미만으로 감소하는 도로구간의 특정지점(도 1의 A)을 인식하여 차량의 대기행렬 길이를 추정할 수 있다. 대기행렬 길이를 추정하는 방식은 이에 한정되지 않는다.In addition, the queue length estimator 100 estimates the queue length of the vehicle that has entered the first intersection and has not passed the second intersection, from the vehicle transit time information and the vehicle speed information of the first intersection or the second intersection . At this time, the queue length estimating unit 100 can estimate the queue length of the vehicle by recognizing a specific point (A in FIG. 1) of the road section where the speed of the vehicle decreases from the set speed to less than the set speed. The manner of estimating the queue length is not limited to this.

교통량 추정부(200)는 대기행렬 길이 추정부(100)에서 추정된 대기행렬 길이를 이용하여 제1 교차로와 제2 교차로 사이의 도로구간별 교통량 밀도를 구하여 교통량을 추정한다.The traffic estimating unit 200 estimates a traffic volume by calculating a traffic volume density for each road section between the first intersection and the second intersection using the queue length estimated by the queue length estimating unit 100. [

교통량 보정부(300)는 교통량 추정부(200)에서 추정된 교통량의 데이터를 클라우드 서버에 저장된 도로구간별 과거이력 교통데이터(빅 데이터)를 기반으로 보정한다. 이와 같이, 추정된 교통량의 데이터를 과거이력 교통데이터를 기반으로 보정하는 이유는, 기상 등의 외부적 영향(external force) 및 데이터 수집 하드웨어 (hardware)의 불완전성에 의해 발생하는 교통데이터를 추정된 교통량의 데이터에 반영시키기 위함이다. 이렇게 함으로써, 취득되지 못한 도로의 특정지점 및 특정시간대의 교통데이터를 보정할 수 있다. 과거이력 교통데이터는 특정시간구간과 특정도로구간에 따른 주행속도 및 주행시간을 포함하며, 이에 한정되지 않는다.The traffic volume correction unit 300 corrects the traffic volume data estimated by the traffic volume estimation unit 200 based on past history traffic data (big data) for each road section stored in the cloud server. The reason why the estimated traffic volume data is corrected based on the past history traffic data is that the traffic data generated by external forces such as weather and incompleteness of data collection hardware is used as the estimated traffic volume To be reflected in the data of FIG. By doing so, it is possible to correct the traffic data at a specific point on the road that has not been acquired and a specific time zone. Historical historical traffic data includes, but is not limited to, a specific time period and a traveling speed and traveling time according to a specific road section.

또한, 클라우드 서버(30)에 저장된 도로구간별 과거이력 교통데이터(빅 데이터)는 시간이 지날수록 방대한 데이터가 되므로, 추정된 교통량의 데이터를 더욱 정확히 보정할 수 있게 된다. 이와 같이 추정된 데이터를 더욱 정확히 보정할 수 있는 이유는 클라우드 서버(30)를 이용하기 때문이며, 방대한 데이터를 저장할 수 없는 종래의 문제점을 해결할 수 있다.In addition, the past historical traffic data (big data) for each road section stored in the cloud server 30 becomes vast data as time passes, so that it is possible to correct the estimated traffic volume data more accurately. The reason why the estimated data can be more accurately corrected is because the cloud server 30 is used, and it is possible to solve the conventional problem that massive data can not be stored.

교통량 보정부(300)는 과거이력 교통데이터의 패턴을 분석하고, 수집되지 않은 도로구간 및 수집되지 않은 시간구간을 나타내는 교통데이터를 해당 도로구간 및 시간구간의 과거이력 교통데이터로 보정한다. 구체적으로, 교통량 보정부(300)는 추정된 교통량의 데이터와 도로구간별 과거이력 교통데이터의 패턴매칭에 의해 추정된 교통량의 데이터를 가장 유사도가 높은 도로구간별 과거이력 교통데이터로 보정한다. 이때, 교통량 보정부(300)는 추정된 교통량의 데이터와 도로구간별 과거이력 교통데이터 사이의 유클라디안 거리(euclidean distance)를 산출하고, 산출된 유클라디안 거리를 유사도의 값으로 산출한다.The traffic volume correction unit 300 analyzes past historical traffic data patterns and corrects the traffic data indicating the road segments that have not been collected and the time segments that have not been collected as past historical traffic data for the corresponding road segments and time segments. Specifically, the traffic volume correcting unit 300 corrects the traffic volume data estimated by the pattern matching of the estimated traffic volume data and the past history traffic data for each road segment to the past history traffic data for each road segment having the highest degree of similarity. At this time, the traffic volume correction unit 300 calculates the euclidean distance between the estimated traffic volume data and the past history traffic data per road section, and calculates the calculated Euclidean distance as the value of the similarity.

교통상태정보 산출부(400)는 교통량 보정부(300)에서 보정된 교통량의 데이터에 데이터 마이닝(data mining) 및 패턴매칭기법(pattern matching method)을 적용하여 시간구간별 도로구간별 교통상태패턴 및 교통량 회전비율을 산출한다. 또한, 교통상태정보 산출부(400)는 산출된 도로구간별 교통상태패턴 및 교통량 회전비율로부터 머신러닝(machine running) 기반의 제1 교차로 또는 제2 교차로의 실시간 신호주기를 구한다. 머신러닝은 데이터의 생성, 양, 주기, 형식 등이 방대한 빅 데이터들을 분석하여 미래를 예측하는 기술로 이미 알려진 방식이므로, 상세한 설명은 생략한다. 실시간 신호주기는 파란색 신호등이 켜진 후 다시 파란색 신호등이 켜지기까지의 주기, 또는 빨간색 신호등이 켜진 후 다시 빨간색 신호등이 켜지기까지의 주기이다. 교통량 회전비율은 도로구간별 유입된 교통량에 대한 우회전 교통량 비율, 좌회전 교통량 비율 및 직진 교통량 비율이다.The traffic condition information calculation unit 400 applies data mining and a pattern matching method to the data of the traffic volume corrected by the traffic volume correction unit 300 to calculate a traffic state pattern for each road segment for each time period, Calculate traffic volume turnover ratio. Also, the traffic state information calculation unit 400 obtains a real-time signal period of the first intersection or the second intersection based on machine running from the computed traffic state pattern of the road section and the traffic volume rotation ratio. Machine learning is a technique that is known as a technology for predicting the future by analyzing large data such as generation, quantity, cycle, and format of data, and therefore detailed description thereof will be omitted. The real-time signal cycle is the period from when the blue traffic light turns on until the blue traffic light turns on again, or until the red traffic light turns on and then the red traffic light turns on again. The traffic volume turn ratio is the ratio of right turn traffic volume, left turn traffic volume, and straight traffic volume to traffic volume for each road section.

도 3은 본 발명의 일 실시예에 따른 유클라디안 거리 산출을 설명하기 위한 개략도이다. 도 3을 참조하면, 주체 데이터(subject data)를 나타내는 추정된 교통량의 데이터와 도로구간별 과거이력 교통데이터(historical data)로부터 유클라디안 거리를 산출하는 방법을 알 수 있다.3 is a schematic diagram for explaining an Euclidian distance calculation according to an embodiment of the present invention. Referring to FIG. 3, a method of calculating the Euclidean distance from the estimated traffic volume data representing the subject data and the historical historical traffic data of each road section can be known.

주체 데이터 및 도로구간별 과거이력 교통데이터에서 "X"로 표시된 부분은 추정된 교통량의 데이터의 결측 데이터(missing data)이다. 유클라디안 거리는 주체 데이터 또는 도로구간별 과거이력 교통데이터 중에 "X"로 표시된 부분은 "X"로 표시된다. 도 3에서는 2가지 경우(Case 1, Case 2)의 예를 보이고 있는데, 이러한 원리에 의해 유클라디안 거리가 산출되었음을 알 수 있다.The portion indicated by "X" in the subject history data and past history traffic data for each road section is missing data of the estimated traffic volume data. The Euclidean distance is indicated by "X" in the portion indicated by "X" among the subject data or the past history traffic data by road section. FIG. 3 shows an example of two cases (Case 1, Case 2). It can be seen that the Euclidean distance is calculated by this principle.

도 4는 본 발명의 일 실시예에 따른 도로구간 및 과거이력 교통데이터를 나타낸 화면이다. 도 4를 참조하면, 도로구간과 과거이력 교통데이터가 표시되어 있다.4 is a view showing road segment and past history traffic data according to an embodiment of the present invention. Referring to FIG. 4, a road section and past history traffic data are displayed.

왼쪽의 그림에서 직사각형으로 표시된 부분은 인접한 2개의 교차로 사이의 도로구간이며, 오른쪽의 데이터는 특정시간구간(Time_Period)과 특정도로구간(Link Number)에 따른 주행속도(Link Speed(km/h)) 및 주행시간(Link Travel_Time(s))을 갖는 과거이력 교통데이터이다. 특정시간구간은 5분 단위로 설정되었으나, 이에 한정되지 않는다. 도로구간은 1~6의 6개로 구분되어 있으며, 왼쪽의 그림에는 각각의 도로구간을 Link(구간) 1, Link 2, Link 3, Link 4, Link 5, Link 6으로 구분하였다.The data on the right side shows the link speed (km / h) according to the specific time interval (Time_Period) and the specific road section (Link Number) And Link Travel Time (s). The specific time interval is set in units of five minutes, but is not limited thereto. The road segment is divided into 6 sections of 1 ~ 6. In the left figure, each road section is divided into Link (section) 1, Link 2, Link 3, Link 4, Link 5 and Link 6.

8시30분~8시35분에 1번 도로구간에서 주행속도는 19km/h이고, 주행시간은 28(s)이다. 특정시간구간은 5분 단위로 설정되었으나, 이에 한정되지 않는다.At 8:30 am to 8:35 pm, the driving speed is 19 km / h and the driving time is 28 (s). The specific time interval is set in units of five minutes, but is not limited thereto.

도 5는 본 발명의 일 실시예에 따른 시간에 대한 차량속도를 나타낸 화면이다. 도 5를 참조하면, 특정 도로구간에서 시간의 경과에 따른 차량속도의 변화를 알 수 있다.5 is a graph showing vehicle speed versus time according to an embodiment of the present invention. Referring to FIG. 5, a change in the vehicle speed over time in a specific road section can be known.

빨간색은 차량속도 예측치를 나타내며, 파란색은 실측치를 나타낸다.Red indicates the vehicle speed prediction, and blue indicates the measured value.

도 6은 본 발명의 일 실시예에 따른 교통량 회전비율을 설명하기 위한 개략도이다. 도 6을 참조하면, 도로구간(도로 링크) 1, 2, 3에서의 유입 교통량, 우회전 교통량 비율(α), 좌회전 교통량 비율(β) 및 직진 교통량 비율(γ)을 나타낸다.6 is a schematic diagram for explaining a traffic volume rotation rate according to an embodiment of the present invention. 6 shows the inflow traffic volume, the right turn traffic volume ratio α, the left turn traffic volume ratio β and the straight traffic volume ratio γ in the road sections (road links) 1, 2 and 3.

도로구간 1에서 유입 교통량은 1000이고, 우회전 교통량 비율(α), 좌회전 교통량 비율(β) 및 직진 교통량 비율(γ)은 각각 0.3, 0.2, 0.5이며, 도로구간 2에서 유입 교통량은 800이고, 우회전 교통량 비율(α), 좌회전 교통량 비율(β) 및 직진 교통량 비율(γ)은 각각 0.7, 0.3, 0.2이며, 도로구간 2에서 유입 교통량은 500이고, 우회전 교통량 비율(α), 좌회전 교통량 비율(β) 및 직진 교통량 비율(γ)은 각각 0.5, 0.3, 0.2임을 알 수 있다.In the road segment 1, the incoming traffic volume is 1000, the right traffic volume ratio α, the left turn traffic volume ratio β and the straight traffic volume ratio γ are 0.3, 0.2 and 0.5, respectively. In the road section 2, the incoming traffic volume is 800, The traffic volume ratio α, the left turn traffic volume ratio β and the straight traffic volume ratio γ are 0.7, 0.3 and 0.2, respectively. In the road section 2, the incoming traffic volume is 500 and the right turn traffic volume ratio α and the left turn traffic volume ratio β ) And straight traffic volume ratio (γ) are 0.5, 0.3, and 0.2, respectively.

따라서, 우회전 교통량 비율(α)은 도로구간 2에서 가장 높고, 좌회전 교통량 비율(β)은 도로구간 3에서 가장 높으며, 직진 교통량 비율(γ)은 도로구간 1에서 가장 높음을 알 수 있다.Therefore, the right turn traffic volume ratio α is the highest in the road section 2, the left turn traffic volume ratio β is the highest in the road section 3, and the straight traffic volume ratio γ is the highest in the road section 1.

도 7은 본 발명의 일 실시예에 따른 네트워크 단위의 다중 교차로 교통데이터를 나타낸 화면이다. 도 7을 참조하면, 교차로 각각을 다른 색깔로 표시하고, 각각에 대한 차량속도를 나타내었음을 알 수 있다.FIG. 7 is a view showing multi-intersection traffic data on a network unit according to an embodiment of the present invention. Referring to FIG. 7, it can be seen that each of the intersections is represented by a different color, and the vehicle speed is shown for each of the intersections.

녹색에서 빨간색쪽으로 갈수록 차량속도가 커짐을 알 수 있다. 이렇게 하여, 차량 운전자는 차량속도가 원활한 경로를 신속히 파악하여 원하는 목적지로 주행할 수 있다.It can be seen that the vehicle speed increases from green to red. In this way, the vehicle driver can quickly ascertain a smooth vehicle speed and travel to a desired destination.

이와 같은 네트워크 단위의 도로는 하나의 네트워크가 복수의 하위 네트워크로 설정될 수 있으며, 하위 네트워크는 복수의 교차로로 구성될 수 있다. 예를 들어, 고속도로의 경우 하위 네트워크는 양재 IC-대전 IC 구간, 대전 IC-북대구 IC 등의 교통 흐름이 크게 바뀌는 구간으로 설정될 수 있다.In such a network unit road, one network may be set as a plurality of sub-networks, and the sub-network may be composed of a plurality of intersections. For example, in the case of highways, the sub-network can be set as a section in which the traffic flows greatly vary between the Yangjae IC-Daejeon IC section and Daejeon IC-North Daegu IC.

도 8은 본 발명의 일 실시예에 따른 교통데이터 분석에 의한 교통상태패턴 예측방법의 흐름도이다. 도 1, 도 2, 도 8을 참조하면, 교통데이터 분석에 의한 교통상태패턴 예측방법은 도 2의 교통상태패턴 예측시스템을 이용하며 아래와 같다. 각 단계에 대한 상세한 설명은 상술한 도 1 및 도 2를 참조하기로 한다.FIG. 8 is a flowchart illustrating a traffic state pattern prediction method according to an embodiment of the present invention. Referring to FIGS. 1, 2, and 8, a traffic state pattern prediction method using traffic data analysis uses the traffic state pattern prediction system of FIG. 2 as follows. A detailed description of each step will be made with reference to FIGS. 1 and 2 described above.

먼저, 제1 교차로에 설치된 제1 비콘(10), 또는 제1 교차로에 인접한 제2 교차로에 설치된 제2 비콘(20)이 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보를 측정하여(S100) 클라우드 서버(30)에 송신한다(S100´).First, a first beacon 10 installed at a first intersection or a second beacon 20 installed at a second intersection adjacent to the first intersection measures vehicle passing time information and vehicle speed information of the first intersection or the second intersection (S100) to the cloud server 30 (S100 ').

S100´이후, 클라우드 서버(30)가 제1 비콘(10) 또는 제2 비콘(20)으로부터 수신한 제1 교차로 또는 제2 교차로의 차량통과 시간정보 및 차량속도정보를 저장한다(S200).After step S100, the cloud server 30 stores vehicle passing time information and vehicle speed information of the first intersection or the second intersection received from the first beacon 10 or the second beacon 20 (S200).

S2OO 이후, 대기행렬 길이 추정부(100)가 제1 교차로 또는 제2 교차로의 차량통과시간정보 및 차량속도정보를 클라우드 서버(30)로부터 수신하여(S200´), 제1 교차로에 진입하여 제2 교차로를 통과하지 않은 차량의 대기행렬 길이를 추정한다(S300).After S200, the queue length estimating unit 100 receives vehicle passing time information and vehicle speed information of the first intersection or the second intersection from the cloud server 30 (S200 '), enters the first intersection, The queue length of the vehicle not passing through the intersection is estimated (S300).

S300 이후, 교통량 추정부(200)가 대기행렬 길이 추정부(100)에서 추정된 대기행렬 길이를 수신하고(S300´), 추정된 대기행렬 길이를 이용하여 제1 교차로와 제2 교차로 사이의 도로구간별 교통량 밀도를 구하여 교통량을 추정한다(S400).After S300, the traffic estimating unit 200 receives the queue length estimated by the queue length estimating unit 100 (S300 '), and calculates the distance between the first intersection and the second intersection using the estimated queue length The density of the traffic volume for each section is obtained and the traffic volume is estimated (S400).

S400 이후, 교통량 보정부(300)가 교통량 추정부(200)에서 추정된 교통량의 데이터를 수신하고(S400'), 추정된 교통량의 데이터를 클라우드 서버(30)에 저장된 도로구간별 과거이력 교통데이터를 기반으로 보정한다(S500).After S400, the traffic volume correction unit 300 receives data of the traffic volume estimated by the traffic volume estimation unit 200 (S400 '), and transmits the estimated traffic volume data to the past history traffic data for each road section stored in the cloud server 30 (S500).

S500 이후, 교통상태정보 산출부(400)가 교통량 보정부(300)에서 보정된 교통량의 데이터를 수신하고(S500´), 보정된 교통량의 데이터에 데이터 마이닝 및 패턴매칭기법을 적용하여 시간구간별 도로구간별 교통상태패턴 및 교통량 회전비율을 산출한다(S600).After S500, the traffic condition information calculation unit 400 receives data of the traffic volume corrected by the traffic volume correction unit 300 (S500 '), applies data mining and pattern matching techniques to the data of the corrected traffic volume, The traffic state pattern for each road section and the traffic volume rotation rate are calculated (S600).

상술한 본 발명의 실시예는 이해를 돕기 위하여 도면에 도시된 실시예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.While the present invention has been described in connection with what is presently considered to be practical exemplary embodiments, it is to be understood that the invention is not limited to the disclosed embodiments, but, on the contrary, is intended to cover various modifications and equivalent arrangements included within the spirit and scope of the appended claims. It is understandable. Accordingly, the true scope of the present invention should be determined by the appended claims.

10 : 제1 비콘 20 : 제2 비콘
30 : 클라우드 서버 100 : 대기행렬 길이 추정부
200 : 교통량 추정부 300 : 교통량 보정부
400 : 교통상태정보 산출부10: First beacon 20: Second beacon
30: Cloud server 100: queue length estimator
200: traffic volume estimation unit 300: traffic volume correction unit
400: Traffic state information calculation unit

Claims (10)

제1 교차로에 설치된 제1 비콘, 또는 상기 제1 교차로에 인접한 제2 교차로에 설치된 제2 비콘이 측정한 상기 제1 교차로 또는 상기 제2 교차로의 차량통과시간정보 및 차량속도정보를 클라우드 서버로부터 수신하고, 상기 제1 교차로 또는 상기 제2 교차로의 차량통과시간정보 및 차량속도정보로부터, 상기 제1 교차로에 진입하여 상기 제2 교차로를 통과하지 않은 차량의 대기행렬 길이를 추정하는 대기행렬 길이 추정부;
추정된 대기행렬 길이를 이용하여 상기 제1 교차로와 상기 제2 교차로 사이의 도로구간별 교통량 밀도를 구하여 교통량을 추정하는 교통량 추정부;
추정된 교통량의 데이터를 상기 클라우드 서버에 저장된 빅 데이터의 도로구간별 과거이력 교통데이터를 기반으로 보정하는 교통량 보정부; 및
보정된 교통량의 데이터에 데이터 마이닝 및 패턴매칭기법을 적용하여 시간구간별 도로구간별 교통상태패턴 및 교통량 회전비율을 산출하는 교통상태정보 산출부
를 포함하고,
상기 제1 비콘 및 상기 제2 비콘은 차량 내의 탑승자 휴대용 단말기와 무선통신을 통해 차량이 상기 제1 교차로 또는 상기 제2 교차로를 통과하는 시간과, 상기 제1 교차로 또는 상기 제2 교차로를 통과하는 차량의 속도를 감지하는 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.The vehicle passing time information and the vehicle speed information of the first intersection or the second intersection measured by the first beacon installed at the first intersection or the second beacon installed at the second intersection adjacent to the first intersection are received from the cloud server And estimates a queue length of a vehicle that has entered the first intersection and has not passed through the second intersection from the vehicle passing time information and the vehicle speed information of the first intersection or the second intersection, ;
A traffic volume estimator for estimating a traffic volume by obtaining a traffic volume density for each road section between the first intersection and the second intersection using the estimated queue length;
A traffic volume correcting unit for correcting the estimated traffic volume data based on past history traffic data for each road section of the big data stored in the cloud server; And
A traffic state information calculation unit for calculating a traffic state pattern and a traffic volume rotation ratio for each road section by applying a data mining and pattern matching technique to the data of the corrected traffic volume,
Lt; / RTI >
Wherein the first beacon and the second beacon communicate with a passenger terminal in the vehicle through radio communication with a time when the vehicle passes through the first intersection or the second intersection and a time when the vehicle passes through the first intersection or the second intersection, Wherein the traffic state pattern prediction system comprises: 삭제delete 제1항에 있어서,
상기 대기행렬 길이 추정부는 차량의 속도가 설정속도 이상에서 설정속도 미만으로 감소하는 도로구간의 특정지점을 인식하여 차량의 대기행렬 길이를 추정하는 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.The method according to claim 1,
Wherein the queue length estimator estimates a queue length of a vehicle by recognizing a specific point of a road section where the speed of the vehicle decreases from a set speed to a speed less than the set speed, . 제1항에 있어서,
상기 과거이력 교통데이터는 특정시간구간과 특정도로구간에 따른 주행속도 및 주행시간인 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.The method according to claim 1,
Wherein the past historical traffic data is a traveling speed and a traveling time according to a specific time period and a specific road section. 제1항에 있어서,
상기 교통량 보정부는 과거이력 교통데이터의 패턴을 분석하고, 수집되지 않은 도로구간 및 수집되지 않은 시간구간을 나타내는 교통데이터를 해당 도로구간 및 시간구간의 과거이력 교통데이터로 보정하는 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.The method according to claim 1,
Wherein the traffic volume correction unit analyzes the pattern of the past history traffic data and corrects the traffic data representing the road segment that has not been collected and the time segment that has not been collected as the past history traffic data of the road segment and the time segment. Traffic state pattern prediction system by analysis. 제1항에 있어서,
상기 교통상태정보 산출부는 산출된 도로구간별 교통상태패턴 및 교통량 회전비율로부터 머신러닝 기반의 제1 교차로 또는 제2 교차로의 실시간 신호주기를 구하는 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.The method according to claim 1,
Wherein the traffic state information calculation unit calculates a real-time signal period of the first intersection or the second intersection based on the machine learning based on the computed traffic state pattern of the road section and the traffic volume rotation ratio. . 제1항에 있어서,
상기 교통량 회전비율은 도로구간별 유입된 교통량에 대한 우회전 교통량 비율, 좌회전 교통량 비율 및 직진 교통량 비율인 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.The method according to claim 1,
Wherein the traffic volume rotation rate is a ratio of a right turn traffic volume, a left turn traffic volume, and a straight traffic volume to a traffic volume of each road section. 제1항에 있어서,
상기 교통량 보정부는 상기 추정된 교통량의 데이터와 상기 도로구간별 과거이력 교통데이터의 패턴매칭에 의해 상기 추정된 교통량의 데이터를 가장 유사도가 높은 상기 도로구간별 과거이력 교통데이터로 보정하는 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.The method according to claim 1,
Wherein the traffic volume correction unit corrects the estimated traffic volume data by using pattern matching of the estimated traffic volume data and the past history traffic data for each road segment to the past historical traffic data for each road segment having the highest degree of similarity Traffic state pattern prediction system by traffic data analysis. 제8항에 있어서,
상기 교통량 보정부는 상기 추정된 교통량의 데이터와 상기 도로구간별 과거이력 교통데이터 사이의 유클라디안 거리를 산출하고, 산출된 유클라디안 거리를 유사도의 값으로 산출하는 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측시스템.9. The method of claim 8,
Wherein the traffic volume correction unit calculates an Euclidian distance between the estimated traffic volume data and past history traffic data for each road segment and calculates the calculated Euclidean distance as a value of the similarity value, Traffic State Pattern Prediction System. 교통데이터 분석에 의한 교통상태패턴 예측시스템을 이용한 교통상태패턴 예측방법에 있어서,
제1 교차로에 설치된 제1 비콘, 또는 상기 제1 교차로에 인접한 제2 교차로에 설치된 제2 비콘이 상기 제1 교차로 또는 상기 제2 교차로의 차량통과시간정보 및 차량속도정보를 측정하여 클라우드 서버에 송신하는 단계;
상기 제1 교차로 또는 상기 제2 교차로의 차량통과시간정보 및 차량속도정보를 상기 클라우드 서버로부터 수신하여, 상기 제1 교차로에 진입하여 상기 제2 교차로를 통과하지 않은 차량의 대기행렬 길이를 추정하는 단계;
추정된 대기행렬 길이를 이용하여 상기 제1 교차로와 상기 제2 교차로 사이의 도로구간별 교통량 밀도를 구하여 교통량을 추정하는 단계;
추정된 교통량의 데이터를 상기 클라우드 서버에 저장된 빅 데이터의 도로구간별 과거이력 교통데이터를 기반으로 보정하는 단계; 및
보정된 교통량의 데이터에 데이터 마이닝 및 패턴매칭기법을 적용하여 시간구간별 도로구간별 교통상태패턴 및 교통량 회전비율을 산출하는 단계
를 포함하고,
상기 제1 비콘 및 상기 제2 비콘은 차량 내의 탑승자 휴대용 단말기와 무선통신을 통해 차량이 상기 제1 교차로 또는 상기 제2 교차로를 통과하는 시간과, 상기 제1 교차로 또는 상기 제2 교차로를 통과하는 차량의 속도를 감지하는 것을 특징으로 하는 교통데이터 분석에 의한 교통상태패턴 예측방법.A traffic state pattern prediction method using a traffic state pattern prediction system by traffic data analysis,
A first beacon installed at a first intersection or a second beacon installed at a second intersection adjacent to the first intersection measures vehicle passing time information and vehicle speed information of the first intersection or the second intersection and transmits it to the cloud server ;
Receiving vehicle transit time information and vehicle speed information of the first intersection or the second intersection from the cloud server and estimating a queue length of a vehicle that has entered the first intersection and has not passed through the second intersection ;
Estimating a traffic volume by calculating a traffic volume density for each road section between the first intersection and the second intersection using the estimated queue length;
Correcting the estimated traffic volume data based on past history traffic data for each road segment of the big data stored in the cloud server; And
A data mining and pattern matching technique is applied to the data of the corrected traffic volume to calculate a traffic state pattern and a traffic volume turn ratio for each road section
Lt; / RTI >
Wherein the first beacon and the second beacon communicate with a passenger terminal in the vehicle through radio communication with a time when the vehicle passes through the first intersection or the second intersection and a time when the vehicle passes through the first intersection or the second intersection, Wherein the speed of the vehicle is detected based on the speed of the vehicle.
KR1020160110719A 2016-08-30 2016-08-30 System for predicting traffic state pattern by analysis of traffic data and predicting method thereof KR101703058B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160110719A KR101703058B1 (en) 2016-08-30 2016-08-30 System for predicting traffic state pattern by analysis of traffic data and predicting method thereof
CN201710070741.0A CN107784835B (en) 2016-08-30 2017-02-09 Traffic state mode prediction system based on traffic data analysis and prediction method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160110719A KR101703058B1 (en) 2016-08-30 2016-08-30 System for predicting traffic state pattern by analysis of traffic data and predicting method thereof

Publications (1)

Publication Number Publication Date
KR101703058B1 true KR101703058B1 (en) 2017-02-06

Family

ID=58108814

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160110719A KR101703058B1 (en) 2016-08-30 2016-08-30 System for predicting traffic state pattern by analysis of traffic data and predicting method thereof

Country Status (2)

Country Link
KR (1) KR101703058B1 (en)
CN (1) CN107784835B (en)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180122092A (en) 2017-05-02 2018-11-12 주식회사 엘지유플러스 Apparatus and Method for controlling vehicle speed in indoor environment
CN110444010A (en) * 2018-05-02 2019-11-12 芝麻开门网络信息股份有限公司 A kind of expressway wagon flow prediction technique based on Internet of Things
CN110634308A (en) * 2019-09-26 2019-12-31 同济大学 Single-intersection signal control method based on vehicle queuing dissipation time
CN110634293A (en) * 2019-09-26 2019-12-31 同济大学 Trunk intersection control method based on fuzzy control
KR20200026031A (en) * 2018-08-29 2020-03-10 재단법인대구경북과학기술원 Deep learning based traffic signal control method and device for rlr detection and accident prevention
CN111627229A (en) * 2020-05-20 2020-09-04 深圳市有方科技股份有限公司 Control method and device of traffic signal equipment and computer equipment
CN111739315A (en) * 2020-08-27 2020-10-02 台州市远行客网络技术有限公司 Intelligent green wave adjusting method and intelligent green wave adjusting system for traffic signal lamp
CN113129582A (en) * 2019-12-31 2021-07-16 阿里巴巴集团控股有限公司 Traffic state prediction method and device

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190114127A (en) * 2018-03-29 2019-10-10 주식회사 블루시그널 Mehtod of providing distribution delivery route using predicted traffic information and server performing the same
CN108447261B (en) * 2018-04-04 2020-09-18 迈锐数据（北京）有限公司 Vehicle queuing length calculation method and device based on multiple modes
CN110164132B (en) * 2019-05-29 2020-03-06 浙江警察学院 Method and system for detecting road traffic abnormity
CN110533259B (en) * 2019-09-05 2022-03-22 北京云视科技有限公司 Method, device and system for predicting waiting time and storage medium
CN112489423B (en) * 2020-11-20 2022-06-03 湖南警察学院 Vision-based urban road traffic police command method
CN113257009B (en) * 2021-04-25 2022-03-25 安徽银徽科技有限公司 Intelligent traffic operation and maintenance method and system with vehicle guidance function

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118735A (en) * 2002-09-27 2004-04-15 Toyota Central Res & Dev Lab Inc Traffic situation estimation device and od traffic volume correction device
KR20060037481A (en) 2004-10-28 2006-05-03 홍석기 Method and system for traffic prediction and dynamic route guidance based on historical and real-time traffic information
KR20070106273A (en) * 2006-04-28 2007-11-01 (주)큰날개 Server, system, and method for creating and providing traffic information
KR20160049691A (en) * 2014-10-28 2016-05-10 현대엠엔소프트 주식회사 Apparatus and method for providing traffic information

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09223295A (en) * 1996-02-20 1997-08-26 Hitachi Ltd Road traffic information providing method and road traffic information providing system
CN100416584C (en) * 2005-01-19 2008-09-03 北京交通大学 Road traffic flow data quality controlling method and apparatus
CN101154318B (en) * 2006-09-05 2010-09-22 株式会社查纳位资讯情报 System and method for collecting and distributing traffic information, center device and vehicle carried terminal device
JP4415278B2 (en) * 2006-10-20 2010-02-17 住友電気工業株式会社 Traffic flow behavior estimation system at intersections
CN101894461A (en) * 2009-05-22 2010-11-24 上海宝康电子控制工程有限公司 Method for predicting travel time on urban ground level roads
CN102708679B (en) * 2012-05-29 2016-12-14 孙健 A kind of city signal crossing Short-time Traffic Flow Forecasting Methods
CN102890862B (en) * 2012-09-29 2014-09-24 浙江大学 Traffic condition analyzing device and method based on vector mode
CN103914988B (en) * 2013-01-04 2016-12-28 中国移动通信集团公司 A kind of traffic road condition data processing method, device and system
CN104217588B (en) * 2013-05-31 2017-03-08 张伟伟 A kind of Real-time Traffic Information acquisition methods, server and system
CN103632546B (en) * 2013-11-27 2016-01-20 中国航天系统工程有限公司 A kind of Urban Road Traffic Accidents impact prediction method based on floating car data
CN104299442B (en) * 2014-10-15 2016-04-27 河海大学 A kind of city Route Travel Time Estimation Method based on pattern match
CN105160917B (en) * 2015-08-24 2017-09-29 武汉理工大学 System and method is guided based on the signalized crossing speed that bus or train route is cooperateed with
CN105118294B (en) * 2015-09-25 2017-03-29 山东易构软件技术股份有限公司 A kind of Short-time Traffic Flow Forecasting Methods based on state model
CN205247622U (en) * 2015-12-24 2016-05-18 深圳市综合交通运行指挥中心 Vehicle length monitoring system that lines up
CN105489018B (en) * 2016-02-19 2017-09-29 上海果路交通科技有限公司 A kind of intersection traffic signals control system method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118735A (en) * 2002-09-27 2004-04-15 Toyota Central Res & Dev Lab Inc Traffic situation estimation device and od traffic volume correction device
KR20060037481A (en) 2004-10-28 2006-05-03 홍석기 Method and system for traffic prediction and dynamic route guidance based on historical and real-time traffic information
KR20070106273A (en) * 2006-04-28 2007-11-01 (주)큰날개 Server, system, and method for creating and providing traffic information
KR20160049691A (en) * 2014-10-28 2016-05-10 현대엠엔소프트 주식회사 Apparatus and method for providing traffic information

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
'교차로의 대기 차량수 예측모델을 이용한 분산 교통신호 제어', 경북대학교 학위논문, 저자: 서강도, 2010년.* *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180122092A (en) 2017-05-02 2018-11-12 주식회사 엘지유플러스 Apparatus and Method for controlling vehicle speed in indoor environment
CN110444010A (en) * 2018-05-02 2019-11-12 芝麻开门网络信息股份有限公司 A kind of expressway wagon flow prediction technique based on Internet of Things
KR20200026031A (en) * 2018-08-29 2020-03-10 재단법인대구경북과학기술원 Deep learning based traffic signal control method and device for rlr detection and accident prevention
KR102197251B1 (en) 2018-08-29 2020-12-31 재단법인대구경북과학기술원 Deep learning based traffic signal control method and device for rlr detection and accident prevention
CN110634308A (en) * 2019-09-26 2019-12-31 同济大学 Single-intersection signal control method based on vehicle queuing dissipation time
CN110634293A (en) * 2019-09-26 2019-12-31 同济大学 Trunk intersection control method based on fuzzy control
CN110634293B (en) * 2019-09-26 2021-06-04 同济大学 Trunk intersection control method based on fuzzy control
CN110634308B (en) * 2019-09-26 2021-09-03 同济大学 Single-intersection signal control method based on vehicle queuing dissipation time
CN113129582A (en) * 2019-12-31 2021-07-16 阿里巴巴集团控股有限公司 Traffic state prediction method and device
CN111627229A (en) * 2020-05-20 2020-09-04 深圳市有方科技股份有限公司 Control method and device of traffic signal equipment and computer equipment
CN111739315A (en) * 2020-08-27 2020-10-02 台州市远行客网络技术有限公司 Intelligent green wave adjusting method and intelligent green wave adjusting system for traffic signal lamp
CN112820123A (en) * 2020-08-27 2021-05-18 台州市远行客网络技术有限公司 Intelligent green wave adjusting method and intelligent green wave adjusting system for traffic signal lamp

Also Published As

Publication number Publication date
CN107784835B (en) 2021-06-25
CN107784835A (en) 2018-03-09

Similar Documents

Publication Publication Date Title
KR101703058B1 (en) System for predicting traffic state pattern by analysis of traffic data and predicting method thereof
US10475336B2 (en) System for forecasting traffic condition pattern by analysis of traffic data and forecasting method thereof
CN100555355C (en) The method and system that the passage rate of road traffic calculates and mates
Chen et al. A short-term traffic prediction model in the vehicular cyber–physical systems
CN104884899A (en) Method of determining trajectories through one or more junctions of a transportation network
WO2014091982A1 (en) Traffic jam prediction device, traffic jam prediction system, traffic jam prediction method, and program
WO2015052577A1 (en) Traffic lane guidance system for vehicle and traffic lane guidance method for vehicle
US11187542B2 (en) Trajectory time reversal
US20040215392A1 (en) Re-routing apparatus and method for calculating an optimum alternative path to an original path from a position deviated from the original path in a navigation system and a navigation system using the same
CN104880193A (en) Lane-level navigation system and lane-level navigation method thereof
KR101842658B1 (en) Method for warning dangerous driving and, terminal and server for performing the method
CN106415676A (en) Traffic-light cycle length estimation device
CN108171968A (en) The road condition analyzing system and method for position data based on mobile terminal device signaling
CN104819721A (en) Navigation system
KR20160054921A (en) Interval detector using received signal strength indicator (rssi), and travel time estimating system and method having the same
KR100345792B1 (en) A method estimating the section-velocity for the advance direction
KR20240032811A (en) Server, method and computer program for generating traffic information
US11348457B2 (en) Analysis device and analysis method
CN113295173A (en) Map matching method for annular road section
KR20220025589A (en) Method and Apparatus for Providing Traffic Information to Personal Mobility
JP2006031422A (en) Device and method for generating traffic information, device for providing traffic information and system for distributing same
Minh et al. Traffic state estimation with mobile phones based on the “3R” philosophy
JP2008040605A (en) Traffic information providing device, traffic information providing system, detection method of abnormal data, and data acquisition method
US11380198B2 (en) Managing anomalies and anomaly-affected entities
JP2002260142A (en) Predicting method for traveling time

Legal Events

Date Code Title Description
A201 Request for examination
FPAY Annual fee payment

Payment date: 20200108

Year of fee payment: 4