KR101747848B1 - 교통 상황 예측 서버 및 방법 - Google Patents

Abstract

본 발명에 따르면, 도로 구간별 교통 특성을 고려한 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 한다.

Description

교통 상황 예측 서버 및 방법{SERVER AND METHOD FOR PREDICTING TRAFFIC CONDITIONS}

본 발명은 교통 상황 예측 시스템에 관한 것으로, 특히 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 하는 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버 및 교통 상황 예측 방법에 관한 것이다.

근래에 들어, 급증하는 교통 수요에 따라 도로의 효율적인 운영 및 관리를 위해 기초자료인 교통량을 정확하게 측정하는 것이 중요해지고 있으며, 또한, 이러한 교통량 측정에 기반하여 고속도로 등에서의 구간별 통행 속도 및 목적지까지의 통행 소요 시간 등을 예측하는 것이 중요해지고 있다.

한편, 이러한 도로 구간별 통행 속도 및 통행 소요 시간의 예측을 위해 종래에는 예를 들어 고속도로의 경우 영업소별 차량의 인(in)/아웃(out) 검출을 통한 통행 시간의 산출 등을 통해 해당 구간의 미래의 통행 속도 및 목적지까지의 통행 소요 시간 등의 교통 정보에 대한 예측을 수행하고 있다.

그러나, 위와 같은 종래 예측 방법의 경우 교통상황의 다양한 변화를 실시간으로 반영할 수 없어 정확도가 현저히 떨어지는 문제점이 있었으며, 이와 함께 예측 구간에 따라 많게는 4시간이상의 예측시간 지연(delay)이 발생하는 문제점이 있었다. 즉, 예를 들어 서울∼부산 구간의 경우 오후 2시에 정체가 발생하였다고 하면, 종래 예측 방법에서는 6시 이후에 정체가 반영된 통행 소요 시간이 예측되는 등 예측시간 지연이 발생할 수 있다.

또한, 종래 패턴 매칭 기반의 예측 방법의 경우 각각의 센서에서 발생하는 교통 데이터를 각각 패턴 매칭하는 방식을 사용하고 있다. 이에 따라, 예를 들어 100개의 센서데이터를 매칭하는 경우 100번의 패턴 매칭을 실시하여야 함에 따라 목적지까지의 통행 소요 시간 예측의 예측 범위가 5∼15분 이내로 제한되고, 정확성 또한 이 시간 범위안에서만 보장할 수 있었다. 또한, 이와함께 차량의 통행 시간 매칭에 필요한 컴퓨터 부하를 동반하고 있어 실시간 통행 시간 예측이 불가능한 문제점이 있었다.

또한, 종래의 통행 속도 및 목적지까지의 통행 소요 시간 예측 방법의 경우 사고 및 공사 구간의 발생 등과 같은 돌발 상황에 대한 예측능력이 없으며, 특히 정체 현상의 발생, 지속 시간 등에 대한 예측능력이 없어 돌발 상황이 발생했을 경우 예측에 대한 신뢰도가 현저히 떨어지게 되는 문제점이 있었다.

또한, 종래 도로에서 수집되는 교통 데이터의 경우 구간에 따라 데이터의 손실된 상태가 심각한 경우가 많으며, 예를 들어, 10개 이상의 연속된 교통 데이터의 수집이 안되어 있는 경우가 발생한다. 이러한 경우 패턴 매칭 혹은 통행 소요 시간 예측 이전에 데이터의 상태를 보정시킬 수 있는 방법이 필요하지만 종래의 예측 방법에서는 데이터의 완벽한 상태를 가정하여 교통 상황에 대한 예측을 수행하도록 구성되어 있어 실제 적용에 한계가 있는 문제점이 있었다.

또한, 종래 통행 속도 및 통행 시간을 표출하는 시스템의 경우 단순 예측 정보만을 보여주는 것에 국한되어 있는 반면, 사용자는 미래의 전반적인 변화추세 및 최적 출발 시간 등 사용자의 편의에 최적화된 서비스를 요구하고 있는 상태이다. 따라서, 종래의 시스템을 이용하여서는 위와 같은 최적화된 서비스를 요청하는 사용자의 요구를 만족시킬 수 없어 실제 사용자의 요구와 괴리가 발생하는 문제점이 있었다.

(특허문헌)

대한민국 공개특허번호 10-2010-0125160호(공개일자 2010년 11월 30일)

따라서, 본 발명에서는 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 하는 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버 및 교통 상황 예측 방법을 제공하고자 한다.

상술한 본 발명은 교통 상황 예측 서버로서, 도로 상 설치된 복수의 센서를 통해 수집되는 상기 도로를 통행하는 차량과 관련된 교통 데이터를 수신하고, 상기 교통 데이터를 기설정된 길이의 시간 정보와 공간 정보로 구성되는 매트릭스 데이터로 가공하는 데이터 전처리부와, 상기 매트릭스 데이터 중 상기 도로 상 광역구역으로 구분된 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제1 매트릭스 데이터 조합을 생성하는 광역구역 매칭부와, 상기 제1 도로 구간상 단위구역으로 구분된 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제2 매트릭스 데이터 조합을 생성하는 단위구역 매칭부와, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측 정보를 산출하고, 제2 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측 정보를 산출하는 교통 상황 예측부를 포함한다.

또한, 상기 광역구역 매칭부는, 상기 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도가 기설정된 기준값 이상인 매트릭스 데이터를 선택하여 상기 제1 매트릭스 데이터 조합을 생성하는 것을 특징으로 한다.

또한, 상기 단위구역 매칭부는, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 상기 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도가 상기 기준값 이상인 매트릭스 데이터를 선택하여 상기 제2 매트릭스 데이터 조합을 생성하는 것을 특징으로 한다.

또한, 상기 교통 상황 예측부는, 상기 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도에 기초하여 상기 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 상기 예측된 매트릭스 데이터를 기반으로 상기 광역구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.

또한, 상기 교통 상황 예측부는, 상기 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도에 기초하여 상기 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 상기 예측된 매트릭스 데이터를 기반으로 상기 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.

또한, 상기 데이터 전처리부는, 각 센서에서 상기 교통 데이터가 측정된 시각을 상기 시간 정보로 생성하고, 상기 도로상 배치된 기설정된 수의 센서의 식별번호를 상기 공간 정보로 생성하여 상기 매트릭스 데이터로 가공하는 것을 특징으로 한다.

또한, 상기 데이터 전처리부는, 매트릭스 데이터별 데이터 손실율을 산출하고, 상기 도로 상 데이터가 손실된 구간에 대해서는 DSRC와 VDS로부터 생성된 교통 데이터를 융합하여 보정을 수행하는 것을 특징으로 한다.

또한, 상기 광역구역 매칭부는, 상기 제1 도로 구간에 대응되는 매트릭스 데이터 중 상기 데이터 손실율이 기설정된 기준값 이하인 매트릭스 데이터를 유효한 데이터로 선택하여 상기 유사도를 산출하는 것을 특징으로 한다.

또한, 상기 서버는, 상기 도로 상 사고를 포함하는 돌발 상황 발생 시 상기 돌발 상황 발생으로 인해 증가되는 통행 시간 정보를 산출하는 시뮬레이션부를 더 포함하는 것을 특징으로 한다.

또한, 상기 교통 상황 예측부는, 상기 돌발 상황 발생에 따라 증가된 도로 구간별 통행 시간 정보를 반영하여 상기 광역구역별 또는 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.

또한, 상기 서버는, 상기 매트릭스 데이터를 요일과 날씨를 기준으로 분류하는 날짜 목록 관리부를 더 포함하는 것을 특징으로 한다.

또한, 상기 센서는, DSRC, VDS 또는 TCS를 위해 상기 도로 상에 설치되어 상기 차량의 통행 속도 또는 통행 시간을 포함하는 상기 교통 데이터를 생성하는 것을 특징으로 한다.

또한, 상기 유사도는, 상기 매트릭스 데이터간 유클리디안 거리값인 것을 특징으로 한다.

또한, 본 발명은 교통 상황 예측 방법으로서, 도로상 설치된 복수의 센서를 통해 수집되는 상기 도로를 통행하는 차량과 관련된 교통 데이터를 수신하는 단계와, 상기 교통 데이터를 기설정된 길이의 시간 정보와 공간 정보로 구성되는 매트릭스 데이터로 가공하는 단계와, 상기 매트릭스 데이터 중 상기 도로상 광역구역으로 구분된 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제1 매트릭스 데이터 조합을 생성하는 단계와, 상기 제1 도로 구간상 단위구역으로 구분된 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제2 매트릭스 데이터 조합을 생성하는 단계와, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측 정보를 산출하는 단계와, 제2 매트릭스 데이터 조합내 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측 정보를 산출하는 단계를 포함한다.

또한, 상기 제1 매트릭스 데이터 조합을 생성하는 단계는, 상기 매트릭스 데이터 중 상기 도로상 광역구역으로 구분된 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하는 단계와, 상기 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도가 기설정된 기준값 이상인 매트릭스 데이터를 선택하여 상기 제1 매트릭스 데이터 조합을 생성하는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 제2 매트릭스 데이터 조합을 생성하는 단계는, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 상기 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하는 단계와, 상기 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도가 상기 기준값 이상인 매트릭스 데이터를 선택하여 제2 매트릭스 데이터 조합을 생성하는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 광역 구역별 교통 상황 예측 정보를 산출하는 단계는, 상기 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하는 단계와, 상기 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도에 기초하여 상기 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하는 단계와, 상기 예측된 매트릭스 데이터를 기반으로 상기 광역구역별 교통 상황 예측 정보를 산출하는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 단위 구역별 교통 상황 예측 정보를 산출하는 단계는, 상기 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하는 단계와, 상기 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도에 기초하여 상기 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하는 단계와, 상기 예측된 매트릭스 데이터를 기반으로 상기 단위구역별 교통 상황 예측 정보를 산출하는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 교통 상황 예측 정보를 산출하는 단계에서, 상기 도로 상 돌발 상황 발생에 따라 증가된 도로 구간별 통행 시간 정보를 반영하여 상기 광역구역별 또는 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.

또한, 상기 매트릭스 데이터는, 각 센서에서 상기 교통 데이터가 측정된 시각이 상기 시간 정보로 구성되고, 상기 도로상 배치된 기설정된 수의 센서의 식별번호가 상기 공간 정보로 구성되는 것을 특징으로 한다.

또한, 상기 매트릭스 데이터는, 상기 도로 상 데이터가 손실된 구간에 대해서는 DSRC와 VDS로부터 생성된 교통 데이터가 융합되어 보정되는 것을 특징으로 한다.

본 발명에 따르면, 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있는 이점이 있다.

또한, 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있는 이점이 있다.

또한, 본 발명에서는 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행함에 있어서 도로 상 사고 발생 등의 돌발 상황 발생하는 경우 돌발 상황 발생에 따라 증가된 통행 시간 정보가 교통 상황 예측에 반영되도록 함으로써 보다 정확한 교통 상황 예측이 가능한 이점이 있다.

또한, 본 발명에서는 광역구역별, 단위구역별로 통행 속도를 보여줌으로써 사용자로 하여금 보다 쉽게 교통 상황을 인지할 수 있도록 하며, 이와 함께 예측에 대한 정확성을 함께 표출함으로써 시스템의 신뢰도를 높일 수 있는 이점이 있다.

또한, 각각의 목적지 별로 3개 이상의 경로를 제안하고 이와 함께 6시간 이내에서 최적 출발 시간이 언제인지에 관한 정보를 표출하여 사용자가 출발지에서의 최적출발시간을 판단하기 쉽도록 함으로써 사용상 편리성을 높일 수 있는 이점이 있다.

또한, 예측을 위한 데이터 취득부터 표출까지의 통합 솔루션을 제공함으로 손쉬운 사용이 가능하도록 하며, 기존 예측 방법과 비교하여 예측 속도를 9배 이상 향상시킬 수 있고, 패턴 매칭을 기반으로 한 실시간 교통 상황 예측이 가능하게 되는 이점이 있다.

도 1은 본 발명의 실시예에 따른 도로 구간별 특성을 고려한 교통 상황 예측 시스템의 네트워크 구성도,
도 2는 본 발명의 실시예에 따른 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버의 상세 블록 구성도,
도 3은 종래 시계열적 교통 데이터 구조 예시도,
도 4는 본 발명의 실시예에 따른 시간/공간 정보로 구성되는 매트릭스 데이터 구조 예시도,
도 5는 본 발명의 실시예에 따른 도로 상 광역구역, 단위구역 분할 예시도,
도 6은 본 발명의 실시예에 따른 손실된 데이터의 융합 보정 개념도,
도 7은 본 발명의 실시예에 따른 속도 예측 화면 예시도,
도 8은 본 발명의 실시예에 따른 통행 시간 예측 화면 예시도,
도 9는 본 발명의 실시예에 따른 교통 상황 예측 서버에서의 교통 상황 예측에 대한 속도 및 정확성 그래프,
도 10은 본 발명의 실시예에 따른 도로 구간별 실시간 교통 상황을 예측하는 동작 제어 흐름도.

이하, 첨부된 도면을 참조하여 본 발명의 동작 원리를 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명의 실시예에 따른 도로 구간별 특성을 고려한 교통 상황 예측 시스템의 네트워크 구성을 도시한 것이다.

교통 정보 제공장치(100)는 도로 정보 수집기(102)를 통해 도로 구간별 해당 도로를 통행하는 차량의 통행 속도나 통행 시간 등의 교통 데이터를 수집하고, 수집된 도로 구간별 교통 데이터를 제공하는 장치를 말한다.

이때, 이러한 교통 정보 제공장치(100)는 예를 들어 도로 정보 수집기(102)에 포함되는 DSRC(dedicated short range communication), VDS(vehicle detection system), TCS(toll collection system) 등의 다양한 교통 센서로부터의 수집된 교통 데이터를 기반으로 다양한 교통 정보를 가공하는 도로 공사 서버 등이 될 수 있으며, 도로 정보 수집기(102)는 예를 들어 위와 같은 DSRC, VDS, TCS 등의 센서를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 이때, DSRC는 차량과 도로를 쌍방향 통신으로 결합시키는 시스템으로서, 도로 상에 기설정된 일정 간격으로 이격 설치되는 무선 송수신 장치를 이용하여 차량에 설치된 하이패스 단말기 등과 통신을 수행함으로써 차량의 도로 통행 여부를 검출하는 센서를 말할 수 있다. 또한, VDS는 차량 검출 장치로서 루프 검출기(loop detector) 등을 말할 수 있으며, 도로상에 기설정된 간격으로 설치되는 차량 검출용 루프(loop)를 이용하여 차량의 통행을 검출하거나 카메라 등을 통해 차량의 통행을 검출할 수 있으나 이에 한정되는 것은 아니다. 또한, TCS는 고속도로 상에 톨게이트(toll gate) 등에 설치되어 차량의 인(in)/아웃(out)을 검출하는 장치를 말할 수 있다.

교통 상황 예측 서버(130)는 교통 정보 제공장치(100)로부터 제공되는 도로 구간별 교통 데이터를 기반으로 도로 구간별 교통 특성을 고려한 실시간 통행 속도 및 목적지별 통행 소요 시간 등의 교통 상황을 예측하고, 예측된 교통 상황에 대한 정보를 유/무선 통신망을 통해 연결되는 모바일(mobile) 단말(150) 또는 웹서비스(web service) 단말(170) 등으로 제공할 수 있다.

이때, 교통 상황 예측 서버(130)는 위와 같은 교통 상황을 예측함에 있어서, 도로에 설치되는 DSRC, VDS, TCS 등의 센서로부터 수집되는 교통 데이터를 수신하고, 이러한 다수의 센서로부터 수집된 교통 데이터에 대해 시간과 공간으로 이루어지는 매트릭스 데이터(matrix) 형태로 가공한 후, 도로 구간별 과거 매트릭스 데이터 중 유사도가 가장 높은 기설정된 수의 매트릭스 데이터를 추출한다. 이어, 교통 상황 예측 서버(130)는 유사도 높은 것으로 매칭된 매트릭스 데이터를 이용하여 도로 구간별 미래의 교통 상황을 예측할 수 있다. 이때, 이와 같이 예측되는 교통 상황에 대한 정보는 도로 구간별 통행 속도 또는 목적지까지의 통행 소요 시간 등의 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다. 한편, 위와 같은 매트릭스 데이터의 상세한 구조 및 이를 이용한 교통 상황 예측의 상세한 동작에 대해서는 교통 상황 예측 서버의 상세 블록 구성을 도시한 도 2를 참조하여 상세히 후술하기로 한다.

또한, 교통 상황 예측 서버(130)는 위와 같이 예측된 도로 구간별 교통 상황에 대한 정보를 유/무선 통신망을 통해 연결되는 모바일 단말(150) 또는 웹서비스 단말(170)로 제공하며, 특히 모바일 단말(130)에 대해서는 해당 모바일 단말(130)의 사용자가 교통 상황 예측 서비스에 가입된 경우 해당 모바일 단말(130)의 위치 정보 또는 사용자의 개인 특성 정보에 기반한 개인 특성화 정보를 가공하여 제공할 수도 있다.

모바일 단말(150)은 휴대폰, 스마트폰, 테블릿 PC 등 무선 통신망을 통해 교통 상황 예측 서버(130)와 접속하여 데이터 송수신을 수행할 수 있는 이동통신 단말을 의미할 수 있으며, 교통 상황 예측 서버(130)에 접속하는 경우 교통 상황 예측 서버(130)로부터 도로 구간별 통행 속도 및 목적지까지의 통행 소요 시간 등의 교통 상황 정보를 수신할 수 있다. 또한, 모바일 단말(150)의 위치 정보 또는 사용자의 개인 특성 정보에 기반한 개인 특성화 정보를 수신할 수도 있다.

웹 서비스 단말(170)은 인터넷망을 포함한 유/무선 통신망에 접속되는 데스크탑 PC, 노트북 등의 컴퓨팅 단말을 의미할 수 있으며, 교통 상황 예측 서버(130)에 접속하는 경우 교통 상황 예측 서버(130)로부터 도로 구간별 통행 속도 및 목적지까지의 통행 소요 시간 등의 교통 상황 정보를 수신할 수 있다.

도 2는 본 발명의 실시예에 따른 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버의 상세 블록 구성을 도시한 것으로, 데이터 전처리부(200), 기상 데이터 매칭부(202), 날짜 목록 관리부(204), 실시간 데이터 처리부(206), 시뮬레이션부(208), 광역구역 매칭부(210), 단위구역 매칭부(212), 교통 상황 예측부(214) 등을 포함할 수 있다.

이하, 도 2를 참조하여 본 발명의 교통 상황 예측 서버(130)의 각 구성요소에서의 동작을 상세히 설명하기로 한다.

먼저, 데이터 전처리부(200)는 TCS, VDS, DSRC 등으로부터 수집되는 도로 구간별 교통 데이터를 교통 정보 제공장치(100)로부터 수신하고, 이러한 교통 데이터를 본 발명의 실시예에 따른 시간/공간의 정보로 구성되는 매트릭스(matrix) 데이터 형태로 변환하는 작업을 수행한다.

이때, 교통 정보 제공장치(100)에서 수집되는 교통 데이터는 일반적으로 측정된 시간별 통행 속도나 통행 시간 등의 정보로 구성되는 시계열적인 데이터 형태로 수집될 수 있다. 즉, 예를 들어 TCS를 통해 수집되는 교통 데이터는 도 3의 (a)에 도시된 바와 같이 데이터 테이블상 가로축에는 출발지(서울)와 목적지(부산) 정보, 해당 도로 구간에서의 차량의 통행 속도, 목적지까지의 통행 소요 시간 등이 기록되며, 세로축에는 각각의 정보가 측정된 시간 정보가 기록되는 형태로서 시계열적인 데이터 형태로 제공되는 것이 일반적이다. 또한, DSRC, VDS 등으로부터 수집되는 교통 데이터 또한, 도 3의 (b)에서 보여지는 바와 같이 가로축에는 도로상 설치된 차량 검출용 루프의 아이디(ID)와 해당 루프에서 측정된 차량의 통행 속도 등이 기록되며, 세로축에는 통행 속도가 측정된 시간 정보가 기록되는 형태로서 시계열적인 데이터 형태로 제공되고 있다.

이에 따라, 데이터 전처리부(200)에서는 이러한 시계열적인 교통 데이터에 대해 도 4에서와 같이 시간/공간의 정보로 구성되는 매트릭스 데이터 형태로 가공한다.

즉, 도 4에서 보여지는 바와 같이, 하나의 루프 아이디에 대한 시간별 속도 정보가 아니라, 데이터 테이블상 가로축에는 다수의 루프 아이디(ID#1, ID#2, ID#3, ID#n)에서 측정된 차량의 통해 속도 정보가 기록되고, 세로축에는 통행 속도가 측정된 시간 정보가 기록되는 형태의 시간과 공간 정보로 이루어지는 매트릭스 데이터 형태로 가공하는 것이다.

위와 같이 교통 데이터에 대해 전처리를 통해 매트릭스 데이터 형태로 가공함으로써, 종래와 같이 루프 아이디 하나 하나씩 유사한 패턴의 과거 데이터를 이용하여 도로 상 특정 지점에서의 미래의 교통 상황을 예측하는 것이 아니라, 본 발명의 실시예에서는 매트릭스 데이터별 유사도 산출을 통해 유사한 패턴의 과거 매트릭스 데이터를 이용하여 도로 구간별 보다 정확한 교통 상황 예측이 가능하게 된다.

즉, 종래에는 예를 들어 VDS 교통 데이터를 이용한 교통 상황 예측에 있어서, 루프 아이디 각각에 대해 수집된 과거 교통 데이터에 대한 유사도 산출을 통해 비슷한 패턴의 교통 데이터를 추출하여 미래의 교통 상황을 예측함에 따라 정확한 교통상황 예측이 불가능하였다. 그러나, 본 발명에서는 도로 구간별 설치된 다수개의 루프 아이디에 대해 수집된 교통 데이터를 매트릭스 데이터 형태로 구성하고, 매트릭스 데이터에 대한 유사도 산출을 통해 비슷한 패턴의 매트릭스 데이터를 추출하여 미래의 교통 상황을 예측하는 것이다. 이에 따라, 유사도 산출 계산 속도도 높일 수 있고, 유사한 패턴을 검출하는 정확도도 높일 수 있으며, 도로 구간별로 교통 상황 또한 보다 정확히 예측할 수 있게 된다.

또한, 데이터 전처리부(200)는 위와 같은 매트릭스 데이터를 구성함에 있어서, 도 5에서 보여지는 바와 같이 교통 예측을 수행하는 전체 도로 구간을 광역구역(global section)(500)과 단위구역(local section)(502)으로 설정하고, 광역구역별 매트릭스 데이터와 단위구역별 매트릭스 데이터를 구성할 수도 있다. 이때, 광역구역이라 함은 예를 들어 고속도로의 경우 양재 IC-대전 IC 구간, 대전 IC-북대구 IC 등으로 설정할 수 있으며, 단위구역이라 함은 광역구역내에 위치하는 일부 분기점(JC) 구간으로 판교 JC-신갈 JC, 안성 JC-남이 JC 등으로 설정할 수 있다. 이때, 광역구역(500)을 설정함에 있어서는 예를 들어 서울에서 부산까지의 구간에서 중간에 교통 흐름이 크게 바뀌는 구간으로 설정할 수 있고, 단위구역(502)을 설정함에 있어서는 광역구역(500)내에서 교통 흐름이 크게 바뀌는 구간으로 설정할 수 있다.

이때, 데이터 전처리부(200)는 광역구역(500)에 대해서는 TCS 교통 데이터를 이용하여 여러 가지 형태의 매트릭스 데이터를 구성할 수 있다. 예를 들어 해당 광역구역(500)내로 들어오는 차량에 대한 인(in) 매트릭스 데이터와 광역구역을 빠져나가는 차량에 대한 아웃(out) 매트릭스 데이터를 구성할 수 있으며, 단위 시간당 차량 수(number of vehicle / hour)의 매트릭스 데이터 등을 구성할 수 있다. 이러한 매트릭스 데이터는 데이터 베이스(data base)(201)상에 저장될 수 있다.

또한, 데이터 전처리부(200)는 단위구역(502)에 대해서는 VDS, DSRC의 교통 데이터를 이용하여 단위구역(502)의 VDS에 기반한 차량의 통행 속도 데이터와 VDS의 점유율(occupancy)에 대한 각각의 매트릭스 데이터를 구성할 수 있으며, DSRC에 기반한 통행 속도 데이터에 대한 매트릭스 데이터를 구성할 수 있다. 이러한 매트릭스 데이터 또한 데이터 베이스(201)상에 저장될 수 있다.

또한, 데이터 전처리부(200)는 각각의 매트릭스 데이터별로 평균적으로 얼마만큼의 데이터 손실이 있는지를 산출하고, 광역구역별 또는 단위구역별로 손실율을 계산할 수 있으며, 데이터가 손실된 구간(600, 602, 604)에 대해서는 DSRC와 VDS 교통 데이터를 융합하여 보정을 수행할 수 있다. 이때 데이터가 손실된 구간(600, 602, 604)에 대한 보정에 있어서는 예를 들어 도 6에서 보여지는 바와 같이 손실되지 않은 부분에 대해서는 DSRC 데이터를 쓰고, 손실된 부분(600, 602, 604)은 vds 교통 데이터의 평균값을 통해서 보정하는 등의 방식으로 보정함으로써, 매트릭스 데이터에 대한 전체적인 데이터 품질을 높인 후에 교통 상황 예측이 수행될 수 있도록 한다. 이에 따라 교통 상황 예측의 신뢰성을 보다 높일 수 있다.

기상 데이터 매칭부(202)는 데이터 전처리부(200)에서 구성된 시간/공간 데이터인 매트릭스 데이터에 대해 비슷한 날씨 정보를 가지는 매트릭스 데이터를 선정하여 추출한다. 이와 같이 선정된 매트릭스 데이터는 날짜 목록 관리부(204)로 제공될 수 있다. 날짜 목록 관리부(204)는 데이터 전처리부(200)로부터 가공된 매트릭스 데이터를 요일과 날씨를 기준으로 필터링(filtering)하고, 필터링된 매트릭스 데이터를 광역구역 매칭부(210)로 제공한다.

실시간 데이터 처리부(206)는 데이터 전처리부(200)로부터 입력되는 매트릭스 데이터에 대해 실시간 데이터로 처리하여 실시간 매트릭스 데이터를 광역구역 매칭부(210)로 제공한다. 시뮬레이션부(208)는 도로 상 사고를 포함하는 돌발 상황 발생 시 돌발 상황 발생으로 인해 증가되는 통행 시간 정보를 산출하고, 이와 같이 산출된 통행 시간 정보를 교통 상황 예측부(214)로 제공한다.

광역구역 매칭부(210)는 날짜 목록 관리부(204)를 통해 요일, 날씨 등으로 필터링된 매트릭스 데이터를 수신하고, 수신된 매트릭스 데이터 중 광역구역(500)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출함으로써 광역구역별 매칭되는 제1 매트릭스 데이터 조합을 생성할 수 있다. 이때, 유사도를 산출함에 있어서 매트릭스 데이터간 유클리디안 거리를 산출하고, 산출된 유클리디안 거리값을 유사도 값으로 사용할 수 있으나, 이에 한정되는 것은 아니다.

단위구역 매칭부(212)는 광역구역 매칭부(210)로부터 생성되는 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 각각의 광역구역(500)내 포함되는 단위구역(502)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출함으로써 단위구역별 매칭되는 제2 매트릭스 데이터 조합을 생성할 수 있다.

교통 상황 예측부(214)는 광역구역 매칭부(210)와 단위구역 매칭부(212)를 통해 매칭된 제1 매트릭스 데이터 조합과 제2 매트릭스 데이터 조합을 수신하고, 이러한 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행하게 된다.

이때, 광역구역별 교통 상황에 대한 예측에 있어서, 교통 상황 예측부는 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출한다. 또한, 유사도에 기초하여 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 이와 같이 예측된 매트릭스 데이터를 기반으로 광역구역별 교통 상황 예측 정보를 산출할 수 있다.

또한, 단위구역별 교통 상황에 대한 예측에 있어서, 교통 상황 예측부는 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출한다. 또한, 유사도에 기초하여 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 이와 같이 예측된 매트릭스 데이터를 기반으로 단위구역별 교통 상황 예측 정보를 산출할 수 있다.

또한, 교통 상황 예측부(214)는 광역구역별 교통 상황 예측에 있어서는 요일과 날씨 등으로 필터링된 매트릭스 데이터 중 광역구역을 기반으로 차량의 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴(pattern)이 매칭(matching)되는 매트릭스 데이터를 찾아 교통 상황을 예측함으로써 요일과 날씨가 반영된 장기적인 교통 상황 예측을 수행할 수 있으며, 예측의 범위를 최대 8시간까지 증가시킬 수 있다.

또한, 교통 상황 예측부(214)는 단위구역별 교통 상황 예측에 있어서는 교통 상황의 보다 세밀한 변화를 탐지하기 위해 설정한 단위구역(502)을 기반으로 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴이 매칭되는 매트릭스 데이터를 찾아 교통 상황을 예측한다. 따라서, 위와 같은 광역구역(500)과 단위구역(502)으로 구분되는 계층적 구조 및 매칭의 구역 분할을 통하여 기존 예측 방법과 비교하여 예측 속도는 9 배이상, 장기 예측 정확도는 2배 이상 향상시킬 수 있다.

또한, 교통 상황 예측부(214)는 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행함에 있어서 시뮬레이션부(208)로부터 도로 상 사고 발생 등의 돌발 상황 발생에 따라 증가된 통행 시간 정보를 제공받는 경우 돌발 상황 발생에 따라 증가된 통행 시간 정보를 광역구역별, 단위구역별 교통 상황 예측에 반영하여 돌발 상황이 반영된 보다 정확한 교통 상황 예측을 수행할 수 있도록 한다.

도 7은 본 발명의 실시예에 따른 속도 예측 화면 예시도이다.

위 도 7을 참조하면, 도로 구간별 통행 속도 예측의 경우 광역구역별로 통행 속도의 현재 상황 및 예측 상황을 보여주는 것을 알 수 있다.

즉, 종래 시스템에서는 센서의 링크별로 상태를 표출하고 있어 실제 사용자가 도로의 상태를 예측하고 출발시간을 정하기에는 불편한 점이 있었으나, 본 발명에서는 광역구역별, 단위구역별로 통행 속도를 보여줌으로써 사용자로 하여금 보다 쉽게 교통 상황을 예측할 수 있도록 한다. 예를 들어, 본 발명의 실시예에서는 도 7에서 보여지는 바와 같이 서울∼대전 구간의 경우 5개의 링크만으로 상태를 확인 할 수 있어 사용자가 보다 쉽게 교통 상황을 인지할 수 있으며, 이와 함께 예측에 대한 정확성을 함께 표출함으로써 시스템의 신뢰도를 높일 수 있다.

도 8은 본 발명의 실시예에 따른 통행 시간 예측 화면 예시도이다.

위 도 8을 참조하면, 도로 구간별 통행 시간 예측의 경우 각각의 목적지 별로 3개 이상의 경로를 제안하고, 이와 함께 6시간 이내에서 최적 출발 시간이 언제인지에 관한 정보가 함께 표출되고 있는 것을 알 수 있다. 이에 따라, 예를 들어 6시간의 예측시간 중 차량의 통행량이 가장 적은 통행 시간과 예측 시간대의 통행 시간의 비율을 표출함으로써 초행자도 최적출발시간을 판단하기 쉬운 구조로 데이터를 표출할 수 있다.

도 9는 본 발명의 실시예에 따른 교통 상황 예측 서버에서의 교통 상황 예측에 대한 속도 및 정확성 그래프를 도시한 것이다.

위 도 9에서 보여지는 바와 같이 본 발명의 실시예에 따른 교통 상황 예측을 통해 종래 방법과 비교하여 교통 상황 예측 속도가 9배 이상 향상된 것을 알 수 있으며, 교통 상황 예측의 정확도는 2배 이상 향상된 것을 알 수 있다.

도 10은 본 발명의 실시예에 따른 교통 상황 예측 서버에서 도로 구간별 실시간 교통 상황을 예측하는 동작 제어 흐름을 도시한 것이다.

먼저, 교통 상황 예측 서버(130)는 TCS, VDS, DSRC 등으로부터 수집되는 도로 구간별 교통 데이터를 교통 정보 제공장치(100)로부터 수신한다(S100).

이어, 교통 상황 예측 서버(130)는 교통 정보 제공장치(100)로부터 수신 받은 교통 데이터를 데이터 전처리 작업을 통해 본 발명의 실시예에 따른 시간/공간의 매트릭스 데이터 형태로 변환한다(S102).

이때, 교통 정보 제공장치(100)에서 수집되는 교통 데이터는 일반적으로 측정된 시간별 통행 속도나 통행 시간 등의 정보로 구성되는 시계열적인 데이터 형태로 수집될 수 있다. 이에 따라, 교통 상황 예측 서버(130)는 데이터 전처리 작업을 통해 이러한 시계열적인 교통 데이터에 대해 도 4에서와 같이 시간/공간의 데이터로 구성되는 매트릭스 데이터 형태로 가공한다.

즉, 교통 상황 예측 서버(130)는 예를 들어, DSRC, VDS 등으로부터 발생된 교통 데이터의 경우, 도 4에서 보여지는 바와 같이 데이터 테이블상 가로축에는 다수의 루프 아이디에서 측정된 차량의 통행 속도 정보가 기록되고, 세로축에는 통행 속도가 측정된 시간 정보, 즉 통행 시간 정보가 기록되는 형태의 시간과 공간 정보로 이루어지는 매트릭스 데이터 형태로 가공하는 것이다.

또한, 교통 상황 예측 서버(130)는 위와 같은 매트릭스 데이터로의 데이터 전처리 작업에 있어서, 도 5에서 보여지는 바와 같이 교통 예측을 수행하는 전체 도로 구간을 광역구역(500)과 단위구역(502)으로 설정하고, 광역구역별 매트릭스 데이터와 단위구역별 매트릭스 데이터로 구분하여 생성할 수도 있다. 이때, 광역구역(500)이라 함은 전술한 바와 같이 예를 들어 고속도로의 경우 양재 IC-대전 IC 구간, 대전 IC-북대구 IC 등으로 설정할 수 있으며, 단위구역(502)이라 함은 광역구역(500)내에 위치하는 일부 JC 구간으로 판교 JC-신갈 JC, 안성 JC-남이 JC 등으로 설정할 수 있다. 또한, 광역구역(500)을 설정함에 있어서는 예를 들어 서울에서 부산까지의 구간에서 중간에 교통 흐름이 크게 바뀌는 구간을 선택하여 설정할 수 있고, 단위구역(502)을 설정함에 있어서는 광역구역(500)내 교통 흐름이 크게 바뀌는 구간을 선택하여 설정할 수 있다.

이어, 교통 상황 예측 서버(130)는 위와 같이 데이터 전처리 작업을 통해 생성한 매트릭스 데이터에 대해 요일과 날씨를 기준으로 필터링을 수행한다(S104).

그런 후, 교통 상황 예측 서버(130)는 요일 과 날씨를 기준으로 필터링이 수행되어 출력된 매트릭스 데이터에 대해 광역구역(500)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 교통 상황 예측 서버(130)는 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출하여 광역구역별 매칭되는 제1 매트릭스 데이터 조합을 생성한다(S106). 이어, 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측을 수행한다(S108).

이때, 교통 상황 예측부(130)는 광역구역별 교통 상황 예측에 있어서는 요일과 날씨 등으로 필터링된 매트릭스 데이터 중 광역구역(500)을 기반으로 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴이 매칭되는 매트릭스 데이터를 찾아 교통 상황을 예측함으로써 요일과 날씨가 반영된 장기적인 교통 상황 예측을 수행할 수 있으며, 예측의 범위를 최대 8시간까지 증가시킬 수 있다.

위와 같이 광역구역별 교통 상황 예측을 수행한 후, 교통 상황 예측 서버(130)는 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 각각의 광역구역(500)내 포함되는 단위구역(502)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출하여 단위구역별 매칭되는 제2 매트릭스 데이터 조합을 생성한다(S110). 이어, 제2 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측을 수행한다(S112).

이때, 교통 상황 예측부(130)는 단위구역별 교통 상황 예측에 있어서는 교통 상황의 보다 세밀한 변화를 탐지하기 위해 설정한 단위구역(502)을 기반으로 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴이 매칭되는 매트릭스 데이터를 찾아 교통 상황을 예측한다. 따라서, 위와 같은 광역구역(500)과 단위구역(502)으로 구분되는 계층적 구조 및 매칭의 구역 분할을 통하여 기존 예측 방법과 비교하여 예측 속도는 9 배이상, 장기 예측 정확도는 2배 이상 향상시킬 수 있다.

또한, 교통 상황 예측부(130)는 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행함에 있어서 시뮬레이션부(208)로부터 도로 상 사고 발생 등의 돌발 상황 발생에 따라 증가된 통행 시간 정보를 제공받는 경우 돌발 상황 발생에 따라 증가된 통행 시간 정보를 광역구역별, 단위구역별 교통 상황 예측에 반영하여 돌발 상황이 반영된 보다 정확한 교통 상황 예측을 수행할 수 있도록 한다.

상기한 바와 같이, 본 발명에 따르면, 도로 구간별 교통 특성을 고려한 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 한다.

한편 상술한 본 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시될 수 있다. 따라서 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.

100 : 교통 정보 제공장치 130 : 교통 상황 예측 서버
150 : 모바일 단말 170 : 웹 서비스 단말
200 : 데이터 전처리부 202 : 기상 데이터 매칭부
204 : 날짜 목록 관리부 206 : 실시간 데이터 처리부
208 : 시뮬레이션부 210 : 광역구역 매칭부
212 : 단위구역 매칭부 212 : 교통 상황 예측부

Claims (18)

1. 도로 상 설치된 복수의 센서를 통해 수집되는 상기 도로를 통행하는 차량과 관련된 교통 데이터를 수신하고, 상기 교통 데이터를 기설정된 길이의 시간 정보와 공간 정보로 구성되는 매트릭스 데이터로 가공하는 데이터 전처리부와,
   상기 매트릭스 데이터 중 상기 도로 상 광역구역으로 구분된 복수의 제1 도로 구간에 대응되는 시간에 따른 매트릭스 데이터를 추출하여 제1 매트릭스 데이터 조합을 생성하는 광역구역 매칭부와,
   각 제1 도로 구간상 단위구역으로 구분된 복수의 제2 도로 구간에 대응되는 시간에 따른 매트릭스 데이터를 추출하여 제2 매트릭스 데이터 조합을 생성하는 단위구역 매칭부와,
   상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측 정보를 산출하고, 상기 제2 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측 정보를 산출하는 교통 상황 예측부를 포함하며,
   상기 광역구역 매칭부는,
   상기 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터간 패턴 매칭을 통해 제1 유사도를 산출하며, 상기 제1 유사도가 기설정된 기준값 이상인 매트릭스 데이터를 선택하여 상기 제1 매트릭스 데이터 조합을 생성하고,
   상기 단위구역 매칭부는,
   상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 상기 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터간 패턴 매칭을 통해 제2 유사도를 산출하며, 상기 제2 유사도가 상기 기준값 이상인 매트릭스 데이터를 선택하여 상기 제2 매트릭스 데이터 조합을 생성하는 것을 특징으로 하는 교통 상황 예측 서버.
   
2. 삭제
3. 삭제
4. 제 1 항에 있어서,
   상기 교통 상황 예측부는,
   상기 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도에 기초하여 상기 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 상기 예측된 매트릭스 데이터를 기반으로 상기 광역구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 하는 교통 상황 예측 서버.
   
5. 제 1 항에 있어서,
   상기 교통 상황 예측부는,
   상기 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도에 기초하여 상기 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 상기 예측된 매트릭스 데이터를 기반으로 상기 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 하는 교통 상황 예측 서버.
   
6. 제 1 항에 있어서,
   상기 데이터 전처리부는,
   각 센서에서 상기 교통 데이터가 측정된 시각을 상기 시간 정보로 생성하고, 상기 도로상 설치된 기설정된 수의 센서의 식별번호를 상기 공간 정보로 생성하여 상기 매트릭스 데이터로 가공하는 것을 특징으로 하는 교통 상황 예측 서버.
   
7. 제 1 항에 있어서,
   상기 데이터 전처리부는,
   매트릭스 데이터별 데이터 손실율을 산출하고, 상기 도로 상 데이터가 손실된 구간에 대해서는 DSRC와 VDS로부터 생성된 교통 데이터를 융합하여 보정을 수행하는 것을 특징으로 하는 교통 상황 예측 서버.
   
8. 제 7 항에 있어서,
   상기 광역구역 매칭부는,
   상기 제1 도로 구간에 대응되는 매트릭스 데이터 중 상기 데이터 손실율이 기설정된 기준값 이하인 매트릭스 데이터를 유효한 데이터로 선택하여 상기 제1 유사도를 산출하는 것을 특징으로 하는 교통 상황 예측 서버.
   
9. 제 1 항에 있어서,
   상기 서버는,
   상기 도로 상 사고를 포함하는 돌발 상황 발생 시 상기 돌발 상황 발생으로 인해 증가되는 통행 시간 정보를 산출하는 시뮬레이션부를 더 포함하는 것을 특징으로 하는 교통 상황 예측 서버.
   
10. 제 9 항에 있어서,
    상기 교통 상황 예측부는,
    상기 돌발 상황 발생에 따라 증가된 도로 구간별 통행 시간 정보를 반영하여 상기 광역구역별 또는 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 하는 교통 상황 예측 서버.
    
11. 도로상 설치된 복수의 센서를 통해 수집되는 상기 도로를 통행하는 차량과 관련된 교통 데이터를 수신하는 단계와,
    상기 교통 데이터를 기설정된 길이의 시간 정보와 공간 정보로 구성되는 매트릭스 데이터로 가공하는 단계와,
    상기 매트릭스 데이터 중 도로상 광역구역으로 구분된 복수의 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제1 매트릭스 데이터 조합을 생성하는 단계와,
    각 제1 도로 구간상 단위구역으로 구분된 복수의 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제2 매트릭스 데이터 조합을 생성하는 단계와,
    상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측 정보를 산출하는 단계와,
    제2 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측 정보를 산출하는 단계를 포함하며,
    상기 제1 매트릭스 데이터 조합을 생성하는 단계는,
    상기 매트릭스 데이터 중 상기 도로상 광역구역으로 구분된 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하는 단계와,
    상기 추출된 매트릭스 데이터간 패턴 매칭을 통해 제1 유사도를 산출하는 단계와,
    상기 제1 유사도가 기설정된 기준값 이상인 매트릭스 데이터를 선택하여 상기 제1 매트릭스 데이터 조합을 생성하는 단계를 포함하고,
    상기 제2 매트릭스 데이터 조합을 생성하는 단계는,
    상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 상기 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하는 단계와,
    상기 추출된 매트릭스 데이터간 패턴 매칭을 통해 제2 유사도를 산출하는 단계와,
    상기 제2 유사도가 상기 기준값 이상인 매트릭스 데이터를 선택하여 제2 매트릭스 데이터 조합을 생성하는 단계
    를 포함하는 것을 특징으로 하는 교통 상황 예측 방법.
    
12. 삭제
13. 삭제
14. 제 11 항에 있어서,
    상기 광역 구역별 교통 상황 예측 정보를 산출하는 단계는,
    상기 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하는 단계와,
    상기 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와,
    상기 유사도에 기초하여 상기 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하는 단계와,
    상기 예측된 매트릭스 데이터를 기반으로 상기 광역구역별 교통 상황 예측 정보를 산출하는 단계
    를 포함하는 것을 특징으로 하는 교통 상황 예측 방법.
    
15. 제 11 항에 있어서,
    상기 단위 구역별 교통 상황 예측 정보를 산출하는 단계는,
    상기 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하는 단계와,
    상기 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와,
    상기 유사도에 기초하여 상기 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하는 단계와,
    상기 예측된 매트릭스 데이터를 기반으로 상기 단위구역별 교통 상황 예측 정보를 산출하는 단계
    를 포함하는 것을 특징으로 하는 교통 상황 예측 방법.
    
16. 제 11 항에 있어서,
    상기 교통 상황 예측 정보를 산출하는 단계에서,
    상기 도로 상 돌발 상황 발생에 따라 증가된 도로 구간별 통행 시간 정보를 반영하여 상기 광역구역별 또는 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 하는 교통 상황 예측 방법.
    
17. 제 11 항에 있어서,
    상기 매트릭스 데이터는,
    각 센서에서 상기 교통 데이터가 측정된 시각이 상기 시간 정보로 구성되고, 상기 도로상 설치된 기설정된 수의 센서의 식별번호가 상기 공간 정보로 구성되는 것을 특징으로 하는 교통 상황 예측 방법.
    
18. 제 11 항에 있어서,
    상기 매트릭스 데이터는,
    상기 도로 상 데이터가 손실된 구간에 대해서는 DSRC와 VDS로부터 생성된 교통 데이터가 융합되어 보정되는 것을 특징으로 하는 교통 상황 예측 방법.
    
    
    
    
    
    
    
    

Images