KR101815511B1 - 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 - Google Patents
교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 Download PDFInfo
- Publication number
- KR101815511B1 KR101815511B1 KR1020160182507A KR20160182507A KR101815511B1 KR 101815511 B1 KR101815511 B1 KR 101815511B1 KR 1020160182507 A KR1020160182507 A KR 1020160182507A KR 20160182507 A KR20160182507 A KR 20160182507A KR 101815511 B1 KR101815511 B1 KR 101815511B1
- Authority
- KR
- South Korea
- Prior art keywords
- traffic
- analysis
- model
- simulation
- big data
- Prior art date
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 238000012800 visualization Methods 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 7
- 238000005315 distribution function Methods 0.000 claims description 12
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000013499 data model Methods 0.000 abstract description 7
- 230000000295 complement effect Effects 0.000 abstract description 4
- 230000033772 system development Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000012795 verification Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G06Q50/30—
-
- 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
- G08G1/16—Anti-collision systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
본 발명은 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법에 관한 것으로, 교통 시뮬레이션 모델과 데이터 모델의 상호 보완적 융합을 통한 교통 시뮬레이션 시스템 개발 프레임워크를 제공하며, 제공된 프레임워크를 이용하여 교통 분석 대상 지역과 분석 목적(혹은 분석 지수)이 주어지면 지형정보 DB와 에이전트 모델 베이스로부터 원하는 시뮬레이션 모델을 자동 합성하도록 하는데 그 목적이 있다.
Description
본 발명은 프레임워크(Framework)를 이용한 목적지향 교통 시뮬레이션 시스템에 관한 것으로, 사용자가 사용이 편리한 인터페이스를 통해 관심대상 지역 및 분석목적(평가척도/분석지수)을 지정하면 이에 대한 분석결과 도출 실험이 가능한 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법에 관한 것이다.
최근 교통 문제가 사회 문제로 부각됨에 따라 교통 체계 분석 및 최적화에 관심이 높아지고 있다. 이에 대한 한 가지 대안으로서 교통 시뮬레이션이 있다.
도 1은 종래기술에 따른 교통량 시뮬레이션 시스템에 대한 블록도로서, 이는 국내특허공고 제10-0757758호(2007년09월11일자)에 개시되어 있다.
즉, 종래기술에 따른 교통량 시뮬레이션 시스템(100)은 교통 허용량 연산 수단(120), 적정 소통량 연산 수단(130), 및 루트 구성 수단(140)으로 구성되며, 교통 허용량 연산 수단(120)은 소정의 데이터베이스(110)로부터 추출된 차선 수 및 규정 속도를 이용하여, 도로 구간 각각에 대한 교통 허용량을 계산한다.
데이터베이스(110)는, 상술한 바와 같이, 본 발명의 교통량 시뮬레이션 시스템(100)에서 차량이 주행하는 도로구간에 대한 정보, 특히 각 도로 구간의 차선 수, 및 각 도로 구간에서 지켜야 하는 규정 속도 정보를 저장 유지한다.
상기 적정 소통량 연산 수단(130)은 네트워크 플로우 로직을 활용함으로써, 각 도로 구간이 수용할 수 있는 범위내에서 가능한 많은 교통량을 갖도록 상기 적정 교통 소통량을 계산하는 역할을 한다.
상기 루트 구성 수단(140)은, 적정 소통량 연산 수단(130)에서 상기 계산된 적정 교통 소통량을 유지하면서 상기 도로 구간들을 주행하도록 차량의 이동 루트를 결정함으로써, 상기 결정된 이동 루트로 상기 차량이 시뮬레이션 되도록 한다.
또한, 도로교통 분야에서 활용할 수 있는 교통 시뮬레이션은 분석 범위 및 교통 흐름을 표현하는 정도에 따라 거시적 교통 시뮬레이션(Macroscopic traffic simulation), 중시적 교통 시뮬레이션(Mesoscopic traffic simulation), 미시적 교통 시뮬레이션(Microscopic traffic simulation)으로 구분할 수 있다.
즉 분석 및 최적화 대상이 되는 교통 관련 문제의 범위, 수준 등의 속성에 따라 다양한 교통 시뮬레이션 시스템이 필요한 것이다.
그러나, 이와 같이 종래기술에 따른 교통 시뮬레이션 시스템은 교통 체계 분석에 빅 데이터 기반의 데이터 모델을 사용할 수 있지만 데이터 모델을 이용한 예측 및 최적화에는 한계가 있으며, 또한, 시뮬레이션 모델은 보다 정확한 예측 및 최적화가 가능하지만 모델 개발 비용과 시뮬레이션 수행 시간이 너무 긴 문제가 있다.
포항공대신문 제367호 "도로교통 시뮬레이션"정은비(개시일 2015년12월02일자)
본 발명의 목적은 시뮬레이션 모델과 데이터 모델의 상호 보완적 융합을 통한 교통 시뮬레이션 시스템 개발 프레임워크를 제공하며, 제공된 프레임워크를 이용하여 교통 분석 대상 지역과 분석 목적(혹은 분석 지수)이 주어지면 지형정보 DB와 에이전트 모델 베이스로부터 원하는 시뮬레이션 모델을 자동 합성하도록 하는 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법을 제공하는데 그 목적이 있다.
상기한 목적을 달성하기 위한 본 발명에 따른 교통 시뮬레이션을 위한 프레임워크를 이용한 교통 시뮬레이션 과정은, 상기 교통분석 대상지역, 분석척도를 지정하고, 분석결과 제시를 위한 형식을 정의하기 위한 사용자 인터페이스 및 분석/가시화수단; 상기 사용자 인터페이스 및 분석/가시화수단을 통해 선택 입력된 교통분석 대상지역의 지형정보를 교통도로망 그래프로 변환 및 생성하여 저장하는 도로망 그래프 데이터베이스; 상기 교통분석 목적에 합당한 대상 객체들에 대한 각각의 상세도 및 충실도를 지원하는 다수의 독립적인 에이전트들로 모델링하는 에이전트 모델 데이터베이스; 및 상기 도로망 그래프 데이터베이스로부터 대상지역 도로속성 그래프를 기반으로 분석목적을 고려한 에이전트 모델들을 상기 에이전트 모델 데이터베이스에서 선정하여 관심 대상지역에 대한 교통 시뮬레이션 모델을 자동 합성하는 교통모델 자동합성수단;을 포함한 교통 시뮬레이션을 위한 프레임워크를 이용한 시뮬레이션방법에 있어서, 상기 교통분석을 위한 대상지역 및 분석 목적을 사용자 인터페이스를 통해 입력하는 제1과정; 상기 제1과정에서 입력된 대상지역에 대한 교통 그래프를 상기 도로망 그래프 데이터베이스를 통해 구성하는 제2과정; 상기 제1과정에서 입력된 분석목적과 매칭된 에이전트 모델을 상기 에이전트 모델 데이터베이스에서 검색하는 제3과정; 상기 제1과정에서 구성된 교통 그래프의 네트워크 노드에 상기 제2과정에서 검색된 에이전트 모델을 할당시켜 교통 시뮬레이션 모델을 상기 교통모델 자동합성수단을 통해 자동 합성하는 제4과정; 및 상기 제4과정에서 합성된 교통 시뮬레이션 모델을 이용하여 교통 시뮬레이션 시스템을 통해 교통 시뮬레이션을 실행하여 분석결과를 산출 및 상기 분석/가시화수단을 통해 출력하는 제5과정;을 포함하되, 상기 제5과정에서 교통 시뮬레이션 시스템의 교통 시뮬레이션 모델에 사용될 입력자료 산출 또는 주변지역 추상화를 위한 트래픽 데이터 모델링과, 구축된 교통 시뮬레이션 모델의 타당성 검증을 위하여 실제 교통체계에서 획득된 교통 빅데이터를 사용하며, 상기 교통 빅 데이터는 실제 교통체계의 트래픽 모델링으로 사용되며, 상기 트래픽 모델링 대상 교차로에 도착하는 차량들의 교통 빅데이터를 수집하여 빅데이터DB에 저장하는 단계; 상기 교통 빅데이터에 대한 히스토그램과 평균 및 분산 값을 산출하는 단계; 상기 히스토그램과 가장 유사한 분포함수를 가정하고, 분포함수의 평균 및 분산값에 교통 빅데이터로부터 산출한 평균 및 분산 값을 대입하여 분포함수를 완성하는 단계; 및 상기 분포함수로부터 발생되는 난수 값들과 수집된 교통 빅데이터의 통계적 일치성을 확인하는 적합도 판정을 수행하는 단계;를 포함하며, 상기 제4과정에서 상기 교통모델 자동합성수단은 관심대상 지역에 대한 분석에 필요한 나머지 주변지역에 대한 추상화 기능을 제공하는 것을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
상기한 바와 같이 본 발명에 따른 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법은 교통 시뮬레이션 모델과 데이터 모델의 상호 보완적 융합을 통한 교통 시뮬레이션 시스템 개발 프레임워크를 이용함에 따라 교통 분석 대상 지역과 분석 목적(혹은 분석 지수)이 주어지면 지형정보 DB와 에이전트 모델 베이스로부터 원하는 시뮬레이션 모델을 자동 합성이 가능하고, 상기 프레임워크를 통해 관심대상이 되는 교통문제 분석을 위한 융통성 있는 교통 시뮬레이션 시스템 구성이 가능한 효과가 있다.
도 1은 종래기술에 따른 교통량 시뮬레이션 시스템에 대한 블록도이고,
도 2는 본 발명의 실시예에 따른 교통 시뮬레이션을 위한 프레임워크 의 개념도이고,
도 3은 프레임워크를 이용한 교통 시뮬레이션 시스템의 전체 블록 구성도
도 4는 본 발명의 실시예에 따른 빅데이터를 이용한 트래픽 모델링을 설명하기 위한 개념도이고,
도 5는 빅데이터를 이용한 모델 검증 방법을 설명하기 위한 도이고,
도 6은은 에이전트를 DEVS 형식론으로 표현하는 개념도이다.
도 2는 본 발명의 실시예에 따른 교통 시뮬레이션을 위한 프레임워크 의 개념도이고,
도 3은 프레임워크를 이용한 교통 시뮬레이션 시스템의 전체 블록 구성도
도 4는 본 발명의 실시예에 따른 빅데이터를 이용한 트래픽 모델링을 설명하기 위한 개념도이고,
도 5는 빅데이터를 이용한 모델 검증 방법을 설명하기 위한 도이고,
도 6은은 에이전트를 DEVS 형식론으로 표현하는 개념도이다.
본 발명은 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명함으로써 더욱 명백해 질 것이다.
도 2는 본 발명의 실시예에 따른 교통 시뮬레이션을 위한 프레임워크 의 개념도이고, 도 3은 프레임워크를 이용한 교통 시뮬레이션 시스템의 전체 블록 구성도로서, 상기 교통분석 대상지역, 분석척도를 지정하고, 분석결과 제시를 위한 형식을 정의하기 위한 사용자 인터페이스 및 분석/가시화수단(210)과, 상기 사용자 인터페이스 및 분석/가시화수단(210)을 통해 선택 입력된 교통분석 대상지역의 지형정보를 교통도로망 그래프로 변환 및 생성하여 저장하는 도로망 그래프 데이터베이스(DB)(220)와, 상기 교통분석 목적에 합당한 대상 객체들에 대한 각각의 상세도 및 충실도(fidelity)를 지원하는 다수의 독립적인 에이전트들로 모델링하는 에이전트 모델 데이터베이스(230)와, 상기 도로망 그래프 데이터베이스(220)로부터 대상지역 도로속성 그래프를 기반으로 분석목적을 고려한 에이전트 모델들을 상기 에이전트 모델 데이터베이스(230)에서 선정하여 관심 대상지역에 대한 교통 시뮬레이션 모델을 자동 합성하는 교통모델 자동합성수단(240)와, 상기 교통모델 자동합성수단(240)을 통해 생성된 교통모델과 시뮬레이션 엔진을 이용하여 관심대상이 되는 교통문제 분석을 위한 교통 시뮬레이션을 수행하는 교통시뮬레이션 시스템(260)과, 상기 교통 시뮬레이션 시스템(260)의 시뮬레이션 모델에 사용될 입력자료 산출 또는 주변지역 추상화를 위한 트래픽 데이터 모델링과, 구축된 교통 시뮬레이션 모델의 타당성 검증을 위한 트래픽모델링 및 모델검증수단(251)과, 실제 교통체계에서 획득된 교통 빅데이터를 저장하고, 상기 트래픽모델링 및 모델 검증수단(251)에 제공하는 교통 빅데이터 데이터베이스(250)로 구성된다.
여기서, 상기 교통도로망 그래프DB(220)은 GIS데이터베이스에서 지형데이터(GIS)를 그래프 변환도구를 이용하여 교통도로망 네트워크 데이터로 변환하여 재활용을 위해 저장된 데이터베이스이고, 상기 에이전트 모델DB(230)은 교통분야 수식 및 파라미터를 적용하여 객체는 각종 차량, 도로, 신호대기 큐, 운전자, 보행자 등으로, 이들이 교통 시뮬레이션에서 자율적으로 동작하는 단위 에이전트 모델의 대상이 된다.
여기서, 상기 교통 시뮬레이션 시스템(260)은 시뮬레이션을 위한 다수의 신호등 제어모델과 다수의 도로 및 자동차 모델을 포함하는 교통모델과, 시뮬레이션을 수행하는 시뮬레이션 엔진을 포함하고 있다.
이와 같이 구성된 본 발명의 구성 및 작용을 첨부된 도 2 내지 도 6을 참조하여 상세히 설명하면 다음과 같다.
먼저, 본 발명에서는 교통 시뮬레이션 모델과 데이터 모델의 상호 보완적 융합을 통한 교통 시뮬레이션 시스템 개발 프레임워크를 제공하며, 상기 프레임워크는 교통 분석 대상 지역과 분석 목적(혹은 분석 지수)이 주어지면 교통도로망 그래프DB와 에이전트 모델DB로부터 원하는 시뮬레이션 모델을 자동 합성하는 것이다.
상기 프레임워크를 통해 관심대상이 되는 교통문제 분석을 위한 융통성 있는 교통 시뮬레이션 시스템 구성이 가능할 것이다.
또한, 지형정보 DB 기반의 교통 시뮬레이션 시스템 개발 프레임워크는 교통 분석 대상지역과 분석 목적(혹은 분석 지수)이 주어지면 지형정보 DB와 에이전트 모델 베이스부터 융통성 있는 시뮬레이션 모델을 자동 합성하는 구조이다.
즉, 본 발명의 실시예에 따른 프레임워크가 제공하고자 하는 요구사항은 다음과 같다. 첫째, 교통 관련 이슈의 근간이 되는 도로, 시설 등의 지형정보를 공인된 수치지형도 DB로부터 분석 대상지역의 관심도로 및 관련된 지형지물을 자동적으로 추출하여 사용할 수 있어야 한다. 물론 이렇게 추출된 정보는 시뮬레이션 시스템 구성을 위한 구조(structure) 지식으로 활용하기 위해 필요한 노드와 에지(수치지형도 DB에 포함된 속성 정보 또는 다른 출처로부터 제공되는 교통정보 빅 데이터에서 추출할 수 있는 속성 정보를 포함할 수도 있음)로 구성되는 그래프로의 자동 변환을 포함한다.
둘째, 분석하고자 하는 교통문제의 범위 및 수준에 따라 관심대상 객체를 적절하게 묘사하는 단위 에이전트 모델들의 저장소(베이스)를 지원하여야 한다. 또한 요망되는 시뮬레이션 시스템을 자동 또는 반자동으로 합성하기 위해 각각의 에이전트 모델들에 대한 정보를 포함하는 메타모델도 함께 구비되어야 한다.
셋째, 대상지역 도로(교통) 속성 그래프를 기반으로 분석목적을 고려한 에이전트 모델들을 선정하여 관심대상에 대한 시뮬레이션 모델을 자동으로 합성하는 기능이 구비되어야 한다.
넷째, 분석의 중심이 되는 관심대상 지역의 모델에 추가하여 이 지역에 대한 분석에 필요한 나머지(주변) 지역에 대한 추상화(모델) 기능이 제공되어야 한다. 이것은 관심대상 지역과 상호작용이 있는 주변지역의 실세계 정보를 반영하도록 함으로써 시뮬레이션 결과의 신뢰성을 제고하기 위해 필요하다.
다섯째, 이 프레임워크가 시뮬레이션 시스템 개발은 물론 모의분석 도구로서 완전성을 갖추기 위해서 분석자가 손쉽게 관심대상 지역 및 분석목적을 명시할 수 있도록 하는 사용자 인터페이스를 지원하여야 한다. 또한 분석 결과의 그래프 표시, 3차원 시각화 등 다양한 형태의 분석결과 제공도구도 포함되어야 한다.
결국 상기 프레임워크는 지형정보 DB로부터 원하는 지역의 속성 그래프 모델을 추출한 후 에이전트 모델을 속성 그래프 모델의 노드에 할당시킨다. 각 노드의 트래픽 데이터 모델은 빅 데이터를 학습시켜 만든다. 분석 대상 지역 외의 전 지역은 분석 대상 지역에 대한 트래픽 발생기로 간주하여 입력이 없는 멀티 출력 모델로서 출력 데이터 패턴은 빅 데이터로부터 학습시킨 후 분석 대상 지역 모델의 입력으로 보낸다.
도 3을 참조하면, 상기 사용자 인터페이스 및 분석/가시화수단(210)은 상기 교통도로망 그래프DB(220), 에이전트 모델DB(230) 및 교통 시뮬레이션 시스템(260)에 사용자 인터페이스를 통해 교통분석 대상지역, 분석척도를 지정하고, 분석결과 제시를 위한 형식을 정의한다.
상기 교통도로망 그래프DB(220)는 연속수치지도 데이터베이스로부터 분석대상 지역에 대해 관심 대상이 되는 정보들을 교통(도로) 및 시설 분야의 지형지물 데이터를 사용하여 찾을 수 있다. 해당 데이터 테이블의 스키마 정보를 기반으로 적절한 관계DB 연산을 통해 교통 시뮬레이션 시스템(260)의 구조 지식에 해당하는 속성 그래프의 노드들과 이들을 연결하는 에지를 추출할 수 있다.
예를 들면, 도로와 도로가 연결되는 교차로가 노드가 되고 인접하는 다른 노드까지의 도로는 에지가 된다. 분석목적에 따라 터널, 휴게소, 주유소와 같은 시설물들이 노드 또는 에지로 표현될 수도 있을 것이다.
속성 그래프의 노드와 에지들은 그래프 구성 목적(또는 분석 목적)에 따라 적당한 속성값들을 가질 수 있다. 예를 들면, 도로의 길이, 차선의 수 등은 에지의 속성 정보가 될 수 있고 로터리 형태의 교차로 특성은 노드의 속성 정보가 될 수 있다.
분석목적에 따라 관심대상이 되는 다양한 상황, 조건에서의 특정 도로의 교통량, 평균속도 등과 같은 변수 값들도 시뮬레이션 분석을 위한 속성 정보로 확보가 필요하다. 이러한 데이터는 각종 통계정보, 실시간 센서 데이터 등 교통관련 빅 데이터를 수집, 분석 또는 관리하고 있는 해당 기관의 관리서버의 데이터베이스로부터 입수하여 활용할 수 있다.
상기 에이전트 모델DB(230)은 분석을 필요로 하는 교통 관련 이슈의 유형, 범위, 수준 등에 따라 시뮬레이션 시스템이 묘사해야 하는 객체들이 서로 다른데, 이들 객체는 각종 차량, 도로, 신호대기 큐, 운전자, 보행자 등이 될 수 있다. 이들이 교통 시뮬레이션에서 자율적으로 동작하는 단위 에이전트 모델의 대상이 될 것이다.
또한, 분석 요구에 따라 시뮬레이션에서 이 객체들이 묘사되는 수준도 상이할 수 있다. 예를 들면, 도로에서 운행되는 차량 종류에 관계없이 집합적 의미의 단일 차량으로 묘사해야 하는지, 아니면 차량 종류별로 택시, 버스, 트럭 등으로 구분된 묘사가 필요한지의 결정도 시뮬레이션을 통해 해석하고자 하는 문제에 따라 다르게 된다.
결국, 주어진 분석목적에 합당한 교통 시뮬레이션 시스템에 사용되기 위해서는 위에서 언급된 대상 객체들이 각각 다양한 해상도 및 충실도(정확도)로 묘사되는 다수의 독립적인 에이전트들로 모델링 될 수 있다. 또는 다수의 해상도/충실도를 지원하는 최소한의 에이전트 모델로 구현될 수도 있다.
교통 시뮬레이션에 필요한 에이전트 대상을 체계적으로 식별하기 위해 OPI(Object Performance Index) 메트릭스를 활용한 접근방법이 필요하다. 생각할 수 있는 교통 문제들을 나열하고, 해당 문제에서 찾고자 하는 답으로부터 분석지수(성능 또는 효과)를 도출한다.
그 다음 도출된 분석지수를 산출하기 위해 필요한 객체들과 묘사되어야 하는 그 객체들의 속성을 식별함으로써 객체의 종류와 묘사 수준을 인식할 수 있다. 이러한 정보를 바탕으로 모델 베이스에 구비되어야 적절한 에이전트 모델들을 식별할 수 있다. 물론, 미래에 발생될 모든 문제를 사전에 모두 식별할 수 없으므로 지속적으로 에이전트 식별 및 추가적인 모델 구현 노력이 필요할 것이다.
각 객체에 해당하는 에이전트는 일반적으로 실세계 객체의 불연속적 동작 특성을 추상화하기 위해 이산사건에 기반한 모델링 방법을 사용하여 묘사될 수 있다. 차량의 연속기동 특성과 같은 시간 연속적인 세부 특성 묘사가 필요한 분석요구에 대해서는 연속 모델링 또는 이산시간 모델링 방법도 구사될 수 있다. 자율적으로 동작하는 각 에이전트에 대해 다양한 제어가 가능하고 목적에 따른 차별화된 시뮬레이션 실행을 위해 객체지향 개념에 기반한 모델링과 모델구현 방법 사용이 적절하다.
객체지향 개념을 기초로 원자/결합 모델 개념이 지원되는 DEVS(Discrete Event Systems Specification) 모델링 형식론을 사용하면 에이전트 모델링에 필요한 기능을 자연스럽게 표현할 수 있다.
상기 교통 모델링 및 시뮬레이션은 실세계 또는 시스템을 추상화하는 모델링 및 시뮬레이션은 이를 통해 관찰하고자 하는 대상 및 목적에 따라 다른 모습으로 구현되기 때문에 목표지향적이어야 한다.
즉, 교통 시뮬레이션은 요구되는 목적에 따라 거시적, 중시적 또는 미시적 수준의 시뮬레이션 모델이 만들어져야 하며, 시뮬레이션을 통해 얻고자 하는 성능 또는 효과 지수(척도)에 따라 모델이 포함하는 객체의 종류나 묘사 정도도 다르게 된다.
결국, 교통 관련 문제에 대한 다양한 분석 요구에 적절히 대응하기 위해서는 구성요소 객체들을 묘사하는 에이전트 모델들을 융통성 있게 합성하여 목적에 맞는 시뮬레이션 시스템을 만들 수 있어야 한다.
즉, 상기 교통모델 합성수단(240)은 시뮬레이션 하고자 하는 시스템의 근간이 되는 구조 지식과 운영/동작 측면의 핵심인 행위 지식을 토대로 요소모델들을 합성하는 것이다. 이러한 대상 시스템에 대한 구조 및 행위 지식은 교통 시뮬레이션을 통해 분석하고자 하는 대상지역 및 분석목적 명시로부터 식별된다.
상기 교통도로망 그래프DB(220)에서 도출한 대상지역의 도로에 대한 속성 그래프를 기반으로 분석목적에 적합하도록 노드 및 에지에 해당하는 객체들의 에이전트 모델을 상기 에이전트 모델DB(230)에서 찾아 결합함으로써 목적지향적 교통 시뮬레이션 시스템을 구성하게 된다.
도 4는 본 발명의 실시예에 따른 프레임워크를 응용한 교통 빅데이터를 이용한 트래픽 모델링 방법을 설명하기 위한 개념도로서, 상기 프레임워크는 시뮬레이션 시스템을 합성하는 것으로, 최종 시뮬레이션 시스템은 실제 교통체계를 충실히 반영하여야 하며 시뮬레이션 시스템과 실제체계의 일치성을 충실도(fidelity)라고 한다.
교통 트래픽 모델의 충실도는 교통 트래픽 모델에 사용된 입력 데이터와 논리가 얼마나 실제 시스템과 일치하느냐에 달려있다.
교통 모델에 사용된 입력 데이터와 실제 시스템 데이터의 일치성을 확인하기 위해서는 실제 교통체계에서 획득된 빅 데이터가 필수적이다.
따라서, 실제 교통체계에서 획득된 빅 데이터를 관리하는 교통 빅데이터DB(250)를 구축하고 이를 상기 트래픽모델링 및 모델검증수단(251)에서 상기 교통 시뮬레이션 시스템(260)을 검증한다.
즉, 모델의 논리가 실제 시스템과 일치하는지를 검증하기 위해서는 모델과 실제시스템에 동일한 입력을 가한 후 모델과 실제 시스템의 출력이 일치되는가를 확인해야 하므로 실제 교통체계에서 획득된 출력 빅 데이터가 필요하게 된다.
실제 교통체계의 정확한 빅 데이터를 확보하는 것은 모델의 충실도 및 시뮬레이션 결과의 신뢰도와 직결된다. 따라서 본 발명에 따른 프레임워크에서는 교통 빅데이터를 관리하는 관리서버에서 제공하는 교통체계 관련 빅 데이터를 활용하게 된다.
예를 들어, 교차로는 교통체계 모델링에서 중요한 지점으로 각 교차로에 도착하는 차량들의 트래픽 모델은 시뮬레이션 모델의 일부로 사용된다.
즉, 도 4를 참조하면 먼저, 대상 교차로에 도착하는 차량들의 빅 데이터를 수집하여 상기 빅데이터DB(250)를 구축한다. 상기 트래픽모델링 및 모델 검증수단(251)은 상기 빅데이터DB(250)에 저장된 빅 데이터를 토대로 히스토그램과 평균 및 분산 값을 구한다. 다음으로 히스토그램과 가장 유사한 분포함수를 가정하고 분포함수의 평균 및 분산 값에 빅 데이터로부터 구한 평균 및 분산 값을 대입하여 분포함수를 완성한다. 마지막으로, 분포함수로부터 발생되는 난수 값들과 수집된 빅 데이터의 통계적 일치성을 확인하는 적합도 판정을 수행한다.
도 5는 빅데이터를 이용한 모델 검증 방법을 설명하기 위한 도로서, 모델 검증의 근간은 통계적 가설 검증법이며 실제 시스템과 모델에 통계적으로 동일한 입력을 가했을 경우 통계적으로 동일한 출력이 발생되는지를 확인하는 것이다.
모델에 실제 시스템의 입력과 동일한 입력을 가하기 위하여 상기 도 4에서 설명된 트래픽(데이터) 모델링 기법을 사용하게 된다.
가설 검증을 위해서는 실제 시스템의 출력 빅 데이터의 기대 값(난수들의 평균값)과 트래픽 모델의 여러 복제 시뮬레이션 출력의 평균 값들에 대한 기대값이 같다는 사실을 이용한다.
따라서 가설 검증은 주어진 유의수준에서 복제 시뮬레이션 출력의 평균 값들의 기대값(이것은 실제 시스템 출력의 기대값과 같음)이 R 회의 시뮬레이션 복제들로부터 구해진 R 개의 표본 집단의 평균 값들의 평균과 분산으로부터 구한 신뢰구간에 포함되는지를 확인하면 된다.
상기 에이전트 모델DB(230)에 저장된 에이전트 모델들은 스스로 상황을 인지하여, 해당 상황에 대응하여 행위를 수행할 수 있는 개체로 정의되며 자율성, 지능성, 지엽성 등의 특징을 가진다.
상기 에이전트는 소프트웨어로 구현할 경우 의사결정이 지엽적이면서 자율성과 지능성을 가질 수 있도록 변수와 변수의 연산이 하나의 독립적 팩키지로 구성되어야 한다.
또한, 시뮬레이션의 특성상 에이전트의 의사결정에 소요되는 시간이 일반적으로 난수 값으로 명세 되는 이산사건 모델로 표현된다. 이러한 에이전트 특성을 이산사건 모델 형태로 잘 표현하는 수학적 형식론이 DEVS 형식론이다.
도 6은 에이전트를 DEVS 형식론으로 표현하는 개념도로서, 교통체계를 에이전트로 모델링 할 경우, 교통체계에 포함된 객체들 중 어떤 객체를 에이전트화 할 것인지는 모델링 목적에 따라 달라질 수 있다.
일반적으로 의사 결정 기능을 가진 객체로는 교차로의 신호등이 대표적이다.
신호등 에이전트는 교통상황에 따라 신호등의 신호 시간을 조절하여 차량의 흐름을 원만하게 하는 기능을 할 수 있다. 또한, 신호등과 신호 등의 협업(동기화)를 통하여 교통의 흐름을 조절하는 멀티 에이전트 역할을 할 수도 있다.
이러한 에이전트들의 의사 결정은 알고리즘에 의해 이루어질 수 있으며 알고리즘의 선택은 상황에 따라 달라지게 할 수 있다. 제안된 프레임워크에서는 에이전트의 의사결정 알고리즘을 시뮬레이션 시작 전에 미리 정해주는 정적인 의사결정과 시뮬레이션 도중에 교체할 수 있는 동적인 의사결정 방식을 모두 사용할 수 있다.
또한, 본 발명의 실시예에 따른 프레임워크는 주어진 지역으로부터 분석 대상 지역을 임의로 지정하여 교통체계를 분석할 수 있게 한다. 예를 들어, 주어진 지형 전체에 대한 교통체계 분석이 가능할 뿐 아니라, 아주 협소한 지역을 분석 대상으로 지정하여 지엽적인 교통체계 분석을 할 수도 있다.
전체 지형과 분석 대상 지역이 정해진 경우, 모델링 기술 측면에서는 분석 대상 지역을 한 개의 모델 M1으로 전체 지형에서 분석 대상 지역을 제외한 지형을 다른 한 개의 모델 M2로 구성한다. 따라서, M1의 입력과 M2의 출력은 도로로 연결되어 있으며 M1으로 유입되는 차량은 M2에서 빠져나가는 차량이 된다. 즉, M1을 분석하기 위해서는 M2가 M1의 입력 모델 역할을 하게 되며 M2는 상기 도 4에서 설명된 트래픽(데이터) 모델이 된다.
이상에서 설명한 바와 같이 본 발명의 실시예에 따른 프레임워크를 통해 지형정보 DB를 기반으로 개발될 교통 시뮬레이션 시스템은 실제의 지형정보 및 도로/교차로 등의 빅 데이터를 활용한다. 시뮬레이션에서 빅 데이터의 활용은 빅 데이터만을 사용한 예측 및 최적화의 제한점/문제점을 해결하는 교통 분석/예측/최적화 도구가 될 수 있다. 실제 응용으로, 지형정보 DB 상에 주어진 지역에 대한 신호등, 자동차 수, 도로 사정, 교통 정책 등을 모델에 반영함으로서 교통 체증 예측, 도로 이용률 분석 및 운전자를 위한 최적 경로 할당 등의 공학적 분석 및 정책적 의사 결정 근거로 사용할 수 있을 것이다.
이상과 같이, 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나 이 실시예에 의해 한정되지 않으며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 본 발명의 기술 사상과 아래에 기재될 특허청구범위의 균등범위 내에서 다양한 수정 및 변형 가능함은 물론이다.
210 : 사용자 인터페이스 및 분석/가시화수단
220 : 교통도로망 그래프DB 230 : 에이전트 모델DB
240 : 교통모델 합성수단 250 : 교통 빅데이터DB
251 : 트래팩모델링 및 모델검증수단
260 : 교통 시뮬레이션 시스템
220 : 교통도로망 그래프DB 230 : 에이전트 모델DB
240 : 교통모델 합성수단 250 : 교통 빅데이터DB
251 : 트래팩모델링 및 모델검증수단
260 : 교통 시뮬레이션 시스템
Claims (9)
- 삭제
- 삭제
- 삭제
- 삭제
- 교통분석 대상지역, 분석척도를 지정하고, 분석결과 제시를 위한 형식을 정의하기 위한 사용자 인터페이스 및 분석/가시화수단; 상기 사용자 인터페이스 및 분석/가시화수단을 통해 선택 입력된 교통분석 대상지역의 지형정보를 교통도로망 그래프로 변환 및 생성하여 저장하는 도로망 그래프 데이터베이스; 상기 교통분석 목적에 합당한 대상 객체들에 대한 각각의 상세도 및 충실도를 지원하는 다수의 독립적인 에이전트들로 모델링하는 에이전트 모델 데이터베이스; 및 상기 도로망 그래프 데이터베이스로부터 대상지역 도로속성 그래프를 기반으로 분석목적을 고려한 에이전트 모델들을 상기 에이전트 모델 데이터베이스에서 선정하여 관심 대상지역에 대한 교통 시뮬레이션 모델을 자동 합성하는 교통모델 자동합성수단;을 포함한 교통 시뮬레이션을 위한 프레임워크를 이용한 시뮬레이션방법에 있어서,
상기 사용자 인터페이스 및 분석/가시화수단을 통해 교통분석을 위한 대상지역, 분석척도 및 분석결과 제시를 위한 형식을 정의하는 제1과정;
상기 제1과정에서 입력된 대상지역에 대한 교통 그래프를 상기 도로망 그래프 데이터베이스를 통해 구성하는 제2과정;
상기 제1과정에서 입력된 분석목적과 매칭된 에이전트 모델을 상기 에이전트 모델 데이터베이스에서 검색하는 제3과정;
상기 제1과정에서 구성된 교통 그래프의 네트워크 노드에 상기 제2과정에서 검색된 에이전트 모델을 할당시켜 교통 시뮬레이션 모델을 상기 교통모델 자동합성수단을 통해 자동 합성하는 제4과정; 및
상기 제4과정에서 합성된 교통 시뮬레이션 모델을 이용하여 교통 시뮬레이션 시스템을 통해 교통 시뮬레이션을 실행하여 분석결과를 산출 및 상기 분석/가시화수단을 통해 출력하는 제5과정;을 포함하되,
상기 제5과정에서 교통 시뮬레이션 시스템의 교통 시뮬레이션 모델에 사용될 입력자료 산출 또는 주변지역 추상화를 위한 트래픽 데이터 모델링과, 구축된 교통 시뮬레이션 모델의 타당성 검증을 위하여 실제 교통체계에서 획득된 교통 빅데이터를 사용하며,
상기 교통 빅 데이터는 실제 교통체계의 트래픽 모델링으로 사용되며,
상기 트래픽 모델링 대상 교차로에 도착하는 차량들의 교통 빅데이터를 수집하여 빅데이터DB에 저장하는 단계;
상기 교통 빅데이터에 대한 히스토그램과 평균 및 분산 값을 산출하는 단계;
상기 히스토그램과 가장 유사한 분포함수를 가정하고, 분포함수의 평균 및 분산값에 교통 빅데이터로부터 산출한 평균 및 분산 값을 대입하여 분포함수를 완성하는 단계; 및
상기 분포함수로부터 발생되는 난수 값들과 수집된 교통 빅데이터의 통계적 일치성을 확인하는 적합도 판정을 수행하는 단계;를 포함하며,
상기 제4과정에서 상기 교통모델 자동합성수단은 관심대상 지역에 대한 분석에 필요한 나머지 주변지역에 대한 추상화 기능을 제공하는 것을 특징으로 하는 교통 시뮬레이션을 위한 프레임워크를 이용한 시뮬레이션방법. - 제5항에 있어서,
상기 제4과정은 매칭되는 에이전트 모델이 없을 경우 추가적인 에이전트 모델 개발을 수행하는 것을 특징으로 하는 교통 시뮬레이션을 위한 프레임워크를 이용한 시뮬레이션방법. - 삭제
- 삭제
- 제5항에 있어서,
상기 제5과정에서 교통 시뮬레이션을 수행함에 따라 원하는 분석결과를 산출하기 위하여 분석 및 가시화 수단을 이용하는 것을 특징으로 하는 교통 시뮬레이션을 위한 프레임워크를 이용한 시뮬레이션방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160182507A KR101815511B1 (ko) | 2016-12-29 | 2016-12-29 | 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160182507A KR101815511B1 (ko) | 2016-12-29 | 2016-12-29 | 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101815511B1 true KR101815511B1 (ko) | 2018-01-30 |
Family
ID=61070850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160182507A KR101815511B1 (ko) | 2016-12-29 | 2016-12-29 | 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101815511B1 (ko) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921943A (zh) * | 2018-06-29 | 2018-11-30 | 广东星舆科技有限公司 | 一种基于车道级高精度地图的道路三维模型建模方法 |
| KR20190134199A (ko) * | 2018-05-25 | 2019-12-04 | (주) 아인스에스엔씨 | 교통 빅데이터 기계학습이 내장된 교통시스템 모델링방법 |
| JP2019220048A (ja) * | 2018-06-22 | 2019-12-26 | 株式会社日立製作所 | 交通流予測装置及び交通流予測システム |
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN111178742A (zh) * | 2019-12-25 | 2020-05-19 | 北京高诚科技发展有限公司 | 基于多层级指标体系的综合交通协同运行系统及方法 |
| KR20200086802A (ko) | 2019-01-10 | 2020-07-20 | 한국전자통신연구원 | 교통 트래픽 시뮬레이션을 위한 분산 처리 시스템 및 방법 |
| KR20210045124A (ko) | 2019-10-16 | 2021-04-26 | (주) 아인스에스엔씨 | 다중 해상도 기반 모델 간의 천이 과정을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 |
| KR20220081880A (ko) | 2020-12-09 | 2022-06-16 | (주) 아인스에스엔씨 | 디지털트윈을 이용한 이산사건 시스템 실시간 분석 및 실시간 동작 가시화 장치 |
| KR20220081872A (ko) | 2020-12-09 | 2022-06-16 | (주) 아인스에스엔씨 | 디지털트윈 기반 의사결정 지원 최적 정보 산출 자동화 장치 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005515513A (ja) * | 2002-01-23 | 2005-05-26 | エム スぺイシャル リミティッド | 概略図の生成 |
-
2016
- 2016-12-29 KR KR1020160182507A patent/KR101815511B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005515513A (ja) * | 2002-01-23 | 2005-05-26 | エム スぺイシャル リミティッド | 概略図の生成 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190134199A (ko) * | 2018-05-25 | 2019-12-04 | (주) 아인스에스엔씨 | 교통 빅데이터 기계학습이 내장된 교통시스템 모델링방법 |
| KR102057066B1 (ko) * | 2018-05-25 | 2020-01-14 | (주)아인스에스엔씨 | 교통 빅데이터 기계학습이 내장된 교통시스템 모델링방법 |
| JP2019220048A (ja) * | 2018-06-22 | 2019-12-26 | 株式会社日立製作所 | 交通流予測装置及び交通流予測システム |
| CN108921943A (zh) * | 2018-06-29 | 2018-11-30 | 广东星舆科技有限公司 | 一种基于车道级高精度地图的道路三维模型建模方法 |
| CN108921943B (zh) * | 2018-06-29 | 2022-08-09 | 广东星舆科技有限公司 | 一种基于车道级高精度地图的道路三维模型建模方法 |
| KR20200086802A (ko) | 2019-01-10 | 2020-07-20 | 한국전자통신연구원 | 교통 트래픽 시뮬레이션을 위한 분산 처리 시스템 및 방법 |
| KR102682740B1 (ko) * | 2019-01-10 | 2024-07-12 | 한국전자통신연구원 | 교통 트래픽 시뮬레이션을 위한 분산 처리 시스템 및 방법 |
| KR20210045124A (ko) | 2019-10-16 | 2021-04-26 | (주) 아인스에스엔씨 | 다중 해상도 기반 모델 간의 천이 과정을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 |
| CN111178742A (zh) * | 2019-12-25 | 2020-05-19 | 北京高诚科技发展有限公司 | 基于多层级指标体系的综合交通协同运行系统及方法 |
| CN111178742B (zh) * | 2019-12-25 | 2023-12-08 | 北京高诚科技发展有限公司 | 基于多层级指标体系的综合交通协同运行系统及方法 |
| CN111145546B (zh) * | 2019-12-27 | 2021-02-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| KR20220081880A (ko) | 2020-12-09 | 2022-06-16 | (주) 아인스에스엔씨 | 디지털트윈을 이용한 이산사건 시스템 실시간 분석 및 실시간 동작 가시화 장치 |
| KR20220081872A (ko) | 2020-12-09 | 2022-06-16 | (주) 아인스에스엔씨 | 디지털트윈 기반 의사결정 지원 최적 정보 산출 자동화 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101815511B1 (ko) | 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 | |
| JP7075366B2 (ja) | 運転場面データを分類するための方法、装置、機器及び媒体 | |
| Zhu et al. | Parallel transportation management and control system and its applications in building smart cities | |
| Barceló et al. | Microscopic traffic simulation: A tool for the design, analysis and evaluation of intelligent transport systems | |
| Staniek | Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities | |
| US20170132117A1 (en) | Method and device for generating test cases for autonomous vehicles | |
| Nagel et al. | TRANSIMS for transportation planning | |
| Balakrishna et al. | Time-dependent origin-destination estimation without assignment matrices | |
| KR102057066B1 (ko) | 교통 빅데이터 기계학습이 내장된 교통시스템 모델링방법 | |
| CN115481531B (zh) | 基于sumo的路网交通流实时孪生方法及系统 | |
| CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
| CN112818071A (zh) | 一种基于统一路网的交管领域知识图谱构建方法及装置 | |
| Botín-Sanabria et al. | Digital twin for urban spaces: An application | |
| Xie et al. | Generating traffic data for any city using smarts simulator | |
| Szalay | Critical Scenario Identification Concept: the Role of the Scenario-in-the-Loop Approach in Future Automotive Testing | |
| CN115499467B (zh) | 基于数字孪生的智能网联车测试平台及其搭建方法与系统 | |
| Ban et al. | A multiscale simulation platform for connected and automated transportation systems | |
| Becker et al. | Road network variation based on hd map analysis for the simulative safety assurance of automated vehicles | |
| Goss et al. | Integration of formal specification and traffic simulation for scenario-based validation | |
| Benčat et al. | Road traffic modelling based on the hybrid modelling tool AnyLogic | |
| Botín-Sanabria et al. | Digital twin for a vehicle: electrobus case study | |
| Lützenberger et al. | Predicting future (e-) traffic | |
| Sahraoui et al. | Microscopic-macroscopic models systems integration: A simulation case study for ATMIS | |
| Balakrishna et al. | Large-scale traffic simulation tools for planning and operations management | |
| Lei | Semi-Automated Microscopic Traffic Flow Simulation Development Using Smart City Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |