KR102059902B1 - Traffic speed estimation method and system - Google Patents

Traffic speed estimation method and system Download PDF

Info

Publication number
KR102059902B1
KR102059902B1 KR1020190071612A KR20190071612A KR102059902B1 KR 102059902 B1 KR102059902 B1 KR 102059902B1 KR 1020190071612 A KR1020190071612 A KR 1020190071612A KR 20190071612 A KR20190071612 A KR 20190071612A KR 102059902 B1 KR102059902 B1 KR 102059902B1
Authority
KR
South Korea
Prior art keywords
gene
prediction model
link speed
speed prediction
model
Prior art date
Application number
KR1020190071612A
Other languages
Korean (ko)
Inventor
김동규
양재환
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190071612A priority Critical patent/KR102059902B1/en
Application granted granted Critical
Publication of KR102059902B1 publication Critical patent/KR102059902B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Abstract

Provided is a system for estimating the traffic speed which comprises: a model generation unit generating a link speed prediction model predicting the speed of a link using a cyclic neural network which includes hyper-parameters; a genetic conversion unit converting the hyper-parameters into genes, by which one object and one link speed prediction model correspond to each other; a fitness evaluation unit evaluating a fitness function for each of the genes; and a model optimization unit deriving an optimal gene and an optimal link speed prediction model using a genetic algorithm in accordance with the evaluation.

Description

교통 속도 추정 방법 및 시스템{TRAFFIC SPEED ESTIMATION METHOD AND SYSTEM}Traffic speed estimation method and system {TRAFFIC SPEED ESTIMATION METHOD AND SYSTEM}

본 발명은 교통 속도 추정 방법 및 교통 속도 추정 시스템에 관한 것이다. 보다 상세하게는 기존의 수집된 자료를 이용해 특정한 링크의 속도를 추정할 수 있는 교통 속도 추정 방법 및 교통 속도 추정 시스템에 관한 것이다. The present invention relates to a traffic speed estimation method and a traffic speed estimation system. More specifically, the present invention relates to a traffic speed estimation method and a traffic speed estimation system that can estimate the speed of a specific link using existing collected data.

신경망(neural network)이란 인간이 뇌를 통해 문제를 처리하는 방법과 비슷한 방법으로 문제를 해결하기 위해 컴퓨터에서 채택하고 있는 구조로, 기계 학습(machine learning)의 세부 방법론 중 하나이다. 가장 일반적인 인공 신경망은 한 개의 입력층과 출력층 사이에 다수의 은닉층(hidden layer)이 있는 다층 퍼셉트론(multilayer perceptron)이다. 이중 순환 신경망(RNN: Recurrent Neural Network)은 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델이며, 심층 신경망(Deep Neural Network)이란 입력층(input layer)과 출력층(output layer) 사이에 다중의 은닉층(hidden layer)을 포함하는 인공 신경망(ANN: Artificial Neural Network)을 의미한다.A neural network is a structure adopted by computers to solve problems in a way similar to how humans handle problems through the brain. It is one of the detailed methodologies of machine learning. The most common artificial neural network is a multilayer perceptron, with multiple hidden layers between one input and output layer. Recurrent Neural Network (RNN) is a deep learning model for learning data that changes over time, such as time-series data.Deep Neural Network is an input layer. An artificial neural network (ANN) includes a plurality of hidden layers between a layer and an output layer.

지능형교통시스템(ITS: Intelligent Transportation System)이란 교통 혼잡을 효율적으로 조정하고 안정성을 획기적으로 증진시키기 위하여 도로, 차량, 신호시스템 등 기존 교통체계의 구성 요소에 전자, 제어, 통신 등 첨단기술을 접속시켜 구성요소들이 상호 유기적으로 작용하도록 하는 차세대 교통체계 및 시스템이다. 중앙정부 및 각 지방자치단체에서는 지능형교통시스템(ITS)에 필수적으로 요구되는 교통 센서들을 효과적으로 설치하기 위해 노력하고 있으나, 예산적 제약으로 인해 보다 적은 수의 센서를 설치하기 위한 다양한 방법을 모색하고 있으며, 이를 위해 보다 정확하고 신속한 교통 속도 추정 기술이 절실히 요구되고 있다.ITS (Intelligent Transportation System) is a system that connects advanced technologies such as electronics, control, and communication to components of existing transportation systems such as roads, vehicles, and signaling systems in order to efficiently control traffic congestion and significantly improve stability. Next-generation traffic systems and systems that allow components to interact organically. Although the central government and local governments are trying to effectively install the traffic sensors that are essential for the Intelligent Transport System (ITS), they are exploring various ways to install fewer sensors due to budgetary constraints. For this purpose, more accurate and faster traffic speed estimation technology is urgently needed.

종래의 교통 속도 추정 기술들의 경우 일반적으로 회귀분석 등의 통계적 방식을 통해 현재 속도정보를 예측하며, 종래의 신경망 모형을 이용한 교통 속도 추정 기술들은 일반적으로 초매개변수의 설정을 경험적, 또는 시행착오법을 통해 속도정보를 예측한다. 이러한 속도 추정 방법은 각 링크 간의 정보의 연관성을 밝히는데는 용이하지만, 정보 자체의 정확도는 높지 않은 문제점이 있어 개선이 요구되어왔다.Conventional traffic speed estimation techniques generally predict current speed information through statistical methods such as regression analysis, and conventional traffic speed estimation techniques using neural network models generally require empirical or trial and error methods to set hyperparameters. Predict velocity information through Such a speed estimation method is easy to reveal the correlation of information between the links, but the accuracy of the information itself is not high, there has been a need for improvement.

한국공개특허공보 제10-2006-0092909호(2006.08.23.)Korean Laid-Open Patent Publication No. 10-2006-0092909 (2006.08.23.)

이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 기존의 수집된 자료를 이용해 높은 정확도로 정보 음영링크 또는 향후 정보 예측 등에 사용될 수 있는 교통 속도 추정 방법을 제공하는 것이다.Therefore, the technical problem of the present invention has been devised in this respect, an object of the present invention is to provide a traffic speed estimation method that can be used for information shading link or future information prediction with high accuracy using existing collected data.

또한 본 발명의 다른 목적은 기존의 수집된 자료를 이용해 높은 정확도로 정보 음영링크 또는 향후 정보 예측 등에 사용될 수 있는 교통 속도 추정 방법 및 교통 속도 추정 시스템을 제공하는 것이다.In addition, another object of the present invention is to provide a traffic speed estimation method and a traffic speed estimation system that can be used for information shading link or future information prediction with high accuracy using existing collected data.

상기한 본 발명의 목적을 실현하기 위한 교통 속도 추정 시스템은 초매개변수를 포함하는 순환형 신경망을 이용하여 링크의 속도를 예측하는 링크 속도 예측 모델을 생성하는 모델 생성부, 상기 초매개변수를 유전자로 변환하고, 이로부터 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키는 유전자 변환부, 각각의 상기 유전자에 대해 적합도 함수를 평가하는 적합도 평가부, 상기 평가에 따라서 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하는 모델 최적화부를 포함한다.Traffic speed estimation system for realizing the object of the present invention is a model generator for generating a link speed prediction model for predicting the speed of the link using a cyclic neural network including a superparameter, the superparameter gene A genetic conversion unit for mapping the individual object to one link speed prediction model, a fitness evaluation unit for evaluating a fitness function for each gene, and using a genetic algorithm according to the evaluation. And a model optimizer for deriving a gene and an optimal link speed prediction model.

본 발명의 일 실시예에 있어서, 상기 적합도 평가를 수행하는 모델에 복수개의 데이터를 가공하여 기계학습시키는 제1 학습부를 더 포함할 수 있다.In one embodiment of the present invention, the model for performing the fitness evaluation may further include a first learning unit for processing a plurality of data machine learning.

본 발명의 일 실시예에 있어서, 상기 최적의 링크 속도 예측 모델에 복수개의 데이터를 가공하여 기계학습시키는 제2 학습부를 더 포함할 수 있다.In one embodiment of the present invention, the optimal link speed prediction model may further include a second learning unit for processing a plurality of data machine learning.

본 발명의 일 실시예에 있어서, 상기 유전자는 상기 초매개변수를 1과 0으로 이루어진 값으로 표현할 수 있다.In one embodiment of the present invention, the gene may be expressed as a value consisting of 1 and 0 of the hyperparameter.

본 발명의 일 실시예에 있어서, 상기 적합도 함수는 계산 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)를 포함할 수 있다.In one embodiment of the present invention, the fitness function may include a calculation time, root mean square error (RMSE) or mean absolute error (MAE).

본 발명의 일 실시예에 있어서, 상기 초매개변수는 활성화 함수의 종류, 최적화 방식의 종류, 사용 데이터의 타임스텝(Timestep), 배치 사이즈, 초기화 주기, 순환형 레이어의 층수, 순환형 레이어의 종류, 일반 신경망의 층 수, 상수항 사용 여부 및 학습률을 포함할 수 있다.In one embodiment of the present invention, the hyperparameter is a type of activation function, a type of optimization method, a time step of use data, a batch size, an initialization cycle, a number of layers of a circular layer, a type of a circular layer , Number of layers of a general neural network, whether a constant term is used, and a learning rate.

본 발명의 일 실시예에 있어서, 상기 초기화 주기는 배치 크기와 곱하였을 때 주기성이 있는 시간이 산출되는 순서쌍에 의해 결정될 수 있다.In one embodiment of the present invention, the initialization period may be determined by an ordered pair in which a periodicity time is calculated when multiplied by a batch size.

본 발명의 일 실시예에 있어서, 상기 유전자 변환부는 각각의 상기 초매개변수에 대하여 변환된 유전자와 유전자 섹터의 값을 대응시켜 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키는 포함할 수 있다.In one embodiment of the present invention, the gene conversion unit may include corresponding to the individual and one link speed prediction model by matching the values of the transformed gene and the gene sector for each of the hyperparameters. .

본 발명의 일 실시예에 있어서, 상기 링크 속도 예측 모델의 링크 속도는 교통 정보에서의 링크 속도인 것을 특징으로 하는 포함할 수 있다.In one embodiment of the present invention, the link speed of the link speed prediction model may include a link speed in traffic information.

본 발명의 일 실시예에 있어서, 상기 적합도 평가부에서 상기 적합도 함수를 평가하는 것과 및 상기 모델 최적화부에서 상기 최적의 링크 속도 예측 모델을 도출하는 것은 순차적으로 특정 횟수동안 반복 수행되며 상기 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하고, 상기 최적의 유전자 및 최적의 링크 속도 예측 모델은 복수개일 수 있다.In one embodiment of the present invention, evaluating the fitness function in the fitness evaluation unit and deriving the optimal link speed prediction model in the model optimizer are performed repeatedly for a specific number of times and the optimal gene And an optimal link speed prediction model, and the optimal gene and the optimal link speed prediction model may be plural.

상기한 본 발명의 목적을 실현하기 위한 교통 속도 추정 방법은 모델 생성부가 초매개변수를 포함하는 순환형 신경망을 이용하여 링크의 속도를 예측하는 링크 속도 예측 모델을 생성하는 단계, 유전자 변환부가 상기 초매개변수를 유전자로 변환하고, 이로부터 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키는 단계, 적합도 평가부가 각각의 상기 유전자에 대해 적합도 함수를 평가하는 단계 및 모델 최적화부가 상기 평가에 따라서 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하는 단계를 포함한다.In the traffic speed estimation method for realizing the object of the present invention, the model generator generates a link speed prediction model for predicting the speed of the link using a cyclic neural network including hyperparameters, and the gene conversion unit performs the second. Converting a parameter into a gene and matching one individual and one link speed prediction model therefrom; a fitness evaluator evaluating a fitness function for each of said genes; and a model optimizer performing genetics according to said evaluation. Deriving an optimal gene and an optimal link speed prediction model using an algorithm.

본 발명의 일 실시예에 있어서, 교통 속도 추정 방법은 제1 학습부가 상기 적합도 평가를 수행하는 모델에 복수개의 데이터를 가공하여 기계학습시키는 제1 기계학습 단계를 더 포함할 수 있다.In one embodiment of the present invention, the traffic speed estimation method may further comprise a first machine learning step of the first learning unit to machine learning by processing a plurality of data in the model for performing the fitness evaluation.

본 발명의 일 실시예에 있어서, 교통 속도 추정 방법은 제2 학습부가 상기 최적의 링크 속도 예측 모델에 복수개의 데이터를 가공하여 기계학습시키는 제2 기계학습 단계를 더 포함할 수 있다.In one embodiment of the present invention, the traffic speed estimation method may further include a second machine learning step of the second learning unit to machine learning by processing a plurality of data in the optimal link speed prediction model.

본 발명의 일 실시예에 있어서, 상기 유전자는 상기 초매개변수를 1과 0으로 이루어진 값으로 표현할 수 있다.In one embodiment of the present invention, the gene may be expressed as a value consisting of 1 and 0 of the hyperparameter.

본 발명의 일 실시예에 있어서, 상기 적합도 함수는 계산 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)를 포함할 수 있다.In one embodiment of the present invention, the fitness function may include a calculation time, root mean square error (RMSE) or mean absolute error (MAE).

본 발명의 일 실시예에 있어서, 상기 초매개변수는 활성화 함수의 종류, 최적화 방식의 종류, 사용 데이터의 타임스텝(Timestep), 배치 사이즈, 초기화 주기, 순환형 레이어의 층수, 순환형 레이어의 종류, 일반 신경망의 층 수, 상수항 사용 여부 및 학습률을 포함할 수 있다.In one embodiment of the present invention, the hyperparameter is a type of activation function, a type of optimization method, a time step of use data, a batch size, an initialization cycle, a number of layers of a circular layer, a type of a circular layer , Number of layers of a general neural network, whether a constant term is used, and a learning rate.

본 발명의 일 실시예에 있어서, 상기 초기화 주기는 배치 크기와 곱하였을 때 주기성이 있는 시간이 산출되는 순서쌍에 의해 결정될 수 있다.In one embodiment of the present invention, the initialization period may be determined by an ordered pair in which a periodicity time is calculated when multiplied by a batch size.

본 발명의 일 실시예에 있어서, 상기 링크 속도 예측 모델을 대응시키는 단계에서는 각각의 상기 초매개변수에 대하여 변환된 유전자와 유전자 섹터의 값을 대응시켜 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키는 포함할 수 있다.In an embodiment of the present invention, the link speed prediction model may be mapped to a single object and one link speed prediction model by matching the transformed gene and the value of the gene sector with respect to each of the hyperparameters. May include matching.

본 발명의 일 실시예에 있어서, 상기 링크 속도 예측 모델의 링크 속도는 교통 정보에서의 링크 속도인 것을 특징으로 하는 포함할 수 있다.In one embodiment of the present invention, the link speed of the link speed prediction model may include a link speed in traffic information.

본 발명의 일 실시예에 있어서, 상기 적합도 함수를 평가하는 단계 및 상기 최적의 링크 속도 예측 모델을 도출하는 단계는 반복 수행되며 상기 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출할 수 있고,In one embodiment of the present invention, evaluating the goodness-of-fit function and deriving the optimal link speed prediction model may be performed repeatedly to derive the optimal gene and the optimal link speed prediction model.

상기 최적의 유전자 및 최적의 링크 속도 예측 모델은 복수개일 수 있다.The optimal gene and the optimal link speed prediction model may be plural.

본 발명의 실시예들에 따르면, 교통 속도 추정 시스템 및 방법은 모델 생성부, 유전자 변환부, 적합도 평가부 및 모델 최적화부를 포함한다. 따라서, 기존의 수집된 자료를 이용하여 순환형 신경망을 이용하여 링크의 속도를 예측하고, 이를 유전자로 변환하며, 각각의 유전자에 대하 적합도를 평가하고, 적합도 평가에 따라서 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도를 예측하므로 높은 정확도로 링크 속도를 예측할 수 있다.According to embodiments of the present invention, the traffic speed estimation system and method includes a model generator, a gene converter, a fitness evaluation unit and a model optimizer. Therefore, using existing collected data, we predict the speed of link using cyclic neural network, convert it into gene, evaluate fitness for each gene, and use genetic algorithm according to fitness evaluation. By predicting genes and optimal link speeds, link speeds can be predicted with high accuracy.

또한, 순환형 신경망의 초매개변수를 유전 알고리즘을 이용하여 결정하므로 최적의 속도 예측 모형을 빠른 시간 내에 발견하여 속도 예측 시스템의 효율을 높일 수 있다.In addition, since the hyperparameters of the cyclic neural network are determined using a genetic algorithm, an optimal velocity prediction model can be found in a short time, thereby improving the efficiency of the velocity prediction system.

도 1은 본 발명의 일 실시예에 따른 교통 속도 추정 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 교통 속도 추정 시스템을 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따른 교통 속도 추정 방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 교통 속도 추정 방법을 나타내는 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 교통 속도 추정 시스템 및 방법의 순환형 신경망을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 교통 속도 추정 시스템 및 방법의 유전자를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 교통 속도 추정 시스템 및 방법의 유전 알고리즘의 구현예를 나타내는 순서도이다.1 is a block diagram showing a traffic speed estimation system according to an embodiment of the present invention.
2 is a block diagram showing a traffic speed estimation system according to an embodiment of the present invention.
3 is a flowchart illustrating a traffic speed estimation method according to an embodiment of the present invention.
4 is a flowchart illustrating a traffic speed estimation method according to an embodiment of the present invention.
5 is a diagram illustrating a cyclic neural network of a traffic speed estimation system and method according to an embodiment of the present invention.
6 is a view showing the gene of the traffic speed estimation system and method according to an embodiment of the present invention.
7 is a flowchart illustrating an implementation of the genetic algorithm of the traffic speed estimation system and method according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.As the inventive concept allows for various changes and numerous modifications, the embodiments will be described in detail in the text. However, this is not intended to limit the present invention to the specific form disclosed, it should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing the drawings, similar reference numerals are used for similar elements. Terms such as first and second may be used to describe various components, but the components should not be limited by the terms.

상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.The terms are used only for the purpose of distinguishing one component from another. The terminology used herein is for the purpose of describing particular example embodiments only and is not intended to be limiting of the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise.

본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In this application, the terms "comprise" or "consist of" are intended to indicate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, and one or more other features. It is to be understood that the present invention does not exclude the possibility of the presence or the addition of numbers, steps, operations, components, parts, or combinations thereof.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in the commonly used dictionaries should be construed as having meanings consistent with the meanings in the context of the related art, and shall not be construed in ideal or excessively formal meanings unless expressly defined in this application. Do not.

이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the drawings.

도 1은 본 발명의 일 실시예에 따른 교통 속도 추정 시스템을 나타내는 구성도이다. 도 5는 본 발명의 일 실시예에 따른 교통 속도 추정 시스템 및 방법의 순환형 신경망을 나타내는 도면이다. 도 6은 본 발명의 일 실시예에 따른 교통 속도 추정 시스템 및 방법의 유전자를 나타내는 도면이다. 도 7은 본 발명의 일 실시예에 따른 교통 속도 추정 시스템 및 방법의 유전 알고리즘의 구현예를 나타내는 순서도이다.1 is a block diagram showing a traffic speed estimation system according to an embodiment of the present invention. 5 is a diagram illustrating a cyclic neural network of a traffic speed estimation system and method according to an embodiment of the present invention. 6 is a view showing the gene of the traffic speed estimation system and method according to an embodiment of the present invention. 7 is a flowchart illustrating an implementation of the genetic algorithm of the traffic speed estimation system and method according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 교통 속도 추정 시스템은 모델 생성부(100), 유전자 변환부(200), 적합도 평가부(300) 및 모델 최적화부(400)를 포함한다.Referring to FIG. 1, a traffic speed estimation system according to an exemplary embodiment of the present invention includes a model generator 100, a gene converter 200, a fitness evaluation unit 300, and a model optimizer 400.

상기 모델 생성부(100)는 초매개변수를 포함하는 순환형 신경망(Deep-RNN)을 이용하여 링크의 속도를 예측하는 링크 속도 예측 모델을 생성할 수 있다. 순환형 신경망이란 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델로, 입력층(input layer)과 출력층(output layer) 사이에 다중의 은닉층(hidden layer)을 포함하는 인공 신경망(ANN: Artificial Neural Network)중의 하나이며, 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성한 인공 신경망(ANN)이다. 일반적인 신경망 모형과는 다르게 히든 노드의 정보를 다음 히든 노드로 전달하는 신경망을 의미하며, 도 5와 같이 이전 단계의 정보를 반영할 수 있어 시계열 자료의 예측에 이용할 수 있는 신경망이다. 상기 링크 속도 예측 모델의 링크 속도는 교통 정보에서의 링크 속도일 수 있다. 예를 들면, 상기 모델 생성부(100)는 시계열 자료의 일종인 교통 자료로부터 순환형 신경망을 이용하여 링크의 속도를 예측할 수 있다. 각 링크의 데이터를 하나의 입력 셀로 반영하며, 각 시간 단위를 순환형 신경망의 타임스텝(Timestep)으로 배치할 수 있다. 이는 링크 정보의 형태나 자료 수집 형태에 따라 가변적일 수 있으나, 일반적으로 하나의 링크를 하나의 셀에, 하나의 시간 단위를 하나의 타임스텝에 반영할 수 있다.The model generator 100 may generate a link speed prediction model that predicts a link speed by using a deep-RNN including a hyperparameter. A recursive neural network is a deep learning model for learning data that changes over time, such as time-series data. Multiple circular layers are hidden between an input layer and an output layer. One of artificial neural networks (ANNs) including a layer, and an artificial neural network (ANN) configured by connecting a network at a reference time point t and a next time point t + 1. Unlike a general neural network model, it refers to a neural network delivering hidden node information to a next hidden node. As shown in FIG. The link speed of the link speed prediction model may be a link speed in traffic information. For example, the model generator 100 may predict the speed of a link using a cyclic neural network from traffic data, which is a kind of time series data. The data of each link is reflected as one input cell, and each time unit can be arranged as a time step of a cyclic neural network. This may vary depending on the type of link information or the type of data collection, but in general, one link may be reflected in one cell and one time unit in one time step.

초매개변수란 신경망의 정확도를 높일 때 사용하는 변수이다. 본 발명에서 상기 초매개변수는 활성화 함수의 종류, 최적화 방식의 종류, 사용 데이터의 타임스텝(Timestep), 배치 사이즈, 초기화 주기, 순환형 레이어의 층수, 순환형 레이어의 종류, 일반 신경망의 층 수, 상수항(Bias) 사용 여부 및 학습률(Learning rate)을 포함할 수 있다. 상기 타임스텝은 이용할 데이터가 포함되는 특정 시간 주기를 의미할 수 있다. 상기 배치 사이즈는 한번에 계산하는 데이터의 수일 수 있다. 상기 순환형 레이어의 층수는 1 이상일 수 있다. 상기 일반 신경망의 층 수는 0 이상일 수 있다. Hyperparameters are variables used to increase the accuracy of neural networks. In the present invention, the hyperparameter may be a type of activation function, a type of optimization method, a time step of use data, a batch size, an initialization cycle, the number of layers of a circular layer, the type of a circular layer, the number of layers of a general neural network. , Whether to use a constant term and learning rate. The time step may mean a specific time period that includes data to be used. The batch size may be the number of data to be calculated at one time. The number of layers of the cyclic layer may be one or more. The number of layers of the general neural network may be zero or more.

예를 들면, 도 6과 같이 상기 활성화 함수의 종류는 ReLU(입력이 음수이면 0을 반환하고 입력이 양수이면 인풋을 그대로 반환하는 함수)이고, 최적화 방식의 종류는 경사하강법(Steepest Gradient Decdent Algorithm)이고, 사용 데이터의 타임스텝은 5분이고, 배치 사이즈는 720이고, 초기화 주기는 7이고, 순환형 레이어의 층수는 3층이고, 순환형 레이어의 종류는 LSTM(Long Short Term Memory, 피드백 연결을 갖는 RNN) 네트워크이고, 일반 신경망의 층 수는 2층이고, 상수항(Bias) 사용 여부는 미사용이고 학습률은 0.001의 상관계수 1 및 비상관계수 -3일 수 있다.For example, as shown in FIG. 6, the type of the activation function is ReLU (a function that returns 0 if the input is negative and returns the input as it is). The type of optimization method is a steep gradient gradient algorithm. ), The time step of the usage data is 5 minutes, the batch size is 720, the initialization cycle is 7, the number of layers of the recursive layer is 3 layers, and the type of the recursive layer is Long Short Term Memory (LSTM). RNN) network, and the number of layers of a general neural network is two layers, whether a constant term (Bias) is used or not, and a learning rate may be correlation coefficient 1 of 0.001 and emergency coefficient of −3.

상기 초기화 주기는 이중 초기화 주기를 포함할 수 있다. 상기 이중 초기화 주기는 상기 순환형 신경망에서 모형의 최적화를 초기화하는 주기로서 데이터의 주기성에 따라 정해질 수 있다. 상기 초기화 주기는 배치 크기와 곱하였을 때 주기성이 있는 시간이 산출되는 순서쌍에 의해 결정될 수 있다. 예를 들면, 순서쌍 [1440,7]의 경우, 1440은 1440분으로서 24시간을 의미한다. 7은 이를 7번 반복하는 것으로 모형의 초기화 주기는 일주일이 되는 것이다. 이것은 일주일 단위로 주기성을 나타내는 모형에 적합하다. 본 발명에서 제시하는 모형은 다른 방식과 다르게 이러한 주기적 초기화를 통해 자료의 주기성을 반영할 수 있다.The initialization cycle may include a dual initialization cycle. The dual initialization period is a period for initializing the optimization of the model in the cyclic neural network, which may be determined according to the periodicity of the data. The initialization period may be determined by an ordered pair in which periodicity time is calculated when multiplied by the batch size. For example, for the ordered pair [1440, 7], 1440 is 1440 minutes, which means 24 hours. 7 repeats this seven times, which is one week. This is appropriate for models that show periodicity on a weekly basis. Unlike other methods, the model proposed in the present invention can reflect the periodicity of data through such periodic initialization.

상기 유전자 변환부(200)는 상기 초매개변수를 유전자로 변환하고, 이로부터 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시킬 수 있다. 상기 유전자는 상기 초매개변수를 1과 0으로 이루어진 값으로 표현한 것일 수 있다. 상기 하나의 개체는 복수개의 상기 초매개변수를 가지며, 상기 복수개의 초매개변수는 상기 유전자들로 변환되어 하나의 값으로 표현될 수 있다. 여기서, 개체는 해가 될 수 있는 하나의 수열을 말하며 유전알고리즘에서 일반적으로 사용하는 단어와 동일한 의미일 수 있다. 예를 들면, 상기 개체는 [1,0,0,1,0,0,0,1] 등의 입력변수가 하나의 개체일 수 있다.The gene conversion unit 200 may convert the hyperparameter into a gene, and may correspond to one entity and one link speed prediction model therefrom. The gene may be expressed as a value consisting of 1 and 0 of the hyperparameter. The single individual may have a plurality of the hyperparameters, and the plurality of superparameters may be converted into the genes and expressed as a single value. Here, an individual refers to a sequence that can be harmful and may have the same meaning as a word generally used in genetic algorithm. For example, the entity may be an entity having an input variable such as [1,0,0,1,0,0,0,1].

상기 유전자 변환부(200)는 각각의 상기 초매개변수에 대하여 변환된 유전자와 유전자 섹터의 값을 대응시켜 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시킬 수 있다. 따라서, 상기 적합도 평가부(300)가 가장 낮은 유전자 값을 갖는 유전자 섹터(개체)의 모형을 구할 수 있다. 예를 들면, 상기 적합도 평가부(300)는 상기 유전자 값을 이용하여 모형 구축 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)값이 가장 낮은 모형을 구할 수 있다.The gene conversion unit 200 may correspond to one entity and one link speed prediction model by matching the transformed gene and the value of the gene sector with respect to each of the hyperparameters. Accordingly, the fitness evaluation unit 300 may obtain a model of the gene sector (object) having the lowest gene value. For example, the goodness-of-fit evaluation unit 300 selects a model having a lowest model construction time, root mean square error (RMSE) or mean absolute error (MAE) value using the gene value. You can get it.

예를 들면, 도 6과 같이 상기 유전자 변환부(200)는 초매개변수들은 상기 활성화 함수의 종류인 ReLU를 011값을 갖는 유전자로 변환하고, 최적화 방식의 종류인 경사하강법(Steepest Gradient Decdent Algorithm)을 001값을 갖는 유전자로 변환하고, 사용 데이터의 타임스텝인 5분을 101값을 갖는 유전자로 변환하고, 배치 사이즈인 720 및 초기화 주기인 7을 순서쌍으로 하여 1001값을 갖는 유전자로 변환하고, 순환형 레이어의 층수인 3층은 010값을 갖는 유전자로 변환하고, 순환형 레이어의 종류인 LSTM 네트워크는 01값을 갖는 유전자로 변환하고, 일반 신경망의 층 수인 2층은 010값을 갖는 유전자로 변환하고, 상수항(Bias) 사용 여부인 미사용은 1값을 갖는 유전자로 변환하고, 학습률은 0.001의 상관계수 1은 101값을 갖는 유전자로 변환하고, 0.001의 비상관계수 -3은 011값을 갖는 유전자로 변환하며, 하나의 개체인 유전자 섹터에 대하여 상기 초매개변수들의 유전자로 구성된 이진수로 이루어진 유전자 값을 생성하여 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시킬 수 있다. For example, as shown in FIG. 6, the gene conversion unit 200 converts ReLU, which is a type of the activation function, into a gene having a 011 value, and a gradient gradient method, which is a type of optimization method. ) Is converted into a gene having a value of 001, a 5 minute time step of use data is converted into a gene with a value of 101, and a batch size of 720 and an initialization period of 7 are converted into a gene having a value of 1001. The third layer, which is the number of layers of the cyclic layer, is converted to the gene having 010 value, the LSTM network, which is a kind of the cyclic layer, is converted to the gene having 01 value, and the second layer, which is the number of layers of the general neural network, has the value 010 The unused, whether the constant term (Bias) is used, is converted into a gene with a value of 1, the learning rate is converted into a gene with a correlation coefficient of 0.001 of 101, and the non-correlation coefficient of 0.001 with a value of 011. Having Genetic values consisting of binary numbers consisting of the genes of the hyperparameters may be generated for the gene sector, which is one individual, to correspond to one individual and one link speed prediction model.

상기 적합도 평가부(300)는 각각의 상기 유전자에 따른 상기 초매개변수를 바탕으로 적합도 함수를 평가할 수 있다. 상기 적합도 함수는 계산 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)를 포함할 수 있다. 상기 적합도 평가부(300)는 주어진 유전자에 따른 상기 초매개변수를 바탕으로 모형을 평가할 수 있다. 예를 들면, 상기 적합도 평가부(300)는 상기 유전자 값을 이용하여 모형 구축 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)값이 가장 낮은 모형을 구할 수 있다.The fitness evaluation unit 300 may evaluate a fitness function based on the superparameters according to the genes. The fitness function may include a calculation time, a root mean square error (RMSE), or a mean absolute error (MAE). The fitness evaluation unit 300 may evaluate a model based on the hyperparameters according to a given gene. For example, the goodness-of-fit evaluation unit 300 selects a model having a lowest model construction time, root mean square error (RMSE) or mean absolute error (MAE) value using the gene value. You can get it.

상기 모델 최적화부(400)는 상기 적합도 평가에 따라서 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출할 수 있다. 상기 모델 최적화부(400)는 상기 유전자에 대응된 상기 링크 속도 예측 모델에 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출할 수 있다. 유전 알고리즘(Genetic Algorithm)은 자연세계의 진화과정에 기초한 계산 모델로 해를 유전자의 형식으로 표현할 수 있어야 하며, 이 해가 얼마나 적합한지를 적합도 함수를 통해 계산하는 알고리즘을 의미한다. 본 발명에서 유전 알고리즘이란, 정의된 유전자들을 서로 조합하여 기존의 해로부터 새로운 해를 만들어내는 과정을 의미한다.The model optimizer 400 may derive an optimal gene and an optimal link speed prediction model using a genetic algorithm according to the fitness evaluation. The model optimizer 400 may derive an optimal gene and an optimal link speed prediction model by using a genetic algorithm in the link speed prediction model corresponding to the gene. Genetic Algorithm is a computational model based on the evolutionary process of the natural world that can represent a solution in the form of a gene, and refers to an algorithm that calculates how suitable this solution is through a fitness function. In the present invention, the genetic algorithm refers to a process of generating a new solution from an existing solution by combining defined genes with each other.

상기 유전 알고리즘은 돌연변이 과정 및 교배 과정을 포함할 수 있다. 상기 돌연변이 과정이란 유전자의 값 또는 유전자 내의 유전 인자의 순서를 임의로 변경하여 새로운 유전자 값을 만드는 과정을 의미할 수 있다. 교배 과정이란 같은 세대(동일 시점에 선택된)의 개체들 중에서 복수개의 유전자를 선택한 후 각 유전자 내의 유전 인자의 값을 다른 유전자 내의 유전 인자의 값과 교차하는 것을 의미할 수 있다. 예를 들면, 100개의 개체 중에서 제1 개체의 활성화 함수의 종류의 최상위 비트와 제2 개체의 활성화 함수의 종류의 최상위 비트의 값을 교차시켜 새로운 유전자 값을 생성할 수 있다.The genetic algorithm may include a mutation process and a mating process. The mutation process may mean a process of creating a new gene value by arbitrarily changing the value of the gene or the order of the genetic factors in the gene. The hybridization process may mean selecting a plurality of genes among individuals of the same generation (selected at the same time) and then crossing the value of the genetic factor in each gene with the value of the genetic factor in the other gene. For example, a new gene value may be generated by intersecting the values of the most significant bit of the kind of the activation function of the first individual and the most significant bit of the kind of the activation function of the second individual among the 100 individuals.

상기 적합도 평가부(300)에서 상기 적합도 함수를 평가하는 것과 상기 모델 최적화부(400)에서 상기 최적의 링크 속도 예측 모델을 도출하는 것은 순차적으로 특정 횟수동안 반복 수행될 수 있다. 이로부터 상기 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하고, 상기 최적의 유전자 및 최적의 링크 속도 예측 모델은 복수개일 수 있다.Evaluating the fitness function in the fitness evaluator 300 and deriving the optimal link speed prediction model in the model optimizer 400 may be repeated sequentially for a specific number of times. From this, the optimal gene and the optimal link speed prediction model are derived, and the optimal gene and the optimal link speed prediction model may be plural.

예를 들면, 도 7과 같이 상기 모델 최적화부(400)는 무작위 개체 100를 생성하고, 상기 100개의 개체에 대하여 적합도를 평가하고, 상위 10개의 적합도 평가값을 갖는 개체를 선정하며, 상기 100개의 개체에 대하여 돌연변이 과정 및 교배 과정을 수행하여 새로운 개체 100개를 생성하고, 상기 새로운 개체에 대하여 돌연변이 과정 및 교배 과정을 수행하여 다시 새로운 개체 100개를 생성하고 다시 새로 생성한 개체 100개에 대하여 적합도를 평가하고, 적합도 평가값과 상기 기 선정된 상위 10개의 개체의 적합도 평가값을 비교하여 적합도 평가값 상위 10개 개체를 갱신하고, 이를 특정 횟수만큼 반복할 수 있다.For example, as shown in FIG. 7, the model optimizer 400 generates a random entity 100, evaluates the fitness of the 100 entities, selects the entities having the top 10 fitness evaluation values, and selects the 100 entities. Mutant process and breeding process is performed on the individual to generate 100 new individuals. Mutation process and breeding process is performed on the new individual, and 100 new objects are generated again. , And compare the fitness evaluation value and the fitness evaluation value of the selected top 10 individuals to update the top 10 individuals of the fitness evaluation value, and repeat this a specific number of times.

새로운 개체에 대하여 돌연변이 과정 및 교배 과정을 수행하는 것은 두 과정이 동시에 또는 순차적으로 수행되어 두 과정이 모두 수행되거나, 하나의 과정만 선택적으로 수행될 수 있다. 상기 수행 타입의 설정은 사용자, 시스템 관리자 또는 시스템 초기값에 의하여 결정될 수 있다. 상기 돌연변이 과정 및 교배 과정의 수행 비율은 변경될 수 있다. 예를 들면, 상기 돌연변이 과정은 유전 알고리즘을 수행하는 개체들 중 50%에 대하여 수행하고, 상기 교배 과정은 상기 개체들 중 50%에 대해 수행할 수 있다. 예를 들면, 상기 돌연변이 과정은 유전 알고리즘을 수행하는 개체들 중 70%에 대하여 수행하고, 상기 교배 과정은 상기 개체들 중 30%에 대해 수행할 수 있다.The mutation process and the hybridization process for the new individual may be performed simultaneously or sequentially, so that both processes may be performed or only one process may be selectively performed. The setting of the performance type may be determined by a user, a system administrator, or a system initial value. The rate of performance of the mutation and crossover processes can be varied. For example, the mutation process may be performed on 50% of individuals performing genetic algorithms, and the hybridization process may be performed on 50% of the individuals. For example, the mutation process may be performed on 70% of individuals performing genetic algorithms, and the hybridization process may be performed on 30% of the individuals.

도 2는 본 발명의 일 실시예에 따른 교통 속도 추정 시스템을 나타내는 구성도이다.2 is a block diagram showing a traffic speed estimation system according to an embodiment of the present invention.

본 실시예에 따른 교통 속도 추정 시스템은 제1 학습부(500) 및 제2 학습부(600)를 제외하고는 도 1의 교통 속도 추정 시스템과 실질적으로 동일하다. 따라서, 도 1의 교통 속도 추정 시스템과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.The traffic speed estimation system according to the present embodiment is substantially the same as the traffic speed estimation system of FIG. 1 except for the first learner 500 and the second learner 600. Therefore, the same components as those of the traffic speed estimation system of FIG. 1 are given the same reference numerals, and repeated descriptions are omitted.

도 2를 참조하면 본 발명의 일 실시예에 따른 교통 속도 추정 시스템은 제1 학습부(500) 및 제2 학습부(600)를 더 포함할 수 있다.Referring to FIG. 2, the traffic speed estimation system according to an embodiment of the present invention may further include a first learner 500 and a second learner 600.

상기 제1 학습부(500)는 상기 적합도 평가를 수행하는 모델에 복수개의 데이터를 가공하여 기계학습시킬 수 있다. 상기 제1 학습부(500)는 상기 적합도 평가부(300)에서 적합도 함수를 평가하는 함수에 데이터를 가공하여 기계학습 할 수 있다. 이때, 기계학습은 적은 수의 에포크(epoch)를 통해 적합도 함수를 평가할 수 있다. 예를 들면, 상기 에포크는 50회 이상 200회 이하의 수의 에포크를 이용하여 적합도 함수를 평가할 수 있다. 여기서 에포크(epoch)는 인공 신경망에서 전체 데이터 셋에 대해 forward pass 및 backward pass 과정을 거친 것을 의미한다. 즉, 1회의 에포크는 전체 데이터 셋에 대해 한 번 학습을 완료한 상태를 의미할 수 있다.The first learner 500 may machine-learn by processing a plurality of data in a model for performing the fitness evaluation. The first learner 500 may perform machine learning by processing data into a function for evaluating a fitness function in the fitness evaluation unit 300. In this case, the machine learning may evaluate the fitness function through a small number of epochs. For example, the epoch can evaluate the goodness-of-fit function using a number of epochs from 50 to 200 times. Here, the epoch means that the artificial neural network has undergone forward pass and backward pass for the entire data set. That is, one epoch may mean a state in which learning is completed once for the entire data set.

상기 제2 학습부(600)는 상기 최적의 링크 속도 예측 모델에 복수개의 데이터를 가공하여 기계학습시킬 수 있다. 상기 제2 학습부(600)는 상기 모델 최적화부(400)에서 도출된 최적 모형에 데이터를 가공하여 기계학습 할 수 있다. 이때, 기계학습은 많은 수의 에포크(epoch)를 통해 최적의 링크 속도 예측 모델을 학습할 수 있다. 예를 들면, 상기 에포크는 1000회 이상의 에포크를 이용하여 최적의 링크 속도 예측 모델을 학습할 수 있다.The second learner 600 may machine-learn a plurality of data by processing the optimal link speed prediction model. The second learner 600 may machine-learn by processing data in an optimal model derived from the model optimizer 400. In this case, the machine learning may learn an optimal link speed prediction model through a large number of epochs. For example, the epoch may learn an optimal link speed prediction model using 1000 or more epochs.

도 3은 본 발명의 일 실시예에 따른 교통 속도 추정 방법을 나타내는 흐름도이다.3 is a flowchart illustrating a traffic speed estimation method according to an embodiment of the present invention.

본 실시예에 따른 교통 속도 추정 방법은 도 1 및 도 2의 교통 속도 추정 시스템에서 수행되며, 카테고리만 상이할 뿐 도 1 및 도 2의 교통 속도 추정 시스템이 수행하는 내용과 실질적으로 동일하다. 따라서, 도 1 및 도 2의 교통 속도 추정 시스템과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.The traffic speed estimation method according to the present embodiment is performed in the traffic speed estimation system of FIGS. 1 and 2, and differs only in categories, and is substantially the same as that performed by the traffic speed estimation system of FIGS. 1 and 2. Therefore, the same components as those of the traffic speed estimation system of FIGS. 1 and 2 are given the same reference numerals, and repeated descriptions are omitted.

도 3을 참조하면 본 발명의 일 실시예에 따른 교통 속도 추정 방법은 링크 속도 예측 모델을 생성하는 단계(S100), 링크 속도 예측 모델을 대응시키는 단계(S200), 적합도 함수를 평가하는 단계(S300) 및 최적의 링크 속도 예측 모델을 도출하는 단계(S400)을 포함한다.Referring to FIG. 3, the traffic speed estimation method according to an embodiment of the present invention may include generating a link speed prediction model (S100), matching a link speed prediction model (S200), and evaluating a fitness function (S300). And deriving an optimal link speed prediction model (S400).

상기 링크 속도 예측 모델을 생성하는 단계(S100)에서는 상기 모델 생성부(100)는 초매개변수를 포함하는 순환형 신경망(Deep-RNN)을 이용하여 링크의 속도를 예측하는 링크 속도 예측 모델을 생성할 수 있다. 순환형 신경망이란 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델로, 입력층(input layer)과 출력층(output layer) 사이에 다중의 은닉층(hidden layer)을 포함하는 인공 신경망(ANN: Artificial Neural Network)의 하나이며, 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성한 인공 신경망(ANN)이다. 일반적인 신경망 모형과는 다르게 히든 노드의 정보를 다음 히든 노드로 전달하는 신경망을 의미하며, 도 5와 같이 이전 단계의 정보를 반영할 수 있어 시계열 자료의 예측에 이용할 수 있는 신경망이다. 상기 링크 속도 예측 모델의 링크 속도는 교통 정보에서의 링크 속도일 수 있다. 예를 들면, 상기 모델 생성부(100)는 시계열 자료의 일종인 교통 자료로부터 순환형 신경망을 이용하여 링크의 속도를 예측할 수 있다.In the step of generating the link speed prediction model (S100), the model generator 100 generates a link speed prediction model for predicting the speed of the link by using a recursive neural network Deep-RNN including a superparameter. can do. A recursive neural network is a deep learning model for learning data that changes over time, such as time-series data. Multiple circular layers are hidden between an input layer and an output layer. An artificial neural network (ANN) including a layer is an artificial neural network (ANN) configured by connecting a network at a reference time point t and a next time point t + 1. Unlike a general neural network model, it refers to a neural network delivering hidden node information to a next hidden node. As shown in FIG. The link speed of the link speed prediction model may be a link speed in traffic information. For example, the model generator 100 may predict the speed of a link using a cyclic neural network from traffic data, which is a kind of time series data.

상기 초매개변수는 활성화 함수의 종류, 최적화 방식의 종류, 사용 데이터의 타임스텝(Timestep), 배치 사이즈, 초기화 주기, 순환형 레이어의 층수, 순환형 레이어의 종류, 일반 신경망의 층 수, 상수항(Bias) 사용 여부 및 학습률(Learning rate)을 포함할 수 있다. 상기 타임스텝은 이용할 데이터가 포함되는 특정 시간 주기를 의미할 수 있다. 상기 배치 사이즈는 한번에 계산하는 데이터의 수일 수 있다. 상기 순환형 레이어의 층수는 1 이상일 수 있다. 상기 일반 신경망의 층 수는 0 이상일 수 있다. The hyperparameters may include types of activation functions, types of optimization methods, timesteps of usage data, batch sizes, initialization cycles, layers of circular layers, types of circular layers, layers of general neural networks, and constant terms ( Bias) may be used and the learning rate. The time step may mean a specific time period that includes data to be used. The batch size may be the number of data to be calculated at one time. The number of layers of the cyclic layer may be one or more. The number of layers of the general neural network may be zero or more.

예를 들면, 도 6과 같이 상기 활성화 함수의 종류는 ReLU(입력이 음수이면 0을 반환하고 입력이 양수이면 인풋을 그대로 반환하는 함수)이고, 최적화 방식의 종류는 경사하강법(Steepest Gradient Decdent Algorithm)이고, 사용 데이터의 타임스텝은 5분이고, 배치 사이즈는 720이고, 초기화 주기는 7이고, 순환형 레이어의 층수는 3층이고, 순환형 레이어의 종류는 LSTM(Long Short Term Memory, 피드백 연결을 갖는 RNN) 네트워크이고, 일반 신경망의 층 수는 2층이고, 상수항(Bias) 사용 여부는 미사용이고 학습률은 0.001의 상관계수 1 및 비상관계수 -3일 수 있다.For example, as shown in FIG. 6, the type of the activation function is ReLU (a function that returns 0 if the input is negative and the input is returned as it is positive). ), The time step of the usage data is 5 minutes, the batch size is 720, the initialization cycle is 7, the number of layers of the recursive layer is 3 layers, and the type of the recursive layer is Long Short Term Memory (LSTM). RNN) network, and the number of layers of a general neural network is two layers, whether a constant term (Bias) is used or not, and a learning rate may be correlation coefficient 1 of 0.001 and non-correlation coefficient -3.

상기 초기화 주기는 이중 초기화 주기를 포함할 수 있다. 상기 이중 초기화 주기는 상기 순환형 신경망에서 모형의 최적화를 초기화하는 주기로서 데이터의 주기성에 따라 정해질 수 있다. 상기 초기화 주기는 배치 크기와 곱하였을 때 주기성이 있는 시간이 산출되는 순서쌍에 의해 결정될 수 있다. 예를 들면, 순서쌍 [1440,7]의 경우, 1440은 1440분으로서 24시간을 의미한다. 7은 이를 7번 반복하는 것으로 모형의 초기화 주기는 일주일이 되는 것이다. 이것은 일주일 단위로 주기성을 나타내는 모형에 적합하다. 본 발명에서 제시하는 모형은 다른 방식과 다르게 이러한 주기적 초기화를 통해 자료의 주기성을 반영할 수 있다.The initialization cycle may include a dual initialization cycle. The dual initialization period is a period for initializing the optimization of the model in the cyclic neural network, which may be determined according to the periodicity of the data. The initialization period may be determined by an ordered pair in which periodicity time is calculated when multiplied by the batch size. For example, for the ordered pair [1440, 7], 1440 is 1440 minutes, which means 24 hours. 7 repeats this seven times, which is one week. This is appropriate for models that show periodicity on a weekly basis. Unlike other methods, the model proposed in the present invention can reflect the periodicity of data through such periodic initialization.

상기 링크 속도 예측 모델을 대응시키는 단계(S200)에서는 상기 유전자 변환부(200)는 상기 초매개변수를 유전자로 변환하고, 이로부터 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시킬 수 있다. 상기 유전자는 상기 초매개변수를 1과 0으로 이루어진 값으로 표현한 것일 수 있다. 상기 하나의 개체는 복수개의 상기 초매개변수를 가지며, 상기 복수개의 초매개변수는 상기 유전자들로 변환되어 하나의 값으로 표현될 수 있다. 여기서, 개체는 해가 될 수 있는 하나의 수열을 말하며 유전알고리즘에서 일반적으로 사용하는 단어와 동일한 의미일 수 있다. 예를 들면, 상기 개체는 [1,0,0,1,0,0,0,1] 등의 입력변수가 하나의 개체일 수 있다.In step S200 of matching the link speed prediction model, the gene conversion unit 200 may convert the hyperparameter into a gene, and correspond one object and one link speed prediction model therefrom. The gene may be expressed as a value consisting of 1 and 0 of the hyperparameter. The single individual may have a plurality of the hyperparameters, and the plurality of superparameters may be converted into the genes and expressed as a single value. Here, an individual refers to a sequence that can be harmful and may have the same meaning as a word generally used in genetic algorithm. For example, the entity may be an entity having an input variable such as [1,0,0,1,0,0,0,1].

상기 링크 속도 예측 모델을 대응시키는 단계(S200)에서는 상기 유전자 변환부(200)는 각각의 상기 초매개변수에 대하여 변환된 유전자와 유전자 섹터의 값을 대응시켜 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시킬 수 있다. 따라서, 상기 적합도 함수를 평가하는 단계(S300)에서 상기 적합도 평가부(300)가 가장 낮은 유전자 값을 갖는 유전자 섹터(개체)의 모형을 구할 수 있다. 예를 들면, 상기 적합도 함수를 평가하는 단계(S300)에서 상기 적합도 평가부(300)는 상기 유전자 값을 이용하여 모형 구축 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)값이 가장 낮은 모형을 구할 수 있다.In step S200 of matching the link speed prediction model, the gene conversion unit 200 predicts one entity and one link speed by matching values of the transformed gene and the gene sector with respect to each of the hyperparameters. Match models. Accordingly, in the step of evaluating the fitness function, the fitness evaluation unit 300 may obtain a model of the gene sector (object) having the lowest gene value. For example, in the step of evaluating the goodness-of-fit function (S300), the goodness-of-fit evaluation unit 300 uses the gene value to construct a model construction time, root mean square error (RMSE) or mean absolute error (MAE). The model with the lowest Mean Absolute Error can be found.

예를 들면, 도 6과 같이 상기 링크 속도 예측 모델을 대응시키는 단계(S200)에서는 상기 유전자 변환부(200)는 초매개변수들은 상기 활성화 함수의 종류인 ReLU를 011값을 갖는 유전자로 변환하고, 최적화 방식의 종류인 경사하강법(Steepest Gradient Decdent Algorithm)을 001값을 갖는 유전자로 변환하고, 사용 데이터의 타임스텝인 5분을 101값을 갖는 유전자로 변환하고, 배치 사이즈인 720 및 초기화 주기인 7을 순서쌍으로 하여 1001값을 갖는 유전자로 변환하고, 순환형 레이어의 층수인 3층은 010값을 갖는 유전자로 변환하고, 순환형 레이어의 종류인 LSTM 네트워크는 01값을 갖는 유전자로 변환하고, 일반 신경망의 층 수인 2층은 010값을 갖는 유전자로 변환하고, 상수항(Bias) 사용 여부인 미사용은 1값을 갖는 유전자로 변환하고, 학습률은 0.001의 상관계수 1은 101값을 갖는 유전자로 변환하고, 0.001의 비상관계수 -3은 011값을 갖는 유전자로 변환하며, 하나의 개체인 유전자 섹터에 대하여 상기 초매개변수들의 유전자로 구성된 이진수로 이루어진 유전자 값을 생성하여 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시킬 수 있다. For example, in step S200 of matching the link speed prediction model as shown in FIG. 6, the gene conversion unit 200 converts ReLU, which is a kind of the activation function, into a gene having a 011 value, A type of optimization method, the steepest gradient descent algorithm, is converted into a gene having a value of 001, a 5 minute time step of use data is converted into a gene having a value of 101, and a batch size of 720 and an initialization period of 7 is converted into a gene having a value of 1001 with the ordered pair, the third layer, which is the number of layers of the cyclic layer, is converted into a gene having a value of 010, and the LSTM network, which is a type of the cyclic layer, is converted into a gene having a value of 01, The second layer, which is the number of layers of a general neural network, is converted into a gene having a value of 010, the unused whether a constant term is used is converted into a gene having a value of 1, and the correlation coefficient 1 having a learning rate of 0.001 has a value of 101. Converts the gene, and the non-correlation coefficient of 0.001 is converted to a gene having a value of 011, and generates a gene value composed of binary numbers consisting of the genes of the hyperparameters for a single gene segment. One link speed prediction model may be matched.

상기 적합도 함수를 평가하는 단계(S300)에서는 상기 적합도 평가부(300)는 각각의 상기 유전자에 따른 상기 초매개변수를 바탕으로 적합도 함수를 평가할 수 있다. 상기 적합도 함수는 계산 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)를 포함할 수 있다. 상기 적합도 함수를 평가하는 단계(S300)에서는 상기 적합도 평가부(300)는 주어진 유전자에 따른 상기 초매개변수를 바탕으로 모형을 평가할 수 있다. 예를 들면, 상기 적합도 평가부(300)는 상기 유전자 값을 이용하여 모형 구축 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)값이 가장 낮은 모형을 구할 수 있다.In the step of evaluating the fitness function (S300), the fitness evaluation unit 300 may evaluate the fitness function based on the superparameters according to the genes. The fitness function may include a calculation time, a root mean square error (RMSE), or a mean absolute error (MAE). In the step of evaluating the fitness function (S300), the fitness evaluation unit 300 may evaluate a model based on the superparameters according to a given gene. For example, the goodness-of-fit evaluation unit 300 selects a model having a lowest model construction time, root mean square error (RMSE) or mean absolute error (MAE) value using the gene value. You can get it.

상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)에서는 상기 모델 최적화부(400)는 상기 적합도 평가에 따라서 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출할 수 있다. 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)에서는 상기 모델 최적화부(400)는 상기 유전자에 대응된 상기 링크 속도 예측 모델에 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출할 수 있다. 상기 최적의 유전자 및 최적의 링크 속도 예측 모델은 복수개일 수 있다.In the deriving of the optimal link speed prediction model (S400), the model optimizer 400 may derive an optimal gene and an optimal link speed prediction model using a genetic algorithm according to the fitness evaluation. In the deriving of the optimal link speed prediction model (S400), the model optimizer 400 uses the genetic algorithm to the link speed prediction model corresponding to the gene to select an optimal gene and an optimal link speed prediction model. Can be derived. The optimal gene and the optimal link speed prediction model may be plural.

유전 알고리즘(Genetic Algorithm)이란 자연세계의 진화과정에 기초한 계산 모델로, 해를 유전자의 형식으로 표현하여 이 해가 얼마나 적합한지를 적합도 함수를 통해 계산하는 알고리즘을 의미한다. 본 발명에서 유전 알고리즘이란, 정의된 유전자들을 서로 조합하여 기존의 해로부터 새로운 해를 만들어내는 과정을 의미한다.Genetic Algorithm is a computational model based on the evolution of the natural world, and it is an algorithm that expresses a solution in the form of a gene and calculates how suitable this solution is through the fitness function. In the present invention, the genetic algorithm refers to a process of generating a new solution from an existing solution by combining defined genes with each other.

상기 유전 알고리즘은 돌연변이 과정 및 교배 과정을 포함할 수 있다. 상기 돌연변이 과정이란 유전자의 값 또는 유전자 내의 유전 인자의 순서를 임의로 변경하여 새로운 유전자 값을 만드는 과정을 의미할 수 있다. 교배 과정이란 같은 세대(동일 시점에 선택된)의 개체들 중에서 복수개의 유전자를 선택한 후 각 유전자 내의 유전 인자의 값을 다른 유전자 내의 유전 인자의 값과 교차하는 것을 의미할 수 있다. 예를 들면, 100개의 개체 중에서 제1 개체의 활성화 함수의 종류의 최상위 비트와 제2 개체의 활성화 함수의 종류의 최상위 비트의 값을 교차시켜 새로운 유전자 값을 생성할 수 있다.The genetic algorithm may include a mutation process and a mating process. The mutation process may mean a process of creating a new gene value by arbitrarily changing the value of the gene or the order of the genetic factors in the gene. The hybridization process may mean selecting a plurality of genes among individuals of the same generation (selected at the same time) and then crossing the value of the genetic factor in each gene with the value of the genetic factor in the other gene. For example, a new gene value may be generated by intersecting the values of the most significant bit of the kind of the activation function of the first individual and the most significant bit of the kind of the activation function of the second individual among the 100 individuals.

예를 들면, 도 7과 같이 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)에서는 상기 모델 최적화부(400)는 무작위 개체 100를 생성하고, 상기 100개의 개체에 대하여 적합도를 평가하고, 상위 10개의 적합도 평가값을 갖는 개체를 선정하며, 상기 100개의 개체에 대하여 돌연변이 과정 및 교배 과정을 수행하여 새로운 개체 100개를 생성하고, 상기 새로운 개체에 대하여 돌연변이 과정 및 교배 과정을 수행하여 다시 새로운 개체 100개를 생성하고 다시 새로 생성한 개체 100개에 대하여 적합도를 평가하고, 적합도 평가값과 상기 기 선정된 상위 10개의 개체의 적합도 평가값을 비교하여 적합도 평가값 상위 10개 개체를 갱신하고, 이를 특정 횟수만큼 반복할 수 있다.For example, in the derivation of the optimal link speed prediction model as shown in FIG. 7 (S400), the model optimizer 400 generates a random entity 100, evaluates a goodness of fit of the 100 entities, Subjects with 10 goodness-of-fit evaluation values are selected, and 100 new subjects are generated by performing a mutation process and a mating process on the 100 subjects, and a new subject is performed by performing a mutation process and a mating process on the new subjects. 100 and newly created 100 objects are evaluated for goodness of fit, and the fitness evaluation value is compared with the goodness-of-fit evaluation values of the selected top 10 individuals to update the top 10 objects of fitness evaluation values. You can repeat a specific number of times.

새로운 개체에 대하여 돌연변이 과정 및 교배 과정을 수행하는 것은 두 과정이 동시에 또는 순차적으로 수행되어 두 과정이 모두 수행되거나, 하나의 과정만 선택적으로 수행될 수 있다. 상기 수행 타입의 설정은 사용자, 시스템 관리자 또는 시스템 초기값에 의하여 결정될 수 있다. 상기 돌연변이 과정 및 교배 과정의 수행 비율은 변경될 수 있다. 예를 들면, 상기 돌연변이 과정은 유전 알고리즘을 수행하는 개체들 중 50%에 대하여 수행하고, 상기 교배 과정은 상기 개체들 중 50%에 대해 수행할 수 있다. 예를 들면, 상기 돌연변이 과정은 유전 알고리즘을 수행하는 개체들 중 70%에 대하여 수행하고, 상기 교배 과정은 상기 개체들 중 30%에 대해 수행할 수 있다.The mutation process and the hybridization process for the new individual may be performed simultaneously or sequentially, so that both processes may be performed or only one process may be selectively performed. The setting of the performance type may be determined by a user, a system administrator, or a system initial value. The rate of performance of the mutation and crossover processes can be varied. For example, the mutation process may be performed on 50% of individuals performing genetic algorithms, and the hybridization process may be performed on 50% of the individuals. For example, the mutation process may be performed on 70% of individuals performing genetic algorithms, and the hybridization process may be performed on 30% of the individuals.

도 4는 본 발명의 일 실시예에 따른 교통 속도 추정 방법을 나타내는 흐름도이다.4 is a flowchart illustrating a traffic speed estimation method according to an embodiment of the present invention.

본 실시예에 따른 교통 속도 추정 방법은 제1 기계학습 단계(S310) 및 제2 기계학습 단계(S410)를 제외하고는 도 3의 교통 속도 추정 방법과 실질적으로 동일하다. 따라서, 도 3의 교통 속도 추정 방법과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.The traffic speed estimation method according to the present embodiment is substantially the same as the traffic speed estimation method of FIG. 3 except for the first machine learning step S310 and the second machine learning step S410. Therefore, the same components as those of the traffic speed estimation method of FIG. 3 are given the same reference numerals, and repeated descriptions are omitted.

도 4를 참조하면 본 발명의 일 실시예에 따른 교통 속도 추정 방법은 제1 기계학습 단계(S310) 및 제2 기계학습 단계(S410)를 더 포함할 수 있다.Referring to FIG. 4, the traffic speed estimation method according to an embodiment of the present invention may further include a first machine learning step S310 and a second machine learning step S410.

본 발명의 일 실시예에 따른 교통 속도 추정 방법은 상기 링크 속도 예측 모델을 생성하는 단계(S100), 상기 링크 속도 예측 모델을 대응시키는 단계(S200), 상기 적합도 함수를 평가하는 단계(S300) 및 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)가 순차적으로 수행될 수 있으며, 상기 적합도 함수를 평가하는 단계(S300) 및 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)가 반복 수행될 수 있다. 예를 들면, 도 7과 같이 상기 적합도 함수를 평가하는 단계(S300) 및 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)는 100회 반복될 수 있다.The traffic speed estimation method according to an embodiment of the present invention includes generating the link speed prediction model (S100), matching the link speed prediction model (S200), evaluating the fitness function (S300), and Deriving the optimal link speed prediction model (S400) may be performed sequentially, and evaluating the fitness function (S300) and deriving the optimal link speed prediction model (S400). Can be. For example, evaluating the fitness function (S300) and deriving the optimal link speed prediction model (S400) may be repeated 100 times as shown in FIG. 7.

상기 제1 기계학습 단계(S310)에서는 상기 제1 학습부(500)는 상기 적합도 평가를 수행하는 모델에 복수개의 데이터를 가공하여 기계학습시킬 수 있다. 상기 제1 기계학습 단계(S310)에서는 상기 제1 학습부(500)는 상기 적합도 평가부(300)에서 적합도 함수를 평가하는 함수에 데이터를 가공하여 기계학습 할 수 있다. 이때, 기계학습은 적은 수의 에포크(epoch)를 통해 적합도 함수를 평가할 수 있다. 예를 들면, 상기 에포크는 50회 이상 200회 이하의 수의 에포크를 이용하여 적합도 함수를 평가할 수 있다. 여기서 에포크(epoch)는 인공 신경망에서 전체 데이터 셋에 대해 forward pass 및 backward pass 과정을 거친 것을 의미한다. 즉, 1회의 에포크는 전체 데이터 셋에 대해 한 번 학습을 완료한 상태를 의미할 수 있다.In the first machine learning step (S310), the first learning unit 500 may machine learn by processing a plurality of data in a model for performing the fitness evaluation. In the first machine learning step (S310), the first learning unit 500 may machine learn by processing data into a function for evaluating a fitness function in the fitness evaluation unit 300. In this case, the machine learning may evaluate the fitness function through a small number of epochs. For example, the epoch can evaluate the goodness-of-fit function using a number of epochs from 50 to 200 times. Here, epoch means that the artificial neural network has undergone a forward pass and backward pass for the entire data set. That is, one epoch may mean a state in which learning is completed once for the entire data set.

상기 제2 기계학습 단계(S410)에서는 상기 제2 학습부(600)는 상기 최적의 링크 속도 예측 모델에 복수개의 데이터를 가공하여 기계학습시킬 수 있다. 상기 제2 기계학습 단계(S410)에서는 상기 제2 학습부(600)는 상기 모델 최적화부(400)에서 도출된 최적 모형에 데이터를 가공하여 기계학습 할 수 있다. 이때, 기계학습은 많은 수의 에포크(epoch)를 통해 최적의 링크 속도 예측 모델을 학습할 수 있다. 예를 들면, 상기 에포크는 1000회 이상의 에포크를 이용하여 최적의 링크 속도 예측 모델을 학습할 수 있다.In the second machine learning step (S410), the second learner 600 may machine learn a plurality of data by processing the optimal link speed prediction model. In the second machine learning step (S410), the second learner 600 may machine-learn by processing data on an optimal model derived from the model optimizer 400. In this case, the machine learning may learn an optimal link speed prediction model through a large number of epochs. For example, the epoch may learn an optimal link speed prediction model using 1000 or more epochs.

본 발명의 일 실시예에 따른 교통 속도 추정 방법은 상기 링크 속도 예측 모델을 생성하는 단계(S100), 상기 링크 속도 예측 모델을 대응시키는 단계(S200), 상기 적합도 함수를 평가하는 단계(S300) 및 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)가 순차적으로 수행될 수 있으며, 상기 적합도 함수를 평가하는 단계(S300)에서는 상기 제1 기계학습 단계(S310)가 함께 수행될 수 있고, 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)에서는 상기 제2 기계학습 단계(S410)가 함께 수행될 수 있다.The traffic speed estimation method according to an embodiment of the present invention includes generating the link speed prediction model (S100), matching the link speed prediction model (S200), evaluating the fitness function (S300), and Deriving the optimal link speed prediction model (S400) may be performed sequentially, and in the step of evaluating the fitness function (S300), the first machine learning step (S310) may be performed together, In the step S400 of deriving an optimal link speed prediction model, the second machine learning step S410 may be performed together.

상기 적합도 함수를 평가하는 단계(S300) 및 상기 최적의 링크 속도 예측 모델을 도출하는 단계(S400)는 반복 수행될 수 있으나, 상기 제1 기계학습 단계(S310) 및 상기 제2 기계학습 단계(S410)가 반드시 함께 반복 수행되지는 않아도 된다.The step of evaluating the fitness function (S300) and the step of deriving the optimal link speed prediction model (S400) may be repeated, but the first machine learning step (S310) and the second machine learning step (S410). ) Does not necessarily have to be repeated together.

본 발명의 실시예들에 따르면, 교통 속도 추정 방법 및 시스템은 최적 결과 도출 시간을 획기적으로 줄일 수 있으며 보다 정확한 교통 속도를 추정할 수 있다.According to embodiments of the present invention, the traffic speed estimating method and system can significantly reduce the optimal result derivation time and can estimate a more accurate traffic speed.

이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although described above with reference to the embodiments, those skilled in the art can variously modify and change the present invention without departing from the spirit and scope of the invention described in the claims below. I can understand that.

100: 모델 생성부
200: 유전자 변환부
300: 적합도 평가부
400: 모델 최적화부100: model generation unit
200: gene conversion unit
300: fitness evaluation unit
400: model optimization unit

Claims (20)

초매개변수를 포함하는 순환형 신경망을 이용하여 링크의 속도를 예측하는 링크 속도 예측 모델을 생성하는 모델 생성부;
상기 초매개변수를 유전자로 변환하고, 이로부터 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키는 유전자 변환부;
각각의 상기 유전자에 대해 적합도 함수를 평가하는 적합도 평가부;
상기 평가에 따라서 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하는 모델 최적화부를 포함하고,
상기 유전자는 상기 초매개변수를 1과 0으로 이루어진 값으로 표현되고,
상기 초매개변수는 활성화 함수의 종류, 최적화 방식의 종류, 사용 데이터의 타임스텝(Timestep), 배치 사이즈, 초기화 주기, 순환형 레이어의 층수, 순환형 레이어의 종류, 일반 신경망의 층 수, 상수항 사용 여부 및 학습률을 포함하고,
상기 초기화 주기는 배치 크기와 곱하였을 때 주기성이 있는 시간이 산출되는 순서쌍에 의해 결정되고,
상기 유전자 변환부는 각각의 상기 초매개변수에 대하여 변환된 유전자와 유전자 섹터의 값을 대응시켜 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키고,
상기 하나의 개체는 복수개의 상기 초매개변수를 가지는 교통 속도 추정 시스템.
A model generator for generating a link speed prediction model for predicting a link speed by using a recursive neural network including hyperparameters;
A gene conversion unit converting the hyperparameter into a gene, and matching one entity and one link speed prediction model therefrom;
A fitness evaluation unit for evaluating a fitness function for each of the genes;
A model optimizer configured to derive an optimal gene and an optimal link speed prediction model using a genetic algorithm according to the evaluation,
The gene is expressed as a value consisting of 1 and 0 of the hyperparameter,
The hyperparameters may include types of activation functions, types of optimization methods, timesteps of usage data, batch sizes, initialization cycles, layers of circular layers, types of circular layers, layers of general neural networks, and use of constant terms. Including whether and learning rates,
The initialization period is determined by the ordered pair in which the periodicity time is calculated when multiplied by the batch size,
The gene conversion unit corresponds to one individual and one link speed prediction model by matching the transformed gene and the value of the gene sector for each of the hyperparameters,
And said one entity has a plurality of said hyperparameters.
제1항에 있어서, 상기 적합도 평가를 수행하는 모델에 복수개의 데이터를 가공하여 기계학습시키는 제1 학습부를 더 포함하는 교통 속도 추정 시스템.
The traffic speed estimation system of claim 1, further comprising a first learning unit configured to machine-learn a plurality of data in the model for performing the fitness evaluation.
제1항에 있어서, 상기 최적의 링크 속도 예측 모델에 복수개의 데이터를 가공하여 기계학습시키는 제2 학습부를 더 포함하는 교통 속도 추정 시스템.
The traffic speed estimation system of claim 1, further comprising a second learning unit configured to machine-learn a plurality of data in the optimal link speed prediction model.
삭제delete 제1항에 있어서, 상기 적합도 함수는 계산 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)를 포함하는 교통 속도 추정 시스템.
The system of claim 1, wherein the goodness-of-fit function comprises a calculation time, root mean square error (RMSE), or mean absolute error (MAE).
삭제delete 삭제delete 삭제delete 제1항에 있어서, 상기 링크 속도 예측 모델의 링크 속도는 교통 정보에서의 링크 속도인 것을 특징으로 하는 교통 속도 추정 시스템.
The traffic speed estimation system according to claim 1, wherein the link speed of the link speed prediction model is a link speed in traffic information.
제1항에 있어서, 상기 적합도 평가부에서 상기 적합도 함수를 평가하는 것과 상기 모델 최적화부에서 상기 최적의 링크 속도 예측 모델을 도출하는 것은 순차적으로 특정 횟수동안 반복 수행되며 상기 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하고,
적합도 평가를 수행하는 모델 및 링크 속도 예측 모델은 복수개인 교통 속도 추정 시스템.
The method of claim 1, wherein the evaluation of the fitness function by the fitness evaluation unit and the derivation of the optimal link speed prediction model by the model optimizer are sequentially performed a predetermined number of times, and the optimal gene and the optimal link are performed. Derive a velocity prediction model,
A traffic speed estimation system having a plurality of models and a link speed prediction model for performing the fitness evaluation.
모델 생성부가 초매개변수를 포함하는 순환형 신경망을 이용하여 링크의 속도를 예측하는 링크 속도 예측 모델을 생성하는 단계;
유전자 변환부가 상기 초매개변수를 유전자로 변환하고, 이로부터 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키는 단계;
적합도 평가부가 각각의 상기 유전자에 대해 적합도 함수를 평가하는 단계; 및
모델 최적화부가 상기 평가에 따라서 유전 알고리즘을 이용하여 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하는 단계를 포함하고,
상기 유전자는 상기 초매개변수를 1과 0으로 이루어진 값으로 표현되고,
상기 초매개변수는 활성화 함수의 종류, 최적화 방식의 종류, 사용 데이터의 타임스텝(Timestep), 배치 사이즈, 초기화 주기, 순환형 레이어의 층수, 순환형 레이어의 종류, 일반 신경망의 층 수, 상수항 사용 여부 및 학습률을 포함하고,
상기 초기화 주기는 배치 크기와 곱하였을 때 주기성이 있는 시간이 산출되는 순서쌍에 의해 결정되고,
상기 링크 속도 예측 모델을 대응시키는 단계에서는 각각의 상기 초매개변수에 대하여 변환된 유전자와 유전자 섹터의 값을 대응시켜 하나의 개체와 하나의 상기 링크 속도 예측 모델을 대응시키고,
상기 하나의 개체는 복수개의 상기 초매개변수를 가지는 교통 속도 추정 방법.
Generating, by a model generator, a link speed prediction model for predicting a speed of a link using a cyclic neural network including hyperparameters;
A gene conversion unit converting the hyperparameter into a gene, and mapping one object and one link speed prediction model therefrom;
A fitness evaluation unit evaluating a fitness function for each of said genes; And
A model optimizer deriving an optimal gene and an optimal link speed prediction model using a genetic algorithm according to the evaluation,
The gene is expressed as a value consisting of 1 and 0 of the hyperparameter,
The hyperparameters may include types of activation functions, types of optimization methods, timesteps of usage data, batch sizes, initialization cycles, layers of circular layers, types of circular layers, layers of general neural networks, and use of constant terms. Including whether and learning rates,
The initialization period is determined by the ordered pair in which the periodicity time is calculated when multiplied by the batch size,
In the step of matching the link speed prediction model, one individual and one link speed prediction model are mapped by matching the transformed gene and the value of a gene sector for each of the hyperparameters.
And said one entity has a plurality of said hyperparameters.
제11항에 있어서, 제1 학습부가 상기 적합도 평가를 수행하는 모델에 복수개의 데이터를 가공하여 기계학습시키는 제1 기계학습 단계를 더 포함하는 교통 속도 추정 방법.
12. The method of claim 11, further comprising a first machine learning step of processing a plurality of pieces of data into a model by which the first learner performs the fitness evaluation.
제11항에 있어서, 제2 학습부가 상기 최적의 링크 속도 예측 모델에 복수개의 데이터를 가공하여 기계학습시키는 제2 기계학습 단계를 더 포함하는 교통 속도 추정 방법.
12. The method of claim 11, further comprising a second machine learning step of the second learning unit to machine-learn a plurality of data in the optimal link speed prediction model.
삭제delete 제11항에 있어서, 상기 적합도 함수는 계산 시간, 평균 제곱근 오차(RMSE: Root Mean Square Error) 또는 평균 절대 오차(MAE: Mean Absolute Error)를 포함하는 교통 속도 추정 방법.
12. The method of claim 11, wherein the goodness-of-fit function comprises a calculation time, root mean square error (RMSE) or mean absolute error (MAE).
삭제delete 삭제delete 삭제delete 제11항에 있어서, 상기 링크 속도 예측 모델의 링크 속도는 교통 정보에서의 링크 속도인 것을 특징으로 하는 교통 속도 추정 방법.
12. The method of claim 11, wherein the link speed of the link speed prediction model is a link speed in the traffic information.
제11항에 있어서, 상기 적합도 함수를 평가하는 단계 및 상기 최적의 링크 속도 예측 모델을 도출하는 단계는 반복 수행되며 상기 최적의 유전자 및 최적의 링크 속도 예측 모델을 도출하고,
적합도 평가를 수행하는 모델 및 링크 속도 예측 모델은 복수개인 교통 속도 추정 방법.The method of claim 11, wherein evaluating the fitness function and deriving the optimal link speed prediction model are performed repeatedly to derive the optimal gene and the optimal link speed prediction model,
A traffic speed estimation method comprising a plurality of models and a link speed prediction model for performing the fitness evaluation.
KR1020190071612A 2019-06-17 2019-06-17 Traffic speed estimation method and system KR102059902B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190071612A KR102059902B1 (en) 2019-06-17 2019-06-17 Traffic speed estimation method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190071612A KR102059902B1 (en) 2019-06-17 2019-06-17 Traffic speed estimation method and system

Publications (1)

Publication Number Publication Date
KR102059902B1 true KR102059902B1 (en) 2020-02-20

Family

ID=69647580

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190071612A KR102059902B1 (en) 2019-06-17 2019-06-17 Traffic speed estimation method and system

Country Status (1)

Country Link
KR (1) KR102059902B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111831701A (en) * 2020-07-06 2020-10-27 湖南赛吉智慧城市建设管理有限公司 Operable ITS system construction method and device, computer equipment and storage medium
KR102189262B1 (en) * 2020-04-29 2020-12-11 주식회사 글로벌브릿지 Apparatus and method for collecting traffic information using edge computing

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05159195A (en) * 1991-12-09 1993-06-25 Matsushita Electric Ind Co Ltd Device for estimating traveling time
KR20020017535A (en) * 2000-08-30 2002-03-07 박종헌 A method estimating the section-velocity for the advance direction
KR20040060625A (en) * 2002-12-30 2004-07-06 에스케이 주식회사 Apparatus for collecting and providing raw data in traffic information providing apparatus
KR20060092909A (en) 2004-11-16 2006-08-23 마이크로소프트 코포레이션 Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
JP2010009510A (en) * 2008-06-30 2010-01-14 Univ Waseda Local traffic volume prediction program generation device and method, local traffic volume prediction device, and local traffic volume prediction method, and program

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05159195A (en) * 1991-12-09 1993-06-25 Matsushita Electric Ind Co Ltd Device for estimating traveling time
KR20020017535A (en) * 2000-08-30 2002-03-07 박종헌 A method estimating the section-velocity for the advance direction
KR20040060625A (en) * 2002-12-30 2004-07-06 에스케이 주식회사 Apparatus for collecting and providing raw data in traffic information providing apparatus
KR20060092909A (en) 2004-11-16 2006-08-23 마이크로소프트 코포레이션 Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
JP2010009510A (en) * 2008-06-30 2010-01-14 Univ Waseda Local traffic volume prediction program generation device and method, local traffic volume prediction device, and local traffic volume prediction method, and program

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102189262B1 (en) * 2020-04-29 2020-12-11 주식회사 글로벌브릿지 Apparatus and method for collecting traffic information using edge computing
CN111831701A (en) * 2020-07-06 2020-10-27 湖南赛吉智慧城市建设管理有限公司 Operable ITS system construction method and device, computer equipment and storage medium

Similar Documents

Publication Publication Date Title
KR101899101B1 (en) Apparatus and Method for Generating Prediction Model based on Artificial Neural Networks
Shukla Neuro-genetic prediction of software development effort
US20150106314A1 (en) Method and apparatus for constructing a dynamic adaptive neural network array (danna)
Soto et al. Time series prediction using ensembles of ANFIS models with genetic optimization of interval type-2 and type-1 fuzzy integrators
CN111079931A (en) State space probabilistic multi-time-series prediction method based on graph neural network
Hassanzadeh et al. Two new meta-heuristics for a bi-objective supply chain scheduling problem in flow-shop environment
KR102059902B1 (en) Traffic speed estimation method and system
Pelikan et al. Sporadic model building for efficiency enhancement of hierarchical BOA
Ghanem et al. Using hybrid artificial bee colony algorithm and particle swarm optimization for training feed-forward neural networks.
Jaddi et al. Taguchi-based parameter designing of genetic algorithm for artificial neural network training
Benala et al. Genetic algorithm for optimizing functional link artificial neural network based software cost estimation
Singh et al. Time series forecasting using back propagation neural network with ADE algorithm
KR20210039921A (en) Operation method of deep neural network system configured to optimize neural network model
Ordóñez et al. Genetic Approach for Optimizing Ensembles of Classifiers.
Ortega-Zamorano et al. FPGA implementation of neurocomputational models: comparison between standard back-propagation and C-Mantec constructive algorithm
CN117131979A (en) Traffic flow speed prediction method and system based on directed hypergraph and attention mechanism
Zahoor et al. Evolutionary computation technique for solving Riccati differential equation of arbitrary order
Dash DECPNN: A hybrid stock predictor model using Differential Evolution and Chebyshev Polynomial neural network
WO2017037859A1 (en) Information processing device and method
Elomda et al. Fuzzy cognitive map with linguistic values
Al-Laham et al. Parameter identification of a multilayer perceptron neural network using an optimized salp swarm algorithm
Benaddy et al. Evolutionary prediction for cumulative failure modeling: A comparative study
CN105512754A (en) Conjugate prior-based single-mode distribution estimation optimization method
Singh et al. Using Deep Learning for Forecasting Tuberculosis Morbidity Rate
Lecarpentier et al. LUCIE: an evaluation and selection method for stochastic problems