KR102070120B1 - 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 - Google Patents

공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 Download PDF

Info

Publication number
KR102070120B1
KR102070120B1 KR1020190053724A KR20190053724A KR102070120B1 KR 102070120 B1 KR102070120 B1 KR 102070120B1 KR 1020190053724 A KR1020190053724 A KR 1020190053724A KR 20190053724 A KR20190053724 A KR 20190053724A KR 102070120 B1 KR102070120 B1 KR 102070120B1
Authority
KR
South Korea
Prior art keywords
alternative
path
road
route
bicycle
Prior art date
Application number
KR1020190053724A
Other languages
English (en)
Inventor
카푸쿠 크리스챤
조신형
고승영
김동규
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 KR1020190053724A priority Critical patent/KR102070120B1/ko
Application granted granted Critical
Publication of KR102070120B1 publication Critical patent/KR102070120B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06Q50/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Navigation (AREA)

Abstract

공공자전거 경로선택행태 모형 생성 시스템은 교통수단의 GPS 궤적 데이터를 저장하는 데이터베이스부, 도로 지도 데이터로부터 도로 네트워크 맵을 생성하는 데이터 처리부, 상기 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 맵 매칭부, k-라벨링 방식을 이용하여 대체경로를 생성하는 대체경로 생성부, 기계학습을 이용하여 각 OD(기종점: Origin and Destination)에 대한 대안 경로집합을 찾는 경로집합부 및 상기 경로집합 및 효용으로부터 경로선택모형을 생성하는 모형 생성부를 포함한다.

Description

공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템{Modeling Method of Route Choice Behaviors for Public Bike-sharing Systems and its Program Implementation and Performance System}
공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템에 관한 것으로, 보다 상세하게는 교통수단의 GPS 정보를 이용하여 경로 선택 행태를 모형화하는 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템에 관한 것이다.
교통수단이란 사람이 이동할 수 있는 이동 수단을 말하며, 개인이 교통수단을 관리하는 개인교통과 공공기관이나 정부의 관리를 받는 기업이 운영하는 공공교통수단이 있다. 최근에는 친환경적이며 건강을 선호한다는 두 가지 이점으로 자전거가 선호되는 교통수단으로 대두되고 있으며, 교통 혼잡이 급속히 증가함에 따라 많은 도시에서 자동차로 인한 도시 문제를 해결하기 위한 대안적이고 지속가능한 수단으로 자리매김하고 있다. 이러한 흐름에 발맞추어 전 세계의 정부와 도시에서는 다양한 자전거 관련 정책과 활성화 전략을 구상하고 있으나, 공공 자전거 시스템의 도입, 자전거 관련 시설의 건설 및 확장 등의 노력에도 불구하고 자전거의 교통수단 점유율은 여전히 가장 낮은 수준이다. 따라서 앞서 언급한 자전거의 모든 장점을 최대한 활용하려면 기존 교통수단에서 자전거로 전환하는 데에 더 많은 노력이 필요하며, 이러한 변화를 장려하기 위해 자전거 시스템과 인프라는 대부분의 이용자에게 더욱 매력적이고 안전하며 유용할 수 있도록 정책과 전략의 구축에 대한 필요성이 증대되고 있고, 정책과 전략의 수립을 위한 자전거 통행 특성 분석의 필요성 역시 증대되고 있다.
한국공개특허공보 제10-2017-0062770호(2017.06.08)
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 교통수단의 GPS 정보를 이용하여 경로 선택 행태를 모형화하는 공공자전거 경로선택행태 모형화 방법을 제공하는 것이다.
또한 본 발명의 다른 목적은 교통수단의 GPS 정보를 이용하여 공공자전거 경로선택행태 모형화 시스템을 제공하는 것이다.
또한 본 발명의 다른 목적은 교통수단의 GPS 정보를 이용하여 공공자전거 경로선택행태 모형화 방법을 구현하는 컴퓨터 프로그램을 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 경로선택모형 생성 시스템은 교통수단의 GPS 궤적 데이터를 저장하는 데이터베이스부, 도로 지도 데이터로부터 도로 네트워크 맵을 생성하는 데이터 처리부, 상기 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 맵 매칭부, k-라벨링 방식을 이용하여 대체경로를 생성하는 대체경로 생성부, 각 OD(기종점: Origin and Destination)에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD에 대한 대안 경로집합을 찾는 경로집합부 및 상기 경로집합 및 효용으로부터 경로선택모형을 생성하는 모형 생성부를 포함한다.
본 발명의 일 실시예에 있어서, 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 맵 매칭부는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시킬 수 있다.
본 발명의 일 실시예에 있어서, 상기 기계학습은 K-means 클러스터링 알고리즘이고, 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정될 수 있다.
본 발명의 일 실시예에 있어서, 상기 교통수단은 자전거이고, 상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 효용은 효용함수를 포함하고,
상기 효용함수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947543-pat00001
여기서,
Figure 112019046947543-pat00002
는 효용이고,
Figure 112019046947543-pat00003
는 경로와 이용자의 특성을 표현하는 변수와 모수임.
본 발명의 일 실시예에 있어서, 상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 경로선택모형은 다음의 수학식으로 정의될 수 있다.
Figure 112019046947543-pat00004
여기서,
Figure 112019046947543-pat00005
은 선택집합, i는 선택대안, j는 선택집합 중에서 선택되지 않은 대안,
Figure 112019046947543-pat00006
은 대안 i의 효용함수,
Figure 112019046947543-pat00007
은 대안 j의 효용함수,
Figure 112019046947543-pat00008
및
Figure 112019046947543-pat00009
은 대안간 상관성 보정계수임.
본 발명의 일 실시예에 있어서, 상기 대안간 상관성 보정계수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947543-pat00010
여기서 PS는 대안간 상관성 보정계수,
Figure 112019046947543-pat00011
는 경로 대안 i에 포함되어있는 링크,
Figure 112019046947543-pat00012
는 링크 a의 길이,
Figure 112019046947543-pat00013
는 경로대안 i의 길이,
Figure 112019046947543-pat00014
는 경로대안 j의 링크a 포함여부,
Figure 112019046947543-pat00015
은 대안 경로집합 안에서의 보정계수임.
본 발명의 일 실시예에 있어서, 상기 경로선택모형 생성 시스템은 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출하는 특성 도출부를 더 포함할 수 있다.
상기한 본 발명의 목적을 실현하기 위한 경로선택모형 생성방법은 데이터 처리부가 도로 지도 데이터로부터 도로 네트워크 맵을 생성하는 단계, 맵 매칭부가 데이터베이스부의 교통수단의 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 단계, 대체경로 생성부가 k-라벨링 방식을 이용하여 대체경로를 생성하는 단계, 경로집합부가 각 OD(기종점: Origin and Destination)에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD에 대한 대안 경로집합을 찾는 단계 및 모형 생성부가 상기 경로집합 및 효용으로부터 경로선택모형을 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 도로 네트워크 맵에 매칭시키는 단계에서는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시킬 수 있다.
본 발명의 일 실시예에 있어서, 상기 기계학습은 K-means 클러스터링 알고리즘이고, 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정될 수 있다.
본 발명의 일 실시예에 있어서, 상기 교통수단은 자전거이고, 상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 효용은 효용함수를 포함하고, 상기 경로선택모형을 생성하는 단계는 상기 효용함수를 생성하는 효용함수 생성 단계 및 상기 효용함수로부터 상기 경로선택모형을 추정하는 경로선택모형 추정단계를 포함하고, 상기 효용함수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947543-pat00016
여기서,
Figure 112019046947543-pat00017
는 효용이고,
Figure 112019046947543-pat00018
는 경로와 이용자의 특성을 표현하는 변수와 모수임.
본 발명의 일 실시예에 있어서, 상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 경로선택모형은 다음의 수학식으로 정의될 수 있다.
Figure 112019046947543-pat00019
여기서,
Figure 112019046947543-pat00020
은 선택집합, i는 선택대안, j는 선택집합 중에서 선택되지 않은 대안,
Figure 112019046947543-pat00021
은 대안 i의 효용함수,
Figure 112019046947543-pat00022
은 대안 j의 효용함수,
Figure 112019046947543-pat00023
및
Figure 112019046947543-pat00024
은 대안간 상관성 보정계수임.
본 발명의 일 실시예에 있어서, 상기 대안간 상관성 보정계수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947543-pat00025
여기서 PS는 대안간 상관성 보정계수,
Figure 112019046947543-pat00026
는 경로 대안 i에 포함되어있는 링크,
Figure 112019046947543-pat00027
는 링크 a의 길이,
Figure 112019046947543-pat00028
는 경로대안 i의 길이,
Figure 112019046947543-pat00029
는 경로대안 j의 링크a 포함여부,
Figure 112019046947543-pat00030
은 대안 경로집합 안에서의 보정계수임.
본 발명의 일 실시예에 있어서, 상기 경로선택모형 생성방법은 특성 도출부가 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출하는 단계를 더 포함할 수 있다.
상기한 본 발명의 목적을 실현하기 위한 컴퓨터가 판독가능한 기록매체에 저장된 컴퓨터 프로그램은 상기 경로선택모형 생성방법의 각 단계가 정보처리장치의 프로세서에 의해 수행된다.
본 발명의 실시예들에 따르면, 교통수단 경로선택모형 생성방법, 교통수단 경로선택모형 생성방법을 구현하는 컴퓨터 프로그램 및 교통수단 경로선택모형 생성 시스템은 교통수단의 GPS 데이터 및 도로 네트워크 맵으로부터 대체경로 및 경로집합을 생성하고, 최적의 대안을 결정하기 위해 경로 선택 행태를 모델링 하며, 이를 위해 기계학습 방법을 이용한다. 따라서, 기계학습 기법을 사용하여 생성된 경로에서 최적의 상호 배타적인 대안을 선택하여 대안 경로집합을 구성하므로 상호 배타적인 최적 대안을 찾을 수 있고, 관측된 행동 기반의 경로 선택 문제에 대한 실용적이고 현실적인 분석을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템을 나타내는 구성도이다.
도 3은 본 발명의 일 실시예에 따른 경로선택모형 생성방법을 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 경로선택모형 생성방법의 경로선택모형을 생성하는 단계를 나타내는 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 경로선택모형 생성방법을 나타내는 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템 및 방법의 구현예를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템 및 방법의 도로 네트워크 맵에 매칭시키는 구현예를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템 및 방법의 대안 경로집합을 선택하는 구현예를 나타내는 도면이다.
도 9는 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템 및 방법의 대안 경로집합을 선택하는 구현예를 나타내는 도면이다.
도 10은 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템 및 방법의 통행경로 선택특성을 도출하는 구현예를 나타내는 도면이다.
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.
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.
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.
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.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템을 나타내는 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템은 데이터베이스부(100), 데이터 처리부(200), 맵 매칭부(300), 대체경로 생성부(400), 경로 집합부(500) 및 모형 생성부(600)를 포함한다.
상기 데이터베이스부(100)는 자전거의 GPS 궤적 데이터를 저장할 수 있다. 상기 GPS 궤적 데이터는 잠재적인 오류 및 여가 통행에 대한 기록을 제거하는 전처리가 수행된 데이터일 수 있다. 상기 전처리는 상기 데이터 처리부(200)에서 수행될 수 있다. 예를 들면, 상기 GPS 궤적 데이터는 서울 공공 자전거 공유 시스템 "따릉이"에서 수집된 데이터 일 수 있다. 상기 GPS 궤적 데이터는 단방향 통행을 포함할 수 있다. 상기 데이터베이스부(100)는 저장장치일 수 있다. 예를 들면, 저장용 서버 또는 대용량 메모리일 수 있다.
상기 데이터 처리부(200)는 도로 지도 데이터로부터 도로 네트워크 맵을 생성할 수 있다. 상기 도로 지도 데이터는 지리 정보 시스템(GIS) 또는 공공 정보 시스템으로부터 제공된 데이터일 수 있다. 예를 들면, 상기 도로 지도 데이터는 서울시가 제공하는 서울의 자전거 네트워크를 보완한 개방형 도로 지도 데이터일 수 있다.
상기 도로 네트워크 맵은 각 자전거 도로에 대한 속성을 포함할 수 있다. 상기 도로 네트워크 맵은 대체 경로를 생성하고 GPS 데이터를 일치시키는데 사용할 수 있는 필수 속성을 포함할 수 있다. 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함할 수 있다. 상기 데이터 처리부(200)는 상기 도로 네트워크 맵을 지리 정보 시스템(GIS)과 호환할 수 있는 형식으로 변환할 수 있다.
상기 맵 매칭부(300)는 상기 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시킬 수 있다. 상기 맵 매칭부(300)는 상기 GPS 궤적 데이터에 기록된 GPS 지점을 상기 도로 네트워크 맵에 일치시킬 수 있다. 상기 맵 매칭부(300)는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시킬 수 있다. 상기 OSM은 C++언어로 작성될 수 있다. 상기 OSM은 수축계층구조(Contraction Hierarchy) 기반 접근 방식을 이용하여 제한된 성능을 향상시킬 수 있다. 상기 수축계층구조란 최단 경로 라우팅을 먼저 생성하는 계층 가속화 방식일 수 있다. 따라서, 대규모 네트워크에서 효율적인 처리를 할 수 있다. 예를 들면, 도 7과 같이, 상기 맵 매칭부(300)는 상기 도로 네트워크 맵에 공공 자전거의 GPS 궤적을 일치시킬 수 있다. 상기 OSM은 공개된 기술이므로 자세한 설명은 생략한다.
상기 대체경로 생성부(400)는 k-라벨링 방식을 이용하여 대체경로를 생성할 수 있다. k-라벨링 방식은 각 추정된 경로별로 서로 다른 특성을 라벨로써 설명하여 각 경로를 구분하고, 각 경로의 두드러진 특성을 라벨로 명명하고 그에 따라 각기 다른 대안 경로를 생성할 수 있다. 상기 k-라벨링의 라벨은 각 대안이 가지는 대체 특정 변수의 수와 일치할 수 있다. 대체 특정 변수는 각 경로를 구분하기 위하여 사용하는 변수로써 경로대안의 수에 따라 변수가 많아지기 때문에 모수를 추정하는 데에 어려워진다. 따라서 k-라벨링 방식은 모형 추정의 효율성을 증대시키기 위한 방법이 될 수 있다. 상기 k-라벨링 방식은 반복하여 수행될 수 있다.
상기 경로 집합부(500)는 각 OD(기종점: Origin and Destination)에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD(기종점: Origin and Destination)에 대한 대안 경로집합을 찾을 수 있다. 상기 기계학습은 K-means 클러스터링 알고리즘일 수 있다. 상기 K-means 클러스터링은 설명이 가능한 변수의 유사성을 기반으로 데이터를 클러스터링(그룹화)하는 자율학습 알고리즘(unsupervised learning algorithm)일 수 있다. 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정될 수 있다. Elbow방법이란 상기 K-means 클러스터링에서 계산한 클러스터의 오차제곱합(SSE)이 급격히 변화하는 부분(그래프 상으로 팔꿈치(elbow)부분)의 클러스터 수를 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수로 결정하는 방법일 수 있다.
상기 경로 집합부(500)는 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수를 이용하여 이전 단계의 클러스터링 수에 따라 클러스터로 대안을 그룹화하여 특성을 정의할 수 있다. 예를 들면, 도 9와 같이 클러스터링 수에 따라 클러스터 그룹이 형성되면, 각 클러스터 그룹에 대한 중심에 가장 가까운 점(이 점은 클러스터 그룹의 대표적인 대안)이 경로 선택집합을 구성하는 대안으로 선택될 수 있다.
상기 대안 경로집합은 상기 각 클러스터 그룹의 대표적인 대안의 집합일 수 있다. 예를 들면, 도 8과 같이 OD를 선택하고, 클러스터 그룹의 수를 Elbow 방법을 이용하여 결정한 후, 이에 따라서 클러스터를 생성하고, 클러스터 당 최적의 대안을 선택하여 상기 클러스터 그룹의 수와 동일한 성분개수를 갖는 대안 경로집합을 생성할 수 있다.
상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함할 수 있다. 예를 들면, 상기 K-means 클러스터 알고리즘을 이용하여 찾은 대안 경로집합의 수는 5개이고, 상기 5개의 대안 경로집합은 자전거 횡단 길이의 특성을 포함하는 제1 대안 경로집합, 주 주거지의 도로 유형의 특성을 포함하는 제2 대안 경로집합, 보조 주거지의 도로 유형의 특성을 포함하는 제3 대안 경로집합, 도로의 고도(경사)의 특성을 포함하는 제4 대안 경로집합 및 경로 특성을 포함하는 제5 대안 경로집합일 수 있다.
상기 모형 생성부(600)는 상기 경로집합 및 효용으로부터 경로선택모형을 생성할 수 있다. 상기 경로선택모형은 경로 및 사용자의 특성에 대한 효용의 차이로부터 생성될 수 있다.
상기 효용은 상기 효용은 효용함수를 포함할 수 있다. 상기 효용함수는 다음의 수학식 1로 정의될 수 있다.
수학식 1
Figure 112019046947543-pat00031
여기서,
Figure 112019046947543-pat00032
는 효용이고,
Figure 112019046947543-pat00033
는 경로와 이용자의 특성을 표현하는 변수와 모수임.
상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함할 수 있다. 예를 들면, 상기 효용함수는 다음의 수학식 2로 정의될 수 있다.
수학식 2
Figure 112019046947543-pat00034
여기서,
Figure 112019046947543-pat00035
는 효용이고,
Figure 112019046947543-pat00036
는 도로의 자전거 이용가능 차선수의 특성을 표현하는 변수와 모수이고,
Figure 112019046947543-pat00037
는 도로의 길이의 특성을 표현하는 변수와 모수이고,
Figure 112019046947543-pat00038
는 도로의 경사의 특성을 표현하는 변수와 모수이고,
Figure 112019046947543-pat00039
는 선택에 따른 오차항임.
상기 경로선택모형은 주어진 대안에서 교통수단(자전거) 이용자의 선호도를 측정하기 위한 이산선택이론 기반의 모형일 수 있다. 상기 이산선택이론은 다항로짓모형(MLM: Multinomial Logit Model)일 수 있다. 상기 경로선택모형은 대안경로 간의 중복으로 인한 오차 분포의 상관관계를 설명하기 위한 보정계수를 포함할 수 있다. 상기 보정계수를 포함한 상기 경로선택모형은 Path Size logit Model(PSLM 또는 PSL)이 이용될 수 있다.
상기 경로선택모형은 다음의 수학식 3으로 정의될 수 있다.
수학식 3
Figure 112019046947543-pat00040
여기서,
Figure 112019046947543-pat00041
은 선택집합, i는 선택대안, j는 선택집합 중에서 선택되지 않은 대안,
Figure 112019046947543-pat00042
은 대안 i의 효용함수,
Figure 112019046947543-pat00043
은 대안 j의 효용함수,
Figure 112019046947543-pat00044
및
Figure 112019046947543-pat00045
은 대안간 상관성 보정계수임.
상기 대안간 상관성 보정계수는 다음의 수학식 4로 정의될 수 있다.
수학식 4
Figure 112019046947543-pat00046
여기서 PS는 대안간 상관성 보정계수,
Figure 112019046947543-pat00047
는 경로 대안 i에 포함되어있는 링크,
Figure 112019046947543-pat00048
는 링크 a의 길이,
Figure 112019046947543-pat00049
는 경로대안 i의 길이,
Figure 112019046947543-pat00050
는 경로대안 j의 링크a 포함여부,
Figure 112019046947543-pat00051
은 대안 경로집합 안에서의 보정계수임.
도 2는 본 발명의 일 실시예에 따른 경로선택모형 생성 시스템을 나타내는 구성도이다.
본 실시예에 따른 경로선택모형 생성 시스템은 특성 도출부(700)를 제외하고는 도 1의 경로선택모형 생성 시스템과 실질적으로 동일하다. 따라서, 도 1의 경로선택모형 생성 시스템과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.
도 2를 참조하면, 상기 경로선택모형 생성 시스템은 특성 도출부(700)를 더 포함할 수 있다.
상기 특성 도출부(700)는 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출할 수 있다. 예를 들면, 도 10과 같이 상기 대안 경로집합은 통행 거리(distance), 도로의 자전거 차선의 수(bike lane), 도로의 경사(elevation) 및 도로의 폭(Inpath-size)의 특성에 관한 대표 대안경로일 수 있으며, 상기 경로선택모형에 대입하여 계산된 상기 대표 대안경로의 모수값이 통행 거리 모수값 -0.54, 도로의 자전거 차선의 수 모수값 1.48, 도로의 경사 모수값 -0.05, 도로의 폭 모수값 -1.5인 경우, 통행 거리가 길수록 해당 경로를 선택하지 않는 특성, 자전거 전용도로를 선호하는 특성 및 경사가 있는 경로를 꺼려하는 선택 경향을 도출할 수 있다.
도 3은 본 발명의 일 실시예에 따른 경로선택모형 생성방법을 나타내는 흐름도이다. 도 4는 본 발명의 일 실시예에 따른 경로선택모형 생성방법의 경로선택모형을 생성하는 단계를 나타내는 흐름도이다.
본 실시예에 따른 경로선택모형 생성방법은 도 1 및 도 2의 경로선택모형 생성 시스템에서 수행되며, 카테고리만 상이할 뿐 각 시스템 구성요소가 수행하는 내용과 실질적으로 동일하다. 따라서, 도 1 및 도 2의 경로선택모형 생성 시스템과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.
도 3을 참조하면, 상기 경로선택모형 생성방법은 도로 네트워크 맵을 생성하는 단계(S100), 도로 네트워크 맵에 매칭시키는 단계(S200), 대체경로를 생성하는 단계(S300), 대안 경로집합을 찾는 단계(S400) 및 경로선택모형을 생성하는 단계(S500)을 포함한다.
상기 도로 네트워크 맵을 생성하는 단계(S100)에서는 상기 데이터 처리부(200)는 도로 지도 데이터로부터 도로 네트워크 맵을 생성할 수 있다. 상기 도로 지도 데이터는 지리 정보 시스템(GIS) 또는 공공 정보 시스템으로부터 제공된 데이터일 수 있다. 예를 들면, 상기 도로 지도 데이터는 서울시가 제공하는 서울의 자전거 네트워크를 보완한 개방형 도로 지도 데이터일 수 있다.
상기 도로 네트워크 맵은 각 자전거 도로에 대한 속성을 포함할 수 있다. 상기 도로 네트워크 맵은 대체 경로를 생성하고 GPS 데이터를 일치시키는데 사용할 수 있는 필수 속성을 포함할 수 있다. 상기 도로 네트워크 맵은 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함할 수 있다. 상기 데이터 처리부(200)는 상기 도로 네트워크 맵을 지리 정보 시스템(GIS)과 호환할 수 있는 형식으로 변환할 수 있다.
상기 도로 네트워크 맵을 생성하는 단계(S100)에서는 상기 데이터베이스부(100)는 자전거의 GPS 궤적 데이터를 저장하는 단계(미도시)를 포함할 수 있다. 상기 GPS 궤적 데이터는 잠재적인 오류 및 여가 통행에 대한 기록을 제거하는 전처리가 수행된 데이터일 수 있다. 상기 도로 네트워크 맵을 생성하는 단계(S100)는 상기 데이터 처리부(200)에서 상기 전처리를 수행하는 단계(미도시)를 포함할 수 있다. 예를 들면, 상기 GPS 궤적 데이터는 서울 공공 자전거 공유 시스템 "따릉이"에서 수집된 데이터 일 수 있다. 상기 GPS 궤적 데이터는 단방향 통행을 포함할 수 있다. 상기 데이터베이스부(100)는 저장장치일 수 있다. 예를 들면, 저장용 서버 또는 대용량 메모리일 수 있다.
상기 도로 네트워크 맵에 매칭시키는 단계(S200)에서는 상기 맵 매칭부(300)는 상기 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시킬 수 있다. 상기 맵 매칭부(300)는 상기 GPS 궤적 데이터에 기록된 GPS 지점을 상기 도로 네트워크 맵에 일치시킬 수 있다. 상기 대체경로를 생성하는 단계(S300)에서는 상기 맵 매칭부(300)는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시킬 수 있다. 상기 OSM은 C++언어로 작성될 수 있다. 상기 OSM은 수축계층구조(Contraction Hierarchy) 기반 접근 방식을 이용하여 제한된 성능을 향상시킬 수 있다. 상기 수축계층구조란 최단 경로 라우팅을 먼저 생성하는 계층 가속화 방식일 수 있다. 따라서, 대규모 네트워크에서 효율적인 처리를 할 수 있다. 예를 들면, 도 7과 같이, 상기 도로 네트워크 맵에 매칭시키는 단계(S200)에서는 상기 맵 매칭부(300)는 상기 도로 네트워크 맵에 공공 자전거의 GPS 궤적을 일치시킬 수 있다. 상기 OSM은 공개된 기술이므로 자세한 설명은 생략한다.
상기 대체경로를 생성하는 단계(S300)에서는 상기 대체경로 생성부(400)는 k-라벨링 방식을 이용하여 대체경로를 생성할 수 있다. k-라벨링 방식은 각 추정된 경로별로 서로 다른 특성을 라벨로써 설명하여 각 경로를 구분하는 방법이다. 각 경로의 두드러진 특성을 라벨로 명명하고 그에 따라 각기 다른 대안 경로를 생성할 수 있게 해준다. 상기 k-라벨링의 라벨은 각 대안이 가지는 대체 특정 변수의 수와 일치할 수 있다. 대체 특정 변수는 각 경로를 구분하기 위하여 사용하는 변수로써 경로대안의 수에 따라 변수가 많아지기 때문에 모수를 추정하는 데에 어려워진다. 따라서 k-라벨링 방식은 모형 추정의 효율성을 증대시키기 위한 방법이 될 수 있다. 상기 k-라벨링 방식은 반복하여 수행될 수 있다.
상기 대안 경로집합을 찾는 단계(S400)에서는 상기 경로 집합부(500)가 각 OD(기종점: Origin and Destination)에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD(기종점: Origin and Destination)에 대한 대안 경로집합을 찾을 수 있다. 상기 기계학습은 K-means 클러스터링 알고리즘일 수 있다. 상기 K-means 클러스터링은 설명이 가능한 변수의 유사성을 기반으로 데이터를 클러스터링(그룹화)하는 자율학습 알고리즘(unsupervised learning algorithm)일 수 있다. 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정될 수 있다. Elbow방법이란 상기 K-means 클러스터링에서 계산한 클러스터의 오차제곱합(SSE)이 급격히 변화하는 부분(그래프 상으로 팔꿈치(elbow)부분)의 클러스터 수를 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수로 결정하는 방법일 수 있다.
상기 대안 경로집합을 찾는 단계(S400)에서는 상기 경로 집합부(500)가 상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수를 이용하여 이전 단계의 클러스터링 수에 따라 클러스터로 대안을 그룹화하여 특성을 정의할 수 있다. 예를 들면, 도 9와 같이 클러스터링 수에 따라 클러스터 그룹이 형성되면, 각 클러스터 그룹에 대한 중심에 가장 가까운 점(이 점은 클러스터 그룹의 대표적인 대안)이 경로 선택집합을 구성하는 대안으로 선택될 수 있다.
상기 대안 경로집합은 상기 각 클러스터 그룹의 대표적인 대안의 집합일 수 있다. 예를 들면, 도 8과 같이 OD를 선택하고, 클러스터 그룹의 수를 Elbow 방법을 이용하여 결정한 후, 이에 따라서 클러스터를 생성하고, 클러스터 당 최적의 대안을 선택하여 상기 클러스터 그룹의 수와 동일한 성분개수를 갖는 대안 경로집합을 생성할 수 있다.
상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함할 수 있다. 예를 들면, 상기 K-means 클러스터 알고리즘을 이용하여 찾은 대안 경로집합의 수는 5개이고, 상기 5개의 대안 경로집합은 자전거 횡단 길이의 특성을 포함하는 제1 대안 경로집합, 주 주거지의 도로 유형의 특성을 포함하는 제2 대안 경로집합, 보조 주거지의 도로 유형의 특성을 포함하는 제3 대안 경로집합, 도로의 고도(경사)의 특성을 포함하는 제4 대안 경로집합 및 경로 특성을 포함하는 제5 대안 경로집합일 수 있다.
상기 경로선택모형을 생성하는 단계(S500)에서는 상기 모형 생성부(600)는 상기 경로집합 및 효용으로부터 경로선택모형을 생성할 수 있다. 상기 경로선택모형은 경로 및 사용자의 특성에 대한 효용의 차이로부터 생성될 수 있다.
상기 경로선택모형을 생성하는 단계(S500)에서는 효용함수 생성 단계(S510) 및 경로선택모형을 추정하는 단계(S520)를 포함할 수 있다.
상기 효용함수 생성 단계(S510)에서는 효용함수를 생성할 수 있다. 상기 효용은 상기 효용은 상기 효용함수를 포함할 수 있다. 상기 효용함수는 상기 수학식 1로 정의될 수 있다.
상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함할 수 있다. 예를 들면, 상기 효용함수는 상기 수학식 2로 정의될 수 있다.
상기 경로선택모형을 추정하는 단계(S520)에서는 상기 경로선택모형을 추정하여 생성할 수 있다. 상기 경로선택모형은 주어진 대안에서 교통수단(자전거) 이용자의 선호도를 측정하기 위한 이산선택이론 기반의 모형일 수 있다. 상기 이산선택이론은 다항로짓모형(MLM: Multinomial Logit Model)일 수 있다. 상기 경로선택모형은 대안경로 간의 중복으로 인한 오차 분포의 상관관계를 설명하기 위한 보정계수를 포함할 수 있다. 상기 보정계수를 포함한 상기 경로선택모형은 Path Size logit Model(PSLM 또는 PSL)이 이용될 수 있다.
상기 경로선택모형은 상기 수학식 3으로 정의될 수 있다.
상기 대안간 상관성 보정계수는 상기 수학식 4로 정의될 수 있다.
도 5는 본 발명의 일 실시예에 따른 경로선택모형 생성방법을 나타내는 흐름도이다.
본 실시예에 따른 경로선택모형 생성방법은 통행경로 선택특성을 도출하는 단계(S600)을 제외하고는 도 3 및 도 4의 경로선택모형 생성방법과 실질적으로 동일하다. 따라서, 도 3 및 도 4의 경로선택모형 생성방법과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.
도 5를 참조하면, 상기 경로선택모형 생성방법은 통행경로 선택특성을 도출하는 단계(S600))를 더 포함할 수 있다.
상기 통행경로 선택특성을 도출하는 단계(S600)에서는 상기 특성 도출부(700)는 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출할 수 있다. 예를 들면, 도 10과 같이 상기 대안 경로집합은 통행 거리(distance), 도로의 자전거 차선의 수(bike lane), 도로의 경사(elevation) 및 도로의 폭(Inpath-size)의 특성에 관한 대표 대안경로일 수 있으며, 상기 경로선택모형에 대입하여 계산된 상기 대표 대안경로의 모수값이 통행 거리 모수값 -0.54, 도로의 자전거 차선의 수 모수값 1.48, 도로의 경사 모수값 -0.05, 도로의 폭 모수값 -1.5인 경우, 통행 거리가 길수록 해당 경로를 선택하지 않는 특성, 자전거 전용도로를 선호하는 특성 및 경사가 있는 경로를 꺼려하는 선택 경향을 도출할 수 있다.
본 실시예에 따른 정보처리장치의 프로세서에 의해 수행되는 컴퓨터가 판독가능한 기록매체에 저장된 컴퓨터 프로그램은 상기 경로선택모형 생성방법의 각 단계의 수행 주체가 정보처리장치의 프로세서인 점과 카테고리만 상이할 뿐 도 3 내지 도 5의 대중교통 통행경로 추정 방법과 실질적으로 동일하다. 따라서, 도 3 내지 도 5의 대중교통 통행경로 추정 방법과 동일한 단계는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하며, 각 단계의 수행주체인 정보처리장치의 프로세서만을 추가 기술한다.
상기 정보처리장치는 서버 컴퓨터, 데스크톱 컴퓨터(personal computer, PC), 태블릿 PC, 노트북 PC, 스마트폰, 휴대폰, 네비게이션 단말기, PDA(personal digital assistant) 등과 같은 임의의 전자장치의 하나 또는 그 이상의 조합일 수 있다. 상기 정보처리장치는 다양한 형태로 데이터를 처리할 수 있으며, 프로세서, 메인 메모리 및 보조저장장치를 포함할 수 있다.
상기 프로세서는 중앙처리장치(central processing unit, CPU), 그래픽 처리 장치(graphic processing unit, GPU) 등과 같은 고속의 프로세싱 장치를 포함할 수 있다. 상기 메인 메모리는 랜덤 액세스 메모리(RAM) 등과 같은 휘발성 메모리를 포함할 수 있다. 상기 보조저장장치는, 예컨대, 하드디스크 드라이브(hard disk drive, HDD), 솔리드 스테이트 드라이브(solid state drive, SSD)등과 같은 비휘발성 저장매체를 포함할 수 있다.
상기 정보처리장치의 프로세서는, 상기 메인 메모리 및/또는 보조저장장치에 기록되거나 적재된 컴퓨터 프로그램을 실행하도록 구성될 수 있다. 상기 컴퓨터 프로그램은 상기 정보처리장치의 내부 또는 외부에 설치된 비일시적인 컴퓨터 독출가능 매체에 저장된 것일 수 있다. 상기 컴퓨터 프로그램은 예를 들어, RAM에 적재되고, 실행 시, 프로세서에 의해 실행될 수 있다.
상기 컴퓨터 독출가능 매체는 읽기 전용 메모리(read only memory, ROM), 콤팩트 디스크(compact disc, CD), 디지털 다기능 디스크(digital versatile disc, DVD), HDD, SSD, 자기 디스크, 자기 테이프, 자기-광학 디스크 등과 같은 임의의 기록매체일 수 있다. 상기 컴퓨터 프로그램은 일련의 프로세스를 구현하기 위한 하나 이상의 서브루틴, 함수, 모듈, 기능블록 등을 포함할 수 있다.
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.
100: 데이터베이스부
200: 데이터 처리부
300: 맵 매칭부
400: 대체경로 생성부
500: 경로집합부
600: 모형 생성부

Claims (21)

  1. 교통수단의 GPS 궤적 데이터를 저장하는 데이터베이스부;
    도로 지도 데이터로부터 도로 네트워크 맵을 생성하는 데이터 처리부;
    상기 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 맵 매칭부;
    각 OD(기종점: Origin and Destination)별로 k-라벨링 방식을 이용하여 대체경로를 생성하는 대체경로 생성부;
    각 OD에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD(기종점: Origin and Destination)에 대한 대안 경로집합을 찾는 경로집합부; 및
    상기 경로집합 및 효용으로부터 경로선택모형을 생성하는 모형 생성부를 포함하는 공공자전거 경로선택행태 모형 생성 시스템.
  2. 제1항에 있어서, 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함하는 공공자전거 경로선택행태 모형 생성 시스템.
  3. 제1항에 있어서, 상기 맵 매칭부는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 공공자전거 경로선택행태 모형 생성 시스템.
  4. 제1항에 있어서, 상기 기계학습은 K-means 클러스터링 알고리즘이고,
    상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정되는 공공자전거 경로선택행태 모형 생성 시스템.
  5. 제4항에 있어서, 상기 교통수단은 자전거이고,
    상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함하는 공공자전거 경로선택행태 모형 생성 시스템.
  6. 제1항에 있어서, 상기 효용은 효용함수를 포함하고,
    상기 효용함수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형 생성 시스템.
    Figure 112019046947543-pat00052

    여기서,
    Figure 112019046947543-pat00053
    는 효용이고,
    Figure 112019046947543-pat00054
    는 경로와 이용자의 특성을 표현하는 변수와 모수임.
  7. 제6항에 있어서, 상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함하는 공공자전거 경로선택행태 모형 생성 시스템.
  8. 제6항에 있어서, 상기 경로선택모형은 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형 생성 시스템.
    Figure 112019046947543-pat00055

    여기서,
    Figure 112019046947543-pat00056
    은 선택집합, i는 선택대안, j는 선택집합 중에서 선택되지 않은 대안,
    Figure 112019046947543-pat00057
    은 대안 i의 효용함수,
    Figure 112019046947543-pat00058
    은 대안 j의 효용함수,
    Figure 112019046947543-pat00059
    및
    Figure 112019046947543-pat00060
    은 대안간 상관성 보정계수임.
  9. 제8항에 있어서, 상기 대안간 상관성 보정계수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형 생성 시스템.
    Figure 112019046947543-pat00061

    여기서 PS는 대안간 상관성 보정계수,
    Figure 112019046947543-pat00062
    는 경로 대안 i에 포함되어있는 링크,
    Figure 112019046947543-pat00063
    는 링크 a의 길이,
    Figure 112019046947543-pat00064
    는 경로대안 i의 길이,
    Figure 112019046947543-pat00065
    는 경로대안 j의 링크a 포함여부,
    Figure 112019046947543-pat00066
    은 대안 경로집합 안에서의 보정계수임.
  10. 제1항에 있어서, 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출하는 특성 도출부를 더 포함하는 공공자전거 경로선택행태 모형 생성 시스템.
  11. 데이터 처리부가 도로 지도 데이터로부터 도로 네트워크 맵을 생성하는 단계;
    맵 매칭부가 데이터베이스부의 교통수단의 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 단계;
    대체경로 생성부가 각 OD(기종점: Origin and Destination)에 대해 k-라벨링 방식을 이용하여 대체경로를 생성하는 단계;
    경로집합부가 각 OD(기종점: Origin and Destination)에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD(기종점: Origin and Destination)에 대한 대안 경로집합을 찾는 단계; 및
    모형 생성부가 상기 경로집합 및 효용으로부터 경로선택모형을 생성하는 단계를 포함하는 공공자전거 경로선택행태 모형화 방법.
  12. 제11항에 있어서, 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함하는 공공자전거 경로선택행태 모형화 방법.
  13. 제11항에 있어서, 상기 도로 네트워크 맵에 매칭시키는 단계에서는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 공공자전거 경로선택행태 모형화 방법.
  14. 제11항에 있어서, 상기 기계학습은 K-means 클러스터링 알고리즘이고,
    상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정되는 공공자전거 경로선택행태 모형화 방법.
  15. 제14항에 있어서, 상기 교통수단은 자전거이고,
    상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함하는 공공자전거 경로선택행태 모형화 방법.
  16. 제11항에 있어서, 상기 효용은 효용함수를 포함하고,
    상기 경로선택모형을 생성하는 단계는,
    상기 효용함수를 생성하는 효용함수 생성 단계; 및
    상기 효용함수로부터 상기 경로선택모형을 추정하는 경로선택모형 추정단계를 포함하고,
    상기 효용함수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형화 방법.
    Figure 112019046947543-pat00067

    여기서,
    Figure 112019046947543-pat00068
    는 효용이고,
    Figure 112019046947543-pat00069
    는 경로와 이용자의 특성을 표현하는 변수와 모수임.
  17. 제16항에 있어서, 상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함하는 공공자전거 경로선택행태 모형화 방법.
  18. 제16항에 있어서, 상기 경로선택모형은 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형화 방법.
    Figure 112019046947543-pat00070

    여기서,
    Figure 112019046947543-pat00071
    은 선택집합, i는 선택대안, j는 선택집합 중에서 선택되지 않은 대안,
    Figure 112019046947543-pat00072
    은 대안 i의 효용함수,
    Figure 112019046947543-pat00073
    은 대안 j의 효용함수,
    Figure 112019046947543-pat00074
    및
    Figure 112019046947543-pat00075
    은 대안간 상관성 보정계수임.
  19. 제18항에 있어서, 상기 대안간 상관성 보정계수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형화 방법.
    Figure 112019046947543-pat00076

    여기서 PS는 대안간 상관성 보정계수,
    Figure 112019046947543-pat00077
    는 경로 대안 i에 포함되어있는 링크,
    Figure 112019046947543-pat00078
    는 링크 a의 길이,
    Figure 112019046947543-pat00079
    는 경로대안 i의 길이,
    Figure 112019046947543-pat00080
    는 경로대안 j의 링크a 포함여부,
    Figure 112019046947543-pat00081
    은 대안 경로집합 안에서의 보정계수임.
  20. 제11항에 있어서, 특성 도출부가 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출하는 단계를 더 포함하는 공공자전거 경로선택행태 모형화 방법.
  21. 제11항 내지 제20항 중 어느 한 항에 있어서, 상기 공공자전거 경로선택행태 모형화 방법의 각 단계가 정보처리장치의 프로세서에 의해 수행되는 컴퓨터가 판독가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020190053724A 2019-05-08 2019-05-08 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 KR102070120B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190053724A KR102070120B1 (ko) 2019-05-08 2019-05-08 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190053724A KR102070120B1 (ko) 2019-05-08 2019-05-08 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템

Publications (1)

Publication Number Publication Date
KR102070120B1 true KR102070120B1 (ko) 2020-01-28

Family

ID=69370507

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190053724A KR102070120B1 (ko) 2019-05-08 2019-05-08 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템

Country Status (1)

Country Link
KR (1) KR102070120B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110126985A (ko) * 2010-05-18 2011-11-24 콘티넨탈 오토모티브 시스템 주식회사 자동차의 주행 경로의 학습 검색 방법 및 장치
KR20170062770A (ko) 2015-11-30 2017-06-08 박민호 자전거의 경로 안내를 제공하기 위한 장치 및 이를 위한 방법
KR20170083233A (ko) * 2016-01-08 2017-07-18 서울대학교산학협력단 지도 기반 이동체 움직임 의도 판단을 활용한 주행 지원 시스템
KR20180072525A (ko) * 2016-12-21 2018-06-29 삼성전자주식회사 경로 안내를 위한 전자 장치 및 이의 제어 방법
KR20180075613A (ko) * 2016-04-18 2018-07-04 베이징 디디 인피니티 테크놀로지 앤드 디벨럽먼트 컴퍼니 리미티드 추정된 도착 시간을 추천하기 위한 시스템들 및 방법들
KR20180100824A (ko) * 2017-03-02 2018-09-12 현대자동차주식회사 차량의 상황정보를 이용한 목적지 예측 서버 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110126985A (ko) * 2010-05-18 2011-11-24 콘티넨탈 오토모티브 시스템 주식회사 자동차의 주행 경로의 학습 검색 방법 및 장치
KR20170062770A (ko) 2015-11-30 2017-06-08 박민호 자전거의 경로 안내를 제공하기 위한 장치 및 이를 위한 방법
KR20170083233A (ko) * 2016-01-08 2017-07-18 서울대학교산학협력단 지도 기반 이동체 움직임 의도 판단을 활용한 주행 지원 시스템
KR20180075613A (ko) * 2016-04-18 2018-07-04 베이징 디디 인피니티 테크놀로지 앤드 디벨럽먼트 컴퍼니 리미티드 추정된 도착 시간을 추천하기 위한 시스템들 및 방법들
KR20180072525A (ko) * 2016-12-21 2018-06-29 삼성전자주식회사 경로 안내를 위한 전자 장치 및 이의 제어 방법
KR20180100824A (ko) * 2017-03-02 2018-09-12 현대자동차주식회사 차량의 상황정보를 이용한 목적지 예측 서버 및 방법

Similar Documents

Publication Publication Date Title
US20200364507A1 (en) Method, apparatus, and system for providing map emedding analytics
US8275546B2 (en) Travelogue-based travel route planning
JP5440219B2 (ja) 地図データ及び地図データ作成方法
US9123259B2 (en) Discovering functional groups of an area
US9091556B2 (en) Map data, storage medium, and electronic apparatus
EP1398599B1 (en) Method for streamlined representation of roads in a geographic database
US20120271542A1 (en) Energy Efficient Routing Using An Impedance Factor
US20220179857A1 (en) Method, apparatus, and system for providing a context-aware location representation
CN108959522B (zh) 基于半监督对抗生成网络的迁移检索方法
US20230066501A1 (en) Method, apparatus, and system for traffic estimation based on anomaly detection
US20220180214A1 (en) Method, apparatus, and system for providing semantic categorization of an arbitrarily granular location
US20220157167A1 (en) System for offsite navigation
Chen et al. Rntrajrec: Road network enhanced trajectory recovery with spatial-temporal transformer
CN109282825A (zh) 道路标记方法及装置
Torre et al. Matching GPS traces to (possibly) incomplete map data: bridging map building and map matching
Liu et al. POI Recommendation Method Using Deep Learning in Location‐Based Social Networks
AlHalawani et al. What makes London work like London?
KR102070120B1 (ko) 공공자전거 경로선택행태 모형화 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템
US20220292091A1 (en) Method, apparatus, and system for compression of sparse data for machine learning tasks
JP7102654B2 (ja) ナビゲーション経路の通行時間の処理方法、装置、機器及びコンピュータプログラム
Bock et al. SmarterROUTES—A data-driven context-aware solution for personalized dynamic routing and navigation
US20230160705A1 (en) Method, apparatus, and system for linearizing a network of features for machine learning tasks
Tanaka et al. Geospatial visual analytics of traffic and weather data for better winter road management
CN113656979A (zh) 路网数据生成方法、装置、电子设备及存储介质
Fan et al. Enhance the performance of navigation: A two-stage machine learning approach

Legal Events

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