KR102101991B1 - 고속도로 교통 제어 시스템 - Google Patents

고속도로 교통 제어 시스템 Download PDF

Info

Publication number
KR102101991B1
KR102101991B1 KR1020190137361A KR20190137361A KR102101991B1 KR 102101991 B1 KR102101991 B1 KR 102101991B1 KR 1020190137361 A KR1020190137361 A KR 1020190137361A KR 20190137361 A KR20190137361 A KR 20190137361A KR 102101991 B1 KR102101991 B1 KR 102101991B1
Authority
KR
South Korea
Prior art keywords
traffic
data
highway
traffic control
control
Prior art date
Application number
KR1020190137361A
Other languages
English (en)
Inventor
탁세현
이동훈
강경표
조아해
Original Assignee
한국교통연구원
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 한국교통연구원 filed Critical 한국교통연구원
Priority to KR1020190137361A priority Critical patent/KR102101991B1/ko
Application granted granted Critical
Publication of KR102101991B1 publication Critical patent/KR102101991B1/ko

Links

Images

Classifications

    • 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
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously

Abstract

본 발명은 고속도로 교통 제어 시스템에 관한 것이다. 본 발명의 실시 예에 따른 고속도로 교통 제어 시스템은, 고속도로의 과거 교통 데이터를 기반으로 상기 고속도로의 교통에 대한 시뮬레이션 시나리오를 생성하고, 상기 시뮬레이션 시나리오에 따라 재현되는 시뮬레이션을 이용하여 각각의 상기 시뮬레이션 시나리오에 대해 상기 고속도로의 교통 제어 시설을 제어하는 최적 제어 방법 데이터를 구축하는 학습 필요 데이터 생성부; 상기 고속도로의 교통 데이터를 기반으로 머신 러닝 기법을 활용하여 상기 고속도로의 교통 예측 시나리오를 생성하는 도로 상황 예측부; 상기 최적 제어 방법 데이터를 기반으로 인공신경망 학습을 수행하고, 상기 인공신경망 학습 결과에 따라 업데이트되는 가중치 값을 기반으로 상기 교통 예측 시나리오에 대해 인공신경망을 통해 상기 교통 제어 시설을 최적으로 제어하는 교통 제어 전략 데이터를 도출하고, 상기 교통 제어 시설을 제어하는 관리 서버에 상기 교통 제어 전략 데이터를 제공하는 최적 제어부를 포함한다.

Description

고속도로 교통 제어 시스템{SYSTEM FOR CONTROLING TRAFFIC OF HIGHWAY}
본 발명은 고속도로 교통 제어 시스템에 관한 것으로, 좀 더 상세하게는 머신 러닝 기법을 활용하여 고속도로의 교통 상황을 예측하여 고속도로의 교통 제어 시설을 제어하는 고속도로 교통 제어 시스템에 관한 것이다.
고속도로 교통 제어 시스템은 교통 흐름을 효율적으로 관리하거나 제어하기 위한 것이다. 종래 고속도로 교통 제어 시스템은 차량 검지기로부터 집계되는 교통 소통 자료와 CCTV 카메라 영상 자료를 육안으로 모니터링한 도로상황 결과를 기반으로 가공된 정보를 가변 속도 제어(VSL: Variable Speed Limit)나 램프 미터링(Ramp Metering) 등의 방법을 통해 교통 흐름을 제어한다.
그러나 종래 고속도로 교통 제어 시스템의 고속도로의 교통을 제어하는 방법은 수 km 이내의 간격으로 개설된 검지기 센서 정보만을 기반으로 하고 있어 고속도로 전체의 효율 향상 및 안전성 증대를 도모하기에 한계를 가진다. 즉, 기존의 제어 방법은 현재 교통상황 정보만을 기반으로 수행되고 있어 교통사고, 유지보수 공사, 악천후 등과 같은 돌발 상황에 의해서 발생하는 비반복적 혼잡 상태가 발생될 수 있는 교통 상황에 실시간으로 대비하기 어려운 문제가 있다.
본 발명은 상술한 과제를 해결하기 위한 것으로서, 본 발명의 목적은 돌발 상황이 발생되어도 고속도로의 교통 흐름을 실시간으로 제어할 수 있는 고속도로 교통 제어 시스템을 제공하는 데 있다. 또한, 본 발명의 목적은 고속도로의 효율 및 안전성을 향상시키는 데 있다.
본 발명의 실시 예에 따른 고속도로 교통 제어 시스템은, 고속도로의 과거 교통 데이터를 기반으로 상기 고속도로의 교통에 대한 시뮬레이션 시나리오를 생성하고, 상기 시뮬레이션 시나리오에 따라 재현되는 시뮬레이션을 이용하여 각각의 상기 시뮬레이션 시나리오에 대해 상기 고속도로의 교통 제어 시설을 제어하는 최적 제어 방법 데이터를 구축하는 학습 필요 데이터 생성부; 상기 고속도로의 교통 데이터를 기반으로 머신 러닝 기법을 활용하여 상기 고속도로의 교통 예측 시나리오를 생성하는 도로 상황 예측부; 상기 최적 제어 방법 데이터를 기반으로 인공신경망 학습을 수행하고, 상기 인공신경망 학습 결과에 따라 업데이트되는 가중치 값을 기반으로 상기 교통 예측 시나리오에 대해 인공신경망을 통해 상기 교통 제어 시설을 최적으로 제어하는 교통 제어 전략 데이터를 도출하고, 상기 교통 제어 시설을 제어하는 관리 서버에 상기 교통 제어 전략 데이터를 제공하는 최적 제어부;를 포함한다.
머신 러닝 기법 활용시 상기 도로 상황 예측부에 입력되는 상기 교통 데이터는 상기 과거 교통 데이터 및 상기 고속도로의 실시간 교통 데이터를 포함할 수 있다. 상기 학습 필요 데이터 생성부는 CTM(Cell Transmission Model)을 적용하여 상기 시뮬레이션 시나리오를 재현할 수 있다. 상기 학습 필요 데이터 생성부는 유전 알고리즘(GA: Genetic Algorithm)을 적용하여 상기 최적 제어 방법 데이터를 도출할 수 있다. 상기 최적 제어부는 상기 교통 제어 전략 데이터에 따라 상기 교통 제어 시설을 제어한 결과를 상기 인공신경망 학습에 반영할 수 있다.
본 발명에 의하면, 고속도로 교통 제어 시스템은 돌발 상황이 발생되어도 고속도로의 교통 흐름을 실시간으로 제어하여 고속도로의 효율 및 안전성을 향상시킬 수 있다.
도 1은 본 발명의 실시 예에 따른 고속도로 교통 제어 시스템이 실행되는 관제 서버가 제공되는 고속도로 설비를 개략적으로 보여주는 블록도이다.
도 2는 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다.
도 3은 본 발명의 실시 예에 따른 고속도로 교통 제어 시스템을 개략적으로 보여주는 블록도이다.
도 4는 도 3에 도시된 고속도로 교통 제어 시스템의 동작 방법을 예시적으로 설명하기 위한 순서도이다.
이하에서, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
도 1은 본 발명의 실시 예에 따른 고속도로 교통 제어 시스템이 실행되는 고속도로 설비를 예시적으로 보여주는 블록도이다. 도 1을 참조하면, 고속도로 설비(1000)는 검지 장치(1100), 교통 제어 시설(1200), 관리 서버(1300), 그리고 관제 서버(1400)를 포함한다.
검지 장치(1100)는 고속도로의 교통 데이터를 실시간으로 검지한다. 일 실시 예에 따르면, 교통 데이터는 소통정보 및 이벤트 데이터를 포함한다. 예를 들면, 검지 장치(1100)는 고속도로에 설치되어 있는 VDS(Vehicle Detection System), AVI(Automatic Vehicle Identification), RSE(RoadSide Equipment) 및/또는 TSC(Toll Collection System) 및/또는 이벤트 발생시 이벤트 데이터가 입력되는 이벤트 데이터 입력부 등을 포함할 수 있다.
검지 장치(1100)는 검지된 교통 데이터를 관리 서버(1300)로 전송할 수 있다. 소통정보는 고속도로의 지점속도, 구간 교통량, 구간 교통량 점유율, 구간 통행 속도 및/또는 구간 진입/진출 교통량 등을 포함할 수 있다. 이벤트 데이터는 사고/준사고, 공사, 통제 및/또는 악천후 등에 관련된 데이터를 포함할 수 있다. 악천후 등의 기상 정보는 기상청 서버로부터 관제 서버(1400)로 직접 또는 관리 서버(1300)를 중개하여 제공될 수 있다.
교통 제어 시설(1200)은 고속도로의 통행량을 직접적으로 제어하는 시설이다. 예를 들면, 교통 제어 시설(1200)은 가변속도제어(VSL: Variable Speed Limit) 시설 및 램프미터링(Ramp Metering) 시설 등을 포함할 수 있다.
관리 서버(1300)는 검지 장치(1100)로부터 실시간으로 검지되는 교통 데이터인 고속도로의 실시간 교통 데이터 및 고속도로의 교통 제어 시설 정보를 수신하고, 교통 제어 시설(1200)을 제어한다. 일 실시 예에 따르면 관리 서버(1300)는 관제 서버(1400)로부터 수신된 교통 제어 전략 데이터에 따라 교통 제어 시설(1200)을 제어할 수 있다.
또한, 관리 서버(1300)는 검지 장치(1100) 등으로부터 수신되는 실시간 교통 데이터를 관제 서버(1400)로 송신할 수 있다. 이와 달리, 실시간 교통 데이터는 검지 장치(1100)로부터 직접 관제 서버(1400)로 송신될 수 있다. 또한, 관리 서버(1300)는 소통정보를 수집하여 구축한 소통정보 이력자료를 저장할 수 있다. 관리 서버(1300)는 소통정보 이력자료를 관제 서버(1400)로 제공할 수 있다.
관제 서버(1400)는 본 발명의 실시 예에 따른 고속도로 교통 제어 시스템(2000)을 활용하여 고속도로의 교통 제어 시설(1200)을 최적으로 제어할 수 있는 교통 제어 전략 데이터를 관리 서버(1300)에 제공한다. 교통 제어 전략 데이터는 교통 제어 시설(1200)을 제어하기 위한 설정 값을 포함한다.
도 2는 도 1에 도시된 관제 서버를 예시적으로 보여주는 블록도이다. 도 2를 참조하면, 관제 서버(1400)는 통신부(1410), 저장부(1420) 및 제어부(1430)를 포함한다.
통신부(1410)는 관리 서버(도 1 참조, 1300)와 데이터를 송수신한다. 통신부(1410)는 선택적으로 검지 장치(도 1 참조, 1100)와 직접적으로 데이터를 송수신할 수 있다. 일 실시 예에 따르면, 통신부(1410)는 입력부(1411) 및 출력부(1412)를 포함할 수 있다.
입력부(1411)는 관리 서버(1300) 및/또는 검지 장치(1100)로부터 소통정보 이력 자료, 교통 제어 시설 정보 및/또는 실시간 소통정보를 수신한다. 예를 들면, 교통 제어 시설 정보는 가변속도제어 시설의 제공 지점, 제한속도 시점, 제한속도 및/또는 제한속도 유지 시간을 포함할 수 있다. 또한, 교통제어 시설 정보는 램프미터링 지점, 미터링 시점 및/또는 미터링 제어 시간 등을 포함할 수 있다. 입력부(1411)는 수신된 데이터를 저장부(1420) 및 제어부(1430)로 제공할 수 있다.
출력부(1412)는 제어부(1430)로부터 수신된 교통 제어 전략 데이터를 관리 서버(1300)로 송신한다. 예를 들면, 교통 제어 전략 데이터는 각 구간별 가변속도제어 시설에 의해 통제되는 제한속도, 제한속도 시점 및/또는 제한속도 유지 시간 등의 설정 값을 포함할 수 있다. 또한, 교통 제어 전략 데이터는 램프미터링 지점, 미터링 시점 및/또는 미터링 제어 시간 등의 설정 값을 포함할 수 있다.
저장부(1420)는 입력부(1411) 및 제어부(1430)로부터 수신되는 데이터를 저장한다. 예를 들면, 저장부(1420)는 입력부(1411)로부터 수신되는 소통정보 이력자료, 이벤트 데이터, 교통제어 시설 정보 및/또는 실시간 소통정보 등과 같은 교통 데이터를 저장할 수 있다. 또한, 저장부(1420)는 제어부(1430)에서 고속도로 교통 제어 시스템(2000)에 의해 생성되는 시뮬레이션 도출 최적 제어 방법 데이터, 가중치 값에 의한 인공신경말 학습 결과, 교통 예측 시나리오 등을 저장할 수 있다. 저장부(1420)는 저장된 데이터 중 제어부(1430)에 필요한 데이터를 제어부(1430)로 전송한다.
제어부(1430)에서는 고속도로 교통 제어 시스템(2000)이 실행된다. 고속도로 교통 제어 시스템(2000)은 제어부(1430)에서 실행되는 응용프로그램으로 제공될 수 있다. 제어부(1430)는 고속도로 교통 제어 시스템(2000)을 실행하는 데 필요한 데이터를 통신부(1410) 및/또는 저장부(1420)를 통해 제공받을 수 있다. 또한, 제어부(1430)는 고속도로 교통 제어 시스템(2000)에 의해 생성되는 데이터를 통신부(1410)를 통해 관리 서버(1300)로 송신하고, 저장부(1420)에 저장시킬 수 있다.
도 3은 도 2에 도시된 고속도로 교통 제어 시스템을 개략적으로 보여주는 블록도이다. 도 3을 참조하면, 고속도로 교통 제어 시스템(2000)은 인공신경망 및 머신러닝을 활용하여 고속도로의 교통 제어 시설을 최적으로 제어할 수 있는 교통 제어 전략 데이터를 제공한다. 일 실시 예에 따르면, 고속도로 교통 제어 시스템(2000)은 학습 필요 데이터 생성부(2100), 도로 상황 예측부(2200) 및 최적 제어부(2300)를 포함한다.
학습 필요 데이터 생성부(2100)는 최적 제어부(2300)의 인공신경망 학습에 필요한 데이터인 최적 제어 방법 데이터를 시뮬레이션을 기반으로 생성한다. 도로 상황 예측부(2200)는 고속도로의 교통 데이터를 기반으로 머신 러닝 기법을 활용하여 고속도로의 교통 예측 시나리오를 생성한다. 교통 예측 시나리오는 최적 제어부(2300)의 입력값(Input Pattern Data)로 활용된다.
최적 제어부(2300)는 학습 필요 데이터 생성부(2100)에 의해 생성되는 최적 제어 방법 데이터를 기반으로 인공신경망 학습을 수행한다. 또한, 최적 제어부(2300)는 인공신경망 학습 결과에 따라 업데이트되는 가중치 값(Weight Matrices)을 기반으로 도로 상황 예측부(2200)에서 생성된 교통 예측 시나리오에 대해 인공신경망을 통해 교통 제어 전략 데이터를 도출한다.
도 4는 도 3에 도시된 고속도로 교통 제어 시스템의 동작 방법을 예시적으로 설명하기 위한 순서도이다. 도 4를 참조하면, S110, S120 및 S130 단계는 학습 필요 데이터 생성부(2100)에 의해 수행된다. S210 단계는 도로 상황 예측부(2200)에 의해 수행된다. 그리고 S310 단계 및 S320 단계는 최적 제어부(2300)에 수행된다.
S110 단계에서, 학습 필요 데이터 생성부(2100)는 고속도로의 과거에 생성된 교통 데이터인 과거 교통 데이터를 기반으로 고속도로의 교통에 대한 다양한 시뮬레이션 시나리오를 생성한다.
S120 단계에서, 학습 필요 데이터 생성부(2100)는 생성된 시뮬레이션 시나리오에 따라 재현되는 시뮬레이션을 이용하여 각각의 시뮬레이션 시나리오에 대해 고속도로의 교통 제어 시설을 최적으로 제어하는 최적 제어 방법 데이터를 구축한다. 일 실시 예에 따르면, 학습 필요 데이터 생성부(2100)는 거시적 시뮬레이션(Macroscopic Simulation) 모델 중 하나인 CTM(Cell Transmission Model)을 적용하여 시뮬레이션 시나리오를 재현할 수 있다.
예를 들면, CTM은 대상 고속도로를 일정 간격의 셀로 구분하고, 시간에 따른 셀 간의 차량 이동량 및 셀 별 차량 밀도를 아래의 수학식 1 및 수학식 2를 통해 모사한다.
Figure 112019111595860-pat00001
Figure 112019111595860-pat00002
여기서 qn→n-1(t)는 시간 t의 셀 n에서 셀 n-1로의 차량 이동량, nn(t)는 시간 t의 셀 n에 위치한 차량의 수, Qn(t)는 시간 t의 셀 n에서 도로 용량, Nn(t)눈 시간 t의 셀 n의 최대 점거 가능 차량수, yn ∈(t)는 시간 t의 셀 n으로 진입하는 차량 수, yn OUT(t)는 시간 t의 셀 n에서 진출하는 차량 수를 의미한다.
CTM 시뮬레이션에는 과거 교통 데이터와 더불어 교통 제어 시설 정보가 입력될 수 있다. CTM 시뮬레이션은 과거 교통 데이터 및 교통 제어 시설 정보가 입력되면, 각 시나리오를 구성하는 시나리오별 교통 데이터를 생성한다.
S130 단계에서, 학습 필요 데이터 생성부(2100)는 CTM 시뮬레이션에 의해 생성된 시나리오별 교통 데이터를 기반으로 유전 알고리즘(GA: Genetic Algorithm)을 활용하여 고속도로의 각 구간에 개설된 교통 제어 시설(1200)들의 최적 제어 전략을 도출하고 수집하여 최적 제어 방법 데이터를 구축한다.
유전 알고리즘에의해 생성된 솔루션의 평가는 VHT(Vehicle Hour Traveled)와 사고 위험도(Collision Risk)를 통해 수행되며, 일정 수준의 사고 위험도를 만족함과 동시에 VHT를 최소화하는 제어 방법을 선택하는 것을 목적함수로 설정한다. 예를 들면, 유전 알고리즘 적용 결과로 산출된 각 도록 구간의 최적 제어 전략에는 가변속도제어 시설의 시간대별 가변속도 제어량 및 제어 구간, 그리고 램프미터링의 제어 동작 주기 및 제어 시간이 포함될 수 있다.
S210 단계에서, 도로 상황 예측부(2200)는 머싱 러닝 기법을 활용해 미래 도로 상황을 예측한다. 머신 러닝 기법 활용시, 도로 상황 예측부(2200)에 입력되는 교통 데이터는 과거 교통 데이터 및 실시간 교통 데이터를 포함한다. 도로 상황 예측부(2200)에 입력되는 교통 데이터에 실시간 교통 데이터가 포함됨으로써, 고속도로 교통 제어 시스템(2000)은 실시간으로 교통 제어 전략 데이터를 제공할 수 있다.
도로 상황 예측부(2200)는 과거 교통 데이터 및 실시간 교통 데이터 기반의 머싱 러닝 기법을 활용해 최소 4시간 이상의 미래 도로 상황을 예측할 수 있다. 일 실시 예에 따르면, 도로 상황 예측부(2200)의 미래 교통 예측 기법은 크게 교통 예측(Traffic Prediction), 통행시간 예측(Travel Time Prediction) 및 수요 예측(OD Prediction)으로 구성된다. 각각의 예측 엔진에서 산출된 결과물은 교통 예측 시나리오에 포함되어 최적 제어부(2300)의 입력값으로 활용된다.
도로 상황 예측부(2200)는 다양한 종류의 머신러닝 기법을 활용할 수 있다. 도로 상황 예측부(2200)를 통해 도출된 교통 예측 시나리오는 최적 제어부(2300)의 교통 제어 전략 데이터 도출을 위한 데이터로 활용된다.
S310 단계에서, 최적 제어부(2300)는 학습 필요 데이터 생성부(2100)에서 생성되는 교통 상황에 대한 다양한 시뮬레이션 시나리오를 인공 신경망 입력값으로, 그에 따른 최적 제어 방법을 인공신경망 출력값으로 설정하여, 초기에 설정된 인공신경망 물리적 구조와 일치하는 인공신경망의 가중치 값을 평균제곱근 편차 등의 목적함수 최적화를 토대로 인공신경망 학습을 수행하여 도출한다.
S320 단계에서, 최적 제어부(2300)는 인공신경망 학습 결과에 따라 업데이트되는 가중치 값(Weight Matrices)을 기반으로 도로 상황 예측부(2200)에서 생성된 교통 예측 시나리오에 대해 인공신경망을 통해 교통 제어 시설을 최적으로 제어하는 교통 제어 전략 데이터를 도출한다. 교통 제어 시설에 대한 실시간 제어가 가능하도록 최적 제어부(2300)의 인공신경망 학습 기능 및 교통 제어 전략 데이터 도출 기능은 독립적으로 진행된다
최적 제어부(2300)는 도출된 교통 제어 전략 데이터를 교통 제어 시설(1200)을 제어하는 관리 서버(1300)에 제공한다. 또한, 최적 제어부(2300)는 교통 제어 전략 데이터에 따라 교통 제어 시설(1200)을 제어한 결과를 인공신경망 학습에 반영할 수 있다. 예를 들면, 최적 제어부(2300)에 의해 제어부(1430)는 교통 제어 전략 데이터를 관리 서버(1300)로 송신한 후의 교통 데이터를 통신부(1410)를 통해 수신하고, 수신된 교통 데이터를 저장부(1420)에 저장하여 추후 인공신경망 학습에 반영할 수 있다.
상술한 바와 같이, 본 발명의 고속도로 교통 제어 시스템(2000)은, 인공지능 및 머신러닝 기법을 활용하여 실시간 교통 데이터를 기반으로 교통 상황을 예측하여 교통 제어 전략을 도출함으로써 돌발 상황이 발생되어도 고속도로의 교통 흐름을 실시간으로 제어하여 고속도로의 효율 및 안전성을 향상시킬 수 있다.
상술한 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술한 실시 예들 이외에도, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술한 실시 예들에 국한되어 정해져서는 안되며, 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
1000: 고속도로 설비 1100: 검지 장치
1200: 교통 제어 시설 1300: 관리 서버
1400: 관제 서버 1410: 통신부
1420: 저장부 1430: 제어부
2000: 교통 제어 시스템 2100: 학습 필요 데이터 생성부
2200: 도로 상황 예측부 2300: 최적 제어부

Claims (5)

  1. 고속도로의 과거 교통 데이터를 기반으로 상기 고속도로의 교통에 대한 시뮬레이션 시나리오를 생성하고, 상기 시뮬레이션 시나리오에 따라 재현되는 시뮬레이션을 이용하여 각각의 상기 시뮬레이션 시나리오에 대해 상기 고속도로의 교통 제어 시설을 제어하는 최적 제어 방법 데이터를 구축하는 학습 필요 데이터 생성부;
    상기 고속도로의 교통 데이터를 기반으로 머신 러닝 기법을 활용하여 상기 고속도로의 교통 예측 시나리오를 생성하는 도로 상황 예측부; 및
    상기 최적 제어 방법 데이터를 기반으로 인공신경망 학습을 수행하고, 상기 인공신경망 학습 결과에 따라 업데이트되는 가중치 값을 기반으로 상기 교통 예측 시나리오에 대해 인공신경망을 통해 상기 교통 제어 시설을 최적으로 제어하는 교통 제어 전략 데이터를 도출하고, 상기 교통 제어 시설을 제어하는 관리 서버에 상기 교통 제어 전략 데이터를 제공하는 최적 제어부를 포함하고,
    상기 학습 필요 데이터 생성부는, CTM(Cell Transmission Model)을 적용하여 상기 시뮬레이션 시나리오를 재현하며, 유전 알고리즘(GA: Genetic Algorithm)을 적용하여 상기 최적 제어 방법 데이터를 도출하고,
    상기 교통 제어 시설은 가변속도제어 시설 및 램프미터링 시설을 포함하고,
    상기 교통 제어 전략 데이터는, 각 구간별 가변속도 제어 시설에 의해 통제되는 제한속도, 제한 속도 시점 및 제한속도 유지 시간과, 램프미터링의 지점, 시점 및 제어 시간의 설정 값을 포함하는 고속도로 교통 제어 시스템.
  2. 제 1 항에 있어서,
    머신 러닝 기법 활용시 상기 도로 상황 예측부에 입력되는 상기 교통 데이터는 상기 과거 교통 데이터 및 상기 고속도로의 실시간 교통 데이터를 포함하는 고속도로 교통 제어 시스템.
  3. 삭제
  4. 삭제
  5. 제 1 항에 있어서,
    상기 최적 제어부는 상기 교통 제어 전략 데이터에 따라 상기 교통 제어 시설을 제어한 결과를 상기 인공신경망 학습에 반영하는 고속도로 교통 제어 시스템.
KR1020190137361A 2019-10-31 2019-10-31 고속도로 교통 제어 시스템 KR102101991B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190137361A KR102101991B1 (ko) 2019-10-31 2019-10-31 고속도로 교통 제어 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190137361A KR102101991B1 (ko) 2019-10-31 2019-10-31 고속도로 교통 제어 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020200044273A Division KR20210052159A (ko) 2020-04-10 2020-04-10 고속도로 교통 제어 시스템

Publications (1)

Publication Number Publication Date
KR102101991B1 true KR102101991B1 (ko) 2020-04-20

Family

ID=70467051

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190137361A KR102101991B1 (ko) 2019-10-31 2019-10-31 고속도로 교통 제어 시스템

Country Status (1)

Country Link
KR (1) KR102101991B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102166283B1 (ko) * 2020-08-03 2020-10-15 공주대학교 산학협력단 교통 신호기 제어 장치
CN114333332A (zh) * 2022-03-04 2022-04-12 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114627658A (zh) * 2022-04-22 2022-06-14 河北上元智能科技股份有限公司 一种重大特殊车队通行高速公路的交通控制方法
KR20220081880A (ko) 2020-12-09 2022-06-16 (주) 아인스에스엔씨 디지털트윈을 이용한 이산사건 시스템 실시간 분석 및 실시간 동작 가시화 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101730771B1 (ko) * 2016-10-17 2017-04-26 대보정보통신 주식회사 고속도로 유고구간 경로안내시스템
KR20170078088A (ko) * 2015-12-29 2017-07-07 홍수민 차량정보시스템
KR20190096309A (ko) * 2019-05-29 2019-08-19 엘지전자 주식회사 차량 제어 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170078088A (ko) * 2015-12-29 2017-07-07 홍수민 차량정보시스템
KR101730771B1 (ko) * 2016-10-17 2017-04-26 대보정보통신 주식회사 고속도로 유고구간 경로안내시스템
KR20190096309A (ko) * 2019-05-29 2019-08-19 엘지전자 주식회사 차량 제어 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102166283B1 (ko) * 2020-08-03 2020-10-15 공주대학교 산학협력단 교통 신호기 제어 장치
KR20220081880A (ko) 2020-12-09 2022-06-16 (주) 아인스에스엔씨 디지털트윈을 이용한 이산사건 시스템 실시간 분석 및 실시간 동작 가시화 장치
CN114333332A (zh) * 2022-03-04 2022-04-12 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114333332B (zh) * 2022-03-04 2022-09-06 阿里云计算有限公司 一种交通管控方法、装置及电子设备
CN114627658A (zh) * 2022-04-22 2022-06-14 河北上元智能科技股份有限公司 一种重大特殊车队通行高速公路的交通控制方法
CN114627658B (zh) * 2022-04-22 2023-10-27 河北上元智能科技股份有限公司 一种重大特殊车队通行高速公路的交通控制方法

Similar Documents

Publication Publication Date Title
KR102101991B1 (ko) 고속도로 교통 제어 시스템
Wei et al. Recent advances in reinforcement learning for traffic signal control: A survey of models and evaluation
Gokulan et al. Distributed geometric fuzzy multiagent urban traffic signal control
CN111462484B (zh) 拥堵状态的确定方法、装置、设备及计算机可读存储介质
Li et al. Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks
CN111158401B (zh) 一种分布式鼓励时空数据探索的无人机路径规划系统及方法
KR20210041724A (ko) 전기차 충전기의 고장 예측 장치 및 방법
CN113704956A (zh) 一种基于数字孪生技术的城市道路在线微观仿真方法及系统
Mirchandani et al. Integrated transit priority and rail/emergency preemption in real-time traffic adaptive signal control
CN110415517A (zh) 一种基于车辆行驶轨迹的道路拥堵精准预警系统及方法
Al Mallah et al. Prediction of traffic flow via connected vehicles
Gündoğan et al. An evaluation of adaptive traffic control system in istanbul, turkey
Othman et al. Machine learning aided simulation of public transport utilization
US20190088116A1 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
JP2008059181A (ja) 道路交通管制訓練装置及び道路交通管制訓練システム
CN112286197B (zh) 一种基于离散时空的车辆纵向运动速度优化方法
Noma-Osaghae et al. The validity of a decentralised simulation-based system for the resolution of Road traffic congestion
KR20210052159A (ko) 고속도로 교통 제어 시스템
CN109141422A (zh) 一种基于路边单元机器学习的车辆定位方法及系统
Pribyl et al. Computational intelligence in highway management: A review
Billot et al. Can C-ITS lead to the emergence of Traffic Management 2.0?
Zhang et al. Joint queue estimation and max pressure control for signalized urban networks with connected vehicles
Li et al. State-space equations and the first-phase algorithm for signal control of single intersections
Chen et al. A novel assistive on-ramp merging control system for dense traffic management
Timotheou et al. Online distributed network traffic signal control using the cell transmission model

Legal Events

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