KR102141313B1

KR102141313B1 - Method and system for improving misfit rate of vehicle accident

Info

Publication number: KR102141313B1
Application number: KR1020190096648A
Authority: KR
Inventors: 최윤호; 윤광욱; 신진명
Original assignee: 부산대학교 산학협력단
Priority date: 2019-08-08
Filing date: 2019-08-08
Publication date: 2020-08-04

Abstract

Disclosed are a rate of error improving method of a vehicle accident in a rate of error improving device and a rate of error improving device. According to one embodiment of the present invention, the rate of error improving method of a vehicle accident comprises the steps of: receiving an accident message and a beacon message from an adjacent vehicle located adjacent to the accident vehicle; checking the number of hops in the accident message; using the accident message and the beacon message to analyze generated road situation data, when the number of hops is confirmed as 2 hops, and determining an accident opinion; and renewing the accident message with the determined accident opinion, and then transmitting the accident message to surrounding vehicles.

Description

METHOD AND SYSTEM FOR IMPROVING MISFIT RATE OF VEHICLE ACCIDENT}

본 발명은, 사고 지점과 인접한 2-hop 노드가 차량사고판단 모델을 활용하여 차량 사고 발생 여부를 직접 판단함으로써 1-hop 노드 과반수가 거짓 사고 경고(fake accident warning) 공격을 수행하는 상황에서도, 1-hop 노드의 사고 의견에 대한 의존성을 낮추어, 차량 사고 판단 오탐율을 개선하는, 차량 사고의 오판율 개선 방법 및 오판율 개선 장치에 관한 것이다.In the present invention, a 2-hop node adjacent to the accident point directly determines whether a vehicle accident has occurred by using a vehicle accident judgment model, even in a situation where a majority of 1-hop nodes perform a fake accident warning attack. 1 It relates to a method for improving a false positive rate of a vehicle accident and a device for improving a false positive rate by lowering a dependency on an opinion of a -hop node to improve a false positive rate for determining a vehicle accident.

최근 몇 년 동안, 도로 운송 시스템의 안전성과 효율성 향상에 대한 요구의 증가는, 무선 통신 기술을 차량에 적용한 VANET(Vehicular Ad hoc Network)을 등장시켰다.In recent years, an increasing demand for improving the safety and efficiency of a road transport system has emerged as a VANET (Vehicular Ad hoc Network) in which wireless communication technology is applied to vehicles.

VANET은 MANET(Mobile ad hoc network)의 일종으로서, DSRC(Dedicated Short-Range Communications) 기술 기반의 무선 통신이며, 대표적으로 차량에 부착된 OBU(On-Board Unit) 간의 통신인 V2V(Vehicle-to-Vehicle) 통신과, 차량에 부착된 OBU와 노변 기지국에 부착된 RSU(Road Side Unit) 간의 통신인 V2I(Vehicle-to-Infrastructure) 통신으로 나뉜다.VANET is a type of mobile ad hoc network (MANET), which is a wireless communication based on Dedicated Short-Range Communications (DSRC) technology, and is representative of V2V (Vehicle-to-Vehicle) communication between On-Board Units (OBU) attached to vehicles. It is divided into Vehicle communication and Vehicle-to-Infrastructure (V2I) communication, which is the communication between the OBU attached to the vehicle and the Road Side Unit (RSU) attached to the roadside base station.

VANET은 V2V 및 V2I 통신을 통해 위치, 속도 등의 정보가 포함된 비컨과 교통사고, 교통 상황(혼잡, 도로 파열 등) 등의 메시지를 교환하여 도로의 효율성과 안전성을 향상 시킨다.VANET improves road efficiency and safety by exchanging messages such as beacons and traffic accidents (congestion, road rupture, etc.) that contain information such as location and speed through V2V and V2I communication.

VANET을 활용한 응용의 예로는, 신호등을 통과하는 최적의 속도를 운전자에게 제공해주는 GLOSA(Green Light Optimized Speed Advisory), 도로의 교통 데이터를 종합하여 교통량을 관리하는 Traffic Management, 그리고 차량사고 발생 시 새로운 경로를 설정하기 위해 차량 사고 메시지를 공유하는 Traffic warning 등이 있다.Examples of applications utilizing VANET include Green Light Optimized Speed Advisory (GLOSA), which provides drivers with the optimal speed through traffic lights, Traffic Management that aggregates traffic data on roads to manage traffic, and new vehicle accidents. There are traffic warnings that share vehicle accident messages to establish a route.

특히, Traffic warning은 VANET을 활용하여 도로의 효율성을 높이는 대표적인 응용 중 하나이다. 하지만, Traffic warning은 일부 차량이 메시지를 위변조하여 거짓 사고 메시지를 보내는 거짓 사고 경고(fake accident warning) 공격을 수행하여 메시지 신뢰성이 보장되지 않는 경우, 불필요한 도로의 정체 현상을 유발하며 구급 차량의 응급 출동과 같은 상황에서 인명 피해를 발생시키는 심각한 문제를 초래할 수 있다.In particular, traffic warning is one of the typical applications that increase the efficiency of roads by utilizing VANET. However, Traffic warning is a fake accident warning attack in which some vehicles falsify the message and send a false accident message. If the reliability of the message is not guaranteed, it causes unnecessary traffic jams and emergencies. In such situations, it can cause serious problems that cause personal injury.

사고 메시지의 신뢰성을 보장하기 위해, 기존 VANET에서는, 노드 지향 신뢰 관리 기법과 메시지 지향 신뢰 관리 기법을 연구하고 있다.In order to guarantee the reliability of the accident message, the existing VANET studies node-oriented trust management and message-oriented trust management.

노드 지향 신뢰 관리 기법은 노드 자체의 신뢰 정보를 관리하는 기법으로 긴 시간 동안 노드의 행동 정보를 수집하여 노드를 평가하는 기법일 수 있다.The node-oriented trust management technique is a technique for managing the trust information of the node itself, and may be a technique for collecting a node's behavior information for a long time and evaluating the node.

2007년에 M. GHerlach은 신뢰와 신뢰 태깅 원리에 기초한 계산을 사용하는 사회적 신뢰 모델을 제안하였다. 노드의 전체 신뢰 값은, 현재 특정 상황에 대한 상황 신뢰 값, 노드 자체 평판에 대한 신뢰 값, 그리고 노드가 속한 시스템에 대한 신뢰 값의 합으로 계산된다.In 2007, M. GHerlach proposed a social trust model that uses calculations based on the principles of trust and trust tagging. The total trust value of a node is calculated as the sum of the context trust value for the current specific situation, the trust value for the node's own reputation, and the trust value for the system to which the node belongs.

2010년에 U.F Minhas 등은 노드의 역할과 평판에 기반한 신뢰 모델을 제안하였다. 노드의 총 신뢰 값은 역할 기반 신뢰 값, 경험 기반 신뢰 값, 우선 순위 기반 신뢰 값의 합으로 계산된다. 역할 기반 신뢰 값은 사전 정의된 역할에 따라 미리 정의된 신뢰 값을 가진다. 경험 기반 신뢰 값은 각 노드가 오랜 시간 상호 정보 교환을 수행하여 결정된다. 우선순위 기반 신뢰 값은 신뢰 정보의 출처를 기반으로 계산된다. 특히, 역할 기반 신뢰 값은, 공개키 암호에서 사용되는 인증서에 명시된 역할을 기반으로 값이 결정되기 때문에, CA(Certification Authority)를 통해 인증서의 유효성을 검증하는데 시간 및 계산 오버헤드가 발생한다는 단점이 존재한다.In 2010, U.F Minhas et al. proposed a trust model based on node roles and reputation. The total trust value of the node is calculated as the sum of the role-based trust value, experience-based trust value, and priority-based trust value. The role-based trust value has a predefined trust value according to a predefined role. The experience-based trust value is determined by each node performing mutual information exchange for a long time. Priority-based trust values are calculated based on the source of trust information. In particular, since the role-based trust value is determined based on the role specified in the certificate used in the public key cryptography, there is a disadvantage in that it takes time and calculation overhead to verify the validity of the certificate through the certification authority (CA). exist.

또한, 노드 지향 신뢰 관리 기법은 노드의 정확한 신뢰도를 평가하기 위해 오랜 시간 데이터를 축적해야 한다.In addition, the node-oriented trust management technique needs to accumulate data for a long time to evaluate the correct reliability of the node.

하지만 VANET은 다음의 3가지 특성으로 인해 특정 노드에 대한 데이터를 오랜 시간 수집할 수 없다. 즉, VANET은 노드의 높은 이동성, 빈번한 토폴러지 변경, 및 프라이버시 보호를 위한 가명 변경의 특성을 갖는다.However, VANET cannot collect data for a specific node for a long time due to the following three characteristics. That is, VANET has the characteristics of high mobility of nodes, frequent topological changes, and pseudonymity changes for privacy protection.

따라서, VANET에서는 오랜 시간 동안 축적된 데이터를 사용한 노드 지향 신뢰 관리 기법 보다 특정 메시지 하나에 대한 신뢰도를 평가하는 방식이 더 적합할 수 있다.Therefore, in VANET, a method of evaluating the reliability of a specific message may be more suitable than a node-oriented trust management technique using data accumulated for a long time.

메시지 지향 신뢰 관리 기법은 전송받은 메시지별 신뢰 여부를 평가하는 데 중점을 두는 기법이다.The message-oriented trust management technique focuses on evaluating whether each message is trusted.

2007년에 Raya 등은 Bayesian 추론 및 Dempster-shafer 이론을 사용하여 특정 이벤트에서 발생한 메시지에 대한 신뢰도를 평가하는 기법을 제안하였다. 해당 기법은 다양한 증거를 사용하여 특정 시간, 위치 및 상황에서 이벤트의 발생 확률을 계산한다. Raya 등이 제안한 기법은 신뢰도가 특정 사건에 기반하며 해당 메시지를 보낸 주체와의 신뢰가 형성되지 않아 사건마다 신뢰도를 평가해야 한다는 단점을 가지고 있다.In 2007, Raya et al. proposed a technique for evaluating the reliability of messages from specific events using Bayesian reasoning and Dempster-shafer theory. The technique uses a variety of evidence to calculate the probability of an event occurring at a specific time, location, and situation. The technique proposed by Raya et al. has the disadvantage that the reliability is based on a specific event and the reliability must be evaluated for each event because trust with the subject who sent the message is not established.

2014년에 Huang 등은 가중치를 활용한 표결(voting) 기반의 사고 메시지 신뢰 관리 기법을 제안하였다.In 2014, Huang et al. proposed a voting-based thinking message trust management method using weights.

도 1은 기존 표결 기반의 사고 메시지 신뢰 관리 기법의 개요를 설명하는 도면이다.1 is a view for explaining the outline of the existing vote-based accident message trust management technique.

도 1에 도시한 바와 같이, 표결 기반의 메시지 신뢰 관리 기법은 이웃 차량들로부터 사고 메시지를 전달 받고, 사고 메시지에 포함된 신뢰 의견을 표결하여 사고 발생 여부를 판단한다. 그 후, 표결 기반의 메시지 신뢰 관리 기법에서는 자신의 의견을 담은 사고 메시지를 이웃 차량들에게 전달한다.As shown in FIG. 1, a vote-based message trust management technique receives an accident message from neighboring vehicles and votes on a trust opinion included in the accident message to determine whether an accident has occurred. After that, in the voting-based message trust management technique, an accident message containing his opinion is delivered to neighboring vehicles.

또한, Huang등은 표결 기반의 메시지 신뢰 관리 기법의 oversampling 문제를 해결하기 위해, 메시지의 hop 수에 따라 가중치를 주는 표결 방식을 사용하였다.In addition, in order to solve the oversampling problem of the voting-based message trust management technique, Huang et al. used a voting method that weights according to the number of hops of the message.

가중치를 반영한 표결 방식은 ^수학식 1과 같다.The voting method reflecting the weight is as shown ^{in Equation} 1.

여기서,

는 각 차량의 사고 의견,

는 hop 수, 그리고

은 n-hop 노드의 사고 의견 가중치이다. here,

Each vehicle accident opinion,

Is hop number, and

Is the weight of the thought opinion of the n-hop node.

실험 결과, 가중치를 주는 표결 방식에서는 hop 수가 낮은 차량에 높은 가중치를 적용할 때, 가장 낮은 차량 사고 오판율을 얻을 수 있음을 증명하였다.As a result of the experiment, the weighted voting method proved that the lowest miscarriage rate can be obtained when a high weight is applied to a vehicle with a low hop count.

하지만 가중치를 주는 표결 방식의 경우에는, 초기 사고 발견 차량인 1-hop 노드들의 의견에 대한 의존성이 높아, 1-hop 노드 중 공격 차량 비율이 높을 경우 취약하다는 단점이 있다.However, in the case of the weighted voting method, there is a drawback that the 1-hop node, which is the initial accident detection vehicle, has high dependence on opinions, and is vulnerable when the attack vehicle ratio among the 1-hop nodes is high.

대표적인 VANET의 메시지 지향 신뢰 관리 기법인 표결 기반의 사고 메시지 신뢰 관리 기법은, 전체 차량 중 다수 차량이 거짓 사고 메시지를 전송하는 공격차량인 경우, 희생 차량이 표결을 통해 잘못된 사고 판단을 수행하여 차량 사고 오판율을 증가시키는 단점을 가지고 있다.A representative VANET's message-oriented trust management technique, voting-based accident message trust management, is an attack vehicle in which a large number of vehicles transmit false accident messages. It has the disadvantage of increasing the false positive rate.

또한, 표결 기반의 사고 메시지 신뢰 관리 기법은, 공격 차량의 군집 주행으로 인해, 1-hop 차량 중 다수 차량이 거짓 사고 메시지를 전송하는 공격차량인 경우, 전체 차량 수 대비 적은 수의 공격 차량으로도 희생 차량이 표결을 통해 잘못된 사고 판단을 수행하여 차량 사고 오판율을 증가시키는 단점을 가지고 있다.In addition, the voting-based accident message trust management technique is a small number of attack vehicles compared to the total number of vehicles, when a large number of 1-hop vehicles is an attack vehicle that transmits a false accident message due to cluster driving of the attack vehicle. The sacrificial vehicle has the disadvantage of increasing the wrong rate of vehicle accidents by performing wrong judgments through voting.

도 2는 초기 사고 발견 차량(1-hop) 과반수가 거짓 사고 경고 공격을 하는 상황을 설명하기 위한 도면이다.FIG. 2 is a diagram for explaining a situation in which a majority of the initial accident detection vehicle (1-hop) attacks a false accident warning.

도 2에서, 숫자 i와 숫자 i’는 각각 정상 차량과 공격 차량의 ID이고,

와

’는 각각 사고가 발생했다는 사고 의견과, 사고가 발생하지 않았다는 사고 의견을 의미할 수 있다.In FIG. 2, numbers i and numbers i'are IDs of a normal vehicle and an attack vehicle, respectively.

Wow

'May mean an accident opinion that an accident has occurred, and an accident opinion that an accident has not occurred.

차량 1(정상 차량)은 사고가 발생했다는 사고 의견인

을, 차량 2’와 3’(공격 차량)은 사고가 발생하지 않았다는 사고 의견인

‘,

’을 2-hop 노드에게 전달한다.Vehicle 1 (normal vehicle) is an accident

B, vehicle 2'and 3'(attack vehicle) are thought to be accidents

',

'To the 2-hop node.

2-hop 노드인 차량 4, 5는 정상 차량이지만 표결 결과, '사고 발생 1 : 사고 미발생 2'로 거짓 메시지를 신뢰하게 되어, 사고가 발생하지 않았다고 판단하게 되고 사고가 발생하지 않았다는 사고 의견인

‘,

‘를 3-hop 노드에게 전달하게 된다.

Vehicles

4 and 5, which are 2-hop nodes, are normal vehicles, but as a result of the vote, the false message is trusted as'accident 1: accident 2', and it is judged that an accident has not occurred and an accident opinion that an accident has not occurred

',

'To the 3-hop node.

3-hop 노드인 차량 6, 7은 2-hop 노드와 마찬가지로 표결 결과, '사고 발생 1 : 사고 미발생 5'로 거짓 메시지를 신뢰하게 되어, 사고가 발생하지 않았다고 잘못 판단하게 되고, 이후의 8, 9, ... , N-hop 노드들 모두는 연쇄적으로 잘못된 판단을 하게 된다.As with the 3-hop node, the vehicles 6 and 7, like the 2-hop node, trust the false message as'accident occurred 1: accident not occurred 5'and incorrectly judged that the accident did not occur, and the subsequent 8 , 9, ..., all of the N-hop nodes are chained to misjudgment.

도 2의 예시는 공격 차량의 군집 주행으로 발생할 수 있다. 즉, 공격 차량은 군집 주행을 통해, 1-hop 노드의 과반수를 차지하게 되어 공격을 수행하여 전체 차량 중 낮은 공격차 비율에서도 차량 사고 오판율을 높일 수가 있다.The example of FIG. 2 may occur due to the cluster driving of the attacking vehicle. That is, the attacking vehicle occupies a majority of the 1-hop nodes through the cluster driving, thereby performing an attack, thereby increasing the false accident rate even at a low attacking vehicle ratio among the entire vehicles.

이에 따라, 1-hop 노드에 공격 차량이 다수를 차지하는 상황에서도, 2-hop 이하 노드에서, 차량 사고 오판율을 개선시킬 수 있게 하는 새로운 기법이 절실히 요구되고 있다.Accordingly, even in a situation where an attack vehicle occupies a large number of 1-hop nodes, there is an urgent need for a new technique to improve a vehicle accident error rate in a 2-hop or lower node.

본 발명의 실시예는 공격 차량이 거짓 사고 경고 공격을 수행하는 상황에서, 2-hop 노드의 차량이 표결을 수행하지 않고, 사고 발생여부를 직접 판단하여 사고 의견을 결정하게 함으로써, 2-hop 노드 이하의 차량에서의 차량 사고 판단 오탐율을 개선하는 차량 사고의 오판율 개선 방법 및 오판율 개선 장치를 제공하는 것을 목적으로 한다.In an embodiment of the present invention, in a situation in which an attack vehicle performs a false accident warning attack, a 2-hop node does not perform a vote, and determines whether an accident occurs by directly determining whether or not an accident occurs, and thus a 2-hop node It is an object of the present invention to provide a method for improving a false positive rate of a vehicle accident and an apparatus for improving a false positive rate, which improves a false positive rate for determining a vehicle accident.

또한, 본 발명의 실시예는, 순환 신경망 기반 LSTM 모델을 활용하여 차량사고판단 모델의 구조를 설계하는 것을 목적으로 한다.In addition, an embodiment of the present invention is to design a structure of a vehicle accident judgment model using a cyclic neural network based LSTM model.

또한, 본 발명의 실시예는, 도로의 차량 사고 발생 여부를 판단하기 위해 사고 메시지 및 비컨 메시지를 수집하여, 도로 상황 정보가 포함된 학습데이터를 정의하고 모델을 학습하는 것을 목적으로 한다.In addition, an embodiment of the present invention is to collect the accident message and the beacon message to determine whether a vehicle accident occurs on the road, and aims to define learning data including road situation information and train a model.

또한, 본 발명의 실시예는, 사고 지점과 인접한 2-hop 노드가 차량사고판단 모델을 활용하여 차량 사고 발생 여부를 직접 판단함으로써 1-hop 노드 과반수가 거짓 사고 경고 공격을 수행하는 상황에서 1-hop 노드의 사고 의견에 대한 의존성을 낮추어 차량 사고 판단 오탐율을 개선하는 것을 목적으로 한다.In addition, in the embodiment of the present invention, a 2-hop node adjacent to the accident point directly determines whether a vehicle accident has occurred using a vehicle accident determination model, so that a majority of 1-hop nodes perform a false accident warning attack. It aims to improve the false positive rate of vehicle accident judgment by lowering the dependency of hop node on accident opinion.

본 발명의 일실시예에 따른, 차량 사고의 오판율 개선 방법은, 사고 차량과 인접하여 위치하는 인접 차량으로부터, 사고 메시지와 비컨 메시지를 수신하는 단계; 상기 사고 메시지 내 홉 수를 확인하는 단계; 상기 홉 수가 '2 홉'으로 확인되면, 상기 사고 메시지와 상기 비컨 메시지를 이용하여 생성되는 도로상황 데이터를 분석하여, 사고 의견을 결정하는 단계; 및 상기 결정된 사고 의견으로 상기 사고 메시지를 갱신한 후, 주위 차량에게 송신하는 단계를 포함할 수 있다.According to an embodiment of the present invention, a method for improving a wrong rate of a vehicle accident includes: receiving an accident message and a beacon message from an adjacent vehicle positioned adjacent to the accident vehicle; Checking the number of hops in the accident message; Determining the accident opinion by analyzing road situation data generated using the accident message and the beacon message when the number of hops is confirmed as '2 hops'; And updating the accident message with the determined accident opinion, and transmitting the accident message to surrounding vehicles.

또한, 본 발명의 실시예에 따른, 차량 사고의 오판율 개선 장치는, 사고 차량과 인접하여 위치하는 인접 차량으로부터, 사고 메시지와 비컨 메시지를 수신하는 수신부; 상기 사고 메시지 내 홉 수를 확인하는 확인부; 상기 홉 수가 '2 홉'으로 확인되면, 상기 사고 메시지와 상기 비컨 메시지를 이용하여 생성되는 도로상황 데이터를 분석하여, 사고 의견을 결정하는 처리부; 및 상기 결정된 사고 의견으로 상기 사고 메시지를 갱신한 후, 주위 차량에게 송신하는 송신부를 포함하여 구성할 수 있다.In addition, according to an embodiment of the present invention, an apparatus for improving a wrong rate of a vehicle accident includes: a receiving unit receiving an accident message and a beacon message from an adjacent vehicle positioned adjacent to the accident vehicle; A confirmation unit for checking the number of hops in the accident message; When the number of hops is confirmed as '2 hops', a processing unit that analyzes road situation data generated by using the accident message and the beacon message to determine an accident opinion; And a transmitter for updating the accident message with the determined accident opinion and transmitting it to surrounding vehicles.

본 발명의 일실시예에 따르면, 공격 차량이 거짓 사고 경고 공격을 수행하는 상황에서, 2-hop 노드의 차량이 표결을 수행하지 않고, 사고 발생여부를 직접 판단하여 사고 의견을 결정하게 함으로써, 2-hop 노드 이하의 차량에서의 차량 사고 판단 오탐율을 개선하는 차량 사고의 오판율 개선 방법 및 오판율 개선 장치를 제공할 수 있다.According to an embodiment of the present invention, in a situation in which the attacking vehicle performs a false accident warning attack, the vehicle of the 2-hop node does not perform a vote and directly determines whether an accident has occurred, thereby determining an accident opinion, 2 It is possible to provide a method for improving a false positive rate of a vehicle accident and a device for improving a false positive rate, which improves a false positive rate for determining a vehicle accident in a vehicle below a -hop node.

또한, 본 발명의 일실시예에 따르면, 순환 신경망 기반 LSTM 모델을 활용하여 차량사고판단 모델의 구조를 설계할 수 있다.In addition, according to an embodiment of the present invention, it is possible to design a structure of a vehicle accident judgment model by utilizing a LSTM model based on a circulating neural network.

또한, 본 발명의 일실시예에 따르면, 도로의 차량 사고 발생 여부를 판단하기 위해 사고 메시지 및 비컨 메시지를 수집하여, 도로 상황 정보가 포함된 학습데이터를 정의하고 모델을 학습할 수 있다.In addition, according to an embodiment of the present invention, by collecting an accident message and a beacon message to determine whether a vehicle accident occurs on a road, it is possible to define learning data including road situation information and train a model.

또한, 본 발명의 일실시예에 따르면, 사고 지점과 인접한 2-hop 노드가 차량사고판단 모델을 활용하여 차량 사고 발생 여부를 직접 판단함으로써 1-hop 노드 과반수가 거짓 사고 경고 공격을 수행하는 상황에서 1-hop 노드의 사고 의견에 대한 의존성을 낮추어 차량 사고 판단 오탐율을 개선할 수 있다.In addition, according to an embodiment of the present invention, in a situation where a 2-hop node adjacent to the accident point directly determines whether a vehicle accident has occurred using a vehicle accident judgment model, a majority of 1-hop nodes perform a false accident warning attack. By lowering the 1-hop node's dependence on accident opinions, it is possible to improve the false positive rate of vehicle accident judgments.

도 1은 기존 표결 기반의 사고 메시지 신뢰 관리 기법의 개요를 설명하는 도면이다.
도 2는 초기 사고 발견 차량(1-hop) 과반수가 거짓 사고 경고 공격을 하는 상황을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 차량 사고의 오판율 개선 장치의 구성을 도시한 블록도이다.
도 4는 본 발명에 제안하는 차량 사고의 오판율을 개선하는 기법에 대한 개요도이다.
도 5는 본 발명에 따른, 시스템 구조의 일례를 설명하는 도면이다.
도 6는 본 발명에 따른 사고 메시지의 신뢰를 판단하기 위한 예시를 설명하는 도면이다.
도 7은 본 발명에서 제안하는 기법과 관련하여, 정상차량의 차량 사고 오판율을 나타내는 도면이다.
도 8은 본 발명에 따른 차량사고판단 모델 내의 학습 데이터, 비컨 메시지, 사고 메시지의 형태를 설명하기 위한 도면이다.
도 9는 본 발명에 따른 사고 메시지와 비컨 메시지를 활용한 학습 데이터의 생성 과정을 설명하기 위한 도면이다.
도 10은 본 발명에 따른 원-핫 인코딩의 일례를 설명하는 도면이다.
도 11은 시계열 데이터로 변환된 학습 데이터의 최종 형태를 예시하는 도면이다.
도 12는 본 발명에 따른 차량사고판단 모델의 구조를 설명하기 위한 도면이다.
도 13은 본 발명에 따른 LSTM 계층의 구조를 설명하기 위한 도이다.
도 14는 사고 메시지를 수신하는 알고리즘을 도시한 도이다.
도 15는 도로 상황 데이터의 일례를 설명하는 도면이다.
도 16는 도로 상황 데이터를 생성하는 알고리즘을 도시한 도이다.
도 17은 메시지의 신뢰를 판단하는 알고리즘을 도시한 도이다.
도 18은 사고 메시지를 전송하는 알고리즘을 도시한 도이다.
도 19는 본 발명의 일실시예에 따른, 차량 사고의 오판율 개선 방법을 도시한 흐름도이다.1 is a view for explaining the outline of the existing vote-based accident message trust management technique.
FIG. 2 is a diagram for explaining a situation in which a majority of the initial accident detection vehicle (1-hop) attacks a false accident warning.
3 is a block diagram showing a configuration of a device for improving a false positive rate of a vehicle accident according to an embodiment of the present invention.
4 is a schematic diagram of a technique for improving a false positive rate of a vehicle accident proposed in the present invention.
5 is a view for explaining an example of a system structure according to the present invention.
6 is a view for explaining an example for determining the trust of the accident message according to the present invention.
7 is a diagram showing a vehicle accident error rate of a normal vehicle in relation to the technique proposed in the present invention.
8 is a view for explaining the form of learning data, beacon messages, and accident messages in a vehicle accident determination model according to the present invention.
9 is a view for explaining a process of generating learning data using an accident message and a beacon message according to the present invention.
10 is a view for explaining an example of one-hot encoding according to the present invention.
11 is a diagram illustrating a final form of learning data converted to time series data.
12 is a view for explaining the structure of a vehicle accident judgment model according to the present invention.
13 is a view for explaining the structure of the LSTM layer according to the present invention.
14 is a diagram showing an algorithm for receiving an accident message.
15 is a view for explaining an example of road condition data.
16 is a diagram showing an algorithm for generating road condition data.
17 is a diagram showing an algorithm for determining the trust of a message.
18 is a diagram illustrating an algorithm for transmitting an accident message.
19 is a flowchart illustrating a method for improving a wrong rate of a vehicle accident according to an embodiment of the present invention.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, various changes may be made to the embodiments, and the scope of the patent application right is not limited or limited by these embodiments. It should be understood that all modifications, equivalents, or substitutes for the embodiments are included in the scope of rights.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the examples are used for illustrative purposes only and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly indicates otherwise. In this specification, the terms "include" or "have" are intended to indicate the presence of features, numbers, steps, actions, components, parts or combinations thereof described in the specification, one or more other features. It should be understood that the existence or addition possibilities of fields or numbers, steps, operations, components, parts or combinations thereof are not excluded in advance.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 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 otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person skilled in the art to which the embodiment belongs. Terms, such as those defined in a commonly used dictionary, should be interpreted as having meanings consistent with meanings in the context of related technologies, and should not be interpreted as ideal or excessively formal meanings unless explicitly defined in the present application. Does not.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are assigned to the same components regardless of reference numerals, and redundant descriptions thereof will be omitted. In describing the embodiments, when it is determined that detailed descriptions of related known technologies may unnecessarily obscure the subject matter of the embodiments, the detailed descriptions will be omitted.

도 3은 본 발명의 일실시예에 따른 차량 사고의 오판율 개선 장치의 구성을 도시한 블록도이다.3 is a block diagram showing a configuration of a device for improving a false positive rate of a vehicle accident according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 일실시예에 따른, 차량 사고의 오판율 개선 장치(이하, '오판율 개선 장치'이라 함)(300)는, 수신부(310), 확인부(320), 처리부(330), 및 송신부(340)를 포함하여 구성할 수 있다.Referring to FIG. 3, according to an embodiment of the present invention, a device for improving a false positive rate of a vehicle accident (hereinafter referred to as a'false wrong rate improving device') 300 includes: a receiving unit 310, a checking unit 320, It may be configured to include a processing unit 330, and a transmitting unit 340.

우선, 수신부(310)는 사고 차량과 인접하여 위치하는 인접 차량으로부터, 사고 메시지와 비컨 메시지를 수신한다. 즉, 수신부(310)는 차량 사고가 발생한 지점에 가까이 위치하는 인접 차량으로부터, 사고 의견에 관한 사고 메시지와, 도로 상황에 관한 비컨 메시지를 수신하는 역할을 할 수 있다. 상기 인접 차량으로는, 차량 사고를 직접 목격한 차량(예, 1-hop 노드)을 예시할 수 있다.First, the receiving unit 310 receives an accident message and a beacon message from an adjacent vehicle positioned adjacent to the accident vehicle. That is, the receiving unit 310 may serve to receive an accident message regarding an accident opinion and a beacon message regarding a road situation from an adjacent vehicle located close to the point where the vehicle accident occurred. As the adjacent vehicle, a vehicle (eg, a 1-hop node) directly witnessing a vehicle accident may be exemplified.

상기 사고 메시지는, 사고와 연관하여 인접 차량에 의해 작성되며, 상기 인접 차량에서 결정한 사고 의견(사고 발생/사고 미발생)을 포함할 수 있다.The accident message is created by an adjacent vehicle in connection with an accident, and may include an accident opinion (accident occurring/accident not occurring) determined by the adjacent vehicle.

또한, 상기 비컨 메시지는, 사고와 연관하여 인접 차량에 의해 작성되며, 상기 인접 차량의 위치, 속도를 포함할 수 있다.In addition, the beacon message is created by an adjacent vehicle in association with an accident, and may include the location and speed of the adjacent vehicle.

확인부(320)는 상기 사고 메시지 내 홉 수를 확인한다. 즉, 확인부(320)는 사고 메시지에 포함되는 정보들 중에서, 사고 메시지의 전달 hop 수에 관한

를 읽음으로써, 상기 수신된 사고 메시지가, 앞서 몇번의 노드를 경유하여 전달되었는지를 파악하는 역할을 할 수 있다.The verification unit 320 checks the number of hops in the accident message. That is, the confirmation unit 320, from among the information included in the accident message, regarding the number of hops for delivery of the accident message

By reading, it may serve to determine how many nodes were previously received by the received accident message.

처리부(330)는 상기 홉 수가 '2 홉'으로 확인되면, 상기 사고 메시지와 상기 비컨 메시지를 이용하여 생성되는 도로상황 데이터를 분석하여, 사고 의견을 결정한다. 즉, 처리부(330)는 수신한 사고 메시지가, 차량 사고를 목격한 1-hop 차량으로부터 수신된 것이라면, 표결에 의한 사고 의견의 결정을 하지 않고, 도로상황 데이터에 의거한 차량 사고 여부를 판단하여, 현 시점의 사고 의견을 결정하는 역할을 할 수 있다.When the number of hops is confirmed to be '2 hops', the processing unit 330 analyzes road situation data generated using the accident message and the beacon message to determine an accident opinion. That is, if the received accident message is received from a 1-hop vehicle that has witnessed a vehicle accident, the processing unit 330 determines whether the vehicle accident is based on the road condition data without determining the accident opinion by vote. In addition, it can play a role in determining thinking opinions at this time.

상기 도로상황 데이터는, 사고 메시지와 비컨 메시지 내 정보를 종합하여, 처리부(330)로 하여금, 차량 사고가 일어난 도로의 현 상태를 추정할 수 있게 하는 데이터일 수 있다.The road condition data may be data that synthesizes information in an accident message and a beacon message, and allows the processing unit 330 to estimate the current state of a road in which a vehicle accident has occurred.

상기 도로상황 데이터의 생성에 있어, 처리부(330)는, 먼저 상기 사고 메시지에서, '사고 도로의 총 차선 수(Nl)', '사고 차량의 이웃 차량 수(Nnv)', '실제 사고 유무(y)'를 획득할 수 있다.In the generation of the road condition data, the processing unit 330, first, in the accident message,'the total number of lanes of the accident road (Nl)','the number of neighboring vehicles of the accident vehicle (Nnv)','actual presence or absence ( y)'.

상기 '사고 도로의 총 차선 수(Nl)'는 차량 사고가 일어난 도로를 구성하는 차선의 전체 수를 의미하며, 예컨대 2차선에서 차량 사고가 일어난 도로의 편도 차선이 2차선 도로이면, 처리부(330)는 상기 사고 메시지로부터, Nl을 읽어 '2'를 획득할 수 있다.The total number of lanes (Nl) of the accident road means the total number of lanes constituting the road where the vehicle accident occurred. For example, if the one-way lane of the road where the vehicle accident occurred in the second lane is a two-lane road, the processing unit 330 ) Can obtain '2' by reading Nl from the accident message.

상기 '사고 차량의 이웃 차량 수(Nnv)'는 사고 차량을 직접 목격하여 사고 의견을 낼 수 있는 1-hop 노드의 수를 의미하여, 예컨대 상술의 2차선 사고를 목격한, 같은 주행 방향의 차량이 3대라면, 처리부(330)는 상기 사고 메시지로부터 Nnv을 읽어 '3'을 획득할 수 있다.The'neighbor vehicle number (Nnv) of the accident vehicle' refers to the number of 1-hop nodes capable of directly witnessing the accident vehicle and giving an accident opinion, for example, a vehicle in the same driving direction, witnessing the above-mentioned two-lane accident. In the case of these three units, the processing unit 330 may acquire N3 by reading Nnv from the accident message.

상기 '실제 사고 유무(y)'는 1-hop 노드의 차량에서 생성한 사고 의견으로 해당 차량에서 판단한 사고 발생 여하에 관한 것이며, 처리부(330)는 상기 사고 메시지로부터 y 항목을 읽어 '사고 발생 또는 사고 미발생'을 획득할 수 있다. 여기서, 상기 '실제 사고 유무(y)'는 1-hop 노드의 차량이 정상 차량인지, 또는 거짓 메시지를 생산하는 공격 차량인지에 따라, 실제 사고 여부와 무관하게 기재될 수 있다.The'actual presence or absence (y)' is an accident opinion generated by the vehicle of the 1-hop node, and relates to the occurrence of the accident determined by the corresponding vehicle, and the processing unit 330 reads the item y from the accident message to indicate'the accident or 'No accident occurred'. Here, the'actual presence or absence (y)' may be described regardless of whether or not an actual accident occurs, depending on whether the vehicle of the 1-hop node is a normal vehicle or an attack vehicle that produces a false message.

또한, 처리부(330)는 상기 비컨 메시지에서, '사고 차량과 가장 가까운 차량의 속도(VS1)', '사고 차량과 두 번째로 가까운 차량의 속도(VS2)', '사고 차량과 세 번째로 가까운 차량의 속도(VS3)'를 획득할 수 있다.In addition, in the beacon message, the processing unit 330 may include'speed of the vehicle closest to the accident vehicle (VS1)','speed of the second closest vehicle to the accident vehicle (VS2)', and'third closest to the accident vehicle. Vehicle speed (VS3)' can be obtained.

처리부(330)는 사고 차량과의 물리적인 거리가 가까운 3개의 차량으로부터 수신한 비컨 메시지 각각으로부터 상기 '사고 차량과 가장 가까운 차량의 속도(VS1)', '사고 차량과 두 번째로 가까운 차량의 속도(VS2)', '사고 차량과 세 번째로 가까운 차량의 속도(VS3)'를 읽어, 상기 물리적인 거리가 가까운 3개의 차량에 대한 속도를 획득할 수 있다.The processing unit 330 may include the above-mentioned'speed of the vehicle closest to the accident vehicle (VS1)' and'speed of the second vehicle closest to the accident vehicle' from each of the beacon messages received from three vehicles having a close physical distance from the accident vehicle. By reading'VS2)' and'VS3 of the vehicle closest to the accident vehicle', the speeds for the three vehicles having the close physical distance can be obtained.

이후, 처리부(330)는 상기 획득한 정보들을 포함하여 도로상황 데이터를 생성한다. 즉, 처리부(330)는, 사고 메시지로부터 획득한, '사고 도로의 총 차선 수(Nl)', '사고 차량의 이웃 차량 수(Nnv)', '실제 사고 유무(y)'와, 비컨 메시지로부터 획득한, '사고 차량과 가장 가까운 차량의 속도(VS1)', '사고 차량과 두 번째로 가까운 차량의 속도(VS2)', '사고 차량과 세 번째로 가까운 차량의 속도(VS3)'를 포함하여, 도로상황 데이터를 생성할 수 있다.Subsequently, the processing unit 330 generates road condition data including the obtained information. That is, the processing unit 330 obtained from the accident message,'total number of lanes on the accident road (Nl)','number of neighboring vehicles on the accident vehicle (Nnv)','actual presence or absence (y)', and beacon message Obtained from the ``Speed of the vehicle closest to the accident vehicle (VS1)'', ``Speed of the second vehicle closest to the accident vehicle (VS2)'' and ``Speed of the vehicle closest to the accident vehicle (VS3)'' Including, road condition data can be generated.

또한, 처리부(330)는 지정된 t초 동안에, 1초 마다 상기 도로상황 데이터의 생성을 반복하여, 시계열 도로상황 데이터를 생성할 수 있다. 즉, 처리부(330)는 초 별로 도로상황 데이터를 생성하고, 이들을 시간 순으로 묶어 시계열 도로상황 데이터를 생성할 수 있다. 예컨대, 상기 t를 5로 설정하는 경우, 처리부(330)는 각 초별로 5개의 도로상황 데이터를 생성하고, 이를 시간 순으로 그룹핑하여, 시계열 도로상황 데이터를 생성할 수 있다.In addition, the processing unit 330 may generate time-series road condition data by repeating generation of the road condition data every second for a designated t second. That is, the processing unit 330 may generate road condition data for each second, and group them in chronological order to generate time series road condition data. For example, when setting t to 5, the processing unit 330 may generate five road condition data for each second, and group them in chronological order to generate time series road condition data.

또한, 처리부(330)는 상기 시계열 도로상황 데이터를, 차량사고판단 모델에 적용하여, 상기 사고 의견을 결정할 수 있다. 즉, 처리부(330)는 사고 의견을 도출하도록 학습된 차량사고판단 모델에, 상기 시계열 도로상황 데이터를 입력시킬 수 있다. 상기 차량사고판단 모델로부터 출력되는 데이터는, 해당 2-hop 노드의 차량에서의, 사고 여부를 추정한 사고 의견이 될 수 있다.In addition, the processing unit 330 may determine the opinion of the accident by applying the time series road condition data to a vehicle accident judgment model. That is, the processing unit 330 may input the time series road situation data into a vehicle accident judgment model trained to derive an accident opinion. The data output from the vehicle accident determination model may be an accident opinion that estimates whether there is an accident in the vehicle of the corresponding 2-hop node.

상기 차량사고판단 모델은, 이전에 발생한 사고에 관한, 모델생성용 사고 메시지에서 획득한, '사고 도로의 총 차선 수(Nl)', '사고 차량의 이웃 차량 수(Nnv)', '실제 사고 유무(y)'와, 모델생성용 비컨 메시지에서 획득한 '사고 차량과 가장 가까운 차량의 속도(VS1)', '사고 차량과 두 번째로 가까운 차량의 속도(VS2)', '사고 차량과 세 번째로 가까운 차량의 속도(VS3)'를 포함하여 학습데이터를 수집하고, 지정된 시간 동안 상기 학습데이터의 수집을 반복하여 시계열 학습 데이터를 구성하며, 상기 시계열 학습 데이터를, LSTM(Long Short-Term Memory) 알고리즘에 적용하여 모델링하여 작성될 수 있다.The vehicle accident determination model,'total number of lanes on the accident road (Nl)','number of neighboring vehicles on the accident vehicle (Nnv)','actual accident' Presence or absence (y),'speed of the vehicle closest to the accident vehicle (VS1)','speed of the second vehicle closest to the accident vehicle (VS2)','accident vehicle and tax' obtained from the beacon message for model generation The second closest vehicle speed (VS3)' is collected, and learning data is repeatedly collected for a designated time to construct time series learning data, and the time series learning data is LSTM (Long Short-Term Memory). ) It can be written by modeling by applying it to an algorithm.

여기서, 상기 모델생성용 사고 메시지와, 상기 모델생성용 비컨 메시지는, 사고 의견을 결정해야 하는 현 사고 이전에 생성되어 수신되었던 메시지들일 수 있다.Here, the accident message for model generation and the beacon message for model generation may be messages generated and received before the current accident for which an opinion of an accident is to be determined.

즉, 차량사고판단 모델은, '사고 도로의 총 차선 수(Nl)' 등을 포함하는 학습데이터를 개별 시간 마다 수집하고 이들을 묶어 시계열 학습 데이터를 구성하며, 상기 구성된 시계열 학습 데이터를 LSTM 알고리즘에 반영함으로써, 모델링될 수 있다.That is, the vehicle accident judgment model collects training data including'the total number of lanes of the accident road (Nl)' for each time, bundles them to construct time series training data, and reflects the configured time series training data to the LSTM algorithm. By doing so, it can be modeled.

LSTM는 순환 신경망(Recurrent Neural Network)의 단점을 해소하기 위한 개발된 것이다. 순환 신경망(RNN)은 시계열 데이터(time-series data)와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하기 위한 딥 러닝 모델로서, 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성한 인공 신경망(ANN)을 지칭할 수 있다. 그러나, 매 시점에 심층 신경망(DNN)이 연결되어 있을 경우, 순환 신경망은 오래 전의 데이터에 의한 기울기 값이 소실되는 문제(vanishing gradient problem)로 학습이 어려워진다. 이를 해결하는 대표적인 모델이, LSTM(Long-Short term Memory) 방식의 순환 신경망이다.LSTM was developed to solve the disadvantages of the recurrent neural network. The cyclic neural network (RNN) is a deep learning model for learning data that changes over time, such as time-series data, and connects the network to the reference time (t) and the next time (t+1). It may refer to the artificial neural network (ANN) configured by. However, when a deep neural network (DNN) is connected at every point in time, the cyclic neural network is difficult to learn due to a problem of losing a gradient due to long-time data (vanishing gradient problem). A representative model that solves this is a long-short term memory (LSTM) circulatory neural network.

모델링된 상기 차량사고판단 모델은, V2V(Vehicle-to-Vehicle) 통신을 수행하는 OBU(On-Board Unit)의 초기 펌웨어 설치 과정에서 상기 펌웨어와 함께 설치되어 배포되거나, 백본(Backbone)에 연결된 RSU(Road Side Unit)를 통해 배포되거나, 기지국에 의한 셀룰러 통신망을 통해 배포될 수 있다. 즉, 차량사고판단 모델은, 다양한 통신 방식으로, 차량으로 배포될 수 있다.The modeled vehicle accident judgment model is installed and distributed together with the firmware during the initial firmware installation process of the on-board unit (OBU) performing V2V (Vehicle-to-Vehicle) communication, or an RSU connected to a backbone It can be distributed through (Road Side Unit) or through a cellular communication network by a base station. That is, the vehicle accident judgment model may be distributed to vehicles through various communication methods.

만약, 상기 사고 메시지로부터 확인된 홉 수가 '2 홉'이 아닌 것으로 확인되면, 처리부(330)는, 상기 사고 메시지 내, '실제 사고 유무(y)'를 리드하여, 사고 발생과 사고 미발생에 대해 각각 카운트한다. 즉, 처리부(330)는 사고 메시지가 전달된 횟수가 3-hop 이상이라면, 표결 방식의 의거하여, '실제 사고 유무(y)'를 리드하여 사고 발생의 개수와 사고 미발생의 개수를 계수할 수 있다.If it is determined from the accident message that the number of hops is not '2 hops', the processing unit 330 leads the'actual presence/absence (y)' in the accident message to prevent an accident from occurring and an accident not occurring. For each count. That is, if the number of times an accident message is transmitted is 3-hop or more, the processing unit 330 leads the'actual presence/absence (y)' to count the number of accidents and the number of non-accidents. Can.

이후, 처리부(330)는 상기 사고 발생과 상기 사고 미발생 중 다수로 카운트되는 결과를, 상기 사고 의견으로 결정한다. 즉, 처리부(330)는 상대적으로 많은 수로 카운트된 결과를, 해당 홉에서의 사고 의견으로서 결정할 수 있다. 예컨대, 3-hop의 노드에서 수신한 5개의 사고 메시지 각각에서 '실제 사고 유무(y)'를 읽어, 사고발생-1, 사고 미발생-4 로 카운트되는 경우, 처리부(330)는 상기 3-hop에서의 사고 의견을 표결 방식에 따라 사고 미발생으로 결정할 수 있다.Thereafter, the processing unit 330 determines a result counted as a number of the occurrence of the accident and the occurrence of the accident as the accident opinion. That is, the processing unit 330 may determine the result counted as a relatively large number as an accident opinion in the corresponding hop. For example, if the'real presence or absence (y)' is read from each of the five accident messages received from the 3-hop node, and counted as an accident occurrence-1 or an accident occurrence-4, the processing unit 330 may perform the 3- The opinion of the accident at the hop can be determined as the occurrence of an accident according to the voting method.

송신부(340)는 상기 결정된 사고 의견으로 상기 사고 메시지를 갱신한 후, 주위 차량에게 송신한다. 즉, 송신부(340)는 현 hop에서 결정된 사고 의견을, 앞선 hop에서의 사고 의견에 추가하여 사고 메시지를 업데이트하여, 후속 hop으로 전파하는 역할을 할 수 있다.The transmitter 340 updates the accident message with the determined accident opinion, and then transmits it to the surrounding vehicles. That is, the transmitter 340 may update the accident message by adding the accident opinion determined at the current hop to the accident opinion at the previous hop and propagate to the subsequent hop.

도 4는 본 발명에 제안하는 차량 사고의 오판율을 개선하는 기법에 대한 개요도이다.4 is a schematic diagram of a technique for improving a false positive rate of a vehicle accident proposed in the present invention.

도 4는 본 발명에서 제안하는 사고 메시지 신뢰 관리 기법의 개요를 설명하기 위한 도면이다.4 is a view for explaining the outline of the accident message trust management method proposed in the present invention.

도 4(a)에서는 차량사고판단 모델을 학습하여 생성하고 배포하는 과정을 설명하고 있고, 도 4(b)에서는 해당 모델을 활용하여 메시지 신뢰 여부를 판단하는 과정을 설명하고 있다.FIG. 4(a) describes a process of learning, generating and distributing a vehicle accident judgment model, and FIG. 4(b) describes a process of determining whether to trust a message using the model.

도 4(a)의 차량사고판단 모델을 사용하기 위한 과정은, 학습을 통해 모델을 생성하는 차량사고판단 모델 학습 단계(step 1)와, 생성된 모델을 차량의 OBU에 배포하는 차량사고판단 모델 배포 단계(step 2)로 구성될 수 있으며, 각 단계는 1회씩 수행될 수 있다.The process for using the vehicle accident judgment model of FIG. 4(a) includes a vehicle accident judgment model learning step (step 1) for generating a model through learning, and a vehicle accident judgment model for distributing the generated model to the OBU of the vehicle. It may be composed of a distribution step (step 2), each step may be performed once.

차량사고판단 모델 학습 단계(step 1)는, 첫째, 모델 학습을 위한 데이터를, 차량 사고가 일어난 도로의 차량들이 보내는 비컨의 V2V 통신을 활용하여 수집하고, 둘째, 학습을 위한 데이터로 변경하기 위해 데이터 전처리를 수행하며, 셋째, 학습 데이터를 사용하여 차량사고판단 모델을 학습하여 생성하는, 3가지 세부단계로 구성될 수 있다.In the vehicle accident judgment model learning step (step 1), first, data for model learning is collected by using V2V communication of a beacon transmitted by vehicles on a road where a vehicle accident has occurred, and secondly, in order to change it to data for learning. The data can be pre-processed, and thirdly, it can be composed of three detailed steps of learning and generating a vehicle accident judgment model using the training data.

차량사고판단 모델 배포 단계(step 2)에서는, 생성된 차량사고판단 모델을, 초기 OBU 펌웨어(firmware) 설치과정에서 배포하거나, 저장 장치에 직접 연결하거나, RSU와의 통신, 그리고 셀룰러(cellular) 통신을 활용하여 배포할 수 있다.In the vehicle accident judgment model distribution step (step 2), the generated vehicle accident judgment model is distributed during the initial OBU firmware installation process, directly connected to a storage device, communication with the RSU, and cellular communication. It can be used for distribution.

차량사고판단 모델 학습 단계(step 1)와, 차량사고판단 모델 배포 단계(step 2) 이후, 차량들은 사고 메시지를 수신하면 사고 메시지 신뢰 판단(step 3) 단계 만을 수행하여, 사고 메시지를 신뢰할 수 있는지 결정하고, 사고 여부를 판단해 자신의 사고 의견을 결정할 수 있다.After the vehicle accident judgment model learning step (step 1) and the vehicle accident judgment model distribution step (step 2), when vehicles receive an accident message, they perform only the accident message trust judgment (step 3) step to determine whether the accident message can be trusted. You can decide your own opinion by deciding whether or not you have an accident.

사고 메시지 신뢰 판단(step 3) 단계는, 첫째, 주변 차량들로부터 사고 메시지를 수신하고, 둘째, 사고 메시지 신뢰 여부를 판단하며, 셋째, 차량사고판단 모델 또는 표결을 통해 결정된 자신의 사고 의견을 사고 메시지에 담아 후속 hop 수의 차량들에게 송신하는, 3가지 세부단계로 구성될 수 있다.The accident message trust judgment step (step 3) includes: first, receiving an accident message from nearby vehicles, second, determining whether or not the accident message is trusted, and third, thinking about the accident opinion of the vehicle determined through a vehicle accident judgment model or a vote. It can consist of three sub-steps, which are carried in a message and transmitted to the next hop number of vehicles.

특히, 상술의 둘째 단계(사고 메시지 신뢰 여부의 판단)에서는, 받은 사고 메시지의 hop 수를 확인하여 자신의 차량이 사고 도로의 상황을 확인할 수 있는 2-hop 노드라면 사고 도로 내 차량들의 비컨을 수집한 후, 차량사고판단 모델을 활용하여 사고 여부를 직접 판단할 수 있다.In particular, in the second step (determining whether or not the accident message is trusted), the beacons of vehicles in the accident road are collected if the vehicle is a 2-hop node that can check the situation of the accident road by checking the number of hops of the received accident message. After that, the vehicle accident judgment model can be used to directly determine the accident.

반면, 사고 도로 상황을 확인할 수 없는 3 이하(3 ... N)-hop 노드라면, 둘째 단계(사고 메시지 신뢰 여부의 판단)에서는, 이전 hop 수 차량들이 보내준 사고 의견을 표결하여 사고 메시지를 신뢰할지 결정하고 사고 여부를 판단할 수 있다.On the other hand, if it is a 3 or less (3 ... N)-hop node that cannot confirm the road condition of an accident, in the second step (determining whether or not the accident message is trusted), the accident message sent by the previous hop number vehicles is voted and the accident message is trusted. You can decide whether to do it and decide whether or not you have an accident.

도 5는 본 발명에 따른, 시스템 구조의 일례를 설명하는 도면이다.5 is a view for explaining an example of a system structure according to the present invention.

도 5는 본 발명에서 제안하는 사고 메시지 신뢰 관리 기법이 동작하는 시스템 구조의 일례이다.5 is an example of a system structure in which the accident message trust management technique proposed in the present invention operates.

시스템은 모델 학습을 위한 서버와 학습데이터 수집 및 메시지 신뢰 판단을 수행하는 차량으로 구성될 수 있다.The system may consist of a server for model training and a vehicle that performs training data collection and message trust determination.

시스템 기반의 동작 과정으로, 첫째, 차량은 주행 과정 중 사고 상황 데이터와 정상 주행 데이터를 수집한 후, 학습데이터 형태로 변경하여 서버에게 전송한다. 그 후, 서버는 차량으로부터 전송받은 데이터를 기반으로 차량사고판단 모델을 생성한다(step 1).As a system-based operation process, first, the vehicle collects accident situation data and normal driving data during the driving process, and then changes them to learning data and transmits them to the server. Then, the server generates a vehicle accident judgment model based on the data transmitted from the vehicle (step 1).

둘째, 생성된 모델은 다양한 경로를 통해 차량에 부착된 OBU에 배포된다 (step 2).Second, the generated model is distributed to the OBU attached to the vehicle through various routes (step 2).

마지막으로, 차량은 전달받은 차량 사고 판단모델을 활용하여 사고 메시지 신뢰 판단을 수행한다 (step 3).Finally, the vehicle performs the accident message trust determination using the received vehicle accident determination model (step 3).

도 6는 본 발명에 따른 사고 메시지의 신뢰를 판단하기 위한 예시를 설명하는 도면이다.6 is a view for explaining an example for determining the trust of the accident message according to the present invention.

도 6에는 본 발명에서 제안하는 기법의 사고 메시지의 신뢰를 판단하는 예시를 포함한다.6 includes an example of determining the trust of the accident message of the technique proposed in the present invention.

여기서, 숫자 i와, 숫자 i’는 각각 정상 차량과 공격 차량의 ID이며

와

’는 각각 사고가 발생했다는 사고 의견과 사고가 발생하지 않았다는 사고 의견이다.Here, the number i and the number i'are IDs of the normal vehicle and the attacking vehicle, respectively.

Wow

'Is an opinion that an accident occurred and an opinion that an accident did not occur.

1-hop 노드인 차량 1, 2‘, 3’은 각각 사고가 발생했다는 의견인

과, 사고가 발생하지 않았다는 의견인

‘,

’를 2-hop 노드에 전달할 수 있다.The 1-hop node, vehicles 1, 2', and 3', respectively, is an opinion that an accident occurred.

And, the opinion that no accident occurred

',

'To the 2-hop node.

2-hop 노드인 차량 4, 5는 기존 표결 기법과 같이, 1-hop 노드의 의견에 의존하여 자신의 사고 의견을 결정하지 않고, 1-hop 노드가 보내주는 비컨 메시지를 통해 도로 상황 데이터를 생성할 수 있다.Vehicles 4 and 5, which are 2-hop nodes, do not rely on the opinions of 1-hop nodes and determine their own thinking opinions, as in the conventional voting technique, and generate road situation data through beacon messages sent by 1-hop nodes. can do.

그 후, 2-hop 노드인 차량 4, 5는 차량사고판단 모델을 활용한 도로 상황 분석을 통해, 사고 메시지의 사고 의견을 직접 결정하여 사고가 발생하였다는 사고 의견인

,

을 3-hop 노드에 전달할 수 있다.After that, the two-hop nodes,

vehicles

4 and 5, are accident opinions that the accident occurred by directly determining the accident opinion of the accident message through road condition analysis using the vehicle accident judgment model.

,

Can be delivered to a 3-hop node.

사고 지점과 인접한 차량들의 정보를 받을 수 없는 3-hop 노드인 차량 6, 7은 기존 표결 기법과 마찬가지로 1-hop와 2-hop 노드가 보낸 사고 의견을 표결하여 자신의 사고 메시지를 신뢰할지 판단하고 사고 의견을 결정할 수 있다.Vehicles 6 and 7, which are 3-hop nodes that cannot receive information of vehicles adjacent to the accident point, vote on the accident opinions sent by the 1-hop and 2-hop nodes, as in the conventional voting technique, to determine whether to trust their accident messages. You can decide your thoughts.

본 발명에서 제안하는 기법은 2-hop 노드가 차량 사고 발생 여부를 직접 판단함으로써, 1-hop 노드에 대한 의존도를 낮추어 공격 상황의 차량 사고 오판율을 개선할 수 있다.In the technique proposed in the present invention, the 2-hop node directly determines whether a vehicle accident has occurred, thereby reducing the dependence on the 1-hop node, thereby improving the false positive rate of the vehicle accident in an attack situation.

도 7은 본 발명에서 제안하는 기법과 관련하여, 정상차량의 차량 사고 오판율을 나타내는 도면이다.7 is a diagram showing a vehicle accident error rate of a normal vehicle in relation to the technique proposed in the present invention.

모든 hop 수 노드에서 공격 차량 존재하는 상황에서 차선 수 및 공격 차량 비율 별 정상차량의 차량 사고 오판율에 대한 실험 결과는, 도 7와 같다.The results of the experiment on the miscalculation rate of the vehicle accident of the normal vehicle according to the number of lanes and the ratio of the attacking vehicle in the presence of the attacking vehicle in all the hop number nodes are shown in FIG. 7.

도 7에 도시한 바와 같이, 전 차선 평균 차량 사고 오판율의 경우, 기본 표결 기법은 41.01%이고,

=0.5인 가중치 표결 기법은 40.80%이며,

=0인 가중치 표결 기법은 36.60%이고, 본 발명에 따른 제안 기법은 23.67%로, 제안 기법이 기존 표결 기반의 메시지 신뢰 관리 기법 보다 낮은 차량 사고 오판율을 가지는 것을 확인할 수 있다.As shown in FIG. 7, in the case of the average vehicle accident erroneous rate of all lanes, the basic voting technique is 41.01%,

The weight-voting technique with =0.5 is 40.80%,

The weighted vote voting scheme of =0 is 36.60%, and the proposed scheme according to the present invention is 23.67%, which confirms that the proposed scheme has a lower vehicle accident false positive rate than the existing vote based message trust management technique.

만약, 1-hop 노드에서 과반수 공격 차량이 존재하는 상황이면, 차선 수 별 정상차량의 차량 사고 오판율은, 기존 표결 기반의 3가지 기법의 경우 90% 이상의 차량 사고 오판율을 가지며, 제안 기법의 경우 0%에 가까운 차량 사고 오판율을 가질 수 있다.If a majority attack vehicle is present in a 1-hop node, the vehicle accident false positive rate for each lane number has a vehicle accident false positive rate of 90% or more for the three methods based on the existing vote. In this case, it may have a false positive rate of 0%.

본 발명에서 제안하는 기법에 의해서는, 2-hop 노드는 이웃 차량으로부터 받는 비컨 메시지와 사고 메시지를 통해 도로 상황 정보를 수집하고, 그 후, 차량사고판단 모델을 통해 도로 상황 정보를 분석하여 도로의 사고 발생 여부를 직접 판단할 수 있다.According to the technique proposed in the present invention, the 2-hop node collects road condition information through a beacon message and an accident message received from a neighboring vehicle, and then analyzes the road condition information through a vehicle accident judgment model to analyze the road condition. It is possible to directly determine whether an accident has occurred.

또한, 제안 기법에 의해서는, 공격자가 거짓 사고 경고(fake accident warning) 공격을 수행하는 상황에서, 2-hop 노드는 표결을 수행하지 않고 사고 발생여부를 직접 판단함으로써, 1-hop 노드 사고 의견에 대한 의존성을 낮추어 차량 사고 판단 오탐율을 개선할 수 있다.In addition, according to the proposed technique, in a situation where an attacker performs a false accident warning attack, the 2-hop node directly determines whether or not an accident occurs without performing a vote, so that the opinion of the 1-hop node accident is determined. By lowering the dependence on the vehicle, it is possible to improve the false positive rate of vehicle accident judgment.

도 8은 본 발명에 따른 차량사고판단 모델 내의 학습 데이터, 비컨 메시지, 사고 메시지의 형태를 설명하기 위한 도면이다.8 is a view for explaining the form of learning data, beacon messages, and accident messages in a vehicle accident determination model according to the present invention.

도 8(a)에는 학습 데이터에 포함되는 정보의 형태를 예시하면서, 차선 수(

), 이웃 차량 수(

), 차량 1의 속도(

), 차량 2의 속도(

), 차량 3의 속도(

)가 포함되고 있음을 예시하고있다.FIG. 8(a) illustrates the number of lanes while illustrating the form of information included in the learning data (

), number of neighboring vehicles (

), speed of vehicle 1 (

), speed of vehicle 2 (

), speed of vehicle 3 (

) Is included.

도 8(b)에는 비컨 데이터에 포함되는 정보의 형태를 예시하면서, 보낸 시간(

), 차량 ID(

), 위치(

), 속도(

)가 포함되고 있음을 예시하고 있다.8(b) illustrates the type of information included in the beacon data, while the time spent (

), Vehicle ID(

), location(

), speed(

) Is included.

도 8(c)에는 사고 메시지에 포함되는 정보의 형태를 예시하면서, 차량 ID(

), 사고 위치(

), 차선 수(

), 이웃 차량 수(

), 라우팅 Hop 수(

), 신뢰 의견(

)를 포함할 수 있다.8(c) illustrates the type of information included in the accident message, and the vehicle ID (

), accident location (

), number of lanes (

), number of neighboring vehicles (

), number of routing hops (

), trust opinion(

).

차량사고판단 모델 학습은 학습 데이터 수집, 데이터 전처리, 모델 학습 단계로 나뉜다.Vehicle accident judgment model training is divided into training data collection, data pre-processing, and model training stages.

상기 학습 데이터의 수집에 있어, 차량사고판단 모델을 학습하기 위해 사용하는 학습 데이터의 형태는 도 8(a)에 예시하고 있고, 각 데이터 항목의 정 이유는 표 1, 그리고 항목 표기법은 표 2에서 예시한다.In the collection of the training data, the form of the training data used to train the vehicle accident judgment model is illustrated in FIG. 8(a), the reason for determining each data item is Table 1, and the item notation is shown in Table 2 For example.

도 8(a)에서와 같이, 학습 데이터는 사고가 난 도로의 차선 수(

), 사고 차량의 이웃 차량 수(

), 데이터 수집 차량의 이웃 차량 중에 사고 차량과 가장 가까운 차량 3대의 속도(

,

), 그리고 레이블값인 사고 유무(

)를 포함하고, 레이블값으로는 정상 상황(0)과 사고 상황(1)을 표시한다.As shown in Figure 8 (a), the learning data is the number of lanes on the road where the accident occurred (

), the number of neighboring vehicles in the accident vehicle (

), the speed of the three vehicles that are closest to the accident vehicle among the neighboring vehicles of the data collection vehicle (

,

), and whether there is an accident that is the label value

), and normal status (0) and accident status (1) are indicated as label values.

학습 데이터는 두 가지 메시지 정보를 바탕으로 생성된다.Learning data is generated based on two types of message information.

첫째, VANET의 속한 차량들이 0.1초 주기로 보내는 비컨 메시지이며 형태는 도 8(b)와 같다. 비컨 메시지는 보낸 시간(

), 송신 차량 ID(

), 위치(

), 속도(

) 정보로 구성된다.First, it is a beacon message sent by vehicles belonging to VANET every 0.1 second, and the form is shown in FIG. 8(b). The time the beacon message was sent (

), sending vehicle ID(

), location(

), speed(

) Is composed of information.

둘째, 사고 정보를 담고 있는 사고 메시지이며 형태는 도 8(c)와 같다. 사고 메시지는 송신 차량 ID(

), 사고 위치(

), 차선 수(

), 사고 차량의 이웃 차량 수(

), 사고 메시지 전달 hop 수(

), 사고 의견(

) 정보로 구성되며, 사고 의견정보는 사고가 발생했다는 의견(1)과 사고가 발생하지 않았다는 의견(0)을 표시한다.Second, it is an accident message containing accident information and the form is shown in FIG. 8(c). The accident message is the vehicle ID

), accident location (

), number of lanes (

), the number of neighboring vehicles in the accident vehicle (

), the number of hops for delivering accident messages (

), thinking opinion(

) Information, and the accident opinion information indicates that an accident occurred (1) and that an accident did not occur (0).

도 9는 본 발명에 따른 사고 메시지와 비컨 메시지를 활용한 학습 데이터의 생성 과정을 설명하기 위한 도면이다.9 is a view for explaining a process of generating learning data using an accident message and a beacon message according to the present invention.

도 9에서는 차량이 사고 메시지와 비컨 메시지들을 수신하여 학습데이터를 생성하는 과정을 예시한다.9 illustrates a process in which the vehicle receives the accident message and the beacon messages and generates learning data.

도 9에서는 예컨대 2-hop 노드 중 차량 6이 데이터를 수집하는 과정을 예시한다.In FIG. 9, for example, a process in which vehicle 6 of a 2-hop node collects data is illustrated.

각 차량들은 0.1초 주기로 비컨 메시지를 전송할 수 있다. 또한, 사고 발생 시 사고를 발견한 1-hop 노드(차량 1, 2, 3, 4, 5)는 사고 메시지를 2-hop 노드에 전송할 수 있다.Each vehicle can transmit a beacon message every 0.1 seconds. In addition, when an accident occurs, the 1-hop node (vehicle 1, 2, 3, 4, 5) that found the accident may transmit an accident message to the 2-hop node.

2-hop 노드인 차량 6은 사고 메시지에 포함된 사고 위치(

)와 비컨 메시지들에 포함된 차량 위치(

)의 거리를 비교하여 사고 위치와 가장 가까운 차량 3대를 선정(차량 1, 2, 3) 할 수 있다.Vehicle 6, a 2-hop node, has an accident location (

) And the vehicle location included in the beacon messages (

) Can be compared to select the three vehicles closest to the accident location (

vehicles

1, 2, 3).

그 후 차량 6은 사고 메시지로부터 얻은

,

와 비컨 메시지로부터 얻은

,

을 종합하여 1개의 학습데이터를 생성할 수 있다. After that, vehicle 6 got from the accident message

,

And obtained from beacon messages

,

By combining, one learning data can be generated.

학습 데이터의 수집은 사고 메시지를 받은 시점으로부터 1초 주기로 총 5번 수행할 수 있다. 이를 통해 학습 데이터의 수집에서는 5초간의 도로 상황 정보를 수집할 수 있다.The collection of learning data can be performed a total of 5 times in a 1 second cycle from the time when the accident message is received. Through this, in the collection of learning data, road situation information for 5 seconds can be collected.

학습 데이터 수집 과정에서 수집된 데이터는 정규화(Normalization) 과정과 시계열 데이터 생성 과정을 통해, 최종 학습 데이터의 형태로 변경할 수 있다(데이터 전처리).The data collected in the learning data collection process can be changed into the form of final learning data through a normalization process and a time series data generation process (data preprocessing).

상기 정규화 과정은 min-max 정규화를 사용하여 진행할 수 있다.

행의

열 항목을

라고 할 때

는 [^수학식 2]을 통해 정규화 과정을 거쳐 [0,1]범위로 스케일링 될 수 있다.The normalization process may be performed using min-max normalization.

Row

Open items

When

Can be scaled to the [0,1] range through a normalization process through [ ^Equation 2].

이후, Y값 원-핫 인코딩을 통해, 학습 데이터에서 라벨 값인 Y는 0 or 1에서 도 10에서와 같이 변경할 수 있다.Then, through the Y-value one-hot encoding, the label value Y in the training data can be changed from 0 or 1 as shown in FIG. 10.

도 10은 본 발명에 따른 원-핫 인코딩의 일례를 설명하는 도면이다.10 is a view for explaining an example of one-hot encoding according to the present invention.

도 10에서와 같이, 사고 미발생(no Accident)인 '0'의 사고 의견(

)은 원-핫 인코딩에 의해, Y[1,0]로 변경되고, 사고 발생(Accident)인 '1'의 사고 의견(

)은 원-핫 인코딩에 의해, Y[0,1]로 변경될 수 있다.As in FIG. 10, the accident opinion of '0' which is no accident (no Accident)

) Is changed to Y[1,0] by one-hot encoding, and accident opinion of '1' which is an accident (Accident)

) Can be changed to Y[0,1] by one-hot encoding.

이후, 시계열 데이터 생성 과정에서는 1초 주기로 생성되는 학습데이터를 5초간의 시계열 데이터로 변환할 수 있다.Subsequently, in the process of generating time series data, the learning data generated in a period of 1 second may be converted into time series data for 5 seconds.

도 11은 시계열 데이터로 변환된 학습 데이터의 최종 형태를 예시하는 도면이다.11 is a diagram illustrating a final form of learning data converted to time series data.

도 11에 도시한 바와 같이, 5초 동안, 각 초 마다 학습 데이터가 수집되고, 이를 수집 순으로 배열 함으로써, 시계열 학습 데이터를 만들 수 있다.As illustrated in FIG. 11, for 5 seconds, learning data is collected for each second, and by arranging them in the order of collection, time-series learning data can be generated.

도 11에서 아래 첨자는 사고 차량과 인접한 순서와, 수집된 시간(초)을 나타낼 수 있다. 예컨대, VS₂₅는 사고 차량과 두번째가 가까우며 2초에 수집된, 노드(차량)의 속도를 지칭할 수 있다.In Fig. 11, the subscript may indicate the order adjacent to the accident vehicle and the collected time (seconds). For example, VS ₂₅ may refer to the speed of a node (vehicle), which is close to the accident vehicle and is collected in 2 seconds.

차량사고판단 모델은 5초간의 도로 상황을 분석하여 사고 여부를 판단한다. 따라서, 본 발명에서는 시계열 데이터 처리를 위해 차량사고판단 모델을 순환 신경망(Recurrent Neural Network, RNN) 알고리즘의 한가지인 LSTM(Long Short-Term Memory) 알고리즘을 활용하여 모델링 한다.The vehicle accident judgment model analyzes the road conditions for 5 seconds to determine whether there is an accident. Therefore, in the present invention, a vehicle accident judgment model is modeled by using a Long Short-Term Memory (LSTM) algorithm, which is one of the Recurrent Neural Network (RNN) algorithms, for time-series data processing.

기본 RNN은 역전파 과정에서 발생하는 기울기 소실로 인해 장기 기억이 어렵다는 문제가 있다. 하지만, LSTM은 여러 개의 게이트를 통해 장기 기억의 장점이 있어, 추후 time step 길이에 따른 확장성을 고려할 수 있다.The basic RNN has a problem that long-term memory is difficult due to loss of gradient generated during the back propagation process. However, LSTM has the advantage of long-term memory through multiple gates, so it is possible to consider the scalability according to the length of time step later.

도 12는 본 발명에 따른 차량사고판단 모델의 구조를 설명하기 위한 도면이다.12 is a view for explaining the structure of a vehicle accident judgment model according to the present invention.

도 12에서는, 본 발명에서 사용하는 LSTM 기반 차량사고판단 모델의 구조를 예시한다. 도 12에서와 같이, 차량사고판단 모델은 1개의 입력 계층, 1개의 LSTM 계층, 1개의 Dense 계층으로 구성하였다.12, the structure of the LSTM-based vehicle accident judgment model used in the present invention is illustrated. As shown in FIG. 12, the vehicle accident judgment model is composed of one input layer, one LSTM layer, and one Dense layer.

상기 입력 계층에서는 3차원 데이터 (Batch size(32), time step(5), input size(5))를 입력으로 받는다.The input layer receives 3D data (Batch size(32), time step(5), input size(5)) as input.

상기 batch size는 32로 설정되어 32개의 데이터를 학습에 사용한 후, BPTT (Back Propagation Through Time)을 통해 weight를 변경할 수 있다.The batch size is set to 32, and after using 32 data for learning, the weight can be changed through BPTT (Back Propagation Through Time).

상기 time step는 5로 설정되어, 5초 동안의 도로 상황 정보를 분석할 수 있다.The time step is set to 5, and it is possible to analyze road condition information for 5 seconds.

상기 input size는 입력 데이터 feature size를 5로 설정되어, 도로의 차선 수(

), 사고 차량의 이웃 차량 수(

), 사고 차량과 가장 가까운 차량 3대의 속도(

,

)를 사용할 수 있다. 하나의 입력 시계열 데이터는

와 같으며, t 시점의 데이터

는 [^수학식 3]과 같다.The input size is the input data feature size is set to 5, the number of lanes on the road (

), the number of neighboring vehicles in the accident vehicle (

), the speed of the three vehicles closest to the vehicle of the accident (

,

) Can be used. One input time series data

Same as, data at time t

Is as shown in [ ^Equation 3].

상기 LSTM 계층에서는 입력 계층으로부터 3차원 데이터를 입력으로 받아 128개의 메모리 셀을 통해 (batch size(32), memory cell(128))를 출력할 수 있다.In the LSTM layer, (batch size (32), memory cell (128)) may be output through 128 memory cells by receiving 3D data from the input layer.

도 13은 본 발명에 따른 LSTM 계층의 구조를 설명하기 위한 도이다.13 is a view for explaining the structure of the LSTM layer according to the present invention.

도 13에 도시한 바와 같이, LSTM 계층은 여러 개의 LSTM cell로 구성되어 있으며, 각 LSTM cell들은 시간 순서에 따라 연결되어 있다. 정보의 흐름은 각 LSTM cell의 정보를 기록, 삭제, 출력하여 처리되며, 이러한 기능은 input gate, forget gate, output gate를 통해 수행될 수 있다.As illustrated in FIG. 13, the LSTM layer is composed of several LSTM cells, and each LSTM cell is connected in time order. The flow of information is processed by recording, deleting, and outputting the information of each LSTM cell, and these functions can be performed through input gate, forget gate, and output gate.

LSTM cell의 각 gate 및 cell state 동작 과정은 ^수학식 4 내지 9를 통해 수행된다.Each gate and cell state operation process of the LSTM cell is performed through ^Equations 4 to 9.

각 게이트 및 업데이트 신호에 사용되는 가중치는

, bias는

, t시점 입력 값은

, t시점 LSTM cell의 출력값은

,

는 시그모이드 함수,

는 하이퍼볼릭탄젠트 함수,

는 Hadamard product이다.The weights used for each gate and update signal are

, bias is

, t time input value is

, The output value of the LSTM cell at time t

,

Is a sigmoid function,

Is a hyperbolic tangent function,

Is Hadamard product.

는 forget gate로서 [^수학식 4]와 같으며 활성화 함수로 sigmoid 함수를 사용한다.

는 출력값이 0이면 LSTM cell state를 장기 기억으로 가져가지 않고, 1이면 장기 기억으로 가져간다.

Is the forget gate, which is the same as [ ^Equation 4], and uses the sigmoid function as the activation function.

If the output value is 0, the LSTM cell state is not taken into long-term memory, and if it is 1, it is taken into long-term memory.

는 input gate로서 [^수학식 5]와 같으며 활성화 함수로 sigmoid 함수를 사용한다.

는 출력값이 0이면 cell state 계산에 입력값을 반영하지 않고, 1이면 반영한다.

Is the same as [ ^Equation 5] as the input gate, and the sigmoid function is used as the activation function.

If the output value is 0, the input value is not reflected in the cell state calculation, and if it is 1, it is reflected.

는 input 방향 신호로서 [^수학식 6]과 같으며 활성화 함수로 하이퍼볼릭탄젠트 함수를 사용한다.

는 출력값이 [-1,1] 범위 이며, -1일때 input 값을 음의 방향으로 cell state에 반영하며, 1일 때 input 값을 양의 방향으로 cell state에 반영한다.

Is the input direction signal and is the same as [ ^Equation 6], and uses the hyperbolic tangent function as the activation function.

Indicates that the output value is in the range [-1,1], and when -1, the input value is reflected in the cell state in the negative direction, and when 1, the input value is reflected in the cell state in the positive direction.

는 cell state로서 [^수학식 7]과 같으며 forget gate와 input gate의 값을 통해 결정된다.

는

의 값에 따라 t-1시점의 cell state 값 반영 여부를 결정하며,

와

의 값에 따라 입력값 반영 강도와 방향을 결정한다.

Is the cell state, as in [ ^Equation 7], and is determined through the values of forget gate and input gate.

The

Determine whether to reflect the cell state value at time t-1 according to the value of

Wow

The intensity and direction of reflecting the input value are determined according to the value of.

는 output gate로서 [^수학식 8]과 같으며 활성화 함수로 sigmoid 함수를 사용한다.

는 출력값이 0이면 cell state의 값을 출력하지 않고 출력값이 1이면 cell state의 값을 출력하도록 한다.

Is the same as [ ^Equation 8] as the output gate, and uses the sigmoid function as the activation function.

If the output value is 0, the value of the cell state is not output. If the output value is 1, the value of the cell state is output.

는 LSTM cell의 출력값으로 [^수학식 9]와 같다.

는 cell state의 값의 하이퍼볼릭탄젠트 함수를 사용하여 [-1,1] 범위 값으로 변경하고, time step에서 여러 가지 장기 기억 중 어떠한 값을 출력할지를 결정한다.

Is the output value of the LSTM cell, as shown in [ ^Equation 9].

Is changed to the range value of [-1,1] using the hyperbolic tangent function of the value of the cell state, and determines which of the various long-term memories is output in the time step.

상기 Dense 계층에서는 LSTM 계층으로부터

를 입력으로 받아, (batch size(32), output size(2)) 크기의 예측값

를 출력하며 활성화 함수로는 softmax를 사용하여 원-핫 인코딩 된 범주 형태의 출력값이 각 class(정상, 사고)에 속할 확률을 표현한다.In the Dense layer, from the LSTM layer

Taking as input, (batch size(32), output size(2)) predicted value

Outputs and expresses the probability that the output value of the one-hot encoded category type belongs to each class (normal, accident) using softmax as the activation function.

는 [^수학식 10]을 통해 계산된다.

Is calculated through [ ^Equation 10].

학습을 위한 에러 함수로는 크로스 엔트로피를 사용하며

는 신경망이 예측한 예측값이며

는 실제 값이다.Cross-entropy is used as an error function for learning.

Is the predicted value of the neural network

Is the actual value.

출력값의 class가 0(정상), 1(사고)로 2개이기 때문에 아웃풋의 dimension인

는 2이며, 에러 함수는 [^수학식 11]과 같다.Output class is 0 (normal), 1 (accident).

Is 2, and the error function is as shown in [ ^Equation 11].

모델의 학습에는 경사 하강법을 이용한 BPTT가 사용되며, batch size인 32개의 학습데이터 마다 1회 수행될 수 있다. 학습 과정에서는 에러 함수의 기울기가 감소하는 방향으로 가중치 값이 조정될 수 있다. 즉, 학습 과정은 예측값과 실제값의 차이를 최소화하는 방향으로 진행될 수 있다.BPTT using gradient descent is used to train the model, and can be performed once for every 32 training data batch sizes. In the learning process, the weight value may be adjusted in a direction in which the slope of the error function decreases. That is, the learning process may proceed in a direction to minimize the difference between the predicted value and the actual value.

또한, 학습 과정은 기본 LSTM 모델을 활용한 차량 사고 탐지 모델의 성능을 측정하기 위해, 오버 피팅 방지를 위한 dropout이나 학습속도 및 안정성 향상을 위한 optimizer는 사용하지 않았다.Also, in order to measure the performance of the vehicle accident detection model using the basic LSTM model, the learning process did not use a dropout to prevent overfitting or an optimizer to improve learning speed and stability.

생성된 차량사고판단 모델 배포는 다음의 네 가지 시나리오 중 하나를 선택해 수행된다고 가정한다.It is assumed that distribution of the generated vehicle accident judgment model is performed by selecting one of the following four scenarios.

첫째, V2V 통신을 수행하는 OBU의 초기 firmware 설치 과정에서 firmware와 함께 설치할 수 있다.First, it can be installed together with the firmware during the initial firmware installation process of OBU performing V2V communication.

둘째, 차량사고판단 모델이 포함된 firmware 정보가 담긴 USB 등의 저장장치를 직접 OBU에 연결하여 설치할 수 있다.Second, a storage device such as USB containing firmware information including a vehicle accident judgment model can be directly connected to and installed in the OBU.

셋째, Backbone망에 연결된 RSU를 통해 전송 받을 수 있다.Third, it can be transmitted through the RSU connected to the backbone network.

넷째, cellular 통신기능을 가진 OBU의 경우 기지국으로부터 직접 차량사고판단 모델이 포함된 firmware를 다운받아 설치할 수 있다.Fourth, in the case of OBU with cellular communication function, it is possible to download and install the firmware containing the vehicle accident judgment model directly from the base station.

제안 기법을 활용한 사고 메시지 신뢰 판단은 사고 메시지 및 비컨 메시지 수신, 메시지 신뢰 판단, 사고 메시지 전송 단계로 나뉜다.The accident message trust determination using the proposed method is divided into the steps of receiving the accident message and the beacon message, determining the message trust, and transmitting the accident message.

사고 메시지 및 비컨 메시지 수신 단계에서는 이웃 차량으로부터 사고 메시지를 수신할 수 있다. 차량

로부터 받은 사고 메시지

는 메시지 신뢰 판단 단계에서 표결을 위해 저장될 수 있다.In the step of receiving the accident message and the beacon message, the accident message may be received from the neighboring vehicle. vehicle

Accident message received from

May be stored for voting in the message trust determination step.

도 14는 사고 메시지를 수신하는 알고리즘을 도시한 도이다.14 is a diagram showing an algorithm for receiving an accident message.

도 14의 알고리즘(알고리즘 1)에서는, 먼저,

로부터 받은 사고 메시지인

, 사고 메시지를 저장할

, 그리고 자신의 hop 수인

을 입력으로 받는다.In the algorithm of Fig. 14 (Algorithm 1), first,

The accident message received from

Save the accident message,

, And your hop count

Takes as input.

그 후, 알고리즘 1은

에 저장 시 key 값이 될 변수

를 선언한다(Line 2).After that, algorithm 1

Variable that will be the key value when stored in

Declare (Line 2).

만약

가 이미 받은 메시지라면, 알고리즘 1은 함수를 종료한다(Line 3 to 5).if

If is already received, Algorithm 1 ends the function (Line 3 to 5).

또한, 받은

의 hop 수가

보다 크거나 같다면, 알고리즘 1은 함수를 종료한다(Line 6 to 8). 그렇지 않다면, 알고리즘 1은 메시지를 저장한다 (Line 9).Also, received

Hop number of

If greater than or equal, algorithm 1 ends the function (Line 6 to 8). Otherwise, algorithm 1 saves the message (Line 9).

만약 가장 처음 받은 사고 메시지라면, 알고리즘 1은

에 포함된

,

정보를 저장한다 (Line 10 to 12).If it is the first accident message received, Algorithm 1 is

Included in

,

Save the information (Line 10 to 12).

그 후, 알고리즘 1은 자신의 hop 수인

변경하고

의

값을

로 사용하여 사고 메시지 내부 정보를

에 저장한다 (Line 13 to 16).After that, Algorithm 1 is its hop number

And change

of

Value

Use the information inside the accident message as

(Line 13 to 16).

사고 메시지 수신 단계를 통해 추후 메시지 신뢰 판단 단계에서 도로 상황 분석 또는 표결을 위한 정보를 모두 수집하게 된다.Through the incident message reception step, all information for road situation analysis or voting is collected at a later message trust determination step.

메시지 신뢰 판단 단계에서는 사고 메시지를 받은 차량이 자신의 hop 수에 따라 2가지 방법을 통해 메시지를 신뢰할지 판단하고 사고 의견을 결정할 수 있다. 자신의 사고 의견 결정 방법은 [^수학식 12]과 같다.In the message trust determination step, the vehicle receiving the accident message can determine whether to trust the message through two methods according to the number of hops and determine the opinion of the accident. How to decide your own opinion is as shown in [ ^Equation 12].

첫째, 사고 지점과 가까운 차량들의 비컨을 받을 수 있는 2-hop 노드는 차량사고판단 모델을 통해 사고 여부를 직접 판단해 사고 의견을 결정한다.First, the 2-hop node, which can receive beacons from vehicles close to the accident point, directly determines whether the accident is through the vehicle accident judgment model and determines the accident opinion.

둘째, 사고 지점의 상황을 비컨을 통해 확인할 수 없는 차량은 앞 차량들로부터 전달받은 사고 의견을 표결하여 사고 메시지를 신뢰할지를 결정하고 자신의 사고 의견을 결정한다.Second, a vehicle that cannot confirm the situation of an accident point through a beacon votes on the accident opinion received from the vehicles in front of the vehicle and decides whether or not to trust the accident message and decides its own opinion.

도 15는 도로 상황 데이터의 일례를 설명하는 도면이다.15 is a view for explaining an example of road condition data.

도 15에서와 같이, 차량사고판단 모델을 통해 사고 여부 판단을 위해 사용하는 도로 상황 데이터는 5초간 수집된 도로 상황 정보로 구성될 수 있다.As shown in FIG. 15, the road situation data used to determine whether an accident has occurred through the vehicle accident judgment model may be configured with road situation information collected for 5 seconds.

도 16는 도로 상황 데이터를 생성하는 알고리즘을 도시한 도이다.16 is a diagram showing an algorithm for generating road condition data.

도 16의 알고리즘(알고리즘 2)에서는, 사고 메시지와 비컨 메시지를 활용해, 도로 상황 데이터를 생성하는 과정을 예시한다.In the algorithm of FIG. 16 (Algorithm 2), a process of generating road condition data using an accident message and a beacon message is illustrated.

알고리즘 2에서는 주변 차량들로부터 받은 비컨 메시지인

, 사고 메시지로부터 얻은

,

, 그리고 도로 상황 분석 기간인

을 입력으로 받는다.Algorithm 2 is a beacon message received from nearby vehicles.

, Obtained from the accident message

,

And road condition analysis period

Takes as input.

그 후, 알고리즘 2는 생성된 도로 상황 정보를 저장할

와 사고 위치와 가장 가까운 3대의 차량의 ID값을 저장할

,

를 선언한다(Line 2).After that, the algorithm 2 stores the generated road situation information.

And the ID values of the three vehicles closest to the accident location

,

Declare (Line 2).

받은 비컨 메시지 중 사고 차량과 가장 가까운 3대의 차량을 선정하기 위해, 알고리즘 2는 사고 위치와의 거리를 기반으로

를 정렬하고

,

를 선정한다(Line 3 to 6).Algorithm 2 is based on the distance from the accident location to select the three vehicles that are closest to the accident vehicle among the received beacon messages.

And sort

,

Select (Line 3 to 6).

알고리즘 2는

의 길이 만큼 1초에 한번씩 이웃 차량들로부터 비컨 메시지를 받아

를 생성한다(Line 7 to 15).Algorithm 2

Receive beacon messages from neighboring vehicles once a second as long as

Produces (Line 7 to 15).

또한, 알고리즘 2는 각 주기 마다 이웃 차량들로부터 받은 비컨메시지들인

을 생성한다(Line 8).Also, the algorithm 2 is a beacon message received from neighboring vehicles at each cycle.

Creates (Line 8).

알고리즘 2는 사고 메시지로부터 얻은

,

와 비컨 메시지로부터 얻은

,

를

에 추가한다(Line 8 to 13).Algorithm 2 obtained from the accident message

,

And obtained from beacon messages

,

To

(Line 8 to 13).

알고리즘 2는 1초 동안 새로운 비컨을 다시 받기 위해

를 비운다(Line 14).Algorithm 2 to receive a new beacon again for 1 second

Empty (Line 14).

마지막으로, 알고리즘 2는 사고 판단 모델에 사용하기 위해 생성된

를 반환한다 (Line 16).Finally, algorithm 2 was created for use in the accident judgment model.

Returns (Line 16).

알고리즘 1, 2를 통해 생성된

와

를 사용하여 메시지 신뢰 판단을 수행할 수 있다(알고리즘 3).Generated by

algorithms

1 and 2

Wow

You can use to perform message trust judgment (Algorithm 3).

도 17은 메시지의 신뢰를 판단하는 알고리즘을 도시한 도이다.17 is a diagram showing an algorithm for determining the trust of a message.

도 17의 알고리즘(알고리즘 3)에서는, 미리 학습된 차량사고판단 모델인

을 Input으로 받는다.In the algorithm of FIG. 17 (Algorithm 3), a vehicle accident judgment model that has been previously learned

Receives as input.

그 후, 알고리즘 3은

,

과 차량이 판단한 사고 의견을 저장할

을 선언한다(Line 2).After that, algorithm 3

,

And save accident opinions judged by the vehicle

Declare (Line 2).

알고리즘 3은 Receive_AccidentMessage 알고리즘을 통해 주위 차량들로부터 사고 메시지를 수신한다(Line 3).Algorithm 3 receives an accident message from surrounding vehicles through the Receive_AccidentMessage algorithm (Line 3).

알고리즘 3은 hop 수를 확인하여 만약 자신의 차량이 사고 도로의 상황을 확인 할 수 있는 2-hop 노드라면, 알고리즘 2인 Generate_RoadContextData을 통해 RoadContextData를 생성한다.Algorithm 3 checks the number of hops, and if its vehicle is a 2-hop node that can check the situation of the accident road, it generates RoadContextData through Algorithm 2, Generate_RoadContextData.

그 후, 알고리즘 3은

을 활용해 직접 사고를 여부를 판단하여 자신의

을 결정한다(Line 4 to 6).After that, algorithm 3

Use it to judge whether you have an accident yourself

(Line 4 to 6).

도로 상황을 확인 할 수 없는 3 .. N-hop 노드라면, 알고리즘 3은 앞 선 hop 수 차량들이 보낸 사고 메시지인

에 저장된 사고 의견을 바탕으로 표결을 수행하여 사고 메시지를 믿을 수 있는지를 판단하고 자신의

을 결정한다(Line 7 to 12).If the 3 .. N-hop node is unable to check the road condition, Algorithm 3 is an accident message sent by the number of hops ahead.

Based on the opinions stored in the accident, a vote is made to judge whether the accident message can be trusted and

Is determined (Line 7 to 12).

마지막으로 알고리즘 3은 결정된

을 바탕으로 공격자라면 자신이 판단한 의견의 반대 의견을 리턴하고, 정상 차량이라면 자신이 판단한 의견을 그대로 리턴한다(Line 13 to 20).Finally, algorithm 3 is determined

Based on the, the attacker returns the opposite opinion of the opinion judged by the attacker, and the normal vehicle returns the opinion of the opinion judged as it is (Line 13 to 20).

사고 메시지 전송 단계에서는 메시지 신뢰 판단 단계에서 정해진 사고 의견에 따라 자신의 사고 의견이 담긴 사고 메시지를 생성하여 전송한다(알고리즘 4).In the accident message transmission step, an accident message containing an accident opinion of the user is generated and transmitted according to the accident opinion determined in the message trust determination step (Algorithm 4).

도 18은 사고 메시지를 전송하는 알고리즘을 도시한 도이다.18 is a diagram illustrating an algorithm for transmitting an accident message.

도 18의 알고리즘(알고리즘 4)에서는, 메시지 생성 및 전송하는 과정을 설명한다.In the algorithm of FIG. 18 (Algorithm 4), a process of generating and transmitting a message will be described.

알고리즘 4는 자신의 ID인

와

,

를 입력으로 받는다.Algorithm 4 is its ID

Wow

,

Takes as input.

알고리즘 4는 자신의 사고 메시지를 저장할

를 선언한다(Line 2).Algorithm 4 saves your own thinking message

Declare (Line 2).

그 후, 알고리즘 4는

의 값을 입력으로 받은

,

으로 저장한다(Line 3 to 7).After that, algorithm 4

Received the value of

,

Save as (Line 3 to 7).

그리고, 알고리즘 4는 MessageTrustJudgement 알고리즘을 통해 결정된 사고 의견을 저장한다(Line 8).And, the algorithm 4 stores the thought opinion determined through the MessageTrustJudgement algorithm (Line 8).

마지막으로, 알고리즘 4는 생성된

를 이웃 차량들에게 전송한다(Line 9).Finally, algorithm 4 is generated

Is transmitted to neighboring vehicles (Line 9).

이하, 도 19에서는 본 발명의 실시예들에 따른 차량 사고의 오판율 개선 장치(300)의 작업 흐름을 상세히 설명한다.Hereinafter, in FIG. 19, a detailed description will be given of a work flow of the apparatus 300 for improving a wrong rate of a vehicle accident according to embodiments of the present invention.

도 19는 본 발명의 일실시예에 따른, 차량 사고의 오판율 개선 방법을 도시한 흐름도이다.19 is a flowchart illustrating a method for improving a false positive rate of a vehicle accident according to an embodiment of the present invention.

본 실시예에 따른 차량 사고의 오판율 개선 방법은 오판율 개선 장치(300)에 의해 수행될 수 있다.The method for improving a wrong rate of a vehicle accident according to the present embodiment may be performed by the wrong rate improvement device 300.

우선, 오판율 개선 장치(300)는 사고 차량과 인접하여 위치하는 인접 차량으로부터, 사고 메시지와 비컨 메시지를 수신한다(1910). 단계(1910)는 차량 사고가 발생한 지점에 가까이 위치하는 인접 차량으로부터, 사고 의견에 관한 사고 메시지와, 도로 상황에 관한 비컨 메시지를 수신하는 과정일 수 있다. 상기 인접 차량으로는, 차량 사고를 직접 목격한 차량(예, 1-hop 노드)을 예시할 수 있다.First, the false positive rate improvement apparatus 300 receives an accident message and a beacon message from an adjacent vehicle positioned adjacent to the accident vehicle (1910). Step 1910 may be a process of receiving an accident message regarding an accident opinion and a beacon message regarding a road condition from an adjacent vehicle located close to the point where the vehicle accident occurred. As the adjacent vehicle, a vehicle (eg, a 1-hop node) directly witnessing a vehicle accident may be exemplified.

또한, 상기 비컨 메시지는, 차량 사고가 발생한 지점을 포함하는 영역 내에 설치된 RSU(Road Side Unit)에서 생성되고, 상기 인접 차량을 경유하여 수신될 수 있다.In addition, the beacon message is generated in a road side unit (RSU) installed in an area including a point where a vehicle accident has occurred, and may be received via the adjacent vehicle.

또한, 오판율 개선 장치(300)는 상기 사고 메시지 내 홉 수를 확인한다(1920). 단계(1920)는 사고 메시지에 포함되는 정보들 중에서, 사고 메시지의 전달 hop 수에 관한

를 읽음으로써, 상기 수신된 사고 메시지가, 앞서 몇번의 노드를 경유하여 전달되었는지를 파악하는 과정일 수 있다.In addition, the wrong rate improvement apparatus 300 checks the number of hops in the accident message (1920). Step 1920 is related to the number of hops of an accident message among information included in the accident message.

By reading, it may be a process of grasping the number of nodes through which the received accident message was previously transmitted.

계속해서, 오판율 개선 장치(300)는 상기 홉 수가 '2 홉'으로 확인되면, 상기 사고 메시지와 상기 비컨 메시지를 이용하여 생성되는 도로상황 데이터를 분석하여, 사고 의견을 결정한다(1930). 단계(1930)는 수신한 사고 메시지가, 차량 사고를 목격한 1-hop 차량으로부터 수신된 것이라면, 표결에 의한 사고 의견의 결정을 하지 않고, 도로상황 데이터에 의거한 차량 사고 여부를 판단하여, 현 시점의 사고 의견을 결정하는 과정일 수 있다.Subsequently, when the number of hops is determined to be '2 hops', the wrong determination rate improving apparatus 300 analyzes road situation data generated using the accident message and the beacon message to determine an accident opinion (1930). In step 1930, if the received accident message is received from a 1-hop vehicle that has witnessed a vehicle accident, it does not determine an accident opinion by vote, and determines whether the vehicle accident is based on the road situation data, and It may be the process of determining the thought opinion at a point in time.

상기 도로상황 데이터는, 사고 메시지와 비컨 메시지 내 정보를 종합하여, 오판율 개선 장치(300)로 하여금, 차량 사고가 일어난 도로의 현 상태를 추정할 수 있게 하는 데이터일 수 있다.The road condition data may be data that synthesizes the information in the accident message and the beacon message, and allows the error rate improving apparatus 300 to estimate the current state of the road where the vehicle accident has occurred.

상기 도로상황 데이터의 생성에 있어, 오판율 개선 장치(300)는, 먼저 상기 사고 메시지에서, '사고 도로의 총 차선 수(Nl)', '사고 차량의 이웃 차량 수(Nnv)', '실제 사고 유무(y)'를 획득할 수 있다.In the generation of the road situation data, the error rate improving apparatus 300 firstly reports in the accident message,'total lane number of accident road (Nl)','number of neighboring vehicles of accident vehicle (Nnv)','actual Whether or not an accident (y)' can be obtained.

상기 '사고 도로의 총 차선 수(Nl)'는 차량 사고가 일어난 도로를 구성하는 차선의 전체 수를 의미하며, 예컨대 2차선에서 차량 사고가 일어난 도로의 편도 차선이 2차선 도로이면, 오판율 개선 장치(300)는 상기 사고 메시지로부터, Nl을 읽어 '2'를 획득할 수 있다.The'total lane number of accident roads (Nl)' means the total number of lanes constituting the road where the vehicle accident occurred, for example, if the one-way lane of the road where the vehicle accident occurred in the second lane is a two-lane road, the wrong rate is improved The device 300 may obtain '2' by reading Nl from the accident message.

상기 '사고 차량의 이웃 차량 수(Nnv)'는 사고 차량을 직접 목격하여 사고 의견을 낼 수 있는 1-hop 노드의 수를 의미하여, 예컨대 상술의 2차선 사고를 목격한, 같은 주행 방향의 차량이 3대라면, 오판율 개선 장치(300)는 상기 사고 메시지로부터 Nnv을 읽어 '3'을 획득할 수 있다.The'neighbor vehicle number (Nnv) of the accident vehicle' refers to the number of 1-hop nodes capable of directly witnessing the accident vehicle and giving an accident opinion, for example, a vehicle in the same driving direction, witnessing the above-mentioned two-lane accident. In the case of these three devices, the false positive rate improving apparatus 300 may acquire N3 by reading Nnv from the accident message.

상기 '실제 사고 유무(y)'는 1-hop 노드의 차량에서 생성한 사고 의견으로 해당 차량에서 판단한 사고 발생 여하에 관한 것이며, 오판율 개선 장치(300)는 상기 사고 메시지로부터 y 항목을 읽어 '사고 발생 또는 사고 미발생'을 획득할 수 있다. 여기서, 상기 '실제 사고 유무(y)'는 1-hop 노드의 차량이 정상 차량인지, 또는 거짓 메시지를 생산하는 공격 차량인지에 따라, 실제 사고 여부와 무관하게 기재될 수 있다.The'actual presence or absence (y)' is an accident opinion generated by a vehicle of a 1-hop node, and relates to the occurrence of an accident determined by the corresponding vehicle, and the error rate improvement device 300 reads the y item from the accident message. Accidents or no accidents can be acquired. Here, the'actual presence or absence (y)' may be described regardless of whether or not an actual accident occurs, depending on whether the vehicle of the 1-hop node is a normal vehicle or an attack vehicle that produces a false message.

또한, 오판율 개선 장치(300)는 상기 비컨 메시지에서, '사고 차량과 가장 가까운 차량의 속도(VS1)', '사고 차량과 두 번째로 가까운 차량의 속도(VS2)', '사고 차량과 세 번째로 가까운 차량의 속도(VS3)'를 획득할 수 있다.In addition, in the beacon message, the error rate improving apparatus 300 may include'speed of the vehicle closest to the accident vehicle (VS1)','speed of the second vehicle closest to the accident vehicle (VS2)', and'accident vehicle and tax. The fourth closest speed (VS3)' can be obtained.

오판율 개선 장치(300)는 사고 차량과의 물리적인 거리가 가까운 3개의 차량을 경유하여 수신된 비컨 메시지 각각으로부터 상기 '사고 차량과 가장 가까운 차량의 속도(VS1)', '사고 차량과 두 번째로 가까운 차량의 속도(VS2)', '사고 차량과 세 번째로 가까운 차량의 속도(VS3)'를 읽어, 상기 물리적인 거리가 가까운 3개의 차량에 대한 속도를 획득할 수 있다.The erroneous rate improvement apparatus 300 is the second to the'vehicle vehicle's speed (VS1)' and the'accident vehicle' from each of the beacon messages received via three vehicles having a close physical distance from the accident vehicle. By reading the speed of the vehicle close to (VS2),'the speed of the third vehicle close to the accident vehicle (VS3)', it is possible to obtain speeds for the three vehicles having the close physical distance.

이후, 오판율 개선 장치(300)는 상기 획득한 정보들을 포함하여 도로상황 데이터를 생성한다. 즉, 오판율 개선 장치(300)는, 사고 메시지로부터 획득한, '사고 도로의 총 차선 수(Nl)', '사고 차량의 이웃 차량 수(Nnv)', '실제 사고 유무(y)'와, 비컨 메시지로부터 획득한, '사고 차량과 가장 가까운 차량의 속도(VS1)', '사고 차량과 두 번째로 가까운 차량의 속도(VS2)', '사고 차량과 세 번째로 가까운 차량의 속도(VS3)'를 포함하여, 도로상황 데이터를 생성할 수 있다.Subsequently, the wrong determination rate improving apparatus 300 generates road condition data including the obtained information. That is, the error rate improvement device 300, the'total number of lanes of the accident road (Nl)','number of neighboring vehicles of the accident vehicle (Nnv)','actual presence or absence (y)' obtained from the accident message, , Obtained from the beacon message,'speed of the vehicle closest to the accident vehicle (VS1)','speed of the second vehicle closest to the accident vehicle (VS2)','speed of the vehicle closest to the accident vehicle (VS3) )', and road condition data.

또한, 오판율 개선 장치(300)는 지정된 t초 동안에, 1초 마다 상기 도로상황 데이터의 생성을 반복하여, 시계열 도로상황 데이터를 생성할 수 있다. 즉, 오판율 개선 장치(300)는 초 별로 도로상황 데이터를 생성하고, 이들을 시간 순으로 묶어 시계열 도로상황 데이터를 생성할 수 있다. 예컨대, 상기 t를 5로 설정하는 경우, 오판율 개선 장치(300)는 각 초별로 5개의 도로상황 데이터를 생성하고, 이를 시간 순으로 그룹핑하여, 시계열 도로상황 데이터를 생성할 수 있다.In addition, the error rate improving apparatus 300 may generate the time series road condition data by repeating the generation of the road condition data every second for a designated t second. That is, the error rate improving apparatus 300 may generate road condition data for each second, and group them in chronological order to generate time series road condition data. For example, when t is set to 5, the false positive rate improving apparatus 300 may generate five road condition data for each second, and group them in chronological order to generate time series road condition data.

또한, 오판율 개선 장치(300)는 상기 시계열 도로상황 데이터를, 차량사고판단 모델에 적용하여, 상기 사고 의견을 결정할 수 있다. 즉, 오판율 개선 장치(300)는 사고 의견을 도출하도록 학습된 차량사고판단 모델에, 상기 시계열 도로상황 데이터를 입력시킬 수 있다. 상기 차량사고판단 모델로부터 출력되는 데이터는, 해당 2-hop 노드의 차량에서의, 사고 여부를 추정한 사고 의견이 될 수 있다.In addition, the error rate improving apparatus 300 may determine the accident opinion by applying the time series road condition data to a vehicle accident judgment model. That is, the error rate improving apparatus 300 may input the time series road situation data into a vehicle accident judgment model trained to derive an accident opinion. The data output from the vehicle accident determination model may be an accident opinion that estimates whether there is an accident in the vehicle of the corresponding 2-hop node.

만약, 상기 사고 메시지로부터 확인된 홉 수가 '2 홉'이 아닌 것으로 확인되면, 오판율 개선 장치(300)는, 상기 사고 메시지 내, '실제 사고 유무(y)'를 리드하여, 사고 발생과 사고 미발생에 대해 각각 카운트한다. 즉, 오판율 개선 장치(300)는 사고 메시지가 전달된 횟수가 3-hop 이상이라면, 표결 방식의 의거하여, '실제 사고 유무(y)'를 리드하여 사고 발생의 개수와 사고 미발생의 개수를 계수할 수 있다.If it is determined that the number of hops identified from the accident message is not '2 hops', the wrong determination rate improving apparatus 300 leads the'actual presence or absence (y)' in the accident message, thereby causing an accident and an accident. Count for each occurrence. That is, if the number of times an accident message is transmitted is more than 3-hop, the error rate improving apparatus 300 leads the'actual presence/absence (y)' based on the vote method, thereby causing the number of accidents and the number of accidents not occurring. Can be counted.

이후, 오판율 개선 장치(300)는 상기 사고 발생과 상기 사고 미발생 중 다수로 카운트되는 결과를, 상기 사고 의견으로 결정한다. 즉, 오판율 개선 장치(300)는 상대적으로 많은 수로 카운트된 결과를, 해당 홉에서의 사고 의견으로서 결정할 수 있다. 예컨대, 3-hop의 노드에서 수신한 5개의 사고 메시지 각각에서 '실제 사고 유무(y)'를 읽어, 사고발생-1, 사고 미발생-4 로 카운트되는 경우, 오판율 개선 장치(300)는 상기 3-hop에서의 사고 의견을 표결 방식에 따라 사고 미발생으로 결정할 수 있다.Subsequently, the erroneous rate improvement device 300 determines a result counted as a number of the occurrence of the accident and the occurrence of the accident as the accident opinion. That is, the false positive rate improvement apparatus 300 may determine a result counted as a relatively large number as an accident opinion at a corresponding hop. For example, if each of the five accident messages received from the 3-hop node reads'the presence or absence of an actual accident (y)', and counts as an accident occurrence-1 or an accident occurrence-4, the wrong rate improvement device 300 The accident opinion at the 3-hop may be determined as an accident not occurring according to the voting method.

또한, 오판율 개선 장치(300)는 상기 결정된 사고 의견으로 상기 사고 메시지를 갱신한 후, 주위 차량에게 송신한다(1940). 단계(1940)는 현 hop에서 결정된 사고 의견을, 앞선 hop에서의 사고 의견에 추가하여 사고 메시지를 업데이트하여, 후속 hop으로 전파하는 과정일 수 있다.In addition, the error rate improving apparatus 300 updates the accident message with the determined accident opinion, and then transmits it to the surrounding vehicles (1940). Step 1940 may be a process of updating the accident message by adding the accident opinion determined at the current hop to the accident opinion at the previous hop, and propagating to the subsequent hop.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, or the like alone or in combination. The program instructions recorded on the medium may be specially designed and constructed for the embodiments or may be known and usable by those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks. -Hardware devices specifically configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language code that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler. The hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device. Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodied in the transmitted signal wave. The software may be distributed on networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described by the limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order than the described method, and/or the components of the described system, structure, device, circuit, etc. are combined or combined in a different form from the described method, or other components Alternatively, even if replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

300 : 차량 사고의 오판율 개선 장치
310 : 수신부 320 : 확인부
330 : 처리부 340 : 송신부300: device for improving a wrong rate of a vehicle accident
310: receiving unit 320: confirmation unit
330: processing unit 340: transmitting unit

Claims

Receiving an accident message and a beacon message from an adjacent vehicle positioned adjacent to the accident vehicle;
Checking the number of hops in the accident message;
Determining the accident opinion by analyzing road situation data generated using the accident message and the beacon message when the number of hops is confirmed as '2 hops'; And
After updating the accident message with the determined accident opinion, transmitting to the surrounding vehicle
Method for improving a false positive rate of a vehicle accident, including.

According to claim 1,
In the accident message, acquiring'total number of lanes of accident road (Nl)','number of neighboring vehicles of accident vehicle (Nnv)', and'actual presence or absence (y)';
In the beacon message,'the speed of the vehicle closest to the accident vehicle (VS1)','the speed of the second vehicle closest to the accident vehicle (VS2)','the speed of the vehicle closest to the accident vehicle (VS3)' Obtaining a; And
Generating the road condition data including the obtained information
A method for improving a false positive rate of a vehicle accident further comprising a.

According to claim 2,
The step of determining the thought opinion,
Generating the time series road condition data by repeating generation of the road condition data every second for a designated t second; And
Determining the accident opinion by applying the time series road condition data to a vehicle accident judgment model
Method for improving a false positive rate of a vehicle accident, including.

According to claim 3,
The vehicle accident judgment model,
'Total number of lanes on the accident road (Nl)','Number of neighboring vehicles on the accident vehicle (Nnv)','Presence or absence of actual accident (y)', obtained from the accident message for model generation regarding the previous accident, 'Speed of the vehicle closest to the accident vehicle (VS1)','Speed of the second vehicle closest to the accident vehicle (VS2)', and'Speed of the vehicle closest to the accident vehicle' obtained from the beacon message for model creation ( VS3)', including collecting learning data;
Constructing time series learning data by repeating the collection of learning data for a specified time; And
Modeling the time series learning data by applying it to a LSTM (Long Short-Term Memory) algorithm
A method for improving a false positive rate of a vehicle accident, which is prepared, including.

According to claim 3,
The vehicle accident judgment model,
In the initial firmware installation process of the On-Board Unit (OBU) performing vehicle-to-vehicle (V2V) communication, the firmware is installed and distributed together, or
It is distributed through the Road Side Unit (RSU) connected to the backbone, or
Distributed through cellular communication networks by base stations
How to improve the wrong rate of vehicle accidents.

According to claim 1,
If it is confirmed that the number of hops is not '2 hops',
In the accident message, leading to'actual presence or absence (y)' and counting for each occurrence of an accident and no occurrence of an accident; And
Determining a result counted as a majority of the occurrence of the accident and the occurrence of the accident as the accident opinion
A method for improving a false positive rate of a vehicle accident further comprising a.

A receiving unit receiving an accident message and a beacon message from an adjacent vehicle positioned adjacent to the accident vehicle;
A confirmation unit for checking the number of hops in the accident message;
When the number of hops is confirmed as '2 hops', a processing unit that analyzes road situation data generated by using the accident message and the beacon message to determine an accident opinion; And
After updating the accident message with the determined accident opinion, the transmission unit transmits to the surrounding vehicle
A device for improving a wrong rate of a vehicle accident, including a vehicle.

The method of claim 7,
The processing unit,
In the accident message,'total number of accident road lanes (Nl)','neighbor vehicle number of accident vehicles (Nnv)','actual accident presence (y)' is obtained,
In the beacon message,'the speed of the vehicle closest to the accident vehicle (VS1)','the speed of the second vehicle closest to the accident vehicle (VS2)','the speed of the vehicle closest to the accident vehicle (VS3)' To acquire,
Generating the road condition data including the obtained information
A device for improving the wrong rate of vehicle accidents.

The method of claim 8,
The processing unit,
During the designated t seconds, the generation of the road condition data is repeated every 1 second to generate time series road condition data,
Determining the accident opinion by applying the time series road situation data to a vehicle accident judgment model
A device for improving the wrong rate of vehicle accidents.

The method of claim 9,
The vehicle accident judgment model,
'Total number of lanes on the accident road (Nl)','Number of neighboring vehicles on the accident vehicle (Nnv)','Presence or absence of actual accident (y)', obtained from the accident message for model generation regarding the previous accident, 'Speed of the vehicle closest to the accident vehicle (VS1)','Speed of the second vehicle closest to the accident vehicle (VS2)', and'Speed of the vehicle closest to the accident vehicle' obtained from the beacon message for model creation ( VS3)', and collect learning data,
Constructing time series learning data by repeating the collection of learning data for a specified time,
Modeled by applying the time series learning data to LSTM (Long Short-Term Memory) algorithm
A device for improving the wrong rate of vehicle accidents.

The method of claim 9,
The vehicle accident judgment model,
In the initial firmware installation process of the On-Board Unit (OBU) performing vehicle-to-vehicle (V2V) communication, the firmware is installed and distributed together, or
It is distributed through the Road Side Unit (RSU) connected to the backbone, or
Distributed through cellular communication networks by base stations
A device for improving the wrong rate of vehicle accidents.

The method of claim 7,
If it is confirmed that the number of hops is not '2 hops',
The processing unit,
In the accident message, lead to'actual presence or absence (y)', counting each occurrence of an accident and no occurrence of an accident,
The result counted as a majority of the occurrence of the accident and the occurrence of the accident is determined as the accident opinion
A device for improving the wrong rate of vehicle accidents.