KR102173797B1 - 도로 노면 상태 예측 방법 및 시스템 - Google Patents

도로 노면 상태 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102173797B1
KR102173797B1 KR1020180147719A KR20180147719A KR102173797B1 KR 102173797 B1 KR102173797 B1 KR 102173797B1 KR 1020180147719 A KR1020180147719 A KR 1020180147719A KR 20180147719 A KR20180147719 A KR 20180147719A KR 102173797 B1 KR102173797 B1 KR 102173797B1
Authority
KR
South Korea
Prior art keywords
precipitation
time
point
road surface
road
Prior art date
Application number
KR1020180147719A
Other languages
English (en)
Other versions
KR20200068055A (ko
Inventor
김강화
전용주
신영호
이민우
신지산
서봉기
김영곤
박영준
Original Assignee
디토닉 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 디토닉 주식회사 filed Critical 디토닉 주식회사
Priority to KR1020180147719A priority Critical patent/KR102173797B1/ko
Publication of KR20200068055A publication Critical patent/KR20200068055A/ko
Application granted granted Critical
Publication of KR102173797B1 publication Critical patent/KR102173797B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Environmental Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Ecology (AREA)
  • Evolutionary Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 도로 노면 상태 예측 방법 및 시스템에 관한 것으로, 본 발명에 따른 방법은, 도로 노면 상태 예측 대상 지점에 대한 기상 정보를 획득하는 단계, 그리고 획득된 기상 정보를 가공한 기상 데이터와 예측 대상 지점에 대해 미리 계산된 건조 속도비를 도로 노면 상태 예측 모델에 입력하여 예측 대상 지점의 도로 노면 상태를 예측하는 단계를 포함한다. 도로 노면 상태 예측 모델은, 관측 지점의 관측 시점에서 도로 노면 상태, 관측 지점의 건조 속도비, 관측 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 학습 데이터로 학습될 수 있다.

Description

도로 노면 상태 예측 방법 및 시스템{System and Method for Predicting Road Surface State}
본 발명은 도로 노면 상태 예측 방법 및 시스템에 관한 것으로, 보다 자세하게는 기상 조건에 따른 도로 노면 상태 예측 방법 및 시스템에 관한 것이다.
도로에서 기상 변화는 도로의 노면 상태 및 그에 따른 도로의 마찰력에 영향을 미친다. 도로의 마찰력 감소는 차량의 제동거리를 증가시킨다. 차량의 제동 거리의 변화는 차량의 안전성에 큰 영향을 미친다.
한국등록특허 제10-1331054호는 노변에 설치된 도로 노면 센서로부터 습윤, 건조, 수막, 눈, 결빙, 안개 등 도로노면상태에 대한 정보를 실시간으로 수집하고, 이를 기초로 안전속도를 산정하여 운전자 등에게 정보를 제공하는 구성이 개시되어 있다.
그런데 한국등록특허 제10-1331054호는 실시간으로 조사 차량에 의해 도로노면상태를 계속적으로 수집해야 되기 때문에 운용을 하는데 많은 비용과 노력이 들어간다. 또한 조사 차량이 지나간 후에 갑자기 기상 상태가 변경되는 경우, 예컨대 차량이 도로의 해당 지점을 지나간 후 비가 오거나 눈이 내려서 도로노면상태가 갑자기 변경된 경우 이를 실시간으로 반영할 수 없는 단점이 있었다.
한국등록특허 제10-1331054호(등록공고일: 2013년 11월 19일)
따라서 본 발명이 해결하고자 하는 기술적 과제는 기상 상황에 따른 도로노면상태를 상대적으로 적은 비용으로 정확하게 추정할 수 있는 도로 노면 상태 예측 방법 및 시스템을 제공하는 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 도로 노면 상태 예측 방법은 도로 노면 상태 예측 대상 지점에 대한 기상 정보를 획득하는 단계, 그리고 상기 획득된 기상 정보를 가공한 기상 데이터와 상기 예측 대상 지점에 대해 미리 계산된 건조 속도비를 도로 노면 상태 예측 모델에 입력하여 상기 예측 대상 지점의 도로 노면 상태를 예측하는 단계를 포함한다.
상기 도로 노면 상태 예측 모델은, 관측 지점의 관측 시점에서 도로 노면 상태, 상기 관측 지점의 건조 속도비, 상기 관측 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 상기 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 상기 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 학습 데이터로 학습될 수 있다.
상기 건조 속도비는 도로 기하 구조 데이터를 이용하여 계산될 수 있다.
도로의 소정의 지점(Psensor)에서의 건조 속도비는 아래 수학식 1에 의해 정의될 수 있다.
[수학식 1]
건조 속도비 = SAVertical section/TAVertical section,
상기 소정의 지점은 이웃한 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)을 연결하는 도로 구간 사이에 위치하며, TAVertical section는 상기 도로 구간에 위치한 국부 경사 극소점(Plocal minimum peak)과 상기 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)으로 이루어지는 삼각형의 넓이이고, SAVertical section는 상기 국부 경사 극소점(Plocal minimum peak), 상기 소정의 지점(Psensor) 및 반대편 지점(Popposite)으로 이루어지는 삼각형의 넓이이며, 상기 반대편 지점은 상기 도로 구간에 위치하고, 상기 소정의 지점(Psensor)과 상기 반대편 지점을 연결한 선분은 상기 두 개의 국부 경사 극대점을 연결한 선분과 평행할 수 있다.
상기 획득된 기상 정보를 가공한 기상 데이터는, 상기 예측 대상 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 상기 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 포함할 수 있다.
상기 복수의 시간구간은, 강수 발생 시점부터 예측 시점까지의 제1시간 구간, 강수 발생 시점부터 강수 종료 시점까지의 제2시간 구간 및 강수 종료 시점부터 관측 시점까지의 제3시간 구간을 포함할 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 도로 노면 상태 예측 방법을 수행하는 프로그램을 수록한 컴퓨터 판독 가능한 기록 매체를 포함할 수 있다.
상기 프로그램은, 도로 노면 상태 예측 대상 지점에 대한 기상 정보를 획득하는 명령어 세트, 그리고 상기 획득된 기상 정보를 가공한 기상 데이터와 상기 예측 대상 지점에 대해 미리 계산된 건조 속도비를 도로 노면 상태 예측 모델에 입력하여 상기 예측 대상 지점의 도로 노면 상태를 예측하는 명령어 세트를 포함할 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 도로 노면 예측 시스템은, 도로 노면 상태 예측 대상 지점에 대한 기상 정보를 획득하는 기상 정보 획득부, 그리고 상기 획득된 기상 정보를 가공한 기상 데이터와 상기 예측 대상 지점에 대해 미리 계산된 건조 속도비를 도로 노면 상태 예측 모델에 입력하여 상기 예측 대상 지점의 도로 노면 상태를 예측하는 도로 노면 상태 예측부를 포함할 수 있다.
본 발명에 의하면 기상 상황에 따른 도로노면상태를 상대적으로 적은 비용으로 정확하게 추정할 수 있는 도로 노면 상태 예측 방법 및 시스템을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 도로 노면 상태 예측 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 도로의 건조 속도비를 설명하기 위해 제공되는 도면이다.
도 3은 본 발명의 일 실시예에 따른 도로 노면 상태 예측 시스템의 동작을 설명하는 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 도로 노면 상태 예측 시스템의 구성도이다.
도 1을 참고하면, 본 발명에 따른 기상 상황에 따른 도로 노면 상태 예측 시스템은 도로 정보 수집부(110), 기상 정보 획득부(120), 데이터베이스(130), 학습부(140) 및 도로 노면 상태 예측부(150)를 포함할 수 있다.
도로 정보 수집부(110)는 도로 노면 상태 정보를 수집하여 학습 데이터를 구축하는 기능을 수행한다. 도로 정보 수집부(110)는 노면 센서(111)와 GNSS 수신부(115)를 포함할 수 있다. 도로 정보 수집부(110)를 장착한 도로 정보 수집 차량(도시하지 않음)이 도로를 주행하면서, 노면 센서(111)를 통해 획득되는 도로 노면 상태 정보에 GNSS 수신부(115)로부터 획득되는 GNSS 신호로부터 얻어지는 위치 정보(위도, 경도)와 데이터 수집 시간을 대응시켜 수집할 수 있다. 실시예에 따라 도로 정보 수집부(110) 중 일부는 도로 노면에 설치되어 도로 노면 상태를 수집하는 센서를 포함할 수 있다.
노면 센서(111)는 도로의 노면 상태 타입을 비접촉 방식으로 획득할 수 있다. 도로의 노면 상태 타입은 간단하게는 건조(Dry), 습윤(Moist), 젖음(Wet) 등으로 구분할 수 있으며, 보다 자세하게는 살얼음(Slush, Ice or Snow with water), 얼음(Ice) 및 눈 또는 서리(Snow or Hoar Froast) 등을 더 추가하여 구분할 수도 있다. 노면 상태 타입을 구분하는 기준은 실시예에 따라 달라질 수 있다.
실시예에 따라 노면 센서(111)는 노면 상태 타입뿐만 아니라 노면 표면 온도, 노면 수막 두께, 외기 온도 등을 비접촉 방식으로 획득할 수도 있다. 노면 센서(111)를 이용하여 노면 표면 온도, 노면 수막 두께, 외기 온도 및 노면 상태 타입 등을 비접촉 방식으로 획득하는 방법은 이미 잘 알려져 있으므로 여기서 자세한 설명은 생략한다.
도로 정보 수집부(110)는 수집된 도로 노면 상태 정보, 위치 정보, 시간 정보를 메모리(도시하지 않음)에 저장하거나, 통신망(도시하지 않음)을 통해 실시간 또는 미리 정해진 주기별로 정해진 수신처로 전송할 수도 있다.
한편 도로 정보 수집부(110)는 도로의 기하구조 데이터를 수집할 수도 있다. 예컨대 도로 정보 수집부(110)를 장착한 도로 정보 수집 차량에 관성 센서 등을 장착하여, 도로를 주행하면서 도로 기하구조 데이터를 수집할 수 있다.
도로의 기하구조 데이터는 도로 정보 수집부(110)를 통해 수집한 도로의 종단 경사도와 좌표, 고도 등의 기본 정보와 추가 가공과정을 통해 생성된 곡선 구간 여부, 곡선 반경, 곡선 부 길이, 포장 종류 등의 정보를 포함할 수 있다. 실시예에 따라 도로의 기하구조 데이터는 미리 구축되어 있는 정보를 이용하거나, 앞서 설명한 도로 정보 수집 차량 또는 별도의 이동 관측 기기 등을 통해 별도로 수집하여 이용하는 것도 가능하다.
기상 정보 획득부(120)는 기상청이나 민간 기상 사업자 등이 운영하는 기상 서버(도시하지 않음)로부터 기상 정보를 제공받을 수 있다. 기상 정보는 기온, 강수량, 강우량, 강설량, 풍속, 습도, 일사량, 일조량 등에 대한 정보를 포함할 수 있다. 강수량은 강우량과 강설량을 포함한 양이다. 예컨대 기상청의 ASOS(Automated Surface Observing System) 관측 장비에서 측정된 데이터를 제공받을 수 있다.
데이터베이스(130)는 도로 노면 상태 정보, 도로 기하구조 데이터 및 기상 정보 등을 저장할 수 있다. 특히 데이터베이스(130)는 도로 노면 상태 수집부(110)에서 관측 지점에서 수집된 도로 노면 상태 정보, 관측 지점에 대응하는 기상 정보를 가공한 기상 데이터, 관측 지점에 대해 계산된 건조 속도비를 맵핑한 형태로 구축된 학습 데이터를 저장할 수 있다. 관측 지점에 대응하는 기상 정보를 가공한 기상 데이터와 관측 지점에 대해 계산된 건조 속도비에 대해서는 아래에서 자세히 설명한다.
학습부(140)는 데이터베이스(140)에 구축된 학습 데이터를 이용하여 기상 상황에 따른 도로 노면 상태를 예측하는 도로 노면 상태 예측 모델을 학습할 수 있다. 학습부(140)는 로지스틱 회귀 (Logistic Regression), 의사결정나무(Decision Tree) SVM(Support Vector Machine), k-NN(k-Nearest Neighbor), 딥 러닝 (Deep Learning) 등의 머신러닝 모델을 이용하여 도로 노면 상태 예측 모델을 학습할 수 있다.
도로 노면 상태 예측부(150)는 예측 대상 지점에 대해 획득된 기상 정보를 가공한 기상 데이터와 예측 대상 지점에 대해 미리 계산된 건조 속도비를 학습부(140)에서 학습된 도로 노면 상태 예측 모델에 입력하여 예측 대상 지점의 도로 노면 상태를 예측할 수 있다.
본 발명에 따른 도로 노면 상태 예측 모델은 관측 지점의 관측 시점에서 도로 노면 상태, 관측 지점의 건조 속도비, 관측 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 학습 데이터로 하여 학습 될 수 있다.
일반적으로 도로에는 도로 주변 건물, 가로수, 도로의 포장 종류, 도로의 경사도 등 노면 상태에 영향을 주는 다양한 주변 환경들이 존재한다. 이 도로 주변 환경들은 주로 노면 상태의 변화에 직접적인 영향을 미치는 것이 아니라, 노면 상태의 변화 속도에 영향을 주는 것으로 알려져 있다. 물론 정확도를 높이기 위해서 도로 주변 건물, 가로수, 도로의 포장 종류, 도로의 경사도 등 노면 상태에 영향을 주는 다양한 주변 환경 등을 모두 고려하는 것이 좋다. 그러나 비교적 적은 비용으로 강수에 의한 도로의 노면 상태 변화를 예측하는 데는 도로의 종단 경사도를 고려하는 것으로도 도로에 남은 수분 정도를 설명하는데 충분한 것으로 파악되었다.
종단 경사도는 현재 도로가 내리막길인지 오르막길인지를 나타내는 변수이다. 종단 경사도가 음수일 때 해당 도로는 내리막의 형태를 띠고 있으며, 양수일 때 오르막길의 형태를 띤다. 도로의 내리막길과 오르막길은 관측 지점에서의 수막 두께에 영향을 미친다. 만약 내리막길에서 오르막길로 변하는 극소점 부분이라면, 물이 고여 수막 두께가 두꺼울 수 있다. 반대로 오르막길에서 내리막길로 변하는 극대점 부분은 상대적으로 수막 두께가 얇을 수 있다. 수막 두께는 노면에서의 건조 속도비에 영향을 미친다.
도 2는 본 발명의 일 실시예에 따른 도로의 건조 속도비를 설명하기 위해 제공되는 도면이다.
도 2를 참고하면, 도로의 특정 지점(Psensor)에서의 건조 속도비는 아래 수학식 1에 의해 정의되고 계산될 수 있다.
[수학식 1]
건조 속도비 = SAVertical section/TAVertical section,
건조 속도비를 계산하기 위한 지점(Psensor)이 이웃한 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)을 연결하는 도로 구간 사이에 위치한다고 가정하면, TAVertical section는 도로 구간에 위치한 국부 경사 극소점(Plocal minimum peak)과 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)으로 이루어지는 삼각형의 넓이로 정의할 수 있다. 그리고 SAVertical section는 국부 경사 극소점(Plocal minimum peak), 지점(Psensor) 및 반대편 지점(Popposite)으로 이루어지는 삼각형의 넓이로 정의할 수 있다.
여기서 반대편 지점(Popposite)은 도로 구간에 위치하는 지점이다. 지점(Psensor)과 반대편 지점(Popposite)을 연결한 선분은 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)을 연결한 선분과 평행하게 정해질 수 있다.
각 지점(Psensor, Popposite, Plocal maximum peak1, Plocal maximum peak2, Plocal minimum peak)은 도로의 횡단 방향으로 중간 지점일 수 있다.
수학식 1에서 길이가 아닌 넓이의 비를 사용함으로써, 해당 경사 구간의 물 수용력에 대한 설명력을 부여할 수 있다. 종단면 넓이 대신 점과 점 사이의 고도 차를 사용할 수 있지만, 같은 높이라도 종단 경사도가 달라지면, 수막 두께 역시 다를 수 있기 때문이다.
한편 해당 구간의 건조 속도비에 대한 보다 정확한 설명력을 부여하고자 한다면, 횡단 경사도에 대해 고려가 필요할 수 있다. 강수가 발생하면 종단 경사도에 의해 영향을 받는 것 외에 횡단 경사에 의해 갓길로 대부분의 물이 배출되기 때문이다. 그러나 횡단 경사에 의해 갓길로 대부분의 물이 배출된 다음에 도로 노면에 남은 수분은 해당 지점의 종단면 넓이에 의해 달라질 수 있다. 따라서 횡단 경사도를 고려하지 않아도 건조 속도비가 충분한 설명력을 가질 수 있다. 물론 앞서 설명한 것과 같이 횡단 경사도나 그외 도로 주변 환경을 추가적으로 고려할 경우 보다 정확한 모델을 생성할 수 있으나, 비용 등을 고려할 때 본 실시예에서는 도로의 종단 경사도에 따른 건조 속도비만을 고려하기로 한다.
기상정보는 도로 노면 상태 변화에 가장 직접적인 영향을 미치는 변수이다. 눈과 비는 도로의 노면의 변화를 발생시키며, 온도는 노면 상태 변화에 직접적인 영향을 미친다. 그렇다고 노면 상태를 예측하기 위해 기상정보를 가공하지 않고 바로 설명변수로 사용하면 정확한 예측이 어려울 수도 있다. 기상변수의 가공에서 가장 고려해야 하는 부분은 시간이다. 도로의 노면은 현재 발생하고 있는 강수의 영향도 받지만, 1시간 전에 내린 비에 의해서도 영향을 받는다. 특히 눈의 경우는 측 시점으로부터 2~3일 전에 내린 것에도 현재 노면 상태에 영향을 받는다. 따라서 기상정보를 활용하여 설명변수로 가공할 때에는 반드시 시간에 대해 고려가 필요하다.
본 실시예에서는 관측 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 설명변수로 고려하였다. 여기서 관측 지점은 모델 학습 후 도로 노면 상태 예측 과정에서는 예측 대상 지점에 대응하고, 관측 시점은 예측 시점에 대응한다.
누적 강수량(acc_precipitation)은 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 값이다. 누적 강수량 값은 현재 노면의 상태에 직접적 또는 간접적으로 영향을 미치는 설명변수다. 강수량은 비와 눈에 의해 발생한 강수의 양을 의미하기 때문에, 누적 강수량을 가공하기 위해서 ASOS의 분당 강수량과 시간당 적설량을 사용할 수 있다. ASOS의 분당 강수량은 00시 00분부터 현재까지 발생한 누적 강수량 정보를 제공한다. 하지만 강우 발생 시점이 00시 00분 이전일 경우 직전 발생한 강수의 총량으로 보기 어려우므로, 이에 대한 추가 작업이 필요하다. 적설량은 분당 강수량에서 정확하게 측정하지 못한 눈에 대한 정보를 보충 설명하기 위해 사용할 수 있다. 일반적으로 적설량과 강수량은 10:1의 비율로 표현한다. 즉, 1cm의 적설량이 관측되었다면, 강수량으로는 0.1mm라고 기록된다. 하지만 노면 상태 변화 측면에서 바라볼 경우, 눈은 녹으면서 증발하기 때문에 비보다 노면 상태 변화 속도가 상대적으로 느리다. 또한, 눈이 겨울철에 발생한다는 점을 고려하면, 추운 날씨에 의해 눈이 얼고 녹음을 반복하기 때문에 노면이 건조 상태가 되는 데 필요한 시간이 증가한다. 이러한 이유로 적설량의 강수량 표현은 단순히 단위 변환하는 것으로 대체할 수 있다.
강수 종료 시점부터 관측 시점 사이의 시간적 거리(time_dist_min_pet_st)는 이전에 발생한 강수가 현재 노면 상태에 미치는 영향을 설명하는 변수이다. 강수는 관측 시점 당시에 발생하고 있을 수 있고, 1시간 또는 하루 전에 종료될 수 있다. 여름철 약한 비가 내리는 중에 노면 상태를 예측한다면 노면은 젖어있다. 하지만 아무리 강한 비가 내리더라도 3시간 전에 내린 비라면, 도로 관리가 잘 되어 있다면 노면이 말라 있을 수 있다. 노면은 강수가 발생하는 도중에는 항상 젖어있거나 얼어있다. 따라서 도로 노면이 실제로 변하는 시간은 강수 종료 시점이므로, 두 시점 사이의 시간적 거리는 강수 시작 시점이 아닌 강수 종료 시점과 관측 시점 사이의 시간으로 정의할 수 있다.
온도는 강수 발생 시점부터 관측 시점까지 시간을 3개의 구간으로 정의하고, 각 구간에서의 온도 정보를 표현하기 위해 평균과 표준 편차를 각각 계산하여 이용할 수 있다. 평균 온도는 노면 위의 수분이 증발하는 속도에 직접적인 영향을 미친다. 평균 온도가 높다면 노면이 마르는 속도는 증가하고, 낮으면 감소한다. 또한, 노면이 평균 온도가 낮다면 노면이 어는 경우도 발생한다. 하지만 노면이 어는 경우는 항상 평균 온도가 낮을 때만이 아니다. 겨울철 노면은 2~3일 전 발생한 강수의 영향을 받을 수 있으므로, 3일 전에 내린 비가 2일 전 발생한 강추위로 인해 노면이 어는 경우가 발생할 수 있기 때문이다. 겨울철 노면의 상태는 시각의 영향을 받는다. 새벽과 저녁은 온도가 영하를 기록하지만, 아침과 낮에는 상온을 유지하는 예도 있다. 온도의 표준 편차는 시간에 따라 달라지는 온도를 설명하는 변수로 활용할 수 있다. 표준 편차는 유사한 평균 온도일 때의 노면 상태 예측하는 부분에서 효율적이다.
온도에 대해서는 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 설명 변수로 이용할 수 있다. 예컨대 표 1에서와 같이 복수의 시간구간을 강수 발생 시점부터 관측 시점까지의 제1시간 구간, 강수 발생 시점부터 강수 종료 시점까지의 제2시간 구간 및 강수 종료 시점부터 관측 시점까지의 제3 시간 구간으로 나누고, 각 구간 별로 평균 온도 및 온도 표준 편차를 구할 수 있다.
표 1은 본 발명에서 기상정보와 관련하여 설명 변수로 가공된 기상데이터를 나타낸 것이다.
설명 변수 정의
acc_precipitation 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량
time_dist_min_pet_st 강수 종료 시점부터 관측 시점 사이의 시간적 거리
avg_temperature_pet_cst 강수 종료 시점부터 관측 시점까지 평균 온도
sd_temperature_pet_cst 강수 종료 시점부터 관측 시점까지 온도 표준 편차
avg_temperature_pst_pet 강수 발생 시점부터 강수 종료 시점까지 평균 온도
sd_temperature_pst_pet 강수 발생 시점부터 강수 종료 시점까지 온도 표준 편차
avg_temperature_pst_st 강수 발생 시점부터 관측 시점까지 평균 온도
sd_temperature_pst_st 강수 발생 시점부터 관측 시점까지 온도 표준 편차
본 실시예에서는 앞서 설명한 것과 같이 도로 주변 환경에 대해서 도로의 종단 경사도에 대응하는 건조 속도비만을 이용하였다. 주변 건물, 도로의 포장 종류, 도로의 횡단 경사도 등의 다른 요소도 도로의 노면 상태에 영향을 줄 수 있다. 따라서 바람직하게는 동일한 도로 포장 상태, 도로 주변 환경, 도로 관리 등이 기대될 수 있는 도로 구간별로 본 발명에 따른 도로 노면 상태 예측 모델을 학습하여 이용할 수 있다. 또한 동일한 도로라 하더라도 계절별로 도로 노면 상태 예측 모델을 학습하여 이용할 수도 있다.
도 3은 본 발명의 일 실시예에 따른 도로 노면 상태 예측 시스템의 동작을 설명하는 흐름도이다.
도 1 내지 도 3을 참고하면, 먼저 도로 노면 상태 정보를 수집하여 기상정보를 가공한 기상 데이터 및 도로 노면의 건조 속도비와 맵핑한 학습 데이터를 데이터베이스(130)에 구축할 수 있다(S310).
다음으로 학습부(140)는 데이터베이스(130)에 구축된 학습 데이터를 이용하여 기상 상황에 따른 도로 노면 상태를 예측하는 도로 노면 상태 예측 모델을 학습할 수 있다(S320). 학습부(140)는 로지스틱 회귀 (Logistic Regression), 의사결정나무(Decision Tree) SVM(Support Vector Machine), k-NN(k-Nearest Neighbor), 딥 러닝 (Deep Learning) 등의 머신러닝 모델을 이용하여 도로 노면 상태 예측 모델을 학습할 수 있다.
단계(S310) 내지 단계(S320)는 추가로 학습데이터가 발생되면, 그를 반영하여 도로 노면 상태 예측 모델을 업데이트시키는 방식으로 계속적으로 수행될 수 있다.
이후 도로 노면 상태 예측부(150)는 예측 대상 지점에 대해 획득된 기상 정보를 가공한 기상 데이터와 예측 대상 지점에 대해 미리 계산된 건조 속도비를 학습부(140)에서 학습된 도로 노면 상태 예측 모델에 입력하여 예측 대상 지점의 도로 노면 상태를 예측할 수 있다(S330).
단계(S330)에서 예측된 도로 노면 상태는 노면 상태 타입에 도로 포장 재질, 차량 평균 통행 속도 등을 반영하여 추정되는 노면 마찰 계수를 적용하여 도로 위험도 예측 알고리즘에 적용하는 시스템에 활용될 수 있다. 물론 그 외에도 도로 노면 상태에 대한 정보를 차량 단말, 사용자 단말에 제공하거나 또는 도로에 설치된 전광판 등을 통해 표출시킬 수도 있다. 그리고 자율 주행 차량 등에 대해서 도로 노면 상태를 제공하여 안전 운행을 하는데 지원할 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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.
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.
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.
110: 도로 정보 수집부
111: 노면 센서 115: GNSS 수신부
120: 기상 정보 획득부
130: 데이터베이스
140: 학습부
150: 도로 노면 상태 예측부

Claims (11)

  1. 도로 노면 상태 예측 대상 지점에 대한 강수량 정보를 포함하는 기상 정보를 획득하는 단계, 그리고
    상기 획득된 기상 정보를 가공한 기상 데이터와 상기 예측 대상 지점에 대해 미리 계산된 건조 속도비를 도로 노면 상태 예측 모델에 입력하여 상기 예측 대상 지점의 도로 노면 상태를 예측하는 단계
    를 포함하고,
    상기 도로 노면 상태 예측 모델은,
    관측 지점의 관측 시점에서 도로 노면 상태, 상기 관측 지점의 건조 속도비, 상기 관측 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 상기 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 상기 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 학습 데이터로 학습되고,
    상기 건조 속도비는 도로 기하 구조 데이터를 이용하여 계산되며,
    도로의 소정의 지점(Psensor)에서의 건조 속도비는 아래 수학식 1에 의해 정의되고,
    [수학식 1]
    건조 속도비 = SAVertical section/TAVertical section,
    상기 소정의 지점은 이웃한 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)을 연결하는 도로 구간 사이에 위치하며,
    TAVertical section는 상기 도로 구간에 위치한 국부 경사 극소점(Plocal minimum peak)과 상기 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)으로 이루어지는 삼각형의 넓이이고,
    SAVertical section는 상기 국부 경사 극소점(Plocal minimum peak), 상기 소정의 지점(Psensor) 및 반대편 지점(Popposite)으로 이루어지는 삼각형의 넓이이며,
    상기 반대편 지점은 상기 도로 구간에 위치하고, 상기 소정의 지점(Psensor)과 상기 반대편 지점을 연결한 선분은 상기 두 개의 국부 경사 극대점을 연결한 선분과 평행한 도로 노면 상태 예측 방법.
  2. 삭제
  3. 삭제
  4. 제 1 항에서,
    상기 획득된 기상 정보를 가공한 기상 데이터는,
    상기 예측 대상 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 상기 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 포함하는 도로 노면 상태 예측 방법.
  5. 제 4 항에서,
    상기 복수의 시간구간은,
    강수 발생 시점부터 예측 시점까지의 제1시간 구간, 강수 발생 시점부터 강수 종료 시점까지의 제2시간 구간 및 강수 종료 시점부터 관측 시점까지의 제3 시간 구간을 포함하는 도로 노면 상태 예측 방법.
  6. 도로 노면 상태 예측 방법을 수행하는 프로그램을 수록한 컴퓨터 판독 가능한 기록 매체에 있어서,
    상기 프로그램은,
    도로 노면 상태 예측 대상 지점에 대한 강수량 정보를 포함하는 기상 정보를 획득하는 명령어 세트, 그리고
    상기 획득된 기상 정보를 가공한 기상 데이터와 상기 예측 대상 지점에 대해 미리 계산된 건조 속도비를 도로 노면 상태 예측 모델에 입력하여 상기 예측 대상 지점의 도로 노면 상태를 예측하는 명령어 세트
    를 포함하고,
    상기 도로 노면 상태 예측 모델은,
    관측 지점의 관측 시점에서 도로 노면 상태, 상기 관측 지점의 건조 속도비, 상기 관측 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 상기 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 상기 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 학습 데이터로 학습되며,
    상기 건조 속도비는 도로 기하 구조 데이터를 이용하여 계산되고,
    도로의 소정의 지점(Psensor)에서의 건조 속도비는 아래 수학식 1에 의해 정의되고,
    [수학식 1]
    건조 속도비 = SAVertical section/TAVertical section,
    상기 소정의 지점은 이웃한 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)을 연결하는 도로 구간 사이에 위치하며,
    TAVertical section는 상기 도로 구간에 위치한 국부 경사 극소점(Plocal minimum peak)과 상기 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)으로 이루어지는 삼각형의 넓이이고,
    SAVertical section는 상기 국부 경사 극소점(Plocal minimum peak), 상기 소정의 지점(Psensor) 및 반대편 지점(Popposite)으로 이루어지는 삼각형의 넓이이며,
    상기 반대편 지점은 상기 도로 구간에 위치하고, 상기 소정의 지점(Psensor)과 상기 반대편 지점을 연결한 선분은 상기 두 개의 국부 경사 극대점을 연결한 선분과 평행한 컴퓨터 판독 가능한 기록 매체.
  7. 도로 노면 상태 예측 대상 지점에 대한 강수량 정보를 포함하는 기상 정보를 획득하는 기상 정보 획득부, 그리고
    상기 획득된 기상 정보를 가공한 기상 데이터와 상기 예측 대상 지점에 대해 미리 계산된 건조 속도비를 도로 노면 상태 예측 모델에 입력하여 상기 예측 대상 지점의 도로 노면 상태를 예측하는 도로 노면 상태 예측부
    를 포함하고,
    상기 도로 노면 상태 예측 모델은,
    관측 지점의 관측 시점에서 도로 노면 상태, 상기 관측 지점의 건조 속도비, 상기 관측 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 상기 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 상기 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 학습 데이터로 학습되고,
    상기 건조 속도비는 도로 기하 구조 데이터를 이용하여 계산되며,
    도로의 소정의 지점(Psensor)에서의 건조 속도비는 아래 수학식 1에 의해 정의되고,
    [수학식 1]
    건조 속도비 = SAVertical section/TAVertical section,
    상기 소정의 지점은 이웃한 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)을 연결하는 도로 구간 사이에 위치하며,
    TAVertical section는 상기 도로 구간에 위치한 국부 경사 극소점(Plocal minimum peak)과 상기 두 개의 국부 경사 극대점(Plocal maximum peak1,Plocal maximum peak2)으로 이루어지는 삼각형의 넓이이고,
    SAVertical section는 상기 국부 경사 극소점(Plocal minimum peak), 상기 소정의 지점(Psensor) 및 반대편 지점(Popposite)으로 이루어지는 삼각형의 넓이이며,
    상기 반대편 지점은 상기 도로 구간에 위치하고, 상기 소정의 지점(Psensor)과 상기 반대편 지점을 연결한 선분은 상기 두 개의 국부 경사 극대점을 연결한 선분과 평행한 도로 노면 상태 예측 시스템.
  8. 삭제
  9. 삭제
  10. 제 7 항에서,
    상기 획득된 기상 정보를 가공한 기상 데이터는,
    상기 예측 대상 지점에 대한 강수 발생 시점부터 강수 종료 시점까지 누적된 강수량을 측정한 누적 강수량, 강수 종료 시점부터 관측 시점 사이의 시간적 거리, 강수 발생 시점부터 상기 관측 시점까지 시간에 대해 미리 정해진 방법으로 나눈 복수의 시간구간에 대해 각각 계산된 평균 온도 및 온도 표준 편차를 포함하는 도로 노면 상태 예측 시스템.
  11. 제 10 항에서,
    상기 복수의 시간구간은,
    강수 발생 시점부터 관측 시점까지의 제1시간 구간, 강수 발생 시점부터 강수 종료 시점까지의 제2시간 구간 및 강수 종료 시점부터 관측 시점까지의 제3 시간 구간을 포함하는 도로 노면 상태 예측 시스템.





KR1020180147719A 2018-11-26 2018-11-26 도로 노면 상태 예측 방법 및 시스템 KR102173797B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180147719A KR102173797B1 (ko) 2018-11-26 2018-11-26 도로 노면 상태 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180147719A KR102173797B1 (ko) 2018-11-26 2018-11-26 도로 노면 상태 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20200068055A KR20200068055A (ko) 2020-06-15
KR102173797B1 true KR102173797B1 (ko) 2020-11-03

Family

ID=71081692

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180147719A KR102173797B1 (ko) 2018-11-26 2018-11-26 도로 노면 상태 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102173797B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102305720B1 (ko) 2021-07-09 2021-09-28 주식회사 오르비스 도로 살얼음 대응 시스템
KR102305730B1 (ko) 2021-07-09 2021-09-30 주식회사 오르비스 Cps 기반의 도로살얼음 관리시스템
US20220266836A1 (en) * 2021-02-22 2022-08-25 Toyota Jidosha Kabushi Control system for determining road surface condition
KR102595160B1 (ko) * 2023-06-30 2023-10-27 (주)내일이엔시 도로 노면 상태 추정을 통한 위험도 산정 방법 및 그장치

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102643863B1 (ko) * 2021-11-29 2024-03-07 (주)케이웍스 다중 어레이 센서와 딥러닝 학습정보를 이용한 도로면 살얼음 결빙경보 시스템
CN114312796A (zh) * 2022-01-25 2022-04-12 中国第一汽车股份有限公司 一种车速控制方法、装置、存储介质及系统
CN114594532A (zh) * 2022-03-09 2022-06-07 北京墨迹风云科技股份有限公司 一种寒潮天气预测方法、装置、电子设备及计算机可读介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002048878A (ja) * 2000-08-02 2002-02-15 Nagoya Electric Works Co Ltd 路面温度または路面状態の予測方法およびその装置
JP2006030139A (ja) * 2004-07-21 2006-02-02 Japan Weather Association 路面状態予測システム、路面状態予測方法及び路面状態予測プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1164537A (ja) * 1997-08-21 1999-03-05 Oki Electric Ind Co Ltd 路面凍結予測方法
KR101331054B1 (ko) 2010-05-13 2013-11-19 한국전자통신연구원 도로노면정보 및 통계적 교통상황을 고려한 안전속도 산정방법 및 그 장치
KR101750939B1 (ko) * 2015-12-01 2017-06-28 한국건설기술연구원 주행차량을 이용한 기상상태-기반 노면상태 예측 시스템 및 예측 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002048878A (ja) * 2000-08-02 2002-02-15 Nagoya Electric Works Co Ltd 路面温度または路面状態の予測方法およびその装置
JP2006030139A (ja) * 2004-07-21 2006-02-02 Japan Weather Association 路面状態予測システム、路面状態予測方法及び路面状態予測プログラム

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220266836A1 (en) * 2021-02-22 2022-08-25 Toyota Jidosha Kabushi Control system for determining road surface condition
US11679770B2 (en) * 2021-02-22 2023-06-20 Toyota Jidosha Kabushiki Kaisha Control system for determining road surface condition
KR102305720B1 (ko) 2021-07-09 2021-09-28 주식회사 오르비스 도로 살얼음 대응 시스템
KR102305730B1 (ko) 2021-07-09 2021-09-30 주식회사 오르비스 Cps 기반의 도로살얼음 관리시스템
KR102595160B1 (ko) * 2023-06-30 2023-10-27 (주)내일이엔시 도로 노면 상태 추정을 통한 위험도 산정 방법 및 그장치

Also Published As

Publication number Publication date
KR20200068055A (ko) 2020-06-15

Similar Documents

Publication Publication Date Title
KR102173797B1 (ko) 도로 노면 상태 예측 방법 및 시스템
US11312383B2 (en) Road surface condition prediction system, driving assistance system, road surface condition prediction method, and data distribution method
US20180283895A1 (en) Navigation system and method
KR20190057501A (ko) 기상 상황에 따른 도로 위험도 예측 시스템 및 방법
KR101834275B1 (ko) 교통 안전정보 전파 시스템 및 방법
KR20190105165A (ko) 도로 기상정보 예보시스템
CN110820615A (zh) 一种应用于光伏路面段的智能化冰雪气象预警系统及方法
KR102334369B1 (ko) 블랙아이스 생성 예측을 통한 알림 시스템
CN111656145B (zh) 车辆监测器
CN112835131A (zh) 一种高速公路结冰风险路段动态短临预警方法
CN114902083A (zh) 路段的路面气象特征的自适应预测方法和装置
AU2021251818B2 (en) Road icing condition prediction for shaded road segments
KR102475003B1 (ko) IoT(internet of things)를 이용한 제설 작업 관리 시스템
WO2022190204A1 (ja) 発生危険度算出装置、発生危険度表示システム、発生危険度算出方法及び発生危険度算出プログラムが格納された非一時的なコンピュータ可読媒体
Yang et al. Validation of a road surface temperature prediction model using real-time weather forecasts
KR101409222B1 (ko) 노면상태 정보제공 시스템
US20230245509A1 (en) Safety system and method for motor vehicles
KR20210092427A (ko) IoT활용 도로결빙 감지 및 예측시스템
KR20220073567A (ko) 빅데이터를 이용한 노면 상태 예측 시스템
KR102280799B1 (ko) 가공된 다중 강수 정보를 이용한 도로 노면 상태 예측 방법 및 시스템
KR102309583B1 (ko) 시공간 특성을 활용한 랜덤 포레스트 기반 도로 노면 상태 예측 방법 및 시스템
KR102611727B1 (ko) 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템
KR102398029B1 (ko) 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템
KR102398030B1 (ko) 머신러닝 기반 노면 상태 예측 방법 및 시스템
JP4742388B2 (ja) 固定観測点及び路線における路面状態推定システム

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant