KR102248658B1 - 인공지능을 이용한 교통관리 시스템 - Google Patents

Abstract

본 기술은 인공지능을 이용한 교통관리 시스템에 관한 것이다. 본 기술의 인공지능을 이용한 교통관리 시스템은, 시작지점인 제1 영역과 종료지점인 제2 영역을 잇는 도로구간 내 위치한 차량 상태를 판단하여 서로 연결된 도로구간들의 교통신호체계를 제어하는 인공지능을 이용한 교통관리 시스템은, 상기 제1 영역을 통과하는 차량을 인식하여 통과순서에 따라 시간별로 기록된 제1 통과차량 리스트를 생성하는 제1 차량정보 수집장치와, 상기 제2 영역을 통과하는 차량을 인식하여 통과순서에 따라 시간별로 기록된 제2 통과차량 리스트를 생성하는 제2 차량정보 수집장치와, 상기 도로구간들 각각에 설치된 제1 및 제2 차량정보 수집장치들로부터 상기 제1 및 제2 통과차량 리스트들을 수집하여 제1 시점에서의 각 도로구간 내 차량대수를 계산하고, 제1 시점에서의 상기 차량대수를 포함하는 교통정보와 현재날짜정보, 현재시간정보, 및 현재날씨정보를 포함하는 이벤트정보를 미리 학습된 인공신경망에 적용하여 상기 제1 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화를 예측하여 교통제어신호를 생성하는 교통관제서버 및 상기 교통관제서버로부터 수신된 교통제어신호에 기초하여 상기 도로구간들에 배치된 신호등의 점멸동작을 제어하는 교통신호 제어장치를 포함한다.

Description

인공지능을 이용한 교통관리 시스템{TRAFFIC MANAGING SYSTEM USING ARTIFICIAL INTELLIGENCE}

본 발명은 인공지능을 이용한 교통관리 시스템에 관한 것으로, 보다 구체적으로는 지능형 교통 체계 시스템에 있어서 인공지능을 이용한 교통관리 시스템에 관한 것이다.

현대인에게 교통 체증은 시간 및 경제적으로 많은 사회적 손실을 야기하는데, 도심과 같이 주요시설이 밀집한 지역에서는 교통체증이 빈번하게 발생하고, 이러한 도로구간에서는 짧은 거리의 주행이라도 상당한 시간이 소요되며 연료 소모도 크게 발생한다.

자동차 운전자들은 스마트 폰에 설치된 네이게이션, 지도 어플리케이션으로 도로교통상황을 간접적으로 인식하거나, 티비, 라디오 방송을 통해 안내를 받을 수 있다. 하지만, 이러한 어플리케이션, 매체들로부터 수신되는 정보는 단순히 특정 도로구간이 정체되거나 사고 발생여부 등만을 제공해줄 뿐이고, 사용자에게 도로 상황에 대한 직관적인 인식을 제공해주는 영상을 제공하지는 못한다.

또한, 상습 정체 도로구간들에는 CCTV가 설치되며, CCTV 영상은 도로교통상황을 판단하는데 이용되지만, 이러한 CCTV 영상은 CCTV가 설치된 제한적인 영역의 도로상황만을 판단하는데 이용될 뿐이고, 보안관계상 일반적인 자동차 운전자들은 자유롭게 CCTV 영상에 접근하기도 어려운 실정이다.

한편, 인공지능은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로서, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 말한다.

최근에는 방대한 빅데이터들을 분석해 미래를 예측하는 머신러닝 기술이 주목받고 있다. 머신러닝은 데이터를 수집, 분석해 미래를 예측한다는 점에서 빅데이터 분석과 유사하지만 컴퓨터 스스로 방대한 데이터를 수집, 학습할 수 있다는 점에서 차이가 있다. 이는 인공지능(Artificial Intelligence)의 한 분야로, 빅데이터 핵심 기술로 각광받고 있다.

본 발명의 발명자는 인공지능 기술을 교통 체증 해소에 활용되는 알고리즘을 새롭게 제안하기 위하여 오랫동안 연구하고 시행착오를 거친 끝에 본 발명을 완성하기에 이르렀다.

본 발명의 실시예는 별도의 영상장치를 이용하지 않고도 각 도로구간 내 위치한 차량대수를 판단하고, 판단된 차량대수를 기초로 차량 상태의 변화를 예측하는 인공지능을 이용한 교통관리 시스템을 제공한다.

한편, 본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 것이다.

본 발명의 실시 예에 따른 시작지점인 제1 영역과 종료지점인 제2 영역을 잇는 도로구간 내 위치한 차량 상태를 판단하여 서로 연결된 도로구간들의 교통신호체계를 제어하는 인공지능을 이용한 교통관리 시스템은, 상기 제1 영역을 통과하는 차량을 인식하여 통과순서에 따라 시간별로 기록된 제1 통과차량 리스트를 생성하는 제1 차량정보 수집장치와, 상기 제2 영역을 통과하는 차량을 인식하여 통과순서에 따라 시간별로 기록된 제2 통과차량 리스트를 생성하는 제2 차량정보 수집장치와, 상기 도로구간들 각각에 설치된 제1 및 제2 차량정보 수집장치들로부터 상기 제1 및 제2 통과차량 리스트들을 수집하여 제1 시점에서의 각 도로구간 내 차량대수를 계산하고, 제1 시점에서의 상기 차량대수를 포함하는 교통정보와 현재날짜정보, 현재시간정보, 및 현재날씨정보를 포함하는 이벤트정보를 미리 학습된 인공신경망에 적용하여 상기 제1 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화를 예측하여 교통제어신호를 생성하는 교통관제서버를 포함한다.

실시 예에 따라, 상기 교통관제서버로부터 수신된 교통제어신호에 기초하여 상기 도로구간들에 배치된 신호등의 점멸동작을 제어하는 교통신호 제어장치를 더 포함할 수 있다.

실시 예에 따라, 상기 인공신경망은 다층 퍼셉트론(multilayer perceptron)으로 이루어질 수 있다.

실시 예에 따라, 상기 인공신경망은 매트릭스 형태로 서로 연결된 복수의 노드로 구성되며, 상기 교통 정보에 포함된 각 도로구간 내 차량대수와, 상기 이벤트 정보에 포함된 현재날짜정보, 현재시간정보, 및 현재날씨정보가 입력되는 입력층, 상기 입력층에 입력된 상기 차량대수, 상기 현재날짜정보, 상기 현재시간정보, 상기 현재날씨정보에 가중치를 적용하는 은닉층, 상기 은닉층으로부터 출력된 값을 상기 제1 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화로 결정하는 출력층을 포함할 수 있다.

실시 예에 따라, 상기 교통관제서버는 각 도로 구간의 누적 교통정보를 이용하여 상기 인공신경망을 학습시키며, 상기 누적 교통정보는 날짜별로 매시간마다 날씨상태와 함께 각 도로구간의 차량대수에 대한 누적된 정보가 포함되어 있다.

실시 예에 따라, 상기 교통관제서버는, 상기 누적 교통정보를 기초로 각 도로구간 내 위치한 차량 상태의 변화를 예측하는 순전파 과정을 수행하고, 상기 순전파 과정을 통해 생성된 도로구간 내 위치한 차량 상태의 변화와 상기 누적 교통정보에 포함된 각 도로구간의 차량대수와의 차이인 에러값을 기초로 상기 인공신경망의 가중치를 보정하는 역전파 과정을 수행할 수 있다.

실시 예에 따라, 상기 교통관제서버는, 상기 제1 시점으로부터 일정기간이 지난 제2 시점에서 상기 차량 상태의 변화가 예측범위 내에 존재하지 않는 경우, 상기 제2 시점에서의 각 도로구간 내 차량대수를 계산하고, 상기 제2 시점에서의 차량대수를 포함하는 교통정보와 현재날짜정보, 현재시간정보, 및 현재날씨정보를 포함하는 이벤트정보를 미리 학습된 인공신경망에 적용하여 상기 제2 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화를 예측하여 교통제어신호를 생성하는 교통관제서버를 포함할 수 있다.

실시 예에 따라, 상기 교통관제서버는 상기 제1 통과차량 리스트에 포함된 통과차량대수와 상기 제2 통과차량 리스트에 포함된 통과차량개수의 차이를 상기 도로구간 내에 위치한 상기 도로차량대수로 판단할 수 있다.

실시 예에 따라, 상기 교통관제서버는 상기 제1 통과차량 리스트에 포함된 통과차량대수와 상기 제2 통과차량 리스트에 포함된 통과차량개수의 차이를 상기 도로구간 내에 위치한 상기 도로차량대수로 판단할 수 있다.

실시 예에 따라, 상기 제1 및 제2 차량정보 수집장치들 각각은, 도로면의 내측에 구성된 루프 안테나를 이용하여 차량의 이동에 따라 발생되는 자기장에 의해 일정크기의 전류신호가 발생되는 경우, 차량이 통과되는 것으로 인식할 수 있다.

실시 예에 따라, 상기 제1 및 제2 차량정보 수집장치들 각각은, 도로면으로 센서 신호를 조사하여 반사되어 되돌아오는 시간이 기준시간보다 일정기간 동안 짧아지는 경우, 차량이 통과되는 것으로 인식할 수 있다.

본 기술은 차량정보 수집장치를 통해 수집된 차량정보를 기초로 각 도로구간 내 위치한 차량대수를 판단하고, 판단된 차량대수를 기초로 차량상태의 변화를 예측하는 교통관리 시스템을 제공할 수 있다.

또한, 본 기술은 차량상태의 변화를 기초로 교통신호등의 점멸동작을 제어하여 교통체증을 줄일 수 있다.

도 1은 본 발명의 실시 예에 따른 인공지능을 이용한 교통관리 시스템의 개략적인 블록도이다.
도 2는 본 발명의 실시 예에 따른 교통관제서버가 인공신경망을 학습하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른 인공신경망을 설명하기 위한 도면이다.
도 4a는 본 발명의 실시 예에 따른 차량정보 수집장치의 동작을 설명하기 위한 도면이다.
도 4b는 본 발명의 다른 실시 예에 따른 차량정보 수집장치의 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 교통관제서버가 도로교통을 제어하는 방법을 설명하기 위한 도면이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.

이하에서는, 본 발명의 가장 바람직한 실시예가 설명된다. 도면에 있어서, 두께와 간격은 설명의 편의를 위하여 표현된 것이며, 실제 물리적 두께에 비해 과장되어 도시될 수 있다. 본 발명을 설명함에 있어서, 본 발명의 요지와 무관한 공지의 구성은 생략될 수 있다. 각 도면의 구성요소들에 참조 번호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다.

도 1은 본 발명의 실시 예에 따른 인공지능을 이용한 교통관리 시스템의 개략적인 블록도이고, 도 2는 본 발명의 실시 예에 따른 교통관제서버가 인공신경망을 학습하는 방법을 설명하기 위한 도면이다.

도 1을 참조하면, 본 발명의 실시 예에 따른 교통관리 시스템(10)은 교통관제서버(100), 차량정보 수집장치(200), 및 교통신호 제어장치(300)를 포함한다.

교통관제서버(100)는 교통을 제어하는 신호등의 신호 변경을 제어하기 위해 교통신호 제어장치(300)에 교통제어신호를 제공하고, 도심 내 도로교통상황을 종합적으로 제어 및 감시하는 서버로서, 차량정보 수집장치(200)로부터 교통상황에 관한 정보를 수신하여 각 도로구간의 교통상황을 판단하고, 판단시점 이후의 교통상황을 예측할 수 있다.

교통관제서버(100)는 각 도로구간에 위치한 차량정보 수집장치(200)로부터 실시간 또는 기설정된 주기마다 교통상황에 관한 정보인 통과차량 리스트를 수신할 수 있다. 여기서 통과차량 리스트는 각 도로구간을 통과한 차량들을 통과순서에 따라 시간별로 기록한 정보이며, 교통관제서버(100)는 각 도로구간의 통과차량 리스트를 분석하여 제1 시점에서의 각 도로구간 내 위치한 차량대수 계산할 수 있다.

교통관제서버(100)는 미리 학습된 인공신경망(AIN)에 교통정보와 이벤트정보를 적용하여 제1 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화를 예측할 수 있다. 또한, 교통관제서버(100)는 각 도로구간의 길이와 차량대수를 기초로 차량이 평균속력을 계산할 수도 있다.

여기서, 교통정보는 제1 시점에서의 각 도로구간 내 차량대수를 포함하는 정보이고, 이벤트정보는 차량 이외에 도로교통에 영향을 줄 수 있는 각종 정보를 의미한다.

실시 예에 따라, 이벤트정보는 제1 시점에서의 현재날짜정보, 현재시간정보, 및 현재날씨정보를 포함할 수 있다. 예컨대, 현재날짜가 어린이날이라면 놀이공원 등의 놀이시설로 향하는 도로구간에는 다른 도로구간보다 차량의 통행이 집중될 수 있고, 평일이라면 도심으로 향하는 도로구간이 다른 도로구간보다 차량의 통행이 집중될 수 있다. 이와 같이, 도로교통은 특정 날짜에 따라 민감하게 영향을 받을 수 있다.

예컨대, 현재시간이 오전 출근 시간대라면 근무지역이 밀집된 지역으로 향하는 도로구간이 다른 도로구간보다 차량의 통행이 집중될 수 있지만, 새벽 시간대라면 근무지역이 밀집된 지역으로 향하는 도로구간이라도 차량의 통행이 원활할 수 있다. 이와 같이, 도로교통은 특정 시간에 따라 민감하게 영향을 받을 수 있다.

예컨대, 현재날씨가 맑은 날씨라면 각 도로구간의 차량의 통행에는 별다른 영향을 주지 않지만, 우천시에는 차량의 평균속력이 줄어들어 각 도로구간에 정체가 발생할 수 있다. 이와 같이, 도로교통은 특정 날씨에 따라 민감하게 영향을 받을 수 있다.

이벤트정보는 외부 서버로부터 수집될 수 있다. 이를 위해 외부 서버와 교통관제서버가 통신할 수 있다. 외부 서버는 현재의 날짜, 시간 및 날씨에 관한 정보를 제공할 수 있는 일례로, 기상청 서버일 수 있다. 날씨 정보만을 외부 서버로부터 수집하고, 나머지 정보는 GPS 시간 정보를 이용해 교통관제서버에서 자체적으로 생성할 수도 있다.

인공신경망(AIN)에 의해 생성된 예측결과에는 시간의 흐름에 따른 각 도로구간에서의 차량흐름, 즉 차량대수가 포함되어 있으므로, 교통관제서버(100)는 예측결과를 이용하여 상대적으로 차량대수가 많은 도로구간의 흐름을 원활하게 하기 위한 교통제어를 수행할 수 있다.

교통관제서버(100)는 예측결과에 대응하여 제1 시점 이후의 교통신호를 제어하기 위한 교통제어신호를 생성할 수 있고, 교통신호 제어장치(300)에 교통제어신호를 제공할 수 있다.

교통신호 제어장치(300)는 교통제어신호를 이용하여 제1 시점 이후의 신호등의 점멸동작을 제어할 수 있는데, 각 도로구간에 배치된 교통신호 제어장치(300)들은 특정한 차량흐름을 원활하게 위해 유기적인 제어를 수행할 수 있다.

실시 예에 따라, 교통관리 시스템(10)의 각 구성들은 서로 WLAN(Wireless LAN), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), WiFi 등의 통신 방식을 사용할 수 있지만, 이에 한정되지 않으며 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), 지그비(ZigBee) 등의 근거리 통신 기술을 사용할 수도 있어, 어느 하나의 통신 방식에 한정되지 아니한다.

도 2를 참조하면, 교통관제서버(100)는 차량정보 수집장치(200) 및 교통신호 제어장치(300)와의 유선 또는 무선통신을 수행하는 통신부(110), 교통정보 및 이벤트 정보를 기초로 차량 상태의 변화를 예측하는 인공지능모듈(120), 및 누적 교통정보를 저장하는 저장부(130)를 포함한다.

통신부(110)는 각 도로구간에 설치된 제1 및 제2 차량정보 수집장치들(200a 및 200b)로부터 실시간 또는 기설정주기마다 제1 및 제2 통과차량 리스트들을 수신할 수 있다. 여기서 제1 및 제2 통과차량 리스트는 제1 영역과 제2 영역을 잇는 도로구간 내 위치한 차량상태를 판단하기 위해, 차량정보 수집장치(200)가 제1 및 제2 영역들 각각에서 수집한 차량정보를 의미한다. 제1 영역과 제2 영역 사이의 거리는 교통관제서버(100)에 기저장되어 관리되며, 교통관제서버(100)는 제1 및 제2 영역들 각각에서 수집된 제1 및 제2 통과차량 리스트들을 개별적으로 분석할 수 있다.

인공지능모듈(120)은 제1 및 제2 통과차량 리스트들을 분석하여 각 도로구간에 위치한 차량들의 숫자인 도로차량대수를 계산할 수 있다. 제1 및 제2 통과차량 리스트들에는 시간별로 이벤트 기록이 저장되어 있기 때문에, 인공지능모듈(120)은 하나의 이벤트 기록을 하나의 통과차량대수로 판단할 수 있다.

예컨대, 제1 통과차량 리스트에 시간별로 10개의 이벤트 기록이 저장되어 있는 경우, 인공지능모듈(120)은 10대의 차량이 제1 영역을 통과한 것으로 판단할 수 있다.

인공지능모듈(120)은 제1 통과차량 리스트에 포함된 통과차량대수와 제2 통과차량 리스트에 포함된 통과차량대수의 차이를 제1 영역과 제2 영역 사이의 도로구간 내에 위치한 도로차량대수로 판단할 수 있다.

예컨대, 제1 통과차량 리스트의 통과차량대수가 11이고 제2 통과차량 리스트의 통과차량대수가 9인 경우, 인공지능모듈(120)은 제1 영역과 제2 영역 사이의 도로구간에 2대의 차량이 위치하고 있음을 판단할 수 있다.

또한, 인공지능모듈(120)은 제1 및 제2 영역들 사이에서 운행중인 차량들의 평균속력을 계산할 수 있는데, 인공지능모듈(120)은 제1 및 제2 통과차량 리스트들에 같은 통과순서로 기록된 제1 통과시각과 제2 통과시각의 차이를 계산하고, 기저장된 도로구간의 길이를 제1 통과시각과 제2 통과시각의 차이로 나누어 차량 속력들을 계산할 수 있다. 그리고, 인공지능모듈(120)은 차량속력들을 평균하여 도로구간 내 운행중인 차량들의 평균속력을 계산할 수 있다.

예컨대, 제1 통과차량 리스트의 첫번째 통과차량이 오전 11시 30분 10초에 통과하였고, 제2 통과차량 리스트의 첫번째 통과차량이 오전 11시 30분 50초에 통과하였다면, 제1 통과시각과 제2 통과시각의 차이는 40초이다. 그리고, 제1 영역과 제2 영역 사이의 도로구간의 길이가 900m로 설정되어 있는 경우, 인공지능모듈(120)은 첫번째 통과차량의 차량속력을 81Km/h로 계산할 수 있다. 이와 같이 인공지능모듈(120)은 나머지 차량들에 대해서도 차량속력을 계산할 수 있고, 계산된 차량속력들의 합을 통과차량대수로 차량대수로 나누어 평균속력을 계산할 수 있다.

비록, 다수의 차량들 중 제1 영역을 첫번째로 통과한 차량이 제2 영역을 첫번째로 통과하지 못할수도 있지만, 해당 도로구간의 평균속력을 구하기 위함에 있어서 통과순서에 따라 차량속력을 계산하여 평균하는 것과 개별적으로 차량속력을 계산하여 평균하는 것에 큰 차이가 없게 된다. 따라서, 인공지능모듈(120)은 제1 및 제2 통과차량 리스트들에 같은 통과순서로 기록된 통과시각만을 이용하여 평균속력을 계산한다.

인공지능모듈(120)은 인공신경망(AIN)을 이용하여 각 도로구간의 차량상태의 변화를 판단하기 위해, 먼저 인공신경망(AIN)을 학습시킬 수 있다. 인공지능모듈(120)은 차량정보수집장치들로부터 수신된 제1 및 제2 통과차량 리스트들을 이용하여 시간의 흐름에 따른 각 도로구간 내 차량대수를 계산하고, 계산된 차량대수와 이벤트 정보를 함께 누적 교통정보로 저장할 수 있다.

인공지능모듈(120)은 특정시점부터 일정간격으로 도로구간들 각각의 차량대수를 판단하고, 판단된 차량대수와 판단시점 각각에 대응하는 날짜별 이벤트 정보 및 날씨 정보를 누적 교통정보로 저장할 수 있다.

예컨대, 인공지능모듈(120)은 2020년 1월 1일 오전 10시부터 5분 간격으로 제1 내지 제10 도로구간들 각각에 위치한 차량대수를 판단하고, 판단된 차량대수와 날짜별로 휴일인지 여부, 공휴일 여부, 도로점거집회 발생여부, 우천 여부 등을 누적 교통정보로 저장할 수 있다.

인공지능모듈(120)은 누적 교통정보를 기초로 인공신경망(AIN)의 학습을 진행할 수 있는데, 누적 교통정보에 포함된 시간의 흐름에 따른 각 도로구간 내 차량대수와 이벤트 정보를 인공신경망(AIN)에 입력하여 학습을 완료할 수 있다.

그리고, 인공지능모듈(120)은 학습이 완료된 인공신경망(AIN)에 제1 시점에 계산된 차량대수와 이벤트 정보를 입력함으로써 각 도로구간 내 차량 상태의 변화를 예측할 수 있다.

저장부(130)는 인공지능모듈(120)의 제어에 대응하여 시간의 흐름에 따라 누적되어 기록되는 누적 교통정보를 저장할 수 있다.

도 3은 본 발명의 실시 예에 따른 인공신경망을 설명하기 위한 도면이다.

도 3을 참조하면, 인공지능모듈(120)은 인공신경망(AIN)의 일종인 다층 퍼셉트론(Multi Layered Perceptron)을 인공지능 알고리즘으로 이용할 수 있다. 본 발명의 인공신경망(AIN)은 복수의 노드들로 이루어진 입력층(IL), 은닉층(HL), 및 출력층(OL)을 포함할 수 있다.

인공신경망(AIN)의 학습 과정은 입력층(IL)으로 입력된 각 도로구간 내 차량대수, 현재날짜정보, 현재시간정보, 및 현재날씨정보를 이용하여 각 도로구간 내 차량상태 변화를 예측결과로 도출하는 과정인 순전파(feedforward) 과정과, 누적 교통정보를 기초로 예측결과를 보정하기 위해 인공신경망(AIN)의 가중치를 조절하는 역전파 과정(backpropagation)이 있다.

인공신경망(AIN)은 입력층(IL)에 입력된 각 도로구간 내 차량대수, 현재날짜정보, 현재시간정보, 및 현재날씨정보가 은닉층(HL)을 통해 가중치가 적용되어 출력층(OL)으로 진행되면서 정보의 구체화가 이루어질 수 있다.

입력층(IL), 은닉층(HL), 및 출력층(OL) 각각의 노드는 선행하는 층 및 후행하는 층과 노드로 연결되어 있다. 입력층(IL)의 노드들에 입력된 각 도로구간 내 차량대수, 현재날짜정보, 현재시간정보, 및 현재날씨정보는 순차적으로 은닉층(HL)의 노드들을 거쳐 출력층(OL)의 노드들에 전달 수 있다.

이때, 도로구간 별로 각기 대응되는 노드가 있기 때문에, 특정 도로구간 내 차량대수가 입력층(IL)에 입력되면 대응하는 노드를 통해서만 은닉층(HL) 및 출력층(OL)으로 전달된다.

입력층(IL)은 입력 데이터를 받아들이는 기능을 하며, 입력층(IL)의 노드 개수는 도로구간들의 개수, 현재날짜정보, 현재시간정보, 및 현재날씨정보의 합산 개수와 일치하며, 만약, 도로구간들의 개수가 100개라면, 입력층(IL)의 노드 수는 103개가 될 수 있으나, 이에 한정되는 것은 아니며 이벤트 정보의 종류에 따라 입력층(IL)의 노드 수는 달라질 수 있다.

만약 입력층(IL)에 입력된 각 도로구간 내 차량대수가 제1 시점에 계산된 것이면, 출력층(OL)의 노드들은 제1 시점 이후에 각 도로구간의 차량 상태의 변화, 즉 차량 대수의 변화를 나타낼 수 있다.

예컨대, 입력층(IL)의 노드들에 100개의 도로구간들에 대한 차량대수가 입력된 경우, 출력층(OL)에는 100개의 도로구간들 각각에서 시간의 흐름에 따른 차량대수 변화가 출력될 수 있다.

예측결과는 제1 시점 이후 시간의 흐름에 따른 차량상태의 변화를 예측한 결과이므로, 예측결과와 실제 측정한 값과는 다소 상이할 수 있다. 누적 교통정보에는 시간의 흐름에 따른 차량상태의 변화가 기록되어 있기 때문에, 인공지능모듈(120)은 제1 시점에서 판단한 예측결과와 누적 교통정보에 포함된 실제 측정한 값을 비교하여 양자의 차이를 바로잡는 역전파 과정을 수행할 수 있다.

만약, 인공신경망(AIN)이 제1 시점에 판단된 예측결과와 실제 측정한 값과의 차이(이하, '에러값'이라 함)가 임계값을 초과하는 경우, 인공지능모듈(120)은 역전파 과정을 통해 에러값이 임계값 이내로 수렴하도록 인공신경망(AIN)의 가중치를 조절할 수 있다.

이와 같은 역전파 과정은 에러값을 역전파 시키면서 노드들 사이의 가중치를 반복적으로 보정하는 과정으로서, 반복적인 역전파를 통해 인공신경망(AIN) 학습 과정이 진행되면서 예측결과의 정확도를 높이게 된다. 궁극적으로 에러값이 임계치 이내로 수렴되면, 인공지능모듈(120)은 학습을 완료하고 인공신경망(AIN)에 포함된 가중치는 고정되며 예측결과를 도출하기 위한 완성형 인공신경망(AIN)이 된다.

이후, 인공지능모듈(120)은 각 도로구간 내 차량대수, 현재날짜정보, 현재시간정보, 및 현재날씨정보을 이용하여 각 도로구간 내 차량 상태의 변화를 정확하게 예측할 수 있다.

도 4a는 본 발명의 실시 예에 따른 차량정보 수집장치의 동작을 설명하기 위한 도면이고, 도 4b는 본 발명의 다른 실시 예에 따른 차량정보 수집장치의 동작을 설명하기 위한 도면이다.

도 4a를 참조하면, 제1 영역(PO1)과 제2 영역(PO2)을 잇는 도로구간의 도로교통상황을 판단하기 위해 제1 차량정보 수집장치(200a)와 제2 차량정보 수집장치(200b)가 배치되어 있다. 제1 차량정보 수집장치(200a)는 제1 영역(PO1)을 통과하는 차량들을 인식하여 통과순서에 따라 시간별로 기록된 제1 통과차량 리스트를 생성하고, 제2 차량정보 수집장치(200b)는 제2 영역(PO2)을 통과하는 차량들을 인식하여 통과순서에 따라 시간별로 기록된 제2 통과차량 리스트를 생성할 수 있다. 여기서, 제1 영역(PO1)과 제2 영역(PO2) 사이의 도로구간의 길이(D1)에 대한 정보는 교통관제서버(100)에 기저장되어 있다.

제1 및 제2 차량정보 수집장치들(200a 및 200b) 각각은 도로면으로 센서 신호를 조사하는 제1 및 제2 센서들(210a 및 210b)을 포함하는데, 제1 및 제2 센서들 (210a 및 210b) 각각은 도로면에 레이저, 적외선 등의 센서 신호를 조사하여 반사되어 되돌아오는 시간을 측정할 수 있다.

만약, 센서가 센서 신호를 조사하는 방향에 차량이 존재하지 않는다면, 도로면을 향해 조사된 센서 신호가 반사되어 센서로 돌아오는 시간은 제1 시간으로 일정하게 유지될 수 있다.

하지만, 센서가 센서 신호를 조사하는 방향에 차량이 존재한다면, 센서 신호가 반사되어 센서로 돌아오는시간이 일정하게 유지될 수 없다. 즉, 센서 신호가 차량에 반사되어 센서로 돌아오기 때문에, 센서 신호가 반사되어 센서로 돌아오는시간은 제1 시간보다 작은 값을 갖게 된다. 복수의 차량들이 센서 신호가 조사되는 영역을 순차적으로 통과하는 경우, 센서에 의해 측정되는 시간은 제1 시간과, 이보다 더 짧은 제2 시간이 반복적으로 나타날 수 있다.

제1 및 제2 센서들(210a 및 210b) 각각은 제1 시간보다 짧은 시간이 측정되는 경우 차량이 통과하는 것으로 인식할 수 있고, 짧아졌던 측정 시간이 제1 시간으로 복귀하는 시점의 시각을 통과시각으로 결정할 수 있다. 제1 및 제2 센서들(210a 및 210b) 각각은 제1 및 제2 통과시각을 판단하여 제1 및 제2 통과차량 리스트들을 생성할 수 있다.

한편, 신호 조사 센서는 도로구간에서 차량의 위쪽에 설치된다는 점에서 기존의 과속 카메라 단속 장치의 거치를 위한 구조물에 구비시키는 경우에는 그만큼 손쉬운 설치가 가능하다. 거치를 위한 구조물은 노후차량 단속 장치용일 수도 있고, 신호등용일 수도 있다. 일례로, 기설치된 과속 카메라 단속 장치용 거치 구조물에 제1 차량정보 수집장치를 설치하고, 기설치된 노후차량 단속 장치용 거치 구조물에 제2 차량정보 수집장치를 설치하는 것이 가능하다. 또는 기설치된 보행자용 신호등 거치 구조물에 제1 차량정보 수집장치를 설치하고, 기설치된 자동차용 신호등 거치 구조물에 제2 차량정보 수집장치를 설치하는 것이 가능하다. 이들 거치 구조물에는 통신을 위한 배선 설비들이 모두 깔려 있으므로 제1 및 제2 차량정보 수집장치들을 설치하기 위한 시간과 비용을 절약한다.

도 4b를 참조하면, 제1 및 제2 차량정보 수집장치들(200a' 및 200b')은 전자기유도현상(electromagnetic induction)에 따라 전류를 발생시키는 루프 안테나를 이용하여 제1 및 제2 영역들(PO1 및 PO2)을 통과하는 차량을 인식할 수 있다.

루프 안테나는 도로면의 내측에 삽입되어 배치될 수 있고, 차량이 루프 안테나가 설치된 영역을 위를 지나갈때 루프 안테나에서는 일정크기의 전류신호가 발생될 수 있다.

제1 및 제2 차량정보 수집장치들(200a' 및 200b')은 루프 안테나를 포함하는 제1 및 제2 센서들(210a' 및 210b')을 이용하여 루프 안테나에서 일정 크기의 전류 신호가 발생된 경우, 차량이 통과한 것으로 판단하고, 전류 신호가 감지된 시각을 통과시각으로 결정하여 제1 및 제2 통과차량 리스트를 생성할 수 있다.

한편, 루프 안테나는 도로구간에 제1 및 제2 차량정보 수집장치들을 모두 새롭게 설치할 수도 있겠지만, 과속 카메라 단속 구간의 도로에 미리 설치된 것을 이용하는 경우에는 그만큼 적은 수의 루프 안테나만을 설치하여도 위와 같은 제1 및 제2 차량정보 수집장치들을 구성할 수 있다. 일례로, 기설치된 과속 카메라 단속 구간의 도로상 루프 안테나를 제1 차량정보 수집장치로 활용하고, 인접하여 새롭게 설치된 루프 안테나를 제2 차량정보 수집장치로 활용하는 것이 가능하다. 이 경우 기설치되어 있던 과속 감지용 루프 안테나를 본 발명의 실시예에 따른 제1 차량정보 수집장치로 활용하기 위한 정보 수집은 필요하다(예를 들어, 경찰청의 과속 카메라 단속 정보 수집 서버와의 정보 교환은 필요하다).

도 5는 본 발명의 실시 예에 따른 교통관제서버가 도로교통을 제어하는 방법을 설명하기 위한 도면이다.

도 5를 참조하면, 교통관제서버(100)가 도로교통을 제어하는 제1 영역(AR)이 도시되어 있다. 교통관제서버(100)는 인공신경망(AIN)에 교통정보와 이벤트정보를 입력하여 제1 시점 이후의 도로구간(RD)들의 차량 상태의 변화를 예측할 수 있고, 예측결과에 기초하여 각 도로구간(RD)에 배치된 신호등의 점멸동작을 제어하기 위해 교통제어신호를 교통신호 제어장치(300)에 제공할 수 있다.

각 도로구간에 배치된 교통신호 제어장치(300)는 교통제어신호에 기초하여 제1 시점 이후의 신호등의 점멸동작을 제어할 수 있고, 상대적으로 차량대수가 많은 도로구간(RD)의 흐름을 원활하게 하기 위해 교통신호 제어장치(300)들은 서로 유기적인 교통제어를 수행할 수 있다.

교통관제서버(100)는 제1 시점 이후로 차량정보 수집장치(200)로부터 계속하여 통과차량 리스트를 수신하여 각 도로구간 내 차량대수를 계산할 수 있다. 만약, 제1 시점으로부터 일정기간이 지난 제2 시점에서 차량 상태의 변화가 예측범위 내에 존재하지 않는 경우, 교통관제서버(100)는 제2 시점에서 인공신경망(AIN)을 이용한 예측결과를 다시 도출할 수 있다.

교통관제서버(100)는 제2 시점에서의 각 도로구간 내 차량대수를 계산하고, 제2 시점에서의 차량대수를 포함하는 교통정보와 현재날짜정보, 현재시간정보, 및 현재날씨정보를 포함하는 이벤트정보를 인공신경망(AIN)에 적용하여 제2 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화를 예측할 수 있다. 그리고, 교통관제서버(100)는 예측결과에 기초하여 각 도로구간에 배치된 신호등의 점멸동작을 제어하기 위해 교통제어신호를 교통신호 제어장치(300)에 제공할 수 있다.

이와 같이 교통관제서버(100)는 인공신경망(AIN)에 의한 예측결과가 실제 측정한 값과 달라지더라도 설정된 기준에 따라 즉각적으로 교통제어를 보정할 수 있다.

본 발명의 실시예들은 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 본 발명을 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), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 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 본 발명의 일 실시예들의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

10: 교통관리 시스템
100: 교통관제서버
200: 차량정보 수집장치
300: 교통신호 제어장치

Claims (4)

1. 시작지점인 제1 영역과 종료지점인 제2 영역을 잇는 도로구간 내 위치한 차량 상태를 판단하여 서로 연결된 도로구간들의 교통신호체계를 제어하는 인공지능을 이용한 교통관리 시스템에 있어서,
   상기 제1 영역을 통과하는 차량을 인식하여 통과순서에 따라 시간별로 기록된 제1 통과차량 리스트를 생성하는 제1 차량정보 수집장치;
   상기 제2 영역을 통과하는 차량을 인식하여 통과순서에 따라 시간별로 기록된 제2 통과차량 리스트를 생성하는 제2 차량정보 수집장치;
   상기 도로구간들 각각에 설치된 제1 및 제2 차량정보 수집장치들로부터 상기 제1 및 제2 통과차량 리스트들을 수집하여 제1 시점에서의 각 도로구간 내 차량대수(제1 시점 각 도로구간 내 차량대수)를 계산하고, 제1 시점에서의 상기 차량대수를 포함하는 교통정보와 현재날짜정보, 현재시간정보, 및 현재날씨정보를 포함하는 이벤트정보를 미리 학습된 인공신경망에 적용하여 상기 제1 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화(제1 시점 이후 각 도로구간 내 차량대수 변화)를 예측하여 교통제어신호를 생성하는 교통관제서버; 및
   상기 교통관제서버로부터 수신된 교통제어신호에 기초하여 상기 도로구간들에 배치된 신호등의 점멸동작을 제어하는 교통신호 제어장치를 포함하되,
   상기 교통관제서버는,
   상기 제1 및 제2 차량정보 수집장치와 통신하는 통신부;
   상기 교통정보 및 상기 이벤트정보를 기초로 상기 차량 상태의 변화를 예측하는 인공지능모듈; 및
   시간의 흐름에 따라 상기 교통정보 및 상기 이벤트정보가 누적되어 기록되는 누적 교통정보를 저장하는 저장부;를 포함하고,
   상기 교통관제서버는 각 도로구간의 상기 누적 교통정보를 이용하여 상기 인공신경망을 학습시키며-상기 누적 교통정보는 날짜별로 매시간마다 날씨상태와 함께 각 도로구간의 차량대수에 대한 누적된 정보가 포함되어 있음-,
   상기 인공지능모듈은, 각 도로구간에 대해 상기 제1 시점에서 상기 제1 통과차량 리스트에 저장된 이벤트 기록의 개수와 상기 제2 통과차량 리스트에 저장된 이벤트 기록의 개수의 차이를 상기 제1 시점 각 도로구간 내 차량대수로 계산하고,
   상기 인공신경망은 다층 퍼셉트론으로 이루어진 인공지능을 이용하고, 상기 인공신경망은 매트릭스 형태로 서로 연결된 복수의 노드로 구성되며, 상기 교통정보에 포함된 상기 제1 시점 각 도로구간 내 차량대수와, 상기 이벤트정보에 포함된 현재날짜정보, 현재시간정보, 및 현재날씨정보가 입력되는 입력층, 상기 입력층에 입력된 상기 제1 시점 각 도로구간 내 차량대수, 상기 현재날짜정보, 상기 현재시간정보, 및 상기 현재날씨정보에 가중치를 적용하는 은닉층, 상기 은닉층으로부터 출력된 값을 상기 제1 시점 이후 각 도로구간 내 차량대수 변화로 결정하는 출력층을 포함하되,
   상기 입력층의 노드 개수는 상기 서로 연결된 도로구간들의 개수에 3을 더한 수이고,
   상기 제1 및 제2 차량정보 수집장치들 각각은, 도로면으로 센서 신호를 조사하여 반사되어 되돌아오는 시간이 기준시간보다 일정기간 동안 짧아지는 경우, 차량이 통과되는 것으로 인식하되,
   상기 제1 차량정보 수집장치는 기설치된 과속 카메라 단속 장치의 거치를 위한 구조물(제1 구조물)에 구비되고, 상기 제2 차량정보 수집장치는 기설치된 노후차량 단속 장치용 거치 구조물(제2 구조물)에 설치되며, 상기 제1 및 제2 차량정보 수집장치는 상기 제1 및 제2 구조물들에 미리 깔려 있는 통신용 배선 설비들을 통해 상기 통신부와 통신하는 것을 특징으로 하는 인공지능을 이용한 교통관리 시스템.
2. 삭제
3. 제1항에 있어서,
   상기 교통관제서버는,
   상기 누적 교통정보를 기초로 각 도로구간 내 위치한 차량 상태의 변화를 예측하는 순전파 과정을 수행하고, 상기 순전파 과정을 통해 생성된 도로구간 내 위치한 차량 상태의 변화와 상기 누적 교통정보에 포함된 각 도로구간의 차량대수와의 차이인 에러값을 기초로 상기 인공신경망의 가중치를 보정하는 역전파 과정을 수행하는 인공지능을 이용한 교통관리 시스템.
4. 제1항에 있어서, 상기 교통관제서버는,
   상기 제1 시점으로부터 일정기간이 지난 제2 시점에서 상기 차량 상태의 변화가 예측범위 내에 존재하지 않는 경우, 상기 제2 시점에서의 각 도로구간 내 차량대수를 계산하고, 상기 제2 시점에서의 차량대수를 포함하는 교통정보와 현재날짜정보, 현재시간정보, 및 현재날씨정보를 포함하는 이벤트정보를 미리 학습된 인공신경망에 적용하여 상기 제2 시점 이후의 각 도로구간 내 위치한 차량 상태의 변화를 예측하여 교통제어신호를 생성하는 교통관제서버를 포함하는 인공지능을 이용한 교통관리 시스템.

Images