KR102254765B1 - 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법 - Google Patents

딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법 Download PDF

Info

Publication number
KR102254765B1
KR102254765B1 KR1020200149360A KR20200149360A KR102254765B1 KR 102254765 B1 KR102254765 B1 KR 102254765B1 KR 1020200149360 A KR1020200149360 A KR 1020200149360A KR 20200149360 A KR20200149360 A KR 20200149360A KR 102254765 B1 KR102254765 B1 KR 102254765B1
Authority
KR
South Korea
Prior art keywords
traffic
traffic volume
point
prediction
road
Prior art date
Application number
KR1020200149360A
Other languages
English (en)
Inventor
오주삼
정유석
Original Assignee
한국건설기술연구원
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 한국건설기술연구원 filed Critical 한국건설기술연구원
Priority to KR1020200149360A priority Critical patent/KR102254765B1/ko
Application granted granted Critical
Publication of KR102254765B1 publication Critical patent/KR102254765B1/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

본원은 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법에 관한 것으로, 본원의 일 실시예에 따른 교통데이터 예측 장치는 교통자료를 수집하는 수집부, 상기 교통자료를 전처리하여 교통데이터를 생성하는 전처리부 및 상기 교통데이터를 입력하여 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 상기 딥러닝 모델에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 상기 교통량 예측지점의 교통량을 예측하는 예측부를 포함할 수 있다.

Description

딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법{DEVICE AND METHOD OF PREDICTION TRAFFIC DATA USING DEEP LEARNING MODEL}
본원은 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법에 관한 것이다.
교통량 자료는 도로의 계획, 설계 시에 기초 자료가 되며, 교통량을 조사하기 위해 주로 사용하는 교통량 조사 장치는 매설식으로 루프 센서, 피에조 센서 등으로 구성된다.
교통량 조사장치는 센서, 제어기에 발생하는 결함이나, 노면상황, 악천후, 통신 및 장비 결함으로 인해 빈번하게 오작동이 발생하거나, 작동이 정지되어 교통량 측정에 결측이 발생할 수 있다.
다양한 원인에 의한 통행량 자료의 결측은 통행시간 예측 및 교통량 추정을 어렵게 하고, 도로 계획 및 설계를 위한 교통 파라미터들이 과소 또는 과대 추정될 수 있어 손해를 끼칠 수 있다.
누락된 교통량 자료를 보충하기 위해 경험적 방법인 전후 기간 평균과 통계적 기법인 회귀모형, EM, 시계열 모형들을 활용하여 자료를 보충할 수 있으나, 오차가 크기 때문에 누락된 자료를 보다 정확하게 예측할 필요가 있다.
본원의 배경이 되는 기술은 한국등록특허 제10-1725629호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 예측 대상 도로의 교통량, 예측 대상 도로에서 반대 방향의 교통량, 예측 대상 도로의 인접 도로의 인접 지점 교통량 등과 같은 교통자료를 이용하여 학습한 교통량 예측 딥러닝 모델의 학습을 통해, 교통량 예측지점의 교통량을 보다 정확하게 예측하는 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법을 제공하는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 교통데이터 예측 장치는 교통자료를 수집하는 수집부, 상기 교통자료를 전처리하여 교통데이터를 생성하는 전처리부 및 상기 교통데이터를 입력하여 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 상기 딥러닝 모델에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 상기 교통량 예측지점의 교통량을 예측하는 예측부를 포함할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 교통데이터는, 상기 교통량 예측지점의 교통량을 포함할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 교통데이터는, 상기 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고, 상기 교통량 예측지점은, 상기 상행 도로 및 상기 하행 도로 중 다른 하나의 도로 내의 지점으로 설정된 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 교통데이터는, 상기 교통량 예측지점의 교통량을 더 포함하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 교통데이터는, 하나 이상의 인접 지점의 교통데이터를 포함하고, 상기 인접 지점은, 상기 교통량 예측지점으로부터 미리 설정된 거리 이내의 지점으로서, 상기 예측 대상 도로내에서 이웃하는 지점, 상기 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점, 및 상기 예측 대상 도로와 직접적으로 연결되지 않는 지점 중 적어도 하나일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 교통데이터는, 상기 교통량 예측지점의 교통량을 더 포함하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 교통데이터는, 상기 교통량 예측지점의 반대 방향의 교통량을 더 포함하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 전처리부는, 단위시간별 교통량을 포함하는 상기 교통데이터를 생성하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 교통데이터는 요일별 교통데이터를 포함하고, 상기 예측부는, 교통량 예측시점의 요일에 기초하여, 상기 교통량 예측지점의 교통량을 예측하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 상기 교통데이터는, 평일 교통데이터 또는 휴일 교통데이터를 포함하고, 상기 예측부는, 교통량 예측시점이 평일인지 또는 휴일인지 여부에 기초하여, 상기 교통량 예측지점의 교통량을 예측하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치의 상기 딥러닝 모델은, LSTM(Long-short Term Memory) 모델인 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법은 수집부에서 교통자료를 수집하는 단계, 전처리부에서 상기 교통자료를 전처리하여 교통데이터를 생성하는 전처리 단계 및 예측부에서 상기 교통 데이터를 입력하여 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 상기 딥러닝에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 상기 교통량 예측지점의 교통량을 예측하는 예측 단계를 포함할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 교통데이터는, 상기 교통량 예측지점의 교통량을 포함하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 교통데이터는, 상기 예측 대상 도로 내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고, 상기 교통량 예측지점은, 상기 상행 도로 및 상기 하행 도로 중 다른 하나의 도로 내의 지점으로 설정된 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 교통데이터는, 상기 교통량 예측지점의 교통량을 더 포함하는 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 교통데이터는, 하나 이상의 인접 지점의 교통데이터를 포함하고, 상기 인접 지점은, 상기 교통량 예측지점으로부터 미리 설정된 거리 이내의 지점으로서, 상기 예측 대상 도로내에서 이웃하는 지점, 상기 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점, 및 상기 예측 대상 도로와 직접적으로 연결되지 않는 지점 중 적어도 하나일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 교통데이터는, 상기 교통량 예측지점의 교통량을 포함할 수 있다.
일 실시예에 따른 교통데이터 예측 방법의 상기 교통데이터는, 상기 교통량 예측지점의 반대 방향의 교통량을 포함할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 전처리 단계는, 단위시간별 교통량을 포함하는 상기 교통데이터를 생성하는 단계인 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 교통데이터는 요일별 교통데이터를 포함하고, 상기 예측 단계는, 교통량 예측시점의 요일에 기초하여, 상기 교통량 예측지점의 교통량을 예측하는 단계인 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 교통데이터는, 평일 교통데이터 및 휴일 교통데이터를 포함하고, 상기 예측 단계는, 교통량 예측시점이 평일인지 또는 휴일인지 여부에 기초하여, 상기 교통량 예측지점의 교통량을 예측하는 단계인 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 방법의 상기 딥러닝 모델은, LSTM(Long-short Term Memory) 모델인 것일 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법을 제공함으로써, 교통량 조사 장치의 결함, 악천후, 노면상황 등에 의해 결측된 교통량 자료를 보다 정확하게 추정할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도1은 본원의 일 실시예에 따른 딥러닝 모델을 이용한 교통데이터 예측 시스템을 나타낸 도면이다.
도2는 딥러닝 모델 중 LSTM(Long-Short Term Memory) 모델을 나타낸 도면이다.
도3은 본원의 일 실시예에 따른 교통량 예측지점과 인접 도로내의 인접 지점을 나타낸 도면이다.
도4는 본원의 일 실시예에 따른 교통량 예측 딥러닝 모델을 이용한 예측값과 실제값을 나타낸 도면이다.
도5는 본원의 일 실시예에 따른 교통량 예측 딥러닝 모델의 성능을 나타낸 표이다.
도6은 본원의 일 실시예에 따른 교통데이터 예측 방법을 나타낸 도면이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본원이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈", "블록" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
도1은 본원의 일 실시예에 따른 딥러닝 모델을 이용한 교통데이터 예측 시스템(10)을 나타낸 도면이다.
도1을 참조하면, 본원의 일 실시예에 따른 교통데이터 예측 시스템(10)은 교통데이터 예측 장치(100), 교통량 조사 장치(200) 및 모델 생성부(300)를 포함할 수 있다. 교통데이터 예측 시스템(10)은 교통량 조사 장치(200)로부터 수집된 교통자료와 모델 생성부(300)에서 학습된 교통량 예측 딥러닝 모델을 이용하여 교통량을 예측할 수 있다. 예측한 교통량을 이용하여 교통량 조사 장치(200)의 결함, 노면상황, 악천후 등으로 인하여 발생할 수 있는 결측자료를 보정할 수 있다. 구체적으로, 교통량 조사 장치(200)는 교통량, 차종, 속도 등을 포함하는 교통자료를 수집할 수 있다. 교통데이터 예측 장치(100)는 교통량 조사 장치(200)로부터 수집된 교통자료를 수집하고, 수집된 교통자료를 전처리하여 교통데이터를 생성할 수 있으며, 교통데이터를 교통 데이터 예측 딥러닝 모델에 입력하여, 교통량 예측지점의 교통량을 예측할 수 있다. 모델 생성부(300)는 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 딥러닝 모델에 대한 학습을 통해 교통량 예측 딥러닝 모델을 생성할 수 있고, 딥러닝 모델의 학습은 학습데이터를 통해 수행될 수 있다.
도1을 참조하면, 본원의 일 실시예에 따른 교통데이터 예측 장치(100)는, 교통자료를 수집하는 수집부(110), 교통자료를 전처리하여 교통데이터를 생성하는 전처리부(120) 및 교통데이터를 입력하여 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 딥러닝 모델에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 교통량 예측지점의 교통량을 예측하는 예측부(130)를 포함할 수 있다. 교통데이터 예측 장치(100)는 교통량 예측 딥러닝 모델에 교통데이터를 입력하여, 기설정한 시간 이후 교통량 예측지점의 교통량을 예측함으로써, 교통량 조사 장치(200) 결함 등으로 인하여 교통량 예측지점의 교통량을 수집, 조사할 수 없는 경우에 교통량을 예측하여 교통량을 보정할 수 있다.
도1을 참조하면, 수집부(110)는 교통자료를 수집할 수 있다. 교통자료는 교통량 조사 장치(200)로부터 수집되고, 교통량 조사 장치(200)로부터 수집부(110)로 교통자료가 전달될 수 있다. 도1에서는 교통량 조사 장치(200)에서 수집된 교통자료가 수집부(110)로 전달되는 구성을 도시하였으나, 이에 한정되지 않고 수집부(110)에서 교통자료를 수집하기 위한 루프 센서(loop sensor)와 피에조 센서(piezo sensor) 등을 구비하여 도로에 설치되고, 설치된 센서와 통신 연결되어 직접 교통자료를 수집할 수도 있다. 수집되는 교통자료는 교통량, 차종, 속도 등을 포함할 수 있다.
도1을 참조하면, 전처리부(120)는 교통자료를 전처리하여 교통데이터를 생성할 수 있다. 전처리부(120)에서 생성된 교통데이터는 딥러닝 모델 학습을 통해 생성된 교통량 예측 딥러닝 모델에 입력하여 기설정한 시간 이후 교통량 예측지점의 교통량을 예측하기 위하여 사용될 수 있다.
또한, 전처리부(120)는 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 딥러닝 모델을 학습하기 위한 학습데이터를 생성할 수 있고, 모델 생성부(300)는 학습데이터를 이용하여 딥러닝 모델을 학습시킬 수 있다.
교통데이터는 후술하는 바와 같이, 교통량 예측지점의 교통량을 포함하거나, 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하거나, 하나 이상의 인접지점의 교통 데이터를 포함하거나, 요일별 교통데이터를 포함하거나, 평일 교통데이터 및 휴일 교통데이터를 포함할 수 있다. 모델 생성부(300)에서 생성되는 교통량 예측 딥러닝 모델은 학습데이터에 따라 교통량 예측지점의 교통량을 예측하기 위한 입력이 달라질 수 있고, 이에 따라 전처리부(120)는 교통량 예측 딥러닝 모델의 입력에 해당하도록 교통데이터를 생성할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 전처리부(120)는, 단위시간별 교통량을 포함하는 교통데이터를 생성할 수 있다. 단위시간은 사용자의 설정에 따라 설정될 수 있으며, 예시적으로 10분, 30분, 한시간 단위 등으로 설정될 수 있다. 단위시간이 한시간으로 설정되는 경우 생성되는 교통데이터는, 년, 월, 일에 따라 생성될 수 있으며, 한시간 단위로 해당 도로의 교통량을 포함할 수 있다. 예를 들어, XX년 XX월 XX일 11시에서 12시 사이의 교통량이 200대이고, 12시에서 13시 사이의 교통량이 300대인 경우, 해당 년월일의 12시의 교통량 200대, 13시의 교통량이 300대인 교통데이터가 생성될 수 있다. 상기의 설명은 예시적인 것으로, 상기와 동일한 경우에 11시 30분의 교통량이 200대, 12시 30분의 교통량이 300대인 교통데이터 등과 같이 단위시간별 교통데이터가 생성될 수도 있다.
도1을 참조하면, 예측부(130)는 교통데이터를 입력하여 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 딥러닝 모델에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 교통량 예측지점의 교통량을 예측할 수 있다. 사용자의 설정에 따라 교통량을 예측하고자 하는 시간이 설정될 수 있으며, 예측부(130)는 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측할 수 있다.
기설정한 시간은 사용자의 설정에 따라 달라질 수 있는 것으로, 예를 들면 10분, 30분, 한시간 등으로 설정될 수 있다. 예측부(130)에 교통데이터를 입력하여, 교통데이터의 마지막 시간으로부터 기설정한 시간 이후의 교통량을 예측할 수 있다. 이때, 기설정한 시간은 전처리부(120)에서 교통자료를 전처리하여 생성되는 단위시간별 교통데이터의 단위 시간과 동일하게 설정될 수 있다.
교통량 예측 지점은 교통량을 예측하고자 하는 지점을 의미하며, 교통량 예측 지점이 위치하는 도로가 예측 대상 도로가 될 수 있다. 교통량이 예측되는 교통량 예측지점은 교통데이터 및 교통량 예측 딥러닝 모델에 따라 예측 대상 도로의 상행 또는 하행 도로의 지점이 될 수 있다.
예측부(130)는 교통데이터를 교통량 예측 딥러닝 모델에 입력하여 교통량 예측지점의 교통량을 예측할 수 있다. 교통량 예측 딥러닝 모델은 학습데이터에 의해 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 딥러닝 모델에 대한 학습을 통해 생성된 것이다. 교통데이터는, 전술한 바와 같이 전처리부(120)에서 교통량 예측지점의 교통량을 포함하거나 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하는 경우 등과 같이 생성될 수 있다. 예측부(130)는 교통량 예측지점의 통행량을 예측하기 위해 생성된 교통데이터를 입력으로 하는 교통량 예측 딥러닝 모델에 교통데이터를 입력하여, 교통량 예측지점의 교통량을 예측할 수 있다.
교통량 예측 딥러닝 모델의 입력은 모델 생성부(300)에서 딥러닝 모델 학습에 사용되는 학습데이터에 따라 달라질 수 있다. 예시적으로, 모델 생성부(300)는 교통량 예측지점의 교통량을 학습데이터로 하여 교통량 예측지점의 교통량을 입력으로 하는 교통량 예측 딥러닝 모델을 생성할 수 있고, 교통량 예측지점의 반대 방향의 교통량을 입력으로 하는 교통량 예측 딥러닝 모델 등을 생성할 수 있다. 구체적인 각각의 교통량 예측 딥러닝 모델에 대해서는 후술한다.
도1을 참조하면, 본원의 일 실시예에 따른 교통데이터 예측 시스템(10)은 교통량 조사 장치(200)를 포함할 수 있다. 교통량 조사 장치(200)는 루프 센서, 피에조 센서 등을 포함할 수 있으며, 도로에 설치되어 교통량, 차종, 속도 등을 포함하는 교통자료를 수집할 수 있다. 도1은 교통량 조사 장치(200)에 의해 교통 자료를 수집하고, 교통량 조사 장치(200)와 통신 연결되는 교통데이터 예측 장치(100)로 전송하는 구성을 도시하였으나, 전술한 바와 같이 교통데이터 예측 장치(100)의 수집부(110)가 도로에 설치된 루프 센서, 피에조 센서 등을 포함하고, 이를 통해 교통자료를 수집할 수도 있으며, 교통량 조사 장치(200) 이외의 장치로부터 교통자료를 교통데이터 예측 장치(100)로 전송, 입력할 수도 있다. 예를 들어, 교통데이터 예측 장치(100)는 교통자료를 저장하고 있는 HDD, SSD, USB 드라이브 등의 저장매체로부터 교통자료를 입력, 전송 받을 수도 있다.
도1을 참조하면, 본원의 일 실시예에 따른 교통데이터 예측 시스템(10)은 학습데이터를 이용하여 딥러닝 모델에 대한 학습을 통해 교통량 예측 딥러닝 모델을 생성하는 모델 생성부(300)를 포함할 수 있다. 모델 생성부(300)는 교통데이터 예측 장치(100)에서 생성된 학습 데이터를 이용하여, 기설정한 시간 이후 교통량 예측지점의 교통량을 예측하도록 딥러닝 모델에 대한 학습을 진행하고, 딥러닝 모델의 학습을 통해 교통량 예측 딥러닝 모델을 생성할 수 있다. 교통데이터 예측 장치(100)의 예측부(130)는 교통량 예측 딥러닝 모델에 교통데이터를 입력하여 교통량 예측지점의 교통량을 예측할 수 있다. 후술하는 바와 같이 모델 생성부(300)에서 딥러닝 모델의 학습을 통해 생성되는 교통량 예측 딥러닝 모델은 학습데이터에 따라 교통량 예측지점의 교통량을 예측하기 위한 입력이 달라질 수 있다.
도1에 도시된 모델 생성부(300)는 교통데이터 예측 장치(100)의 전처리부(120)에서 생성된 학습데이터를 이용하여 기설정한 시간 이후 교통량 예측지점의 교통량을 예측하기 위한 교통량 예측 딥러닝 모델을 생성하는 것으로, 교통데이터 예측 시스템(10)에 포함되나, 교통데이터 예측 장치(100)에 포함되지 않으며, 학습데이터는 전처리부(120)로부터 입력받는 구성을 도시하고 있다. 도1에 도시된 교통데이터 예측 시스템(10)의 구성은 본원의 일 실시예에 해당하고, 실시예에 따라 모델 생성부(300)는 교통데이터 예측 장치(100)의 구성으로 포함될 수 있으며, 교통데이터는 교통데이터 예측 장치(100) 외의 별도의 데이터 가공 장치로부터 생성된 학습데이터를 이용할 수도 있다. 이하의 설명에서 모델 생성부(300)는 도1과 같이 교통데이터 예측 장치(100)의 구성에 포함되지 않고, 전처리부(120)에서 생성된 학습데이터를 이용하는 실시예로 설명하나, 이는 설명의 편의를 위한 것으로 별도의 기재가 없더라도 모델 생성부(300) 등에 대한 설명은 교통데이터 예측 장치(100)가 모델 생성부(300)를 포함하는 구성 및 실시예와 별도의 데이터 가공 장치로부터 학습데이터를 수신하는 구성 및 실시예에도 동일하게 적용될 수 있다.
도2는 딥러닝 모델 중 LSTM(Long-Short Term Memory) 모델을 나타낸 도면이다.
딥러닝 모델은 인간의 두뇌의 신경세포인 뉴런이 연결된 형태를 모방한 인공신경망(ANN, Artificial Neural Network)을 이용하는 것으로, 다수의 은닉층(hidden layer)을 포함한다. 딥러닝 모델에는 대표적으로 CNN(Convolution Neural Network)과 RNN(Recurrent Neural Network)이 있으며, LSTM 모델은 RNN의 한 종류에 해당한다.
LSTM은 RNN에서 역전파시 그래디언트가 점차 줄어들어 학습 능력이 저하되는 문제인 vanishing gradient problem을 극복하기 위해 고안된 것으로, 히든 스테이트(hidden state)에 셀 스테이트(cell state)를 추가한 구조이다. LSTM은 forget gate와 input gate를 이용하여, 이전 레이어의 출력(ht-1)과 셀 스테이트(ct-1), 해당 레이어의 입력(xt)을 이용하여 셀 스테이트(ct)를 갱신하고 해당 레이어의 출력값(ht)을 출력한다. LSTM 모델의 셀의 수식은 공지된 수식이 적용될 수 있다.
도2를 참조하면, 본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 딥러닝 모델은, LSTM(Long-short Term Memory) 모델인 것일 수 있다. LSTM 모델은 RNN의 한 종류로, 이전 은닉층의 결과가 다시 은닉층으로 입력되어 시계열적 데이터를 이용한 학습에 효율적으로 이용될 수 있으며, 전처리부(120)에서 교통자료를 전처리하여 생성된 교통데이터 또는 년월일에 따라 시간단위별 교통데이터를 입력하여 예측 정확도를 높일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는, 교통량 예측지점의 교통량을 포함하는 것일 수 있다. 교통데이터는 교통량 예측지점의 교통량을 포함하고, 교통데이터를 교통량 예측 딥러닝 모델의 입력으로 하여 교통량 예측지점의 교통량을 예측할 수 있다. 이때 교통량 예측 딥러닝 모델은 교통량 예측지점의 교통량을 포함하는 입력을 통해 교통량 예측지점의 교통량을 예측하는 것일 수 있다.
구체적으로, 교통량 예측 딥러닝 모델에 입력되는 교통데이터는 교통량 예측지점의 교통량에 해당하는 경우와, 교통량 예측지점의 교통량 및 교통량 예측지점의 반대 방향의 교통량 등을 더 포함하는 경우 등이 있을 수 있다. 교통데이터가 교통량 예측지점의 교통량에 해당하는 경우, 교통량 예측 딥러닝 모델의 입력 및 출력은 교통량 예측지점의 교통량에 해당하고, 이때 교통량 예측 딥러닝 모델은 교통량 예측지점의 교통량을 학습데이터로 하여 학습된 것일 수 있다. 교통데이터가 교통량 예측지점의 교통량 및 교통량 예측지점의 반대 방향 교통량 등을 포함하는 경우, 교통량 예측 딥러닝 모델은 교통량 예측지점의 교통량 및 교통량 예측지점의 반대 방향 교통량 등을 입력하여 교통량 예측지점의 교통량을 예측하도록 학습된 것으로, 해당 교통량 예측 딥러닝 모델의 학습데이터는 교통량 예측지점의 교통량 및 교통량 예측지점의 반대 방향 교통량 등이 해당할 수 있다.
즉, 교통데이터가 교통량 예측지점의 교통량을 포함하는 경우, 교통량 예측 딥러닝 모델의 입력이 교통량 예측지점의 교통량을 포함하는 것을 의미할 수 있고, 이때 교통량 예측 딥러닝 모델은 교통량 예측지점의 교통량을 포함하는 교통데이터를 입력으로 하여 교통량을 예측하는 것일 수 있다. 교통량 예측 딥러닝 모델의 학습에 있어, 교통량 예측지점의 교통량을 학습데이터로 하여 학습된 것 또는 교통량 예측지점의 교통량 및 교통량 예측지점의 반대 방향 교통량 등을 포함하는 학습데이터를 이용하여 학습된 것일 수 있다. 위와 같이 교통량 예측지점의 교통량을 포함하는 교통데이터는 교통량 예측지점의 교통량만을 포함하는 경우 또는 다른 방향 등의 교통량을 포함하는 경우 등이 있을 수 있고, 교통데이터가 포함하는 교통량 등에 따라, 교통량 예측 딥러닝 모델을 다른 학습데이터를 이용하여 학습된 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는, 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고, 교통량 예측지점은, 상행 도로 및 하행 도로 중 다른 하나의 도로 내의 지점으로 설정된 것일 수 있다. 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량, 즉 교통량 예측지점의 반대방향의 교통량에 따라 교통량 예측지점의 교통량이 다른 변화를 보일 수 있다. 예시적으로, 교통량 예측지점의 반대방향 통행량이 많은 경우, 일정 시간 이후에 귀가하는 챠량의 증가 등으로 인하여, 교통량 예측지점의 교통량이 많아질 수 있다.
교통데이터는 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고, 교통데이터를 교통량 예측 딥러닝 모델의 입력으로 하여 교통량 예측지점의 교통량을 예측할 수 있다. 이때 교통량 예측지점은 교통데이터에 포함된 상행 도로 및 하행 도로 중 어느 하나의 교통량의 방향과 반대방향이며, 교통량 예측 딥러닝 모델은 교통량 예측지점의 반대 방향의 교통량을 포함하는 입력을 통해 교통량 예측지점의 교통량을 예측하는 것일 수 있다.
교통데이터가 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고, 교통량 예측 딥러닝 모델에 교통량 예측지점과 반대 방향의 교통량을 포함하는 교통데이터를 입력하여 교통량 예측지점의 교통량을 예측하는 것으로, 이때 교통량 예측 딥러닝 모델의 학습데이터는 예시적으로 (교통량 예측지점 반대방향 통행량 - 교통량 예측지점 통행량) 세트를 이용하여 딥러닝 모델의 학습을 통해 생성된 것일 수 있다.
또한, 본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는 교통량 예측지점의 교통량을 포함할 수 있다. 교통데이터는 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고, 교통량 예측지점은 상행 도로 및 하행 도로 중 다른 하나의 도로 내의 지점으로 설정되며, 교통량 예측지점의 교통량을 더 포함할 수 있다. 즉, 교통데이터는 교통량 예측지점이 위치하는 예측 대상 도로의 양방향 통행량을 모두 포함할 수 있고, 예측부(130)는 양방향 통행량을 포함하는 교통데이터를 교통량 예측 딥러닝 모델에 입력하여, 교통량 예측지점의 교통량을 예측할 수 있다.
이때, 교통량 예측 딥러닝 모델은 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고, 교통량 예측지점은 상행 도로 및 하행 도로 중 다른 하나의 도로 내의 지점으로 설정되며, 교통량 예측지점의 교통량을 더 포함하는 입력, 즉 교통량 예측지점이 위치하는 예측 대상 도로의 양방향 통행량을 입력으로 하여 기설정한 시간 이후의 교통량 예측지점의 교통량을 출력값으로 출력하는 모델에 해당한다. 모델 생성부(300)는 예시적으로 교통량 예측지점이 위치하는 예측 대상 도로의 양방향 교통량을 학습데이터로 하여 딥러닝 모델에 대한 학습을 통해 교통량 예측 딥러닝 모델을 생성할 수 있다.
도3은 본원의 일 실시예에 따른 교통량 예측지점과 인접 도로내의 인접 지점을 예시적으로 나타낸 도면이다. 도3에서 A 및 C는 인접 지점을 의미하고, B는 교통량 예측지점을 의미한다.
도3을 참조하면, 본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는, 하나 이상의 인접 지점의 교통데이터를 포함할 수 있다. 여기서, 인접 지점은, 교통량 예측지점으로부터 미리 설정된 거리 이내의 지점일 수 있다. 이러한 미리 설정된 거리는 해당 도로의 다양한 특성을 고려하여 설정되거나 변경될 수 있다. 또한, 인접 지점은 예측 대상 도로내에서 이웃하는 지점, 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점, 및 예측 대상 도로와 직접적으로 연결되지 않는 지점 중 적어도 하나일 수 있다. 도 3에 예시된 인접 지점은 상기 인접 지점들 중에서 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점을 도시한 것으로 이해될 수 있다. 또한, 예측 대상 도로와 직접적으로 연결되지 않는 지점은, 예측 대상 도로와 다른 중간 도로를 경유하여야만 연결될 수 있는 간접 연결 개념을 가지는 도로 내의 지점 또는 예측 대상 도로와 전혀 연결되지 않는 도로 내의 지점을 의미할 수 있다.
또한, 본원의 일 실시예에 따른 교통데이터 예측 장치(100)는 인접 지점을 예측 대상 도로내에서 이웃하는 지점, 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점, 및 예측 대상 도로와 직접적으로 연결되지 않는 지점 각각에 대한 데이터를 구분(분류)하여 학습할 수 있다. 또한, 분류된 각 인접 지점에는 서로 다른 가중치가 부여될 수 있다.
또한, 예시적으로, 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점은 예측 대상 도로 내의 상행 도로 및 하행 도로 중 교통량 예측지점이 속하는 도로로 직접 진입하는 지점, 교통량 예측지점이 속하는 도로로부터 직접 진출하는 지점, 교통량 예측지점이 속하는 도로의 반대 방향 도로로 직접 진입하는 지점, 교통량 예측지점이 속하는 도로의 반대 방향 도로로부터 직접 진출하는 지점 등으로 구분(분류)되어 학습시 이용될 수 있다.
또한 본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는, 교통량 예측지점의 교통량을 포함하는 것일 수 있다. 상기의 실시예들과 달리, 교통데이터는 인접 지점의 교통데이터를 포함하고, 해당 교통데이터를 교통량 예측 딥러닝 모델에 입력하여 교통량 예측지점의 교통량을 예측할 수 있다.
교통량 예측지점의 교통량은 인접 지점의 교통량이 많을 때와 적을 때 다르게 나타날 수 있다. 예를 들어, 인접 지점의 교통량이 많은 경우 교통량 예측지점으로 진입하는 차량이 많아져서 교통량 예측지점의 교통량이 크게 나타날 수 있다. 교통데이터가 인접 지점의 교통데이터 및 교통량 예측지점의 교통량을 포함하는 경우, 교통량 예측지점의 교통량과 인접 지점의 교통데이터 모두를 이용하여 교통량 예측지점의 교통량을 예측함으로써 예측의 정확도를 더 높일 수 있다.
도3을 참조하면, 인접 도로는 교통량 예측지점이 위치하는 예측 대상 도로와 연결성을 갖는 도로로, 예측 대상 도로와 연결되는 진입로 또는 진출로를 통해 예측 대상 도로와 차량이 통행할 수 있는 도로를 의미할 수 있다. 도3에서, 수평 방향 도로는 교통량 예측지점 B가 위치한 도로로 예측 대상 도로에 해당하고, 좌우측의 수직 방향 도로는 예측 대상 도로와 연결되어 차량이 수직 방향 도로로부터 예측 대상 도로로 진입하거나, 예측 대상 도로로부터 수직 방향 도로로 진출할 수 있으므로, 좌우측의 수직 방향 도로는 인접 도로에 해당한다. 인접 도로내의 A 및 C는 교통량 예측지점 B로부터 일정 거리 이내에 위치하므로, 인접 지점에 해당한다.
도3을 참조하면, 인접 지점을 통과한 차량은 교통량 예측지점으로 진입하거나 또는 교통량 예측지점으로부터 진출한 차량일 수 있다. 따라서, 교통량 예측지점의 교통량은 인접 지점의 교통데이터와 연관되는 것으로, 인접 지점의 교통량을 교통량 예측 딥러닝 모델에 입력하여 교통량 예측지점의 교통량을 예측할 수 있다.
이때, 교통량 예측 딥러닝 모델은 인접 지점의 교통데이터를 포함하는 학습데이터, 예를 들어 (인접 지점의 교통데이터 - 교통량 예측지점의 교통데이터) 세트를 이용하여 학습된 것일 수 있다.
또한, 교통데이터는 하나 이상의 인접 지점의 교통데이터와 교통량 예측지점의 교통량을 포함할 수도 있다. 하나 이상의 인접 지점의 교통데이터와 교통량 예측지점의 교통량을 포함하는 교통데이터를 교통량 예측 딥러닝 모델에 입력하여, 교통량 예측지점의 교통량을 예측할 수 있다. 하나 이상의 인접 지점의 교통데이터와 교통량 예측지점의 교통량을 입력으로 하는 교통량 예측 딥러닝 모델을 이용하여 교통량 예측지점의 교통량을 예측함으로써, 교통량 예측의 정확도를 더 높일 수 있다. 이때 교통량 예측 딥러닝 모델은 하나 이상의 인접 지점의 교통데이터와 교통량 예측지점의 교통량을 포함하는 학습데이터를 이용하여 학습된 것일 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는, 교통량 예측지점의 반대 방향의 교통량을 더 포함할 수 있다. 교통데이터는 하나 이상의 인접 지점의 교통데이터, 교통량 예측지점의 교통량, 교통량 예측지점의 반대 방향의 교통량을 더 포함하므로, 교통량 예측지점이 위치하는 예측 대상 도로의 양방향 교통량 및 하나 이상의 인접 지점의 교통데이터를 포함할 수 있다. 즉, 예측부(130)는 예측 대상 도로의 양방향 교통량 및 하나 이상의 인접 지점의 교통데이터를 교통량 예측 딥러닝 모델에 입력하여 교통량 예측지점의 교통량을 예측할 수 있다.
교통량 예측 딥러닝 모델은, 하나 이상의 인접 지점의 교통데이터, 교통량 예측지점의 교통량, 교통량 예측지점의 반대 방향의 교통량, 즉 예측 대상 도로의 양방향 교통량 및 하나 이상의 인접 지점의 교통데이터를 입력으로 하여 기설정한 시간 이후 교통량 예측지점의 교통량을 예측하는 것으로, 모델 생성부(300)는 예시적으로 하나 이상의 인접 지점의 교통데이터, 교통량 예측지점의 교통량, 교통량 예측지점의 반대 방향의 교통량을 학습데이터로 하여 딥러닝 모델에 대한 학습을 통해 교통량 예측 딥러닝 모델을 생성할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는 요일별 교통데이터를 포함하고, 예측부(130)는, 교통량 예측시점의 요일에 기초하여, 교통량 예측지점의 교통량을 예측하는 것일 수 있다. 교통량 예측지점의 교통량은 요일별로 다른 교통량을 나타낼 수 있고, 교통데이터를 요일별로 생성하여 교통량 예측의 정확도를 높일 수 있다. 예를 들어, 교통량 예측지점이 주거 밀집 지역과 산업 단지 등 직장이 밀집된 지역 등의 사이에 위치하는 경우, 평일 출퇴근 차량으로 인해 교통량이 많을 수 있고, 반대로 주거 밀집 지역과 휴양지, 여행지 등 사이에 위치하는 경우 평일에는 교통량이 적을 수 있다. 이와 같이, 교통량 예측 시점의 요일에 따라 교통량을 예측함으로써 교통량 예측 정확도를 높일 수 있다.
요일별 교통데이터는 각 요일의 교통량 예측지점에서의 교통량을 포함할 수 있으며, 교통데이터는 요일별 교통데이터를 포함할 수 있고, 예측부(130)는 교통량 예측시점의 요일에 기초하여 교통량을 예측할 수 있다. 교통데이터가 예를 들어 월요일에 해당하는 요일별 교통데이터인 경우, 교통량 예측시점이 월요일에 해당하고, 월요일의 교통데이터를 입력으로 하고 교통량 예측지점의 교통량을 예측하여 출력하는 교통량 예측 딥러닝 모델에 해당 교통데이터를 입력하여, 교통량을 예측할 수 있다.
이때 요일별 교통데이터를 입력으로 하여 교통량을 예측하는 교통량 예측 딥러닝 모델은 해당 요일의 교통데이터를 학습데이터로 학습된 것일 수 있다. 상기의 예시에서, 월요일 교통데이터를 입력하는 교통량 예측 딥러닝 모델은 월요일의 교통량 예측지점의 교통량을 포함하는 데이터들을 학습데이터로 학습된 것일 수 있다. 위와 같이 요일별 교통데이터가 어떤 요일에 해당하는지에 따라 해당하는 요일을 입력으로 하여 교통량을 예측하는 교통량 예측 딥러닝 모델에 입력함으로써 정확한 교통량을 예측할 수 있다.
구체적으로, 모델 생성부(300)는 교통량 예측지점의 교통량을 요일별로 구분하고, 월요일의 교통량들을 학습데이터로 딥러닝 모델을 학습하여 교통량 예측 딥러닝 모델을 생성할 수 있고, 이때 생성된 교통량 예측 딥러닝 모델은 월요일 교통데이터를 입력하여 교통량 예측지점의 교통량을 예측하는 것에 해당한다. 이와 같이, 각 요일의 교통량들을 학습데이터로 딥러닝 모델을 학습시킬 수 있으며, 생성된 요일별 교통데이터가 해당하는 요일에 따라 입력, 즉 교통량 예측 딥러닝 모델의 학습데이터의 요일에 따라 요일별 교통데이터를 입력함으로써 교통량을 예측할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 교통데이터는, 평일 교통데이터 또는 휴일 교통데이터를 포함하고, 예측부(130)는, 교통량 예측시점이 평일인지 또는 휴일인지 여부에 기초하여, 교통량 예측지점의 교통량을 예측하는 것일 수 있다. 교통량 예측지점의 교통량은 상기와 같이, 요일 뿐만 아니라 평일인지 휴일인지 여부에 따라 달라질 수 있다. 예를 들어, 주거 밀집 지역과 휴양지, 여행지 사이에 위치하는 교통량 예측지점의 교통량은 휴일에 더 많을 수 있고, 평일 또는 휴일 여부에 따라 교통량을 예측함으로써 교통량 예측의 정확도를 높일 수 있다. 예를 들어, 교통데이터가 평일 교통데이터를 포함하는 경우, 평일 교통데이터를 입력하여 교통량을 예측하는 교통량 예측 딥러닝 모델에 입력하여 교통량을 예측할 수 있다.
평일 또는 휴일 교통데이터는 평일 또는 휴일의 교통량 예측지점에서의 교통량을 포함할 수 있으며, 이때 교통량 예측 딥러닝 모델은, 교통데이터가 요일별 교통데이터를 포함하는 경우와 같이, 교통량 예측지점의 교통량을 평일과 휴일로 구분하고, 평일 교통량 예측지점의 교통량을 학습데이터로 하여 생성될 수 있고, 해당 교통량 예측 딥러닝 모델에 평일 교통데이터를 포함하는 교통데이터를 입력하여 교통량을 예측할 수 있다.
본원의 일 실시예에 따른 교통데이터 예측 장치(100)의 예측부(130)는, 휴일 교통데이터의 휴일기간 및 교통량 예측시점이 휴일 중 몇 번째 날인지에 기초하여, 교통량 예측지점의 교통량을 예측하는 것일 수 있다. 휴일이 2일 이상인 경우, 동일한 휴일이라고 하더라도 교통량의 양상이 다르게 나타날 수 있다. 통상, 연휴가 시작하는 날의 경우 여행 등을 위하여 이동하는 경우가 많고, 연휴가 끝나는 날의 경우 귀가를 위하여 이동하는 경우가 많다. 따라서, 이를 고려하여 교통량을 예측하기 위하여, 예측부(130)는 교통데이터가 휴일 교통데이터인 경우, 휴일 기간 및 교통량 예측시점이 휴일 중 몇 번째 날인지에 기초하여, 해당하는 휴일 교통데이터를 입력으로 하는 교통량 예측 딥러닝 모델에 입력함으로써 보다 정확한 교통량을 예측할 수 있다.
이때, 교통량 예측 딥러닝 모델은 학습 데이터로 각각 연휴의 길이에 따라서 구분하고, 연휴 길이에 따라 구분된 데이터를 날짜별로 다시 구분하여 학습을 진행할 수 있다. 예를 들어, 연휴가 3일인 교통량들을 이용하여 첫째 날의 교통량들과 둘째, 셋째 날의 교통량들을 이용하여 각각 딥러닝 모델을 학습시킬 수 있다. 교통데이터가 3일 연휴의 첫째 날의 교통데이터를 포함할 때, 교통량을 예측하기 위하여 3일 연휴의 교통량 중 첫째 날의 교통량을 이용하여 학습한 교통량 예측 딥러닝 모델에 입력하여 교통량을 예측할 수 있다.
이하의 도 4 내지 도5은 본원의 일 실시예에 따른 교통량 예측 딥러닝 모델의 학습과 생성한 교통량 예측 딥러닝 모델을 이용한 예측 결과를 나타낸 도면이다.
도4는 본원의 일 실시예에 따른 교통량 예측 딥러닝 모델을 이용한 예측값과 실제값을 나타낸 도면이다.
도4(a)는 교통량 예측지점의 교통량을 학습데이터로 하여 딥러닝 모델을 학습하는 경우, 도4(b)는 교통량 예측지점의 반대 방향 교통량(상행 방향 교통량)을 학습데이터로 하여 딥러닝 모델을 학습하는 경우, 도4(c)는 교통량 예측지점의 반대 방향 교통량(하행 방향 교통량)을 학습데이터로 하여 딥러닝 모델을 학습하는 경우 도4(d)는 인접 지점의 교통량을 학습데이터로 하여 딥러닝 모델을 학습한 경우를 나타낸다. 도4(a) 내지 도4(c)의 경우 6만개의 train set와 10,128개의 test set, train set의 20%의 validation set으로 학습 및 검증한 결과이며, 도4(d)는 4만개의 train set와 4,304개의 test set, train set의 20%의 validation set으로 학습 및 검증한 결과이다. 각 모델은 4개의 레이어로 구성되고, 2개의 512 unit을 가지는 LSTM 레이어, 512 unit을 가지는 Dense 레이어와 1개의 unit을 가지는 Dense 레이어로 구성된다. 활성화 함수(Activation)은 ReLU 함수로 설정되고, Loss function은 mean squared error, optimizer는 adam을 이용한 결과이다. Loss와 accuracy를 고려하고, 학습 속도와 성능을 고려하여 학습 조건을 epoch=100, batch size=512로 학습을 수행한 결과이다
도4(a) 내지 도4(d)를 참조하면, 각 경우에 학습 반복횟수인 epoch가 증가할 수록, train loss와 test loss가 감소함을 알 수 있고, 예측된 교통량이 실제 교통량과 유사한 형태를 가짐을 알 수 있다.
도5 는 본원의 일 실시예에 따른 교통량 예측 딥러닝 모델의 성능을 나타낸 표이다. 딥러닝 모델은 학습회차에 따라 성능 차이가 발생할 수 있기 때문에, 각 조건에 따라 5회 학습한 결과 및 평균을 나타낸 것으로, Case1은 도4(a), Case2-1은 도4(b), Case2-2는 도4(c), Case3은 도4(d)의 조건으로 생성한 교통량 예측 딥러닝 모델을 의미한다.
도5를 참조하면, MAPE(Mean absolute percentage error)가 각각 학습회차에 따라 달리 나타남을 알 수 있고, Case1의 경우 가장 낮은 MAPE 값을 가짐을 알 수 있고, 각 경우 중에서 가장 실제값을 잘 예측하는 경우임을 알 수 있다.
도6은 본원의 일 실시예에 따른 교통데이터 예측 방법을 나타낸 도면이다.
도6에 도시된 교통데이터 예측 방법은 앞서 설명된 교통데이터 예측 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 교통데이터 예측 장치(100)에 대하여 설명된 내용은 교통데이터 예측 방법에 대한 설명에도 동일하게 적용될 수 있다.
도6을 참조하면, 본원의 일 실시예에 따른 교통데이터 예측 방법은 수집부(110)에서 교통자료를 수집하는 단계, 전처리부(120)에서 교통자료를 전처리하여 교통데이터를 생성하는 전처리 단계 및 예측부(130)에서 교통 데이터를 입력하여 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 딥러닝에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 교통량 예측지점의 교통량을 예측하는 예측 단계를 포함할 수 있다.
도6을 참조하면, S100단계는 수집부(110)에서 교통자료를 수집할 수 있다. 교통자료는 교통량 조사 장치(200)에 의하여 수집된 것일 수도 있고, 수집부(110)에 포함될 수 있는 루프 센서 등에 의해 수집될 수도 있다.
다음으로, S110단계에서 전처리부(120)가 교통자료를 전처리하여 교통데이터를 생성할 수 있다. 생성되는 교통데이터는 교통량 예측지점의 교통량을 포함하거나, 예측 대상 도로 내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하거나, 하나 이상의 인접 지점의 교통데이터를 포함하는 등과 같이 다양하게 생성될 수 있다.
다음으로, S120단계에서는 예측부(130)가 교통량 예측 딥러닝 모델을 이용하여 교통량 예측지점의 교통량을 예측할 수 있다. 교통량 예측 딥러닝 모델의 입력은 교통데이터이고, 위에서 설명한 바와 같이 교통데이터는 다양하게 전처리되어 생성될 수 있다. 이때, 교통량 예측 딥러닝 모델은 교통량 예측지점의 교통량을 입력으로 하는 것, 교통량 예측지점의 반대 방향 교통량을 입력으로 하는 것, 인접 지점의 교통데이터를 입력으로 하는 것 등과 같이 교통데이터에 대응하는 것일 수 있다.
교통량 예측 딥러닝 모델은 모델 생성부(300)에서 생성되는 것으로, 교통데이터에 대응하여 교통량 예측지점의 교통량을 예측하기 위하여, 각각 다른 학습데이터를 이용하여 학습된 딥러닝 모델일 수 있으며, 학습데이터는 전처리부(120)에서 생성된 것일 수 있고, 별도의 데이터 가공 장치에 의하여 생성되어 모델 생성부(300)로 송신된 것일 수도 있다.
본원의 일 실시 예에 따른 교통데이터 예측 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 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 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 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 교통데이터 예측 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
10: 교통데이터 예측 시스템
100: 교통데이터 예측 장치
110: 수집부
120: 전처리부
130: 예측부
200: 교통량 조사 장치
300: 모델 생성부

Claims (12)

  1. 딥러닝 모델을 이용한 교통데이터 예측 장치에 있어서,
    교통자료를 수집하는 수집부;
    상기 교통자료를 전처리하여 교통데이터를 생성하는 전처리부; 및
    상기 교통데이터를 입력하여, 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 상기 딥러닝 모델에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 상기 교통량 예측지점의 교통량을 예측하는 예측부,
    를 포함하되,
    상기 교통데이터는, 상기 교통량 예측지점의 교통량에 관한 교통데이터 및 하나 이상의 인접 지점의 교통량에 관한 교통데이터를 포함하고,
    상기 인접 지점은, 상기 교통량 예측지점으로부터 미리 설정된 거리 이내의 지점으로서, 상기 예측 대상 도로 내에서 이웃하는 지점, 상기 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점, 및 상기 예측 대상 도로와 직접적으로 연결되지 않는 지점을 포함하고,
    상기 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점은, 상기 예측 대상 도로 내의 상행 도로 및 하행 도로 중 상기 교통량 예측지점이 속하는 도로로 직접 진입하는 지점, 상기 교통량 예측지점이 속하는 도로로부터 직접 진출하는 지점, 상기 교통량 예측지점이 속하는 도로의 반대 방향 도로로 직접 진입하는 지점, 상기 반대 방향 도로로부터 직접 진출하는 지점을 포함하고,
    상기 교통량 예측 딥러닝 모델은,
    상기 교통량 예측지점, 상기 예측 대상 도로 내에서 이웃하는 지점, 상기 교통량 예측지점이 속하는 도로로 직접 진입하는 지점, 상기 교통량 예측지점이 속하는 도로로부터 직접 진출하는 지점, 상기 반대 방향 도로로 직접 진입하는 지점, 상기 반대 방향 도로로부터 직접 진출하는 지점, 및 상기 예측 대상 도로와 직접적으로 연결되지 않는 지점을 분류하고, 분류된 각 지점마다 가중치를 구분 부여하여 상기 교통량 예측지점의 교통량을 예측하도록 학습되어 생성된 것인, 교통데이터 예측 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 교통데이터는, 상기 예측 대상 도로내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고,
    상기 교통량 예측지점은, 상기 상행 도로 및 상기 하행 도로 중 다른 하나의 도로 내의 지점으로 설정된 것인, 교통데이터 예측 장치.
  4. 제3항에 있어서,
    상기 교통데이터는, 상기 교통량 예측지점의 교통량을 더 포함하는 것인, 교통데이터 예측 장치.
  5. 삭제
  6. 제1항에 있어서,
    상기 딥러닝 모델은, LSTM(Long-short Term Memory) 모델인 것인, 교통데이터 예측 장치.
  7. 딥러닝 모델을 이용한 교통데이터 예측 방법에 있어서,
    수집부에서 교통자료를 수집하는 단계;
    전처리부에서 상기 교통자료를 전처리하여 교통데이터를 생성하는 전처리 단계; 및
    예측부에서 상기 교통 데이터를 입력하여 기설정한 시간 이후 예측 대상 도로내의 교통량 예측지점의 교통량을 예측하도록 상기 딥러닝에 대한 학습을 통해 생성된 교통량 예측 딥러닝 모델을 이용하여 상기 교통량 예측지점의 교통량을 예측하는 예측 단계,
    를 포함하되,
    상기 교통데이터는, 상기 교통량 예측지점의 교통량에 관한 교통데이터 및 하나 이상의 인접 지점의 교통량에 관한 교통데이터를 포함하고,
    상기 인접 지점은, 상기 교통량 예측지점으로부터 미리 설정된 거리 이내의 지점으로서, 상기 예측 대상 도로 내에서 이웃하는 지점, 상기 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점, 및 상기 예측 대상 도로와 직접적으로 연결되지 않는 지점을 포함하고,
    상기 예측 대상 도로와 직접적으로 연결되는 인접 도로내의 지점은, 상기 예측 대상 도로 내의 상행 도로 및 하행 도로 중 상기 교통량 예측지점이 속하는 도로로 직접 진입하는 지점, 상기 교통량 예측지점이 속하는 도로로부터 직접 진출하는 지점, 상기 교통량 예측지점이 속하는 도로의 반대 방향 도로로 직접 진입하는 지점, 상기 반대 방향 도로로부터 직접 진출하는 지점을 포함하고,
    상기 교통량 예측 딥러닝 모델은,
    상기 교통량 예측지점, 상기 예측 대상 도로 내에서 이웃하는 지점, 상기 교통량 예측지점이 속하는 도로로 직접 진입하는 지점, 상기 교통량 예측지점이 속하는 도로로부터 직접 진출하는 지점, 상기 반대 방향 도로로 직접 진입하는 지점, 상기 반대 방향 도로로부터 직접 진출하는 지점, 및 상기 예측 대상 도로와 직접적으로 연결되지 않는 지점을 분류하고, 분류된 각 지점마다 가중치를 구분 부여하여 상기 교통량 예측지점의 교통량을 예측하도록 학습되어 생성된 것인, 교통데이터 예측 방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 교통데이터는, 상기 예측 대상 도로 내의 상행 도로 및 하행 도로 중 어느 하나의 교통량을 포함하고,
    상기 교통량 예측지점은, 상기 상행 도로 및 상기 하행 도로 중 다른 하나의 도로 내의 지점으로 설정된 것인, 교통데이터 예측 방법.
  10. 제9항에 있어서,
    상기 교통데이터는, 상기 교통량 예측지점의 교통량을 더 포함하는 것인, 교통데이터 예측 방법.
  11. 삭제
  12. 제7항에 있어서,
    상기 전처리 단계는,
    단위시간별 교통량을 포함하는 상기 교통데이터를 생성하는 단계인 것인, 교통데이터 예측 방법.
KR1020200149360A 2020-11-10 2020-11-10 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법 KR102254765B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200149360A KR102254765B1 (ko) 2020-11-10 2020-11-10 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200149360A KR102254765B1 (ko) 2020-11-10 2020-11-10 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR102254765B1 true KR102254765B1 (ko) 2021-05-24

Family

ID=76152546

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200149360A KR102254765B1 (ko) 2020-11-10 2020-11-10 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102254765B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102323437B1 (ko) * 2021-06-01 2021-11-09 시티아이랩 주식회사 딥러닝 기반 교통량 모니터링 방법, 및 시스템
CN114091357A (zh) * 2022-01-19 2022-02-25 杭州海康威视数字技术股份有限公司 交通流预测方法、装置、电子设备及存储介质
CN114462679A (zh) * 2022-01-04 2022-05-10 广州杰赛科技股份有限公司 基于深度学习的网络流量预测方法、装置、设备及介质
KR102617058B1 (ko) * 2023-07-05 2023-12-27 주식회사 삼정이앤씨 스마트시티에 적용 가능한 도심지 교통혼잡도 예측방법및 시스템

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150115283A (ko) * 2014-04-03 2015-10-14 부산대학교 산학협력단 교통 예측 시스템 및 방법
KR20160127896A (ko) * 2015-04-27 2016-11-07 성균관대학교산학협력단 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
KR20190024154A (ko) * 2017-08-31 2019-03-08 현대엠엔소프트 주식회사 교통정보 예측 장치 및 방법
KR20200040451A (ko) * 2018-10-10 2020-04-20 주식회사 케이티 교통 정보를 생성하는 서버, 방법 및 컴퓨터 프로그램
KR20200040501A (ko) * 2018-10-10 2020-04-20 주식회사 케이티 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150115283A (ko) * 2014-04-03 2015-10-14 부산대학교 산학협력단 교통 예측 시스템 및 방법
KR20160127896A (ko) * 2015-04-27 2016-11-07 성균관대학교산학협력단 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
KR20190024154A (ko) * 2017-08-31 2019-03-08 현대엠엔소프트 주식회사 교통정보 예측 장치 및 방법
KR20200040451A (ko) * 2018-10-10 2020-04-20 주식회사 케이티 교통 정보를 생성하는 서버, 방법 및 컴퓨터 프로그램
KR20200040501A (ko) * 2018-10-10 2020-04-20 주식회사 케이티 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102323437B1 (ko) * 2021-06-01 2021-11-09 시티아이랩 주식회사 딥러닝 기반 교통량 모니터링 방법, 및 시스템
CN114462679A (zh) * 2022-01-04 2022-05-10 广州杰赛科技股份有限公司 基于深度学习的网络流量预测方法、装置、设备及介质
CN114091357A (zh) * 2022-01-19 2022-02-25 杭州海康威视数字技术股份有限公司 交通流预测方法、装置、电子设备及存储介质
KR102617058B1 (ko) * 2023-07-05 2023-12-27 주식회사 삼정이앤씨 스마트시티에 적용 가능한 도심지 교통혼잡도 예측방법및 시스템

Similar Documents

Publication Publication Date Title
KR102254765B1 (ko) 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법
CN110164128B (zh) 一种城市级智能交通仿真系统
Zhou et al. A survey on driving prediction techniques for predictive energy management of plug-in hybrid electric vehicles
Mohammed et al. A machine learning approach to short-term traffic flow prediction: A case study of interstate 64 in Missouri
Wang et al. A space–time delay neural network model for travel time prediction
Oh et al. Short-term travel-time prediction on highway: A review on model-based approach
EP3035314A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
CN112330215B (zh) 一种城市用车需求量预测方法、设备及存储介质
Li et al. Deep learning based parking prediction on cloud platform
Olayode et al. Prediction and modeling of traffic flow of human-driven vehicles at a signalized road intersection using artificial neural network model: A South African road transportation system scenario
Huang et al. Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models
Mazloumi et al. Exploring the value of traffic flow data in bus travel time prediction
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
KR102329826B1 (ko) 인공지능 기반 교통신호 제어 장치 및 방법
Gang et al. Continuous travel time prediction for transit signal priority based on a deep network
Xing et al. A data fusion powered bi-directional long short term memory model for predicting multi-lane short term traffic flow
Karimpour et al. Fuzzy approach in rail track degradation prediction
Abpeykar et al. Supervised and unsupervised learning DSS for incident management in intelligent tunnel: A case study in Tehran Niayesh tunnel
CN111524349B (zh) 一种语境特征注入的多尺度交通流预测模型建立方法及使用方法
Abdelghany et al. Flow-based and density-based time-dependent demand estimation for congested urban transportation networks
Islek et al. Use of LSTM for Short-Term and Long-Term Travel Time Prediction.
Joseph et al. Investigation of deep learning methodologies in intelligent green transportation system
Zou et al. Application of advanced traffic information systems: field test of a travel-time prediction system with widely spaced detectors
Zhang et al. Application of long short-term memory neural network for multi-step travel time forecasting on urban expressways
Sherafat et al. Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads

Legal Events

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