KR102267032B1 - 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 - Google Patents

Abstract

속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 방법은, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하는 단계, 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하는 단계 및 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하는 단계를 포함한다.

Description

교통 정보 예측 방법, 장치 및 컴퓨터 프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR PREDICTING TRAFFIC INFORMATION}

본 발명은 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.

최근 다양한 교통 정보 제공 서비스가 제공되고 있으며, 대표적인 교통 정보 제공 서비스는 차량용 네비게이션을 통해 제공되고 있다.

차량용 네비게이션은 GPS를 통해 사용자의 현재 위치 정보를 수신하고, 목적지까지의 경로를 사용자에게 제공하여 목적지까지의 도착 시간을 단축시킬 수 있다.

교통 정보 제공 서비스는 보다 정확한 정보(혼잡도, 도착 예정 시간 등)를 제공하기 위해서 미래의 교통 정보의 예측 수준을 높이는 것이 매우 중요하다.

그러나, 종래의 교통 정보 제공 서비스는 속도, 요일, 날짜, 날씨 등의 다차원의 시간 정보를 과거 통계 데이터에 적용하여 미래의 교통 정보를 예측하고 있다. 즉, 종래의 교통 정보 제공 서비스는 주변 도로의 교통 정보에 관한 공간 정보를 전혀 고려하지 않고 있다.

이에 따라, 종래의 교통 정보 제공 서비스에서의 미래의 교통 정보의 정확도는 평균 87%에 불과하다고 알려져 있다.

또한, 종래의 교통 정보 제공 서비스는 속도가 수집되기 어려운 음영 도로에 대해서도 과거 통계 데이터에 의존하고 있다.

선행기술: 한국공개특허 제 2017-0035466호

본 발명은 상술한 문제점을 해결하기 위한 것으로서, 실시간 시간관계성뿐만 아니라 실시간 공간관계성을 고려함으로써, 미래의 교통 정보의 예측 정확도를 높이고자 한다.

구체적으로, 교통 정보를 공간 정보 및 시간 정보를 반영한 이미지로 구성하고, 이를 머신러닝 모델에 입력하여 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.

또한, 도로 및 인접 도로의 속도 등의 공간관계성에 기초하여 생성된 그래프 모델을 이용하여 교통 정보가 수집되는 도로 및 수집되지 않는 도로에 대해 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 방법에 관한 것으로서, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하는 단계, 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하는 단계 및 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하는 단계를 포함하는 교통 정보 예측 방법을 제공할 수 있다.

본 발명의 다른 실시예는, 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 장치에 관한 것으로서, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진 및 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 포함하고, 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보가 예측되는 교통 정보 예측 장치를 제공할 수 있다.

본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하고, 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하고, 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하도록 하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.

전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 실시간 시간관계성뿐만 아니라 실시간 공간관계성을 고려함으로써, 미래의 교통 정보의 예측 정확도를 높일 수 있다.

구체적으로, 교통 정보를 공간 정보 및 시간 정보를 반영한 이미지로 구성하고, 이를 머신러닝 모델에 입력하여 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.

또한, 도로 및 인접 도로의 속도 등의 공간관계성에 기초하여 생성된 그래프 모델을 이용하여 교통 정보가 수집되는 도로 및 수집되지 않는 도로에 대해 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.

도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 제 1 예측 엔진의 구성도이다.
도 3a 내지 도 3g는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 이미지를 생성하는 과정을 설명하기 위한 예시적인 도면이다.
도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지에 시간 정보를 표현하는 과정을 설명하기 위한 예시적인 도면이다.
도 5a 내지 도 5c는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 미래의 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 이미지 기반 교통 정보를 예측하는 방법을 나타낸 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 제2 예측 엔진의 구성도이다.
도 8a 내지 도 8c는 본 발명의 일 실시예에 따른 그래프 모델을 학습하는 과정을 설명하기 위한 예시적인 도면이다.
도 9a 내지 도 79e는 본 발명의 일 실시예에 따른 음영 링크의 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다.
도 10a 내지 도 10c는 본 발명의 일 실시예에 따른 사고 정보에 기초하여 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 11a 및 도 11b는 본 발명의 일 실시예에 따른 그래프 모델을 적용하여 가상의 도로 환경에 대한 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 12는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 그래프 모델 기반의 교통 정보를 예측하는 방법을 나타낸 흐름도이다.
도 13은 본 발명의 일 실시예에 따른, 제 3 예측 엔진의 구성도이다.
도 14a 내지 14c는 본 발명의 일 실시예에 따른 무선 통신 접속 데이터의 수집 과정을 설명하기 위한 예시적인 도면이다.
도 15는 본 발명의 일 실시예에 따른 속도 예측 모델을 이용하여 도로의 실시간 속도를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 16a 내지 16b는 본 발명의 일 실시예에 따른 기지국당 접속량 가중치를 계산하는 과정을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 교통 정보를 생성하는 방법을 나타낸 흐름도이다.
도 18은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 나타낸 흐름도이다.
도 19는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 보다 구체적으로 설명하기 위한 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

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. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.

본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.

본 명세서에 있어서 '노드(Node)'란, 도로(道路) 중 교차로를 의미하는 것일 수 있고, '링크(Link)'란, 교차로에 연결되는 복수의 도로를 의미하는 것일 수 있다. 또한, 본 명세서에 있어서 '비음영 노드' 및 '비음영 링크'는 교통 데이터의 수집이 가능한 비음영 구간에 속하는 교차로 및 도로를 의미한다. 또한, '음영 노드' 및 '음영 링크'는 교통 데이터의 수집이 어려운 음영 구간(속도 미수집 구간으로서 예컨대, 터널, 지하 등)에 속하는 교차로 및 도로를 의미한다.

이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)의 구성도이다. 도 1을 참조하면, 교통 정보 예측 장치(100)는 수집부(101), 제 1 예측 엔진(110), 제 2 예측 엔진(120) 및 제 3 예측 엔진(130)을 포함할 수 있다.

수집부(101)는 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다. 예를 들어, 수집부(101)는 차량에 장착 또는 부착된 GPS 단말로부터 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다.

또한, 수집부(101)는 교통 데이터를 수집할 수 있다. 예를 들어, 수집부(101)는 차량의 GPS 위도/경도 좌표, 상행/하행 방위각 및 차량 속도 등을 포함하는 교통 데이터를 수집할 수 있다.

또한, 수집부(101)는 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집할 수도 있다. 이에 대한 보다 구체적인 설명은, 아래의 제 3 예측 엔진(130)과 함께 설명하기로 한다.

제 1 예측 엔진(110)은 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델, 예컨대 딥러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.

도 2는 본 발명의 일 실시예에 따른 제 1 예측 엔진(110)의 구성도이다. 도 2를 참조하면, 제 1 예측 엔진(110)은 이미지 생성부(111), 제 1 학습부(112) 및 교통 정보 예측부(113)를 포함할 수 있다.

이미지 생성부(111)는 대상 영역을 복수의 셀로 분할할 수 있다. 예를 들어, 이미지 생성부(111)는 GPS(Global Positioning System)의 소수점 단위를 이용하여 대상 영역을 최소 단위의 복수의 셀로 분할할 수 있다.

이미지 생성부(111)는 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 매핑된 교통 정보가 표현된 대상 영역에 대한 이미지를 생성할 수 있다. 이 때, 이미지 생성부(111)는 복수의 셀 각각에 교통 정보를 매핑할 수 있다. 교통 정보는 예를 들어, 차량 속도, 차량 밀도 및 운행 방향 등을 포함할 수 있다.

이미지 생성부(111)는 GPS 정보에 기초하여 복수의 셀 각각에 위치 정보를 매핑할 수 있다. 예를 들어, 대상 영역의 최소 GPS 위치를 이미지의 시작으로 하여 [링크에 대한 GPS 소수점 단위의 위치 정보-최소 GPS 위치]를 이미지의 인덱스로 매핑할 수 있다. 여기서, 링크는 도로를 의미하며, 이하에서는 도로를 링크로 표현하는 경우가 있다.

이 때, 이미지 생성부(111)는 복수의 셀 각각에 교통 정보를 매핑하기 위해 링크의 GPS 소수점 단위에 대한 위치 정보가 저장된 위치 정보 테이블을 생성 및 저장할 수 있다. 이 때, 이미지 생성부(111)는 이미지 상의 링크에 대응하는 위치 정보를 포함하는 위치 정보 테이블을 이용하여 각 링크가 어느 셀에 포함되는지를 파악할 수 있다.

이미지 생성부(111)는 교통 데이터에 기초하여 복수의 셀 각각의 교통 현황을 복수의 단계 중 하나로 설정할 수 있다. 예를 들어, 이미지 생성부(111)는 복수의 셀 각각의 교통 현황을 원활, 정상, 정체 등으로 설정할 수 있다.

이미지 생성부(111)는 복수의 셀 각각에 매핑된 교통 정보에 기초하여 복수의 셀 각각의 지도 색을 다르게 표현할 수 있다. 예를 들어, 이미지 생성부(111)는 복수의 셀 각각에 매핑된 교통 정보에 기초하여 링크의 구간 속도가 기설정된 속도 보다 빠르면 빨간색으로, 설정된 속도 보다 느리면 파란색으로 표현할 수 있다.

이미지 생성부(111)는 이미지를 압축할 수 있다. 이 때, 이미지 생성부(111)는 서로 인접한 복수의 셀(예를 들어, 4개의 셀)을 그룹핑(도 3d에서의 중간 단위 셀)할 수 있다.

이미지 생성부(111)는 그룹핑된 복수의 셀 각각의 교통 현황의 단계에 기초하여 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소할 수 있다.

이미지 생성부(111)는 그룹핑된 복수의 셀 각각에 대한 교통 현황의 단계의 비중에 기초하여 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소할 수 있다. 예를 들어, 이미지 생성부(111)는 그룹핑된 복수의 셀을 그룹핑된 복수의 셀 각각에 대한 가장 비중이 높은 교통 현황의 단계를 가지는 셀로 축소할 수 있다.

즉, 이미지 생성부(111)는 NxN 크기의 이미지를 1x1로 축소하여 전체 셀을 재구성함으로써 셀 크기가 확대된 압축 이미지를 생성할 수 있다.

교통 정보를 공간 정보 및 시간 정보를 반영한 이미지로 구성하기 위해서는 무수히 많은 이미지를 저장 및 관리할 필요가 있고, 이미지의 용량을 줄이고 이미지를 용이하게 관리할 수 있도록 이미지를 압축하는 것이 필요하다.

그러나, 종래의 이미지 압축 기법(예컨대, JPEG, JPG, BMP 등)을 이용하여 이미지를 압축할 경우, 많은 도로 정보의 손실이 발생한다.

이에, 본 발명에서는 종래의 이미지 압축 기법을 이용하지 않고, 그룹핑된 복수의 셀 각각에 대한 교통 현황의 단계의 비중에 기초하여 이미지를 압축함으로써 도로 정보를 최대한 손실시키지 않고 이미지를 압축시킬 수 있다.

이미지 생성부(111)는 이미지를 압축한 후, 이에 대한 손실 링크 테이블을 생성할 수 있다. 손실 링크 테이블은 손실 링크의 주위 링크와의 관계성 정보(동서남북 방향의 도로 관계성 속성)를 포함할 수 있다.

이후, 이미지 생성부(111)는 누락된 링크에 대한 교통 정보를 재매핑할 수 있다. 예를 들어, 이미지 생성부(111)는 생성된 링크 간의 손실 링크 테이블로부터 손실 링크의 주위 관계 링크들을 기준으로 셀 위치를 검색하고, 누락된 링크 주위의 링크의 관계성인 동서남북 방향의 셀을 조사하여 누락된 링크 주위의 셀이 빈 셀일 경우 누락된 링크에 대한 교통 정보를 생성할 수 있다.

이미지 생성부(111)는 이미지에 교통 정보에 대응하는 시간 정보를 표현할 수 있다. 이 때, 이미지 생성부(111)는 시간 정보에 기초하여 이미지의 밝기 값을 조절할 수 있다. 예를 들어, 이미지 생성부(111)는 하루(오전 00시00분~ 오후 23시59분)의 시간 정보에 기초하여 이미지 밝기값을 0~256 중 어느 하나로 선택하여 표현할 수 있다. 이 때, 시간 정보는 대상 영역에 대한 이미지 상에서 복수의 셀 중 링크의 위치 정보가 표현되지 않은 셀에 표현될 수 있다.

이미지 생성부(111)는 교통 정보 예측부(113)에서 출력된 T+1 시간에서의 교통 정보에 기초하여 T+1 시간에서의 교통 정보가 표현된 이미지를 생성할 수 있다.

제 1 학습부(112)는 생성된 이미지를 이용하여 미래의 교통 정보를 예측할 수 있도록 머신러닝 모델을 학습할 수 있다. 여기서, 학습에 이용되는 이미지는 대상 영역의 과거의 교통 정보가 표현된 이미지일 수 있다.

예를 들어, 제 1 학습부(112)는 특정 과거 시점인 T 시간에 대한 이미지를 머신러닝 모델에 입력하고, 특정 과거 시점으로부터의 특정 미래 시점인 T+1 시간의 교통 정보가 출력되도록 학습할 수 있다.

이때, 제 1 학습부(112)는 T+1 시간의 교통 정보에 기초하여 T+1 시간에 대한 이미지를 생성하고, 이를 머신러닝 모델에 입력함으로써 T+2 시간의 교통 정보가 출력되도록 학습할 수 있다. 제 1 학습부(112)는 상술한 과정을 반복하면서 학습을 수행할 수 있다.

교통 정보 예측부(113)는 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다. 이후, 교통 정보 예측부(113)는 이미지를 매 단위 시간마다 업데이트하고, 업데이트된 이미지를 머신러닝 모델에 입력할 수 있다. 여기서, 머신러닝 모델은 공간 분석 딥러닝 모델인 CNN(Convolution Neural Network)와 시계열 딥러닝 학습 모델인 LSTM(Long-Short Term Memory)이 결합된 CRNN(Chaotic Recurrent Neural Network) 모델일 수 있다.

교통 정보 예측부(113)는 T 시간에서의 교통 정보가 표현된 이미지를 머신러닝 모델에 입력하고, T+1 시간에서의 교통 정보를 출력할 수 있다.

이를 통해, 과거 시점의 교통 정보를 이용하여 미래 시점의 교통 정보를 예측할 수 있게 된다.

이후, 교통 정보 예측부(113)는 이미지 생성부(111)에서 출력된 T+1 시간에서의 교통 정보에 기초하여 T+1 시간에서의 교통 정보가 표현된 이미지를 생성한 후, T+1 시간에서의 교통 정보가 표현된 이미지를 머신러닝 모델에 입력할 수 있다. 교통 정보 예측부(113)는 이러한 과정을 반복함으로써, 원하는 미래 시점까지 교통 정보를 예측할 수 있다.

이와 같이, 공간 정보 및 시간 정보를 반영한 이미지를 머신러닝 모델에 입력하여 교통 정보를 예측함으로써 실시간 시간관계성 뿐만 아니라 실시간 공간 관계성을 고려할 수 있게 되어 미래의 교통 정보의 예측 정확도를 높일 수 있다.

도 3a 내지 도 3g는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 이미지를 생성하는 과정을 설명하기 위한 예시적인 도면이다.

도 3a를 참조하면, 제 1 예측 엔진(110)은 GIS(Geographic Information System)를 통해 대상 영역의 지도(300)를 수집할 수 있다. 여기서, 대상 영역의 지도(300)는 복수의 링크(도로, 301)를 포함할 수 있다.

도 3b를 참조하면, 제 1 예측 엔진(110)은 지도의 대상 영역을 복수의 셀(310)로 분할하고, 복수의 셀 각각에 교통 정보를 매핑할 수 있다.

도 3c를 참조하면, 제 1 예측 엔진(110)은 GPS(Global Positioning System) 정보에 기초하여 복수의 셀(310) 각각에 위치 정보(311, 312)를 매핑할 수 있다. 예를 들어, 차량의 GPS로부터 획득한 위도 좌표가 '37.4812 66'이고, 경도 좌표가 '126.9943 68'인 경우, 각 셀의 시작 위치에 기초하여 대상 영역을 복수의 셀 각각에 위치 정보를 매핑할 수 있다. 이 때, GPS로부터 획득한 위도/경도 좌표는 각각의 좌표에서 소수점 넷째 자리까지가 유효할 수 있다.

예를 들어, 제 1 예측 엔진(110)은 위도 좌표인 '37.482'로부터 셀의 시작 위치인 '37.47'을 차감하여 해당 이미지의 X좌표를 '112'로 결정하고, 경도 좌표인 '126.9943'으로부터 셀의 시작 위치인 '126.98'을 차감하여 해당 이미지의 Y좌표를 '143'으로 결정할 수 있다.

도 3d를 참조하면, 제 1 예측 엔진(110)은 서로 인접한 복수의 셀을 그룹핑(320)할 수 있다. 예를 들어, 제 1 예측 엔진(110)은 최소 단위의 4개의 셀을 하나의 중간 단위의 셀로 그룹핑(320)할 수 있다.

도 3d 및 도 3e를 참조하면, 제 1 예측 엔진(110)은 그룹핑된 복수의 셀 각각의 교통 현황의 단계에 기초하여 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소할 수 있다.

예를 들어, 도 3e의 도면부호 330과 같이, 제 1 예측 엔진(110)은 중간 단위의 셀로 그룹핑(320)된 복수의 셀 중 2개의 셀이 파란색으로 표현되고, 1개의 셀이 빨간색으로 표현되고, 1개의 셀이 무색으로 표현된 경우, 교통 정보 예측 장치(100)는 그룹핑(320)된 셀을 복수의 셀에서 가장 많은 색을 차지하는 색으로 표현할 수 있다.

도 3f를 참조하면, 제 1 예측 엔진(110)은 링크 관계성에 기초하여 셀의 축소로 인해 손실된 정보가 복구되도록 정보를 저장할 수 있다. 예를 들어, 제 1 예측 엔진(110)은 빨간색 셀의 동쪽에 위치한 셀(340)을 오렌지 색으로 수정하고, 노란색 셀의 남쪽에 위치한 셀(341)을 오렌지 색으로 수정하고, 노란색 셀의 동쪽에 위치한 셀(342)을 녹색으로 수정되도록 정보를 저장하고, 이를 재매핑할 수 있다.

도 3g를 참조하면, 제 1 예측 엔진(110)은 최종으로 NxN 크기의 셀에서 1x1 크기의 셀로 압축된 이미지를 생성할 수 있다. 도면부호 350은 4개의 셀이 하나의 교통 현황의 단계를 가지는 하나의 셀로 압축된 것을 나타내고 있다.

도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지에 시간 정보를 표현하는 과정을 설명하기 위한 예시적인 도면이다.

도 4a는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지를 도시한 예시적인 도면이다. 도 4a를 참조하면, 제 1 예측 엔진(110)은 지도의 대상 영역을 셀 단위로 분할하고, 셀 단위로 교통 정보에 대한 이미지를 표현할 수 있다.

도 4b는 본 발명의 일 실시예에 따른 시간 정보가 표현된 이미지를 도시한 예시적인 도면이다. 도 4b를 참조하면, 제 1 예측 엔진(110)은 셀 단위로 교통 정보가 표현된 이미지에 대해 시간 정보를 추가로 표현할 수 있다. 예를 들어, 제 1 예측 엔진(110)은 시간 정보(00:00~23:59)에 기초하여 이미지의 밝기 값(0~256)을 조절하여 표현할 수 있다. 예를 들어, 현재 시각이 오후 6시이고, 교통 정보 예측 장치(100)가 오후 9시의 교통 정보를 시간 정보에 기초하여 표현하고자 하는 경우, 오후 9시에 대한 이미지의 밝기 값을 '192'로 조절하여 표현할 수 있다.

도 4c는 본 발명의 일 실시예에 따른 교통 정보와 시간 정보가 혼합되어 표현된 이미지를 도시한 예시적인 도면이다. 도 4a 내지 도 4c를 참조하면, 제 1 예측 엔진(110)은 교통 정보 및 위치 정보가 표현된 이미지에서 색이 표현된 셀의 경우 해당 색상은 남겨두고, 교통 정보 및 위치 정보가 표현되지 않은 셀(무색의 셀)은 시간 정보에 대응하는 셀의 밝기 값을 '192'로 조절하여 표현할 수 있다.

도 5a 내지 도 5c는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 미래의 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.

도 5a는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지가 머신러닝 모델에 입력되는 과정을 설명하기 위한 예시적인 도면이다. 도 5a를 참조하면, 제 1 예측 엔진(110)은 현재 시간인 T 시간(예를 들어, 오후 6시)에서의 교통 정보가 매핑된 이미지를 생성하여 머신러닝 모델에 입력할 수 있다. 교통 정보는 예를 들어, 차량 속도, 차량 밀도 및 운행 방향 등을 포함할 수 있다. 예를 들어, 이미지는 차량 속도에 대한 이미지(500), 차량 밀도에 대한 이미지(510) 및 운행 방향에 대한 이미지(520)를 포함할 수 있고, 이러한 이미지들이 모두 머신러닝 모델에 입력될 수 있다.

도 5b는 본 발명의 일 실시예에 따른 현재 시간으로부터 제 1 미래 시간에서의 예측된 교통 정보를 도시한 예시적인 도면이다. 도 5b를 참조하면, 제 1 예측 엔진(110)은 현재 시간인 T 시간(예를 들어, 오후 6시)에 대한 이미지를 머신러닝 모델에 입력하여 제 1 미래 시간에 해당하는 T+1시간(예를 들어, 오후 7시)에서의 교통 정보를 출력할 수 있다.

제 1 예측 엔진(110)은 T 시간에 대한 이미지에 T+1시간에서의 교통 정보를 반영한 T+1 시간에 대한 이미지를 생성하고, 이를 머신러닝 모델에 입력하여 T+2 시간에서의 교통 정보를 출력할 수 있다.

예를 들어, 도 5c를 참조하면, 제 1 예측 엔진(110)은 현재 시간인 T시간(예를 들어, 오후 7시)에 대한 이미지(540)를 머신러닝 모델에 입력하여 미래 시간인 T+1 시간(예를 들어, 오후 8시)에서의 교통 정보를 출력하고, 이에 기초하여 T+1 시간에 대한 이미지(550)를 생성할 수 있다.

이후, 제 1 예측 엔진(110)은 T+1 시간에 대한 이미지(550)를 머신러닝 모델에 입력하여 T+2 시간에서의 교통 정보를 출력할 수 있다.

제 1 예측 엔진(110)은 이러한 과정을 반복 수행함으로써, T+N 시간(N은 임의의 자연수)까지도 교통 정보를 예측할 수 있다.

도 6은 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법의 순서도이다. 도 6에 도시된 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법은 도 2 내지 도 5c에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 2 내지 도 5c에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법에도 적용된다.

단계 S610에서 수집부(101)는 교통 데이터를 수집할 수 있다.

단계 S620에서 제 1 예측 엔진(110)은 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 매핑된 교통 정보가 표현된 대상 영역에 대한 이미지를 생성할 수 있다.

단계 S630에서 제 1 예측 엔진(110)은 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.

상술한 설명에서, 단계 S610 내지 S630은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.

다시 도 1로 돌아와서, 제 2 예측 엔진(120)은 교차로에 대응하는 노드 및 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측할 수 있다.

도 7은 본 발명의 일 실시예에 따른 제 2 예측 엔진(120)의 구성도이다. 도 7을 참조하면, 제 2 예측 엔진(120)은 제 2 학습부(121), 링크 속도 도출부(122), 그래프 모델 생성부(123), 링크 속도 예측부(124), 사고 발생 정보 수신부(125) 및 영향도 예측부(126)를 포함할 수 있다.

제 2 학습부(121)는 도로망을 그래프 모델을 이용하여 학습할 수 있다. 여기서 그래프 모델은 도로망에 대해 교차로에 대응하는 노드 및 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성될 수 있다.

제 2 학습부(121)는 그래프 모델의 복수의 링크의 속도에 기초하여 속도 예측 모델을 학습할 수 있다. 예를 들어, 제 2 학습부(121)는 노드 및 노드에 연결된 복수의 링크의 현재 속도가 입력되면, 소정의 시간 뒤(T+1)의 속도를 출력으로 하는 속도 예측 모델을 학습할 수 있다. 속도 예측 모델을 학습하는 과정에 대해서는 도 8a 내지 도 8c를 통해 상세히 설명하도록 한다.

도 8a 내지 도 8c는 본 발명의 일 실시예에 따른 속도 예측 모델을 학습하는 과정을 설명하기 위한 예시적인 도면이다.

도 8a는 본 발명의 일 실시예에 따른 그래프 모델을 도시한 예시적인 도면이다. 도 8a를 참조하면, 제 2 학습부(121)는 도로망(800)을 복수의 노드(810) 및 각 노드 간을 연결하는 복수의 링크(820)로 구성된 그래프 모델을 이용하여 속도 예측 모델을 학습할 수 있다.

도 8b는 본 발명의 일 실시예에 따른 속도 예측 모델을 도시한 예시적인 도면이다. 도 8b를 참조하면, 제 2 학습부(121)는 현재 시간인 T 시간에 대해 하나의 중심 노드(831)와 인접한 복수의 인접 노드(832)에 연결된 링크의 속도를 입력하여, 미래 시간인 T+1 시간의 링크의 속도가 출력되도록 학습할 수 있다.

도 8c는 본 발명의 일 실시예에 따른 속도 예측 모델의 데이터 구조를 도시한 예시적인 도면이다. 도 8b 및 도 8c를 참조하면, 속도 예측 모델의 데이터 구조는 중심 노드에 연결된 복수의 링크의 현재 속도(851), 제 1 인접 노드에 연결된 복수의 링크의 현재 속도(852), 제 2 인접 노드에 연결된 복수의 링크의 현재 속도(853), 제 3 인접 노드에 연결된 복수의 링크의 현재 속도(854), 제 4 인접 노드에 연결된 복수의 링크의 현재 속도(855), 제 5 인접 노드에 연결된 복수의 링크의 현재 속도(856) 및 제 6 인접 노드에 연결된 복수의 링크의 현재 속도(857), 중심 노드(831)에 연결된 각 링크의 차선(858) 및 중심 노드의 ID(859)로 구성되며, 중심 노드(831) 및 복수의 인접 노드(832)와 연결된 복수의 링크의 현재 속도가 속도 예측 모델에 입력되면, 속도 예측 모델은 미래 시간인 T+1 시간에서의 중심 노드에 연결된 복수의 링크의 속도를 출력할 수 있다.

다시 도 7로 돌아와서, 제 2 학습부(121)는 링크의 속성 정보에 기초하여 교통 흐름 예측 모델을 추가로 학습할 수 있다. 여기서, 속성 정보는 연속류 유무, 제한 속도, 차선수, 속도 등을 포함할 수 있다. 예를 들어, 제 2 학습부(121)는 링크의 속성 정보가 입력되면, 도로의 밀도를 출력할 수 있다.

링크 속도 도출부(122)는 복수의 비음영 링크의 속도에 기초하여 비음영 노드의 밀도를 계산할 수 있다. 예를 들어, 링크 속도 도출부(122)는 "속도/제한속도*차선 수"에 기초하여 비음영 노드의 밀도를 계산할 수 있다.

링크 속도 도출부(122)는, 예를 들어 지구통계학적 보간법에 기초하여, 비음영 노드의 밀도로부터 음영 노드의 밀도를 보간할 수 있다. 여기서, 지구통계학적 보간법은 크리깅(Kriging) 보간법일 수 있다. 크리깅 보간법은 관심 지점의 특성치를 알아내기 위해 주위 지점의 값들의 선형 조합을 통해 관심 지점의 특성치를 예측하는 기법을 의미하며, 관심 지점과 주위 지점이 가까울수록 가중치가 부여될 수 있다.

링크 속도 도출부(122)는 음영 노드의 밀도로부터 음영 노드에 연결된 복수의 음영 링크의 속도를 도출할 수 있다. 복수의 음영 링크의 속도를 도출하는 과정에 대해서는 도 9a 내지 도 9e를 통해 상세히 설명하도록 한다.

도 9a 내지 도 9e는 본 발명의 일 실시예에 따른 음영 링크의 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다.

도 9a는 본 발명의 일 실시예에 따른 비음영 노드의 밀도를 계산하는 과정을 설명하기 위한 예시적인 도면이다. 도 9a를 참조하면, 링크 속도 도출부(122)는 복수의 비음영 링크(910)의 속도에 기초하여 비음영 노드(900)의 제한 속도에 대한 현재 속도(현재 속도/제한 속도)의 비율에 기초하여 밀도를 계산할 수 있다. 예를 들어, 링크 속도 도출부(122)는 제 1 비음영 링크의 제한 속도에 대한 현재 속도의 비율(30/60), 제 2 비음영 링크의 제한 속도에 대한 현재 속도의 비율(30/60), 제 3 비음영 링크의 제한 속도에 대한 현재 속도의 비율(40/50), 제 4 비음영 링크의 제한 속도에 대한 현재 속도의 비율(30/80), 제 5 비음영 링크의 제한 속도에 대한 현재 속도의 비율(40/60) 제 6 비음영 링크의 제한 속도에 대한 현재 속도의 비율(40/60)의 평균을 계산하여 비음영 노드의 밀도를 '0.585'로 도출할 수 있다.

도 9b 내지 도 9d는 본 발명의 일 실시예에 따른 지구통계학적 보간법에 기초하여 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하는 과정을 설명하기 위한 예시적인 도면이다.

도 9b를 참조하면, 링크 속도 도출부(122)는 복수의 노드에 연결된 복수의 링크의 제한 속도에 대한 현재 속도의 비율을 밀도로 하여 복수의 노드에 대한 밀도 맵을 생성할 수 있다. 이 때, 밀도 맵은 복수의 비음영 노드 및 복수의 음영 노드(920)를 포함할 수 있다.

도 9c를 참조하면, 링크 속도 도출부(122)는 음영 노드와 인접한 복수의 인접 노드의 밀도 및 음영 노드와 복수의 인접 노드 간의 거리에 기초하여 음영 노드의 밀도를 보간할 수 있다.

예를 들어, 링크 속도 도출부(122)는 음영 노드(중심 노드, 920)와 연결된 복수의 인접 노드(921, 922, 923) 각각의 밀도 및 거리에 기초하여 거리가 가까운 노드에 가중치를 적용하여 보간할 수 있다. 예를 들어, 링크 속도 도출부(122)는 중심 노드(920)와 제 1 인접 노드(921)와의 거리가 3km이고, 제 2 인접 노드(922)와의 거리가 3km이고, 제 3 인접 노드(923)와의 거리가 1km인 경우, 제 1 인접 노드(921) 및 제 2 인접 노드(922)에 비해 제 3 인접 노드(923)에 가중치를 많이 부여하여 음영 노드(920)의 밀도를 보간할 수 있다.

도 9d를 참조하면, 링크 속도 도출부(122)는 위와 같은 방법으로 음영 노드(920)의 밀도값을 '0.639'로 예측할 수 있다.

도 9e를 참조하면, 링크 속도 도출부(122)는 음영 노드(920)의 예측된 밀도값에 기초하여 음영 노드(920)에 연결된 음영 링크(930)의 현재 속도를 도출할 수 있다. 예를 들어, 링크 속도 도출부(122)는 음영 링크(930)의 제한 속도에 예측된 음영 노드(920)의 밀도값을 곱하여 음영 링크(930)의 현재 속도를 '31.95km/h'로 도출할 수 있다.

이와 같이, GPS 단말 등으로부터 속도가 수집되지 않은 도로의 경우, 주변의 비음영 링크의 밀도로부터 음영 링크의 속도를 예측하고, 이로부터 후술하는 특정 미래의 속도를 예측함으로써, 예측 정확도를 높일 수 있다.

다시 도 7로 돌아와서, 그래프 모델 생성부(123)는 비음영 링크의 속도 및 음영 링크의 속도에 기초하여 그래프 모델을 생성할 수 있다. 여기서, 그래프 모델은 중심 노드에 연결된 적어도 하나의 링크의 속도, 중심 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도 및 중심 노드에 연결된 적어도 하나의 링크의 차선 수 중 적어도 하나를 포함할 수 있다. 예를 들어, 그래프 모델 생성부(123)는 T 시간에서의 비음영 링크의 속도 및 음영 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 포함하는 그래프 모델을 생성할 수 있다.

종래에는 과거 속도를 기반으로 하는 모델을 주로 이용하였으나, 이는 도로 환경이 변경되는 경우 그대로 이용하기 어렵고, 예측 정확도가 낮다는 문제를 가지고 있었다.

또한, 종래에는 도로의 속도를 예측할 시, 해당 도로만을 고려하여 속도를 패턴화 및 예측하였으나, 이는 낮은 예측 정확도를 제공하였었다.

이에, 본 발명에서는 그래프 모델을 이용함으로써, 도로 환경이 변경된 경우에도 적용 가능하며, 해당 도로 뿐만 아니라 그 도로와 연결된 주변 도로의 속도를 고려하는 등 공간관계성을 고려하여 예측 정확도를 높일 수 있다.

링크 속도 예측부(124)는 그래프 모델을 속도 예측 모델에 입력하여 복수의 링크의 특정 미래의 속도를 예측할 수 있다. 예를 들어, 링크 속도 예측부(124)는 현재 시간인 T 시간에서의 그래프 모델을 속도 예측 모델에 입력하여 미래 시간인 T+1 시간에서의 비음영 링크의 속도 및 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 출력할 수 있다.

사고 발생 정보 수신부(125)는 교통 관리 서버(미도시)로부터 복수의 링크에 대한 사고 발생 정보를 수신할 수 있다. 예를 들어, 사고 발생 정보 수신부(125)는 교통 관리 서버(미도시)로부터 교통 사고, 도로 공사 등과 관련된 정보를 수신할 수 있다. 이와 달리, 제 2 예측 엔진(120)이 속도 예측 모델의 출력 결과로부터 사고 발생 여부를 직접 판단할 수도 있다.

영향도 예측부(126)는 복수의 링크 중 제 1 링크에서 사고가 발생한 경우, 제 1 링크의 속성 정보를 교통 흐름 예측 모델에 입력하여 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측할 수 있다. 여기서, 속성 정보는 도로의 연속류 유무, 제한 속도, 차선 수 및 속도 등을 포함할 수 있다. 영향도를 예측하는 과정에 대해서는 도 10a 내지 도 10c를 통해 상세히 설명하도록 한다.

도 10a 내지 도 10c는 본 발명의 일 실시예에 따른 사고 정보에 기초하여 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측하는 과정을 설명하기 위한 예시적인 도면이다.

도 10a는 본 발명의 일 실시예에 따른 사고가 발생됨에 따라 병목현상이 발생된 도로를 도시한 예시적인 도면이다. 도 10a를 참조하면, 영향도 예측부(126)는 제 1 링크에서 차선이 감소된 경우, 교통량 감소를 계산할 수 있다. 예를 들어, 3차선 도로 중 1차로에서 사고가 발생된 경우, 3차선 도로는 하나의 차선이 감소되어 2차선 도로만이 이용될 수 있다.

이 때, 영향도 예측부(126)는 사고가 발생된 제 1 링크의 속성 정보를 교통 흐름 예측 모델에 입력하고, 제 1 링크의 밀도를 출력할 수 있다. 영향도 예측부(126)는 출력된 제 1 링크의 밀도에 기초하여 교통량을 계산할 수 있다. 교통량(q, veh/h)은 속도(km/h)와 링크의 밀도(veh/km)에 기초하여 도출될 수 있다.

교통량-도로 밀도의 그래프 변화를 참조하면, 해당 도로의 교통량은 70km/h(1000)에서 30km/h(1010)로 감소하였으며, 이로 인해 도로의 속도가 감소된다는 것을 유추할 수 있다.

도 10b는 본 발명의 일 실시예에 따른 충격파 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다. 도 10b를 참조하면, 영향도 예측부(126)는 계산된 제 1 링크에서의 교통량 및 밀도에 기초하여 정체 여파가 제 1 링크에서 제 2 링크로 전파되는 충격파 속도(1020)를 계산할 수 있다. 예를 들어, 사고가 발생한 제 1 링크가 중심 노드를 통해 제 2 링크로 연결되는 경우, 제 1 링크에서 발생된 도로 정체는 충격파의 속도로 후방 도로인 제 2 링크로 전파될 수 있으므로, 영향도 예측부(126)는

에 기초하여 충격파 속도(1020)를 계산할 수 있다.

도 10c는 본 발명의 일 실시예에 따른 정체 여파가 전파되는 도로를 판단하는 과정을 설명하기 위한 예시적인 도면이다. 도 10c를 참조하면, 영향도 예측부(126)는 계산된 충격파에 기초하여 사고에 따른 정체 여파가 제 2 링크로 도달하는 시간 및 거리를 예측할 수 있다. 예를 들어, 영향도 예측부(126)는 복수의 노드 및 복수의 노드 간에 연결된 복수의 링크에 기초하여 형성된 맵을 이용하여 사고가 발생한 제 1 링크(1030)와 연결된 중심 노드(1040, 제 1 링크의 주행 방향과 반대 방향에 위치한 노드)의 유형, 중심 노드(1040)와 연결된 복수의 제 2 링크(1041, 1042)의 속성 정보 및 충격파 속도에 기초하여 사고에 따른 정체 여파가 제 2 링크(1041, 1042)로 도달하는 시간 및 거리를 예측할 수 있다.

이와 같이, 도로에서 사고가 발생된 경우, 사고 발생으로 인해 해당 도로에서 병목현상이 발생되며, 이로 인해 정체가 발생될 수 있다. 이는, 사고가 발생된 도로로부터 후방 도로까지 정체 여파가 전파될 수 있으므로, 정체 여파가 후방 도로에 미치는 영향을 사전에 판단하여 해당 도로를 주행할 차량에게 예측 정보를 제공하고, 우회 도로에 대한 안내를 제공할 수도 있다.

도 11a 및 도 11b는 본 발명의 일 실시예에 따른 그래프 모델을 적용하여 가상의 도로 환경에 대한 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.

도 11a는 본 발명의 일 실시예에 따른 복수의 노드 및 복수의 링크로 구성된 현재의 도로 환경을 도시한 예시적인 도면이다. 도 11a를 참조하면, 제 2 예측 엔진(120)은 중심 노드(1100)가 사거리의 교차로로 구성된 경우, 그래프 모델에 기초하여 교통 정보를 예측할 수 있다.

도 11b는 본 발명의 일 실시예에 따른 복수의 노드 및 복수의 링크로 구성된 가상의 도로 환경을 도시한 예시적인 도면이다. 도 11b를 참조하면, 사거리의 도로 환경에서 링크(1110)가 추가 신설되어 중심 노드(1100)가 오거리의 교차로로 구성될 예정인 경우, 제 2 예측 엔진(120)은 그래프 모델에 기초하여 교통 정보를 예측할 수 있다. 예를 들어, 제 2 예측 엔진(120)은 사거리의 중심 노드(1100)에 가상으로 링크를 추가 또는 삭제함으로써, 가상의 환경에서의 교통 정보를 예측할 수 있다.

이와 같이, 그래프 모델 기반의 교통 정보 예측 방법을 이용함으로써, 신설 예정 도로에 대한 교통 정보를 미리 예측할 수 있으며, 또는 가상의 도로 환경을 통해 링크의 추가 또는 삭제를 시뮬레이션함으로써, 도로에서 교통이 원활하게 이루어지도록 도로 계획 사업 또는 교통 계획 사업 등에 반영되도록 할 수 있다.

도 12는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 그래프 모델 기반의 교통 정보를 예측하는 방법의 순서도이다. 도 12에 도시된 교통 정보 예측 장치(100)에서 그래프 모델 기반의 교통 정보를 예측하는 방법은 도 7 내지 도 11b에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 7 내지 도 11b에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 그래프 모델 기반의 교통 정보를 예측하는 방법에도 적용된다.

단계 S1210에서 수집부(101)는 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다.

단계 S1220에서 제 2 예측 엔진(120)은 복수의 비음영 링크의 속도에 기초하여 비음영 노드의 밀도를 계산하고, 지구통계학적 보간법에 기초하여 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 음영 노드의 밀도로부터 음영 노드에 연결된 복수의 음영 링크의 속도를 도출할 수 있다.

단계 S1230에서 제 2 예측 엔진(120)은 비음영 링크의 속도 및 음영 링크의 속도에 기초하여 그래프 모델을 생성할 수 있다.

단계 S1240에서 제 2 예측 엔진(120)은 그래프 모델을 속도 예측 모델에 입력하여 복수의 링크의 특정 미래의 속도를 예측할 수 있다.

상술한 설명에서, 단계 S1210 내지 S1240은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.

다시 도 1로 돌아와서, 제 3 예측 엔진(130)은 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 속도 정보를 예측할 수 있다.

도 13은 본 발명의 일 실시예에 따른 제 3 예측 엔진(130)의 구성도이다.

도 13을 참조하면, 제 3 예측 엔진(130)은 필터링부(131), 모델 생성부(132), 속도 예측부(133), 교통 정보 생성부(134) 및 돌발 상황 예측부(135)를 포함할 수 있다. 여기서, 필터링부(131)는 제 1 필터링부(131a) 및 제 2 필터링부(131b)를 포함할 수 있다. 다만, 도 13에 도시된 제 3 예측 엔진(130)은 본 발명의 하나의 구현 예에 불과하며, 도 13에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다. 이하에서는 도 13과 함께 도 14a 내지 16b를 설명하기로 한다.

수집부(101)는 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다. 예를 들어, 도 14a를 참조하면, 수집부(101)는 적어도 둘 이상의 도로가 만나는 교차로로부터 기설정된 반경(예컨대, 200m) 이내에 위치한 기지국을 유효 기지국으로 선정하고, 선정된 각 유효 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다.

이 때, 유효 기지국으로 선정된 기지국은 예를 들면, 기지국의 안테나가 도로 방향으로 향해 있으면서 기지국 외부에 안테나가 설치되어 있는 기지국일 수 있다.

예를 들면, 수집부(101)는 제 1 교차로에 대하여 선정된 제 1 유효 기지국 그룹에 속하는 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 제 2 교차로에 대하여 선정된 제 2 유효 기지국 그룹에 속하는 복수의 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다.

예를 들면, 수집부(101)는 제 1 도로(예컨대, 서해안 고속도로)로부터 기설정된 반경 이내에 위치한 유효 기지국 및 제 2 도로(예컨대, 영동고속도로)로부터 기설정된 반경 이내에 위치한 유효 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다. 여기서, 수집된 무선 통신 접속 데이터는 예를 들면, 각 유효 기지국으로 무선 접속을 시도한 복수의 사용자 단말에 대한 정보 및 각 유효 기지국에 대한 정보(예컨대, 기지국의 위치 정보 등)를 포함할 수 있다.

수집부(101)는 복수의 기지국의 위치 정보 및 복수의 기지국에 대한 무선 통신 접속량의 분포도에 기초하여 도로의 상행선 방향 및 하행선 방향을 구별할 수 있다. 수집부(101)가 상행선 방향 및 하행선 방향을 구별함으로써, 후술하는 바와 같이 상행선 및 하행선 각각의 실시간 속도를 예측하는 것이 가능하다.

예를 들어, 도 14b를 참조하면, 수집부(101)는 제 1 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 수집된 S1-AP 프로토콜에 대한 로그 데이터를 이용하여 각 기지국의 접속량 분포도를 파악하고, 각 기지국의 위치 및 접속량 분포도 간의 상관 관계를 통해 제 1 도로에 대한 도로 방향성(상행선 방향 및 하행선 방향)을 부여할 수 있다.

여기서, S1-AP(S1-Application Protocol) 프로토콜은 LTE 망/서비스에 가입된 사용자의 단말이 기지국에 접속(예컨대, 인터넷 사용, 전화 사용 등) 또는 미접속된 상태(idle 상태)에서도 주기적으로 해당 기지국과의 통신 접속이 발생되도록 사용자 단말과 기지국 간의 통신 연결을 제공하는 프로토콜이다. 이러한, S1-AP 프로토콜에 대한 로그 데이터는 S1-AP 프로토콜을 통해 기지국에 주기적으로 접속된 사용자의 단말에 대한 실시간 데이터인 동시에 LTE 통신을 위한 표준 프로토콜 정보이기 때문에, 통신 품질 모니터링 등의 목적으로 특별한 권한 동의 없이도 통신사에서 무조건적으로 수집할 수 있는 데이터이다. S1-AP 프로토콜에 대한 로그 데이터는 접속 시간 및 기지국의 위치를 근거로 시간당 각 기지국의 접속량 및 접속 이동성을 파악하는데 활용될 수 있으므로 교통 속도 학습 모델을 학습하는데 적합하다. 예를 들면, 제 1 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국 중 서울로부터 제 1 거리에 위치한 기지국의 접속량보다 서울로부터 제 2 거리(제 1 거리보다 먼 거리)에 위치한 기지국의 접속량이 높은 경우, 수집부(101)는 제 1 도로에 대한 하행선(1410)의 차량 흐름이 정체된 상태라고 판단하고, 제 1 도로에 대한 상행선(1420)의 차량 흐름이 원활한 상태라고 판단할 수 있다.

필터링부(131)는 수집된 복수의 무선 통신 접속 데이터로부터 도로 상에 위치한 차량 내에서 발생한 무선 통신 접속 데이터를 추출할 수 있다. 예를 들면, 필터링부(131)는 수집된 무선 통신 접속 데이터 중 도로를 주행하는 차량의 운전자 또는 동승자의 단말(예컨대, 스마트 폰, 스마트 워치 등)에서 발생한 무선 접속 데이터를 추출할 수 있다.

예를 들어, 제 1 필터링부(131a)는 수집된 복수의 무선 통신 접속 데이터에서 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터를 제외시킬 수 있다. 예를 들면, 제 1 필터링부(131a)는 기 설정된 시간 동안(예컨대, 오전 1시~6시)에 주기적으로 발생하는 페이징(paging) 통신으로 인한 무선 통신 접속 데이터를 수집된 복수의 무선 통신 접속 데이터에서 제외할 수 있다. 여기서, 페이징 통신은 구동되지 않은 상태의 단말의 수신 상태, 단말의 대략적인 위치를 파악하기 위해 주기적으로 단말을 깨우는 브로드캐스트 통신을 말한다. 이러한, 페이징 통신으로 인한 무선 통신 접속 데이터는 도로의 차량 내에서 발생하는 무선 통신 접속 데이터가 아니기 때문에 도로 속도에 대한 예측의 정확도를 높이기 위해서는 수집된 복수의 무선 통신 접속 데이터에서 제외시킬 필요가 있다.

또한, 제 1 필터링부(131a)는 일정 기간 동안 하나의 기지국에 기설정된 횟수 이상 접속한 사용자 단말(거주민 또는 보행자의 단말)의 무선 통신 접속 데이터를 수집된 복수의 무선 통신 접속 데이터에서 추가로 제외할 수 있다. 도로의 근처 지역에 일정 기간(예컨대, 1일) 동안 오래 머물러 있는 보행자 또는 거주민의 단말이 접속한 무선 통신 접속 데이터(일정 기간 동안 하나의 기지국에 기설정된 횟수 이상 접속한 무선 통신 접속 데이터로 판단됨)는 도로의 차량 내에서 발생하는 무선 통신 접속 데이터가 아닐 확률이 높기 때문에 해당 무선 통신 접속 데이터를 제외함으로써 도로 속도에 대한 예측의 정확도를 높일 수 있다

제 2 필터링부(131b)는 통신 프로토콜의 서비스 용도에 대한 인덱스 값에 기초하여 수집된 복수의 무선 통신 접속 데이터로부터 기설정된 서비스에 관한 무선 통신 접속 데이터를 제외시킬 수 있다. 여기서, 기설정된 서비스는 운전시 제약이 되는 서비스(예컨대, 스트리밍 동영상 서비스 등)일 수 있다.

이러한 기설정된 서비스는 주로 차량 내에서는 이용되기 어렵기 때문에 도로 속도에 대한 예측의 정확도를 높이기 위해 수집된 복수의 무선 통신 접속 데이터에서 제외시킬 필요가 있다. 예를 들면, 제 2 필터링부(131b)는 S1-AP 프로토콜의 서비스 용도에 대한 인덱스 값(예컨대, QCI 값) 중 운전 시 제약이 되는 서비스(예컨대, 도 14c에서 S1-AP 프로토콜의 QCI 3번(24) 및 QCI 6번(26)의 스트리밍 비디오 서비스 등)에 관한 인덱스 값을 갖는 무선 통신 접속 데이터를 수집된 복수의 무선 통신 접속 데이터에서 제외할 수 있다.

도 14c를 참조하면, S1-AP 프로토콜의 QCI(QualiTy of service Class Index)는 서비스의 중요도에 따라 트래픽 품질을 보장해 주기 위해 우선 순위를 정수로 표현한 인덱스값이다.

필터링부(131)는 수집된 복수의 무선 통신 접속 데이터에서 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터 및 기설정된 서비스에 관한 무선 통신 접속 데이터가 제외된 차량 내에서 발생한 무선 통신 접속 데이터만을 추출할 수 있다.

종래에는 핸드 오버 방식의 속도 측정 방법(수많은 이용자 단위로 연속적으로 핸드 오버된 기지국을 탐색하고, 탐색된 기지국 간의 거리(또는 대상 도로 길이) 및 연속되는 두 기지국간 접속 시간 차이를 실시간으로 조회하여 도로의 속도를 예측함) 또는 GPS 데이터를 이용한 개별 도로의 속도 측정 방법을 이용하였으나, 이러한 방법은 보행자 및 거주민의 단말로부터 접속된 데이터에 따른 오류를 고려하지 않는다는 점과, 사용자 단위 핸드 오버 분석으로 인한 시스템의 과부하 등의 문제를 가지고 있었다.

이에 본 발명에서는 기지국 단위로 실시간으로 수집된 무선 통신 접속 데이터를 이용하여 도로의 속도를 예측하기 때문에 시스템의 처리 부하를 줄일 수 있다.

또한, 도로의 속도 예측에 있어서, 보행자 및 거주민의 단말이 접속한 무선 통신 접속 데이터를 제외한 운전자 또는 동승자의 단말이 접속한 무선 통신 접속 데이터만을 이용하기 때문에 도로 속도의 예측 정확도를 높일 수 있다.

모델 생성부(132)는 복수의 기지국으로부터 수집된 과거의 무선 통신 접속 데이터 및 도로의 속도 데이터에 기초하여 속도 예측 모델을 생성할 수 있다. 예를 들면, 모델 생성부(132)는 T-1 시간에서의 무선 통신 접속 데이터, T-2 시간에서의 무선 통신 접속 데이터 및 T 시간에서의 도로의 속도 데이터를 쌍으로 하는 제 1 속도 예측 모델을 생성하고, T-2 시간에서의 무선 통신 접속 데이터, T-3 시간에서의 무선 통신 접속 데이터 및 T-1 시간에서의 도로의 속도 데이터를 쌍으로 하는 제 2 속도 예측 모델을 생성함으로써 시계열 기반의 속도 예측 모델을 생성할 수 있다.

모델 생성부(132)는 복수의 기지국으로부터 수집된 과거의 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 현재의 도로의 속도 데이터가 출력되도록 속도 예측 모델을 학습할 수 있다.

예를 들면, 모델 생성부(132)는 T-1 시간에서의 무선 통신 접속 데이터 및 T-2 시간에서의 무선 통신 접속 데이터를 제 1 속도 예측 모델에 입력하여 T 시간에서의 도로의 속도 데이터가 출력되도록 학습할 수 있다. 또한, 모델 생성부(132)는 T-2 시간에서의 무선 통신 접속 데이터 및 T-3 시간에서의 무선 통신 접속 데이터를 제 2 속도 예측 모델에 입력하여 T-1 시간에서의 도로의 속도 데이터가 출력되도록 학습할 수 있다.

모델 생성부(132)는 통신 프로토콜의 연결 타입에 대한 인덱스 값에 기초하여 추출된 무선 통신 접속 데이터를 착신에 의한 과거 무선 통신 접속 데이터 및 발신에 의한 과거 무선 통신 접속 데이터로 분류할 수 있다. 예를 들면, 모델 생성부(132)는 추출된 무선 통신 접속 데이터 중 S1-AP 프로토콜의 착신 연결 타입에 대한 인덱스 값을 갖는 무선 통신 접속 데이터를 착신에 의한 과거 무선 통신 접속 데이터로 분류하고, S1-AP 프로토콜의 발신 연결 타입에 대한 인덱스 값을 갖는 무선 통신 접속 데이터를 발신에 의한 과거 무선 통신 접속 데이터로 분류할 수 있다.

모델 생성부(132)는 분류된 착신에 의한 과거 무선 통신 접속 데이터에 기초하여 착신 접속량을 계산하고, 발신에 의한 과거 무선 통신 접속 데이터에 기초하여 발신 접속량을 계산할 수 있다.

모델 생성부(132)는 과거 착신 접속량, 과거 발신 접속량 및 도로의 속도 데이터에 기초하여 속도 예측 모델을 생성할 수 있다. 여기서, 속도 예측 모델은 예를 들면, 시계열 딥러닝 학습 모델인 LSTM(Long-ShorT Term Memory) 모델일 수 있다.

예를 들면, 모델 생성부(132)는 T-1 시간에서의 착신 접속량 및 발신 접속량, T-2 시간에서의 착신 접속량 및 발신 접속량과 T 시간에서의 도로의 속도 데이터에 기초하여 제 1 속도 예측 모델을 생성 및 학습하고, T-2 시간에서의 착신 접속량 및 발신 접속량, T-3 시간에서의 착신 접속량 및 발신 접속량과 T-1 시간에서의 도로의 속도 데이터를 쌍으로 하는 제 2 속도 예측 모델을 생성 및 학습할 수 있다.

속도 예측부(133)는 복수의 기지국으로부터 수집된 실시간 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 도로의 실시간 속도를 예측할 수 있다. 예를 들면, 도 15를 참조하면, 속도 예측부(133)는 복수의 기지국(제 1 내지 제 3 기지국)으로부터 T 시간에 수집된 실시간 무선 통신 접속 데이터(실시간 착신 접속량 및 실시간 발신 접속량) 및 날짜 정보(요일 및 시간 정보)를 시계열 기반의 속도 예측 모델에 입력하여 T 시간에서의 도로의 상행선 속도 및 하행선 속도를 각각 예측할 수 있다.

속도 예측부(133)는 복수의 기지국(유효 기지국으로 선정된 기지국)의 안테나 각도 또는 복수의 기지국이 위치한 지역의 외부 환경 정보에 기초하여 각 기지국에서의 무선 통신에 대한 무선 통신 영향도를 계산할 수 있다. 여기서, 무선 통신 영향도는 무선 통신의 도달 범위(무선 통신 수신 신호의 강도)에 대응되는 개념일 수 있다. 속도 예측부(130)는 각 기지국으로부터 무선 통신 수신 신호의 강도(RSSI, Received signal strength indication)가 기설정된 신호 강도의 이상에 해당되는 영역까지의 거리 범위를 각 기지국의 무선 통신 영향도로 계산할 수 있다. 또는 속도 예측부(130)는 각 기지국으로부터 각 기지국의 무선 통신 수신 신호의 강도에 대한 구분이 어려운 지점에 해당하는 영역까지의 거리 범위를 각 기지국의 무선 통신 영향도로 계산할 수도 있다. 예를 들면, 도로로 향해있는 안테나의 각도가 클수록 해당 도로에 미치는 무선 통신 영향도는 높아지며 무선 통신의 도달 범위는 넓어지게 되고, 안테나의 각도가 작을수록 해당 도로에 미치는 무선 통신 영향도는 작아지고, 무선 통신의 도달 범위는 좁아지게 된다. 이러한, 무선 통신 영향도는 기지국이 설치된 지형도 및 날씨에 따라 달라질 수 있다.

속도 예측부(133)는 복수의 기지국으로의 실시간 접속량 및 각 기지국에서의 무선 통신에 대한 무선 통신 영향도를 속도 예측 모델에 입력하여 도로의 상행선 방향 및 하행선 방향 각각에 대한 실시간 속도 정보를 예측할 수 있다.

속도 예측부(133)는 기지국당 무선 통신 영향도에 기초하여 각 기지국당 접속량 가중치를 계산할 수 있다.

예를 들어, 도 16a를 참조하면, 속도 예측부(133)는 대상 도로에 대한 외부 환경(예컨대, 날씨, 지형 등)에 따른 제 1 기지국(610)에서의 무선 통신 영향도 및 제 2 기지국(1610)에서의 무선 통신 영향도 간의 비율에 기초하여 제 1 기지국(1610) 및 제 2 기지국(1620) 각각의 접속량 가중치를 계산할 수 있다.

제 1 기지국(1610)에서 제공하는 무선 통신에 대한 무선 통신 영향도의 범위 및 제 2 기지국(1620)에서 제공하는 무선 통신에 대한 무선 통신 영향도의 범위가 1:3의 비율을 갖는 경우, 제 1 기지국(1610)의 접속량 가중치 및 제 2 기지국(1620)의 접속량 가중치도 13:3의 비율로 계산될 수 있다.

도 16b를 참조하면, 속도 예측부(133)는 대상 도로를 향한 제 1 기지국(1610)의 안테나 각도에 따른 무선 통신 수신 범위 및 제 2 기지국(1620)의 안테나 각도에 따른 무선 통신 수신 범위 간의 비율에 기초하여 제 1 기지국(1610) 및 제 2 기지국(1620) 각각의 접속량 가중치를 계산할 수 있다.

속도 예측부(133)는 복수의 기지국으로의 실시간 접속량, 기지국당 무선 통신 영향도 및 접속량 가중치를 속도 예측 모델에 입력하여 도로의 상행선 방향 및 하행선 방향 각각에 대한 실시간 속도 정보를 예측할 수 있다.

종래에는 과거 속도 통계치를 기반으로 하는 모델을 주로 이용하였으나, 이는 도로 환경이 변경되는 경우 그대로 이용하기 어렵고, 예측 정확도가 낮다는 문제점을 가지고 있었다.

이에 본 발명에서는 과거의 무선 통신 접속 데이터(과거 착신 접속량, 과거 발신 접속량)에 기초하여 학습된 시계열 기반의 속도 예측 모델을 이용함으로써 도로 환경이 변경된 경우에도 적용 가능하며 교통 데이터의 수집이 어려운 음영 지역과 같은 도로에서도 실시간 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 현재의 도로의 실시간 속도를 예측하기 때문에 해당 도로에 대한 실시간 속도의 예측 정확도를 높일 수 있다.

또한, 종래의 핸드 오버 방식의 경우 일부 이용자(예컨대, 정차 운전자, 아웃라이어 등)에게 편향될 수 있는 속도 측정의 문제를 가지고 있으나, 본 발명은 핸드오버가 일어나지 않는 무선 통신 접속 데이터(과거 착신 접속량, 과거 발신 접속량)에 기초하여 일반화된 속도 예측 모델을 생성하기 때문에 이와 같은 종래의 문제점을 해결할 수 있다.

교통 정보 생성부(134)는 도로 상에서의 예측된 실시간 속도에 기초하여 도로에 대한 교통 정보를 생성할 수 있다. 예를 들면, 교통 정보 생성부(134)는 예측된 실시간 속도에 기초하여 도로의 교통 현황을 원활, 정상, 정체 등으로 설정한 교통 정보를 생성할 수 있다. 예를 들면, 교통 정보 생성부(134)는 도로의 복수의 구간 중 교통 흐름이 원할한 구간을 초록색으로 표시하고, 교통 흐름이 정체된 구간을 빨란색으로 표시한 교통 정보를 생성할 수 있다.

돌발 상황 예측부(135)는 도로 상에서의 예측된 실시간 속도 정보 및 도로 상에서의 패턴 속도 추이 정보에 기초하여 도로에서의 돌발 상황을 예측할 수 있다. 예를 들면, 돌발 상황 예측부(135)는 1분 단위 당 예측된 도로의 실시간 속도 정보가 해당 도로에서의 패턴 속도 추이(과거 패턴 속도 추이 또는 예측 패턴 속도 추이)보다 낮은 상태로 일정 시간 동안 지속되는 경우, 도로에서 돌발 상황이 발생했다고 판단할 수 있다.

돌발 상황 예측부(135)는 도로 상에서 예측된 실시간 속도 정보의 누적량이 기설정된 임계 속도값을 초과하는 경우, 도로에서 돌발 상황이 발생했다고 판단할 수 있다. 예를 들면, T-2 분에서의 도로 속도가 -5km/h이고, T-1 분에서의 도로 속도가 -10km/h이고, T 분에서의 도로 속도가 -9km/h이고, 기설정된 임계 속도값이 20km/h라고 가정할 때, 실시간 속도 정보의 누적량(|-5km/h| + |-10km/h| + |-9km/h| = 25km/h)이 기설정된 임계 속도값을 초과하게 되면, 도로의 사고 발생으로 인해 해당 도로에서 병목현상이 발생하여 교통 정체가 발생되었다고 판단할 수 있다.

교통 정보 생성부(134)는 돌발 상황이 발생한 도로에 대하여 돌발 상황 예측 정보가 반영된 교통 정보를 생성할 수 있다. 예를 들면, 교통 정보 생성부(134)는 도로에서의 돌발 상황(예컨대, 교통 사고 등)이 예측된 경우, 해당 도로에 대한 돌발 상황 예측 정보 및 교통 상황이 원활한 우회 도로에 대한 안내 정보를 포함하는 교통 정보를 생성할 수 있다.

종래에는 도로에서 발생된 돌발 상황 발생에 따른 시민 제보 및 경찰 기관으로부터 접수된 사고 정보에 의존하여 도로에서의 돌발 상황을 파악하였으나, 본 발명은 예측된 실시간 속도 정보 및 도로 상에서의 패턴 속도 추이 정보(과거 패턴 속도 추이 또는 예측 패턴 속도 추이)를 고려하여 도로 상에서의 돌발 상황을 판단함으로써, 도로 상에서의 돌발 상황을 정확하고 신속하게 감지할 수 있고, 이에 대한 대처 방안까지 운전자에게 제공할 수 있다.

한편, 당업자라면, 필터링부(131), 제 1 필터링부(131a), 제 2 필터링부(131b), 모델 생성부(132), 속도 예측부(133), 교통 정보 생성부(134) 및 돌발 상황 예측부(135) 각각이 분리되어 구현되거나, 이 중 하나 이상이 통합되어 구현될 수 있음을 충분히 이해할 것이다.

도 17은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 교통 정보를 생성하는 방법을 나타낸 흐름도이다. 도 17에 도시된 교통 정보 예측 장치(100)에서 교통 정보를 생성하는 방법은 도 13 내지 도 16b에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 13 내지 도 16b에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 교통 정보를 생성하는 방법에도 적용된다.

도 17을 참조하면, 단계 S1710에서 수집부(101)는 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다.

단계 S1720에서 제 3 예측 엔진(130)은 복수의 기지국으로부터 수집된 과거의 무선 통신 접속 데이터 및 도로의 속도 데이터에 기초하여 속도 예측 모델을 생성할 수 있다.

단계 S1730에서 제 3 예측 엔진(130)은 복수의 기지국으로부터 수집된 실시간 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 도로의 실시간 속도를 예측할 수 있다.

단계 S1740에서 제 3 예측 엔진(130)은 예측된 실시간 속도에 기초하여 도로에 대한 교통 정보를 생성할 수 있다.

상술한 설명에서, 단계 S1710 내지 S1740은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

도 18은 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 나타낸 흐름도이다. 도 18에 도시된 방법은 전술한 교통 정보 예측 장치(100)의 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 교통 정보 예측 장치(100)의 일 실시예에 따른 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법에도 적용된다.

도 18을 참조하면, 단계 S1810에서 교통 정보 예측 장치(100)는 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진(110)을 구축할 수 있다.

단계 S1820에서 교통 정보 예측 장치(100)는 교차로에 대응하는 노드 및 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진(120)을 구축할 수 있다.

단계 S1830에서 교통 정보 예측 장치(100)는 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 링크의 속도 정보를 예측하는 제 3 예측 엔진(130)을 구축할 수 있다.

단계 S1840에서 교통 정보 예측 장치(100)는 제 1 예측 엔진(110), 제 2 예측 엔진(120) 및 제 3 예측 엔진(130) 중 어느 하나 이상에 기초하여 특정 미래의 교통 정보를 예측할 수 있다.

상술한 설명에서, 단계 S1810 내지 S1840은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

도 19는 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 보다 구체적으로 설명하기 위한 흐름도이다. 도 19에 도시된 방법은 전술한 교통 정보 예측 장치(100)의 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 교통 정보 예측 장치(100)의 일 실시예에 따른 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법에도 적용된다.

도 19를 참조하면, 교통 정보 예측 장치(100)는 수집부(101)를 이용하여 대상 영역의 교통 정보(예를 들어, 교통 데이터)를 수집할 수 있다.

단계 S1910에서 교통 정보 예측 장치(100)는 교통 정보를 예측하고자 하는 구간이 속도 수집 구간인 경우, 제 1 예측 엔진(110)을 이용하여 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.

즉, 교통 정보를 예측하고자 하는 구간이 속도 수집 구간인 경우, 제 2 예측 엔진(120) 및 제 3 예측 엔진(130)을 이용하여 적어도 하나의 링크의 속도를 예측할 필요없이 제 1 예측 엔진(110)을 통해 특정 미래의 교통 정보를 예측하는 것이 가능하다.

그러나, 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간을 포함하는 경우, 대상 영역에 대한 이미지에 속도 미수집 구간에 대한 교통 정보(예컨대, 속도)를 반영시킬 수 없기 때문에, 제 1 예측 엔진(110)만으로 대상 영역의 특정 미래의 교통 정보를 예측할 수 없다.

따라서, 단계 S1920에서 교통 정보 예측 장치(100)는 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간인 경우, 제 2 예측 엔진(120)을 이용하여 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하고, 제 1 예측 엔진(110)을 이용하여 비음영 링크의 속도 및 음영 링크의 속도가 표현된 대상 영역에 대한 이미지를 생성한 후, 생성된 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.

즉, 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간을 포함하는 경우, 제 2 예측 엔진(120)을 이용하여 속도 미수집 구간에 대한 교통 정보(예컨대, 속도)를 도출한 후, 제 1 예측 엔진(110)이 이를 이용하여 특정 미래의 교통 정보를 예측한다.

단계 S1930에서 교통 정보 예측 장치(100)는 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간이고, 구간 내의 도로로부터 기설정된 반경 이내에 복수의 기지국이 위치하는 경우, 제 3 예측 엔진(130)을 이용하여 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 링크의 속도 정보를 예측할 수 있다. 이때, 제 3 예측 엔진(130)을 이용하여 적어도 하나의 링크의 속도 정보를 예측하는 이유는 제 3 예측 엔진(130)이 제 2 예측 엔진(120)보다 비교적 정확하기 때문이다.

단계 S1940에서 교통 정보 예측 장치(100)는 제 3 예측 엔진(130)으로부터 예측된 링크의 속도 정보가 기설정된 패턴 속도와 일치하는 경우, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 속도 정보를 예측하고, 비음영 링크의 속도 및 예측된 음영 링크의 속도가 표현된 대상 영역에 대한 이미지를 생성한 후, 생성된 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다. 즉, 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간을 포함하고, 구간 내의 도로로부터 기설정된 반경 이내에 복수의 기지국이 위치하는 경우, 제 3 예측 엔진(130)을 이용하여 속도 미수집 구간에 대한 교통 정보(예컨대, 속도)를 도출한 후, 제 1 예측 엔진(110)이 이를 이용하여 특정 미래의 교통 정보를 예측한다.

단계 S1950에서 교통 정보 예측 장치(100)는 제 3 예측 엔진(130)으로부터 예측된 링크의 속도 정보가 기설정된 패턴 속도 정보와 일치하지 않고, 링크의 속도 정보가 기설정된 패턴 속도 정보와 임계값 이상 차이나는 경우, 이를 유고상황 발생으로 판단할 수 있다. 여기서, 패턴 속도 정보는 과거 수집된 누적 무선 통신 접속 데이터량 및 예측된 누적 링크의 속도 정보에 기초하여 설정될 수 있으나, 이에 한정되는 것은 아님에 유의해야 한다.

단계 S1960에서 교통 정보 예측 장치(100)는 유고상황이 발생하는 경우, 제 2 예측 엔진(120)을 이용하여 유고상황 발생 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하고, 제 1 예측 엔진(110)을 이용하여 비음영 링크의 속도 및 음영 링크의 속도가 표현된 대상 영역에 대한 이미지를 생성한 후, 생성된 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.

도 1 내지 도 19를 통해 설명된 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 19를 통해 설명된 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.

컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 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.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 교통 정보 예측 장치
101: 수집부
110: 제 1 예측 엔진
120: 제 2 예측 엔진
130: 제 3 예측 엔진

Claims (20)

1. 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 방법에 있어서,
   교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하는 단계;
   교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하는 단계; 및
   상기 제 1 예측 엔진 및 상기 제 2 예측 엔진을 이용하여 특정 미래의 교통 정보를 예측하는 단계
   를 포함하되,
   상기 제 2 예측 엔진은 상기 속도 수집 구간에 해당하는 비음영 노드에 연결된 비음영 링크의 속도에 기초하여 상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하는 단계
   를 더 포함하는 것인, 교통 정보 예측 방법.
2. 제 1 항에 있어서,
   상기 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 상기 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 링크의 속도 정보를 예측하는 제 3 예측 엔진을 구축하는 단계
   를 포함하는 것인, 교통 정보 예측 방법.
3. 제 2 항에 있어서,
   상기 제 3 예측 엔진을 구축하는 단계는,
   상기 수집된 무선 통신 접속 데이터로부터 상기 도로 상에 위치한 차량 내에서 발생한 무선 통신 접속 데이터를 추출하는 단계;
   상기 무선 통신 접속 데이터로부터 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터를 제외시키는 단계; 및
   통신 프로토콜의 서비스 용도에 대한 인덱스 값에 기초하여 상기 무선 통신 접속 데이터로부터 기설정된 서비스에 관한 무선 통신 접속 데이터를 제외시키는 단계
   를 더 포함하는 것인, 교통 정보 예측 방법.
4. 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 방법에 있어서,
   교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하는 단계;
   교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하는 단계; 및
   상기 제 1 예측 엔진 및 상기 제 2 예측 엔진을 이용하여 특정 미래의 교통 정보를 예측하는 단계
   를 포함하고,
   상기 제 1 예측 엔진 및 상기 제 2 예측 엔진을 이용하여 특정 미래의 교통 정보를 예측하는 단계는,
   상기 속도 수집 구간에 해당하는 비음영 노드에 연결된 비음영 링크의 속도를 수집하는 단계;
   상기 제 2 예측 엔진을 통해 상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하는 단계; 및
   상기 제 1 예측 엔진을 통해 상기 비음영 링크의 속도 및 상기 음영 링크의 속도가 표현된 상기 대상 영역에 대한 이미지를 생성하고, 상기 대상 영역에 대한 이미지를 상기 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 단계
   를 포함하는 것인, 교통 정보 예측 방법.
5. 제 4 항에 있어서,
   상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하는 단계는
   상기 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 링크의 속도를 도출하는 단계; 및
   상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 단계
   를 포함하는 것인, 교통 정보 예측 방법.
6. 제 5 항에 있어서,
   상기 음영 링크의 속도를 도출하는 단계는
   상기 비음영 링크의 속도, 제한속도 및 차선 수 중 적어도 하나에 기초하여 상기 비음영 노드의 밀도를 계산하는 단계;
   상기 음영 노드와 인접한 복수의 인접 노드의 밀도 및 상기 음영 노드와 상기 복수의 인접 노드 간의 거리에 기초하여 상기 음영 노드의 밀도를 보간하는 단계; 및
   크리깅(Kriging) 보간법에 기초하여 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하는 단계
   를 포함하는 것인, 교통 정보 예측 방법.
7. 제 1 항에 있어서,
   상기 제 1 예측 엔진을 구축하는 단계는,
   교통 데이터에 기초하여 지도의 적어도 일부인 상기 대상 영역에 상기 교통 정보를 매핑하는 단계; 및
   상기 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 단계
   를 포함하는 것인, 교통 정보 예측 방법.
8. 제 7 항에 있어서,
   상기 대상 영역에 대한 이미지를 생성하는 단계는,
   상기 대상 영역을 복수의 셀로 분할하는 단계; 및
   상기 복수의 셀 각각에 교통 정보를 매핑하는 단계
   를 포함하는 것인, 교통 정보 예측 방법.
9. 제 1 항에 있어서,
   상기 제 1 예측 엔진을 구축하는 단계는
   상기 이미지를 매 단위 시간마다 업데이트하고, 상기 업데이트된 이미지를 상기 머신러닝 모델에 입력하는 단계
   를 포함하는 것인, 교통 정보 예측 방법.
10. 제 1 항에 있어서,
    상기 제 2 예측 엔진을 구축하는 단계는,
    교통 관리 서버로부터 상기 복수의 링크에 대한 사고 발생 정보를 수신하는 단계; 및
    상기 복수의 링크 중 제 1 링크에서 사고가 발생한 경우, 상기 제 1 링크의 속성 정보를 교통 흐름 예측 모델에 입력하여 상기 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측하는 단계
    를 더 포함하는 것인, 교통 정보 예측 방법.
11. 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 장치에 있어서,
    교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진; 및
    교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진
    을 포함하고,
    상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보가 예측되고,
    상기 제 2 예측 엔진은 상기 속도 수집 구간에 해당하는 비음영 노드에 연결된 비음영 링크의 속도에 기초하여 상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하는 것인, 교통 정보 예측 장치.
12. 제 11 항에 있어서,
    상기 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 상기 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 속도 정보를 예측하는 제 3 예측 엔진
    을 더 포함하는 것인, 교통 정보 예측 장치.
13. 제 12 항에 있어서,
    상기 제 3 예측 엔진은 상기 수집된 무선 통신 접속 데이터로부터 상기 도로 상에 위치한 차량 내에서 발생한 무선 통신 접속 데이터를 추출하고, 상기 무선 통신 접속 데이터로부터 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터를 제외시키며, 통신 프로토콜의 서비스 용도에 대한 인덱스 값에 기초하여 상기 무선 통신 접속 데이터로부터 기설정된 서비스에 관한 무선 통신 접속 데이터를 제외시키는 것인, 교통 정보 예측 장치.
14. 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 장치에 있어서,
    교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진; 및
    교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진
    을 포함하고,
    상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보가 예측되고,
    상기 속도 수집 구간에 해당하는 비음영 노드에 연결된 비음영 링크의 속도를 수집하는 수집부
    를 더 포함하고,
    상기 제 2 예측 엔진은 상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하고,
    상기 제 1 예측 엔진은 상기 비음영 링크의 속도 및 상기 음영 링크의 속도가 표현된 상기 대상 영역에 대한 이미지를 생성하고, 상기 대상 영역에 대한 이미지를 상기 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 것인, 교통 정보 예측 장치.
15. 제 14 항에 있어서,
    상기 제 2 예측 엔진은 상기 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 링크의 속도를 도출하는 링크 속도 예측부; 및
    상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 그래프 모델 생성부
    를 포함하는 것인, 교통 정보 예측 장치.
16. 제 15 항에 있어서,
    상기 링크 속도 예측부는 상기 비음영 링크의 속도, 제한속도 및 차선 수 중 적어도 하나에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 음영 노드와 인접한 복수의 인접 노드의 밀도 및 상기 음영 노드와 상기 복수의 인접 노드 간의 거리에 기초하여 상기 음영 노드의 밀도를 보간하고, 크리깅(Kriging) 보간법에 기초하여 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하는 것인, 교통 정보 예측 장치.
17. 제 11 항에 있어서,
    상기 제 1 예측 엔진은 교통 데이터에 기초하여 지도의 적어도 일부인 상기 대상 영역에 상기 교통 정보를 매핑하고, 상기 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 이미지 생성부
    를 포함하는 것인, 교통 정보 예측 장치.
18. 제 17 항에 있어서,
    상기 이미지 생성부는 상기 대상 영역을 복수의 셀로 분할하고, 상기 복수의 셀 각각에 교통 정보를 매핑하는 것인, 교통 정보 예측 장치.
19. 제 11 항에 있어서,
    상기 제 1 예측 엔진은 상기 이미지를 매 단위 시간마다 업데이트하고, 상기 업데이트된 이미지를 상기 머신러닝 모델에 입력하는 교통 정보 예측부
    를 포함하는 것인, 교통 정보 예측 장치.
20. 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하고,
    교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하고,
    상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하고,
    상기 제 2 예측 엔진은 상기 속도 수집 구간에 해당하는 비음영 노드에 연결된 비음영 링크의 속도에 기초하여 상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하도록 하는 명령어들의 시퀀스를 포함하는, 매체에 저장된 컴퓨터 프로그램.

Images