KR102332924B1 - 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 - Google Patents

그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102332924B1
KR102332924B1 KR1020180120401A KR20180120401A KR102332924B1 KR 102332924 B1 KR102332924 B1 KR 102332924B1 KR 1020180120401 A KR1020180120401 A KR 1020180120401A KR 20180120401 A KR20180120401 A KR 20180120401A KR 102332924 B1 KR102332924 B1 KR 102332924B1
Authority
KR
South Korea
Prior art keywords
speed
link
shadow
density
nodes
Prior art date
Application number
KR1020180120401A
Other languages
English (en)
Other versions
KR20200040462A (ko
Inventor
지병석
홍정희
김일명
정원우
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020180120401A priority Critical patent/KR102332924B1/ko
Publication of KR20200040462A publication Critical patent/KR20200040462A/ko
Application granted granted Critical
Publication of KR102332924B1 publication Critical patent/KR102332924B1/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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델 기반 교통 정보 예측 방법은 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집하는 단계, 상기 복수의 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 노드에 연결된 복수의 음영 링크의 속도를 도출하는 단계, 상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 단계 및 상기 그래프 모델을 속도 예측 모델에 입력하여 상기 복수의 링크의 특정 미래의 속도를 예측하는 단계를 포함한다.

Description

그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR PREDICTING TRAFFIC INFORMATION BASED ON GRAPH MODEL}
본 발명은 그래프 모델 기반 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
속도가 수집되지 않는 도로에 대해 속도가 수집된 주변 도로의 현재 속도를 이용하여 속도를 도출 및 예측하는 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.
도로 및 인접 도로의 속도 등의 공간관계성에 기초하여 생성된 그래프 모델을 이용하여 도로의 속도를 예측하는 그래프 모델 기반 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 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집하는 단계, 상기 복수의 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 노드에 연결된 복수의 음영 링크의 속도를 도출하는 단계, 상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 단계 및 상기 그래프 모델을 속도 예측 모델에 입력하여 상기 복수의 링크의 특정 미래의 속도를 예측하는 단계를 포함하는 교통 정보 예측 방법을 제공할 수 있다.
본 발명의 다른 실시예는, 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집하는 속도 수집부, 상기 복수의 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 노드에 연결된 복수의 음영 링크의 속도를 도출하는 링크 속도 도출부, 상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 그래프 모델 생성부 및 상기 그래프 모델을 속도 예측 모델에 입력하여 상기 복수의 링크의 특정 미래의 속도를 예측하는 링크 속도 예측부를 포함하는 교통 정보 예측 장치를 제공할 수 있다.
본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집하고, 상기 복수의 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 노드에 연결된 복수의 음영 링크의 속도를 도출하고, 상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하고, 상기 그래프 모델을 속도 예측 모델에 입력하여 상기 복수의 링크의 특정 미래의 속도를 예측하는 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, 속도가 수집되지 않는 도로에 대해 속도가 수집된 주변 도로의 현재 속도를 이용하여 속도를 도출 및 예측하는 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
도로 및 인접 도로의 속도 등의 공간관계성에 기초하여 생성된 그래프 모델을 이용하여 도로의 속도를 예측하는 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
도로에서 사고가 발생된 경우, 해당 사고로 인해 발생된 정체 여파가 후방 도로에 미치는 영향도를 예측하는 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
그래프 모델 및 속도 예측 모델을 이용하여 가상의 도로 환경을 모의하고, 가상의 도로 환경의 교통 상황을 예측하여 도로 계획 사업 등에 반영하도록 하는 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치의 구성도이다.
도 2a 내지 도 2c는 본 발명의 일 실시예에 따른 그래프 모델을 학습하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a 내지 도 3e는 본 발명의 일 실시예에 따른 음영 링크의 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다.
도 4a 내지 도 4c는 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 5a 및 도 5b는 본 발명의 일 실시예에 따른 그래프 모델을 적용하여 가상의 도로 환경에 대한 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 그래프 모델 기반의 교통 정보를 예측하는 방법의 순서도이다.
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 장치의 구성도이다. 도 1을 참조하면, 교통 정보 예측 장치(100)는 학습부(110), 속도 수집부(120), 링크 속도 도출부(130), 그래프 모델 생성부(140), 링크 속도 예측부(150), 사고 발생 정보 수신부(160) 및 영향도 예측부(170)를 포함할 수 있다.
학습부(110)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.
학습부(110)는 그래프 모델의 복수의 링크의 속도에 기초하여 속도 예측 모델을 학습할 수 있다. 예를 들어, 학습부(110)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 2a 내지 도 2c를 통해 상세히 설명하도록 한다.
도 2a 내지 도 2c는 본 발명의 일 실시예에 따른 속도 예측 모델을 학습하는 과정을 설명하기 위한 예시적인 도면이다.
도 2a는 본 발명의 일 실시예에 따른 그래프 모델을 도시한 예시적인 도면이다. 도 2a를 참조하면, 학습부(110)는 도로망(200)을 복수의 노드(210) 및 각 노드 간을 연결하는 복수의 링크(220)로 구성된 그래프 모델을 이용하여 속도 예측 모델을 학습할 수 있다.
도 2b는 본 발명의 일 실시예에 따른 속도 예측 모델을 도시한 예시적인 도면이다. 도 2b를 참조하면, 학습부(110)는 현재 시간인 T 시간에 대해 하나의 중심 노드(231)와 인접한 복수의 인접 노드(232)에 연결된 링크의 속도를 입력하여, 미래 시간인 T+1 시간의 링크의 속도가 출력되도록 학습할 수 있다.
도 2c는 본 발명의 일 실시예에 따른 속도 예측 모델의 데이터 구조를 도시한 예시적인 도면이다. 도 2b 및 도 2c를 참조하면, 속도 예측 모델의 데이터 구조는 중심 노드에 연결된 복수의 링크의 현재 속도(251), 제 1 인접 노드에 연결된 복수의 링크의 현재 속도(252), 제 2 인접 노드에 연결된 복수의 링크의 현재 속도(253), 제 3 인접 노드에 연결된 복수의 링크의 현재 속도(254), 제 4 인접 노드에 연결된 복수의 링크의 현재 속도(255), 제 5 인접 노드에 연결된 복수의 링크의 현재 속도(256) 및 제 6 인접 노드에 연결된 복수의 링크의 현재 속도(257), 중심 노드(231)에 연결된 각 링크의 차선(258) 및 중심 노드의 ID(259)로 구성되며, 중심 노드(231) 및 복수의 인접 노드(232)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 1로 돌아와서, 학습부(110)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, 학습부(110)는 링크의 속성 정보가 입력되면, 도로의 밀도를 출력할 수 있다.
속도 수집부(120)는 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다.
본 발명에서 비음영 노드 및 비음영 링크는 교통 데이터의 수집이 가능한 비음영 구간에 속하는 교차로 및 도로를 의미한다. 또한, 음영 노드 및 음영 링크는 교통 데이터의 수집이 어려운 음영 구간(속도 미수집 구간으로서 예컨대, 터널, 지하 등)에 속하는 교차로 및 도로를 의미한다.
예를 들어, 속도 수집부(120)는 차량에 장착 또는 부착된 GPS 단말로부터 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다.
링크 속도 도출부(130)는 복수의 비음영 링크의 속도에 기초하여 비음영 노드의 밀도를 계산할 수 있다. 예를 들어, 링크 속도 도출부(130)는 "속도/제한속도*차선 수"에 기초하여 비음영 노드의 밀도를 계산할 수 있다.
링크 속도 도출부(130)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(130)는 음영 노드의 밀도로부터 음영 노드에 연결된 복수의 음영 링크의 속도를 도출할 수 있다. 복수의 음영 링크의 속도를 도출하는 과정에 대해서는 도 3a 내지 도 3e를 통해 상세히 설명하도록 한다.
도 3a 내지 도 3e는 본 발명의 일 실시예에 따른 음영 링크의 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a는 본 발명의 일 실시예에 따른 비음영 노드의 밀도를 계산하는 과정을 설명하기 위한 예시적인 도면이다. 도 3a를 참조하면, 링크 속도 도출부(130)는 복수의 비음영 링크(310)의 속도에 기초하여 비음영 노드(300)의 제한 속도에 대한 현재 속도(현재 속도/제한 속도)의 비율에 기초하여 밀도를 계산할 수 있다. 예를 들어, 링크 속도 도출부(130)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 3b 내지 도 3d는 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 3b를 참조하면, 링크 속도 도출부(130)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(320)를 포함할 수 있다.
도 3c를 참조하면, 링크 속도 도출부(130)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(130)는 음영 노드(중심 노드, 320)와 연결된 복수의 인접 노드(321, 322, 323) 각각의 밀도 및 거리에 기초하여 거리가 가까운 노드에 가중치를 적용하여 보간할 수 있다. 예를 들어, 링크 속도 도출부(130)는 중심 노드(320)와 제 1 인접 노드(321)와의 거리가 3km이고, 제 2 인접 노드(322)와의 거리가 3km이고, 제 3 인접 노드(323)와의 거리가 1km인 경우, 제 1 인접 노드(321) 및 제 2 인접 노드(322)에 비해 제 3 인접 노드(323)에 가중치를 많이 부여하여 음영 노드(320)의 밀도를 보간할 수 있다.
도 3d를 참조하면, 링크 속도 도출부(130)는 위와 같은 방법으로 음영 노드(320)의 밀도값을 '0.639'로 예측할 수 있다.
도 3e를 참조하면, 링크 속도 도출부(130)는 음영 노드(320)의 예측된 밀도값에 기초하여 음영 노드(320)에 연결된 음영 링크(330)의 현재 속도를 도출할 수 있다. 예를 들어, 링크 속도 도출부(130)는 음영 링크(330)의 제한 속도에 예측된 음영 노드(320)의 밀도값을 곱하여 음영 링크(330)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 1로 돌아와서, 그래프 모델 생성부(140)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(140)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(150)는 그래프 모델을 속도 예측 모델에 입력하여 복수의 링크의 특정 미래의 속도를 예측할 수 있다. 예를 들어, 링크 속도 예측부(150)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(160)는 교통 관리 서버(미도시)로부터 복수의 링크에 대한 사고 발생 정보를 수신할 수 있다. 예를 들어, 사고 발생 정보 수신부(160)는 교통 관리 서버(미도시)로부터 교통 사고, 도로 공사 등과 관련된 정보를 수신할 수 있다. 이와 달리, 교통 정보 예측 장치(100)가 속도 예측 모델의 출력 결과로부터 사고 발생 여부를 직접 판단할 수도 있다.
영향도 예측부(170)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 4a 내지 도 4c를 통해 상세히 설명하도록 한다.
도 4a 내지 도 4c는 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 4a는 본 발명의 일 실시예에 따른 사고가 발생됨에 따라 병목현상이 발생된 도로를 도시한 예시적인 도면이다. 도 4a를 참조하면, 영향도 예측부(170)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(170)는 사고가 발생된 제 1 링크의 속성 정보를 교통 흐름 예측 모델에 입력하고, 제 1 링크의 밀도를 출력할 수 있다. 영향도 예측부(170)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(400)에서 30km/h(410)로 감소하였으며, 이로 인해 도로의 속도가 감소된다는 것을 유추할 수 있다.
도 4b는 본 발명의 일 실시예에 따른 충격파 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다. 도 4b를 참조하면, 영향도 예측부(170)는 계산된 제 1 링크에서의 교통량 및 밀도에 기초하여 정체 여파가 제 1 링크에서 제 2 링크로 전파되는 충격파 속도(420)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(170)는
Figure 112018099558616-pat00001
에 기초하여 충격파 속도(420)를 계산할 수 있다.
도 4c는 본 발명의 일 실시예에 따른 정체 여파가 전파되는 도로를 판단하는 과정을 설명하기 위한 예시적인 도면이다. 도 4c를 참조하면, 영향도 예측부(170)는 계산된 충격파에 기초하여 사고에 따른 정체 여파가 제 2 링크로 도달하는 시간 및 거리를 예측할 수 있다. 예를 들어, 영향도 예측부(170)는 복수의 노드 및 복수의 노드 간에 연결된 복수의 링크에 기초하여 형성된 맵을 이용하여 사고가 발생한 제 1 링크(430)와 연결된 중심 노드(440, 제 1 링크의 주행 방향과 반대 방향에 위치한 노드)의 유형, 중심 노드(440)와 연결된 복수의 제 2 링크(441, 442)의 속성 정보 및 충격파 속도에 기초하여 사고에 따른 정체 여파가 제 2 링크(441, 442)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 5a 및 도 5b는 본 발명의 일 실시예에 따른 그래프 모델을 적용하여 가상의 도로 환경에 대한 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 5a는 본 발명의 일 실시예에 따른 복수의 노드 및 복수의 링크로 구성된 현재의 도로 환경을 도시한 예시적인 도면이다. 도 5a를 참조하면, 교통 정보 예측 장치(100)는 중심 노드(500)가 사거리의 교차로로 구성된 경우, 그래프 모델에 기초하여 교통 정보를 예측할 수 있다.
도 5b는 본 발명의 일 실시예에 따른 복수의 노드 및 복수의 링크로 구성된 가상의 도로 환경을 도시한 예시적인 도면이다. 도 5b를 참조하면, 사거리의 도로 환경에서 링크(510)가 추가 신설되어 중심 노드(500)가 오거리의 교차로로 구성될 예정인 경우, 교통 정보 예측 장치(100)는 그래프 모델에 기초하여 교통 정보를 예측할 수 있다. 예를 들어, 교통 정보 예측 장치(100)는 사거리의 중심 노드(500)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 6은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 그래프 모델 기반의 교통 정보를 예측하는 방법의 순서도이다. 도 6에 도시된 교통 정보 예측 장치(100)에서 그래프 모델 기반의 교통 정보를 예측하는 방법은 도 1 내지 도 5b에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 5b에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 그래프 모델 기반의 교통 정보를 예측하는 방법에도 적용된다.
단계 S610에서 교통 정보 예측 장치(100)는 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다.
단계 S620에서 교통 정보 예측 장치(100)는 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 S630에서 교통 정보 예측 장치(100)는 비음영 링크의 속도 및 음영 링크의 속도에 기초하여 그래프 모델을 생성할 수 있다.
단계 S640에서 교통 정보 예측 장치(100)는 그래프 모델을 속도 예측 모델에 입력하여 복수의 링크의 특정 미래의 속도를 예측할 수 있다.
상술한 설명에서, 단계 S610 내지 S640은 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.
도 1 내지 도 6을 통해 설명된 교통 정보 예측 장치에서 그래프 모델 기반의 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 6을 통해 설명된 교통 정보 예측 장치에서 그래프 모델 기반의 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
110: 학습부
120: 속도 수집부
130: 링크 속도 도출부
140: 그래프 모델 생성부
150: 링크 속도 예측부
160: 사고 발생 정보 수신부
170: 영향도 예측부

Claims (20)

  1. 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델 기반 교통 정보 예측 방법에 있어서,
    속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집하는 단계;
    상기 복수의 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 노드에 연결된 복수의 음영 링크의 속도를 도출하는 단계;
    상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 단계; 및
    상기 그래프 모델을 속도 예측 모델에 입력하여 상기 복수의 링크의 특정 미래의 속도를 예측하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  2. 제 1 항에 있어서,
    상기 복수의 음영 링크의 속도를 도출하는 단계는,
    상기 비음영 링크의 속도, 제한속도 및 차선 수 중 적어도 하나에 기초하여 상기 비음영 노드의 밀도를 계산하는 단계를 포함하는 것인, 교통 정보 예측 방법.
  3. 제 1 항에 있어서,
    상기 복수의 음영 링크의 속도를 도출하는 단계는,
    상기 음영 노드와 인접한 복수의 인접 노드의 밀도 및 상기 음영 노드와 상기 복수의 인접 노드 간의 거리에 기초하여 상기 음영 노드의 밀도를 보간하는 단계를 포함하는 것인, 교통 정보 예측 방법.
  4. 제 1 항에 있어서,
    상기 복수의 음영 링크의 속도를 도출하는 단계는,
    크리깅(Kriging) 보간법에 기초하여 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하는 단계를 포함하는 것인, 교통 정보 예측 방법.
  5. 제 1 항에 있어서,
    상기 그래프 모델은 중심 노드에 연결된 적어도 하나의 링크의 속도, 상기 중심 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도 및 상기 중심 노드에 연결된 적어도 하나의 링크의 차선 수 중 적어도 하나를 포함하는 것인, 교통 정보 예측 방법.
  6. 제 1 항에 있어서,
    상기 그래프 모델을 생성하는 단계는
    T 시간에서의 상기 비음영 링크의 속도 및 상기 음영 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 포함하는 상기 그래프 모델을 생성하는 단계를 포함하고,
    상기 복수의 링크의 특정 미래의 속도를 예측하는 단계는,
    상기 T 시간에서의 상기 그래프 모델을 상기 속도 예측 모델에 입력하는 단계; 및
    T+1 시간에서의 상기 비음영 링크의 속도 및 상기 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 출력하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  7. 제 1 항에 있어서,
    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.
  8. 제 7 항에 있어서,
    상기 영향도를 예측하는 단계는,
    상기 사고가 발생된 제 1 링크의 속성 정보를 상기 교통 흐름 예측 모델에 입력하는 단계; 및
    상기 제 1 링크의 밀도를 출력하는 단계를 포함하는 것인, 교통 정보 예측 방법.
  9. 제 8 항에 있어서,
    상기 속성 정보는 상기 도로의 연속류 유무, 제한 속도, 차선 수 및 속도 중 적어도 하나를 포함하는 것인, 교통 정보 예측 방법.
  10. 제 7 항에 있어서,
    상기 영향도를 예측하는 단계는,
    상기 제 1 링크에서 차선이 감소된 경우, 교통량 감소를 계산하는 단계;
    상기 계산된 제 1 링크에서의 교통량 및 밀도에 기초하여 상기 정체 여파가 상기 제 1 링크에서 상기 제 2 링크로 전파되는 충격파 속도를 계산하는 단계; 및
    상기 계산된 충격파에 기초하여 상기 사고에 따른 정체 여파가 상기 제 2 링크로 도달하는 시간 및 거리를 예측하는 단계를 포함하는 것인, 교통 정보 예측 방법.
  11. 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델 기반 교통 정보 예측 장치에 있어서,
    속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집하는 속도 수집부;
    상기 복수의 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 노드에 연결된 복수의 음영 링크의 속도를 도출하는 링크 속도 도출부;
    상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 그래프 모델 생성부; 및
    상기 그래프 모델을 속도 예측 모델에 입력하여 상기 복수의 링크의 특정 미래의 속도를 예측하는 링크 속도 예측부
    를 포함하는 것인, 교통 정보 예측 장치.
  12. 제 11 항에 있어서,
    상기 링크 속도 도출부는 상기 비음영 링크의 속도, 제한속도 및 차선 수 중 적어도 하나에 기초하여 상기 비음영 노드의 밀도를 계산하는 것인, 교통 정보 예측 장치.
  13. 제 11 항에 있어서,
    상기 링크 속도 도출부는 상기 음영 노드와 인접한 복수의 인접 노드의 밀도 및 상기 음영 노드와 상기 복수의 인접 노드 간의 거리에 기초하여 상기 음영 노드의 밀도를 보간하는 것인, 교통 정보 예측 장치.
  14. 제 11 항에 있어서,
    상기 그래프 모델은 중심 노드에 연결된 적어도 하나의 링크의 속도, 상기 중심 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도 및 상기 중심 노드에 연결된 적어도 하나의 링크의 차선 수 중 적어도 하나를 포함하는 것인, 교통 정보 예측 장치.
  15. 제 11 항에 있어서,
    상기 그래프 모델 생성부는 T 시간에서의 상기 비음영 링크의 속도 및 상기 음영 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 포함하는 상기 그래프 모델을 생성하고,
    상기 링크 속도 예측부는 상기 T 시간에서의 상기 그래프 모델을 상기 속도 예측 모델에 입력하고, T+1 시간에서의 상기 비음영 링크의 속도 및 상기 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 출력하는 것인, 교통 정보 예측 장치.
  16. 제 11 항에 있어서,
    교통 관리 서버로부터 상기 복수의 링크에 대한 사고 발생 정보를 수신하는 사고 발생 정보 수신부; 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 영향도 예측부
    를 더 포함하는 것인, 교통 정보 예측 장치.
  17. 제 16 항에 있어서,
    상기 영향도 예측부는 상기 사고가 발생된 제 1 링크의 속성 정보를 상기 교통 흐름 예측 모델에 입력하고, 상기 제 1 링크의 밀도를 출력하는 것인, 교통 정보 예측 장치.
  18. 제 17 항에 있어서,
    상기 속성 정보는 상기 도로의 연속류 유무, 제한 속도, 차선 수 및 속도 중 적어도 하나를 포함하는 것인, 교통 정보 예측 장치.
  19. 제 16 항에 있어서,
    상기 영향도 예측부는 상기 제 1 링크에서 차선이 감소된 경우, 교통량 감소를 계산하고, 상기 계산된 제 1 링크에서의 교통량 및 밀도에 기초하여 상기 정체 여파가 상기 제 1 링크에서 상기 제 2 링크로 전파되는 충격파 속도를 계산하고, 상기 계산된 충격파에 기초하여 상기 사고에 따른 정체 여파가 상기 제 2 링크로 도달하는 시간 및 거리를 예측하는 것인, 교통 정보 예측 장치.
  20. 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델 기반 교통 정보를 예측하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집하고,
    상기 복수의 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 노드에 연결된 복수의 음영 링크의 속도를 도출하고,
    상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하고,
    상기 그래프 모델을 속도 예측 모델에 입력하여 상기 복수의 링크의 특정 미래의 속도를 예측하는 하는 명령어들의 시퀀스를 포함하는, 매체에 저장된 컴퓨터 프로그램.
KR1020180120401A 2018-10-10 2018-10-10 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 KR102332924B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180120401A KR102332924B1 (ko) 2018-10-10 2018-10-10 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180120401A KR102332924B1 (ko) 2018-10-10 2018-10-10 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20200040462A KR20200040462A (ko) 2020-04-20
KR102332924B1 true KR102332924B1 (ko) 2021-11-30

Family

ID=70467368

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180120401A KR102332924B1 (ko) 2018-10-10 2018-10-10 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102332924B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102611784B1 (ko) * 2021-07-09 2023-12-08 (주)타임소프트 지능형 교차로 차량 흐름 제어시스템 및 그 제어방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101803891B1 (ko) 2017-03-17 2017-12-28 주식회사 트라콤 셀영역별 교통인수와 객체추적 모듈로 이루어진 하이브리드형 셀영역 기반 교통상황 실시간 통보장치 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100515203B1 (ko) * 2002-12-10 2005-09-20 에스케이 주식회사 교통정보 제공 시스템 및 방법
KR20040085357A (ko) * 2003-03-31 2004-10-08 주식회사 케이티 단거리무선통신의 구간별 속도정보 수집 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101803891B1 (ko) 2017-03-17 2017-12-28 주식회사 트라콤 셀영역별 교통인수와 객체추적 모듈로 이루어진 하이브리드형 셀영역 기반 교통상황 실시간 통보장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Zhiyong Cui 외 3. High-Order Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting. arXiv.org > cs > arXiv:1802.07007, 2018. 02.

Also Published As

Publication number Publication date
KR20200040462A (ko) 2020-04-20

Similar Documents

Publication Publication Date Title
KR102267032B1 (ko) 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
US8755991B2 (en) Method and structure for vehicular traffic prediction with link interactions and missing real-time data
US9417069B2 (en) Familiarity modeling
US9536146B2 (en) Determine spatiotemporal causal interactions in data
Fleischmann et al. Time-varying travel times in vehicle routing
Lo et al. Modeling advanced traveler information services: static versus dynamic paradigms
Kotsialos et al. Traffic flow modeling of large-scale motorway networks using the macroscopic modeling tool METANET
CN110375760A (zh) 路线确定方法、装置、设备和介质
Dandl et al. Microsimulation of an autonomous taxi-system in Munich
US6216088B1 (en) Method for determining itinerary data
Yang et al. Travel time reliability using the Hasofer–Lind–Rackwitz–Fiessler algorithm and kernel density estimation
JP2008309789A (ja) 交通情報を生成するための交通情報提供システム、及び方法
US11430330B2 (en) Method for predicting travel time using spatio-temporal model and apparatus thereof
Dong An overview of in-vehicle route guidance system
KR100772511B1 (ko) 교통 예측을 기반으로 하는 최단 경로 검색 방법 및 그장치
JP6234636B1 (ja) 燃費推定システム、燃費推定方法および燃費推定プログラム
KR102332924B1 (ko) 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
Iyer et al. Urban Traffic Congestion Mapping Using Bus Mobility Data.
Daganzo A simple traffic analysis procedure
Yang et al. Connected vehicle enhanced vehicle routing with intersection turning cost estimation
Stipancic et al. Massive GNSS data for road safety analysis: Comparing crash models for several Canadian cities and data sources
Kuswana et al. Number of vehicles and travel time estimation on urban traffic network using Bayesian Network Model and Particle Filtering Method
JP6214827B1 (ja) 燃費推定システム、燃費推定方法および燃費推定プログラム
Jayasheelan et al. Effective route planning in road networks using multi constraint routing algorithm
CN116698054B (zh) 道路匹配方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right