KR102359902B1 - 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 - Google Patents
빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 Download PDFInfo
- Publication number
- KR102359902B1 KR102359902B1 KR1020200046971A KR20200046971A KR102359902B1 KR 102359902 B1 KR102359902 B1 KR 102359902B1 KR 1020200046971 A KR1020200046971 A KR 1020200046971A KR 20200046971 A KR20200046971 A KR 20200046971A KR 102359902 B1 KR102359902 B1 KR 102359902B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- service level
- intersection
- artificial intelligence
- traffic
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012731 temporal analysis Methods 0.000 claims description 6
- 238000000700 time series analysis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/30—Transportation; Communications
-
- G06Q50/40—
Abstract
본 발명에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법은, 저장매체에 저장된 빅데이터 및 인공지능 기반 교차로 서비스수준 예측 프로그램이 설치된 관리서버를 통해 수행되는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 교차로 서비스수준과 상관관계를 가지는 복수 개의 교통 관계데이터를 수집하는 (a)단계, 상기 (a)단계에 의해 수집된 교통 관계데이터에 대해 전처리를 수행하는 (b)단계, 상기 전처리된 교통 관계데이터로부터, 기 설정된 시간단위 기준에 따라 교차로의 각 유입부에 대한 차량 당 제어지체 값을 산출하는 (c)단계, 상기 (c)단계에 의해 산출된 차량 당 제어지체 값을 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계 및 상기 (d)단계에 의해 상기 인공신경망이 학습한 모델을 통해 교차로 서비스수준을 예측하는 (e)단계를 포함한다.
Description
본 발명은 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체에 관한 것으로서, 보다 상세하게는 교차로 서비스수준과 상관관계를 가진 교통 관계데이터를 수집하고, 이에 대해 인공지능 기반의 시계열 분석을 수행하여 교차로 서비스수준을 정밀하고 높은 신뢰도로 예측 가능하도록 하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체에 관한 것이다.
최근에는 도로 이용자들에 의한 교통정보 수요 증가와 효율적인 도로 이용을 위해, 지능형 교통 시스템(ITS, Intelligent Transport Systems)의 일환으로서 교통정보를 수집하여 제공하는 시스템의 개발이 활발히 이루어지고 있다.
이와 같은 지능형 교통 시스템은 교통수단 및 교통시설에 전자제어 및 통신 등 첨단 기술을 접목하여 교통정보 및 서비스를 제공하고 이를 활용함으로써 교통 체계의 운영 및 관리를 과학화, 자동화하고, 교통의 효율성 및 안정성을 향상시키는 것을 목적으로 한다. 따라서 이러한 측면에서 빅데이터와 인공지능 기술을 기반으로 하는 지능형 교통 시스템의 개발이 필요한 시점이다.
현재의 지능형 교통 시스템에서는 실시간 데이터를 수집하고 활용하고 있지만 인프라 개설에 대한 많은 비용이 발생함에도 불구하고 활용 범위가 국소적인 단점이 있다. 이러한 실시간 데이터를 활용하여 교통상황에 대한 예측 결과를 제공한다면 교통체계 효율화에 많은 도움이 될 것으로 판단된다.
한편 교차로는 방향이 다른 두 개 이상의 도로가 만나는 곳으로 교통시스템 중에서 가장 복잡한 지점이다. 따라서 여러 방향의 이동류가 한 지점을 안전하고 효율적으로 통과하기 위해서는 통행권을 순차적으로 할당하는 교통신호가 있어야 한다.
연속 교통류의 서비스수준을 분석하는 데는 교통량과 그 분포, 교통구성 및 도로의 기하특성을 고려해야 하지만, 교차로의 서비스수준을 분석하는 데는 이러한 조건 외에 신호시간 및 신호운영 방식 등을 추가로 고려하여야 할 필요가 있다.
이때 서비스수준이라 함은 영문으로 Level of Service(LOS)로 표기하며, 교통류의 질적 수준, 즉 교통류의 운영 상태를 나타내는 것으로 운전자 또는 승객의 정성적인 평가 기준으로 적용할 수 있다.
최근에는 도로 및 교통 여건의 급격한 변화로 교통 혼잡에 따른 물류비 상승 및 교통사고 증가 등 경제적 비용을 초래하고 있는 상황이나, 현재 교차로 서비스수준 지표는 GPS 및 교통시뮬레이션만을 통해 예측하는 것에 그치고 있어 많은 비용과 인프라가 소요되고 있어 비효율적이라는 문제가 있다.
따라서 이와 같은 문제점들을 해결하기 위한 방법이 요구된다.
본 발명은 상술한 종래 기술의 문제점을 해결하기 위하여 안출된 발명으로서, 교통 관계데이터를 이용하여 교차로 서비스수준을 정밀하고 높은 신뢰도로 예측하고, 예측한 교차로 서비스수준을 통해 교통 체계의 운영을 원활히 하고 관리의 효율성을 증가시키기 위한 목적을 가진다.
또한 본 발명은 예측한 결과를 교통관련 기관에 온라인 서비스 형태로 제공함으로써 교통관련 기관 운영에 따른 소요비용을 절감시키기 위한 목적을 가진다.
본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기한 목적을 달성하기 위한 본 발명의 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법은, 저장매체에 저장된 빅데이터 및 인공지능 기반 교차로 서비스수준 예측 프로그램이 설치된 관리서버를 통해 수행되는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 교차로 서비스수준과 상관관계를 가지는 복수 개의 교통 관계데이터를 수집하는 (a)단계, 상기 (a)단계에 의해 수집된 교통 관계데이터에 대해 전처리를 수행하는 (b)단계, 상기 전처리된 교통 관계데이터로부터, 기 설정된 시간단위 기준에 따라 교차로의 각 유입부에 대한 차량 당 제어지체 값을 산출하는 (c)단계, 상기 (c)단계에 의해 산출된 차량 당 제어지체 값을 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계 및 상기 (d)단계에 의해 상기 인공신경망이 학습한 모델을 통해 교차로 서비스수준을 예측하는 (e)단계를 포함한다.
여기서 상기 교통 관계데이터는, CCTV영상데이터, 도로정보데이터, 신호정보데이터 및 기상정보데이터 중 적어도 어느 하나 이상을 포함할 수 있다.
그리고 상기 (a)단계는, 교차로 서비스수준에 관련된 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 하여 상기 교통 관계데이터를 수집할 수 있다.
또한 상기 (a)단계는, 상기 교차로 서비스수준에 관련된 데이터베이스로부터 정형데이터를 수집하고, 상기 온라인 서비스로부터 비정형데이터를 수집할 수 있다.
그리고 상기 (b)단계는, 상기 (a)단계에 의해 수집된 교통 관계데이터를 기 설정된 분류기준에 따라 그룹화하는 (b-1)단계, 상기 (b-1)단계에 의해 그룹화된 교통 관계데이터를 최저지정수치와 최대지정수치 사이의 값으로 크기변환(Scaling)하는 (b-2)단계, 수치형 데이터로 인식되는 시간정보데이터를 범주화형 데이터로 변환하는 (b-3)단계 및 상기 교통 관계데이터 및 상기 시간정보데이터에 대해, 시계열 분석을 위한 데이터 시계열화를 수행하는 (b-4)단계를 포함할 수 있다.
이때 상기 (b-1)단계는, 상기 복수 개의 교통 관계데이터 간의 서로 다른 수집단위를 통일하기 위해, 수집된 상기 교통 관계데이터 중 가장 큰 단위를 가지는 교통 관계데이터를 기준으로 하여 기 설정된 시간단위로 데이터를 그룹화할 수 있다.
더불어 상기 (b-2)단계는,
(dataN: 생성된 데이터 값, dataO: 기존의 값 데이터 값, min: 최저지정수치, max: 최대지정수치)의 식을 통해 크기변환을 수행할 수 있다.
그리고 상기 (b-2)단계에서 상기 최저지정수치는 0으로 설정되고, 상기 최대지정수치는 1로 설정될 수 있다.
또한 상기 (b-4)단계는, 상기 교통 관계데이터 및 상기 시간정보데이터를 계절 주기의 주기데이터로 변환하여 데이터 시계열화를 수행할 수 있다.
그리고 상기 (d)단계는, 상기 인공신경망의 은닉층을 n개(n은 1 이상의 자연수)의 레이어로 구성하는 (d-1)단계, n개의 레이어에 대한 은닉노드를 각각 구성하고, 상기 (b)단계에 의해 전처리된 교통 관계데이터를 상기 인공신경망에 입력데이터로 할당하는 (d-2)단계 및 상기 (d-2)단계에 의해 은닉노드가 구성된 인공신경망을 통해 기 설정된 시간단위로 학습 및 평가를 수행하는 (d-3)단계를 포함할 수 있다.
또한 상기 (d-2)단계는, 레이어의 일련번호가 1씩 증가할수록 상기 은닉노드의 수가 1/2로 감소하도록 은닉노드를 구성할 수 있다.
한편 이상과 같은 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법은, 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 저장매체 형태로 제공될 수 있다.
상기한 과제를 해결하기 위한 본 발명의 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체는, 교차로 서비스수준 산출 및 예측을 통해 교통 체계의 운영을 원활화하고 관리의 효율성을 증가시켜 운영 과정에서 소요되는 비용을 크게 절감할 수 있는 장점을 가진다.
또한 본 발명은 교차로 교통 관련데이터의 수집 및 데이터베이스 생성을 통해 정보의 규모가 방대한 빅데이터를 이용하여 신뢰도 및 정확도가 높은 결과를 제공하여 운영 효율성 및 안정성을 증가시킬 수 있는 장점이 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법의 각 단계를 나타낸 도면;
도 2는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 교통 관계데이터의 분류를 나타낸 도면;
도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 수집된 교통 관계데이터에 대해 전처리를 수행하는 과정을 나타낸 도면;
도 4는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 전처리된 교통 관계데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 과정을 나타낸 도면;
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 전처리된 교통 관계데이터를 사용하는 인공신경망의 구조를 나타낸 도면; 및
도 6은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 차량 당 제어지체 값에 따른 교차로 서비스수준 구분 테이블을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 교통 관계데이터의 분류를 나타낸 도면;
도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 수집된 교통 관계데이터에 대해 전처리를 수행하는 과정을 나타낸 도면;
도 4는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 전처리된 교통 관계데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 과정을 나타낸 도면;
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 전처리된 교통 관계데이터를 사용하는 인공신경망의 구조를 나타낸 도면; 및
도 6은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 차량 당 제어지체 값에 따른 교차로 서비스수준 구분 테이블을 나타낸 도면이다.
이하 본 발명의 목적이 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명한다. 본 실시예를 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며 이에 따른 부가적인 설명은 생략하기로 한다.
본 발명에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법은 저장매체에 저장된 빅데이터 및 인공지능 기반 교차로 서비스수준 예측용 프로그램이 설치된 관리서버를 통해 수행되는 것으로서, 상기 관리서버에 설치되어 상기 관리서버의 프로세서에 의해 구동될 수 있다.
또한 이에 의해 구동된 빅데이터 및 인공지능 기반 교차로 서비스수준 예측용 프로그램은 디스플레이 모듈 등 영상 출력장치를 통해 출력될 수 있으며, 시각화된 그래픽 유저 인터페이스를 통해 사용자에게 가시적인 정보를 제공할 수 있다.
특히 상기 빅데이터 및 인공지능 기반 교차로 서비스수준 예측용 프로그램이 저장된 저장매체는 이동식 디스크나 통신망을 이용하여 상기 관리서버에 설치될 수 있으며, 상기 빅데이터 및 인공지능 기반 교차로 서비스수준 예측용 프로그램은 상기 관리서버가 다양한 기능적 수단으로 운용되도록 할 수 있다. 즉 본 발명은 소프트웨어에 의한 정보 처리가 하드웨어를 통해 구체적으로 실현된다.
이하에서는 상기 관리서버를 통해 실행되는 본 발명의 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법의 알고리즘에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법의 각 단계를 나타낸 도면이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법은, 교차로 서비스수준과 상관관계를 가지는 복수 개의 교통 관계데이터를 수집하는 (a)단계와, 상기 (a)단계에 의해 수집된 교통 관계데이터에 대해 전처리를 수행하는 (b)단계와, 상기 전처리된 교통 관계데이터로부터, 기 설정된 시간단위 기준에 따라 교차로의 각 유입부에 대한 차량 당 제어지체 값을 산출하는 (c)단계와, 상기 (c)단계에 의해 산출된 차량 당 제어지체 값을 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계와, 상기 (d)단계에 의해 상기 인공신경망이 학습한 모델을 통해 교차로 서비스수준을 예측하는 (e)단계를 포함한다.
이하에서는 상기한 각 단계에 대해 보다 구체적으로 설명하도록 한다.
먼저, 교차로 서비스수준과 상관관계를 가지는 복수 개의 교통 관계데이터를 수집하는 (a)단계가 수행된다.
본 단계에서는 다양한 교통 관계데이터를 임의의 조건에 따라 수집할 수 있으며, 특히 교차로 서비스수준에 관련된 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 하여 상기 교통 관계데이터를 수집하는 것으로 할 수 있다.
서비스수준(Level of Service, LOS)이라 함은 교통류의 질적 수준, 즉 교통류의 운영 상태를 나타내는 것으로 운전자 또는 승객의 정성적인 평가 기준으로 적용하게 된다. 그리고 본 단계에서 교차로 서비스수준에 대한 교통 관계데이터의 상관관계도는 선택적인 기준에 의해 정의될 수 있다.
그리고 교차로 서비스수준에 관련된 데이터베이스는 교차로 서비스수준 산출 및 예측과 상관관계를 가진 정보의 수집을 목적으로 구축된 특정 데이터베이스를 말하는 것이며, 예컨대 특정 지역의 CCTV에서 획득할 수 있는 영상정보 데이터, 교통체계관련 공공단체 등과 같은 기관으로부터 획득할 수 있는 정보와 정보 수집을 목적으로 설치한 기상 측정 장치와 같은 장비들로부터 획득할 수 있는 정보 등을 말한다.
또한 상기 온라인 서비스라 함은 교통관계 공공기관의 해당 교통체계 운영 및 관리 또는 네비게이션과 같이 교통흐름에 관련한 서비스를 제공하는 목적으로 하는 시스템 및 단체에 제공될 수 있는 온라인 서비스 매체를 말한다.
이와 같은 온라인 서비스는 어느 하나의 특정 서비스만으로 제한되는 것이 아니며, 또한 향후 등장할 미래의 온라인 서비스를 포함할 수 있음은 물론이다.
또한 상기 (a)단계의 경우, 상기 교차로 서비스수준에 관련된 데이터베이스로부터 정형데이터를 수집하고, 상기 온라인 서비스로부터 비정형데이터를 수집하는 것으로 할 수 있으나, 이와 같은 방법만으로 제한되는 것이 아님은 물론이다.
더불어 상기 (a)단계는 기 설정된 시간단위에 따라 교통 관계데이터를 수집하는 것으로 할 수 있으며, 기 설정된 시간단위는 다양한 기준에 의해 설정될 수 있다. 예컨대, 상기 (a)단계에서의 기 설정된 시간 단위는 1시간 단위이거나, 또는 1시간 이하의 단시간 단위일 수 있으며, 실시간에 근접한 단위일 수 있다.
도 2는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 교통 관계데이터의 분류를 나타낸 도면이다.
도 2에 도시된 바와 같이, 상기 교통 관계데이터는 예컨대 CCTV영상데이터, 도로정보데이터, 신호정보데이터 및 기상정보데이터 중 적어도 어느 하나 이상을 포함할 수 있다.
또한 보다 세부적으로 상기 CCTV영상데이터는 보행자 수, 직진차량 수, 좌회전 차량 수, 우회전 차량 수, 유턴 차량 수 등의 하위 정보들을 포함할 수 있으며, 상기 도로정보데이터는 링크길이, 차선정보, 기타정보 등을, 상기 신호정보데이터는 신호구분, 신호시간 등의 하위 데이터를 포함할 수 있다. 그리고 상기 기상정보데이터는 온도, 강수량, 풍속 등과 같은 하위 데이터를 포함할 수 있다.
다음으로, 상기 (a)단계에 의해 수집된 교통 관계데이터에 대해 전처리를 수행하는 (b)단계가 수행된다. 본 단계에서는 이후 교차로 서비스수준 예측을 위해 수집된 상기 교통 관계데이터를 호환 가능한 소정의 데이터 형태로 전처리하게 된다.
그리고 도 3은 도 3은 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 수집된 교통 관계데이터에 대해 전처리를 수행하는 과정을 나타낸 도면이다.
도 3에 도시된 바와 같이, 상기 (b)단계는 상기 (a)단계에 의해 수집된 교통 관계데이터를 기 설정된 분류기준에 따라 그룹화하는 (b-1)단계와, 상기 (b-1)단계에 의해 그룹화된 교통 관계데이터를 최저지정수치와 최대지정수치 사이의 값으로 크기변환(Scaling)하는 (b-2)단계와, 수치형 데이터로 인식되는 시간정보데이터를 범주화형 데이터로 변환하는 (b-3)단계와, 상기 교통 관계데이터 및 상기 시간정보데이터에 대해, 시계열 분석을 위한 데이터 시계열화를 수행하는 (b-4)단계를 포함한다.
상기 (b-1)단계에서는, 수집된 복수 개의 교통 관계데이터를 임의로 설정된 분류기준에 맞추어 n개의 그룹으로 분류하게 된다.
이때 (b-1)단계의 경우 상기 복수 개의 교통 관계데이터 간의 서로 다른 수집단위를 통일하기 위해, 수집된 상기 교통 관계데이터 중 가장 큰 단위를 가지는 교통 관계데이터를 기준으로 하여 기 설정된 시간단위로 데이터를 그룹화하는 것으로 할 수 있다.
또한 상기 (b-2)단계의 경우, 교통 관계데이터를 정량적인 수치로서 나타낼 수 있도록 하기 위해 임의로 설정된 최저지정수치와 최대지정수치 사이의 값으로 크기변환을 수행하게 된다.
그리고 본 실시예에서 이와 같은 상기 (b-2)단계는,
(dataN: 생성된 데이터 값, dataO: 기존의 값 데이터 값, min: 최저지정수치, max: 최대지정수치)
의 식을 통해 크기변환을 수행하는 것으로 할 수 있으며, 또한 상기 최저지정수치는 0으로 설정하고, 상기 최대지정수치는 1로 설정하는 것으로 하였다. 다만, 본 실시예에서의 상기 최저지정수치 및 상기 최대지정수치의 설정은 하나의 예시로서 제시된 것이며, 상기 최저지정수치 및 상기 최대지정수치는 다양하게 정의될 수 있음은 물론이다.
즉 본 실시예에서는 이와 같은 과정을 통해 수집된 교통 관계데이터가 인공신경망 학습에 유리하도록 0~1사이의 값으로 변환된다.
그리고 상기 (b-3)단계는, 시간정보데이터를 범주화형 데이터로 변환하는 과정이 수행되며, 이는 상기 시간정보데이터를 인공신경망 기반의 모델에서 숫자를 범주화하지 않을 경우 인공신경망에서 수치형으로 인식되는 문제가 발생할 수 있기 때문이다.
또한 상기 (c-3)단계의 경우, 상기 교통 관계데이터 및 상기 시간정보데이터에 대해 시계열 분석을 위한 데이터 시계열화를 수행하게 되며, 본 실시예에서는 상기 교통 관계데이터 및 상기 시간정보데이터를 계절 주기의 주기데이터로 변환하여 데이터 시계열화를 수행하는 것으로 하였다.
여기서 계절 주기라 함은 특정기간 동안 유사한 경향의 추세를 보이는 계절성을 가지는 주기를 말하는 것이며, 본 실시예에서는 이를 24시간 기준으로 설정하였으나 주기데이터의 주기는 다양한 기준에 의해 정해질 수 있을 것이다.
다음으로, 상기 (b)단계에 의해 전처리된 교통 관계데이터로부터, 기 설정된 시간단위 기준에 따라 교차로의 각 유입부에 대한 차량 당 제어지체 값을 산출하는 (c)단계와, 상기 (c)단계에 의해 산출된 차량 당 제어지체 값을 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계가 각각 수행된다.
본 실시예에서 상기 (c)단계는 상기 교통 관계데이터를 활용하여 임의의 참고자료, 예컨대 도로용량편람 등에 기재된 방식 등을 통해 우선적으로 교차로의 각 유입부마다의 차량 당 제어지체를 계산하는 것으로 하였으며, 상기 (d)단계에서는 이와 같이 산출된 차량 당 제어지체 값을 인공신경망에 입력데이터로 입력하여 학습 및 평가하게 된다.
도 4는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 전처리된 교통 관계데이터를 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 과정을 나타낸 도면이며, 도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서, 전처리된 교통 관계데이터를 사용하는 인공신경망의 구조를 나타낸 도면이다.
도 4에 도시된 바와 같이, 상기 (d)단계는 세부적으로 상기 인공신경망의 은닉층을 n개(n은 1 이상의 자연수)의 레이어로 구성하는 (d-1)단계와, n개의 레이어에 대한 은닉노드를 각각 구성하고, 상기 (c)단계에 의해 전처리된 교통 관계데이터를 상기 인공신경망에 입력데이터로 할당하는 (d-2)단계와, 상기 (d-2)단계에 의해 은닉노드가 구성된 인공신경망을 통해 기 설정된 시간단위로 학습 및 평가를 수행하는 (d-3)단계를 포함할 수 있다.
그리고 이와 같은 각 단계에서는 도 5에 도시된 바와 같이 시계열 분석에 사용되는 RNN(Recurrent Neural Network)의 구조인 LSTM(Long Short-Term Memory)모델을 사용할 수 있다.
이를 위해 상기 (d-1)단계에서는 상기 인공신경망의 은닉층을 n개(n은 2 이상의 자연수)의 레이어로 구성한 뒤, (d-2)단계에서 n개의 레이어에 대한 은닉노드를 각각 구성하게 된다.
이때 본 실시예에서 상기 (d-2)단계에서는, 레이어의 일련번호가 1씩 증가할수록 상기 은닉노드의 수가 1/2로 감소하도록 은닉노드를 구성하는 것으로 하였다. 하지만, 이는 본 실시예만으로 제한되는 것은 아니며 레이어에 따른 은닉노드의 수는 다양하게 구성할 수 있음은 물론이다.
특히 도 5에 나타난 본 실시예 나타난 인공신경망에서는 은닉층을 2개의 레이어로 형성하고, 각 레이어의 은닉노드의 개수는 각각 32개 및 16개인 것으로 설정하였으나, 이러한 매개 변수의 경우 정량적인 값을 가지지 않기 때문에 반복적인 학습을 통해 변경될 수 있음은 물론이다.
그리고 인공신경망의 출력 데이터는 교차로의 차량 당 제어지체 값에 관한 것으로, 반복적인 학습을 통해 도출된 교차로의 차량 당 제어지체 값과 전술한 (c)단계에서 정의 및 수집된 차량 된 제어지체 값과 비교 평가하여 인공신경망의 매개변수를 결정할 수 있다.
더불어 상기 (d)단계에서 말하는 기 설정된 시간 단위는 다양한 기준에 의해 설정될 수 있다. 예컨대, 상기 (d)단계에서의 기 설정된 시간 단위는 1시간 단위이거나, 또는 1시간 이하의 단시간 단위일 수 있으며, 실시간에 근접한 단위일 수 있다. 이는 교통체계관련 데이터베이스 및 온라인 서비스의 이용자의 요구에 따라 정의될 수 있다.
다음으로, 상기 (d)단계에 의해 상기 인공신경망이 학습한 모델을 통해 교차로 서비스수준을 예측하는 (e)단계가 수행된다.
상기 (e)단계 역시 기 설정된 시간단위로 교차로 서비스수준을 예측하는 것으로 할 수 있으며, 상기 (e)단계에서의 기 설정된 시간 단위 역시 전술한 단계들과 마찬가지로 1시간 단위이거나, 또는 1시간 이하의 단시간 단위일 수 있으며, 실시간에 근접한 단위일 수 있다.
또한 본 실시예에서 상기 (e)단계는 도 6에 나타난 차량 당 제어지체 값에 따른 교차로 서비스수준 구분 테이블을 통해 교차로 서비스수준을 예측하여 도출할 수 있다.
즉 도 6에 도시된 교차로 서비스수준 구분 테이블에 나타난 바와 같이, 차량 당 제어지체 값의 구간에 따라 서비스수준을 랭크하여 매칭할 수 있으며, 본 단계에서는 이를 통해 교차로 서비스수준을 예측하게 된다.
본 발명은 이상과 같은 과정을 통해 교통 체계의 운영을 원활하게 하고 관리 효율성을 증가시켜 운영 과정에서의 소요비용을 절감할 수 있는 장점을 가진다. 뿐만 아니라 교통 관련데이터의 수집 및 데이터베이스 생성을 통해 정보의 규모가 방대한 빅데이터를 이용하여 신뢰도 및 정확도가 높은 결과를 제공하여 효율성과 안정성을 증가시킬 수 있게 된다.
그리고 이후, 이와 같은 분석 결과를 가시화하여 관리서버로부터 사용자에게 제공할 수 있으며, 사용자는 사용자 단말기 등에 가시화된 분석 결과를 통해 다양한 활동에 활용이 가능하다.
이상과 같이 본 발명에 따른 바람직한 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.
Claims (12)
- 저장매체에 저장된 빅데이터 및 인공지능 기반 교차로 서비스수준 예측 프로그램이 설치된 관리서버를 통해 수행되는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법에 있어서,
교차로 서비스수준과 상관관계를 가지는 복수 개의 교통 관계데이터를 수집하는 (a)단계;
상기 (a)단계에 의해 수집된 교통 관계데이터에 대해 전처리를 수행하는 (b)단계;
상기 전처리된 교통 관계데이터로부터, 기 설정된 시간단위 기준에 따라 교차로의 각 유입부에 대한 차량 당 제어지체 값을 산출하는 (c)단계;
상기 (c)단계에 의해 산출된 차량 당 제어지체 값을 인공신경망에 입력데이터로 입력하고, 기 설정된 시간단위로 학습 및 평가하는 (d)단계; 및
상기 (d)단계에 의해 상기 인공신경망이 학습한 모델을 통해 교차로 서비스수준을 예측하는 (e)단계;
를 포함하며,
상기 (b)단계는,
상기 (a)단계에 의해 수집된 교통 관계데이터를 기 설정된 분류기준에 따라 그룹화하는 (b-1)단계;
상기 (b-1)단계에 의해 그룹화된 교통 관계데이터를 최저지정수치와 최대지정수치 사이의 값으로 크기변환(Scaling)하는 (b-2)단계;
수치형 데이터로 인식되는 시간정보데이터를 범주화형 데이터로 변환하는 (b-3)단계; 및
상기 교통 관계데이터 및 상기 시간정보데이터에 대해, 시계열 분석을 위한 데이터 시계열화를 수행하는 (b-4)단계;
를 포함하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제1항에 있어서,
상기 교통 관계데이터는,
CCTV영상데이터, 도로정보데이터, 신호정보데이터 및 기상정보데이터 중 적어도 어느 하나 이상을 포함하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제1항에 있어서,
상기 (a)단계는,
교차로 서비스수준에 관련된 데이터베이스 및 온라인 서비스 중 적어도 어느 하나를 대상으로 하여 상기 교통 관계데이터를 수집하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제3항에 있어서,
상기 (a)단계는,
상기 교차로 서비스수준에 관련된 데이터베이스로부터 정형데이터를 수집하고, 상기 온라인 서비스로부터 비정형데이터를 수집하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 삭제
- 제1항에 있어서,
상기 (b-1)단계는,
상기 복수 개의 교통 관계데이터 간의 서로 다른 수집단위를 통일하기 위해, 수집된 상기 교통 관계데이터 중 가장 큰 단위를 가지는 교통 관계데이터를 기준으로 하여 기 설정된 시간단위로 데이터를 그룹화하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제1항에 있어서,
상기 (b-2)단계는,
(dataN: 생성된 데이터 값, dataO: 기존의 값 데이터 값, min: 최저지정수치, max: 최대지정수치)
의 식을 통해 크기변환을 수행하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제7항에 있어서,
상기 (b-2)단계에서 상기 최저지정수치는 0으로 설정되고, 상기 최대지정수치는 1로 설정되는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제1항에 있어서,
상기 (b-4)단계는,
상기 교통 관계데이터 및 상기 시간정보데이터를 계절 주기의 주기데이터로 변환하여 데이터 시계열화를 수행하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제1항에 있어서,
상기 (d)단계는,
상기 인공신경망의 은닉층을 n개(n은 1 이상의 자연수)의 레이어로 구성하는 (d-1)단계;
n개의 레이어에 대한 은닉노드를 각각 구성하고, 상기 (b)단계에 의해 전처리된 교통 관계데이터를 상기 인공신경망에 입력데이터로 할당하는 (d-2)단계; 및
상기 (d-2)단계에 의해 은닉노드가 구성된 인공신경망을 통해 기 설정된 시간단위로 학습 및 평가를 수행하는 (d-3)단계;
를 포함하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 제10항에 있어서,
상기 (d-2)단계는,
레이어의 일련번호가 1씩 증가할수록 상기 은닉노드의 수가 1/2로 감소하도록 은닉노드를 구성하는 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법. - 컴퓨터에 제1항 내지 제4항, 제6항 내지 제11항 중 어느 한 항의 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 저장매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200046971A KR102359902B1 (ko) | 2020-04-17 | 2020-04-17 | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200046971A KR102359902B1 (ko) | 2020-04-17 | 2020-04-17 | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20210128823A KR20210128823A (ko) | 2021-10-27 |
| KR102359902B1 true KR102359902B1 (ko) | 2022-02-09 |
| KR102359902B9 KR102359902B9 (ko) | 2023-04-12 |
Family
ID=78287383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200046971A KR102359902B1 (ko) | 2020-04-17 | 2020-04-17 | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102359902B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102510542B1 (ko) | 2022-04-06 | 2023-03-15 | 주식회사 건인티엔에스 | 스마트 교차로를 위한 3차원 통합 모니터링 시스템 및 그 방법 |
| KR20230169630A (ko) | 2022-06-09 | 2023-12-18 | 한밭대학교 산학협력단 | 도심의 신호교차로와 링크에 대한 교통 빅데이터를 구축할 수 있는 교통 빅데이터 구축 시스템 및 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101123967B1 (ko) * | 2010-12-31 | 2012-03-23 | 경희대학교 산학협력단 | 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체 |
| KR101942491B1 (ko) | 2018-11-08 | 2019-04-11 | 주식회사 싸인텔레콤 | 도로교통 상황 모니터링 관제·실시간 교통정보 분석·교통신호제어로 이루어진 인공지능형 cctv통합관제중개제어모듈을 갖는 cctv통합관제센터시스템 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100532140B1 (ko) * | 2002-12-30 | 2005-11-29 | 에스케이 주식회사 | 교통정보를 가공하여 제공하는 교통정보 제공장치 |
| KR101137200B1 (ko) * | 2008-06-03 | 2012-04-19 | 주식회사 포스코아이씨티 | 교통흐름 시뮬레이션 결과 출력장치 및 이를 포함하는교통흐름 시뮬레이션 시스템 |
| KR101385057B1 (ko) * | 2012-08-30 | 2014-04-14 | 경희대학교 산학협력단 | Ｉｔｓ 데이터를 활용한 도심 구간의 정체도 예측 방법 |
| JP6595375B2 (ja) | 2016-03-10 | 2019-10-23 | 株式会社デンソー | 交通状況解析装置、交通状況解析方法、及び、交通状況解析プログラム |
-
2020
- 2020-04-17 KR KR1020200046971A patent/KR102359902B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101123967B1 (ko) * | 2010-12-31 | 2012-03-23 | 경희대학교 산학협력단 | 교통 정체 예측 시스템, 예측 방법 및 그 기록 매체 |
| KR101942491B1 (ko) | 2018-11-08 | 2019-04-11 | 주식회사 싸인텔레콤 | 도로교통 상황 모니터링 관제·실시간 교통정보 분석·교통신호제어로 이루어진 인공지능형 cctv통합관제중개제어모듈을 갖는 cctv통합관제센터시스템 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102510542B1 (ko) | 2022-04-06 | 2023-03-15 | 주식회사 건인티엔에스 | 스마트 교차로를 위한 3차원 통합 모니터링 시스템 및 그 방법 |
| KR20230169630A (ko) | 2022-06-09 | 2023-12-18 | 한밭대학교 산학협력단 | 도심의 신호교차로와 링크에 대한 교통 빅데이터를 구축할 수 있는 교통 빅데이터 구축 시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210128823A (ko) | 2021-10-27 |
| KR102359902B9 (ko) | 2023-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
| Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
| CN110570651A (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| CN109459050B (zh) | 导航路线的推荐方法及其装置 | |
| CN113034913A (zh) | 交通拥堵预测方法、装置、设备及存储介质 | |
| KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
| CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
| US20230140289A1 (en) | Traffic accident prediction systems and methods | |
| CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
| US11908317B2 (en) | Real-time traffic safety management system | |
| CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
| Shoman et al. | Deep learning framework for predicting bus delays on multiple routes using heterogenous datasets | |
| CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
| CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
| Gore et al. | Congestion index and reliability-based freeway level of service | |
| CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
| Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| Leite et al. | Context-sensitive modeling of public transport data | |
| Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed | |
| Casas et al. | Decision Support Systems (DSS) for traffic management assessment: Notes on current methodology and future requirements for the implementation of a DSS | |
| Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
| Xu et al. | Applying finite mixture models to New York City travel times | |
| Raj et al. | Evaluation of perception and nonperception based approaches for modeling urban road level of service | |
| Ghosh et al. | Vulnerability assessment of urban intersections apropos of incident impact on road network and identification of critical intersections |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| G170 | Re-publication after modification of scope of protection [patent] |