KR102362694B1 - 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 - Google Patents

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

Info

Publication number
KR102362694B1
KR102362694B1 KR1020180120389A KR20180120389A KR102362694B1 KR 102362694 B1 KR102362694 B1 KR 102362694B1 KR 1020180120389 A KR1020180120389 A KR 1020180120389A KR 20180120389 A KR20180120389 A KR 20180120389A KR 102362694 B1 KR102362694 B1 KR 102362694B1
Authority
KR
South Korea
Prior art keywords
traffic information
image
traffic
target area
cells
Prior art date
Application number
KR1020180120389A
Other languages
English (en)
Other versions
KR20200040457A (ko
Inventor
정원우
김일명
지병석
홍정희
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 KR1020180120389A priority Critical patent/KR102362694B1/ko
Publication of KR20200040457A publication Critical patent/KR20200040457A/ko
Application granted granted Critical
Publication of KR102362694B1 publication Critical patent/KR102362694B1/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Abstract

이미지 기반 교통 정보 예측 방법은 교통 데이터를 수집하는 단계, 상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 단계 및 상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 단계를 포함한다.

Description

이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR PREDICTING TRAFFIC INFORMATION BASED ON IMAGE}
본 발명은 이미지 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
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 실시간 시간 관계성뿐만 아니라 실시간 공간 관계성을 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 정보의 예측하는 이미지 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, 교통 데이터를 수집하는 단계, 상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 단계 및 상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 단계를 포함하는 교통 정보 예측 방법을 제공할 수 있다.
본 발명의 다른 실시예는, 교통 데이터를 수집하는 수집부, 상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 이미지 생성부 및 상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 교통 정보 예측부를 포함하는 교통 정보 예측 장치를 제공할 수 있다.
본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 교통 데이터를 수집하고, 상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하고, 상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 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 공간 관계성을 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 정보의 예측하는 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
또한, 이미지 기반의 학습 및 예측을 통해 대상 도로의 정보뿐만 아니라 주위 도로의 교통 상황 정보를 함께 반영하여 교통 정보를 예측함으로써 교통 정보의 예측 정확도를 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치의 구성도이다.
도 2a 내지 도 2g는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 이미지를 생성하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a 내지 도 3c는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지에 시간 정보를 표현하는 과정을 설명하기 위한 예시적인 도면이다.
도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 미래의 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 이미지 기반 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 수집부(110), 이미지 생성부(120), 학습부(130) 및 교통 정보 예측부(140)를 포함할 수 있다.
수집부(110)는 교통 데이터를 수집할 수 있다. 예를 들어, 수집부(110)는 차량의 GPS 위도/경도 좌표, 상행/하행 방위각 및 차량 속도 등을 포함하는 교통 데이터를 수집할 수 있다.
이미지 생성부(120)는 대상 영역을 복수의 셀로 분할할 수 있다. 예를 들어, 이미지 생성부(120)는 GPS(Global Positioning System)의 소수점 단위를 이용하여 대상 영역을 최소 단위의 복수의 셀로 분할할 수 있다.
이미지 생성부(120)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(120)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(120)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(120)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(120)는 이미지 상의 링크에 대응하는 위치 정보를 포함하는 위치 정보 테이블을 이용하여 각 링크가 어느 셀에 포함되는지를 파악할 수 있다.
이미지 생성부(120)는 교통 데이터에 기초하여 복수의 셀 각각의 교통 현황을 복수의 단계 중 하나로 설정할 수 있다. 예를 들어, 이미지 생성부(120)는 복수의 셀 각각의 교통 현황을 원활, 정상, 정체 등으로 설정할 수 있다.
이미지 생성부(120)는 복수의 셀 각각에 매핑된 교통 정보에 기초하여 복수의 셀 각각의 지도 색을 다르게 표현할 수 있다. 예를 들어, 이미지 생성부(120)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(120)는 이미지를 압축할 수 있다. 이 때, 이미지 생성부(120)는 서로 인접한 복수의 셀(예를 들어, 4개의 셀)을 그룹핑(도 2d에서의 중간 단위 셀)할 수 있다.
이미지 생성부(120)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(120)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(120)는 그룹핑된 복수의 셀을 그룹핑된 복수의 셀 각각에 대한 가장 비중이 높은 교통 현황의 단계를 가지는 셀로 축소할 수 있다.
즉, 이미지 생성부(120)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(120)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(120)는 누락된 링크에 대한 교통 정보를 재매핑할 수 있다. 예를 들어, 이미지 생성부(120)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(120)는 이미지에 교통 정보에 대응하는 시간 정보를 표현할 수 있다. 이 때, 이미지 생성부(120)는 시간 정보에 기초하여 이미지의 밝기 값을 조절할 수 있다. 예를 들어, 이미지 생성부(120)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(120)는 교통 정보 예측부(140)에서 출력된 T+1 시간에서의 교통 정보에 기초하여 T+1 시간에서의 교통 정보가 표현된 이미지를 생성할 수 있다.
학습부(130)는 생성된 이미지를 이용하여 미래의 교통 정보를 예측할 수 있도록 머신러닝 모델, 예컨대 딥러닝 모델을 학습할 수 있다. 여기서, 학습에 이용되는 이미지는 대상 영역의 과거의 교통 정보가 표현된 이미지일 수 있다.
예를 들어, 학습부(130)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, 학습부(130)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. 학습부(130)는 상술한 과정을 반복하면서 학습을 수행할 수 있다.
교통 정보 예측부(140)는 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다. 이후, 교통 정보 예측부(140)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(140)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(140)는 이미지 생성부(120)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(140)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 2a 내지 도 2g는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 이미지를 생성하는 과정을 설명하기 위한 예시적인 도면이다.
도 2a를 참조하면, 교통 정보 예측 장치(100)는 GIS(Geographic Information System)를 통해 대상 영역의 지도(200)를 수집할 수 있다. 여기서, 대상 영역의 지도(200)는 복수의 링크(도로, 201)를 포함할 수 있다.
도 2b를 참조하면, 교통 정보 예측 장치(100)는 지도의 대상 영역을 복수의 셀(210)로 분할하고, 복수의 셀 각각에 교통 정보를 매핑할 수 있다.
도 2c를 참조하면, 교통 정보 예측 장치(100)는 GPS(Global Positioning System) 정보에 기초하여 복수의 셀(210) 각각에 위치 정보(211, 212)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, 교통 정보 예측 장치(100)는 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 2d를 참조하면, 교통 정보 예측 장치(100)는 서로 인접한 복수의 셀을 그룹핑(220)할 수 있다. 예를 들어, 교통 정보 예측 장치(100)는 최소 단위의 4개의 셀을 하나의 중간 단위의 셀로 그룹핑(220)할 수 있다.
도 2d 및 도 2e를 참조하면, 교통 정보 예측 장치(100)는 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 2e의 도면부호 230과 같이, 교통 정보 예측 장치(100)는 중간 단위의 셀로 그룹핑(220)된 복수의 셀 중 2개의 셀이 파란색으로 표현되고, 1개의 셀이 빨간색으로 표현되고, 1개의 셀이 무색으로 표현된 경우, 교통 정보 예측 장치(100)는 그룹핑(220)된 셀을 복수의 셀에서 가장 많은 색을 차지하는 색으로 표현할 수 있다.
도 2f를 참조하면, 교통 정보 예측 장치(100)는 링크 관계성에 기초하여 셀의 축소로 인해 손실된 정보가 복구되도록 정보를 저장할 수 있다. 예를 들어, 교통 정보 예측 장치(100)는 빨간색 셀의 동쪽에 위치한 셀(240)을 오렌지 색으로 수정하고, 노란색 셀의 남쪽에 위치한 셀(241)을 오렌지 색으로 수정하고, 노란색 셀의 동쪽에 위치한 셀(242)을 녹색으로 수정되도록 정보를 저장하고, 이를 재매핑할 수 있다.
도 2g를 참조하면, 교통 정보 예측 장치(100)는 최종으로 NxN 크기의 셀에서 1x1 크기의 셀로 압축된 이미지를 생성할 수 있다. 도면부호 250은 4개의 셀이 하나의 교통 현황의 단계를 가지는 하나의 셀로 압축된 것을 나타내고 있다.
도 3a 내지 도 3c는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지에 시간 정보를 표현하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지를 도시한 예시적인 도면이다. 도 3a를 참조하면, 교통 정보 예측 장치(100)는 지도의 대상 영역을 셀 단위로 분할하고, 셀 단위로 교통 정보에 대한 이미지를 표현할 수 있다.
도 3b는 본 발명의 일 실시예에 따른 시간 정보가 표현된 이미지를 도시한 예시적인 도면이다. 도 3b를 참조하면, 교통 정보 예측 장치(100)는 셀 단위로 교통 정보가 표현된 이미지에 대해 시간 정보를 추가로 표현할 수 있다. 예를 들어, 교통 정보 예측 장치(100)는 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 3c는 본 발명의 일 실시예에 따른 교통 정보와 시간 정보가 혼합되어 표현된 이미지를 도시한 예시적인 도면이다. 도 3a 내지 도 3c를 참조하면, 교통 정보 예측 장치(100)는 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 4a 내지 도 4c는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 미래의 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 4a는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지가 머신러닝 모델에 입력되는 과정을 설명하기 위한 예시적인 도면이다. 도 4a를 참조하면, 교통 정보 예측 장치(100)는 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(400), 차량 밀도에 대한 이미지(410) 및 운행 방향에 대한 이미지(420)를 포함할 수 있고, 이러한 이미지들이 모두 머신러닝 모델에 입력될 수 있다.
도 4b는 본 발명의 일 실시예에 따른 현재 시간으로부터 제 1 미래 시간에서의 예측된 교통 정보를 도시한 예시적인 도면이다. 도 4b를 참조하면, 교통 정보 예측 장치(100)는 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.
교통 정보 예측 장치(100)는 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 4c를 참조하면, 교통 정보 예측 장치(100)는 현재 시간인 T 시간(예를 들어, 오후 7시)에 대한 이미지(440)를 머신러닝 모델에 입력하여 미래 시간인 T+1 시간(예를 들어, 오후 8시)에서의 교통 정보를 출력하고, 이에 기초하여 T+1 시간에 대한 이미지(450)를 생성할 수 있다.
이후, 교통 정보 예측 장치(100)는 T+1 시간에 대한 이미지(450)를 머신러닝 모델에 입력하여 T+2 시간에서의 교통 정보를 출력할 수 있다.
교통 정보 예측 장치(100)는 이러한 과정을 반복 수행함으로써, T+N 시간(N은 임의의 자연수)까지도 교통 정보를 예측할 수 있다.
도 5는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 이미지 기반 교통 정보를 예측하는 방법의 순서도이다. 도 5에 도시된 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법은 도 1 내지 도 4c에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 4c에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법에도 적용된다.
단계 S510에서 교통 정보 예측 장치(100)는 교통 데이터를 수집할 수 있다.
단계 S520에서 교통 정보 예측 장치(100)는 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 매핑된 교통 정보가 표현된 대상 영역에 대한 이미지를 생성할 수 있다.
단계 S530에서 교통 정보 예측 장치(100)는 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.
상술한 설명에서, 단계 S510 내지 S530은 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 5를 통해 설명된 교통 정보 예측 장치에서 이미지 기반 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 5를 통해 설명된 교통 정보 예측 장치에서 이미지 기반 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: 수집부
120: 이미지 생성부
130: 학습부
140: 교통 정보 예측부

Claims (20)

  1. 이미지 기반 교통 정보 예측 방법에 있어서,
    교통 데이터를 수집하는 단계;
    상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 단계; 및
    상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 단계
    를 포함하되,
    상기 대상 영역에 대한 이미지를 생성하는 단계는
    서로 인접한 복수의 셀을 그룹핑하는 단계; 및
    상기 그룹핑된 복수의 셀 각각의 교통 현황의 단계에 기초하여 상기 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소하여 상기 이미지를 압축하는 단계
    를 포함하는 것인,
    교통 정보 예측 방법.
  2. 제 1 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.
  3. 제 2 항에 있어서,
    상기 복수의 셀 각각에 매핑된 교통 정보에 기초하여 상기 복수의 셀 각각의 지도 색을 다르게 표현하는 단계
    를 더 포함하는 것인, 교통 정보 예측 방법.
  4. 제 2 항에 있어서,
    상기 복수의 셀 각각에 교통 정보를 매핑하는 단계는
    상기 복수의 셀 각각의 상기 교통 현황을 복수의 단계 중 하나로 설정하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  5. 삭제
  6. 삭제
  7. 제 2 항에 있어서,
    상기 대상 영역을 복수의 셀로 분할하는 단계는
    GPS(Global Positioning System) 정보에 기초하여 상기 복수의 셀 각각에 위치 정보를 매핑하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  8. 삭제
  9. 이미지 기반 교통 정보 예측 방법에 있어서,
    교통 데이터를 수집하는 단계;
    상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 단계; 및
    상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 단계
    를 포함하되,
    상기 대상 영역에 대한 이미지를 생성하는 단계는
    상기 이미지에 상기 교통 정보에 대응하는 시간 정보를 표현하는 단계
    를 더 포함하고,
    상기 이미지에 상기 교통 정보에 대응하는 시간 정보를 표현하는 단계는
    상기 시간 정보에 기초하여 상기 이미지의 밝기 값을 조절하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  10. 제 1 항에 있어서,
    상기 교통 정보는 차량 속도, 차량 밀도 및 운행 방향 중 적어도 하나를 포함하는 것인, 교통 정보 예측 방법.
  11. 제 1 항에 있어서,
    상기 대상 영역의 특정 미래의 교통 정보를 예측하는 단계는
    상기 이미지를 매 단위 시간마다 업데이트하고, 상기 업데이트된 이미지를 상기 머신러닝 모델에 입력하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  12. 제 11 항에 있어서,
    상기 업데이트된 이미지를 상기 머신러닝 모델에 입력하는 단계는
    T 시간에서의 교통 정보가 표현된 이미지를 상기 머신러닝 모델에 입력하는 단계;
    T+1 시간에서의 교통 정보를 출력하는 단계;
    상기 출력된 T+1 시간에서의 교통 정보에 기초하여 상기 T+1 시간에서의 교통 정보가 표현된 이미지를 생성하는 단계; 및
    상기 T+1 시간에서의 교통 정보가 표현된 이미지를 상기 머신러닝 모델에 입력하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  13. 제 1 항에 있어서,
    상기 머신러닝 모델은 CRNN(Chaotic Recurrent Neural Network) 모델인 것인, 교통 정보 예측 방법.
  14. 이미지 기반 교통 정보 예측 장치에 있어서,
    교통 데이터를 수집하는 수집부;
    상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 이미지 생성부; 및
    상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 교통 정보 예측부
    를 포함하되,
    상기 이미지 생성부는 서로 인접한 복수의 셀을 그룹핑하고, 상기 그룹핑된 복수의 셀 각각의 교통 현황의 단계에 기초하여 상기 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소하여 상기 이미지를 압축하는 것인, 교통 정보 예측 장치.
  15. 제 14 항에 있어서,
    상기 이미지 생성부는 상기 대상 영역을 복수의 셀로 분할하고, 상기 복수의 셀 각각에 교통 정보를 매핑하고,
    상기 복수의 셀 각각에 매핑된 교통 정보에 기초하여 상기 복수의 셀 각각의 지도 색을 다르게 표현하는 것인, 교통 정보 예측 장치.
  16. 삭제
  17. 이미지 기반 교통 정보 예측 장치에 있어서,
    교통 데이터를 수집하는 수집부;
    상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 이미지 생성부; 및
    상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 교통 정보 예측부
    를 포함하되,
    상기 이미지 생성부는 상기 이미지에 상기 교통 정보에 대응하는 시간 정보를 표현하고, 상기 시간 정보에 기초하여 상기 이미지의 밝기 값을 조절하는 것인, 교통 정보 예측 장치.
  18. 제 14 항에 있어서,
    상기 교통 정보 예측부는 상기 이미지를 매 단위 시간마다 업데이트하고, 상기 업데이트된 이미지를 상기 머신러닝 모델에 입력하는 것인, 교통 정보 예측 장치.
  19. 제 14 항에 있어서,
    상기 교통 정보 예측부는 T 시간에서의 교통 정보가 표현된 이미지를 상기 머신러닝 모델에 입력하고, T+1 시간에서의 교통 정보를 출력하고, 상기 출력된 T+1 시간에서의 교통 정보에 기초하여 상기 T+1 시간에서의 교통 정보가 표현된 이미지를 생성하고, 상기 T+1 시간에서의 교통 정보가 표현된 이미지를 상기 머신러닝 모델에 입력하는 것인, 교통 정보 예측 장치.
  20. 이미지 기반 교통 정보 예측하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    교통 데이터를 수집하고,
    상기 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 상기 매핑된 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하고,
    상기 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하고,
    서로 인접한 복수의 셀을 그룹핑하고, 상기 그룹핑된 복수의 셀 각각의 교통 현황의 단계에 기초하여 상기 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소하여 상기 이미지를 압축하도록 하는 명령어들의 시퀀스를 포함하는, 매체에 저장된 컴퓨터 프로그램.
KR1020180120389A 2018-10-10 2018-10-10 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 KR102362694B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180120389A KR102362694B1 (ko) 2018-10-10 2018-10-10 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180120389A KR102362694B1 (ko) 2018-10-10 2018-10-10 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20200040457A KR20200040457A (ko) 2020-04-20
KR102362694B1 true KR102362694B1 (ko) 2022-02-14

Family

ID=70467331

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180120389A KR102362694B1 (ko) 2018-10-10 2018-10-10 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102362694B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102533751B1 (ko) * 2020-11-06 2023-05-16 홍익대학교 산학협력단 상가 공실률 예측을 위한 lstm 기반의 공간 분석방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017126122A (ja) * 2016-01-12 2017-07-20 本田技研工業株式会社 交通渋滞予測表示装置及び交通渋滞予測表示プログラム
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101572582B1 (ko) * 2010-07-02 2015-12-01 현대엠엔소프트 주식회사 네비게이션 장치, 교통 예측 서비스 장치, 교통 예측 서비스 시스템 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017126122A (ja) * 2016-01-12 2017-07-20 本田技研工業株式会社 交通渋滞予測表示装置及び交通渋滞予測表示プログラム
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, 2018. 02., pp. 1부.*

Also Published As

Publication number Publication date
KR20200040457A (ko) 2020-04-20

Similar Documents

Publication Publication Date Title
KR102267032B1 (ko) 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
CN112818497B (zh) 交通仿真方法、装置、计算机设备和存储介质
US8928698B2 (en) Compression of road features in map tiles
US6668226B2 (en) Polar coordinate-based isochrone generation
CN103270781B (zh) 移动装置以及用于向其发射数据的方法和系统
US7158149B2 (en) Map data transmitting method, map data transmitting apparatus, information device and map data transmitting system
CN110163065B (zh) 点云数据处理方法、点云数据加载方法、及装置和设备
WO2015000029A1 (en) Evacuation plan design
CN114328780B (zh) 基于六角格的智慧城市地理信息更新方法、设备及介质
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN110021161B (zh) 一种交通流向的预测方法及系统
US20240077331A1 (en) Method of predicting road attributers, data processing system and computer executable code
WO2001063456A2 (en) Data formats and usage for massive point to point route calculation
KR102362694B1 (ko) 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
JP2009002896A (ja) 経路算出装置、経路算出システム、および経路算出方法
CN111080080B (zh) 一种村镇地质灾害风险预估方法及系统
KR20220050507A (ko) Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법
US8457886B2 (en) Method for operating a navigation system
KR20210128823A (ko) 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체
CN116698075A (zh) 路网数据处理方法、装置、电子设备及存储介质
CN112785083B (zh) 到达时间的预估方法、装置、电子设备以及存储介质
CN110660133A (zh) 电子地图的三维抽稀方法和装置
CN114543788A (zh) 结构非结构环境通用的多层全局感知地图构建方法及系统
KR20220125596A (ko) 이미지 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
KR102332924B1 (ko) 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Legal Events

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