KR102395925B1 - 교통정보 예측 장치 및 방법 - Google Patents

교통정보 예측 장치 및 방법 Download PDF

Info

Publication number
KR102395925B1
KR102395925B1 KR1020170110860A KR20170110860A KR102395925B1 KR 102395925 B1 KR102395925 B1 KR 102395925B1 KR 1020170110860 A KR1020170110860 A KR 1020170110860A KR 20170110860 A KR20170110860 A KR 20170110860A KR 102395925 B1 KR102395925 B1 KR 102395925B1
Authority
KR
South Korea
Prior art keywords
traffic information
map matching
data
unit
map
Prior art date
Application number
KR1020170110860A
Other languages
English (en)
Other versions
KR20190024154A (ko
Inventor
김태경
유병용
Original Assignee
현대오토에버 주식회사
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 현대오토에버 주식회사 filed Critical 현대오토에버 주식회사
Priority to KR1020170110860A priority Critical patent/KR102395925B1/ko
Priority to PCT/KR2017/015487 priority patent/WO2019045194A1/ko
Publication of KR20190024154A publication Critical patent/KR20190024154A/ko
Application granted granted Critical
Publication of KR102395925B1 publication Critical patent/KR102395925B1/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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Abstract

본 발명의 일 측면에 따른 교통정보 예측 장치는 교통정보를 수집하는 교통정보 수집부, 상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 제1 맵매칭부, 차량의 위치정보를 수집하는 위치정보 수집부, 상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 제2 맵매칭부, 및 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 예측 모델 생성부를 포함하는 것을 특징으로 한다.

Description

교통정보 예측 장치 및 방법{APPARATUS FOR FORECASTING TRAFFIC INFORMATION AND METHOD THEREOF}
본 발명은 교통정보 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 일 단위의 교통정보에 기초하여 명일의 교통정보를 예측하기 위한 교통정보 예측 장치 및 방법에 관한 것이다.
내비게이션 장치는 GPS(Global Positioning System) 위성을 통해서 수신받은 차량의 위치 정보를 기반으로 현재 위치를 파악한 후, 내장 또는 수신된 도로 데이터베이스에서 현재의 위치데이터를 읽어 차량의 위치와 함께 디스플레이함으로써, 사용자가 현재 주행하는 도로의 위치를 식별하거나 초행 도로를 주행할 때 목적지를 쉽게 찾을 수 있도록 도와주는 장치이다.
이와 같이 목적지까지의 경로를 안내하는 기술에 있어서는 사용자의 니즈 충족을 위한 기술이 고도화되고 있다. 이때, 목적지까지의 예상 도착시간을 안내하거나 우회 도로를 제안하는 등의 기술이 최적의 효과를 발휘하기 위해서는, 출발지에서 목적지까지 이동하는 경로의 교통정보가 정확하게 예측되어야 한다. 즉, 목적지까지 이동하기 위해 지나쳐야 하는 각각의 링크에서의 교통정보를 정확하게 예측할 수 있어야 교통이 원활한 우회 도로를 제안하거나 예상 도착시간을 안내할 수 있다.
교통정보를 예측하기 위한 방법으로서, 종래에는 내비게이션 서버 또는 내비게이션 단말이 지도의 경로 상의 각 구간별로 같은 요일, 같은 시간대에 수집한 속도를 평균하여 미리 집계해 놓은 패턴 속도를 사용하여 운전자가 원하는 목적지까지의 경로(예컨대, 운전자가 원하는 경로 혹은 소요시간이 가장 짧은 최적 경로)를 탐색하고 탐색한 경로 상의 구간별 소요시간 혹은 최종목적지까지의 소요시간을 산정하여 예측하는 방법이 사용되었다.
다만, 최근에는 여가 시간에 대한 인식의 변화로 인해 주 5일제 근무, 대체 공휴일 및 법정 임시 공휴일 등 각종 공휴일이 증가하고 있으며, 특히 휴일이 집중되어 있는 명절 또는 하계 휴가 기간과 같은 시기에는 주중과 주말의 통행 속도 패턴의 구분이 모호해지고 있다. 따라서, 인위적으로 요일별로 구분하여 미리 설정한 패턴 속도를 통해 운전자에게 예측 교통정보를 제공하는 종래의 교통정보 예측 시스템은 운전자에게 보다 정확한 예측 교통정보를 제공하지 못하는 한계를 갖는다.
본 발명의 배경기술은 대한민국 공개특허공보 제10-2012-0049998호(2012. 05. 18 공개)에 개시되어 있다.
본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 요일별로 구분되어 미리 설정된 패턴 속도를 통해 예측 교통정보를 제공하였던 종래의 교통정보 예측 시스템이 갖는 교통정보 예측 부정확성을 개선하여 보다 정확한 예측 교통정보를 제공할 수 있는 교통정보 예측 장치 및 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 교통정보 예측 장치는 교통정보를 수집하는 교통정보 수집부, 상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 제1 맵매칭부, 차량의 위치정보를 수집하는 위치정보 수집부, 상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 제2 맵매칭부, 및 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 예측 모델 생성부를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 제1 맵매칭부는, 상기 교통정보 수집부로부터 일 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 상기 제1 맵매칭 데이터를 일 단위로 생성하고, 상기 제2 맵매칭부는, 상기 위치정보 수집부로부터 일 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 일 단위로 생성하며, 상기 예측 모델 생성부는, 상기 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 한다.
본 발명에 있어 상기 제2 맵매칭부는, 상기 차량으로부터 최종적으로 전송된 상기 차량의 최종 위치 정보를 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 생성하는 것을 특징으로 한다.
본 발명에 있어 상기 예측 모델 생성부는, 상기 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 상기 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 상기 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 한다.
본 발명은 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 상기 예측 모델 생성부에 의해 생성된 예측 모델을 적용하여 상기 명일의 교통정보를 예측하는 교통정보 예측부를 더 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 교통정보 예측 방법은 교통정보 수집부가, 교통정보를 수집하는 단계, 제1 맵매칭부가, 상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 단계, 위치정보 수집부가, 차량의 위치정보를 수집하는 단계, 제2 맵매칭부가, 상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 단계, 및 예측 모델 생성부가, 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따르면, 본 발명은 실제 교통정보를 기반으로 진행되는 교통정보 예측 학습을 통해 교통정보를 예측함으로써 종래의 교통정보 예측 시스템이 갖는 교통정보 예측 부정확성을 개선할 수 있고, 실제 교통정보과 함께 차량의 위치정보까지 고려하여 교통정보를 예측하기 위한 학습을 수행함으로써 보다 정확하게 교통정보를 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통정보 예측 장치를 설명하기 위한 블록구성도이다.
도 2는 본 발명의 일 실시예에 따른 교통정보 예측 장치에서 제1 및 제2 맵매칭 데이터, 텐서 데이터 및 예측된 명일의 교통정보를 도시한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 교통정보 예측 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 교통정보 예측 장치 및 방법의 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
우선, 본 발명의 일 실시예에 따른 교통정보 예측 장치의 기능을 개괄적으로 설명한다.
전술한 것과 같이, 연휴의 증가로 주중과 주말의 통행 속도 패턴의 구분이 모호해짐에 따라, 인위적으로 요일별로 구분하여 미리 설정한 패턴 속도를 통해 운전자에게 예측 교통정보를 제공하는 종래의 시스템은 그 예측 정확성 측면에서 한계를 갖는 실정이다. 이에 본 실시예는, 차량 운전자는 차량의 최종 위치에서부터 다시 통행을 시작하므로, 차량의 최종 위치 정보를 획득하면 그 이후의 통행 정보를 예측할 수 있는 점에 착안하여 차량의 최종 위치 정보를 통해 이후 교통정보를 예측하는 구성을 채용한다. 예를 들어, 제1일 내지 제4일이 각각 휴일, 휴일, 평일 및 휴일로 구성되는 징검다리 연휴인 것으로 가정할 경우, 제2일의 차량의 최종 위치가 대부분 주거지에 집중되어 있다면 평일인 제3일의 통행 패턴은 통상적인 평일의 통행 패턴일 가능성이 높으며, 반대로 제2일의 차량의 최종 위치가 대부분 휴양지 등에 집중되어 있다면 평일인 제3일의 통행 패턴은 휴일의 통행 패턴일 가능성이 높다.
즉, 본 실시예는 요일별로 일률적으로 구분된 교통정보를 제공하는 종래의 방식에서 벗어나, 전일(前日)의 차량의 최종 위치 정보를 토대로 명일(明日)의 교통정보를 예측하고, 이와 함께 전일의 실제 교통정보를 더 고려하여 명일의 교통정보를 예측함으로써 교통정보의 예측 정확성을 향상시키는 것을 특징으로 한다.
이상에서는 본 실시예의 특징을 설명하기 위해 연휴 기간에 적용되는 예시로서 설명하였으나, 이하에서 설명하는 본 실시예는 연휴 기간뿐만 아니라 통상적인 평일의 교통정보를 예측하는 경우에도 적용될 수 있다.
또한, 용어의 명확한 구분을 위해, 이하에서 표기하는 '제1일'과 '전일'은 동일한 의미인 것으로 정의하고, '제2일'과 '명일'은 동일한 의미한 것으로 가정하며, 제1일 및 제2일은 상대적인 선후 개념을 지시하는 것이고 특정일을 지시하는 것이 아님을 밝혀둔다.
도 1은 본 발명의 일 실시예에 따른 교통정보 예측 장치를 설명하기 위한 블록구성도이고, 도 2는 본 발명의 일 실시예에 따른 교통정보 예측 장치에서 제1 및 제2 맵매칭 데이터, 텐서 데이터 및 예측된 명일의 교통정보를 도시한 예시도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 교통정보 예측 장치는 교통정보 수집부(10), 제1 맵매칭부(20), 위치정보 수집부(30), 제2 맵매칭부(40), 예측 모델 생성부(50), 교통정보 예측부(60) 및 교통정보 제공부(70)를 포함할 수 있다.
교통정보 수집부(10)는 교통정보를 수집할 수 있다. 교통정보 수집부(10)는 교통정보 제공 서버와 같은 외부의 원격 서버로부터 도로의 교통정보를 실시간으로 수집할 수 있다.
위치정보 수집부(30)는 차량의 위치정보를 수집할 수 있다. 위치정보 수집부(30)는 차량에 탑재된 측위 시스템, 이를테면 내비게이션 단말의 GPS 모듈로부터 차량의 위치정보를 수집할 수 있으며, 이에 따라 차량의 위치정보는 GPS 위치좌표를 포함할 수 있다.
제1 맵매칭부(20)는 교통정보 수집부(10)로부터 전달받은 교통정보를 미리 설정된 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성할 수 있다. 도 2(a)는 제1 맵매칭 데이터의 예시를 도시하고 있으며, 제1 맵매칭 데이터는 실제 교통정보를 포함함으로써 교통정보 예측을 위한 예측 모델을 생성하는데 사용되는 기초 데이터로 기능한다.
이때, 제1 맵매칭부(20)는 도로의 교통정보를 실시간으로 수집하는 교통정보 수집부(10)로부터 일(日) 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 제1 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
제1 맵매칭부(20)에 의해 생성된 제1 맵매칭 데이터는 예측 모델 생성부(50)로 입력되어 후술할 제2 맵매칭 데이터와 함께 예측 모델을 생성하는데 사용될 수 있으며, 예측 모델 생성부(50)에 의해 예측 모델이 생성된 이후에는 후술할 교통정보 예측부(60)로 입력되어 명일의 교통정보를 예측하기 위해 사용될 수 있다. 또한, 제1일에 생성된 제1 맵매칭 데이터는 후술할 것과 같이 딥 러닝 방식을 통해 예측 모델을 생성하기 위한 학습 데이터로 사용될 수 있고, 제2일에 생성된 제1 맵매칭 데이터는 딥 러닝 방식을 통해 예측 모델을 생성하기 위한 목표 데이터로 사용될 수 있다. 이에 대한 구체적인 설명은 후술한다.
제2 맵매칭부(40)는 위치정보 수집부(30)로부터 전달받은 위치정보를 미리 설정된 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있다. 도 2(b)는 제2 맵매칭 데이터의 예시를 도시하고 있으며, 제2 맵매칭 데이터는 차량의 위치정보를 포함함으로써 실제 교통정보를 포함하는 제1 맵매칭 데이터를 보완하여 예측 모델의 정확도를 향상시키는 정밀 데이터로 기능한다.
이때, 제2 맵매칭부(40)는 차량으로부터 최종적으로 전송된 차량의 최종 위치 정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있다. 즉, 전술한 것과 같이 차량의 최종 위치 정보가 획득되면 그 이후 차량의 통행 정보를 예측할 수 있으므로, 제2 맵매칭부(40)는 위치정보 수집부(30)에 의해 수집된 차량의 위치 궤적 정보 전체가 아닌, 최종 위치 정보만을 전달받아 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있다.
또한, 제2 맵매칭부(40)는 위치정보 수집부(30)로부터 일(日) 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 제2 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
제2 맵매칭부(40)에 의해 생성된 제2 맵매칭 데이터는 예측 모델 생성부(50)로 입력되어 예측 모델을 생성하는데 사용될 수 있으며, 예측 모델 생성부(50)에 의해 예측 모델이 생성된 이후에는 교통정보 예측부(60)로 입력되어 명일의 교통정보를 예측하기 위해 사용될 수 있다.
한편, 제1 맵매칭부(20)가 제1 맵매칭 데이터를 생성하는데 사용하는 지도데이터와, 제2 맵매칭부(40)가 제2 맵매칭 데이터를 생성하는데 사용하는 지도데이터는 동일한 지도데이터로 설정될 수 있으며, 이는 딥 러닝 방식을 적용하기 위해 제1 및 제2 맵매칭 데이터를 융합하여 텐서 데이터를 생성하기 위한 것이다.
예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. 이때, 예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)에 의해 각각 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. 여기서, 용어의 명확한 구분을 위해 '명일'을 정의하면, 명일은 교통정보 및 차량의 위치정보가 수집된 제1일의 다음날인 제2일을 의미하며, 이에 따라 예측 모델 생성부(50)는 제1일 수집된 교통정보를 토대로 생성된 제1 맵매칭 데이터와, 제1일 수집된 위치정보를 토대로 생성된 제2 맵매칭 데이터가 융합되어 생성된 텐서 데이터(즉, 제1일의 교통정보 및 차량의 위치정보를 포함)에 기초하여, 제1일의 다음날인 제2일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
예측 모델 생성부(50)가 예측 모델을 생성하는 과정을 구체적으로 설명하면, 우선 예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성할 수 있다. 도 2(c)는 텐서 데이터의 예시를 도시하고 있다. 텐서 데이터는 수학적으로 매트릭스로 연산될 수 있는 데이터로서, 텐서 데이터를 생성하는 과정은 매트릭스 기반의 딥 러닝 방식을 적용하기 위한 전제 과정의 의미를 갖는다.
예측 모델 생성부(50)는 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
딥 러닝 방식은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 광의의 관점에서는 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 표현될 수 있다.
예측 모델 생성부(50)가 텐서 데이터에 딥 러닝 방식을 적용하여 예측 모델을 생성하기 위해서는 예측 대상(예측 목표)이 되는 목표 데이터가 요구되며, 이 목표 데이터는 제2일에 제1 맵매칭부(20)가 생성한 제1 맵매칭 데이터가 될 수 있다. 제2일에 생성된 제1 맵매칭 데이터는 교통정보 수집부(10)가 수집한 제2일의 교통정보가 지도데이터에 매칭되어 생성된, 제2일의 실제 교통정보가 반영된 데이터이기 때문에, 딥 러닝 방식을 통해 예측하고자 하는 목표 데이터가 될 수 있다. 즉, 예측 모델 생성부(50)는 텐서 데이터(제1일의 교통정보 및 차량 위치정보를 포함하며 학습 데이터로 기능)와, 제2일에 생성된 제1 맵매칭 데이터(제2일의 교통정보를 포함하며 목표 데이터로 기능)를 입력받고 텐서 데이터 및 제2일에 생성된 제1 맵매칭 데이터 간의 상관 관계를 딥 러닝 방식을 통해 학습함으로써 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
본 실시예에서 예측 모델 생성부(50)는 딥 러닝 방식 중, 합성곱 신경망(CNN: Convolutional Neural Network) 알고리즘을 이용할 수 있으며, 합성곱 신경망 알고리즘을 통해 텐서 데이터 상의 이미지의 특징을 추출하여 유사점을 찾는 방식을 이용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
예측 모델 생성부(50)는 딥 러닝 방식을 통해 제1일의 텐서 데이터 및 제2일에 생성된 제1 맵매칭 데이터 간의 상관 관계를 학습하는 과정을 반복적으로 수행하여 예측 모델을 생성할 수 있으며, 예측 모델을 생성하기 위해 사용되는 제1일의 텐서 데이터 및 제2일에 생성된 제1 맵매칭 데이터의 수는 설계자의 의도 및 실험적 결과에 기초하여 설계될 수 있다.
예측 모델 생성부(50)에 의해 예측 모델 생성이 완료되면, 생성된 예측 모델은 교통정보 예측부(60)로 전달되며, 이에 따라 교통정보 예측부(60)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 예측 모델을 적용하여 명일의 교통정보를 예측할 수 있다. 즉, 예측 모델이 생성된 후, 제1 및 제2 맵매칭 데이터는 예측 모델을 생성하기 위한 학습데이터로 기능하는 것이 아닌, 명일의 교통정보를 예측하기 위한 예측데이터로 기능하며, 교통정보 예측부(60)는 제1 및 제2 맵매칭 데이터에 예측 모델을 적용함으로써 명일의 교통정보를 예측할 수 있다. 도 2(d)는 교통정보 예측부(60)에 의해 예측된 명일의 교통정보의 예시를 도시하고 있다.
교통정보 제공부(70)는 교통정보 예측부(60)로부터 예측된 명일의 교통정보를 전달받아 소정의 사용자 단말로 전송하여 예측된 명일의 교통정보가 차량 운전자에게 제공되도록 할 수 있다. 교통정보 제공부(70)는 예측된 명일의 교통정보를 차량 운전자가 소지한 단말로 전송하여 차량 운전자가 예측된 명일의 교통정보를 육안으로 확인하도록 할 수도 있고, 차량에 탑재된 내비게이션 단말로 전송하여 목적지까지의 최적 경로가 탐색되는데 활용되도록 할 수도 있다.
이상에서는 교통정보 수집부(10), 제1 맵매칭부(20), 위치정보 수집부(30), 제2 맵매칭부(40), 예측 모델 생성부(50), 교통정보 예측부(60) 및 교통정보 제공부(70)를 분리된 구성으로 설명하였으나, 실시예에 따라서는 상기 각 구성(10-70)이 별도의 원격 서버의 형태로 통합된 구성으로 구현될 수도 있다.
도 3은 본 발명의 일 실시예에 따른 교통정보 예측 방법을 설명하기 위한 흐름도이다.
도 3을 참조하여 본 발명의 일 실시예에 따른 교통정보 예측 방법을 설명하면, 먼저 교통정보 수집부(10)는 교통정보를 수집한다(S10). 교통정보 수집부(10)는 교통정보 제공 서버와 같은 외부의 원격 서버로부터 도로의 교통정보를 실시간으로 수집할 수 있다.
이어서, 제1 맵매칭부(20)는 교통정보 수집부(10)로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성한다(S20). 이때, 제1 맵매칭부(20)는 도로의 교통정보를 실시간으로 수집하는 교통정보 수집부(10)로부터 일(日) 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 제1 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
이어서, 위치정보 수집부(30)는 차량의 위치정보를 수집한다(S30). 위치정보 수집부(30)는 차량에 탑재된 측위 시스템, 이를테면 내비게이션 단말의 GPS 모듈로부터 차량의 위치정보를 수집할 수 있다.
이어서, 제2 맵매칭부(40)는 위치정보 수집부(30)로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성한다(S40). 이때, 제2 맵매칭부(40)는 차량으로부터 최종적으로 전송된 차량의 최종 위치 정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있으며, 위치정보 수집부(30)로부터 일(日) 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 제2 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
제1 맵매칭 데이터가 생성되는 S10-S20 단계와, 제2 맵매칭 데이터가 생성되는 S30-S40 단계는 순차적으로 수행되는 시계열적 구성이 아닌, 독립적으로 수행되는 병렬적 구성으로서 그 동작 순서가 상기한 기재 순서에 한정되지 않는다.
이어서, 예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성한다(S50). S50 단계에서 예측 모델 생성부(50)는 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. 그리고, 예측 모델 생성부(50)는 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. S50 단계에서의 예측 모델 생성부(50)의 동작은 전술한 것이므로 구체적인 설명은 생략한다.
예측 모델 생성부(50)에 의해 예측 모델이 생성되면, 교통정보 예측부(60)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 예측 모델 생성부(50)에 의해 생성된 예측 모델을 적용하여 명일의 교통정보를 예측한다(S60).
이어서, 교통정보 제공부(70)는 교통정보 예측부(60)로부터 예측된 명일의 교통정보를 전달받아 소정의 사용자 단말로 전송하여 예측된 명일의 교통정보가 차량 운전자에게 제공되도록 한다(S70).
이와 같이 본 실시예는 실제 교통정보를 기반으로 진행되는 교통정보 예측 학습을 통해 교통정보를 예측함으로써 종래의 교통정보 예측 시스템이 갖는 교통정보 예측 부정확성을 개선할 수 있고, 실제 교통정보과 함께 차량의 위치정보까지 고려하여 교통정보를 예측하기 위한 학습을 수행함으로써 보다 정확하게 교통정보를 예측할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
10: 교통정보 수집부
20: 제1 맵매칭부
30: 위치정보 수집부
40: 제2 맵매칭부
50: 예측 모델 생성부
60: 교통정보 예측부
70: 교통정보 제공부

Claims (10)

  1. 교통정보를 수집하는 교통정보 수집부;
    상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 제1 맵매칭부;
    차량의 위치정보를 수집하는 위치정보 수집부;
    상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 제2 맵매칭부; 및
    상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 예측 모델 생성부;
    를 포함하고,
    상기 제1 맵매칭부는, 상기 교통정보 수집부로부터 일 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 상기 제1 맵매칭 데이터를 일 단위로 생성하고,
    상기 제2 맵매칭부는, 상기 위치정보 수집부로부터 일 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 일 단위로 생성하며,
    상기 예측 모델 생성부는, 상기 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성하고,
    상기 제2 맵매칭부는, 상기 차량으로부터 최종적으로 전송된 상기 차량의 최종 위치 정보를 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 생성하는 것을 특징으로 하는 교통정보 예측 장치.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 예측 모델 생성부는, 상기 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 상기 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 상기 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 장치.
  5. 제1항에 있어서,
    상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 상기 예측 모델 생성부에 의해 생성된 예측 모델을 적용하여 상기 명일의 교통정보를 예측하는 교통정보 예측부;를 더 포함하는 것을 특징으로 하는 교통정보 예측 장치.
  6. 교통정보 수집부가, 교통정보를 수집하는 단계;
    제1 맵매칭부가, 상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 단계;
    위치정보 수집부가, 차량의 위치정보를 수집하는 단계;
    제2 맵매칭부가, 상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 단계; 및
    예측 모델 생성부가, 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 단계;
    를 포함하고,
    상기 제1 맵매칭 데이터를 생성하는 단계에서, 상기 제1 맵매칭부는,
    상기 교통정보 수집부로부터 일 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 상기 제1 맵매칭 데이터를 일 단위로 생성하고,
    상기 제2 맵매칭 데이터를 생성하는 단계에서, 상기 제2 맵매칭부는,
    상기 위치정보 수집부로부터 일 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 일 단위로 생성하고,
    상기 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
    상기 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성하고,
    상기 제2 맵매칭 데이터를 생성하는 단계에서, 상기 제2 맵매칭부는,
    상기 차량으로부터 최종적으로 전송된 상기 차량의 최종 위치 정보를 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 생성하는 것을 특징으로 하는 교통정보 예측 방법.
  7. 삭제
  8. 삭제
  9. 제6항에 있어서,
    상기 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
    상기 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 상기 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 상기 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 방법.
  10. 제6항에 있어서,
    교통정보 예측부가, 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 상기 예측 모델 생성부에 의해 생성된 예측 모델을 적용하여 상기 명일의 교통정보를 예측하는 단계;를 더 포함하는 것을 특징으로 하는 교통정보 예측 방법.
KR1020170110860A 2017-08-31 2017-08-31 교통정보 예측 장치 및 방법 KR102395925B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170110860A KR102395925B1 (ko) 2017-08-31 2017-08-31 교통정보 예측 장치 및 방법
PCT/KR2017/015487 WO2019045194A1 (ko) 2017-08-31 2017-12-26 교통정보 예측 장치, 방법 및 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170110860A KR102395925B1 (ko) 2017-08-31 2017-08-31 교통정보 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190024154A KR20190024154A (ko) 2019-03-08
KR102395925B1 true KR102395925B1 (ko) 2022-05-09

Family

ID=65525794

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170110860A KR102395925B1 (ko) 2017-08-31 2017-08-31 교통정보 예측 장치 및 방법

Country Status (2)

Country Link
KR (1) KR102395925B1 (ko)
WO (1) WO2019045194A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102254765B1 (ko) * 2020-11-10 2021-05-24 한국건설기술연구원 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법
CN112528931B (zh) * 2020-12-22 2024-03-15 阿波罗智联(北京)科技有限公司 用于生成位置预测信息的方法、装置以及自动驾驶车辆

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007187514A (ja) 2006-01-12 2007-07-26 Honda Motor Co Ltd ナビサーバおよびナビ装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060059925A (ko) * 2006-04-19 2006-06-02 주식회사 로티스 교통 정보 가공 방법
KR20120029707A (ko) * 2010-09-17 2012-03-27 현대엠엔소프트 주식회사 교통예측정보 표시방법 및 교통예측정보를 표시하는 내비게이션 장치
KR20140059342A (ko) * 2012-11-07 2014-05-16 한국도로공사 교통 예보 제공 시스템 및 제공 방법
KR20140128063A (ko) * 2013-04-26 2014-11-05 한국교통연구원 교통 상황 예측 시스템
KR102018583B1 (ko) * 2013-11-29 2019-09-05 현대엠엔소프트 주식회사 교통정보 제공 장치 및 그 방법
KR20160036710A (ko) * 2014-09-25 2016-04-05 주식회사 유투앤 미래 교통 상황 예측 시스템
KR102274403B1 (ko) * 2014-10-28 2021-07-07 현대엠엔소프트 주식회사 교통정보 예측장치 및 그 제어방법
KR101742043B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007187514A (ja) 2006-01-12 2007-07-26 Honda Motor Co Ltd ナビサーバおよびナビ装置

Also Published As

Publication number Publication date
WO2019045194A1 (ko) 2019-03-07
KR20190024154A (ko) 2019-03-08

Similar Documents

Publication Publication Date Title
JP5291935B2 (ja) オブジェクトの将来の動きを予測するための装置および方法
US9513132B2 (en) Measuring quality in optimal navigation routes by navigation systems
JP6094543B2 (ja) 出発地・目的地抽出装置、出発地・目的地抽出方法
CN107305131A (zh) 以节点为中心的导航优化
US11022457B2 (en) Method, apparatus, and computer program product for lane-level route guidance
CN109937344A (zh) 用于产生电子地图的段的分布曲线数据的方法和系统
CN103245348A (zh) 路径引导系统、路径引导服务器装置以及导航终端装置
CN105683712A (zh) 用于获得多模式路线的方法及系统
CN107270925B (zh) 一种用户车辆导航系统、装置及方法
CN111260948A (zh) 交通信息服务装置和方法
CN105683019A (zh) 车辆的区域自适应计算机辅助或自动驾驶
CN104677364A (zh) 创建包含交叉点的通行时间的地图数据的方法
US20080294337A1 (en) Travel-related information processing system
US20170011627A1 (en) Traffic-light cycle length estimation device
CN104677367A (zh) 基于路径预测的兴趣点搜索方法
CN101358856A (zh) 导航装置、导航方法及导航系统
US10982969B2 (en) Method, apparatus, and computer program product for lane-level route guidance
CN103942312B (zh) 公交换乘线路规划方法和装置
CN110646004B (zh) 一种基于路况预测的智能导航方法及装置
US20230273040A1 (en) System and method of creating custom dynamic neighborhoods for individual drivers
US20220207208A1 (en) Variable system for simulating operation of autonomous vehicles
JP5794453B2 (ja) ナビゲーションシステム、ナビゲーションプログラム、及びナビゲーション方法
KR102395925B1 (ko) 교통정보 예측 장치 및 방법
KR20180121240A (ko) 빅데이터를 활용한 대중교통 통행시간 예측/예보 시스템
CN116698075B (zh) 路网数据处理方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant