KR102398029B1 - Method and System for Predicting of Road Surface Condition Using Spatial Clustering - Google Patents

Method and System for Predicting of Road Surface Condition Using Spatial Clustering Download PDF

Info

Publication number
KR102398029B1
KR102398029B1 KR1020200121428A KR20200121428A KR102398029B1 KR 102398029 B1 KR102398029 B1 KR 102398029B1 KR 1020200121428 A KR1020200121428 A KR 1020200121428A KR 20200121428 A KR20200121428 A KR 20200121428A KR 102398029 B1 KR102398029 B1 KR 102398029B1
Authority
KR
South Korea
Prior art keywords
road surface
surface condition
data
spatial clustering
segments
Prior art date
Application number
KR1020200121428A
Other languages
Korean (ko)
Other versions
KR20220038963A (en
Inventor
이민우
류예종
전용주
김영곤
Original Assignee
디토닉 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 디토닉 주식회사 filed Critical 디토닉 주식회사
Priority to KR1020200121428A priority Critical patent/KR102398029B1/en
Publication of KR20220038963A publication Critical patent/KR20220038963A/en
Application granted granted Critical
Publication of KR102398029B1 publication Critical patent/KR102398029B1/en

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템에 관한 것으로, 본 발명에 따른 방법은 미리 정해진 지역을 촬영한 사진을 복수의 세그먼트로 분할하는 단계 - 상기 복수의 세그먼트는 상기 미리 정해진 지역에 속하는 복수의 하위 지역에 각각 대응함 -, 상기 복수의 세그먼트에 대해서 공간 클러스터링을 수행하고, 상기 공간 클러스터링 수행 결과 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여하는 단계, 상기 복수의 하위 지역의 노면 상태 데이터 및 기상 데이터에 상기 복수의 하위 지역에 부여된 클러스터 인덱스 값을 맵핑한 학습 데이터를 생성하는 단계, 그리고 상기 학습 데이터를 이용하여 노면 상태 예측 모델을 학습하는 단계를 포함한다. 본 발명에 의하면 공간 클러스터링을 이용하여 유사한 특성을 가지는 지역에 동일 인덱스 값을 부여하여 노면 상태 예측 모델을 학습시킴으로써 비관측 지역에 대한 도로 노면 상태 예측을 정확하면서 효율적으로 할 수 있는 장점이 있다.The present invention relates to a method and system for predicting a road surface condition using spatial clustering, wherein the method according to the present invention includes dividing a picture taken in a predetermined area into a plurality of segments - The plurality of segments belonging to the predetermined area corresponding to a plurality of sub-regions, performing spatial clustering on the plurality of segments, and assigning the same cluster index value to sub-regions corresponding to segments grouped into the same cluster as a result of the spatial clustering; generating learning data in which cluster index values assigned to the plurality of subregions are mapped to road surface condition data and weather data of a subregion; and learning a road surface condition prediction model using the learning data. According to the present invention, there is an advantage in that it is possible to accurately and efficiently predict a road surface condition for an unobserved area by applying the same index value to an area having similar characteristics using spatial clustering to learn a road condition prediction model.

Description

공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템{Method and System for Predicting of Road Surface Condition Using Spatial Clustering}Method and System for Predicting of Road Surface Condition Using Spatial Clustering

본 발명은 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for predicting a road surface condition using spatial clustering.

도로 노면 상태(Road Surface Condition) 추정 및 예측은 많은 국가에서 중요한 연구 분야이다. 많은 연구와 통계에서 자동차 사고 건수와 도로의 위험한 노면 상태(예 : 빙판, 눈, 습함) 사이의 선형 관계를 보여 주었으며, 이는 불량 도로 상태가 더 많은 교통 사고를 유발한다는 사실을 보여 준다. 도로 노면 상태 추정에 대한 많은 연구가 있었다.Road surface condition estimation and prediction is an important research area in many countries. Numerous studies and statistics have shown a linear relationship between the number of car accidents and dangerous road surface conditions (eg, icy, snowy, wet) on the road, indicating that poor road conditions cause more traffic accidents. There have been many studies on the estimation of road surface condition.

강수가 발생하면 교통사고 발생 건수가 증가하는 것뿐만 아니라, 발생한 교통사고의 심각도에도 영향을 미친다. Jung et al.(2010)의 연구에 따르면, 젖은 노면이 건조한 노면보다 마찰력이 낮아진다고 한다. 노면이 젖어 마찰력이 낮아지면, 차량의 제동거리가 증가하게 되고, 건조한 노면에서의 사고보다 2~3배 더 심각한 피해를 받을 수 있다(Harold, 2017). 강수 발생에 따른 교통사고 빈도 및 심각도의 감소를 위해 유지 보수 활동을 계속하고 있지만, 운전자의 도로 위험에 대한 인식 역시 높아질 필요가 있다(Jonas et al, 2000). Lee et al.(2018)에 따르면, 비가 내리면 운전자들이 급정지의 비율이 다른 날씨보다 높아지고, 이러한 급격한 운전 행동의 변화는 교통사고를 발생시킬 수 있는 요인이 된다. 따라서, 도로의 관리를 철저하게 함과 동시에 운전자가 도로의 위험도를 인지하고 급격한 운전 행동의 변화를 줄이기 위한 지속적인 노력이 필요하다.Precipitation not only increases the number of traffic accidents, but also affects the severity of traffic accidents. According to a study by Jung et al. (2010), a wet road surface has a lower frictional force than a dry road surface. When the road surface is wet and the frictional force is lowered, the braking distance of the vehicle increases, and damage can be two to three times more serious than an accident on a dry road surface (Harold, 2017). Maintenance activities are continuing to reduce the frequency and severity of traffic accidents caused by precipitation, but drivers' awareness of road hazards also needs to be increased (Jonas et al, 2000). According to Lee et al. (2018), when it rains, drivers have a higher rate of sudden stops than in other weather conditions, and this sudden change in driving behavior is a factor that can cause traffic accidents. Therefore, it is necessary to thoroughly manage the road, and at the same time, make continuous efforts for the driver to recognize the level of danger on the road and to reduce the sudden change in driving behavior.

운전자가 강수로 인한 도로 위험도의 증가를 인지하기 위해서는 비로 인해 노면이 젖거나, 젖은 노면이 영하의 날씨가 유지되어 결빙되는 등 도로의 기상상태에 따른 도로의 상태를 알아야 한다. 기상청에서는 이를 위해 전국적으로 75개의 CCTV 기반의 도로 기상 정보시스템을 설치하고, 도로의 기상상태를 관측하고 있다. 이러한 고정형 장비는 관측한 지점에 대해서는 높은 정확도로 도로 기상 정보를 생성하지만, 거리가 먼 지점의 도로 기상 정보를 높은 정확도로 예측하기는 어렵다. 또한, 맑음, 비, 눈과 같은 강수 상태 정보만을 제공하고 있어, 과거의 강수에 의해 변화된 노면의 상태로 인한 도로의 위험성은 제공하기 어렵다.In order for the driver to recognize the increase in road risk due to precipitation, it is necessary to know the road condition according to the weather conditions of the road, such as wet roads due to rain or freezing wet roads due to sub-zero weather. To this end, the Korea Meteorological Administration has installed 75 CCTV-based road weather information systems nationwide and is monitoring road weather conditions. Although such fixed equipment generates road weather information with high accuracy for an observed point, it is difficult to predict road weather information at a distant point with high accuracy. In addition, since only precipitation state information such as sunny, rain, and snow is provided, it is difficult to provide road risk due to the condition of the road surface changed by past precipitation.

이와 같이 대부분의 종래 연구에서는 움직이는 차량에 부착된 센서 또는 RWIS(Road Weather Information Systems)와 같은 고정 센서에서 수집된 모니터링 데이터를 기반으로 도로 노면 상태를 추정하였으며, 실제로 관측된 지역의 노면 상태 추정 정확도를 향상 시켰다. 그러나 이러한 종래의 접근 방식은 스캔된 영역만 처리할 수 있고 수천 개의 도로에 대한 지속적인 관찰이 필요하기 때문에 근본적인 문제를 해결하는데 제한적이거나 비효율적일 수 있었다.As such, in most of the prior studies, the road surface condition was estimated based on monitoring data collected from a sensor attached to a moving vehicle or a fixed sensor such as RWIS (Road Weather Information Systems), and the accuracy of estimating the road surface condition in the actually observed area improved. However, this conventional approach could be limited or ineffective in solving the underlying problem because it can only process the scanned area and requires continuous observation of thousands of roads.

한편 최근 들어 도로 노면 상태를 공간적으로 추정하기 위한 연구가 이루어지고 있다. 이러한 연구는 도로 주변 환경을 조사하고 도로의 현재 표면 상태에 직접적인 영향을 미치는 강수와 같은 일기 예보를 활용하는 방식을 새롭게 제안하고 있다.Meanwhile, recently, research has been conducted to spatially estimate the road surface condition. These studies are proposing new ways to investigate the road environment and utilize weather forecasts such as precipitation that directly affect the current surface condition of the road.

따라서 본 발명이 해결하고자 하는 비관측 지역에 대한 도로 노면 상태 예측을 정확하면서 효율적으로 할 수 있는 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템을 제공하는 것이다.Accordingly, it is an object of the present invention to provide a method and system for predicting a road surface condition using spatial clustering that can accurately and efficiently predict a road surface condition for an unobserved area to be solved.

상기한 기술적 과제를 해결하기 위한 본 발명에 따른 노면 상태 예측 방법은 미리 정해진 지역을 촬영한 사진을 복수의 세그먼트로 분할하는 단계 - 상기 복수의 세그먼트는 상기 미리 정해진 지역에 속하는 복수의 하위 지역에 각각 대응함 -, 상기 복수의 세그먼트에 대해서 공간 클러스터링을 수행하고, 상기 공간 클러스터링 수행 결과 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여하는 단계, 상기 복수의 하위 지역의 노면 상태 데이터 및 기상 데이터에 상기 복수의 하위 지역에 부여된 클러스터 인덱스 값을 맵핑한 학습 데이터를 생성하는 단계, 그리고 상기 학습 데이터를 이용하여 노면 상태 예측 모델을 학습하는 단계를 포함한다.A road surface condition prediction method according to the present invention for solving the above technical problem includes dividing a picture taken in a predetermined area into a plurality of segments - The plurality of segments are respectively in a plurality of sub-regions belonging to the predetermined area Corresponding -, performing spatial clustering on the plurality of segments, and assigning the same cluster index value to sub-regions corresponding to segments grouped into the same cluster as a result of performing spatial clustering; road surface condition data of the plurality of sub-regions and generating learning data in which the cluster index values assigned to the plurality of subregions are mapped to weather data, and learning a road surface condition prediction model using the learning data.

상기 방법은, 예측 대상 지점에 대응하는 클러스터 인덱스 값 및 기상 데이터를 상기 노면 상태 예측 모델에 입력하여, 상기 예측 대상 지점의 노면 상태를 예측하는 단계를 더 포함한다.The method further includes inputting a cluster index value and weather data corresponding to the prediction target point to the road surface condition prediction model to predict the road surface condition of the prediction target point.

상기 사진은 정사사진(orthophotograph)일 수 있다.The photograph may be an orthophotograph.

상기 공간 클러스터링은 병합 군집(Agglomerative Clustering)을 이용할 수 있다.The spatial clustering may use agglomerative clustering.

상기한 기술적 과제를 해결하기 위한 본 발명에 따른 노면 상태 예측 시스템은 미리 정해진 지역의 강수 정보 및 온도 정보를 포함하는 기상 데이터를 수집하는 기상 데이터 수집부, 노면 상태 및 노면 상태가 수집된 지점의 좌표 정보를 포함하는 노면 상태 데이터를 수집하는 노면 상태 데이터 수집부, 상기 미리 정해진 지역을 촬영한 사진을 복수의 세그먼트로 분할하고 - 상기 복수의 세그먼트는 상기 미리 정해진 지역에 속하는 복수의 하위 지역에 각각 대응함 -, 상기 복수의 세그먼트에 대해서 공간 클러스터링을 수행하며, 상기 공간 클러스터링 수행 결과 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여하고, 상기 복수의 하위 지역의 노면 상태 데이터 및 기상 데이터에 상기 복수의 하위 지역에 부여된 클러스터 인덱스 값을 맵핑한 학습 데이터를 생성하는 데이터 가공부, 그리고 상기 학습 데이터를 이용하여 노면 상태 예측 모델을 학습하는 학습부를 포함한다.A road surface condition prediction system according to the present invention for solving the above technical problem includes a weather data collection unit that collects weather data including precipitation information and temperature information of a predetermined area, a road surface condition and coordinates of a point where the road surface condition is collected A road surface condition data collection unit for collecting road surface condition data including information, dividing a picture taken in the predetermined area into a plurality of segments, wherein the plurality of segments respectively correspond to a plurality of sub-areas belonging to the predetermined area -, spatial clustering is performed on the plurality of segments, and the same cluster index value is assigned to sub-regions corresponding to segments grouped into the same cluster as a result of performing spatial clustering, and road surface condition data and weather data of the plurality of sub-regions and a data processing unit generating learning data by mapping the cluster index values assigned to the plurality of subregions to data, and a learning unit learning a road surface condition prediction model using the learning data.

본 발명에 의하면 공간 클러스터링을 이용하여 유사한 특성을 가지는 지역에 동일 인덱스 값을 부여하여 노면 상태 예측 모델을 학습시킴으로써 비관측 지역에 대한 도로 노면 상태 예측을 정확하면서 효율적으로 할 수 있는 장점이 있다.According to the present invention, there is an advantage in that it is possible to accurately and efficiently predict a road surface condition for an unobserved area by applying the same index value to an area having similar characteristics using spatial clustering to learn a road condition prediction model.

도 1은 본 발명의 일 실시예에 따른 노면 상태 예측 시스템의 구성도이다.
도 2는 본 발명의 실시예에서 이용되는 공간 클러스터링을 설명하기 위해 제공되는 도면이다.
도 3은 본 발명의 일 실시예에 따른 다중 강수 정보 가공을 설명하기 위해 제공되는 도면이다.
도 4는 본 발명의 일 실시예에 따른 노면 상태 예측 시스템의 동작을 설명하는 흐름도이다.1 is a block diagram of a road surface condition prediction system according to an embodiment of the present invention.
2 is a diagram provided to explain spatial clustering used in an embodiment of the present invention.
3 is a view provided to explain multi-precipitation information processing according to an embodiment of the present invention.
4 is a flowchart illustrating an operation of a road surface condition prediction system according to an embodiment of the present invention.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.Then, with reference to the accompanying drawings, the embodiments of the present invention will be described in detail so that those of ordinary skill in the art can easily carry out the present invention.

도 1은 본 발명의 일 실시예에 따른 노면 상태 예측 시스템의 구성도이다.1 is a block diagram of a road surface condition prediction system according to an embodiment of the present invention.

도 1을 참고하면, 본 발명에 따른 노면 상태 예측 시스템(100)은 사진 데이터 획득부(105), 노면 상태 데이터 수집부(110), 기상 데이터 수집부(120), 데이터베이스(130), 데이터 가공부(140), 학습부(150) 및 노면 상태 예측부(160)를 포함할 수 있다.Referring to FIG. 1 , the road surface condition prediction system 100 according to the present invention includes a photo data acquisition unit 105 , a road surface condition data collection unit 110 , a weather data collection unit 120 , a database 130 , and data processing. It may include a unit 140 , a learning unit 150 , and a road surface condition prediction unit 160 .

사진 데이터 획득부(105)는 노면 상태 예측 대상 지역을 포함하는 미리 정해진 지역을 촬영한 사진 데이터를 획득할 수 있다. 여기서 사진 데이터는 하이퍼스펙트럼 이미지(hyperspectral images)로 만들어진 정사사진(Orthophotograph)일 수 있다.The photo data acquisition unit 105 may acquire photo data obtained by photographing a predetermined area including a road surface condition prediction target area. Here, the photo data may be an orthophotograph made of hyperspectral images.

여기서 정사사진은 지표면의 비고(比高)에 의하여 발생하는 사진 상의 각 점의 왜곡을 보정하여 동일 축척이 되도록 지도처럼 만든 영상을 말한다.Here, the orthophoto refers to an image made like a map so that the distortion of each point on the photo caused by the height of the ground is corrected and the scale becomes the same.

원래 항공사진과 인공위성 이미지에는 지형왜곡이 많이 포함되어 있기 때문에, 이를 보정하지 않은 이미지들은 정확성을 신뢰할 수 없다. 이러한 왜곡들은 일반적으로 다양한 시스템, 비시스템적인 오류 (카메라나 센서의 표정, 지형의 굴곡, 지구 곡면, 필름과 스캐너의 왜곡, 측량 오차) 등에 의해 발생하는데 이들을 보정하기 위해서는 정사투영보정에 기반한 공선조건식(collinearity equation)을 이용한다. 공선 조건식을 이용해서 생성된 정사사진은 센서와 카메라의 표정, 지형의 굴곡, 기타 오차들을 제거함으로 정확한 면적이 계산될 수 있는(정확하게 평면으로 펼쳐진) 정사투영이미지를 생성한다. 따라서 정사투영이미지는 지도의 지형적 특성과 사진의 특성을 모두 지닌다. 정사투영이미지 상의 개체들은 자신들의 수직으로 투영된 위치에 존재하기 때문에 이들은 지도상의 전통적인 선이나 기호와 위치적으로 일치하게 된다. 따라서 이 이미지 상에서 측량하는 것은 실제 필드에서 그것과 동일하게 되고, 이러한 특성에 의해서 정사투영이미지는 GIS에서 필요한 정보들을 취득하기 위해 사용되거나 현존하는 GIS 데이터를 갱신하고 유지하기 위한 참조 이미지의 역할을 할 수 있다.Since the original aerial photos and satellite images contain a lot of terrain distortion, the accuracy of the images without correction is unreliable. These distortions are usually caused by various systems and non-systematic errors (camera or sensor expression, terrain curvature, earth curve, film and scanner distortion, and measurement error). (collinearity equation) is used. Orthophotos generated using collinear conditional expressions create orthographic projection images from which accurate areas can be calculated (exactly spread out in a plane) by removing sensor and camera expressions, terrain curvature, and other errors. Therefore, the orthographic projection image has both the topographical characteristics of a map and the characteristics of a photograph. Because objects on orthographic images exist in their vertically projected positions, they positionally coincide with traditional lines or symbols on the map. Therefore, surveying on this image becomes the same as that in the real field, and by this characteristic, the orthographic image can be used to acquire information necessary in GIS or serve as a reference image for updating and maintaining existing GIS data. can

노면 상태 데이터 수집부(110)는 노면 상태 정보, 노면 상태 수집 지점의 위치 정보 및 데이터 수집 시간 정보를 포함하는 노면 상태 데이터를 수집하는 기능을 수행한다. 노면 상태 데이터 수집부(110)는 노면 센서(111)와 GNSS 수신부(115)를 포함할 수 있다.The road surface condition data collection unit 110 collects road surface condition data including road surface condition information, location information of a road condition collection point, and data collection time information. The road surface condition data collection unit 110 may include a road surface sensor 111 and a GNSS receiver 115 .

노면 상태 데이터 수집부(110)를 장착한 도로 정보 수집 차량(도시하지 않음)이 도로를 주행하면서, 노면 센서(111)를 통해 획득되는 도로 노면 상태 정보에 GNSS 수신부(115)로부터 획득되는 GNSS 신호로부터 얻어지는 위치 정보(위도, 경도)와 데이터 수집 시간을 대응시켜 수집할 수 있다. A GNSS signal obtained from the GNSS receiver 115 to road surface condition information obtained through the road sensor 111 while a road information collection vehicle (not shown) equipped with the road surface condition data collection unit 110 drives on a road. It can be collected by matching the location information (latitude, longitude) obtained from the data collection time.

실시예에 따라 노면 상태 데이터 수집부(110) 중 일부는 도로 노면에 설치되어 도로 노면 상태를 수집할 수도 있다. 노면 상태 정보는 도로 노면 상태 타입, 노면 표면 온도, 노면 수막 두께, 외기 온도, 마찰 값 등을 포함할 수 있다.According to an embodiment, some of the road surface condition data collection unit 110 may be installed on the road surface to collect the road surface condition. The road surface condition information may include a road surface condition type, a road surface temperature, a water film thickness, an outside air temperature, a friction value, and the like.

노면 센서(111)는 도로의 노면 상태 타입을 비접촉 방식으로 획득할 수 있다. 도로 노면 상태 타입은 간단하게는 건조(Dry), 습윤(Moist), 젖음(Wet) 등으로 구분할 수 있으며, 보다 자세하게는 살얼음(Slush, Ice or Snow with water), 얼음(Ice) 및 눈 또는 서리(Snow or Hoar Froast) 등을 더 추가하여 구분할 수도 있다. 노면 상태 타입을 구분하는 기준은 실시예에 따라 달라질 수 있다.The road surface sensor 111 may acquire the road surface condition type of the road in a non-contact manner. Road surface condition types can be simply divided into Dry, Moist, and Wet, and in more detail, Slush, Ice or Snow with water, Ice, and Snow or Frost. (Snow or Hoar Froast) can also be added to distinguish. The criterion for classifying the road surface condition type may vary according to the exemplary embodiment.

실시예에 따라 노면 센서(111)는 노면 상태 타입뿐만 아니라 노면 표면 온도, 노면 수막 두께, 외기 온도, 마찰 값 등을 비접촉 방식으로 획득할 수도 있다. 노면 센서(111)를 이용하여 노면 표면 온도, 노면 수막 두께, 외기 온도 및 노면 상태 타입, 마찰 값 등을 비접촉 방식으로 획득하는 방법은 이미 잘 알려져 있으므로 여기서 자세한 설명은 생략한다.According to an embodiment, the road surface sensor 111 may acquire not only the road surface condition type but also the road surface temperature, the road water film thickness, the outside air temperature, the friction value, and the like in a non-contact manner. A method of acquiring a road surface temperature, a road water film thickness, an outdoor temperature, a road surface condition type, a friction value, and the like using the road sensor 111 in a non-contact manner is already well known, and thus a detailed description thereof will be omitted.

노면 상태 데이터 수집부(110)는 수집된 도로 노면 상태 데이터를 메모리(도시하지 않음)에 저장하거나, 통신망(도시하지 않음)을 통해 실시간 또는 미리 정해진 주기별로 정해진 수신처로 전송할 수도 있다.The road surface condition data collection unit 110 may store the collected road surface condition data in a memory (not shown) or transmit it to a designated destination in real time or at predetermined intervals through a communication network (not shown).

기상 정보 수집부(120)는 기상청이나 민간 기상 사업자 등이 운영하는 기상 서버(도시하지 않음)로부터 미리 정해진 지역의 강수 정보 및 온도 정보를 포함하는 기상 데이터를 수집할 수 있다. 기상 정보는 강수량(Precipitation), 온도(Temperature), 습도(Humidity), 풍속(wind speed), 풍향(Wind direction), 일광(Sunlight), 일조(Sunshine), 해수면 대기압(Sea surface atmospheric pressure) 등을 포함할 수 있다. 강수량은 강우량과 강설량을 포함한 양이다.The meteorological information collection unit 120 may collect meteorological data including precipitation information and temperature information of a predetermined area from a weather server (not shown) operated by a meteorological agency or a private meteorological operator. Weather information includes Precipitation, Temperature, Humidity, wind speed, Wind direction, Sunlight, Sunshine, Sea surface atmospheric pressure, etc. may include Precipitation is a quantity that includes rainfall and snowfall.

기상 정보 수집부(120)는 기상청에서 운영 중인 자동기상관측장비(AWS; Automatic Weather System) 등에서 제공하는 기상 데이터를 수집할 수 있다.The weather information collection unit 120 may collect weather data provided by Automatic Weather System (AWS) operated by the Korea Meteorological Administration.

데이터베이스(130)는 사진 데이터 획득부(105)에서 획득된 정사사진, 노면 상태 데이터 수집부(110)에서 수집된 노면 상태 데이터와 기상 정보 획득부(120)에서 수집된 기상 데이터를 저장할 수 있다.The database 130 may store the orthophoto obtained by the photo data obtaining unit 105 , the road condition data collected by the road surface condition data collecting unit 110 , and the meteorological data collected by the weather information obtaining unit 120 .

데이터 가공부(140)는 노면 상태 예측 대상 지역에 속하는 복수의 하위 지역에 대해서 클러스터 인덱스 값을 부여할 수 있다.The data processing unit 140 may assign a cluster index value to a plurality of sub-regions belonging to the road surface condition prediction target area.

도 2는 본 발명의 실시예에서 이용되는 공간 클러스터링을 설명하기 위해 제공되는 도면이다.2 is a diagram provided to explain spatial clustering used in an embodiment of the present invention.

도 2를 참고하면, 먼저 미리 정해진 지역을 촬영한 사진(1)을 복수의 세그먼트(2)로 분할할 수 있다(S1). Referring to FIG. 2 , first, a picture 1 of a predetermined area may be divided into a plurality of segments 2 ( S1 ).

도 2에서는 8 X 8 개의 세그먼트(2)로 분할된 사진(1)을 나타낸 것이다. 복수의 세그먼트(2)는 사진(1)에 해당하는 미리 정해진 지역에 속하는 복수의 하위 지역에 각각 대응하며, 동일한 크기를 가진다. 실시예에 따라 세그먼트(2)의 크기는 다르게 조정될 수도 있다.2 shows a picture 1 divided into 8 X 8 segments 2 . The plurality of segments 2 respectively correspond to a plurality of sub-regions belonging to a predetermined region corresponding to the photo 1 and have the same size. Depending on the embodiment, the size of the segment 2 may be adjusted differently.

다음으로 복수의 세그먼트(2)에 대해서 공간 클러스터링(spatial clustering)을 수행할 수 있다(S2). 여기서 공간 클러스터링은 유사한 특성을 공유하고 다른 클러스터와 명시적으로 다른 공간 이미지들을 그룹화하는 방법을 의미한다. 공간 클러스터링 방법은 병합 군집(Agglomerative Clustering)이 이용될 수 있다. Next, spatial clustering may be performed on the plurality of segments 2 ( S2 ). Here, spatial clustering refers to a method of grouping spatial images that share similar characteristics and are explicitly different from other clusters. As the spatial clustering method, agglomerative clustering may be used.

병합 군집은 시작 시 각 포인트(세그먼트)를 하나의 클러스터로 지정하고, 그 다음 특정 종료 조건이 만족할 때까지 가장 비슷한 두 클러스터를 합치고, 지정된 개수의 클러스터가 남을 때까지 비슷한 클러스터를 합치는 과정을 반복하는 것을 의미한다. 즉 사진(1)을 분할해서 획득한 각 세그먼트(2)를 하나의 클러스터로 지정하고 유사한 특성을 가지는 클러스터를 병합하는 과정을 미리 정해진 조건을 만족할 때까지 반복하는 방식으로 병합 군집을 수행할 수 있다. The merge cluster designates each point (segment) as a cluster at the start, then merges the two most similar clusters until a specific end condition is satisfied, and repeats the process of merging similar clusters until a specified number of clusters remain. means to do That is, each segment (2) obtained by dividing the photo (1) is designated as one cluster, and the process of merging clusters having similar characteristics is repeated until a predetermined condition is satisfied. .

데이터 가공부(140)는 이러한 병합 군집 수행 결과 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여할 수 있다(S3). 한편 실시예에 따라서 각 세그먼트(2)에 K-평균 알고리즘을 적용하고 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여하는 것도 가능하다.The data processing unit 140 may assign the same cluster index value to a subregion corresponding to a segment grouped into the same cluster as a result of performing the merge clustering (S3). Meanwhile, according to an embodiment, it is also possible to apply the K-means algorithm to each segment 2 and to assign the same cluster index value to subregions corresponding to segments grouped into the same cluster.

데이터 가공부(140)는 복수의 하위 지역의 노면 상태 데이터 및 기상 데이터에 복수의 하위 지역에 부여된 클러스터 인덱스 값을 맵핑한 학습 데이터를 생성하여 데이터베이스(130)에 저장할 수 있다.The data processing unit 140 may generate learning data obtained by mapping the cluster index values assigned to the plurality of sub-regions to the road surface condition data and weather data of the plurality of sub-regions, and may store them in the database 130 .

다음으로 데이터 가공부(140)에서 기상 정보를 본 발명에 따른 학습에 적합하도록 기상 데이터로 가공하는 것에 대해 설명한다.Next, processing of the weather information in the data processing unit 140 into weather data suitable for learning according to the present invention will be described.

노면 상태 예측에는 기상 요소의 지속성에 대해 고려가 필요하다. 비가 그치고 시간이 지나면 노면은 마른다. 만약 온도가 높다면 노면이 빨리 마르고, 만약 영하의 날씨라면 노면은 결빙된다. 또한, 여름철에는 노면이 마르기 전에 다시 비가 내릴 수 있으며, 겨울철에는 얼어있는 도로에 다시 비가 내릴 수 있다. 강수량이 많으면, 노면이 건조될 때까지의 시간이 많이 필요하다. 반대로 강수량이 적으면, 더 빨리 노면이 건조된다.For the prediction of road surface conditions, it is necessary to consider the continuity of the meteorological factors. After the rain stops and time passes, the road surface dries out. If the temperature is high, the road surface dries quickly, and if the weather is below freezing, the road surface freezes. In addition, in summer, it may rain again before the road surface dries, and in winter, it may rain again on the frozen road. When there is a lot of precipitation, it takes a lot of time for the road surface to dry. Conversely, when there is little precipitation, the road surface dries faster.

이러한 기상요소의 지속성에 대해 고려하기 위해, 수집한 기상정보는 기상요소의 지속성을 고려할 수 있도록 시간 정보를 포함한 데이터로 가공하는 것이 바람직하다.In order to consider the continuity of these meteorological elements, it is desirable to process the collected meteorological information into data including time information so that the continuity of the meteorological elements can be considered.

도 3은 본 발명의 일 실시예에 따른 다중 강수 정보 가공을 설명하기 위해 제공되는 도면이다.3 is a view provided to explain multi-precipitation information processing according to an embodiment of the present invention.

도 3을 참고하면, 다중 강수량 정보를 가공하기 위해서, 과거 자동 기상 관측소에서 측정한 강수량 정보를 관측 시점(이하 기준 시점)(TS)을 기준으로 역추적하여 강수가 발생한 구간(P1, P2, …, PN)을 찾는다. 각 강수 구간(P1, P2, …, PN)의 누적 강수량(S1, S2, …, SN)을 기준 시점(Ts)부터 강수 발생 시점(T1, T2, …, TN)까지의 시간 차이(△T1, △T2, …, △TN)(이하 '시적 거리'라 함)로 나눈 값의 합으로 가공되어 학습 데이터로 이용할 수 있다.Referring to FIG. 3 , in order to process multiple precipitation information, precipitation information measured at an automatic weather station in the past is traced back based on the observation time (hereinafter referred to as the reference time) (TS S ), and the precipitation occurred section (P 1 , P ) 2 , …, P N ). The cumulative precipitation amount (S 1 , S 2 , …, S N ) of each precipitation section (P 1 , P 2 , …, P N ) is calculated from the reference point (T s ) to the precipitation occurrence time (T 1 , T 2 , …, It is processed as the sum of the values divided by the time difference (ΔT 1 , ΔT 2 , …, ΔT N ) up to T N ) (hereinafter referred to as 'poetic distance') and can be used as learning data.

가공된 강수량 정보(P)는 아래 수학식 1에 의해 구할 수 있다.The processed precipitation information P can be obtained by Equation 1 below.

[수학식 1][Equation 1]

Figure 112020099992543-pat00001
Figure 112020099992543-pat00001

N은 기준 시점(Ts)부터 찾아진 강수 구간의 개수, Si는 기준 시점(Ts)부터 i번째 강수 구간의 누적 강수량, △Ti는 기준 시점부터 i번째 강수 발생 시점까지의 시적 거리이다. 기준 시점부터 오래전에 발생된 강수 구간일수록 기준 시점부터 해당 강수 구간의 강수 발생 시점까지의 시적 거리가 커지므로 영향이 적어진다. 이와 같이 강수량 정보를 시적 거리를 반영한 데이터로 가공하여 이용함으로써 기상요소의 지속성을 고려하는 설명 변수로 사용할 수 있다.N is the number of precipitation sections found from the reference time (T s ), S i is the cumulative precipitation amount from the reference time (T s ) to the i-th precipitation section, and ΔT i is the temporal distance from the reference time to the i-th precipitation occurrence. am. The longer the precipitation section from the reference point, the greater the temporal distance from the reference point to the point of occurrence of precipitation in the corresponding precipitation section, so the effect is less. As described above, the precipitation information can be used as an explanatory variable that considers the continuity of meteorological factors by processing and using the data reflecting the poetic distance.

온도 정보는 강수 발생 시점(Precipitation start time)과 기준 시점 사이의 온도 값의 평균, 표준 편차, 1사 분위, 3사 분위, 최솟값, 최댓값의 기초 통계 정보로 변환한다. 평균 온도는 총 강수량과 시적 거리가 비슷할 경우, 온도에 의한 노면 상태 변화 속도가 가속되는 정도를 설명하는 변수로 사용한다.The temperature information is converted into basic statistical information of the average, standard deviation, first quartile, third quartile, minimum value, and maximum value of the temperature values between the precipitation start time and the reference time. The average temperature is used as a variable to explain the degree to which the rate of change in road surface condition due to temperature is accelerated when the total precipitation amount and the poetic distance are similar.

표준 편차는 두 지점 사이의 온도 변화 정도로 중간에 결빙되거나, 변화 속도가 가속되는 정도를 추가로 설명한다. 1사 분위와 3사 분위, 최솟값, 최댓값은 두 시점 사이에서 낮은 온도 또는 높은 온도가 유지된 정도를 표현하여, 노면이 결빙되거나 노면 위 수분의 증발이 가속될 가능성에 대한 설명 변수로 사용할 수 있다.The standard deviation further describes the degree to which the temperature change between two points is intermediately frozen, or the rate of change accelerates. The 1st and 3rd quartiles, the minimum and the maximum values represent the degree to which a low or high temperature is maintained between two time points, and can be used as explanatory variables for the possibility of icing on the road surface or accelerating evaporation of moisture on the road surface. .

노면의 상태는 기상 정보뿐만 아니라 관측 지점의 주변 환경에도 밀접한 관계가 있다. 주변 건물이나 나무는 그늘을 형성하여, 노면의 상태 변화 속도를 늦춘다. 저지대 온도는 고지대의 찬 공기가 가라앉아 주변보다 온도가 낮아진다. 강 주변은 습도가 높고, 교량은 다른 지역보다 노면 온도가 빠르게 변화한다.The condition of the road surface is closely related not only to the weather information but also to the surrounding environment of the observation point. Surrounding buildings and trees form shade, slowing down the change in road conditions. At low altitudes, the cold air from the highlands sinks, making it cooler than the surrounding areas. The humidity is high around the river, and the road surface temperature changes faster than in other areas on bridges.

그뿐만 아니라, 교통량이 많은 지역은 노면의 건조가 빠르고, 도로의 관리가 잘 되는 도시화 고속도로의 경우, 노면이 결빙되지 않도록 지속적인 관리를 수행한다. 이러한 도로의 주변 환경은 그 경우의 수가 많고, 모든 정보를 수집하여 특성으로 가공하기 어렵다. 본 발명에서는 노면 상태 검출 지점 근처의 주변 환경 정보를 대신하여, 해당 지점에 대응하는 클러스터 인덱스 값을 활용하여 주변 환경 정보를 학습할 수 있다.In addition, in the case of an urbanized expressway where the road surface is dried quickly in an area with high traffic volume and the road is well managed, continuous management is performed to prevent the road surface from freezing. There are many cases of the surrounding environment of such a road, and it is difficult to collect all information and process it as a characteristic. In the present invention, instead of the surrounding environment information near the road surface condition detection point, the surrounding environment information may be learned by using the cluster index value corresponding to the corresponding point.

클러스터 인덱스 값을 사용하여 주변 환경 정보를 학습할 수 있는 이유는 다음과 같다. 우선 두 지역이 공간적으로 멀리 떨어져 있더라도 동일 클러스터 인덱스 값을 가지는 경우 주변 환경의 유사도가 높다고 추정할 수 있다. 따라서 두 지역 중 노면 상태를 모니터링하지 않은 지역에 대해서도, 동일한 클러스터 인덱스 값을 가지는 모니터링된 지역에 의해 노면 상태가 비교적 정확하게 추정될 수 있다.The reasons for learning surrounding environment information using cluster index values are as follows. First, even if two regions are spatially far apart, it can be estimated that the similarity of the surrounding environment is high when they have the same cluster index value. Therefore, even for an area in which the road surface condition is not monitored among the two areas, the road surface condition can be estimated relatively accurately by the monitored area having the same cluster index value.

학습부(150)는 데이터베이스(130)에 구축된 학습 데이터를 이용하여 기상 상황에 따른 도로 노면 상태를 예측하는 노면 상태 예측 모델을 학습할 수 있다. 학습부(140)는 로지스틱 회귀(Logistic Regression), 의사 결정 나무(Decision Tree) SVM(Support Vector Machine), k-NN(k-Nearest Neighbor), 딥 러닝 (Deep Learning) 등의 머신러닝 모델을 이용하여 도로 노면 상태 예측 모델을 학습할 수 있다. 특히 실시예에 따라 학습부(150)는 랜덤 포레스트(Random Forest)와 같이 의사 결정 나무를 사용하는 논리 기반 머신러닝 모델을 사용하는 것이 바람직하다.The learning unit 150 may learn a road surface condition prediction model for predicting a road surface condition according to a weather situation by using the learning data built in the database 130 . The learning unit 140 uses machine learning models such as Logistic Regression, Decision Tree, Support Vector Machine (SVM), k-Nearest Neighbor (k-NN), and Deep Learning. Thus, it is possible to learn a road surface condition prediction model. In particular, according to an embodiment, the learning unit 150 preferably uses a logic-based machine learning model using a decision tree, such as a random forest.

랜덤 포래스트와 같이 의사 결정 나무를 사용하는 논리 기반 머신러닝 모델은 조건에 따른 예측에 가장 적합하다. 의사 결정 나무는 나무의 노드(Node)마다 말단 노드에 속하는 데이터의 레이블(Label)이 1개가 될 수 있는 가장 최적의 조건을 계산한다. 각 내부 노드는 특정 조건에 따라 데이터들을 분기하여 각 자식 노드에게 전달한다. 또한, 부모 노드와 자식 노드는 서로 다른 조건으로 분기할 수 있다. 예측할 데이터가 최상위 노드로 입력되면, 해당 데이터는 말단 노드에 도달할 때까지 내부 노드에서 다양한 조건에 의해 분기된다. 내부 노드에서의 조건은 색인 값의 범위가 되기도 하고, 특정 기상 조건이 되기도 한다. 따라서, 의사 결정 나무 기반의 머신러닝 모델은 기상과 시간, 공간에 대한 특성을 학습하고 예측하는데 가장 적합한 모델이라고 할 수 있다. 랜덤 포레스트는 이러한 의사 결정 나무를 지정된 개수만큼 학습시킬 수 있어, 다양한 경우의 수를 고려할 수 있다. 랜덤 포레스트의 각 의사 결정 나무의 최상위 노드는 서로 다른 조건을 통해 분기하여 서로 다른 조건을 갖는 나무들을 생성한다.Logic-based machine learning models that use decision trees, such as random forests, are best suited for conditional prediction. The decision tree calculates the most optimal condition for each node of the tree to have one label of the data belonging to the end node. Each internal node branches data according to specific conditions and delivers it to each child node. Also, a parent node and a child node may branch under different conditions. When the data to be predicted is input to the top node, the data is branched by various conditions at the inner node until it reaches the end node. Conditions in the inner node may be a range of index values, or may be specific weather conditions. Therefore, it can be said that the decision tree-based machine learning model is the most suitable model for learning and predicting characteristics of weather, time, and space. Random forest can train such a decision tree as many as a specified number, so it can consider the number of various cases. The top node of each decision tree in the random forest branches through different conditions to generate trees with different conditions.

노면 상태 예측부(160)는 학습부(150)에서 학습된 노면 상태 예측 모델을 이용하여 노면 상태 예측 지점의 노면 상태를 예측할 수 있다. 예컨대 도로를 주행하는 차량의 현재 위치에 대응하는 클러스터 인덱스 값과 해당 위치의 기상 데이터를 노면 상태 예측 모델에 입력하여, 현재 차량이 주행하는 위치의 노면 상태 예측 결과를 출력할 수 있다. 물론 해당 차량이 목적지까지 주행하는 경로 상의 각 지점의 노면 상태 예측 결과를 출력할 수도 있다.The road surface condition prediction unit 160 may predict the road surface condition at the road surface condition prediction point by using the road surface condition prediction model learned by the learning unit 150 . For example, the cluster index value corresponding to the current location of the vehicle traveling on the road and weather data of the corresponding location may be input to the road surface condition prediction model, and the result of the prediction of the road surface condition of the location where the vehicle currently travels may be output. Of course, it is also possible to output the prediction result of the road surface condition of each point on the route the vehicle travels to the destination.

도 4는 본 발명의 일 실시예에 따른 노면 상태 예측 시스템의 동작을 설명하는 흐름도이다.4 is a flowchart illustrating an operation of a road surface condition prediction system according to an embodiment of the present invention.

도 1 내지 도 4를 참고하면, 먼저 데이터 가공부(140)는 미리 정해진 지역을 촬영한 사진을 복수의 세그먼트로 분할하여 공간 클러스터링을 수행하고, 공간 클러스터링 수행 결과 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여한다(S410).1 to 4 , first, the data processing unit 140 divides a picture taken in a predetermined area into a plurality of segments to perform spatial clustering, and as a result of spatial clustering, a lower level corresponding to the segment grouped into the same cluster. The same cluster index value is given to the region (S410).

다음으로 데이터 가공부(140)는 복수의 하위 지역의 노면 상태 데이터 및 기상 데이터에 복수의 하위 지역에 부여된 클러스터 인덱스 값을 맵핑한 학습 데이터를 생성할 수 있다(S420). 단계(S420)에서 노면 상태 데이터 및 기상 데이터는 미리 수집되어 데이터베이스(130)에 저장되어 있는 데이터를 이용할 수 있다.Next, the data processing unit 140 may generate learning data obtained by mapping the cluster index values assigned to the plurality of sub-regions to the road surface condition data and weather data of the plurality of sub-regions ( S420 ). In step S420 , road surface condition data and weather data may be collected in advance and stored in the database 130 may be used.

다음으로 학습부(150)는 단계(S420)에서 구축된 학습 데이터를 이용하여 노면 상태 예측 모델을 학습할 수 있다(S430). 단계(S410) 내지 단계(S430)는 추가로 학습 데이터가 발생되면, 그를 반영하여 노면 상태 예측 모델을 업데이트시키는 방식으로 계속적으로 수행될 수 있다.Next, the learning unit 150 may learn the road surface condition prediction model using the learning data built in step S420 (S430). Steps ( S410 ) to ( S430 ) may be continuously performed in such a way that, when additional training data is generated, the road surface condition prediction model is updated by reflecting it.

이후 노면 상태 예측부(160)는 단계(S430)에서 학습된 노면 상태 예측 모델에 노면 상태 예측 지점의 위치에 대응하는 클러스터 인덱스 값과 해당 지점에 대해 획득된 기상 정보를 가공한 기상 데이터를 입력하여 노면 상태 예측 지점의 노면 상태를 예측할 수 있다(S440).Thereafter, the road surface condition prediction unit 160 inputs the cluster index value corresponding to the location of the road condition prediction point to the road surface condition prediction model learned in step S430 and weather data obtained by processing the weather information obtained for the point. The road surface condition at the road surface condition prediction point may be predicted ( S440 ).

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented by a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the apparatus, methods, and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA) array), a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited drawings, those skilled in the art may apply various technical modifications and variations based on the above. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

Claims (8)

미리 정해진 지역을 촬영한 사진을 복수의 세그먼트로 분할하는 단계 - 상기 복수의 세그먼트는 상기 미리 정해진 지역에 속하는 복수의 하위 지역에 각각 대응함 -,
상기 복수의 세그먼트에 대해서 공간 클러스터링을 수행하고, 상기 공간 클러스터링 수행 결과 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여하는 단계,
상기 복수의 하위 지역의 노면 상태 데이터 및 기상 데이터에 상기 복수의 하위 지역에 부여된 클러스터 인덱스 값을 맵핑한 학습 데이터를 생성하는 단계, 그리고
상기 학습 데이터를 이용하여 노면 상태 예측 모델을 학습하는 단계를 포함하고,
상기 사진은 정사사진(orthophotograph)인 공간 클러스터링을 이용한 노면 상태 예측 방법.dividing a picture taken in a predetermined area into a plurality of segments, wherein the plurality of segments respectively correspond to a plurality of sub-regions belonging to the predetermined area;
performing spatial clustering on the plurality of segments, and assigning the same cluster index value to subregions corresponding to segments grouped into the same cluster as a result of the spatial clustering;
generating learning data in which the cluster index values assigned to the plurality of sub-regions are mapped to road surface condition data and weather data of the plurality of sub-regions; and
using the learning data to learn a road surface condition prediction model,
The picture is an orthophotograph, a method of predicting a road surface condition using spatial clustering. 제 1 항에서,
예측 대상 지점에 대응하는 클러스터 인덱스 값 및 기상 데이터를 상기 노면 상태 예측 모델에 입력하여, 상기 예측 대상 지점의 노면 상태를 예측하는 단계
를 더 포함하는 공간 클러스터링을 이용한 노면 상태 예측 방법.In claim 1,
Predicting the road surface condition of the prediction target point by inputting a cluster index value and weather data corresponding to the prediction target point to the road surface condition prediction model
A road surface condition prediction method using spatial clustering further comprising a. 삭제delete 제 1 항에서,
상기 공간 클러스터링은 병합 군집(Agglomerative Clustering)을 이용하는 노면 상태 예측 방법.In claim 1,
The spatial clustering is a road surface condition prediction method using agglomerative clustering. 미리 정해진 지역의 강수 정보 및 온도 정보를 포함하는 기상 데이터를 수집하는 기상 데이터 수집부,
노면 상태 및 노면 상태가 수집된 지점의 좌표 정보를 포함하는 노면 상태 데이터를 수집하는 노면 상태 데이터 수집부,
상기 미리 정해진 지역을 촬영한 사진을 복수의 세그먼트로 분할하고 - 상기 복수의 세그먼트는 상기 미리 정해진 지역에 속하는 복수의 하위 지역에 각각 대응함 -, 상기 복수의 세그먼트에 대해서 공간 클러스터링을 수행하며, 상기 공간 클러스터링 수행 결과 동일 클러스터로 묶인 세그먼트에 대응하는 하위 지역에 대해서 동일한 클러스터 인덱스 값을 부여하고, 상기 복수의 하위 지역의 노면 상태 데이터 및 기상 데이터에 상기 복수의 하위 지역에 부여된 클러스터 인덱스 값을 맵핑한 학습 데이터를 생성하는 데이터 가공부, 그리고
상기 학습 데이터를 이용하여 노면 상태 예측 모델을 학습하는 학습부를 포함하고,
상기 사진은 정사사진(orthophotograph)인 공간 클러스터링을 이용한 노면 상태 예측 시스템.A meteorological data collection unit for collecting meteorological data including precipitation information and temperature information of a predetermined area;
a road surface condition data collection unit for collecting road surface condition data including coordinate information of a road surface condition and a point at which the road surface condition is collected;
dividing the photo taken in the predetermined area into a plurality of segments, the plurality of segments respectively corresponding to a plurality of sub-regions belonging to the predetermined area, and performing spatial clustering on the plurality of segments, As a result of performing clustering, the same cluster index value is given to sub-regions corresponding to segments grouped into the same cluster, and the cluster index values assigned to the plurality of sub-regions are mapped to road surface condition data and weather data of the plurality of sub-regions. A data processing unit that generates training data, and
A learning unit for learning a road surface condition prediction model using the learning data,
The picture is an orthophotograph, a road surface condition prediction system using spatial clustering. 제 5 항에서,
예측 대상 지점에 대응하는 클러스터 인덱스 값 및 기상 데이터를 상기 노면 상태 예측 모델에 입력하여, 상기 예측 대상 지점의 노면 상태를 예측하는 노면 상태 예측부
를 더 포함하는 공간 클러스터링을 이용한 노면 상태 예측 시스템.In claim 5,
A road surface condition prediction unit for predicting the road surface condition of the prediction target point by inputting a cluster index value and weather data corresponding to the prediction target point to the road surface condition prediction model
A road surface condition prediction system using spatial clustering further comprising a. 삭제delete 제 5 항에서,
상기 공간 클러스터링은 병합 군집(Agglomerative Clustering)을 이용하는 공간 클러스터링을 이용한 노면 상태 예측 시스템.In claim 5,
The spatial clustering is a road surface condition prediction system using spatial clustering using agglomerative clustering.
KR1020200121428A 2020-09-21 2020-09-21 Method and System for Predicting of Road Surface Condition Using Spatial Clustering KR102398029B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200121428A KR102398029B1 (en) 2020-09-21 2020-09-21 Method and System for Predicting of Road Surface Condition Using Spatial Clustering

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200121428A KR102398029B1 (en) 2020-09-21 2020-09-21 Method and System for Predicting of Road Surface Condition Using Spatial Clustering

Publications (2)

Publication Number Publication Date
KR20220038963A KR20220038963A (en) 2022-03-29
KR102398029B1 true KR102398029B1 (en) 2022-05-16

Family

ID=80997432

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200121428A KR102398029B1 (en) 2020-09-21 2020-09-21 Method and System for Predicting of Road Surface Condition Using Spatial Clustering

Country Status (1)

Country Link
KR (1) KR102398029B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012252377A (en) * 2011-05-31 2012-12-20 Nec Corp Traffic information generation system, traffic information generation method, and program
JP2017054346A (en) 2015-09-10 2017-03-16 株式会社パスコ Road data generation device, road data generation method, and road data program

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190057501A (en) * 2017-11-20 2019-05-29 디토닉 주식회사 System and Method for Predicting Riskness of Road According to Weather Conditions
KR102492843B1 (en) * 2018-11-19 2023-01-27 한국전자통신연구원 Apparatus and method for analyzing spatio temporal data for geo-location

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012252377A (en) * 2011-05-31 2012-12-20 Nec Corp Traffic information generation system, traffic information generation method, and program
JP2017054346A (en) 2015-09-10 2017-03-16 株式会社パスコ Road data generation device, road data generation method, and road data program

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
이민우 외 3. 시공간 특성을 활용한 랜덤포레스트 기반 도로 노면 상태 예측. 대한교통학회지, 제37권제4호, 2019. 8, pp. 338-349. 1부.*

Also Published As

Publication number Publication date
KR20220038963A (en) 2022-03-29

Similar Documents

Publication Publication Date Title
KR102173797B1 (en) System and Method for Predicting Road Surface State
US11433904B2 (en) Road condition monitoring
CN111656145B (en) Vehicle monitor
CN108883771B (en) Method and device for determining the coefficient of friction of a drivable ground surface by means of a vehicle
US20150178572A1 (en) Road surface condition classification method and system
US11142209B2 (en) Vehicle road friction control
US11300708B2 (en) Tuning weather forecasts through hyper-localization
WO2020016924A1 (en) Traffic information generation system
CN114771548A (en) Data logging for advanced driver assistance system testing and verification
CN114902083A (en) Adaptive prediction method and device for road surface meteorological characteristics of road section
Faezi et al. Saturation Flow Rate of Urban At-Grade Signalized Intersection Under Different Climatic Conditions (Case Study: Sattari-Mokhberi Intersection)
Liu et al. Real-Time Multi-Task Environmental Perception System for Traffic Safety Empowered by Edge Artificial Intelligence
AU2021251818B2 (en) Road icing condition prediction for shaded road segments
KR102611727B1 (en) Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning
KR102398029B1 (en) Method and System for Predicting of Road Surface Condition Using Spatial Clustering
KR102398030B1 (en) Method and System for Predicting of Road Surface Condition based on Machine Learning
JP2023120309A (en) vehicle monitor
KR20220073567A (en) System for Predicting of Road Surface Condition Using Big Data
KR102309583B1 (en) Random Forest based Prediction Method and System of Road Surface Condition Using Spatio-Temporal Features
KR102280799B1 (en) Prediction Method and System of Road Surface Condition Using Processed Multiple Precipitation Information
KR102611726B1 (en) Forecasting System and Method for Traffic Accidents on Frozen Roads
KR102682637B1 (en) System and method for analyzing road freezing using road environment and weather condition
Lee et al. The Spatial Estimation of Road Surface Condition using Spatiotemporal Features
CN117649060B (en) Analysis method and device for field environment trafficability, electronic equipment and medium
JP7387041B1 (en) Emergency traffic regulation decision support system and program, road management method

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant