KR102416711B1 - 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법 - Google Patents

인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법 Download PDF

Info

Publication number
KR102416711B1
KR102416711B1 KR1020220021926A KR20220021926A KR102416711B1 KR 102416711 B1 KR102416711 B1 KR 102416711B1 KR 1020220021926 A KR1020220021926 A KR 1020220021926A KR 20220021926 A KR20220021926 A KR 20220021926A KR 102416711 B1 KR102416711 B1 KR 102416711B1
Authority
KR
South Korea
Prior art keywords
driving habit
habit data
artificial intelligence
data
accident
Prior art date
Application number
KR1020220021926A
Other languages
English (en)
Inventor
이은수
Original Assignee
주식회사 카비
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 카비 filed Critical 주식회사 카비
Priority to KR1020220021926A priority Critical patent/KR102416711B1/ko
Application granted granted Critical
Publication of KR102416711B1 publication Critical patent/KR102416711B1/ko
Priority to US17/818,960 priority patent/US20230267549A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • G06Q20/145—Payments according to the detected use or quantity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/25—Road altitude
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Technology Law (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Traffic Control Systems (AREA)

Abstract

GPS, IMU 센서, 비전(Vision) 센서에서 취합한 차량 운전습관 데이터들을 기반으로 머신러닝 또는 딥러닝 등 다양한 인공지능 모델을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고 위험도 예측방법이 개시된다. 본 발명의 인공지능을 활용한 운전자별 사고위험도 예측장치는 GPS, IMU 센서, 비전센서가 내장되어서 차량 주행정보를 트립당 수집하는 운전습관 데이터 수집부 및 운전습관 데이터 수집을 관리하는 CPU로 구성되는 운전습관 데이터 수집장치; 상기 운전습관 데이터 수집부로부터 운전습관 데이터를 저장하는 운전습관 데이터 저장서버; 및 상기 운전습관 데이터 저장서버의 운전습관 데이터를 수신하는 메인 데이터베이스, 상기 메인 데이터베이스의 운전습관 데이터를 변수별로 전처리하는 데이터 전처리부, 상기 데이터 전처리부에서 전처리된 데이터를 입력하여 차량주행의 사고위험도를 예측하는 인공지능 모델, 상기 인공지능 모델에서 출력된 사고위험도를 저장하는 사고위험도 데이터베이스, 및 사고위험도 예측을 관리하는 제어부로 구성되는 메인서버를 포함한다. 본 발명에 따르면, 차량 운전습관 데이터를 인공지능 모델에 적용하여 개별 운전자의 사고위험도를 예측하여, 이 사고 위험도를 보험금 산정 등에 사용할 수 있다.

Description

인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법{Accident risk prediction device for each driver using artificial intelligence and accident risk prediction method using the same}
본 발명은 머신러닝 또는 딥러닝 등 다양한 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고 위험도 예측방법에 관한 것으로서, 더욱 상세하게는 GPS, IMU 센서, 비전(Vision) 센서에서 취합한 차량 운전습관 데이터들을 기반으로 머신러닝 또는 딥러닝 등 다양한 인공지능 모델을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고 위험도 예측방법에 관한 것이다.
자동차 보험에 있어서 운전자가 사고를 일으킬 확률과, 이에 따른 배상액을 추정하는 것은 매우 중요하다. 이는 보험 상품의 수익과 직결되며, 이에 대한 예상이 잘못되는 경우 적자가 발생할 수도 있다.
구체적으로 살펴보면, 자동차 보험에서는 사고로 인해 지출되는 보험금 등 지출비용을 가입자로부터 받은 보험료로 나눈 값인 손해율을 지표로 쓴다. 높은 손해율을 낮추기 위해서 실제로 보험사는 사고위험이 높은 운전자를 찾아내서 보험료를 높게 받거나 인수거절을 하고, 사고위험이 낮은 운전자는 보험료를 낮추거나 인센티브를 주어서 가입을 유도할 수 있다.
손해율을 관리하기 위하여 보험사에서는 각 운전자의 개인정보와 차종, 사고 이력 등의 정보들을 운전자별로 보험료를 결정하는 데 활용하고 있다.
대한민국 등록특허 제2318801호인 "운전자의 교통사고율 예측 시스템"에서는 개인이 갖는 개인정보와 과거의 운전과 관련된 위반정보, 사고정보를 통해서 앞으로 발생할 수 있는 사고율을 운전자별로 예측하는 운전자의 교통사고 예측 시스템이 개시되어 있다.
그러나, 운전자마다 갖는 고유의 운전습관과 이러한 운전습관 내에 내재된 위험요소들은 단순한 사고 이력으로부터 정확히 파악하기 어렵다.
따라서, 최근에는 운전자의 운전성향에 대한 정보를 수집하여, 이에 기반한 분석을 수행하여 운전자의 운전 습관 내에 내재된 잠재적인 위험 요소들을 객관화하여 보험료 산정의 근거로 하고자 하는 다양한 시도가 이루어지고 있다.
GPS, OBD(On-Board Diagnostic) 등의 운행수집 단말기를 사용하여 과속, 급가속, 급감속 등의 운전습관 데이터를 수집하는 선행기술이 있는데, 예컨대 국내 티맵 운전점수 연계 할인 상품, 캐롯손해보험의 주행거리 기반 보험인 퍼마일 보험 등이 있으며 이를 UBI(Usage Based Insurance)라고 한다. 하지만, 현재 시중의 UBI는 주행 맥락이 고려되지 않은 정보들인 과속/급가속/급감속 등의 데이터만을 활용하는지라 정확한 운전습관을 도출하기 어려운 경우가 많다. 예컨대, 급감속 상황인 경우 사고 위험 때문에 급감속을 한 것인지, 운전자 고유의 단순 운전습관인지를 판단할 수가 없어 실제 교통사고와의 연관성을 도출하기가 어렵다.
이런 상황을 개선하고나 보험업계에서 UBI의 다음 단계 기술상품으로 운전습관 기반 보험 BBI(Behavior Based Insurance) 상품 개념이 제시되고 있으며, 이러한 BBI의 사례로는 테슬라의 운전습관 기반 보험을 들 수 있다.
대한민국 등록특허 제10-147866호 대한민국 등록특허 제10-2153912호 대한민국 등록특허 제10-2207494호 대한민국 등록특허 제10-2312984호 대한민국 등록특허 제10-2030583호 대한민국 등록특허 제10-2318801호 대한민국 공개특허 제10-2016-0019331호 대한민국 공개특허 제10-2021-0035478호
본 발명은 상술한 문제점을 감안하여 안출한 것으로 그 목적은 운전자의 운전성향을 분석하여 보험금 산정 등에 사용할 수 있는 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법을 제공하는 것이다.
상기 과제해결을 위한 본 발명의 인공지능을 활용한 운전자별 사고위험도 예측장치는 GPS, IMU 센서, 비전센서가 내장되어서 차량 주행정보를 트립당 수집하는 운전습관 데이터 수집부 및 운전습관 데이터 수집을 관리하는 CPU로 구성되는 운전습관 데이터 수집장치; 상기 운전습관 데이터 수집부로부터 수집된 운전습관 데이터를 저장하는 운전습관 데이터 저장서버; 및 상기 운전습관 데이터 저장서버의 운전습관 데이터를 수신하는 메인 데이터베이스, 상기 메인 데이터베이스의 운전습관 데이터를 변수별로 전처리하는 데이터 전처리부, 상기 데이터 전처리부에서 전처리된 데이터를 입력하여 차량주행의 사고위험도를 예측하는 인공지능 모델, 상기 인공지능 모델에서 출력된 사고위험도를 저장하는 사고위험도 데이터베이스, 및 사고위험도 예측을 관리하는 제어부로 구성되는 메인서버를 포함한다.
본 발명에 있어서, 변수별로 전처리하는 각각의 운전습관 데이터는, GPS로부터의 경도(longitude), 위도(latitude), 고도(altitude); IMU로부터의 x, y, z축 방향의 가속도(ax, ay, az)와 x, y, z축 방향의 각가속도(gx, gy, gz); 및 비전센서로부터의 앞차와 내차와의 거리(front_distance), 앞차 속도(front_speed), 차선 중앙 기준 내차의 치우침(bias), 앞차와의 충돌까지 걸리는 예상시간(ttc)일 수 있다.
본 발명에 있어서, 상기 메인서버로부터 인공지능 모델의 출력값인 사고위험도를 바탕으로 운전자별로 자동차 보험료에 차등을 두는 보험서버를 더 포함할 수 있다.
본 발명에 있어서, 차량의 시동을 켰을 때부터 주행을 종료하고 시동을 종료하기까지를 하나의 주행 단위인 트립(trip)으로 정의한다. 데이터의 수집은 상기 운전습관 수집장치에서 트립 단위로 하며, 하나의 트립은 모든 변수들이 포함되어 있는 구성으로 되어 있다. 상기 데이터 전처리부에서 운전습관 데이터를 다루기 더 쉽도록 각각의 센서값들을 일정시간에 한 번씩 타임프레임으로 데이터를 저장하며, 같은 센서값에 해당되는 모든 파일들은 병합(merge)하여 센서값 파일로 저장할 수 있다.
본 발명에 있어서, 상기 데이터 전처리부에서는 특성 엔지니어링(feature engineering)를 실시하되, 특성 엔지니어링에서 운전습관 데이터를 일정시간에 한 번씩 평균값으로 데이터를 저장할 수 있다.
본 발명에 있어서, 상기 인공지능 모델은 랜덤 포레스트(random forest), 엑스지부스트(XGBoost), MLP(Multi-Layer Perceptron), LSTM(Long Short Term Memory), CNN(Convolutional Neural Network) 중에서 선택된 어느 하나일 수 있다.
상기 다른 과제해결을 위한 본 발명의 인공지능을 활용한 운전자별 사고위험도 예측방법은 운전습관 데이터 수집장치에서 GPS, IMU센서, 비전센서가 내장된 운전습관 데이터 수집부를 통하여 운전습관 데이터를 수집하는 단계; 상기 운전습관 데이터 수집장치에서 수집된 운전습관 데이터를 운전습관 데이터 저장서버에 저장하는 단계; 상기 운전습관 데이터 저장서버에 저장된 운전습관 데이터를 메인서버의 메인 데이터베이스로 송신하는 단계; 상기 메인서버의 데이터 전처리부에서 운전습관 데이터의 전처리 작업을 실시하는 단계; 상기 메인서버의 인공지능 모델에 전처리된 데이터를 입력하여 출력값을 구하는 단계; 및 상기 메인서버의 인공지능모델의 출력값을 사고위험도 데이터베이스에 저장하며, 이를 이용하여 운전자의 차량의 사고위험도를 예측하는 단계를 포함한다.
본 발명에 있어서, 상기 메인서버의 데이터 전처리부에서의 전처리 작업은, 인공지능 모델에 적용하기 위해 운전습관 데이터에 대한 도메인 지식(domain knowledge)을 활용하여 특성을 추출하는 특성 엔지니어링(feature engineering) 작업을 진행하여 가공된 데이터를 출력하는 단계를 더 포함할 수 있다.
전술한 바와 같은 구성을 갖는 본 발명에 따르면, 차량 운전습관 데이터를 인공지능 모델에 적용하여 개별 운전자의 사고위험도를 예측하여, 이 사고 위험도를 보험금 산정 등에 사용할 수 있다.
또한, 인공지능 모델에 적용하기 전에 차량 운전습관 데이터의 변수들을 전처리하여 인공지능 모델에서 다루기 쉽도록 할 수 한다. 운전자들의 주행시간을 모두 감안하기에는 메모리의 한계가 있으므로 일정시간의 타임프레임(time frame)에 해당되는 데이터를 평균값이 아닌 메디안(median) 값으로 저장하여 평균값을 저장할 시 스무딩(smoothing) 효과가 발생하여 튀는 데이터 수치값들을 완화시킬 수 있다.
또한, 본 발명에서 수집하는 차량 운전습관 데이터는 차량에 별도로 설치된 GPS(Global positioning System), IMU(Inertial Measurement Unit) 센서, 비전(Vision) 센서가 내장된 운전습관 데이터 수집장치를 사용한다. 특히, 비전 센서의 카메라를 통해 수집되는 데이터인 앞차의 속력, 앞차와 내차 사이의 거리, 앞차와의 충돌까지 걸리는 예상시간, 차선 중앙 기준으로 내 차가 치우친 정도 등은 주행 맥락에 대한 데이터(Contextual data)로 실제로 교통사고와 연관성이 높은 데이터이다. GPS, OBD(On-Board Diagnostic) 등의 운행수집 단말기를 사용하는 종래기술은 카메라를 사용하지 않아서 위와 같은 주행 맥락 데이터 확보가 불가능하다.
또한, 운전습관 데이터 수집장치는 개별적으로 인식되며, 이를 통하여 개별적인 차량 또는 운전자의 사고위험도를 예측할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능을 활용한 운전자별 사고위험도 예측장치를 나타내는 개념도이다.
도 2는 본 발명의 일실시예에 따른 인공지능을 활용한 운전자별 사고위험도 예측방법을 나타내는 순서도이다.
도 3은 본 발명의 일실시예에 따른 전처리 과정에서의 데이터 처리방법을 나타내는 도면이다.
도 4는 본 발명의 일실시예에 따른 랜덤 포레스트(random forest) 모델의 출력 결과는 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 MLP(Multi-Layer Perceptron) 알고리즘을 나타내는 도면이다.
도 6은 본 발명의 일실시예에 따른 LSTM(Long Short Term Memory) 알고리즘을 나타내는 도면이다.
도 7은 본 발명의 일실시예에 따른 1D CNN(Convolutional Neural Network) 알고리즘을 나타내는 도면이다.
도 8은 본 발명의 일실시예에 따른 인공지능 기반 모델들의 예측 성능을 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 인공지능을 활용한 운전자별 사고위험도 예측 장치 및 이 장치를 이용한 보험료 산출방법을 상세히 설명하기로 한다.
본 발명은 차량 운전습관 데이터를 인공지능 모델에 적용하여 각 운전자들의 사고위험도를 예측한다.
본 발명에서의 운전습관 데이터는 GPS(Global positioning System), IMU(inertial Measurement Unit) 센서, 비전(Vision) 센서로부터 수집한 데이터를 의미하지만, 운전습관 데이터 수집장치(100)에 다른 센서가 추가된다면 운전습관 데이터의 종류는 증가될 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능을 활용한 운전자별 사고위험도 예측장치를 나타내는 개념도이다.
도 1을 참조하면, 차량 운전습관 데이터를 감지하는 운전습관 데이터 수집부(110)를 구비하는 운전습관 데이터 수집장치(100), 상기 운전습관 데이터 수집부(110)에서 실시간으로 수집된 운전습관 데이터가 저장되는 운전습관 데이터 저장서버(120), 상기 운전습관 데이터 저장서버(120)로부터 운전습관 데이터를 수신하여 메인 데이터베이스에 저장하고 운전습관 데이터를 전처리하고 인공지능 모델에서 사고예측도를 출력하는 메인서버(200), 및 메인서버(200)로부터 사고예측도 데이터를 수신하여 운전자별 보험료에 반영하는 보험서버(300)를 포함한다.
운전습관 데이터 수집장치(100)는 차량 주행정보를 감지하는 운전습관 데이터 수집부(110) 및 운전습관 데이터 수집장치(100)의 운전습관 데이터 수집을 관리하는 CPU(130)를 포함한다.
운전습관 데이터 수집장치(100)는 개별적으로 인식되며, 이를 통하여 개별적인 차량 또는 운전자의 사고위험도를 예측할 수 있다. 운전습관 데이터 수집장치(100)는 운행되는 특정 차량 또는 운행하는 특정 운전자의 정보를 입력받을 수 있다. 운전습관 데이터 수집장치(100)가 특정 운전자의 정보를 입력받는 방법으로는 모바일 단말기와 연동하여 인식될 수도 있다.
상기 운전습관 데이터 수집부(110)는 GPS(111), IMU(113)센서, 비전센서(115)에서 차량 운전습관 데이터를 실시간으로 수집한다. 필요에 따라서 운전습관 데이터 수집부(110)는 다른 센서들을 포함할 수 있다.
GPS(111)는 인공위성 기반 측위 데이터 제공 시스템으로 GPS 수신장치는 위성 전파를 참조하여 위성에서 송신한 신호가 수신 장치에 도달하는데 걸리는 시간(TOA: Time of Arrival)을 계산하여 거리를 계산한다. 구체적으로, 본 발명에서는 GPS(111)로부터 경도(longitude), 위도(latitude), 고도(altitude)의 정보를 실시간으로 수집한다.
IMU(113)는 이동물체의 속도와 방향, 중력, 가속도를 측정하는 장치를 뜻하며, 센서기반 방식이다. IMU 기반의 위치추정은 가속도계, 각속도계, 지자기계 및 고도계를 이용하여 이동물체의 움직임 상황을 인식하는 방식이다. 본 발명에서는 IMU 센서 중 지자기 센서는 운전자 차량에 장착된 기기(device) 별로 특유 보정값이 존재하여 제외시키고, x, y, z축 방향의 가속도(ax, ay, az)와 x, y, z축 방향의 각가속도(gx, gy, gz)의 정보를 실시간으로 수집한다.
비전센서(115)는 카메라를 이용하여 색상, 형태, 크기, 문자, 패턴 등을 판별할 수 있는 센서이다. 본 발명에서는 카메라로부터 실시간으로 영상을 수집하고 알고리즘을 사용하여 앞차와 내차와의 거리(front_distance), 앞차 속도(front_speed), 차선 중앙 기준 내차의 치우침(bias), 앞차와의 충돌까지 걸리는 예상시간(ttc)의 정보를 초단위로 수집한다.
상기 운전습관 데이터 저장서버(120)에는 상기 운전습관 데이터 수집부(110)에서 실시간으로 수집된 운전습관 데이터가 저장된다. 운전습관 데이터는 AWS(Amazon Web Service) S3 스토리지와 같은 클라우드 또는 별도의 서버에 저장될 수 있다. 그 파일의 형태는 운전습관 수집장치(100)의 제이슨(.json) 파일 형태이며, 운전습관 데이터(.json)는 운전습관 데이터 저장서버(120)로 가져오는 과정에서 AWS 람다(Lambda) 함수를 사용하여 csv(comma-separated value)로 변환된 형태로 저장될 수 있다.
상기 메인서버(200)는 상기 운전습관 데이터 저장서버(120)의 운전습관 데이터를 수신하는 메인 데이터베이스(210), 상기 메인 데이터베이스(210)의 운전습관 데이터를 전처리하고 필요에 따라 특성을 추출하여 가공된 데이터를 만드는 데이터 전처리부(220), 상기 데이터 전처리부(220)에서 전처리된 데이터를 입력하여 차량주행의 사고위험도를 예측하는 인공지능 모델(230), 상기 인공지능 모델(230)에서 출력된 사고위험도를 저장하는 사고위험도 데이터베이스(240), 및 메인서버의 구성요소들을 총괄하여 사고위험도 예측을 관리하는 제어부(250)를 포함한다.
메인 데이터베이스(210)는 운전습관 데이터 저장서버(120)의 주행기록을 수신한다. 본 발명의 실시예에서는 메인 데이터베이스(210)와 운전습관 데이터 저장서버(120)가 분리되어 있지만, 일체로 형성될 수 있다.
데이터 전처리부(220)는 운전습관 데이터를 전처리하며, 머신러닝 모델의 경우에는 전처리된 데이터에서 특성을 추출하여 가공된 데이터를 만든다. 전처리 및 특성 추출에 관하여는 후술한다.
인공지능 모델(230)은 머신러닝 기반 모델 또는 딥러닝 기반 모델이 사용될 수 있으며, 이에 관하여는 후술한다.
사고위험도 데이터베이스(240)는 인공지능 모델(230)를 통하여 예측된 출력값인 사고위험도를 저장한다.
제어부(250)는 운전습관 데이터를 수신하여 인공지능 모델(230)에서 사고예측도를 출력하는 메인서버(200)의 과정을 총괄한다.
상기 보험서버(300)는 메인서버(200)로부터 인공지능 모델의 출력값인 사고예측도를 바탕으로 운전자별로 자동차 보험료에 차등을 둘 수 있다.
도 2는 본 발명의 일실시예에 따른 인공지능을 활용한 운전자별 사고위험도 예측방법을 나타내는 순서도이다.
도 2를 참조하면, 운전자가 차량 주행을 진행하면서 운전습관 데이터 수집장치(100)는 운전습관 데이터 수집부(100)를 통하여 차량 운전습관 데이터가 수집(S201) 저장되는데, 그 파일의 형태는 제이슨(json) 파일 형태로 차량 주행기록을 수집 저장된다.
차량의 주행이 완료되면 차량 운전습관 데이터는 운전습관 데이터 저장서버(120)에 저장(S202)된다. 운전습관 데이터 저장부(120)는 AWS(Amazon Web Service) S3 스토리지일 수 있으며, 제이슨(.json) 파일 형태의 차량주행 데이터(.json)는 운전습관 데이터 저장서버(120)로 가져오는 과정에서 AWS 람다(Lambda) 함수를 사용하여 csv(comma-separated value)로 변환되어 차량 운전습관 데이터가 저장되는데, 저장된 차량 운전습관 데이터(.csv)는 하나의 트립(trip)당 모든 변수들이 포함되어 있는 구성으로 되어 있다. 본 발명에서는 운전자가 차량에 시동을 걸고, 주행을 하고, 시동을 종료하기까지의 전체 과정에서 나오는 데이터 세트를 트립(trip)이라고 정의한다.
다음으로, 상기 운전습관 데이터 저장서버(120)는 저장된 차량 운전습관 데이터를 메인서버(200)의 메인 데이터베이스(210)로 송신(S203)한다.
다음으로, 메인서버(200)의 데이터 전처리부(220)에서는 차량 운전습관 데이터(.csv)의 전처리 작업을 실시(S204)한다. 차량 운전습관 데이터(.csv)는 하나의 트립(trip)당 모든 변수들이 포함되어 있는 구성으로 되어 있는데, 이를 다루기 더 쉽도록 각 변수별로 따로 정의된 배열(array) 형태로 변환시켜주는 전처리 작업을 실시한다. 전처리 과정의 상세한 설명은 후술한다.
다음으로, 메인서버(200)의 데이터 전처리부(220)에서는 전처리 작업이 완료되면, 인공지능 모델에 적용하기 위해 차량 운전습관 데이터에 대한 도메인 지식(domain knowledge)을 활용하여 특성을 추출하는 특성 엔지니어링(feature engineering) 작업을 진행(S205)하여 가공된 데이터를 출력한다.
특성 엔지니어링(feature engineering) 단계(S205)에서는 모델 해석이 용이하도록 운전습관 데이터인 GPS(Global positioning System), IMU(Inertial Measurement Unit) 센서, 비전(Vision) 센서 데이터는 시계열이 아닌 하나의 평균값으로 처리한다. 모델변수 그리고 모델의 복잡도가 낮을수록 모델 결과의 해석이 더 쉬워진다. 또한, 인공지능모델이 학습을 더 용이하게 할 수 있도록 표준화(standardization) 작업도 거치게 된다.
딥러닝 모델의 경우에는 데이터 특성에 대한 정보를 인공지능이 스스로 이해하고 판단하는 반면, 머신러닝 모델의 경우 직접 입력해야 하는 부분이 있어서 머신러닝 모델의 적용을 위하여는 도메인 지식을 활용하여 특성 엔지니어링 단계를 갖는다.
다음으로, 메인서버(200)의 인공지능 모델(230)에 전처리된 데이터를 입력(S206)하여 출력값을 구한다. 하나의 트립(trip)을 인공지능 모델(230)에 입력값으로 넣어서 0에서 1 사이의 하나의 확률값인 출력값을 도출해낸다.
다음으로, 메인서버(200)는 출력값을 사고예측 데이터베이스(240))에 저장하며, 이를 이용하여 운전자의 차량의 사고위험도를 예측(S207)한다.
구체적으로, 한 명의 운전자가 여러 번의 주행을 하면 각각의 주행별로 트립(trip)이 정의되고 각 트립별로 확률이 도출되며, 이는 개별 운전자의 사고 확률 분포를 도출하게 된다. 이 사고 확률 분포로부터 메디안 값을 취해서 그 운전자의 종합적인 사고위험도를 산출하게 된다.
이하, 각 단계에 관하여 구체적으로 살펴본다.
도 3은 본 발명의 일실시예에 따른 전처리 과정에서의 데이터 처리방법을 나타내는 도면이다.
도 3을 참조하면, 매초 수집된 운전습관 데이터는 최초 제이슨(.json) 형식의 파일로 저장(S201)이 되고, AWS 람다(Lambda)라는 서버리스 컴퓨팅 서비스로 구현된 함수를 사용하여 csv 파일로 변환하여 위에서 정의한 트립으로 운전습관 데이터 저장서버에 저장(S202)하고 메인 데이터베이스로 송신(S203)한다.
메인서버에서는 각 트립별로 인공지능 모델에 입력값을 넣기 위하여 전처리부에서 전처리(S204)를 하여 각 변수를 배열(array)형태로 전환한다.
데이터 전처리 단계(S204)에서 운전자들의 주행시간을 모두 감안하기에는 메모리의 한계가 있으므로 각각의 센서값들을 일정시간(예컨대, 5초)에 한 번씩 타임프레임으로 효율적으로 csv 형태로 데이터를 저장한다. 일정시간의 타임프레임(time frame)에 해당되는 데이터를 평균값이 아닌 메디안(median) 값으로 저장하는 이유는 평균값을 저장할 시 스무딩(smoothing) 효과가 발생하여 튀는 데이터 수치값들을 완화시키는 작용을 할 수 있기 때문이다. 또한, 한 달 기준으로 운전자에 따라서는 수천 개 이상의 주행기록이 쌓이기 때문에 이러한 다량의 데이터에 효과적으로 전처리 작업을 시행할 수 있도록 병렬화가 가능한 다스크(dask) 라이브러리를 활용한다.
이어서, 같은 센서값에 해당되는 모든 csv 파일들은 병합(merge)되어 센서값별로 최종적으로 txt 파일 형태로 저장된다.
인공지능 모델 적용 단계(S206)에 사용되는 인공지능 모델은 랜덤 포레스트(random forest), 엑스지부스트(XGBoost)와 같은 머신러닝 기반 모델과 MLP(Multi-Layer Perceptron), LSTM(Long Short Term Memory), CNN(Convolutional Neural Network)과 같은 딥러닝 기반 모델이 있다. 머신러닝 모델은 학습 데이터가 주어지면 그 안에서 패턴을 찾아서 특정한 모델을 구축하여 새로운 데이터가 입력될 시 구축된 모델을 기반으로 판단이나 결정을 내린다. 반면에, 딥러닝은 학습할 특성(feature)들을 입력하지 않아도 스스로 특성(feature)들을 학습하고 예측한다.
도 4는 본 발명의 일실시예에 따른 랜덤 포레스트(random forest) 모델의 출력 결과는 나타낸 도면이다.
도 4를 참조하면, GPS(Global Positioning System), IMU(Inertial Measurement Unit) 센서, 비전(Vision) 센서로부터의 운전자별 운전습관 데이터로부터 인공지능 모델(230)인 랜덤 포레스트(random forest) 모델을 통하여 운전자별로 0과 1 사이의 확률로 사고위험도가 예측이 된다.
최종적으로는 사고위험도를 기준으로 주어진 임계치(threshold)에 의해 안전하게 운전한 주행과 사고를 낼 위험이 있는 주행으로 분류를 한다. 즉, 각 운전자에 대해 여러 주행 이력들이 있을 것이고, 그 주행 이력들마다 사고위험도가 정의가 된다.
본 발명에서는, 사고위험도 데이터베이스(240)는 운전습관 데이터들이 증가할수록 업데이트가 된다.
데이터 분류시 분류(class) 분포가 불균형하게 나타날 때, 이를 불균형 데이터(imbalanced data)라고 일컫는다. 불균형 데이터를 다루는데 대표적인 방법으로는 학습할 때 분류(class)별로 다른 가중치를 부여하거나 데이터를 오버샘플링(oversampling) 또는 언더샘플링(undersampling)을 한다. 그러나 본 발명에서는 이러한 방법들을 사용하지는 않는다. 다만, 랜덤 포레스트(random forest) 모델에서만 분류 작업에 필요한 임계치(threshold)를 추가적으로 하이퍼파라미터(hyperparameter)로 설정해서 학습을 시킨다.
본 발명에서는 머신러닝 기반 모델로서 랜덤 포레스트(random forest), 엑스지부스트(XGBoost) 두 가지를 실시한다.
랜덤 포레스트(random forest) 알고리즘은 부트스트래핑(bootstrapping)을 사용하여 데이터를 여러 번 샘플링한 후, 각 샘플에 대하여 의사결정 트리(Decision tree)들을 학습시켜 각각의 예측 결과를 바탕으로 하나의 결과값을 출력하는 알고리즘이다.
엑스지부스트(XGBoost) 알고리즘은 CART(Classification and Regression Tree)를 기반으로 한 부스팅(boosting) 기법이다.
이 두 모델에 각각 특성 엔지니어링(feature engineering) 작업에서는 상술한 바와 같이 시계열이 아닌 정의한 센서 평균값들을 입력 특성(input feature)들로 입력을 하고 학습시킨다. 학습 성능을 최대화할 수 있도록 하이퍼파라미터 튜닝(hyperparamenter tuning) 작업도 함께한다.
본 발명에서는 딥러닝 기반 모델로서 MLP(Multi-Layer Perceptron), LSTM(Long Short Term Memory), CNN(Convolutional Neural Network) 세 가지를 실시한다. 입력되는 입력 특성(input feature)들은 상술한 머신러닝 모델과 동일한다.
도 5는 본 발명의 일실시예에 따른 MLP(Multi-Layer Perceptron) 알고리즘을 나타내는 도면이다. MLP 알고리즘은 딥러닝의 가장 기본적인 인공신경망 모델에서 중간에 여러 은닉층(hidden layer)들을 입력하여 더 많은 연산을 통하여 데이터에서 더 학습하기에 알맞은 특성(feature)들을 추출해내는 알고리즘이다.
도 5를 참조하면, 각각의 층(layer)에 있는 노드마다 들어오는 모든 입력노드의 입력값을 받아 가중합을 계산하고, 이 값을 활성화함수(activation function)에 적용하여 출력값으로 전달하게 된다. 최종적으로 출력층(output layer)에서 나오는 예측값을 받아 실제값과의 차이를 최소화할 수 있도록 경사하강(gradient descent)이라는 기법을 사용하여 기존의 모든 가중치를 갱신하며 학습한다.
도 6은 본 발명의 일실시예에 따른 LSTM(Long Short Term Memory) 알고리즘을 나타내는 도면이다. LSTM 알고리즘은 RNN(Recurrent Neural Network)을 기반으로 변형된 모델로 주로 시퀀스 예측(sequence prediction)에 사용되는 딥러닝 알고리즘이다.
도 6을 참조하면, 은닉상태(hidden state)와 셀 상태(cell state)가 있고 입력 게이트, 삭제 게이트, 그리고 출력 게이트를 통하여 RNN 모델의 기울기 소실(vanishing gradient) 문제를 해결한다. 입력 게이트와 삭제 게이트는 각각 현재 그리고 과거 정보를 기억할지 잊을지를 결정하는 게이트이고, 이들을 바탕으로 셀 상태(Ct)를 업데이트 시킨 후 출력 게이트를 거친 출력값과의 연산을 통해 현 시점에서의 은닉상태(ht)를 구한다. 본 발명에서는 LSTM 모델 위에 선형층(linear layer) 들을 추가하여 최종적으로 운전자의 사고 위험도를 예측한다. 도 5에서 'xt -1'과 'xt'는 t-1과 t 시점의 입력층의 입력 벡터이며, 'yt'와 'yt -1'은 t-1과 t 시점의 출력층의 출력 벡터이며, 'Wx', "Wh','Wy'는 입력층, 은닉층, 출력층에서의 가중치이다. 'σ'는 시그모이드 함수를 의미하며, 'tanh'는 하이퍼볼릭탄젠트 함수를 의미한다.
도 7은 본 발명의 일실시예에 따른 1D CNN(Convolutional Neural Network) 알고리즘을 나타내는 도면이다. 1D CNN 알고리즘은 자연어 처리나 시계열 데이터에도 적용할 수 있도록 이미지나 영상을 다룰 때 주로 쓰이던 2D CNN 알고리즘에서 변환된 모델이다.
도 7을 참조하면, 2D CNN과 유사하게 다수의 커넬(kernel) 또는 필터(filter)들과의 합성곱을 통하여 데이터 특성(feature)을 추출한는 알고리즘이다. 본 발명에서는 CNN 모델로부터 얻은 출력값을 여러 개의 선형층(linear layer) 들을 추가하여 최종적으로 운전자의 사고 위험도를 예측한다.
이하, 본 발명의 실시예에 따른 인공지능 기반 모델들의 예측 성능을 평가한다.
도 8은 본 발명의 일실시예에 따른 인공지능 기반 모델들의 예측 성능을 도시한 도면이다.
도 8을 참조하면, F-스코어(F-score)로 평가하였는데, 분류(class)별로 데이터가 분균형하게 분포된 불균형 데이터(imbalnced data)에서는 학습된 모델의 성능을 정확도(accuracy)가 아닌 예측(precision), 리콜(recall) 그리고 그들의 조화평균인 F-스코어(F-score)로 측정하는 것이 보편적이다.
본 발명의 실시예에서는 사고위험도 예측 성능은 서버에서 수집된 6개월 간의 택시 기사들의 운전습관 데이터에 의하여 평가되었다. 이를 버스 기사, 화물 기사, 일반 운전자 등 다른 데이터 도메인(domain)의 운전습관 데이터를 사용하여　본 발명의 인공지능 모델들을 학습한다면 더 유의미한 해석이 가능해질 것이다.
이상에서 설명한 본 발명은 전술한 도면 및 상세한 설명에 의하여 한정되는 것은 아니고, 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 해당 기술분야의 당업자가 다양하게 수정 및 변경시킨 것 또한 본 발명의 범위 내에 포함됨은 물론이다.
100: 운전습관 데이터 수집장치 110: 운전습관 데이터 수집부
111: GPS 113: IMU
115; 비전센서 120: 운전습관 데이터 저장서버
130: CPU 200: 메인서버
210: 메인 데이터베이스 220: 데이터 전처리부
230: 인공지능 모델 240: 사고위험도 데이터베이스
250: 제어부 300: 보험서버

Claims (8)

  1. GPS, IMU 센서, 비전센서가 내장되어서 차량 주행정보를 트립당 수집하는 운전습관 데이터 수집부 및 운전습관 데이터 수집을 관리하는 CPU로 구성되는 운전습관 데이터 수집장치;
    상기 운전습관 데이터 수집부로부터 수집된 운전습관 데이터를 저장하는 운전습관 데이터 저장서버; 및
    상기 운전습관 데이터 저장서버의 운전습관 데이터를 수신하는 메인 데이터베이스, 상기 메인 데이터베이스의 운전습관 데이터를 변수별로 전처리하는 데이터 전처리부, 상기 데이터 전처리부에서 전처리된 데이터를 입력하여 차량주행의 사고위험도를 예측하는 인공지능 모델, 상기 인공지능 모델에서 출력된 사고위험도를 저장하는 사고위험도 데이터베이스, 및 사고위험도 예측을 관리하는 제어부로 구성되는 메인서버를 포함하며,
    변수별로 전처리하는 각각의 운전습관 데이터는,
    GPS로부터의 경도(longitude), 위도(latitude), 고도(altitude);
    IMU로부터의 x, y, z축 방향의 가속도(ax, ay, az)와 x, y, z축 방향의 각가속도(gx, gy, gz); 및
    비전센서로부터의 앞차와 내차와의 거리(front_distance), 앞차 속도(front_speed), 차선 중앙 기준 내차의 치우침(bias), 앞차와의 충돌까지 걸리는 예상시간(ttc)이며,
    상기 운전습관 데이터 수집장치에서 수집된 차량주행 데이터는 하나의 트립(trip)당 모든 변수들이 포함되어 있는 구성으로 되어 있으며, 상기 데이터 전처리부에서는 운전습관 데이터를 다루기 더 쉽도록 각각의 센서값들을 일정시간에 한 번씩 타임프레임으로 데이터를 저장하며, 같은 센서값에 해당되는 모든 파일들은 병합(merge)되어 파일로 저장하는 것을 특징으로 하는 인공지능을 활용한 운전자별 사고위험도 예측장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 메인서버로부터 인공지능 모델의 출력값인 사고위험도를 바탕으로 운전자별로 자동차 보험료에 차등을 두는 보험서버를 더 포함하는 것을 특징으로 하는 인공지능을 활용한 운전자별 사고위험도 예측장치.
  4. 삭제
  5. 제1항에 있어서,
    상기 데이터 전처리부에서는 특성 엔지니어링(feature engineering)를 실시하되, 특성 엔지니어링에서 운전습관 데이터를 일정시간에 한 번씩 평균값으로 데이터를 저장하는 것을 특징으로 하는 인공지능을 활용한 운전자별 사고위험도 예측장치.
  6. 제1항에 있어서,
    상기 인공지능 모델은 랜덤 포레스트(random forest), 엑스지부스트(XGBoost), MLP(Multi-Layer Perceptron), LSTM(Long Short Term Memory), CNN(Convolutional Neural Network) 중에서 선택된 어느 하나인 것을 특징으로 하는 인공지능을 활용한 운전자별 사고위험도 예측장치.
  7. 삭제
  8. 삭제
KR1020220021926A 2022-02-21 2022-02-21 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법 KR102416711B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220021926A KR102416711B1 (ko) 2022-02-21 2022-02-21 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법
US17/818,960 US20230267549A1 (en) 2022-02-21 2022-08-10 Method of predicting the future accident risk rate of the drivers using artificial intelligence and its device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220021926A KR102416711B1 (ko) 2022-02-21 2022-02-21 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법

Publications (1)

Publication Number Publication Date
KR102416711B1 true KR102416711B1 (ko) 2022-07-05

Family

ID=82402220

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220021926A KR102416711B1 (ko) 2022-02-21 2022-02-21 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법

Country Status (2)

Country Link
US (1) US20230267549A1 (ko)
KR (1) KR102416711B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116631186A (zh) * 2023-05-19 2023-08-22 东南大学 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统
KR102679941B1 (ko) * 2022-08-11 2024-07-03 인하대학교 산학협력단 딥러닝을 기반으로 운전자의 운전습관을 판단하기 위해 gnss-imu 센서 퓨전을 이용하여 차량 정보를 획득하는 방법 및 시스템

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3982217A1 (en) * 2020-10-12 2022-04-13 Robert Bosch GmbH Method and system for monitoring a manufacturing process
CN117275220B (zh) * 2023-08-31 2024-06-18 云南云岭高速公路交通科技有限公司 基于非完备数据的山区高速公路实时事故风险预测方法
CN117724137A (zh) * 2023-11-21 2024-03-19 江苏北斗星通汽车电子有限公司 一种基于多模态传感器的汽车事故自动检测系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0147866B1 (ko) 1993-09-07 1998-08-01 세끼모또 타다히로 리드선으로부터의 땜납의 박리를 방지할 수 있는 리드선 성형 장치
KR20160019331A (ko) 2014-08-11 2016-02-19 주식회사 포어링크 자동차 보험료 산출 시스템
KR102030583B1 (ko) 2017-11-23 2019-10-11 (주)에이텍티앤 인공지능 기반의 교통사고 예측시스템 및 그 방법
KR102153912B1 (ko) 2020-03-11 2020-09-09 (주)위세아이텍 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법
KR20200140514A (ko) * 2019-06-07 2020-12-16 주식회사 쿠프파이맵스 운행 정보에 기초한 운전자 보험 상품 제공 장치 및 방법
KR102207494B1 (ko) 2019-06-27 2021-01-26 삼성화재해상보험 주식회사 인공 지능망을 이용한 재물보험 가입 심사 시스템
KR20210035478A (ko) 2019-09-24 2021-04-01 김종환 빅 데이터에 기반한 자동차보험의 사고정보 분석통계 제공방법, 장치 및 프로그램
KR102318801B1 (ko) 2019-10-22 2021-10-28 한국통합민원센터 주식회사 운전자의 교통사고율 예측 시스템
KR20220000843A (ko) * 2020-06-26 2022-01-04 로베르트 보쉬 게엠베하 초광대역을 사용하는 점유 감지

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR0147866B1 (ko) 1993-09-07 1998-08-01 세끼모또 타다히로 리드선으로부터의 땜납의 박리를 방지할 수 있는 리드선 성형 장치
KR20160019331A (ko) 2014-08-11 2016-02-19 주식회사 포어링크 자동차 보험료 산출 시스템
KR102030583B1 (ko) 2017-11-23 2019-10-11 (주)에이텍티앤 인공지능 기반의 교통사고 예측시스템 및 그 방법
KR20200140514A (ko) * 2019-06-07 2020-12-16 주식회사 쿠프파이맵스 운행 정보에 기초한 운전자 보험 상품 제공 장치 및 방법
KR102312984B1 (ko) 2019-06-07 2021-10-14 주식회사 쿠프파이맵스 운행 정보에 기초한 운전자 보험 상품 제공 장치 및 방법
KR102207494B1 (ko) 2019-06-27 2021-01-26 삼성화재해상보험 주식회사 인공 지능망을 이용한 재물보험 가입 심사 시스템
KR20210035478A (ko) 2019-09-24 2021-04-01 김종환 빅 데이터에 기반한 자동차보험의 사고정보 분석통계 제공방법, 장치 및 프로그램
KR102318801B1 (ko) 2019-10-22 2021-10-28 한국통합민원센터 주식회사 운전자의 교통사고율 예측 시스템
KR102153912B1 (ko) 2020-03-11 2020-09-09 (주)위세아이텍 인공지능 기반의 보험금 부당청구 및 부당패턴 탐지 장치 및 방법
KR20220000843A (ko) * 2020-06-26 2022-01-04 로베르트 보쉬 게엠베하 초광대역을 사용하는 점유 감지

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102679941B1 (ko) * 2022-08-11 2024-07-03 인하대학교 산학협력단 딥러닝을 기반으로 운전자의 운전습관을 판단하기 위해 gnss-imu 센서 퓨전을 이용하여 차량 정보를 획득하는 방법 및 시스템
KR102681564B1 (ko) * 2022-08-11 2024-07-08 인하대학교 산학협력단 딥러닝 기반의 행동 판단 모델을 통해 gnss-imu센서 퓨전을 이용하여 생성된 차량 정보로부터 운전자의 운전 습관을 판단하는 방법 및 시스템
CN116631186A (zh) * 2023-05-19 2023-08-22 东南大学 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统
CN116631186B (zh) * 2023-05-19 2024-05-28 东南大学 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统

Also Published As

Publication number Publication date
US20230267549A1 (en) 2023-08-24

Similar Documents

Publication Publication Date Title
KR102416711B1 (ko) 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
Dong et al. Characterizing driving styles with deep learning
US10878328B2 (en) Method and system for analyzing driver behaviour based on telematics data
US11237184B2 (en) Methods and systems for pattern-based identification of a driver of a vehicle
US20180157963A1 (en) Vehicle classification using a recurrent neural network (rnn)
WO2021050152A1 (en) Systems and methods for predicting fuel consumption efficiency
CN111582559B (zh) 一种到达时间的预估方法及装置
US11710082B2 (en) Systems and methods for utilizing machine learning and feature selection to classify driving behavior
CN111435088A (zh) 一种道路匹配方法、装置、电子设备及存储介质
CN110458214B (zh) 驾驶员更换识别方法和装置
Abdelrahman et al. Crowdsensing-based personalized dynamic route planning for smart vehicles
US11756431B2 (en) Systems and methods for utilizing models to identify a vehicle accident based on vehicle sensor data and video data captured by a vehicle device
Abdelrahman et al. A cloud-based environment-aware driver profiling framework using ensemble supervised learning
EP3382570A1 (en) Method for characterizing driving events of a vehicle based on an accelerometer sensor
US20230077516A1 (en) Systems and methods for utilizing machine learning for vehicle detection of adverse conditions
US20210333764A1 (en) Electronic control device and neural network update system
Zeng et al. On the importance of contextual information for building reliable automated driver identification systems
KR102482149B1 (ko) 노이즈가 있는 다중 모드형 데이터로부터 관심 지점에 대한 최적의 운송 서비스 위치의 자동 결정
Lushan et al. Supervising vehicle using pattern recognition: Detecting unusual behavior using machine learning algorithms
Polyantseva et al. On the Applicability of Neural Networks in the Tasks of Detecting Dangerous Movement
Jaafer et al. Data augmentation of IMU signals and evaluation via a semi-supervised classification of driving behavior
US20210101614A1 (en) Spatio-temporal pose/object database
Li A deep learning approach for real-time crash risk prediction at urban arterials
Li et al. A deep multichannel network model for driving behavior risk classification

Legal Events

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