KR102464174B1 - 교통수단 추정 장치 및 교통수단 추정 방법 - Google Patents

교통수단 추정 장치 및 교통수단 추정 방법 Download PDF

Info

Publication number
KR102464174B1
KR102464174B1 KR1020210042735A KR20210042735A KR102464174B1 KR 102464174 B1 KR102464174 B1 KR 102464174B1 KR 1020210042735 A KR1020210042735 A KR 1020210042735A KR 20210042735 A KR20210042735 A KR 20210042735A KR 102464174 B1 KR102464174 B1 KR 102464174B1
Authority
KR
South Korea
Prior art keywords
transportation
learning
data
real
time
Prior art date
Application number
KR1020210042735A
Other languages
English (en)
Other versions
KR20220003445A (ko
Inventor
오철
김진수
이건우
김재헌
신현주
Original Assignee
한양대학교 에리카산학협력단
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 한양대학교 에리카산학협력단 filed Critical 한양대학교 에리카산학협력단
Publication of KR20220003445A publication Critical patent/KR20220003445A/ko
Application granted granted Critical
Publication of KR102464174B1 publication Critical patent/KR102464174B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/14—Traffic procedures, e.g. traffic regulations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/40—Correcting position, velocity or attitude
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

본 발명은 교통수단 추정 장치 및 교통수단 추정 방법에 대한 것으로 교통수단 추정 장치는 학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성하는 학습 데이터 분할부, 학습 세그먼트 데이터에 미리 설정된 교통수단 레이블을 매칭하는 교통수단 레이블부, 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출하는 학습특성정보 추출부, 학습 세그먼트 중 미리 설정된 학습용 데이터, 매칭된 교통수단 레이블 및 추출된 복수 개의 학습특성정보를 이용하여 미리 설정된 교통수단 레이블에 대응하게 분류되도록 하는 교통수단 추정모델을 지도학습(Supervised Learning)하는 지도학습부 및 교통수단 추정모델에 실시간 GPS 데이터를 입력하여, 실시간 GPS 데이터의 교통수단을 추정하는 추정부를 포함함.

Description

교통수단 추정 장치 및 교통수단 추정 방법{Apparatus For Estimating Transportation And Method For Estimating Transportation}
본 발명은 GPS 데이터로 탑승자의 교통수단을 추정하는 교통수단 추정 장치 및 교통수단 추정 방법에 대한 것이다.
교통수단을 추정하는 기술은 교통정보시스템(Traffic Information System)에서 교통수단 별 실시간 분포 및 이동량 추정 분야와, 보다 높은 수준의 교통정보 수집, 가공 및 제공에 기여할 수 있다.
전통적으로 교통수단 분포를 추정하는 기술은 교통수요 및 계획분야에서 가구통행조사 또는 인터뷰를 통해 거시적인 기종점 통행량(O/D) 형태로 수집되고, 다양한 통계기법을 통해 추정과 예측이 이루어졌다. 아울러 최근 스마트폰의 보급으로 내장된 GPS를 통해 사용자의 광범위한 위치정보가 대량으로 수집 및 저장되고 있다.
나아가 통계(Logistic, Probit Models), 머신러닝(KNN, DT, RF, SVM, Kmeans, ANN)등 다양한 기법을 통해 교통수단을 추정하는 다수의 연구도 진행되고 있지만, GPS 정보 이외의 부가적인 변수 또는 정보를 필요로 하고 있다. 분류 모형설계 기법의 특성상 raw 형태의 시계열 GPS 데이터를 사용하지 못하고, 공간평균속도, 통행시간, max 값, min 값 등과 같은 일정범위에서 집계 보정된 통계치 데이터를 부가적인 변수로 사용하고 있다. 이러한 집계 형태는 어느 정도 각 교통수단의 특징을 대표할 수는 있지만, GPS 데이터마다 내포된 세부 특징이 손상되거나 노이즈가 발생하여, 보다 세분화된 교통수단 추정에 미흡한 주요 원인이 되기도 한다.
이에 최근에는 부가적인 변수나 정보가 없는 raw 형태의 GPS 정보와 통계, 머신러닝 등 기법을 이용하여 교통수단을 추정하는 연구가 활발히 진행 중에 있다.
대한민국공개특허공보 제10-2016-0088966호(이동수단 판별 시스템, 배제대학교 산학협력단, 2016.07.27)
학습용 GPS 데이터를 통해 지도학습된 교통수단 추정모델을 생성하여, 실시간으로 수신되는 GPS 데이터에 대응하는 교통수단을 추정할 수 있는 교통수단 추정 장치 및 교통수단 추정 방법을 제공한다.
본 발명의 교통수단 추정 장치는 학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성하는 학습 데이터 분할부, 학습 세그먼트 데이터에 미리 설정된 교통수단 레이블(Lable)을 매칭하는 교통수단 레이블부, 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출하는 학습특성정보 추출부, 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 매칭된 교통수단 레이블 및 추출된 복수 개의 학습특성정보를 이용하여 미리 설정된 교통수단 레이블에 대응하게 분류되도록 하는 교통수단 추정모델을 지도학습(Supervised Learning)하는 지도학습부 및 교통수단 추정모델에 실시간 GPS 데이터를 입력하여, 실시간 GPS 데이터의 교통수단을 추정하는 추정부를 포함할 수 있다.
지도학습부는 학습 세그먼트 데이터 중 미리 설정된 테스트용 데이터, 매칭된 교통수단 레이블 및 추출된 복수 개의 학습특성정보를 교통수단 추정모델에 입력하여, 교통수단 추정모델의 교통수단 추정 정확도를 검증하는 테스트부를 포함할 수 있다.
추정부는 실시간 GPS 데이터를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성하는 실시간 데이터 분할부, 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출하는 실시간특성정보 추출부 및 실시간 세그먼트 데이터 및 추출된 복수 개의 실시간특성정보를 교통수단 추정모델에 입력하고, 실시간 세그먼트 데이터에 대응하는 교통수단 레이블을 매칭하여 교통수단을 추정하는 교통수단 추정부를 포함할 수 있다.
교통수단 추정부는 실시간 세그먼트 데이터의 실시간특성정보와 가장 높은 유사도를 보이는 교통수단 레이블을 실시간 GPS 데이터의 교통수단으로 추정할 수 있다.
지도학습부는 CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 학습 GPS 데이터 또는 실시간 GPS 데이터를 입력 값으로 하고, 교통수단을 출력 값으로 하는 교통수단 추정모델을 생성하는 추정모델 생성부를 포함할 수 있다.
교통수단 추정 장치는 학습 세그먼트 데이터 또는 복수 개의 학습특성정보에 대해 데이터 평활화를 적용하여 오류값을 보정하는 오류값 보정부를 더 포함할 수 있다.
학습특성정보는 속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함할 수 있다.
본 발명의 교통수단 추정 방법은 학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성하는 단계, 학습 세그먼트 데이터에 미리 설정된 교통수단 레이블(Lable)을 매칭하는 단계, 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출하는 단계, 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 매칭된 교통수단 레이블 및 추출된 복수 개의 학습특성정보를 이용하여, 미리 설정된 교통수단 레이블에 맞게 분류되도록 하는 교통수단 추정모델을 지도학습(Supervised Learning)하는 단계 및 교통수단 추정모델에 실시간 GPS 데이터를 입력하여, 실시간 GPS 데이터의 교통수단을 추정하는 단계를 포함할 수 있다.
지도학습하는 단계는 학습 세그먼트 데이터 중 미리 설정된 테스트용 데이터, 매칭된 교통수단 레이블 및 추출된 복수 개의 실시간특성정보를 교통수단 추정모델에 입력하여, 교통수단 추정모델의 교통수단 추정 정확도를 검증하는 단계를 포함할 수 있다.
추정하는 단계는 실시간 GPS 데이터를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성하는 단계, 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출하는 단계 및 실시간 세그먼트 데이터 및 추출된 복수 개의 실시간특성정보를 교통수단 추정모델에 입력하고, 실시간 세그먼트 데이터에 대응하는 교통수단 레이블을 매칭하여 교통수단을 추정하는 단계를 포함할 수 있다.
추정하는 단계는 실시간 세그먼트 데이터의 실시간특성정보와 가장 높은 유사도를 보이는 교통수단 레이블을 실시간 GPS 데이터의 교통수단으로 추정할 수 있다.
지도학습하는 단계는 CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 학습 GPS 데이터 또는 실시간 GPS 데이터를 입력 값으로 하고, 교통수단을 출력 값으로 하는 교통수단 추정모델을 생성하는 단계를 포함할 수 있다.
학습 세그먼트 데이터 또는 복수 개의 학습특성정보에 대해 데이터 평활화를 적용하여 오류값을 보정하는 단계를 더 포함할 수 있다.
학습특성정보는 속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함할 수 있다.
본 발명의 교통수단 추정 장치 및 방법은 교통수단을 알 수 없는 GPS 정보로도 이에 해당하는 실시간 교통수단 및 교통수단의 분포를 추정할 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통수단 추정 장치를 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 교통수단 추정 장치의 구성 중 지도학습부를 설명하기 위한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 GPS 데이터를 일정 시간 단위로 분할한 세그먼트 데이터와 교통수단 레이블을 매칭하는 과정을 도시한 도면이다.
도 4a는 본 발명의 일 실시예에 따른 CNN(Convolutional Neural Network) 모델을 이용한 교통수단 추정모델을 설명하기 위한 도면이다.
도 4b는 본 발명의 일 실시예에 따른 CNN 및 LSTM로 구성된 LRCN 모델을 이용한 교통수단 추정모델을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 교통수단 추정 장치의 구성 중 추정부를 설명하기 위한 블록도이다.
도 6은 본 발명의 일 실시예에 따른 교통수단 추정 방법을 나타내는 순서도이다.
도 7은 본 발명의 일 실시예에 따른 교통수단 추정 방법 중 지도학습단계를 설명하기 위한 블록도이다.
도 8은 본 발명의 일 실시예에 따른 교통수단 추정 방법 중 추정단계를 설명하기 위한 블록도이다.
도 9a는 본 발명의 일 실시예에 따른 지도학습부 및 테스트부에서 도출된 교통수단 추정 정확도를 나타내는 도면이다.
도 9b은 본 발명의 일 실시예에 따른 교통수단 추정모델의 각 교통수단 별 실측치와 예측치를 비교한 도면이다.
이하, 첨부된 도면을 참조하여 기술되는 실시예를 통하여 발명을 통상의 기술자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다. 다만, 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다.
이하에서 사용되는 용어들은 실시예에서의 기능을 고려하여 선택된 용어들로써, 그 용어의 의미는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 후술하는 실시예에서 사용된 용어의 의미는 이하에서 구체적으로 정의된 경우에는 그 정의에 따르며, 구체적인 정의가 없는 경우는 통상의 기술자들이 일반적으로 인식하는 의미로 해석되어야 할 것이다. 또한, 각 도면에서 제시된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다.
이하, 첨부된 도면 및 이에 기재된 내용들을 참조하여 본 발명의 실시예에 따른 교통수단 추정 장치 및 교통수단 추정 방법을 상세히 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 교통수단 추정 장치를 나타내는 블록도이다.
도 1을 참조하면, 본 발명의 교통수단 추정 장치(10)는 학습 데이터 분할부(110), 교통수단 레이블부(120), 학습특성정보 추출부(130), 오류값 보정부(140), 지도학습부(150) 및 추정부(160)를 포함할 수 있다.
학습 데이터 분할부(110)는 학습 GPS 데이터(11)를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성할 수 있다.
이때 학습 GPS 데이터(11)는 지도학습(Supervised Learning)을 위하여 미리 복수 개로 준비될 수 있다.
여기서 지도학습이란 입력 데이터가 주어지면 입력 데이터에 대해 미리 설정된 정답 레이블(Lable)을 매칭하여 학습시키는 머신러닝(Machine Learning)의 한 방법이다. 즉, 지도학습은 입력에 대한 출력(결과)이 정해진 데이터들을 알고리즘에 학습시켜 주어진 입력에 대한 출력을 만드는 방법으로, 학습 데이터셋으로부터 생성된 모델을 통해 새로운 데이터에 대한 출력을 예측하는 것이다.
이에 본 발명의 교통수단 추정 장치(10)는 교통수단 레이블을 매칭된 복수 개의 학습 GPS 데이터(11)을 교통수단 추정모델에 학습시키고, 최종적으로 실시간 GPS 데이터를 교통수단 추정모델에 입력하면 출력 값인 교통수단을 추정할 수 있다. 이에 대한 설명은 이하에서 상세하게 하도록 한다.
교통수단 추정 장치(10)는 학습 GPS 데이터(11) 및 실시간 GPS 데이터(13)를 수집하기 위한 별도의 데이터 수집부를 포함할 수 있다.
데이터 수집부는 GSM(Global System for Mobile Communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced), WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access) 등으로 구성된 네트워크망에서 기지국, 사용자 단말, 서버 중 적어도 하나와 통신하여 학습 GPS 데이터(11) 및 실시간 GPS 데이터(13)를 수집할 수 있다.
본 발명의 일 실시예에 따른 GPS 데이터를 일정 시간 단위로 분할한 세그먼트 데이터와 교통수단 레이블을 매칭하는 과정을 도시한 도 3을 참조하여 구체적으로 설명하자면, 학습 데이터 분할부(110)는 초당 연속적으로 수집된 학습 GPS 데이터(11)를 미리 설정된 시간 단위로 구분하여 일정 시간 크기의 학습 세그먼트 데이터로 분할할 수 있다.
또한, 데이터 분할부(110)는 초당 연속적으로 수집된 학습 GPS 데이터(11)를 미리 설정된 포인트 단위로 구분하여 일정 포인트 크기의 학습 세그먼트 데이터로 분할할 수 있다.
예를 들어, 데이터 분할부(110)는 0.1초 당 연속적으로 수집된 복수 개의 학습 GPS 데이터(11)를 20초 단위 또는 200 포인트 단위로 묶어 크기가 비교적 작은 학습 세그먼트 데이터로 분할할 수 있다. 따라서, 학습 GPS 데이터(11)는 복수 개의 연속된 학습 세그먼트 데이터로 구성될 수 있다.
교통수단 레이블부(120)는 각 학습 세그먼트 데이터 별로 교통수단 레이블을 부여하고, 미리 설정된 개수만큼의 학습 세그먼트 데이터를 하나의 시퀀스 데이터로 구성하며, 위와 같은 과정을 복수 개의 학습 GPS 데이터(11)에 대해 누적하며 수행할 수 있다.
따라서, 교통수단 레이블이 매칭된 미리 설정된 개수만큼의 학습 세그먼트 데이터를 포함하는 3차원 형태의 시퀀스 데이터는 이하에서 설명할 교통수단 추정모델의 입력 데이터로 적용될 수 있다.
본 발명에서의 교통수단 레이블은 도보, 자전거, 오토바이, 버스, 승용차, 전철 및 전동휠 중 적어도 하나를 포함할 수 있다. 다만, 본 발명에서는 이상의 7가지 교통수단에 한정하여 실시하였지만, 이에 한정되는 것은 아니며 더 많은 교통수단이 포함될 수 있다.
학습특성정보 추출부(130)는 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출할 수 있다. 이때, 학습특성정보는 속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함할 수 있다.
학습특성정보 추출부(130)는 경위도 연산(Vincenty Formula)을 통해 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 거리를 계산하고, 이를 연산하여 포인트 데이터 별 속도 정보를 추출할 수 있다. 속도 정보를 산출하는 계산식은 다음의 수학식 1로 표현될 수 있다.
Figure 112021038470784-pat00001
수학식 1에서 i는 포인트 데이터, Vi는 포인트 데이터 i의 속도 값, ti는 포인트 데이터 i의 시간, Pi는 포인트 데이터 i의 위치 정보를 나타낼 수 있다.
학습특성정보 추출부(130)는 수학식 1을 통해 계산된 속도 정보를 연산하여 포인트 데이터 별 가속도 정보를 추출할 수 있다. 가속도 정보를 산출하는 계산식은 다음의 수학식 2로 표현될 수 있다.
Figure 112021038470784-pat00002
수학식 2에서 i는 포인트 데이터, Ai는 포인트 데이터 i의 가속도 값, ti는 포인트 데이터 i의 시간, Vi는 포인트 데이터 i의 속도 값을 나타낼 수 있다.
학습특성정보 추출부(130)는 수학식 2를 통해 계산된 가속도 정보를 연산하여 포인트 데이터 별 저크 정보를 추출할 수 있다. 저크 정보를 산출하는 계산식은 다음의 수학식 3로 표현될 수 있다.
Figure 112021038470784-pat00003
수학식 3에서 i는 포인트 데이터, Ji는 포인트 데이터 i의 저크 값, ti는 포인트 데이터 i의 시간, Ai는 포인트 데이터 i의 가속도 값을 나타낼 수 있다.
학습특성정보 추출부(130)는 삼각함수 기법을 적용한 다음의 수학식 4를 이용하여 베어링 레이트 정보를 추출할 수 있다. 여기서 베어링 레이트 정보는 사용자 단말이 향하고 있는 방향의 각도 변화율을 의미할 수 있다.
Figure 112021038470784-pat00004
Figure 112021038470784-pat00005
Figure 112021038470784-pat00006
Figure 112021038470784-pat00007
수학식 4에서 i는 포인트 데이터, BRi는 포인트 데이터 i의 베이링 레이트 값, Pi long은 포인트 데이터 i의 경도(Longitude) 정보, Pi lat은 포인트 데이터 i의 위도(Latitude) 정보를 나타낼 수 있다.
다만, 위성 기반의 GPS 데이터를 수집할 때 데이터 튐, 끊김 현상 등의 문제점이 발생할 수 있고, 학습특성정보 산출 시 데이터 손상, 노이즈 발생 등의 문제점이 발생할 수 있으므로, 오류값 보정부(140)는 특정 디지털 필터를 이용하여 학습 세그먼트 데이터 또는 학습특성정보에 대한 오류값을 보정할 수 있다.
본 발명에서의 오류값 보정부(140)는 Savitzky-Golay Filter를 적용하여 오류값을 보정할 수 있지만, 이에 한정되는 것은 아니며 Low Pass Filter와 같은 다양한 데이터 시그널 프로세스 기법들이 적용될 수 있다.
이후 교통수단 레이블부(120)는 복수 개의 포인트 데이터 별로 추출된 학습특성정보에 대응하는 교통수단 레이블을 매칭할 수 있다. 따라서 교통수단 레이블부(120)는 각 학습 세그먼트 데이터 별로 교통수단 레이블을 부여하거나, 포인트 데이터 별로 추출된 학습특성정보에 맞는 교통수단 레이블을 매칭할 수 있다.
결과적으로 학습 GPS 데이터(11)의 학습, 테스트 및 추정을 위하여 학습 데이터 분할부(110), 교통수단 레이블부(120), 학습특성정보 추출부(130) 및 오류값 보정부(140)의 동작 과정을 통해 교통수단 추정 장치(10)는 학습 GPS 데이터(11)를 3차원 형태의 시퀀스 데이터로 변환 및 누적할 수 있다.
지도학습부(150)는 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 매칭된 교통수단 레이블 및 추출된 복수 개의 학습특성정보를 이용하여, 미리 설정된 교통수단 레이블에 대응하게 분류되도록 하는 교통수단 추정모델을 지도학습할 수 있다.
여기서 미리 설정된 학습용 데이터는 전체 학습 세그먼트 데이터 중 미리 설정된 비율로 구분된 데이터일 수 있고, 매칭된 교통수단 레이블 및 추출된 복수 개의 학습특성정보를 포함할 수 있다.
추정부(160)는 실시간 GPS 데이터(13)를 지도학습부(150)에서 학습된 교통수단 추정모델에 입력하고, 실시간 GPS 데이터(13)의 실시간특성정보를 이용하여 실시간 GPS 데이터(13)의 교통수단을 추정할 수 있다.
지도학습부(150) 및 추정부(160)에 대한 구체적인 내용은 이하 도 2 내지 도 5를 참조하여 후술하도록 한다.
도 2는 본 발명의 일 실시예에 따른 교통수단 추정 장치의 구성 중 지도학습부를 설명하기 위한 블록도이다.
도 2를 참조하면, 지도학습부(150)는 추정모델 생성부(151) 및 테스트부(152)를 포함할 수 있다.
추정모델 생성부(151)는 CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 학습 세그먼트 데이터(12)를 입력 값으로 하고, 교통수단을 출력 값으로 하는 교통수단 추정모델을 생성할 수 있다.
본 발명의 일 실시예에 따른 CNN(Convolutional Neural Network) 모델을 이용한 교통수단 추정모델을 설명하는 도 4a와 CNN 및 LSTM로 구성된 LRCN 모델을 이용한 교통수단 추정모델을 설명하는 도 4b를 참조하여 더욱 상세하게 설명하자면, 추정모델 생성부(151)는 지도학습 인공지능 기법인 CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)를 조합하여 LRCN(Long-term Recurrent Convolutional Networks) 모델을 생성할 수 있고, 이에 지도학습부(150)는 이상에서 전처리된 학습 세그먼트 데이터(12)를 교통수단 추정모델에 입력하여 학습을 진행할 수 있다.
추정모델 생성부(151)로부터 생성된 교통수단 추정모델 내 CNN 구조는 하나의 시퀀스 데이터 내에 포함된 학습 세그먼트 데이터(12)의 개수만큼 복수 개로 형성되어 3차원 데이터의 데이터 특징을 추출할 수 있고, LSTM 구조는 초당 연속적으로 유지되거나 변화되는 교통수단 및 순차적인 정보를 저장하여, 이를 학습에 반영시킬 수 있다.
이와 같이 추정모델 생성부(151)는 CNN 구조 및 LSTM 구조를 조합하여, 다양한 레이어 및 필터 수의 조합을 갖는 LRCN 구조 기반의 교통수단 추정모델을 생성할 수 있다.
교통수단 추정모델의 각 구조 및 레이어 동작 과정에 대해서 설명하자면, 3차원 형태의 데이터인 각각의 학습 세그먼트 데이터(12)가 입력층을 통과하면, 학습 세그먼트 데이터(12)의 특징맵(Feature Map)을 도출하는 적어도 하나의 제1 컨볼루션 레이어(Convolutional Layer)를 통과할 수 있다.
여기서 제1 컨볼루션 레이어의 컨볼루션 필터의 크기는 x개로 설정될 수 있으며, 각 필터 내의 가중치 값은 추정의 정확도가 향상되도록 지속적으로 수정될 수 있다.
이후, 학습 세그먼트 데이터(12)는 제1 맥스풀링 레이어(Max-Pooling Layer)를 통과하고, 컨볼루션 필터의 크기가 2x개인 적어도 하나의 제2 컨볼루션 레이어를 통과할 수 있다.
또한, 학습 세그먼트 데이터(12)는 제2 맥스풀링 레이어를 통과하고, 컨볼루션 필터의 크기가 4x개인 적어도 하나의 제3 컨볼루션 레이어를 통과할 수 있다.
이후, 학습 세그먼트 데이터(12)는 데이터의 오버피팅(Overfitting) 문제를 방지하기 위하여 설정된 드롭아웃 레이어(Dropout Layer)를 통과하여, 최종적인 특징 데이터의 일부분이 제거될 수 있다.
이후, 학습 세그먼트 데이터(12)는 플래튼 레이어(Flatten Layer)를 통과하여, 3차원 형태의 데이터에서 2차원 형태의 데이터로 변환될 수 있고, 플래튼 레이어까지 통과가 완료되면 지도학습부(150)는 다음 연속된 복수 개의 학습 세그먼트 데이터(12)에 대해서 반복적으로 수행할 수 있다.
최종적으로 복수 개의 CNN 구조를 통과한 복수 개의 학습 세그먼트 데이터(12)가 2차원으로 변환 및 나열되면, 지도학습부(150)는 이를 양방향 구조인 제1 LSTM 레이어(LSTM-bi Layer)에 순차적으로 적용할 수 있다.
제1 LSTM 레이어에 입력된 2차원 형태의 학습 세그먼트 데이터(12)는 LSTM 구조 내 드롭아웃 레이어를 통과한 후, 다시 양방향 구조인 제2 LSTM 레이어를 통과할 수 있다.
이후, 학습 세그먼트 데이터(12)는 적어도 하나의 풀리 커넥티드 레이어(Fully Connected Layer)로 구성된 뉴럴네트워크 구조를 통과하여, 최종적으로 출력층에서는 결과 값인 교통수단을 산출할 수 있다.
본 발명에서 최종적으로 도출된 LRCN 모델인 교통수단 추정모델의 구조, 레이어, 필터 수 및 설정값은 다음의 표 1과 같이 표현될 수 있다.
Figure 112021038470784-pat00008
위와 같이 교통수단 추정모델의 생성 과정은 복수 개의 학습특성정보가 포함된 학습 세그먼트 데이터(12) 중 미리 설정된 학습용 데이터가 이용될 수 있고, 각 학습 세그먼트 데이터(12)마다 적용되어 수행될 수 있다. 또한, 교통수단 추정모델은 미리 설정된 Batch Size 및 Epoch에 기초하여 지도학습이 반복 수행될 수 있고, 각 가중치가 수정되어 정확도를 향상시키는 방향으로 학습이 수행될 수 있다.
본 발명에서의 여러 변수에 따른 설정 값 및 하이퍼파라미터 값은 다음의 표 2와 같이 설정될 수 있다. 다만, 설정 값 및 하이퍼파라미터 값은 본 발명의 일 실시예로 설정한 값으로 실시자에 따라 해당 값은 변경될 수 있다.
Figure 112021038470784-pat00009
테스트부(152)는 복수 개의 학습특성정보가 포함된 학습 세그먼트 데이터(12) 중 미리 설정된 테스트용 데이터를 위와 같이 생성된 교통수단 추정모델에 입력하여, 교통수단 추정모델의 교통수단 추정 정확도를 검증할 수 있다.
여기서 미리 설정된 테스트용 데이터는 전체 학습 세그먼트 데이터 중 미리 설정된 비율로 구분된 데이터일 수 있고, 지도학습부(150)에서 이용되지 않은 학습 세그먼트 데이터를 의미할 수 있다.
테스트부(152)는 테스트에 활용되는 학습 세그먼트 데이터(12)마다 교통수단 추정 결과를 출력할 수 있고, 추정 값과 실제 값의 차이를 기초로 추정 정확도를 산출할 수 있다.
테스트부(152)는 추정 정확도가 미리 설정된 기준 값 이상으로 산출될 때까지 반복하며 추정 정확도를 산출할 수 있고, 이에 추정모델 생성부(151)는 지속적으로 교통수단 추정모델의 필터 수, 설정 값 및 하이퍼파라미터 값을 수정하며 보다 높은 정확도를 갖는 교통수단 추정모델을 생성할 수 있다.
여기서 필터 수, 설정 값 및 하이퍼파라미터 값은 상술한 표 1 및 표 2가 일례가 될 수 있다.
구체적으로, 테스트부(152)에서 산출한 교통수단 추정모델의 추정 정확도가 미리 설정된 기준 값보다 작을 경우, 추정모델 생성부(151)는 교통수단 추정모델의 필터 수, 설정 값 및 하이퍼파라미터 값을 수정할 수 있다.
이에 따라, 추정모델 생성부(151)는 위 복수 개의 변수 값 중 적어도 하나를 수정하고, 지도학습부(150)는 수정된 교통수단 추정모델에 학습 세그먼트 데이터(12)를 입력하여 학습을 다시 진행할 수 있다.
이후, 테스트부(152)는 수정된 교통수단 추정모델의 추정 정확도를 산출하고, 추정 정확도가 미리 설정된 기준 값 이상으로 산출되면 해당 교통수단 추정모델을 최적의 추정모델로 결정할 수 있다.
이와 같이 추정모델 생성부(151)는 테스트부(152)에서 지속적으로 산출되는 추정 정확도에 기초하여, 교통수단 추정모델의 필터 수, 설정 값 및 하이퍼파라미터 값을 수정하면서 교통수단 추정모델을 보완 및 생성할 수 있다.
도 5는 본 발명의 일 실시예에 따른 교통수단 추정 장치의 구성 중 추정부를 설명하기 위한 블록도이다.
추정부(160)는 실시간 데이터 분할부(161), 실시간특성정보 추출부(162) 및 교통수단 추정부(163)를 포함할 수 있다.
실시간 데이터 분할부(161)는 실시간 GPS 데이터(13)를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성할 수 있다. 실시간 데이터 분할부(161)는 도 1의 학습 데이터 분할부(110)와 동일한 동작을 수행할 수 있으며, 이에 따라 학습 데이터 분할부(110) 및 실시간 데이터 분할부(161)는 하나의 구성일 수 있다.
실시간특성정보 추출부(162)는 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출할 수 있다. 실시간특성정보 추출부(162)는 도 1의 학습특성정보 추출부(130)와 동일한 동작을 수행할 수 있으며, 이에 따라 학습특성정보 추출부(130) 및 실시간특성정보 추출부(162)는 하나의 구성일 수 있다.
이후 이상에서 설명한 바와 같이 위성 기반의 GPS 데이터는 수집 및 전처리 과정에서 데이터 튐, 끊김 현상, 데이터 손상, 노이즈 발생 등의 문제점이 발생할 수 있으므로, 도 1의 오류값 보정부(140)를 통해 오류값이 보정될 수 있다.
즉, 오류값 보정부(140)는 학습 GPS 데이터(11) 및 실시간 GPS 데이터(13)의 오류값을 보정할 수 있지만, 학습 GPS 데이터(11) 및 실시간 GPS 데이터(13) 각각을 담당하는 별개의 구성일 수 있다.
교통수단 추정부(163)는 실시간 세그먼트 데이터 및 추출된 복수 개의 실시간특성정보를 교통수단 추정모델에 입력하고, 실시간 세그먼트 데이터에 대응하는 교통수단 레이블을 매칭하여 교통수단을 추정할 수 있다.
교통수단 추정부(163)는 실시간 GPS 데이터(13)의 실시간특성정보와 가장 높은 유사도를 보이는 교통수단 레이블을 실시간 GPS 데이터(13)의 교통수단으로 추정할 수 있다.
이를 통해, 교통수단 추정부(163)는 사용자 단말로부터 수신된 교통수단 정보를 알 수 없는 실시간 GPS 데이터(13)를 최종적으로 생성된 교통수단 추정모델에 입력하여, 해당 실시간 GPS 데이터(13)의 교통수단과 각 교통수단의 분포 및 이동량을 추정할 수 있다.
이에 따라 본 발명의 교통수단 추정 장치는 Maas(Mobility as a Service), 통행소요시간 추정, 교통혼잡도 추정, 안전도 추정, 대기오염 추정 등 교통수단 분포가 요구되는 통합 교통운영시스템에 효과적으로 활용될 수 있다.
또한, 다양한 교통수단의 실시간 분포 추정을 통해 다양한 교통운영 전략수립 및 실시간 기반 통합 교통서비스 실현하는 데 기여할 수 있다.
도 6은 본 발명의 일 실시예에 따른 교통수단 추정 방법을 나타내는 순서도이다.
도 6을 참조하면, 본 발명의 교통수단 추정 방법은 학습 세그먼트 데이터 생성단계(S100), 교통수단 레이블 매칭단계(S200), 학습특성정보 추출단계(S300), 오류값 보정단계(S400), 교통수단 추정모델 지도학습단계(S500) 및 교통수단 추정단계(S600)를 포함할 수 있다.
학습 세그먼트 데이터 생성단계(S100)는 학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성할 수 있다.
이때 학습 GPS 데이터는 지도학습(Supervised Learning)을 위하여 미리 복수 개로 준비될 수 있다. 즉, 교통수단 추정 방법은 학습 GPS 데이터 및 실시간 GPS 데이터를 수집하기 위한 별도의 데이터 수집단계를 포함할 수 있다.
학습 세그먼트 데이터 생성단계(S100)는 초당 연속적으로 수집된 학습 GPS 데이터를 미리 설정된 시간 단위로 구분하여 일정 시간 크기의 학습 세그먼트 데이터로 분할할 수 있다.
또한, 학습 세그먼트 데이터 생성단계(S100)는 초당 연속적으로 수집된 학습 GPS 데이터를 미리 설정된 포인트 단위로 구분하여 일정 포인트 크기의 학습 세그먼트 데이터로 분할할 수 있다.
예를 들어, 학습 세그먼트 데이터 생성단계(S100)는 0.1초 당 연속적으로 수집된 복수 개의 학습 GPS 데이터를 20초 단위 또는 200 포인트 단위로 묶어 크기가 비교적 작은 학습 세그먼트 데이터로 분할할 수 있다. 따라서, 복수 개의 학습 GPS 데이터는 복수 개의 연속된 학습 세그먼트 데이터로 구성될 수 있다.
이후 교통수단 레이블 매칭단계(S200)는 각 학습 세그먼트 데이터 별로 교통수단 레이블을 부여하고, 미리 설정된 개수만큼의 학습 세그먼트 데이터를 하나의 시퀀스 데이터로 구성하며, 위와 같은 과정을 복수 개의 학습 GPS 데이터에 대해 누적하며 수행할 수 있다.
따라서, 교통수단 레이블이 매칭된 미리 설정된 개수만큼의 학습 세그먼트 데이터를 포함하는 3차원 형태의 시퀀스 데이터는 이하에서 설명할 교통수단 추정모델의 입력 데이터로 적용될 수 있다.
본 발명에서의 교통수단 레이블은 도보, 자전거, 오토바이, 버스, 승용차, 전철 및 전동휠 중 적어도 하나를 포함할 수 있다. 다만, 본 발명에서는 이상의 7가지 교통수단에 한정하여 실시하였지만, 이에 한정되는 것은 아니며 더 많은 교통수단이 포함될 수 있다.
학습특성정보 추출단계(S300)는 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출할 수 있다. 이때, 학습특성정보는 속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함할 수 있다.
다만, 위성 기반의 GPS 데이터를 수집할 때의 특성 상 데이터 튐, 끊김 현상 등의 문제점이 발생할 수 있고, 학습특성정보 산출 시 데이터 손상, 노이즈 발생 등의 문제점이 발생할 수 있으므로, 오류값 보정단계(S400)는 특정 디지털 필터를 이용하여 학습 세그먼트 데이터 또는 학습특성정보에 대한 오류값을 보정할 수 있다.
본 발명에서의 오류값 보정단계(S400)는 Savitzky-Golay Filter를 적용하여 오류값을 보정할 수 있지만, 이에 한정되는 것은 아니며 Low Pass Filter와 같은 다양한 데이터 시그널 프로세스 기법들이 적용될 수 있다.
이후 교통수단 레이블 매칭단계(S200)는 복수 개의 포인트 데이터 별로 추출된 학습특성정보에 대응하는 교통수단 레이블을 매칭할 수 있다. 따라서 교통수단 레이블 매칭단계(S200)는 각 학습 세그먼트 데이터 별로 교통수단 레이블을 부여하거나, 포인트 데이터 별로 추출된 학습특성정보에 맞는 교통수단 레이블을 매칭할 수 있다.
결과적으로 학습 GPS 데이터의 학습, 테스트 및 추정을 위하여, 학습 세그먼트 데이터 생성단계(S100) 내지 오류값 보정단계(S400)의 동작 과정을 통해 교통수단 추정 방법은 학습 GPS 데이터를 3차원의 데이터 형태의 시퀀스 데이터로 변환 및 누적할 수 있다.
교통수단 추정모델 지도학습단계(S500)는 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 매칭된 교통수단 레이블 및 추출된 복수 개의 학습특성정보를 이용하여, 미리 설정된 교통수단 레이블에 대응하게 분류되도록 하는 교통수단 추정모델을 지도학습할 수 있다.
교통수단 추정단계(S600)는 실시간 GPS 데이터를 교통수단 추정모델에 입력하고, 실시간 GPS 데이터의 실시간특성정보를 이용하여 실시간 GPS 데이터의 교통수단을 추정할 수 있다.
교통수단 추정모델 지도학습단계(S500) 및 교통수단 추정단계(S600)에 대한 구체적인 내용은 이하 도 7 및 도 8을 참조하여 후술하도록 한다.
도 7은 본 발명의 일 실시예에 따른 교통수단 추정 방법 중 지도학습단계를 설명하기 위한 순서도이다.
도 6 및 도 7을 참조하면, 교통수단 추정모델 지도학습단계(S500)는 교통수단 추정모델 생성단계(S510), 교통수단 추정모델 테스트단계(S520), 기준 값과 추정 정확도를 비교하는 단계(S530) 및 필터 수, 설정 값 및 하이퍼파라미터 값을 수정하는 단계(S540)를 포함할 수 있다.
교통수단 추정모델 생성단계(S510)는 CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 학습 세그먼트 데이터를 입력 값으로 하고, 교통수단을 출력 값으로 하는 교통수단 추정모델을 생성할 수 있다.
본 발명의 일 실시예에 따른 CNN(Convolutional Neural Network) 모델을 이용한 교통수단 추정모델을 설명하는 도 4a와 CNN 및 LSTM로 구성된 LRCN 모델을 이용한 교통수단 추정모델을 설명하는 도 4b를 참조하여 더욱 상세하게 설명하자면, 교통수단 추정모델 생성단계(S510)는 지도학습 인공지능 기법인 CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)를 조합하여 LRCN(Long-term Recurrent Convolutional Networks) 모델을 생성할 수 있고, 이에 교통수단 추정모델 지도학습단계(S500)는 이상에서 전처리된 학습 세그먼트 데이터를 교통수단 추정모델에 입력하여 학습을 진행할 수 있다.
교통수단 추정모델 생성단계(S510)로부터 생성된 교통수단 추정모델 내 CNN 구조는 하나의 시퀀스 데이터 내에 포함된 학습 세그먼트 데이터의 개수만큼 복수 개로 형성되어 3차원 데이터의 데이터 특징을 추출할 수 있고, LSTM 구조는 초당 연속적으로 유지되거나 변화되는 교통수단 및 순차적인 정보를 저장하여, 이를 학습에 반영시킬 수 있다.
이와 같이 교통수단 추정모델 생성단계(S510)는 CNN 구조 및 LSTM 구조를 조합하여, 다양한 레이어 및 필터 수의 조합을 갖는 LRCN 구조 기반의 교통수단 추정모델을 생성할 수 있다.
교통수단 추정모델 테스트단계(S520)는 복수 개의 학습특성정보가 포함된 학습 세그먼트 데이터 중 미리 설정된 테스트용 데이터를 위와 같이 생성된 교통수단 추정모델에 입력하여, 교통수단 추정모델의 교통수단 추정 정확도를 검증할 수 있다.
교통수단 추정모델 테스트단계(S520)는 테스트에 활용되는 학습 세그먼트 데이터마다 교통수단 추정 결과를 출력할 수 있고, 추정 값과 실제 값의 차이를 기초로 추정 정확도를 산출할 수 있다.
기준 값과 추정 정확도를 비교하는 단계(S530)가 테스트단계(S520)에서 산출된 추정 정확도가 미리 설정된 기준 값 미만이라고 판단하는 경우, 수정하는 단계(S540)는 현재 교통수단 추정모델의 필터 수, 설정 값 및 하이퍼파라미터 값을 수정할 수 있다.
이후 교통수단 추정모델 생성단계(S510)는 수정된 필터 수, 설정 값 및 하이퍼파라미터 값을 통해 보다 높은 정확도를 갖도록 교통수단 추정모델을 다시 생성할 수 있다.
교통수단 추정모델 테스트단계(S520)는 다시 생성된 교통수단 추정모델의 추정 정확도가 미리 설정된 기준 값 이상으로 산출될 때까지 반복하며 추정 정확도를 산출할 수 있고, 이에 수정하는 단계(S540)는 지속적으로 변수 값들을 수정하며, 교통수단 추정모델 생성단계(S510)는 수정된 변수 값들을 기초로 보다 높은 정확도를 갖는 교통수단 추정모델을 반복해서 생성할 수 있다.
위와 같은 과정을 거쳐 기준 값과 추정 정확도를 비교하는 단계(S530)가 테스트단계(S520)에서 산출된 추정 정확도가 미리 설정된 기준 값 이상이라고 판단하는 경우, 해당 교통수단 추정모델을 최종적인 교통수단 추정모델로 결정할 수 있다.
수정하는 단계(S540)는 교통수단 추정모델 테스트단계(S520)에서 지속적으로 산출되는 추정 정확도에 기초하여, 교통수단 추정모델의 필터 수, 설정 값 및 하이퍼파라미터 값을 수정하며, 이에 교통수단 추정모델 생성단계(S510)는 교통수단 추정모델을 보완하여 생성할 수 있다.
도 8은 본 발명의 일 실시예에 따른 교통수단 추정 방법 중 추정단계를 설명하기 위한 순서도이다.
도 6 및 도 8을 참조하면, 교통수단 추정단계(S600)는 실시간 세그먼트 데이터 생성단계(S610), 실시간특성정보 추출단계(S620) 및 교통수단 추정모델에 입력하여 추정하는 단계(S630)를 포함할 수 있다.
실시간 세그먼트 데이터 생성단계(S610)는 실시간 GPS 데이터를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성할 수 있다. 실시간 세그먼트 데이터 생성단계(S610)는 도 6의 학습 세그먼트 데이터 생성단계(S100)와 동일한 동작을 수행할 수 있으며, 이에 따라 학습 세그먼트 데이터 생성단계(S100) 및 실시간 세그먼트 데이터 생성단계(S610)는 하나의 구성일 수 있다.
실시간특성정보 추출단계(S620)는 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출할 수 있다. 실시간특성정보 추출단계(S620)는 도 6의 학습특성정보 추출단계(S300)와 동일한 동작을 수행할 수 있으며, 이에 따라 학습특성정보 추출단계(S300) 및 실시간특성정보 추출단계(S620)는 하나의 구성일 수 있다.
실시간특성정보는 속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함할 수 있다.
이후 이상에서 설명한 바와 같이 위성 기반의 GPS 데이터는 수집 및 전처리 과정에서 데이터 튐, 끊김 현상, 데이터 손상, 노이즈 발생 등의 문제점이 발생할 수 있으므로, 도 6의 오류값 보정단계(S400)를 통해 오류값이 보정될 수 있다.
즉, 오류값 보정단계(S400)는 학습 GPS 데이터 및 실시간 GPS 데이터의 오류값을 보정할 수 있지만, 학습 GPS 데이터 및 실시간 GPS 데이터 각각을 담당하는 별개의 구성일 수 있다.
교통수단 추정모델에 입력하여 추정하는 단계(S630)는 실시간 세그먼트 데이터 및 추출된 복수 개의 실시간특성정보를 교통수단 추정모델에 입력하고, 실시간 세그먼트 데이터에 대응하는 교통수단 레이블을 매칭하여 교통수단을 추정할 수 있다.
교통수단 추정모델에 입력하여 추정하는 단계(S630)는 실시간 GPS 데이터의 실시간특성정보와 가장 높은 유사도를 보이는 교통수단 레이블을 실시간 GPS 데이터의 교통수단으로 추정할 수 있다.
이를 통해, 교통수단 추정모델에 입력하여 추정하는 단계(S630)는 사용자 단말로부터 수신된 교통수단 정보를 알 수 없는 실시간 GPS 데이터를 최종적으로 생성된 교통수단 추정모델에 입력하여, 해당 실시간 GPS 데이터의 교통수단과 각 교통수단의 분포 및 이동량을 추정할 수 있다.
도 9a는 본 발명의 일 실시예에 따른 지도학습부 및 테스트부에서 도출된 교통수단 추정 정확도를 나타내는 도면이다.
일 실시예에서는 복수 개의 학습 GPS 데이터 중 80%를 지도학습에, 나머지 20%를 테스트에 활용하였다. 총 120번의 Epoch가 수행되었으며, 각 Epoch 당 지도학습부 및 테스트부에서 도출된 교통수단 추정 정확도는 도 9a에 도시된 바와 같이 일정 Epoch 이후 유사한 정확도를 보이고 있다.
본 발명의 테스트 결과, 오버피팅의 문제없이 약 70 Epoch에서 약 93.8%의 최대 추정 정확도를 도출하였다. 따라서 본 발명의 교통수단 추정모델은 높은 정확도로 GPS 데이터에 대응하는 교통수단을 추정할 수 있다.
도 9b은 본 발명의 일 실시예에 따른 교통수단 추정모델의 각 교통수단 별 실측치와 예측치를 비교한 도면이다.
도 9b를 참조하면, 최종 예측치와 실측치의 결과를 매트릭스 형태로 비교한 것을 확인할 수 있다. 교통수단 별로 정확도는 상이하지만, 최소 91.1%부터 최대 96.9%의 정확도로 처음 예측한 교통수단을 그대로 실측할 수 있다.
본 발명의 교통수단 추정모델에 지속적을 GPS 데이터를 누적 및 적용하여 추가 학습한다면, 교통수단 추정모델의 일관성 및 추정 정확도가 향상될 수 있다.
상기의 설명은 기술적 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 기술분야에서 통상의 지식을 가진 자라면 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서 상기에 개시된 실시예 및 첨부된 도면들은 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 기술적 사상의 범위가 한정되는 것은 아니다. 그 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 권리범위에 포함되는 것으로 해석되어야 할 것이다.
10: 교통수단 추정 장치
11: 학습 GPS 데이터
12: 학습 세그먼트 데이터
13: 실시간 GPS 데이터
110: 학습 데이터 분할부
120: 교통수단 레이블부
130: 학습특성정보 추출부
140: 오류값 보정부
150: 지도학습부
151: 추정모델 생성부
152: 테스트부
160: 추정부
161: 실시간 데이터 분할부
162: 실시간특성정보 추출부
163: 교통수단 추정부

Claims (14)

  1. 학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성하는 학습 데이터 분할부;
    상기 학습 세그먼트 데이터에 미리 설정된 교통수단 레이블(Lable)을 매칭하는 교통수단 레이블부;
    상기 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출하는 학습특성정보 추출부;
    상기 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 이용하여, 상기 미리 설정된 교통수단 레이블에 대응하게 분류되도록 하는 교통수단 추정모델을 지도학습(Supervised Learning)하는 지도학습부; 및
    상기 교통수단 추정모델에 실시간 GPS 데이터를 입력하여, 상기 실시간 GPS 데이터의 교통수단을 추정하는 추정부;
    를 포함하는 교통수단 추정 장치.
  2. 제1항에 있어서,
    상기 지도학습부는,
    상기 학습 세그먼트 데이터 중 미리 설정된 테스트용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 상기 교통수단 추정모델에 입력하여, 상기 교통수단 추정모델의 교통수단 추정 정확도를 검증하는 테스트부;
    를 포함하는 교통수단 추정 장치.
  3. 제1항에 있어서,
    상기 추정부는,
    상기 실시간 GPS 데이터를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성하는 실시간 데이터 분할부;
    상기 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출하는 실시간특성정보 추출부; 및
    상기 실시간 세그먼트 데이터 및 상기 추출된 복수 개의 실시간특성정보를 상기 교통수단 추정모델에 입력하고, 상기 실시간 세그먼트 데이터에 대응하는 상기 교통수단 레이블을 매칭하여 상기 교통수단을 추정하는 교통수단 추정부;
    를 포함하는 교통수단 추정 장치.
  4. 제3항에 있어서,
    상기 교통수단 추정부는,
    상기 실시간 세그먼트 데이터의 실시간특성정보와 가장 높은 유사도를 보이는 상기 교통수단 레이블을 상기 실시간 GPS 데이터의 교통수단으로 추정하는 교통수단 추정 장치.
  5. 제1항에 있어서,
    상기 지도학습부는,
    CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 상기 학습 GPS 데이터 또는 상기 실시간 GPS 데이터를 입력 값으로 하고, 상기 교통수단을 출력 값으로 하는 상기 교통수단 추정모델을 생성하는 추정모델 생성부;
    를 포함하는 교통수단 추정 장치.
  6. 제1항에 있어서,
    상기 학습 세그먼트 데이터 또는 상기 복수 개의 학습특성정보에 대해 데이터 평활화를 적용하여 오류값을 보정하는 오류값 보정부;
    를 더 포함하는 교통수단 추정 장치.
  7. 제1항에 있어서,
    상기 학습특성정보는,
    속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함하는 교통수단 추정 장치.
  8. 학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성하는 단계;
    상기 학습 세그먼트 데이터에 미리 설정된 교통수단 레이블(Lable)을 매칭하는 단계;
    상기 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출하는 단계;
    상기 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 이용하여, 상기 미리 설정된 교통수단 레이블에 맞게 분류되도록 하는 교통수단 추정모델을 지도학습(Supervised Learning)하는 단계; 및
    상기 교통수단 추정모델에 실시간 GPS 데이터를 입력하여, 상기 실시간 GPS 데이터의 교통수단을 추정하는 단계;
    를 포함하는 교통수단 추정 방법.
  9. 제8항에 있어서,
    상기 지도학습하는 단계는,
    상기 학습 세그먼트 데이터 중 미리 설정된 테스트용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 상기 교통수단 추정모델에 입력하여, 상기 교통수단 추정모델의 교통수단 추정 정확도를 검증하는 단계;
    를 포함하는 교통수단 추정 방법.
  10. 제8항에 있어서,
    상기 추정하는 단계는,
    상기 실시간 GPS 데이터를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성하는 단계;
    상기 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출하는 단계; 및
    상기 실시간 세그먼트 데이터 및 상기 추출된 복수 개의 실시간특성정보를 상기 교통수단 추정모델에 입력하고, 상기 실시간 세그먼트 데이터에 대응하는 상기 교통수단 레이블을 매칭하여 상기 교통수단을 추정하는 단계;
    를 포함하는 교통수단 추정 방법.
  11. 제10항에 있어서,
    상기 추정하는 단계는,
    상기 실시간 세그먼트 데이터의 실시간특성정보와 가장 높은 유사도를 보이는 상기 교통수단 레이블을 상기 실시간 GPS 데이터의 교통수단으로 추정하는 교통수단 추정 방법.
  12. 제8항에 있어서,
    상기 지도학습하는 단계는,
    CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 상기 학습 GPS 데이터 또는 상기 실시간 GPS 데이터를 입력 값으로 하고, 상기 교통수단을 출력 값으로 하는 상기 교통수단 추정모델을 생성하는 단계;
    를 포함하는 교통수단 추정 방법.
  13. 제8항에 있어서,
    상기 학습 세그먼트 데이터 또는 상기 복수 개의 학습특성정보에 대해 데이터 평활화를 적용하여 오류값을 보정하는 단계;
    를 더 포함하는 교통수단 추정 방법.
  14. 제8항에 있어서,
    상기 학습특성정보는,
    속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함하는 교통수단 추정 방법.
KR1020210042735A 2020-07-01 2021-04-01 교통수단 추정 장치 및 교통수단 추정 방법 KR102464174B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200081146 2020-07-01
KR20200081146 2020-07-01

Publications (2)

Publication Number Publication Date
KR20220003445A KR20220003445A (ko) 2022-01-10
KR102464174B1 true KR102464174B1 (ko) 2022-12-15

Family

ID=79347396

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210042735A KR102464174B1 (ko) 2020-07-01 2021-04-01 교통수단 추정 장치 및 교통수단 추정 방법

Country Status (1)

Country Link
KR (1) KR102464174B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6055916B2 (ja) 2013-06-21 2016-12-27 株式会社日立製作所 交通行動推定システム、交通システム
WO2018101074A1 (ja) 2016-11-30 2018-06-07 日本電気株式会社 交通状況推定装置、交通状況推定方法、プログラム記録媒体および出力装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7698055B2 (en) * 2004-11-16 2010-04-13 Microsoft Corporation Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
KR20160088966A (ko) 2015-01-16 2016-07-27 배재대학교 산학협력단 이동수단 판별 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6055916B2 (ja) 2013-06-21 2016-12-27 株式会社日立製作所 交通行動推定システム、交通システム
WO2018101074A1 (ja) 2016-11-30 2018-06-07 日本電気株式会社 交通状況推定装置、交通状況推定方法、プログラム記録媒体および出力装置

Also Published As

Publication number Publication date
KR20220003445A (ko) 2022-01-10

Similar Documents

Publication Publication Date Title
CN108528458B (zh) 用于车辆尺寸预测的系统和方法
US10845815B2 (en) Systems, methods and controllers for an autonomous vehicle that implement autonomous driver agents and driving policy learners for generating and improving policies based on collective driving experiences of the autonomous driver agents
US20200033869A1 (en) Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle
CN110531753B (zh) 自主车辆的控制系统、控制方法和控制器
CN108574929B (zh) 用于自主驾驶系统中的车载环境中的联网场景再现和增强的方法和设备
CN110588653B (zh) 自主车辆的控制系统、控制方法以及控制器
CN110371112B (zh) 一种自动驾驶车辆的智能避障系统及方法
US10962979B2 (en) System and method for multitask processing for autonomous vehicle computation and control
CN113470089B (zh) 一种基于三维点云的跨域协同定位和建图方法及系统
CN110758399B (zh) 用于预测实体行为的系统和方法
CN112734097B (zh) 无人驾驶列车能耗预测方法、系统及存储介质
CN109841080B (zh) 用于交通对象的检测、分类及地理定位的系统和方法
CN110223515B (zh) 一种车辆轨迹生成方法
CN110929912A (zh) 用于预测对象行为的系统和方法
CN114450557B (zh) 路线偏差量化及基于此的车辆路线学习
US20190114345A1 (en) Driving data analyzer
CN111368879A (zh) 一种基于深半监督神经网络的轨迹数据挖掘方法
CN114444315A (zh) 一种船舶避台航线模拟方法及系统
CN110816547A (zh) 用于自主驾驶的实际感知系统的感知不确定性建模
CN111222381A (zh) 用户出行方式识别方法、装置、电子设备及存储介质
CN113822118A (zh) 增强的车辆操作
KR102464174B1 (ko) 교통수단 추정 장치 및 교통수단 추정 방법
Tesar et al. Predicting traction energy demand of a light rail vehicle using deep learning methods
CN116702038A (zh) 基于云边协同的能源站高频数据采集和异常状态识别方法
KR102325137B1 (ko) 미세먼지 예측 정확도 향상을 위한 하이브리드 딥러닝 모델 생성 장치 및 방법

Legal Events

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