KR102464331B1 - 교통 패턴 분류 장치 및 방법 - Google Patents

교통 패턴 분류 장치 및 방법 Download PDF

Info

Publication number
KR102464331B1
KR102464331B1 KR1020200183924A KR20200183924A KR102464331B1 KR 102464331 B1 KR102464331 B1 KR 102464331B1 KR 1020200183924 A KR1020200183924 A KR 1020200183924A KR 20200183924 A KR20200183924 A KR 20200183924A KR 102464331 B1 KR102464331 B1 KR 102464331B1
Authority
KR
South Korea
Prior art keywords
traffic
traffic information
cluster
traffic pattern
neural network
Prior art date
Application number
KR1020200183924A
Other languages
English (en)
Other versions
KR20220092293A (ko
Inventor
김영호
강우진
Original Assignee
한국교통연구원
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 한국교통연구원 filed Critical 한국교통연구원
Priority to KR1020200183924A priority Critical patent/KR102464331B1/ko
Publication of KR20220092293A publication Critical patent/KR20220092293A/ko
Application granted granted Critical
Publication of KR102464331B1 publication Critical patent/KR102464331B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명의 일 실시예에 따른 교통 패턴 분류 장치에 의해 수행되는 교통 패턴 분류 방법은, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득하는 단계, 상기 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 단계 및 상기 획득된 교통 패턴 클러스터를 소정의 기준으로 분류하는 단계를 포함할 수 있다.

Description

교통 패턴 분류 장치 및 방법{METHOD AND APPARATUS FOR CLASSIFYING TRAFFIC PATTERN}
본 발명은 교통 패턴 분류 장치 및 방법에 관한 것이다. 보다 구체적으로, 본 발명은 DEC(Deep Embedded Clustering)를 활용하여, 분석 대상지의 교통 패턴을 분류할 수 있는 장치 및 방법에 관한 것이다.
교통 정보를 수집할 수 있는 다양한 기술이 발전함에 따라, 더욱 효과적인 방법으로 교통 정보를 수집하여 이를 교통 제어 시스템에 활용하려는 연구가 진행되고 있다. 수집된 교통 정보를 분석하여 시간대별, 요일별로 교통 패턴을 분석하고, 이를 통해 시간대별, 요일별 최적의 교통 제어 전략을 도출할 수 있다.
현재까지는, 교통 신호를 제어하기 위해, 사전에 입력된 몇 개의 신호 시간에 따라 매일 반복적으로 신호가 제어되는 고정 시간 제어 방식(Time Of Day, TOD)이 활용되고 있다. 한편, 고정 시간 제어 방식은, 교통 신호를 제어하기 위해 교통량만을 이용하므로, 시간대별, 요일별 교통 상황에 적합한 신호 시간을 제공하는 데에는 한계가 있다. 또한, 교통량 변동이 심한 교차로 등에서는 교통 상황에 맞는 적합한 교통 제어가 어려운 단점이 존재한다.
따라서, 현재 교통 상황에 최적화된 교통 제어 전략을 구성하기 위해, 차량으로부터 수집한 교통 정보에 기초하여 정확한 교통 패턴을 분류하여 출력할 수 있는 방법 및 장치가 필요한 실정이다.
한국등록특허공보, 10-1688536호 (2016.12.15. 등록)
본 발명이 해결하고자 하는 과제는 교통 패턴 분류 장치 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, DEC(Deep Embedded Clustering)를 활용하여, 교통 패턴을 분류할 수 있는 장치 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, 교통량, 속도 및 밀도를 이용하여 교통 패턴을 분류하여 최적의 교통 제어 전략을 도출할 수 있는 장치 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, 분류된 교통 패턴을 이용하여 최적의 교통 신호 대안 라이브러리를 구축할 수 있는 장치 및 방법을 제공하는 것이다.
본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 교통 패턴 분류 방법은, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득하는 단계, 상기 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 단계 및 상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 단계를 포함할 수 있다.
상기 방법에 있어서, 상기 교통 정보는, 상기 복수의 차량의 교통량, 속도 및 밀도를 포함할 수 있다.
상기 방법에 있어서, 상기 인공 신경망은, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 적어도 하나 이상의 교통 패턴 클러스터로 분류하여 출력하도록 기 학습된 것일 수 있다.
상기 방법에 있어서, 상기 인공 신경망은, 인코더 및 디코더를 포함하며, 상기 인코더는, DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고, 상기 디코더는, 상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 출력할 수 있다.
상기 방법에 있어서, 상기 소정의 기준은, 요일, 시간대, 주말 여부, 교통량, 속도 및 밀도 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 따른 교통 패턴 분류 장치는, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득하는 교통 정보 획득부, 상기 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 클러스터 생성부 및 상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 패턴 분류부를 포함할 수 있다.
상기 장치에 있어서, 상기 교통 정보는, 상기 복수의 차량의 교통량, 속도 및 밀도를 포함할 수 있다.
상기 장치에 있어서, 상기 인공 신경망은, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 적어도 하나 이상의 교통 패턴 클러스터로 분류하여 출력하도록 기 학습된 것일 수 있다.
상기 장치에 있어서, 상기 인공 신경망은, 인코더 및 디코더를 포함하며, 상기 인코더는, DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고, 상기 디코더는, 상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 출력할 수 있다.
상기 장치에 있어서, 상기 소정의 기준은, 요일, 시간대, 주말 여부, 교통량, 속도 및 밀도 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 따른 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능한 기록 매체로서, 상기 컴퓨터 프로그램은, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 단계 및 상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 단계를 포함하는 교통 패턴 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
본 발명의 일 실시예에 따른 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 단계 및 상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 단계를 포함하는 교통 패턴 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 교통 패턴 분류 장치 및 방법이 제공될 수 있다.
또한, 본 발명의 일 실시예에 따르면, DEC(Deep Embedded Clustering)를 활용하여, 교통 패턴을 분류할 수 있는 장치 및 방법이 제공될 수 있다.
또한, 본 발명의 일 실시예에 따르면, 교통량, 속도 및 밀도를 이용하여 교통 패턴을 분류하여 최적의 교통 제어 전략을 도출할 수 있는 장치 및 방법이 제공될 수 있다.
또한, 본 발명의 일 실시예에 따르면, 분류된 교통 패턴을 이용하여 최적의 교통 신호 대안 라이브러리를 구축할 수 있는 장치 및 방법이 제공될 수 있다.
본 발명의 실시예에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 교통 패턴 분류의 대상이 되는 분석 대상지를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 교통 패턴 분류에 이용되는 인공 신경망을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 시간대별 교통 패턴 분류 결과를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 교통 패턴 분류 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 교통 패턴 분류 장치의 일 예시를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 교통 패턴 분류 장치의 다른 예시를 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하 사용되는 '…부', '…기' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 교통 패턴 분류의 대상이 되는 분석 대상지를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 교통 패턴 분류에 이용될 분석 대상지의 일 예시로, 대전에 존재하는 복수의 교차로가 도시되어 있다.
분석 대상지는, 분석 대상지에 포함된 복수의 교차로를 통행하는 차량으로부터 교통 정보를 수신하여, 교통 패턴을 분류할 대상이 되는 구역을 의미할 수 있다. 이때, 분석 대상지에서 수신된 교통 정보를 이용하여 분류된 교통 패턴은, 추후 분석 대상지에 이용될 신호 체계 제어에 이용될 수 있다.
도 1에 1 내지 11로 표시된 각 교차로는, 하나의 신호 연동 구간에 포함된 교차로일 수 있으며, 각 교차로의 일 예시로, 경성 큰마을 네거리, 큰마을 네거리, 은하수 네거리, 파랑새 네거리, 방죽 네거리, 정부청사역 네거리, 선사유적 네거리, 만년 삼거리, 만년 네거리, 만년들 네거리 및 대덕대교 네거리가 도시되어 있다.
신호 연동 구간은, 각 교차로에 존재하는 신호등이 하나의 신호 체계에 의해 제어될 수 있는 구간을 의미할 수 있다. 예를 들어, 도 1에 도시된 경성 큰마을 네거리에서부터 대덕대교 네거리는, 하나의 신호 연동 구간에 포함된 것으로, 경성 큰마을 네거리에서 대덕대교 네거리로 진행하는 방향에 존재하는 각 신호등은, 각 교차로 별 거리, 시간대별 교통량 및 각 교차로의 차선 개수 등에 기초하여, 신호가 바뀌는 시간 및 유지 시간 등이 결정될 수 있다. 이와 같이, 신호 연동 구간에 포함된 복수의 교차로의 신호등이 하나의 신호 체계에 의해 통제될 수 있으므로, 출, 퇴근 시간, 주말 평일 시간 등 교통량이 혼잡할 것으로 예상되는 시간에서 관리자가 신호 체계를 조절함으로써, 전반적인 도로의 교통 상황을 효율적으로 관리할 수 있다.
일 실시예에 따르면, 교통 패턴 분류 장치는, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 차량으로부터, 교통 정보를 획득할 수 있다. 이때, 교통 패턴 분류 장치가 획득하는 교통 정보는, 차량의 교통량, 속도 및 밀도 중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 교통 패턴 분류 장치가 교통 정보를 획득함에 있어서, 분석 대상지의 각 교차로의 모든 방향으로부터 교통 정보가 획득될 수 있다. 예를 들어, 도 1에 도시된 각 교차로에서, 교차로 1에서 교차로 11로 진행하는 방향 및 교차로 11에서 교차로 1로 진행하는 방향을 주방향 도로라고 명명하고, 상기 각 교차로의 주방향 도로를 제외한 나머지 도로를 부방향 도로라고 명명할 경우, 상기 주방향 도로 및 상기 부방향 도로를 포함하는 모든 도로로부터 교통 정보가 획득될 수 있다.
상기 교통 정보는, 예를 들어, 각 교차로 및 도로에 존재하는 교통 정보 수집 장치, CCTV, 속도 측정기 등 분석 대상지에 포함된 도로를 주행하는 차량으로부터 교통 정보를 수집할 수 있는 장치로부터 획득될 수 있으며, 상술한 예시에 제한되지 않는다.
한편, 일 실시예에 따른 교통 패턴 분류의 대상이 되는 분석 대상지는, 상술한 예에 한정되지 않으며, 하나의 신호 연동 구간이 아닌 복수의 신호 연동 구간에 각각 포함된 교차로가 일 실시예에 따른 분석 대상지에 포함될 수도 있다.
일 실시예에 의하면, 실시간으로 교통 정보 수집이 가능할 경우, 실시간으로 교통 신호를 제어할 수 있는 동적 시간 제어(Dynamic Time Of Day)도 가능할 수 있다. 이하 도 2에서, 상기 획득한 교통 정보를 이용하여 교통 패턴 분류를 수행할 수 있는 인공 신경망에 대해 설명한다.
도 2는 본 발명의 일 실시예에 따른 교통 패턴 분류에 이용되는 인공 신경망을 설명하기 위한 도면이다.
일 실시예에 따른 교통 정보로부터 교통 패턴을 분류하기 위해, 비지도 학습 기반의 인공 신공 신경망이 이용될 수 있다. 예를 들어, 상기 인공 신경망은, DEC(Deep Embedded Clustering) 알고리즘(201)을 이용하는 인코더(202) 및 디코더(203)를 포함할 수 있다. 본 발명의 일 실시예에 의할 경우, 분석 대상지 내의 모든 교차로의 진입부를 주행하는 차량의 교통량, 속도 및 밀도를 포함하는 교통 정보를 상기 DEC 알고리즘(201)에 입력하여, 상기 교통 정보에 해당되는 교통 패턴 클러스터를 생성할 수 있다.
도 2를 참조하면, DEC 알고리즘(201)은, 인코더(202) 및 디코더(203)를 포함하는 오토인코더(Auto Encoder) 인공 신경망 중 인코더(202)의 과정을 활용하는 알고리즘을 의미할 수 있다. 즉, 일 실시예에 따른 상기 인코더(202)는, DEC 알고리즘(201)를 활용할 수 있다.
구체적으로, 일 실시예에 따른 DEC 알고리즘(201)은, 차량의 교통량, 속도 및 밀도를 포함하는 교통 정보를 입력 받고, 상기 입력 받은 교통 정보를 상대적으로 저차원 특성 공간으로 축소한 후, 군집화를 수행할 수 있다. 이때, 상기 군집화에는, K-means 군집화가 이용될 수 있다. 상기 K-means 군집화는, 군집 내 각 데이터간의 거리를 최소화하며 군집을 형성하는 방법일 수 있다. 한편, 상기 군집화의 결과, 적어도 하나 이상의 교통 패턴 클러스터가 생성될 수 있다. 즉, 상기 DEC 알고리즘(201)은, 상기 저차원으로 축소된 교통 정보의 특성 공간을 이용하여, 여러 번의 군집 시뮬레이션 및 반복을 통해 최적의 군집화를 수행할 수 있다.
다시 말해, 상기 인코더(202)는, DEC 알고리즘(201)를 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것일 수 있다.
한편, 디코더(203)는, 입력 받은 분석 대상지의 교통 정보가 상기 교통 패턴 클러스터 중 어느 클러스터에 포함되는지를 분류하여 출력하는 역할을 수행할 수 있다. 이하, 도 3에서는, 상기 생성된 교통 패턴 클러스터를 시간대별로 분류한 일 예시에 대해 설명한다.
도 3은 본 발명의 일 실시예에 따른 시간대별 교통 패턴 분류 결과를 설명하기 위한 도면이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 교통 패턴 클러스터가 0 내지 7의 값을 갖는 클러스터 ID(cluster_id)로 부여되어 있다. 또한, 교통 패턴 클러스터가 2019년 08월 18일부터 2019년 09월 15일까지 매주 일요일의 시간대별로 분류된 결과가 도시되어 있다. 상기 클러스터 ID의 개수는 n(n은 양의 정수)개일 수 있으며, 상술한 예시에 한정되지 않는다.
일 실시예에 따르면, 교통량, 속도 및 밀도를 포함하는 교통 정보가 동일한 교통 패턴을 보일 경우, 동일한 클러스터 ID가 부여될 수 있다. 예를 들어, 도 3에 도시된 바와 같이, 오전 6시에서 오전 9시 20분 사이의 매주 일요일의 교통 패턴을 보면, 동일한 클러스터 ID 1로 분류되어 있는데, 이는 분석 대상지의 매주 일요일의 오전 6시에서 오전 9시 20분 사이의 교통량, 속도 및 밀도를 포함하는 교통 정보가 동일한 교통 패턴을 보임을 의미할 수 있다.
한편, 매주 일요일 오전 9시 40분에서 오후 12시경 사이의 경우, 교통 패턴 클러스터 ID가 3으로 분류됨을 알 수 있다. 이는, 분석 대상지의 매주 일요일의 오전 9시 40분에서 오후 12시경 사이의 교통 정보가 동일한 교통 패턴을 보이되, 전술한 클러스터 ID 1에 해당하는 오전 오전 6시에서 오전 9시 20분 사이의 교통 패턴과는 다른 패턴을 보임을 의미할 수 있다. 이렇듯, 상기 각 클러스터 ID에 부여되는 교통 패턴과 관련된 의미는 상이할 수 있으며, 같은 클러스터 ID를 갖는 시간대는, 같은 교통 패턴을 보임을 알 수 있다.
즉, 본 발명의 일 실시예에 의할 경우, 교통량, 속도 및 밀도 세 가지의 교통 정보를 입력으로 하고, 상술한 DEC 알고리즘을 이용하므로, 전문가의 주관적 개입이 들어가지 않고도, 정확하고 객관적인 교통 패턴이 분류될 수 있으므로, 향후 분석 대상지에서의 교통 신호 제어 전략을 구성하는데 효과적일 수 있다.
이하, 도 4에서는, 상술한 도 1 내지 도 3과 관련된 설명을 기초로 수행되는 일 실시예에 따른 교통 패턴 분류 방법에 대해 설명한다.
도 4는 본 발명의 일 실시예에 따른 교통 패턴 분류 방법을 설명하기 위한 도면이다.
도 4에 도시된 일 실시예에 따른 교통 패턴 분류 방법은, 도 5 및 도 6과 관련된 설명에서 후술할 교통 패턴 분류 장치에 의해 수행될 수 있다.
도 4를 참조하면, 일 실시예에 따른 교통 패턴 분류 장치는, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득할 수 있다(S401). 상기 교통 정보는, 상기 복수의 차량의 교통량, 속도 및 밀도 중 적어도 하나를 포함할 수 있다.
또한, 교통 패턴 분류 장치는, 상기 S401 단계에서 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여, 복수의 교통 패턴 클러스터를 획득할 수 있다(S402).
상기 인공 신경망은, 비지도 학습 방법에 의해 기 학습된 신경망일 수 있으며, 상기 비지도 학습 방법은 일 예로, DEC(Deep Embedded Clustering) 알고리즘을 포함할 수 있다. 한편, 상기 인공 신경망은, 복수의 참조 교통 정보가 입력될 경우, 상기 입력된 참조 교통 정보를 적어도 하나 이상의 교통 패턴 클러스터로 분류하여 출력되도록 기 학습된 인공 신경망일 수 있다.
또는, 상기 인공 신경망은, 인코더 및 디코더를 포함하며, 상기 인코더는, DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고, 상기 디코더는, 상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 획득할 수 있다.
그리고, 교통 패턴 분류 장치는, 상기 S402 단계에서 획득한 교통 패턴 클러스터를 소정의 기준에 따라 분류할 수 있다(S403). 상기 소정의 기준은, 예를 들어, 요일, 시간대, 주말인지 여부, 차량의 교통량, 차량의 속도 및 밀도 중 적어도 하나를 포함할 수 있으며, 반드시 이에 제한되는 것은 아니다.
도 5는 본 발명의 일 실시예에 따른 교통 패턴 분류 장치의 일 예시를 설명하기 위한 도면이다.
도 5를 참조하면, 일 실시예에 따른 교통 패턴 분류 장치(500)는, 교통 정보 획득부(501), 클러스터 생성부(502) 및 패턴 분류부(503)를 포함할 수 있으나, 반드시 이에 제한되는 것은 아니며, 교통 패턴 분류에 이용될 수 있는 모듈을 추가적으로 더 포함할 수도 있다.
교통 정보 획득부(501)는, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득할 수 있다. 이때, 상기 교통 정보 획득부(501)는, 교통 정보 수집 장치, CCTV, 속도 측정기 등 분석 대상지에 포함된 도로를 주행하는 차량으로부터 교통 정보를 수집할 수 있는 장치를 포함하여, 상기 복수의 차량으로부터 교통 정보를 획득할 수 있다.
또는, 상기 교통 정보 획득부(501)는, 교통 패턴 분류 장치(500) 외부에 위치한 각 교차로 및 도로에 존재하는 교통 정보 수집 장치, CCTV, 속도 측정기 등 분석 대상지에 포함된 도로를 주행하는 차량으로부터 교통 정보를 수집할 수 있는 장치로부터 상기 교통 정보를 획득할 수도 있다. 이때, 상기 교통 정보는, 상기 복수의 차량의 교통량, 속도 및 밀도 중 적어도 하나를 포함할 수 있다.
클러스터 생성부(502)는, 상기 교통 정보 획득부(501)에서 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득할 수 있다.
상기 인공 신경망은, 비지도 학습 방법에 의해 기 학습된 신경망일 수 있으며, 상기 비지도 학습 방법은 일 예로, DEC(Deep Embedded Clustering) 알고리즘을 포함할 수 있다. 한편, 상기 인공 신경망은, 복수의 참조 교통 정보가 입력될 경우, 상기 입력된 참조 교통 정보를 적어도 하나 이상의 교통 패턴 클러스터로 분류하여 출력되도록 기 학습된 인공 신경망일 수 있다.
또는, 상기 인공 신경망은, 인코더 및 디코더를 포함하며, 상기 인코더는, DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고, 상기 디코더는, 상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 획득할 수 있다.
패턴 분류부(503)는, 상기 클러스터 생성부(502)를 통해 획득한 교통 패턴 클러스터를 소정의 기준으로 분류할 수 있다. 이때, 상기 소정의 기준은, 예를 들어, 요일, 시간대, 주말인지 여부, 차량의 교통량, 차량의 속도 및 밀도 중 적어도 하나를 포함할 수 있으며, 반드시 이에 제한되는 것은 아니다.
도 6은 본 발명의 일 실시예에 따른 교통 패턴 분류 장치의 다른 예시를 설명하기 위한 도면이다.
도 6을 참조하면, 일 실시예에 따른 교통 패턴 분류 장치(500)는, 도 5와 관련된 설명에서 상술한 모듈 외에, 통신부(601) 및 프로세서(602)를 포함하는 것으로 구성될 수도 있다. 즉, 일 실시예에 따라 교통 정보 획득부(501), 클러스터 생성부(502) 및 패턴 분류부(503)에서 수행하는 각 기능을 통신부(601) 및 프로세서(602)가 수행할 수 있다.
통신부(601)는, 분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득할 수 있다. 이때, 상기 통신부(601)가 이용하는 통신 방식은, 유선 통신 방식, 근거리 통신 방식 및 장거리 통신 방식 중 적어도 하나를 포함할 수 있다.
프로세서(602)는, 상기 통신부(601)를 통해 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득할 수 있다. 상기 인공 신경망은, 비지도 학습 방법에 의해 기 학습된 신경망일 수 있으며, 상기 비지도 학습 방법은 일 예로, DEC(Deep Embedded Clustering) 알고리즘을 포함할 수 있다. 한편, 상기 인공 신경망은, 복수의 참조 교통 정보가 입력될 경우, 상기 입력된 참조 교통 정보를 적어도 하나 이상의 교통 패턴 클러스터로 분류하여 출력되도록 기 학습된 인공 신경망일 수 있다.
또는, 상기 인공 신경망은, 인코더 및 디코더를 포함하며, 상기 인코더는, DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고, 상기 디코더는, 상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 획득할 수 있다.
또한, 프로세서(602)는, 상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류할 수 있다. 이때, 상기 소정의 기준은, 요일, 시간대, 주말 여부, 교통량, 속도 및 밀도 중 적어도 하나를 포함할 수 있다.
한편, 전술한 다양한 실시예들에 따른 교통 패턴 분류 방법은 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현 가능하고, 또한 이러한 방법의 각 단계를 수행하도록 프로그램된 컴퓨터 프로그램을 저장하는 컴퓨터 판독가능한 기록매체의 형태로 구현될 수도 있다.
본 명세서에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 교통 패턴 분류 장치에 의해 수행되는 교통 패턴 분류 방법에 있어서,
    분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득하는 단계;
    상기 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 단계; 및
    상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 단계를 포함하되,
    상기 인공 신경망은 인코더 및 디코더를 포함하며,
    상기 인코더는,
    DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고,
    상기 디코더는,
    상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 출력하고,
    상기 DEC 알고리즘은,
    차량의 교통량, 속도 및 밀도를 포함하는 교통 정보를 입력 받고, 상기 입력 받은 교통 정보를 상대적으로 저차원 특성 공간으로 축소한 후 군집화를 수행하며, 상기 군집화에는, 군집 내 각 데이터간의 거리를 최소화하며 군집을 형성하는 K-means 군집화 방법이 이용되는
    교통 패턴 분류 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 소정의 기준은,
    요일, 시간대, 주말 여부, 교통량, 속도 및 밀도 중 적어도 하나를 포함하는
    교통 패턴 분류 방법.
  6. 교통 패턴 분류 장치에 있어서,
    분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 교통 정보를 획득하는 교통 정보 획득부;
    상기 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 클러스터 생성부; 및
    상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 패턴 분류부를 포함하되,
    상기 인공 신경망은 인코더 및 디코더를 포함하며,
    상기 인코더는,
    DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고,
    상기 디코더는,
    상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 출력하고,
    상기 DEC 알고리즘은,
    차량의 교통량, 속도 및 밀도를 포함하는 교통 정보를 입력 받고, 상기 입력 받은 교통 정보를 상대적으로 저차원 특성 공간으로 축소한 후 군집화를 수행하며, 상기 군집화에는, 군집 내 각 데이터간의 거리를 최소화하며 군집을 형성하는 K-means 군집화 방법이 이용되는
    교통 패턴 분류 장치.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 제6항에 있어서,
    상기 소정의 기준은,
    요일, 시간대, 주말 여부, 교통량, 속도 및 밀도 중 적어도 하나를 포함하는
    교통 패턴 분류 장치.
  11. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능한 기록 매체로서,
    상기 컴퓨터 프로그램은,
    분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 단계; 및
    상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 단계를 포함하되,
    상기 인공 신경망은 인코더 및 디코더를 포함하며,
    상기 인코더는,
    DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고,
    상기 디코더는,
    상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 출력하고,
    상기 DEC 알고리즘은,
    차량의 교통량, 속도 및 밀도를 포함하는 교통 정보를 입력 받고, 상기 입력 받은 교통 정보를 상대적으로 저차원 특성 공간으로 축소한 후 군집화를 수행하며, 상기 군집화에는, 군집 내 각 데이터간의 거리를 최소화하며 군집을 형성하는 K-means 군집화 방법이 이용되는
    교통 패턴 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록 매체.
  12. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은,
    분석 대상지 내의 하나의 신호 연동 구간에 포함된 적어도 하나 이상의 교차로를 주행하는 복수의 차량으로부터 획득한 교통 정보를 기 학습된 인공 신경망에 입력하여 복수의 교통 패턴 클러스터를 획득하는 단계; 및
    상기 획득한 교통 패턴 클러스터를 소정의 기준으로 분류하는 단계를 포함하되,
    상기 인공 신경망은 인코더 및 디코더를 포함하며,
    상기 인코더는,
    DEC(Deep Embedded Clustering) 알고리즘을 이용하여, 복수의 참조 교통 정보가 입력되면, 상기 참조 교통 정보를 클러스터링하여 적어도 하나 이상의 교통 패턴 클러스터를 생성하도록 기 학습된 것이고,
    상기 디코더는,
    상기 인공 신경망에 입력된 상기 교통 정보에 해당되는 교통 패턴 클러스터를 출력하고,
    상기 DEC 알고리즘은,
    차량의 교통량, 속도 및 밀도를 포함하는 교통 정보를 입력 받고, 상기 입력 받은 교통 정보를 상대적으로 저차원 특성 공간으로 축소한 후 군집화를 수행하며, 상기 군집화에는, 군집 내 각 데이터간의 거리를 최소화하며 군집을 형성하는 K-means 군집화 방법이 이용되는
    는 교통 패턴 분류 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램.
KR1020200183924A 2020-12-24 2020-12-24 교통 패턴 분류 장치 및 방법 KR102464331B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200183924A KR102464331B1 (ko) 2020-12-24 2020-12-24 교통 패턴 분류 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200183924A KR102464331B1 (ko) 2020-12-24 2020-12-24 교통 패턴 분류 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220092293A KR20220092293A (ko) 2022-07-01
KR102464331B1 true KR102464331B1 (ko) 2022-11-09

Family

ID=82397153

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200183924A KR102464331B1 (ko) 2020-12-24 2020-12-24 교통 패턴 분류 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102464331B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008276286A (ja) 2007-04-25 2008-11-13 Denso Corp 走行情報収集装置および走行情報の学習方法
KR101638368B1 (ko) 2015-01-02 2016-07-11 경희대학교 산학협력단 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법
KR102166283B1 (ko) 2020-08-03 2020-10-15 공주대학교 산학협력단 교통 신호기 제어 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100495017B1 (ko) * 2002-10-11 2005-06-10 에스케이 주식회사 교통 정보 제공 시스템 및 그 방법
KR101688536B1 (ko) 2016-08-09 2016-12-21 한국정보기술 주식회사 도로 교통 정보를 수집하기 위한 교통량 조사 장치 및 그 방법
KR20200067055A (ko) * 2018-12-03 2020-06-11 현대자동차주식회사 교통정보 제공 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008276286A (ja) 2007-04-25 2008-11-13 Denso Corp 走行情報収集装置および走行情報の学習方法
KR101638368B1 (ko) 2015-01-02 2016-07-11 경희대학교 산학협력단 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법
KR102166283B1 (ko) 2020-08-03 2020-10-15 공주대학교 산학협력단 교통 신호기 제어 장치

Also Published As

Publication number Publication date
KR20220092293A (ko) 2022-07-01

Similar Documents

Publication Publication Date Title
CN111583639B (zh) 一种道路交通拥堵预警方法及系统
KR101638368B1 (ko) 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법
KR102309711B1 (ko) 유용한 학습 데이터를 취사 선별하기 위한 cnn 기반 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치
US8417443B2 (en) Travel pattern information obtaining device, travel pattern information obtaining method, and travel pattern information obtaining program
CN104303218A (zh) 行为识别系统中的警报指令和聚焦警报指令
CN108898520B (zh) 基于轨迹数据的学生安全监控方法和系统
KR102464331B1 (ko) 교통 패턴 분류 장치 및 방법
CN114267173A (zh) 高速公路时空特征的多源数据融合方法、装置及设备
CN116824862B (zh) 一种智慧隧道交通运行管控方法、设备及介质
CN116592903B (zh) 车路协同环境下群体偏好的生态驾驶路径实时规划方法
CN103593656B (zh) 基于局部二值模式的视频中人群运动模式识别定位方法
JP4957612B2 (ja) 走行パターン情報取得装置、走行パターン情報取得方法および走行パターン情報取得プログラム
DE102018201787A1 (de) Verfahren und System zum Optimieren und Vorhersagen einer Verkehrssituation
Noma-Osaghae et al. The validity of a decentralised simulation-based system for the resolution of Road traffic congestion
Sinha et al. Sustainable time series model for vehicular traffic trends prediction in metropolitan network
KR102296576B1 (ko) 교통 정보 제공 장치, 교통 정보 제공 방법, 및 교통 정보를 제공하는 프로그램을 저장하는 저장매체
Tsiligkaridis et al. Anomaly detection in transportation networks using machine learning techniques
CN109141422A (zh) 一种基于路边单元机器学习的车辆定位方法及系统
Lee et al. Individual stable driving pattern analysis for evaluating driver readiness at autonomous driving levels 2 and 3
Zamzuri et al. Bayesian network of traffic accidents in Malaysia
CN117033162B (zh) 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统
CN117520906B (zh) 基于人群出行活动熵的不同特征人群分类方法及系统
Whitley Applications in Traffic Analysis from Automatically Extracted Road User Interactions with Roadside LiDAR Trajectories
Mittal et al. Macroscopic traffic flow model based dynamic road traffic lights management framework
Sofronova et al. Utilizing multi-source real data for traffic flow optimization in CTraf

Legal Events

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