KR102594585B1 - 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치 - Google Patents
교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치 Download PDFInfo
- Publication number
- KR102594585B1 KR102594585B1 KR1020230047528A KR20230047528A KR102594585B1 KR 102594585 B1 KR102594585 B1 KR 102594585B1 KR 1020230047528 A KR1020230047528 A KR 1020230047528A KR 20230047528 A KR20230047528 A KR 20230047528A KR 102594585 B1 KR102594585 B1 KR 102594585B1
- Authority
- KR
- South Korea
- Prior art keywords
- traffic
- network
- information
- traffic information
- performance degradation
- Prior art date
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 115
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006866 deterioration Effects 0.000 claims abstract description 20
- 230000010365 information processing Effects 0.000 claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 36
- 230000010354 integration Effects 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 description 69
- 238000013528 artificial neural network Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 16
- 230000008520 organization Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000009430 construction management Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 210000000225 synapse Anatomy 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치를 개시한다.
본 발명의 실시예에 따른 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템은 L2 스위치를 통하여 네트워크와 연결되는 복수의 구성 요소를 포함하고, 복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 상기 통합 교통 정보를 외부 장치로 송신하고, 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 교통 정보 처리 장치; 및 상기 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 상기 통합 교통 정보를 상황실 출력 모듈을 통해 출력하는 상황실 처리 장치;를 포함할 수 있다.
본 발명의 실시예에 따른 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템은 L2 스위치를 통하여 네트워크와 연결되는 복수의 구성 요소를 포함하고, 복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 상기 통합 교통 정보를 외부 장치로 송신하고, 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 교통 정보 처리 장치; 및 상기 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 상기 통합 교통 정보를 상황실 출력 모듈을 통해 출력하는 상황실 처리 장치;를 포함할 수 있다.
Description
본 발명은 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
국가 교통 정보 센터(National Traffic Information Center)는 국가 차원에서 교통 정보를 수집하고 분석하여 전국적인 교통체계의 안전성, 원활성, 효율성을 향상시키는 중요한 역할을 수행한다.
최근에는 전국 주요 도로에 차세대 지능형 교통 시스템(C-ITS: Cooperative-Intelligent Transport Systems)을 구축함에 따라 국가 교통 정보 센터의 역할은 더 중요해지고 있다.
국가 교통 정보 센터는 교통정보 연계, 통합 및 대국민 서비스 제공, 특별교통수송대책 등에 대한 효율적인 대응 및 지원을 위해 운영된다. 특히, 국가 교통 정보센터는 각 기관에서 수집되는 교통정보 및 센터설비를 활용하여 교통 상황관리 및 긴급사고처리, 소통정보 제공 등 교통 소통과 관련된 운영을 수행한다.
국가 교통 정보 센터는 교통 체계의 정보를 실시간으로 처리하고 관리하는 중요한 시스템이다. 이러한 시스템에서 발생하는 네트워크 성능 저하는 교통 정보 처리와 전달의 지연을 유발하여 교통 체계의 안정성과 효율성에 지장을 줄 수 있다. 따라서 이를 신속하고 정확하게 감지하고 대처할 수 있는 기술의 연구 개발이 필요한 실정이다.
본 발명이 이루고자 하는 목적은, 인공지능 모델을 이용하여 교통 관련 정보의 트래픽 양에 의해 발생하는 네트워크 성능 저하를 감지하고, 네트워크 성능 저하가 발생하는 경우 신속하게 대응할 수 있는 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치를 제공하는데 있다.
본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.
상술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 교통 정보 센터가 이용하는 네트워크의 성능 저하를 감지하기 위한 시스템은, 복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 상기 통합 교통 정보를 외부 장치로 송신하고, 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 교통 정보 처리 장치; 및 상기 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 상기 통합 교통 정보를 상황실 출력 모듈을 통해 출력하는 상황실 처리 장치;를 포함한다.
상기 교통 정보 처리 장치는, 네트워크와 제1 L2 스위치를 통해 연결되고, 상기 복수의 지방국토관리청 교통 정보 센터와 연동하는 국도통합센터 또는 상기 복수의 지방국토관리청 교통 정보 센터로부터 상기 교통 관련 정보를 네트워크를 통해 수신하는 교통 정보 수신 모듈; 상기 네트워크와 제2 L2 스위치를 통해 연결되고, 상기 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 관련 정보를 생성하는 교통 정보 통합 모듈; 상기 네트워크와 제3 L2 스위치를 통해 연결되고, 상기 통합 교통 정보를 상기 지방국토관리청 교통 정보 센터, 상기 국도통합센터 또는 상기 외부 장치로 송신하는 교통 정보 송신 모듈; 및 상기 네트워크와 제4 L2 스위치를 통해 연결되고, 상기 네트워크를 통하여 수신되는 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 통신 관리 모듈;을 포함할 수 있다.
상기 통신 관리 모듈은, 상기 네트워크가 정상 상태일 경우에 대한 제1 트래픽 양과 상기 네트워크가 성능 저하된 상태일 경우에 대한 제2 트래픽 양으로부터 미리 수집한 트래픽 양 세트들을 저장하는 트레이닝 세트 저장 모듈; 상기 트래픽 양 세트들과 상기 트래픽 양 세트들 각각에 대응되는 네트워크 상태 판정값에 기초하여 상기 네트워크의 성능 저하 여부를 판별하는 학습 모델을 생성하기 위한 학습 과정을 상기 트래픽 양 세트들 각각에 대하여 반복 수행함으로써 네트워크 성능 저하 판단 모델을 생성하는 네트워크 성능 저하 판단 모델 생성 모듈; 및 성능 저하 판단의 대상이 되는 네트워크로부터 수집한 실제 네트워크 트래픽 양 측정값 세트와 상기 네트워크 성능 저하 판단 모델을 이용하여 상기 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단하는 네트워크 성능 판단 모듈;을 포함하는 것을 특징으로 한다.
상기 네트워크 상태 판정값은, 상기 네트워크가 정상 상태일 경우에 대한 값인 제1 값, 상기 네트워크를 통해 송수신되는 데이터의 지연 시간이 증가하는 상태인 경우에 대한 제2 값, 상기 네트워크를 통하여 처리되는 데이터 패킷이 손실되는 상태인 경우에 대한 제3 값 또는 상기 네트워크가 새로운 연결 요청을 거부하는 상태에 대한 값인 제4 값 중 어느 하나인 것을 특징으로 한다.
상기 네트워크 성능 판단 모듈은, 상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 상기 제1 값인 경우, 상기 네트워크가 정상이라고 판단하고, 상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 상기 제2 값, 제3 값 또는 제4 값 중 어느 하나인 경우, 상기 네트워크가 성능 저하 상태라고 판단하는 것을 특징으로 한다.
상기 상황실 처리 장치는, 상기 네트워크 성능 저하 판단 결과를 기반으로 상기 교통 정보 수신 모듈을 제어하는 네트워크 성능 저하 대응 모듈;을 포함하고, 상기 네트워크 성능 저하 대응 모듈은, 상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값에 따라 상기 교통 정보 수신 모듈이 상기 네트워크를 통해 수신하는 상기 교통 관련 정보의 양을 다르게 결정하는 것을 특징으로 한다.
상기 교통 관련 정보는, CCTV 영상정보, 가변형도로전광표지(VMS: Variable Message Sign) 정보, 차량검지시스템(Vehicle Detection System) 정보, 가변속도제한시스템(VSL；Variable Speed Limit) 정보, 다수의 운전자들로부터 제공받은 도로에 대한 정보인 운전자 제보 교통 정보, 취약구간정보 또는 운행차량의 차량번호를 자동으로 인식하는 자동차량인식(AVI: Automatic Vehicle Identification) 장치가 출력한 자동차량인식정보 중 적어도 하나를 포함하는 것을 특징으로 한다.
상기 네트워크 성능 저하 대응 모듈은, 상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제2 값인 경우, 상기 교통 정보 수신 모듈이 상기 교통 관련 정보 중에서 상기 운전자 제보 교통 정보를 수신하지 않도록 제어하고, 상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제3 값인 경우, 상기 교통 정보 수신 모듈이 상기 교통 관련 정보 중에서 상기 운전자 제보 교통 정보 및 상기 취약구간정보를 수신하지 않도록 제어하고, 상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제4 값인 경우, 상기 교통 정보 수신 모듈이 상기 교통 관련 정보 중에서 상기 운전자 제보 교통 정보, 상기 취약구간정보 및 상기 가변속도제한시스템 정보를 수신하지 않도록 제어하는 것을 특징으로 한다.
상기 트래픽 양 세트 또는 상기 실제 네트워크 트래픽 양 측정값 세트는, 미리 설정된 단위 시간 간격으로 측정한 트래픽 양을 순차적으로 n(n은 2 이상의 자연수)회 이상 측정한 값들을 포함하는 세트고, 상기 네트워크 성능 판단 모듈은, 상기 실제 네트워크 트래픽 양 측정값 세트에 포함된 측정값들로부터 도출된 대표값을 이용하여 상기 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 교통 정보 센터에서 네트워크의 성능 저하를 감지하기 위한 방법은, 복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 상기 통합 교통 정보를 외부 장치로 송신하고, 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 교통 정보 처리 단계; 및 상기 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 상기 통합 교통 정보를 상황실 출력 모듈을 통해 출력하는 상황실 처리 단계;를 포함한다.
상기 교통 정보 처리 단계는, 상기 복수의 지방국토관리청 교통 정보 센터와 연동하는 국도통합센터 또는 상기 복수의 지방국토관리청 교통 정보 센터로부터 상기 교통 관련 정보를 네트워크를 통해 수신하는 교통 정보 수신 단계; 상기 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 관련 정보를 생성하는 교통 정보 통합 단계; 상기 통합 교통 정보를 상기 지방국토관리청 교통 정보 센터, 상기 국도통합센터 또는 상기 외부 장치로 송신하는 교통 정보 송신 단계; 및 상기 네트워크를 통하여 수신되는 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 통신 관리 단계;를 포함한다.
상기 통신 관리 단계는, 상기 네트워크가 정상 상태일 경우에 대한 제1 트래픽 양과 상기 네트워크가 성능 저하된 상태일 경우에 대한 제2 트래픽 양으로부터 미리 수집한 트래픽 양 세트들을 저장하는 트레이닝 세트 저장 단계; 상기 트래픽 양 세트들과 상기 트래픽 양 세트들 각각에 대응되는 네트워크 상태 판정값에 기초하여 상기 네트워크의 성능 저하 여부를 판별하는 학습 모델을 생성하기 위한 학습 과정을 상기 트래픽 양 세트들 각각에 대하여 반복 수행함으로써 네트워크 성능 저하 판단 모델을 생성하는 네트워크 성능 저하 판단 모델 생성 단계; 및 성능 저하 판단의 대상이 되는 네트워크로부터 수집한 실제 네트워크 트래픽 양 측정값 세트와 상기 네트워크 성능 저하 판단 모델을 이용하여 상기 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단하는 네트워크 성능 판단 단계;를 포함하는 것을 특징으로 한다.
이상에서 설명한 바와 같이 본 발명의 일 실시예에 따르면, 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치를 적용함으로써 교통 정보 센터가 이용하는 네트워크의 성능 저하를 실시간으로 감지하고 판단할 수 있다.
또한, 복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 통합된 교통 정보를 생성하고, 외부 장치로 송신하며, 네트워크 성능 저하를 판단하여 이를 처리할 수 있고, 교통 정보의 신속하고 정확한 처리와 안정적인 네트워크 환경을 제공하여 교통 체계의 효율성과 안전성을 향상시킬 수 있다.
여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.
도 1은 본 발명의 일 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 교통 정보 시스템의 통신 관리 모듈의 구성을 개략적으로 나타내는 블록도이다.
도 4는 본 발명의 다른 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 통신 관리 모듈의 네트워크 성능 저하 판단 모델 생성 모듈로부터 생성되는 인공신경망 모델을 설명하기 위한 도면이다.
도 6은 본 발명의 또 다른 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 7은 본 발명의 일 실시예에 따른 교통 정보 시스템에서 수행되는 네트워크 성능 저하 감지 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 9는 본 발명의 또 다른 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 교통 정보 시스템의 통신 관리 모듈의 구성을 개략적으로 나타내는 블록도이다.
도 4는 본 발명의 다른 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 통신 관리 모듈의 네트워크 성능 저하 판단 모델 생성 모듈로부터 생성되는 인공신경망 모델을 설명하기 위한 도면이다.
도 6은 본 발명의 또 다른 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 7은 본 발명의 일 실시예에 따른 교통 정보 시스템에서 수행되는 네트워크 성능 저하 감지 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
도 9는 본 발명의 또 다른 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, “가진다”, “가질 수 있다”, “포함한다” 또는 “포함할 수 있다” 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제2, 제1 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소 들은 상기 용어들에 의해 한정되지는 않는다.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
또한, 본 명세서에 기재된 '~모듈'이라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있으며, '~모듈'은 어떤 역할들을 수행한다. 그렇지만 '~모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터 구조들 및 변수들을 포함할 수 있다. 구성요소들과 '~모듈'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~모듈'들로 결합되거나 추가적인 구성요소들과 '~모듈'들로 더 분리될 수 있다.
도 1은 본 발명의 일 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
본 발명의 일 실시예에 따른 지능형 교통 시스템(1)은 국가 교통 정보 센터(10), 지방국토관리청 교통 정보 센터(20), 정보 제공 서버(30) 및 외부 장치(60)를 포함할 수 있다.
도 1의 지능형 교통 시스템(1)은 일 실시예에 따른 것으로서, 도 1에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 지능형 교통 시스템(1)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다.
지능형 교통 시스템(1)은 지능형교통체계(ITS: Intelligent Transport Systems)를 운용하는 시스템을 의미할 수 있다.
지능형교통체계는 최신 정보 기술(IT)과 통신 기술을 활용하여 교통 시스템의 안전성, 운영성, 환경성 등을 개선하고 효율적으로 관리하기 위한 교통체계일 수 있다. 지능형교통체계는 다양한 기술과 서비스로 구성되어 있으며, 이를 통해 교통체계 전반의 문제를 해결할 수 있다.
지능형교통체계는 교통정보 제공 서비스, 자동차 안전 기술, 자율주행 자동차 기술, 교통 관제 시스템 및 교통환경 개선 기술과 관련된 기술 또는 서비스를 제공하는데 이용될 수 있다.
국가 교통 정보 센터(National Traffic Information Center, 10)는 국가 차원에서 교통 정보를 수집하고 분석하여 전국적인 교통체계의 안전성, 원활성, 효율성을 향상시키는 기관으로서, 정부에서 운영하는 교통 정보 제공 시스템을 의미할 수 있다.
국가 교통 정보 센터(10)는 교통정보 연계, 통합 및 대국민 서비스 제공, 특별교통수송대책 등에 대한 효율적인 대응 및 지원을 위해 운영된다. 여기서, 국가 교통 정보 센터(10)의 운영은 각 기관에서 수집하는 교통정보 및 센터설비를 활용하여 교통 상황관리 및 긴급사고처리, 소통정보 제공 등 교통 소통과 관련된 일체의 행위가 필요한 부분에 대한 운영을 의미한다. 국가 교통 정보 센터(10)의 센터설비는 신속하고, 정확한 실시간 교통정보 제공을 위한 설비로서, 각 기관의 교통정보를 연계, 대국민 서비스 등에 활용되는 설비를 의미할 수 있다.
국가 교통 정보 센터(10)는 교통 안전을 위한 다양한 정보를 수집하고, 분석하여 교통 정보를 제공한다.
국가 교통 정보 센터(10)에서 제공하는 교통 서비스 정보에는 실시간 교통 정보, 경로 정보, 교통 혼잡 정보, 도로 교통 사고 정보, 고속도로 휴게소 및 톨게이트의 이용 상황, 돌발 이벤트 관련 정보 등이 포함될 수 있다.
예를 들어, 국가 교통 정보 센터(10)는 교통 서비스 정보를 제공하여 운전자들이 교통 혼잡 구간과 교통 사고가 발생한 지역 등을 미리 파악하여 적절한 대처를 할 수 있도록 한다. 또한, 국가 교통 정보 센터(10)는 교통 서비스 정보를 유관 기관 또는 기 설정된 소정의 외부 장치로 제공하여 돌발 이벤트 대응, 임무 수행 등에 활용될 수 있다. 또한, 국가 교통 정보 센터(10)는 교통 서비스 정보를 교통 정책 수집기관, 연구기관 등에 제공하여, 교통 흐름 개선과 교통안전 확보를 위해 교통정책 수립, 연구 등에 활용될 수 있다.
지방국토관리청 교통 정보 센터(20)는 지역적인 교통 정보를 수집하고 분석하여 지역 교통체계의 안전성, 원활성, 효율성을 향상시키는 기관으로서, 지방국토관리청 또는 지방청에서 운영하는 교통 정보 제공 시스템을 의미할 수 있다.
지방국토관리청 교통 정보 센터(20)는 지역 교통 정보 수집, 지역 교통사고 대응, 지역 교통정체 대응, 지역 교통정책 수립 등을 수행할 수 있고, 도로 교통 상황의 효율적인 관리와 교통 흐름의 원활한 유지를 지원할 수 있다.
지방국토관리청 교통 정보 센터(20)는 기 설정된 지역 내의 도로 센서 설비, CCTV 설비, 가변형도로전광표지(VMS: Variable Message Sign) 설비, 대중 교통 설비, 차량검지시스템(Vehicle Detection System) 설비, 가변속도제한시스템(VSL；Variable Speed Limit) 설비, 자동차량인식(AVI: Automatic Vehicle Identification) 장치 등을 관리하고 운용할 수 있다.
지방국토관리청 교통 정보 센터(20)는 국가 교통 정보 센터(10)와 연동하며, 지방국토관리청 교통 정보 센터(20) 및 국가 교통 정보센터(10)는 교통 정보 수집, 분석 등을 위해 서로 정보를 공유할 수 있다.
지방국토관리청 교통 정보 센터(20)는 기 설정된 지역 내에서 수집된 도로 교통 정보, CCTV 영상정보, 도로전광표지(VMS) 정보, 대중 교통 관련 정보, 차량검지시스템 정보, 가변속도제한시스템 정보, 자동차량 인식 정보, 광역 대중교통정보 등에 대한 교통 관련 정보를 국가 교통 정보 센터(10)로 전송할 수 있다.
또한, 지방국토관리청 교통 정보 센터(20)는 국가 교통 정보 센터(10)로부터 수신된 지역 교통정책, 교통 대응 정보, 돌발 이벤트 대응 교통정보 등을 수신할 수 있으며, 수신된 정보에 따라 구축된 설비를 제어할 수 있다.
본 실시예에 따른 지방국토관리청 교통 정보 센터(20)는 제1 지방국토관리청 교통 정보 센터(22), 제2 지방국토관리청 교통 정보 센터(24), 제3 지방국토관리청 교통 정보 센터(26), 제4 지방국토관리청 교통 정보 센터(28) 등을 포함할 수 있다. 예를 들어, 지방국토관리청 교통 정보 센터(20)는 서울청 교통 정보 센터, 대전청 교통 정보 센터, 원주청 교통 정보 센터, 익산청 교통 정보 센터, 부산청 교통 정보 센터 등을 포함할 수 있다.
복수의 지방국토관리청 교통 정보 센터(22, 24, 26, 28) 각각은, 서로 다른 지역에 대한 교통 정보를 관리하며, 지역 각각에 대한 서로 다른 지역 각각의 도로 센서 설비, CCTV 설비, 가변형도로전광표지(VMS: Variable Message Sign) 설비, 대중 교통 설비, 차량검지시스템(Vehicle Detection System) 설비, 가변속도제한시스템(VSL；Variable Speed Limit) 설비, 자동차량인식(AVI: Automatic Vehicle Identification) 장치 등을 관리하고 운용할 수 있다.
정보 제공 서버(30)는 국가 교통 정보 센터(10)의 교통 정보 시스템(100)으로부터 정보를 수신하는 서버를 의미할 수 있다.
정보 제공 서버(30)는 국가 교통 정보 센터(10)로부터 지역 교통정책, 교통 대응 정보, 돌발 이벤트 대응 교통정보, 실시간 교통 정보, 교통 상황 통계 정보 등을 수신하고, 수신된 정보를 연결된 외부 장치로 전달할 수 있다.
여기서, 정보 제공 서버(30)는 민간 교통 정보 서버(32) 및 유관 기관 서버(34)를 포함할 수 있다.
민간 교통 정보 서버(32)는 국가 교통 정보 센터(10)로부터 교통 관련 정보를 제공받아, 일반인과 기업을 대상으로 다양한 교통 관련 서비스를 제공하는 역할을 할 수 있다. 예를 들어, 민간 교통 정보 서버(32)는 국가 교통 정보 센터로부터 제공받은 도로 교통, 대중 교통, 환승 등에 대한 정보를 종합적으로 분석하여, 실시간 교통 상황, 최적의 경로 추천, 대중 교통 정보 등을 제공하는 교통 정보 서비스를 제공할 수 있다. 또한, 민간 교통 정보 서버(32)는 개인화된 서비스를 제공하기 위해 사용자의 위치, 이동 패턴, 선호도 등을 고려한 맞춤형 서비스를 제공할 수 있다.
유관 기관 서버(34)는 유관 기관의 교통, 환승 등에 대한 정보를 제공하는 서버로서, 교통 정보, 소통정보, CCTV 영상 정보, 돌발 이벤트 대응 교통정보 등을 제공하기 위한 외부 장치 예컨대, 청와대(국가위기상황센터), 국가정보원, 행정안전부, 소방방재청, 군 관련 기관 등과 연동할 수 있다.
이 외에도 정보 제공 서버(30)는 교통 정보 제공 서버(미도시) 및 연구 기관 서버(미도시) 등을 포함할 수 있다.
예를 들어, 교통 정보 제공 서버는 대국민 도로 교통, 대중 교통, 환승 등에 대한 정보를 제공하는 서버로서, 인터넷 서비스, 현장안내 시스템(예: KIOSK, PDP) 서비스, 모바일 서비스, ARS 서비스 등을 제공하기 위한 외부 장치(예: 사용자 단말, 관리자 단말, 키오스크 단말 등)와 연동할 수 있다.
연구 기관 서버는 교통 정책 기관의 통계 분석 등에 대한 정보를 제공하는 서버로서, 교통 분석 정보, 교통 통계 정보 등을 제공하기 위한 외부 장치 예컨대, 교통정책 수집 기관, 연구기관 등과 연동할 수 있다.
도 4를 먼저 참조하면, 외부 장치(60)는 국가 교통 정보 센터(10)의 운용과 관계된 임무를 수행하는 기관 또는 기관에 구비된 단말을 의미한다.
외부 장치(60)은 교통 관련 정보를 수집 및 저장할 수 있다. 예를 들어, 외부 장치(60)는 고속도로 관련 기관(예: 한국도로공사, 민자고속도로 등), 일반 국도 관련 기관(예: 국토부 산하 지방청), 지방도 관련 기관, 시군도 관련 기관일 수 있으며, 경찰청, 기상청, 산림청, 민간 기업(예: 통신사, 차량 IT 기술 관련 기업 등) 등을 포함할 수 있다.
본 발명에서, 지방국토관리청 교통 정보 센터(20) 및 외부 장치(60)는 서로 별도의 구성인 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 지방국토관리청 교통 정보 센터(20) 및 외부 장치(60)의 전체 또는 일부 구성은 서로 통합되거나, 직접적으로 연결된 구성일 수 있다.
교통 정보 시스템(100)은 국가 교통 정보 센터(10) 내에 설치되어, 정보 수집, 정보 관리 처리, 정보 제공 처리, 정보 저장 등 국가 교통 정보 센터(10)의 다양한 기능을 수행하는 장치를 의미한다.
본 실시예에 따른 교통 정보 시스템(100)은 교통 관련 정보를 수집하고, 수집된 교통 관련 정보를 통합 처리하여 통합 교통 정보를 생성한다.
국가 교통 정보 센터(10), 지방국토관리청 교통 정보 센터(20), 정보 제공 서버(30) 및 외부 장치(60)는 네트워크(50)를 통해 통신할 수 있다.
네트워크(50)는 국가 교통 정보 센터(10), 지방국토관리청 교통 정보 센터(20), 정보 제공 서버(30) 및 외부 장치(60) 간의 통신이 가능하도록 구성될 수 있다. 네트워크(50)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다.
통신 방식은 제한되지 않으며, 네트워크(50)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 국가 교통 정보 센터(10), 지방국토관리청 교통 정보 센터(20), 정보 제공 서버(30) 및 외부 장치(60) 사이의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(50)는 PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다.
또한, 네트워크(50)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
지능형 교통 시스템(1)은 복수개의 네트워크(50)를 포함할 수 있고, 국가 교통 정보 센터(10), 지방국토관리청 교통 정보 센터(20), 정보 제공 서버(30) 및 외부 장치(60)는 한 개 또는 복수개의 네트워크를 다양한 방식으로 이용하여 통신을 수행할 수 있다.
도 2는 본 발명의 일 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
교통 정보 센터가 이용하는 네트워크의 성능 저하를 감지하기 위한 시스템은 교통 정보 처리 장치(210) 및 상황실 처리 장치(220)를 포함할 수 있다.
교통 정보 처리 장치(210)는 복수의 지방국토관리청 교통 정보 센터(20)로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 통합 교통 정보를 외부 장치로 송신하고, 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단할 수 있다.
여기서, '교통 관련 정보의 트래픽 양'은 정보가 네트워크를 통해 전송되는 양을 의미할 수 있고, 교통 관련 데이터 트래픽 또는 교통 관련 데이터가 이용하는 네트워크 트래픽을 의미할 수 있고, 인터넷, 모바일 네트워크, 또는 기타 통신 네트워크에서 교통 관련 정보에 해당하는 데이터가 전송되는 양을 나타낼 수 있다.
여기서, 교통 관련 정보는 CCTV 영상정보, 가변형도로전광표지(VMS: Variable Message Sign) 정보, 차량검지시스템(Vehicle Detection System) 정보, 가변속도제한시스템(VSL；Variable Speed Limit) 정보, 다수의 운전자들로부터 제공받은 도로에 대한 정보인 운전자 제보 교통 정보, 취약구간정보 또는 운행차량의 차량번호를 자동으로 인식하는 자동차량인식(AVI: Automatic Vehicle Identification) 장치가 출력한 자동차량인식정보 중 적어도 하나를 포함할 수 있다.
운전자 제보 교통 정보는 다수의 운전자들로부터 제공받은 도로에 대한 정보일 수 있다.
차량검지시스템 정보는 교통량, 도로 점유율, 지점 속도 등을 포함할 수 있다.
취약구간정보는 결빙, 안개 등에 취약한 도로 구간에 대한 정보를 포함할 수 있다.
교통 정보 처리 장치(210)는 교통 정보 수신 모듈(212), 교통 정보 통합 모듈(214), 교통 정보 송신 모듈(216) 및 교통 관리 모듈(218)을 포함할 수 있다.
교통 정보 수신 모듈(212)은 복수의 지방국토관리청 교통 정보 센터(22, 24, 26, 28)와 연동하는 국도통합센터 또는 복수의 지방국토관리청 교통 정보 센터(22, 24, 26, 28)로부터 교통 관련 정보를 네트워크를 통해 수신할 수 있다.
국도통합센터는 복수의 지방국토관리청 교통 정보 센터(22, 24, 26, 28)로부터 수집한 교통 관련 정보를 통합하고, 가공하여 데이터베이스에 저장하고 국가 교통 정보 센터(10) 또는 교통 정보 시스템(100)으로 전송할 수 있다.
국도통합센터는 국가 교통 정보 센터(10) 또는 교통 정보 시스템(100)으로부터 민간정보를 제공받거나, 고속도로 정보 지자체 소통 정보를 제공받을 수 있다.
국도통합센터는 국가 교통 정보 센터(10) 또는 교통 정보 시스템(100)으로 국도 소통 정보 또는 영상 정보를 제공할 수 있다.
국도통합센터는 국토관리사무소로 재난안전센터를 운용하기 위한 정보를 제공할 수 있다. 재난안전센터를 운용하기 위한 정보로는 CCTV 영상이 있을 수 있다.
국토관리사무소는 도로시설물 관리 및 터널/교량 관리와 관련된 업무를 수행할 수 있다.
또한, 교통 정보 수신 모듈(212)은 정보 제공 서버(30) 또는 외부 장치(60)로부터 교통 관련 정보를 수집할 수 있다. 여기서, 정보 제공 서버(30) 또는 외부 장치(60)는 고속도로 관련 기관(예: 한국도로공사, 민자고속도로 등), 일반국도 관련 기관(예: 국토부 산하 지방청), 지방도 관련 기관, 시군도 관련 기관일 수 있으며, 경찰청, 기상청, 산림청, 민간 기업(예: 통신사, 차량 IT 기술 관련 기업 등) 등을 포함할 수 있다.
교통 정보 수신 모듈(212)은 정보 제공 서버(30) 또는 외부 장치(60)로부터 전송된 사고 정보, 기상 정보 등을 포함하는 교통 관련 정보를 수집할 수 있다.
한편, 교통 정보 수신 모듈(212)은 복수의 지방국토관리청 교통 정보 센터(20) 각각으로부터 교통 관련 정보를 수신하는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 별도의 중계 센터(예: 국도 통합 센터), 중계 장치(중계 서버, 빅데이터 서버, 연계 서버 등) 등을 경유하여 교통 관련 정보를 수신할 수도 있다.
교통 정보 통합 모듈(214)은 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 관련 정보를 생성할 수 있다. 교통 정보 통합 모듈(214)은 통합 교통 관련 정보를 생성하는 처리 동작과 관련된 정보를 저장 및 관리하는 동작을 수행할 수 있다.
교통 정보 통합 모듈(214)은 교통 정보 수신 모듈(212)로부터 교통 관련 정보를 수신하고, 수신한 교통 관련 정보 및 생성한 통합 교통 관련 정보를 저장할 수 있다. 교통 정보 통합 모듈(214)은 요청 신호가 존재하는 경우 기 저장된 정보를 불러와 제공할 수 있다.
교통 정보 통합 모듈(214)은 데이터베이스 기반의 모듈을 포함하거나, 데이터베이스 기반의 모듈과 연결되어 구현될 수 있으나 반드시 이에 한정되는 것은 아니며, 정보를 저장 및 관리할 수 있다면 다양한 형태의 저장 모듈(예: 클라우드, 가상 메모리 등)을 포함하거나 연결되어 구현될 수 있다.
교통 정보 통합 모듈(214)은 교통 관련 정보에 포함된 CCTV 영상정보, 가변형도로전광표지(VMS: Variable Message Sign) 정보, 차량검지시스템(Vehicle Detection System) 정보, 가변속도제한시스템(VSL；Variable Speed Limit) 정보, 다수의 운전자들로부터 제공받은 도로에 대한 정보인 운전자 제보 교통 정보, 취약구간정보 또는 운행차량의 차량번호를 자동으로 인식하는 자동차량인식(AVI: Automatic Vehicle Identification) 장치가 출력한 자동차량인식정보를 동일 또는 유사 카테고리끼리 융합하고, 융합된 적어도 하나의 정보들을 전자 지도에 통합할 수 있다.
여기서, 통합 교통 정보를 생성하기 위한 정보의 융합은 정보의 결합, 합산, 필터링, 삭제, 수정 등을 포함하는 처리 동작일 수 있다. 또한, 전자 지도는 표준화된 전자 지도인 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
교통 정보 통합 모듈(214)은 정보 결합 시, 중복 또는 기 설정된 필터링 기준에 해당하는 경우 필터링을 통해 정보를 삭제 및 가공할 수 있다.
교통 정보 통합 모듈(214)은 경찰청의 사고 정보 또는 기상청의 기상 정보가 추가로 획득된 경우, 교통 관련 정보와 함께 사고 정보, 기상 정보 등을 융합하여 통합 교통 정보를 생성할 수도 있다.
교통 정보 통합 모듈(214)은 교통 관련 정보를 기반으로 분석된 실시간 교통 정보를 통합 교통 정보에 매칭하는 동작을 수행한다. 교통 정보 통합 모듈(214)은 교통 관련 정보를 기반으로 도로 상의 교통량, 혼잡 정도 등을 분석한 실시간 교통 정보를 산출하고, 산출된 실시간 교통 정보를 통합 교통 정보에 반영할 수 있다.
교통 정보 통합 모듈(214)은 전자 지도에 실시간 교통 정보를 추가 처리할 수 있으며, 숫자, 색상, 음영 등을 통해 도로 상의 교통량, 혼잡 정도 등을 표현할 수 있다.
교통 정보 송신 모듈(216)은 통합 교통 정보를 지방국토관리청 교통 정보 센터, 국도통합센터 또는 외부 장치로 송신할 수 있다.
교통 관리 모듈(218)은 네트워크를 통하여 수신되는 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단할 수 있다.
상황실 처리 장치(220)는 네트워크 성능 저하 대응 모듈(222) 및 상황실 출력 모듈(224)를 포함할 수 있다.
상황실 처리 장치(220)는 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 통합 교통 정보를 상황실 출력 모듈을 통해 출력할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 네트워크 성능 저하 판단 결과를 기반으로 교통 정보 수신 모듈(212)을 제어할 수 있다. 네트워크 성능 저하 대응 모듈(222)은 네트워크에 대한 정보(예를 들어, 트래픽 양에 대한 정보, 에러율, 대역폭, 데이터 처리량), 네트워크 상태에 대한 정보, 대응 결과에 대한 정보를 상황실 출력 모듈(224)로 송신할 수 있다.
상황실 출력 모듈(224)은 적어도 하나의 상황실 출력부를 포함하고, 적어도 하나의 상황실 출력부 각각을 통해 통합 교통 정보를 출력할 수 있다. 상황실 출력 모듈(224)은 네트워크 성능 저하 대응 모듈(222)로부터 제공받은 정보를 출력할 수 있다. 상황실 출력 모듈(224)은 통합 교통 정보의 전체 또는 일부를 출력할 수 있다.
적어도 하나의 상황실 출력부 각각은 모니터와 같이 영상 또는 이미지를 출력하는 출력 장치일 수 있으나 반드시 이에 한정되는 것은 아니다.
도 2의 교통 정보 시스템(100)은 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 교통 정보 시스템(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다.
도 3은 본 발명의 일 실시예에 따른 교통 정보 시스템의 통신 관리 모듈의 구성을 개략적으로 나타내는 블록도이다.
도 3을 참조하면, 통신 관리 모듈(218)은 트레이닝 데이터 저장 모듈(310), 네트워크 성능 저하 판단 모델 생성 모듈(320) 및 네트워크 성능 판단 모듈(330)을 포함할 수 있다.
트레이닝 데이터 저장 모듈(310)은 네트워크가 정상 상태일 경우에 대한 제1 트래픽 양과 네트워크가 성능 저하된 상태일 경우에 대한 제2 트래픽 양으로부터 미리 수집한 트래픽 양 세트들을 저장할 수 있다.
제2 트래픽 양은 네트워크를 통해 송수신되는 데이터의 지연 시간이 증가하는 상태에 대한 트래픽 양인 제2-1 트래픽 양, 네트워크를 통하여 처리되는 데이터 패킷이 손실되는 상태에 대한 트래픽 양인 제2-2 트래픽 양 또는 네트워크가 새로운 연결 요청을 거부하는 상태에 대한 트래픽 양인 제2-3 트래픽 양을 포함할 수 있다.
여기서, 네트워크 성능이 저하된 상태는 네트워크를 통해 송수신되는 데이터의 지연 시간이 증가하는 상태, 네트워크를 통하여 처리되는 데이터 패킷이 손실되는 상태 또는 네트워크가 새로운 연결 요청을 거부하는 상태 중 어느 하나일 수 있다.
네트워크 성능 저하 판단 모델 생성 모듈(320)은 트래픽 양 세트들과 트래픽 양 세트들 각각에 대응되는 네트워크 상태 판정값에 기초하여 네트워크의 성능 저하 여부를 판별하는 학습 모델을 생성하기 위한 학습 과정을 트래픽 양 세트들 각각에 대하여 반복 수행함으로써 네트워크 성능 저하 판단 모델을 생성할 수 있다.
네트워크 성능 판단 모듈(330)은 성능 저하 판단의 대상이 되는 네트워크로부터 수집한 실제 네트워크 트래픽 양 측정값 세트와 네트워크 성능 저하 판단 모델을 이용하여 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단할 수 있다.
네트워크의 정상 상태란, 네트워크가 원활하게 작동하고 있는 상태, 주요 특성과 기능이 정상적으로 작동하는 상태를 의미할 수 있다. 또한, 네트워크 정상 상태는 다양한 장치와 서버 간의 연결이 안정적이고 지속적인 상태를 의미할 수 있다.
트래픽 양 세트 또는 실제 네트워크 트래픽 양 측정값 세트는 미리 설정된 단위 시간 간격으로 측정한 트래픽 양을 순차적으로 n(n은 2 이상의 자연수)회 이상 측정한 값들을 포함하는 세트일 수 있다.
네트워크 성능 판단 모듈(330)은 실제 네트워크 트래픽 양 측정값 세트에 포함된 측정값들로부터 도출된 대표값을 이용하여 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단할 수 있다. 예를 들어, 네트워크 성능 판단 모듈(330)은 실제 네트워크 트래픽 양 측정값 세트에 포함된 측정값들의 평균값을 대표값으로 하여 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단할 수 있다.
즉, 네트워크 성능 판단 모듈(330)은 실제 네트워크 트래픽 양 측정값 세트, 또는 대표값을 네트워크 성능 저하 판단 모델에 입력하여 네트워크가 성능 저하 상태인지 여부를 판단할 수 있다.
네트워크 상태 판정값은 네트워크가 정상 상태일 경우에 대한 값인 제1 값, 네트워크를 통해 송수신되는 데이터의 지연 시간이 증가하는 상태인 경우에 대한 제2 값, 네트워크를 통하여 처리되는 데이터 패킷이 손실되는 상태인 경우에 대한 제3 값 또는 네트워크가 새로운 연결 요청을 거부하는 상태에 대한 값인 제4 값 중 어느 하나일 수 있다.
여기서, 제1 값, 제2 값, 제3 값 및 제4 값은 사용자의 설정에 의하여 미리 결정된 값일 수 있고, 임의의 정수 중에서 결정되는 값일 수 있다. 제1 값, 제2 값, 제3 값 및 제4 값은 서로 다른 값일 수 있다.
네트워크 성능 판단 모듈(330)은 실제 네트워크 트래픽 양 측정값 세트로부터 네트워크 성능 저하 판단 모델을 통하여 도출되는 네트워크 상태 판정값이 제1 값인 경우, 네트워크가 정상이라고 판단할 수 있다.
네트워크 성능 판단 모듈(330)은 실제 네트워크 트래픽 양 측정값 세트로부터 네트워크 성능 저하 판단 모델을 통하여 도출되는 네트워크 상태 판정값이 제2 값, 제3 값 또는 제4 값 중 어느 하나인 경우, 네트워크가 성능 저하 상태라고 판단할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값에 따라 교통 정보 수신 모듈이 네트워크를 통해 수신하는 교통 관련 정보의 양 또는 종류를 다르게 결정할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 네트워크가 성능 저하 상태인 경우, 교통 관련 정보에 포함된 데이터 중에서 데이터의 중요도 또는 용량에 따라 선택된 일부 데이터를 교통 정보 수신 모듈(212)이 수신하지 않도록 제어할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제2 값인 경우, 교통 정보 수신 모듈이 교통 관련 정보 중에서 운전자 제보 교통 정보를 수신하지 않도록 제어할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제3 값인 경우, 교통 정보 수신 모듈이 교통 관련 정보 중에서 운전자 제보 교통 정보 및 취약구간정보를 수신하지 않도록 제어할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제4 값인 경우, 교통 정보 수신 모듈이 교통 관련 정보 중에서 운전자 제보 교통 정보, 취약구간정보 및 가변속도제한시스템 정보를 수신하지 않도록 제어할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 네트워크 상태 판정값이 제1 값에서 제2 값, 제2 값에서 제3 값으로 순차적으로 변화하는 경우, 네트워크 상태 판정값이 제3 값이더라도 교통 정보 수신 모듈(212)이 교통 관련 정보 중에서 운전자 제보 교통 정보, 취약구간정보 및 가변속도제한시스템 정보를 수신하지 않도록 제어할 수 있다.
네트워크 성능 저하 대응 모듈(222)은 네트워크 상태 판정값이 제1 값에서 제2 값, 제2 값에서 제3 값, 제3 값에서 제4 값으로 순차적으로 변화하는 경우, 네트워크 상태 판정값이 제4 값이더라도 교통 정보 수신 모듈(212)이 교통 관련 정보 중에서 운전자 제보 교통 정보, 취약구간정보 및 가변속도제한시스템 정보 뿐만 아니라, 가변형도로전광표지(VMS: Variable Message Sign) 정보, 차량검지시스템(Vehicle Detection System) 정보 또는 운행차량의 차량번호를 자동으로 인식하는 자동차량인식(AVI: Automatic Vehicle Identification) 장치가 출력한 자동차량인식정보 중 적어도 하나를 더욱 수신하지 않도록 제어할 수 있다.
교통 정보 수신 모듈(212)는 필터링, 퀄리티 오브 서비스(QoS), 멀티캐스트 또는 데이터 스트리밍 방식 중 적어도 하나를 이용하여 교통 관련 정보 중에서 운전자 제보 교통 정보, 취약구간정보 또는 가변속도제한시스템 정보 중 적어도 하나를 수신하지 않을 수 있다.
교통 정보 수신 모듈(212)은 네트워크 성능 판단 모듈(330)이 네트워크가 정상화되었다고 판단하면 교통 관련 정보를 정상적으로 수신할 수 있다.
도 4는 본 발명의 다른 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
교통 정보 수신 모듈(212), 교통 정보 통합 모듈(214), 교통 정보 송신 모듈(216), 통신 관리 모듈(218), 네트워크 성능 저하 대응 모듈(222) 및 상황실 출력 모듈(224) 각각은 L2 스위치(410, 420, 430, 440, 450, 460)를 통하여 네트워크와 연결될 수 있다.
여기서, 스위치는 L2 스위치인 것이 바람직하나 반드시 이에 한정되는 것은 아니며, L3 스위치, L4 스위치, 라우터 등일 수도 있다.
L2 스위치는 컴퓨터 네트워크에서 사용되는 네트워크 스위치의 한 종류일 수 있다. L2 스위치는 OSI 모델의 두 번째 계층, 즉 데이터 링크 계층에서 동작할 수 있다. L2 스위치는 네트워크에서 데이터를 전송하는 역할을 할 수 있다. 이를 위해 스위치는 각 포트에 연결된 장치의 MAC 주소를 학습하고, 이를 이용하여 스위치의 다른 포트로 데이터를 전송할 수 있다. 이러한 학습 기능을 통해 L2 스위치는 네트워크에 연결된 각 장치의 위치를 파악하고, 효율적으로 데이터를 전송할 수 있다.
L2 스위치는 흐름 제어와 오류 제어를 지원하여 데이터 전송의 안정성과 효율성을 높일 수 있다. 흐름 제어는 데이터의 전송 속도를 조절하여 네트워크의 혼잡을 방지하고, 오류 제어는 전송 중에 발생할 수 있는 에러를 검출하여 재전송을 요청함으로써 데이터 전송의 신뢰성을 보장할 수 있다.
도 5는 본 발명의 일 실시예에 따른 통신 관리 모듈의 네트워크 성능 저하 판단 모델 생성 모듈로부터 생성되는 인공신경망 모델을 설명하기 위한 도면이다.
인공신경망 모델(500)은, 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.
일 실시예에 따르면, 인공신경망 모델(500)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다.
예를 들어, 인공신경망 모델(500)은 기계 학습, 인공지능 학습/추론 등에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델, 딥뉴럴 네트워크 모델 등을 포함할 수 있다.
일 실시예에 따르면, 교통 정보 시스템(100)(교통 정보 시스템의 네트워크 성능 저하 판단 모델 생성 모듈(320))은 기계학습 모델의 한 형태로, 인공신경망 모델(500)을 생성하고 생성된 인공신경망 모델(500)을 이용할 수 있다. 예를 들어, 인공신경망 모델(500)은 성능 저하 판단의 대상이 되는 네트워크의 트래픽 양에 대한 정보를 입력받고, 입력받은 트래픽 양에 대한 정보를 기반으로 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 나타내는 네트워크 상태 판정값을 출력하도록 학습될 수 있다.
이를 위하여 인공신경망 모델(500)은 제1 트래픽 양, 제1 트래픽 양에 대응하는 네트워크 상태 판정값 또는 제2 트래픽 양, 제2 트래픽 양에 대응하는 네트워크 상태 판정값을 이용하여 학습될 수 있다.
인공신경망 모델(500)은 성능 저하 판단의 대상이 되는 네트워크의 트래픽 양에 대한 정보를 입력받고, 입력받은 트래픽 양에 대한 정보를 기반으로 성능 저하 판단의 대상이 되는 네트워크가 정상 상태, 네트워크 성능이 저하된 상태 네트워크를 통해 송수신되는 데이터의 지연 시간이 증가하는 상태, 네트워크를 통하여 처리되는 데이터 패킷이 손실되는 상태 또는 네트워크가 새로운 연결 요청을 거부하는 상태 중 어떤 상태인지에 대한 정보를 출력하도록 학습될 수 있다.
인공신경망 모델(500)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(500)은 MLP 등을 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다.
도 5에 도시된 바와 같이, 인공신경망 모델(500)은, 외부로부터 입력 신호 또는 데이터(510)를 수신하는 입력층(520), 입력 데이터에 대응한 출력 신호 또는 데이터(550)를 출력하는 출력층(540), 입력층(520)과 출력층(540) 사이에 위치하며 입력층(520)으로부터 신호를 받아 특성을 추출하여 출력층(540)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(530_1 내지 530_n)으로 구성된다. 여기서, 출력층(540)은 은닉층(530_1 내지 530_n)으로부터 신호를 받아 외부로 출력한다.
인공신경망 모델(500)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 네트워크 성능 저하 판단 모델 생성 모듈(320)은 교통 정보 시스템(100) 또는 국가 교통 정보 센터(10)가 지방국토관리청 교통 정보 센터(20) 또는 국도통합센터(40)로부터 교통 관련 정보를 수신하는 복수의 네트워크 망 각각에 대하여 또는 복수의 네트워크 망의 트래픽 총량에 대하여 네트워크 성능 저하 감지를 수행하고 네트워크가 어떤 상태인지에 대한 정보를 출력하도록 인공신경망 모델(500)을 지도 학습 및/또는 비지도 학습시킬 수 있다.
이렇게 학습된 인공신경망 모델(500)은 교통 정보 시스템(100)의 메모리에 저장되어, 교통 정보 시스템(100)에 의해 네트워크 성능 저하 여부를 감지할 시에 또는 실시간으로 사용될 수 있다.
일 실시예에 따르면, 인공신경망 모델(500)의 입력변수는, 성능 저하 판단의 대상이 되는 네트워크의 트래픽 양에 대한 정보가 될 수 있다. 즉, 성능 저하 판단의 대상이 되는 네트워크의 트래픽 양에 대한 정보 등을 나타내거나 특징화하는 벡터가 입력층(520)을 통해 입력될 수 있다. 이와 같이 상술된 입력변수가 입력층(520)을 통해 입력되는 경우, 인공신경망 모델(500)의 출력층(540)에서 출력되는 출력변수는 네트워크 상태에 대한 정보 또는 네트워크 상태 판정값에 대한 정보 또는 이를 특징화하는 벡터로 구성될 수 있다.
이와 같이, 인공신경망 모델(500)의 입력층(520)과 출력층(540)에 복수의 입력변수와 대응되는 복수의 출력변수가 각각 매칭되고, 입력층(520), 은닉층(530_1 내지 530_n) 및 출력층(540)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(500)의 입력변수에 숨겨져 있는 특성을 파악할 수 있고, 입력변수에 기초하여 산출된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(500)의 노드들 사이의 시냅스 값(또는 가중치)를 조정할 수 있다.
또한, 인공신경망 모델(500)은 네트워크에서의 정보 전달의 속도를 나타내는 대역폭, 네트워크 내에서 발생하는 데이터의 양을 나타내는 데이터 처리량, 네트워크의 안정성을 나타내는 에러율 등과 같은 다른 수량적인 지표를 이용하여 네트워크 상태에 대한 정보를 출력하거나, 네트워크 상태 판정값을 출력할 수도 있다.
네트워크의 트래픽 양, 데이터 처리량, 에러율, 대역폭을 획득하는 동작은 네트워크 성능 판단 모듈(330)이 수행할 수 있다.
도 6은 본 발명의 또 다른 실시예에 따른 국가 교통 정보 센터의 교통 정보 시스템의 구성을 개략적으로 나타내는 블록도이다.
교통 정보 시스템(100)는 적어도 하나의 프로세서(110), 컴퓨터 판독 가능한 저장매체(120) 및 통신 버스(150)를 포함한다.
프로세서(110)는 교통 정보 시스템(100)로 동작하도록 제어할 수 있다. 예컨대, 프로세서(110)는 컴퓨터 판독 가능한 저장 매체(120)에 저장된 하나 이상의 프로그램(121)들을 실행할 수 있다. 하나 이상의 프로그램(121)들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 컴퓨터 실행 가능 명령어는 프로세서(110)에 의해 실행되는 경우 교통 정보 시스템(100)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능한 저장 매체(120)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보는 입출력 인터페이스(130)나 통신 인터페이스(140)를 통해서도 주어질 수 있다. 컴퓨터 판독 가능한 저장 매체(120)에 저장된 프로그램(140)은 프로세서(110)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능한 저장 매체(120)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 교통 정보 시스템(100)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(150)는 프로세서(110), 컴퓨터 판독 가능한 저장 매체(120)를 포함하여 교통 정보 시스템(100)의 다른 다양한 컴포넌트들을 상호 연결한다.
교통 정보 시스템(100)는 또한 하나 이상의 입출력 장치를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(130) 및 하나 이상의 통신 인터페이스(140)를 포함할 수 있다. 입출력 인터페이스(130) 및 통신 인터페이스(140)는 통신 버스(150)에 연결된다. 입출력 장치(미도시)는 입출력 인터페이스(130)를 통해 교통 정보 시스템(100)의 다른 컴포넌트들에 연결될 수 있다.
프로세서(110)는 복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 통합 교통 정보를 외부 장치로 송신하고, 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하고, 네트워크 성능 저하 판단 결과와 통합 교통 정보를 입출력 인터페이스(130) 또는 통신 인터페이스(140)를 통하여 외부로 출력할 수 있다.
프로세서(110)는 도 1 내지 도 5를 통하여 설명한 교통 정보 수신 모듈(212), 교통 정보 통합 모듈(214), 교통 정보 송신 모듈(216), 교통 관리 모듈(218), 트레이닝 데이터 저장 모듈(310), 네트워크 성능 저하 판단 모델 생성 모듈(320), 네트워크 성능 판단 모듈(330), 네트워크 성능 저하 대응 모듈(222) 및 상황실 출력 모듈(224)에서 수행되는 동작들 중에서 전체 또는 일부 동작들을 수행할 수 있다.
인공지능 모듈(160)은 프로세서(110)와 연동하여 도 1 내지 도 5를 통하여 설명한 교통 관리 모듈(218), 트레이닝 데이터 저장 모듈(310), 네트워크 성능 저하 판단 모델 생성 모듈(320) 및 네트워크 성능 판단 모듈(330)에서 수행되는 동작들 중에서 전체 또는 일부 동작들을 수행할 수 있다.
인공신경망(161)은 인공지능(AI: Artificial Intelligence)를 기반으로 네트워크 상태 판정값 도출, 네트워크 상태 정보 생성 등과 관련된 신경망 처리를 수행할 수 있다.
인공신경망(161)은 입력 노드와, 중간 노드 및 출력 노드를 가지며, 각 노드를 연결하는 연결 가중치로서, 트레이닝 데이터를 통해 미리 학습이 완료된 결정 가중치에 의하여 특정된 구조를 갖는다. 인공신경망(161)의 출력값은, 확장 영역의 좌표값, 단위 블록 영역의 좌표값일 수 있으며, 확장 영역 또는 단위 블록 영역에 대한 특징값 행렬의 형태로 구현될 수 있다.
도 7은 본 발명의 일 실시예에 따른 교통 정보 시스템에서 수행되는 네트워크 성능 저하 감지 방법을 설명하기 위한 흐름도이다.
S100 단계에서, 교통 정보 시스템(100)은 복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 통합 교통 정보를 외부 장치로 송신하고, 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단할 수 있다.
S100 단계에서, 교통 정보 시스템(100)은 복수의 지방국토관리청 교통 정보 센터와 연동하는 국도통합센터 또는 복수의 지방국토관리청 교통 정보 센터로부터 교통 관련 정보를 네트워크를 통해 수신하고, 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 관련 정보를 생성하고, 통합 교통 정보를 지방국토관리청 교통 정보 센터, 국도통합센터 또는 외부 장치로 송신하고, 네트워크를 통하여 수신되는 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단할 수 있다.
S200 단계에서, 교통 정보 시스템(100)은 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 통합 교통 정보를 상황실 출력 모듈을 통해 출력할 수 있다.
여기서, 네트워크를 통하여 수신되는 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 것은, 네트워크가 정상 상태일 경우에 대한 제1 트래픽 양과 네트워크가 성능 저하된 상태일 경우에 대한 제2 트래픽 양으로부터 미리 수집한 트래픽 양 세트들을 저장하고, 트래픽 양 세트들과 트래픽 양 세트들 각각에 대응되는 네트워크 상태 판정값에 기초하여 네트워크의 성능 저하 여부를 판별하는 학습 모델을 생성하기 위한 학습 과정을 트래픽 양 세트들 각각에 대하여 반복 수행함으로써 네트워크 성능 저하 판단 모델을 생성하고, 성능 저하 판단의 대상이 되는 네트워크로부터 수집한 실제 네트워크 트래픽 양 측정값 세트와 네트워크 성능 저하 판단 모델을 이용하여 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단할 수 있다.
도 7에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나 이는 예시적으로 설명한 것에 불과하고, 이 분야의 기술자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 7에 기재된 순서를 변경하여 실행하거나 또는 하나 이상의 과정을 병렬적으로 실행하거나 다른 과정을 추가하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이다.
도 7에 기재된 본 실시예에 따른 네트워크 성능 저하 감지 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 네트워크 성능 저하 감지 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 8은 본 발명의 다른 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
지능형 교통 시스템은 복수의 네트워크 망을 통하여 연결될 수 있다.
도 8을 참조하면, 국가 교통 정보 센터(10), 제1 지방국토관리청 교통 정보 센터(22), 제2 지방국토관리청 교통 정보 센터(24) 및 제3 지방 국토 관리청 교통 정보 센터(26)는 제1 네트워크(810)를 통하여 연결될 수 있다.
또한, 국가 교통 정보 센터(10), 국도통합센터(40), 제4 지방국토관리청 교통 정보 센터(28) 및 제5 지방국토관리청 교통 정보 센터(29)는 제2 네트워크(820)를 통하여 연결될 수 있다.
또한, 제1 지방국토관리청 교통 정보 센터(22) 및 국도통합센터(40)는 제1 네트워크(810), 제2 네트워크(820) 또는 제1 네트워크(810), 제2 네트워크(820)와 다른 네트워크를 통하여 연결될 수 있다.
이 경우, 교통 정보 시스템(100)에 의하여 수행되는 네트워크 성능 저하 감지 동작은 제1 네트워크(810) 및 제2 네트워크(820) 각각에 대하여 수행될 수 있고, 제1 네트워크(810) 및 제2 네트워크(820)를 하나의 네트워크로 병합한 상태를 기반으로 수행될 수도 있다.
도 9는 본 발명의 또 다른 실시예에 따른 지능형 교통 시스템의 구성을 개략적으로 나타내는 블록도이다.
국도 통합 센터(40)는 지방국토관리청 교통 정보 센터(22, 24, 26)와 데이터망(910), 영상망(920) 및 인터넷망(930)을 통하여 연결될 수 있다.
국가 교통 정보 센터(10)는 지방국토관리청 교통 정보 센터(22, 24, 26)와 데이터망(910) 및 영상망(920)을 통하여 연결될 수 있다.
국가 교통 정보 센터(10)는 국도 통합 센터(40)로부터 국도 통합 센터(40)가 지방국토관리청 교통 정보 센터(22, 24, 26)로부터 인터넷망(930)을 통하여 수신하는 데이터를 전송받을 수 있다.
이상에서 설명한 본 발명의 실시예를 구성하는 모든 구성요소들이 하나로 결합하거나 결합하여 동작하는 것으로 기재되어 있다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 또한, 이와 같은 컴퓨터 프로그램은 USB 메모리, CD 디스크, 플래쉬 메모리 등과 같은 컴퓨터가 읽을 수 있는 기록 매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 기록 매체로서는 자기기록매체, 광 기록매체 등이 포함될 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
1: 지능형 교통 시스템
10: 국가 교통 정보 센터
100: 교통 정보 시스템
210: 교통 정보 처리 장치
212: 교통 정보 수신 모듈
214: 교통 정보 통합 모듈
216: 교통 정보 송신 모듈
218: 교통 관리 모듈
220: 상황실 처리 장치
222: 네트워크 성능 저하 대응 모듈
224: 상황실 출력 모듈
10: 국가 교통 정보 센터
100: 교통 정보 시스템
210: 교통 정보 처리 장치
212: 교통 정보 수신 모듈
214: 교통 정보 통합 모듈
216: 교통 정보 송신 모듈
218: 교통 관리 모듈
220: 상황실 처리 장치
222: 네트워크 성능 저하 대응 모듈
224: 상황실 출력 모듈
Claims (13)
- 교통 정보 센터가 이용하는 네트워크의 성능 저하를 감지하기 위한 시스템에 있어서,
복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 상기 통합 교통 정보를 외부 장치로 송신하고, 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 교통 정보 처리 장치; 및
상기 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 상기 통합 교통 정보를 상황실 출력 모듈을 통해 출력하는 상황실 처리 장치;를 포함하고,
상기 교통 정보 처리 장치는,
네트워크와 제1 L2 스위치를 통해 연결되고, 상기 복수의 지방국토관리청 교통 정보 센터와 연동하는 국도통합센터 또는 상기 복수의 지방국토관리청 교통 정보 센터로부터 상기 교통 관련 정보를 네트워크를 통해 수신하는 교통 정보 수신 모듈;
상기 네트워크와 제2 L2 스위치를 통해 연결되고, 상기 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 관련 정보를 생성하는 교통 정보 통합 모듈;
상기 네트워크와 제3 L2 스위치를 통해 연결되고, 상기 통합 교통 정보를 상기 지방국토관리청 교통 정보 센터, 상기 국도통합센터 또는 상기 외부 장치로 송신하는 교통 정보 송신 모듈; 및
상기 네트워크와 제4 L2 스위치를 통해 연결되고, 상기 네트워크를 통하여 수신되는 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 통신 관리 모듈;을 포함하고,
상기 통신 관리 모듈은,
상기 네트워크가 정상 상태일 경우에 대한 제1 트래픽 양과 상기 네트워크가 성능 저하된 상태일 경우에 대한 제2 트래픽 양으로부터 미리 수집한 트래픽 양 세트들을 저장하는 트레이닝 세트 저장 모듈;
상기 트래픽 양 세트들과 상기 트래픽 양 세트들 각각에 대응되는 네트워크 상태 판정값에 기초하여 상기 네트워크의 성능 저하 여부를 판별하는 학습 모델을 생성하기 위한 학습 과정을 상기 트래픽 양 세트들 각각에 대하여 반복 수행함으로써 네트워크 성능 저하 판단 모델을 생성하는 네트워크 성능 저하 판단 모델 생성 모듈; 및
성능 저하 판단의 대상이 되는 네트워크로부터 수집한 실제 네트워크 트래픽 양 측정값 세트와 상기 네트워크 성능 저하 판단 모델을 이용하여 상기 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단하는 네트워크 성능 판단 모듈;을 포함하는 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 삭제
- 삭제
- 제1항에 있어서,
상기 네트워크 상태 판정값은,
상기 네트워크가 정상 상태일 경우에 대한 값인 제1 값, 상기 네트워크를 통해 송수신되는 데이터의 지연 시간이 증가하는 상태인 경우에 대한 제2 값, 상기 네트워크를 통하여 처리되는 데이터 패킷이 손실되는 상태인 경우에 대한 제3 값 또는 상기 네트워크가 새로운 연결 요청을 거부하는 상태에 대한 값인 제4 값 중 어느 하나인 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 제4항에 있어서,
상기 네트워크 성능 판단 모듈은,
상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 상기 제1 값인 경우, 상기 네트워크가 정상이라고 판단하는 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 제5항에 있어서,
상기 네트워크 성능 판단 모듈은,
상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 상기 제2 값, 제3 값 또는 제4 값 중 어느 하나인 경우, 상기 네트워크가 성능 저하 상태라고 판단하는 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 제6항에 있어서,
상기 상황실 처리 장치는,
상기 네트워크 성능 저하 판단 결과를 기반으로 상기 교통 정보 수신 모듈을 제어하는 네트워크 성능 저하 대응 모듈;을 포함하고,
상기 네트워크 성능 저하 대응 모듈은, 상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값에 따라 상기 교통 정보 수신 모듈이 상기 네트워크를 통해 수신하는 상기 교통 관련 정보의 양을 다르게 결정하는 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 제7항에 있어서,
상기 교통 관련 정보는,
CCTV 영상정보, 가변형도로전광표지(VMS: Variable Message Sign) 정보, 차량검지시스템(Vehicle Detection System) 정보, 가변속도제한시스템(VSL；Variable Speed Limit) 정보, 다수의 운전자들로부터 제공받은 도로에 대한 정보인 운전자 제보 교통 정보, 취약구간정보 또는 운행차량의 차량번호를 자동으로 인식하는 자동차량인식(AVI: Automatic Vehicle Identification) 장치가 출력한 자동차량인식정보 중 적어도 하나를 포함하는 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 제8항에 있어서,
상기 네트워크 성능 저하 대응 모듈은,
상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제2 값인 경우, 상기 교통 정보 수신 모듈이 상기 교통 관련 정보 중에서 상기 운전자 제보 교통 정보를 수신하지 않도록 제어하고,
상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제3 값인 경우, 상기 교통 정보 수신 모듈이 상기 교통 관련 정보 중에서 상기 운전자 제보 교통 정보 및 상기 취약구간정보를 수신하지 않도록 제어하고,
상기 실제 네트워크 트래픽 양 측정값 세트로부터 도출되는 네트워크 상태 판정값이 제4 값인 경우, 상기 교통 정보 수신 모듈이 상기 교통 관련 정보 중에서 상기 운전자 제보 교통 정보, 상기 취약구간정보 및 상기 가변속도제한시스템 정보를 수신하지 않도록 제어하는 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 제1항에 있어서,
상기 트래픽 양 세트 또는 상기 실제 네트워크 트래픽 양 측정값 세트는,
미리 설정된 단위 시간 간격으로 측정한 트래픽 양을 순차적으로 n(n은 2 이상의 자연수)회 이상 측정한 값들을 포함하는 세트고,
상기 네트워크 성능 판단 모듈은, 상기 실제 네트워크 트래픽 양 측정값 세트에 포함된 측정값들로부터 도출된 대표값을 이용하여 상기 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단하는 것을 특징으로 하는, 네트워크 성능 저하를 감지하기 위한 교통 정보 시스템. - 교통 정보 센터에서 네트워크의 성능 저하를 감지하기 위한 방법에 있어서,
복수의 지방국토관리청 교통 정보 센터로부터 수집된 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 정보를 생성하고, 상기 통합 교통 정보를 외부 장치로 송신하고, 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 교통 정보 처리 단계; 및
상기 교통 정보 처리 장치와 연동하고, 네트워크 성능 저하 판단 결과와 상기 통합 교통 정보를 상황실 출력 모듈을 통해 출력하는 상황실 처리 단계;를 포함하고,
상기 교통 정보 처리 단계는,
상기 복수의 지방국토관리청 교통 정보 센터와 연동하는 국도통합센터 또는 상기 복수의 지방국토관리청 교통 정보 센터로부터 상기 교통 관련 정보를 네트워크를 통해 수신하는 교통 정보 수신 단계;
상기 교통 관련 정보를 기반으로 실시간 교통 관련 정보가 통합된 통합 교통 관련 정보를 생성하는 교통 정보 통합 단계;
상기 통합 교통 정보를 상기 지방국토관리청 교통 정보 센터, 상기 국도통합센터 또는 상기 외부 장치로 송신하는 교통 정보 송신 단계; 및
상기 네트워크를 통하여 수신되는 상기 교통 관련 정보의 트래픽 양에 의하여 발생하는 네트워크 성능 저하를 인공지능 모델을 이용하여 판단하는 통신 관리 단계;를 포함하고,
상기 통신 관리 단계는,
상기 네트워크가 정상 상태일 경우에 대한 제1 트래픽 양과 상기 네트워크가 성능 저하된 상태일 경우에 대한 제2 트래픽 양으로부터 미리 수집한 트래픽 양 세트들을 저장하는 트레이닝 세트 저장 단계;
상기 트래픽 양 세트들과 상기 트래픽 양 세트들 각각에 대응되는 네트워크 상태 판정값에 기초하여 상기 네트워크의 성능 저하 여부를 판별하는 학습 모델을 생성하기 위한 학습 과정을 상기 트래픽 양 세트들 각각에 대하여 반복 수행함으로써 네트워크 성능 저하 판단 모델을 생성하는 네트워크 성능 저하 판단 모델 생성 단계; 및
성능 저하 판단의 대상이 되는 네트워크로부터 수집한 실제 네트워크 트래픽 양 측정값 세트와 상기 네트워크 성능 저하 판단 모델을 이용하여 상기 성능 저하 판단의 대상이 되는 네트워크가 성능 저하 상태인지 여부를 판단하는 네트워크 성능 판단 단계;를 포함하는 것을 특징으로 하는, 네트워크 성능 저하 감지 방법. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230047528A KR102594585B1 (ko) | 2023-04-11 | 2023-04-11 | 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230047528A KR102594585B1 (ko) | 2023-04-11 | 2023-04-11 | 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102594585B1 true KR102594585B1 (ko) | 2023-10-26 |
Family
ID=88508829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230047528A KR102594585B1 (ko) | 2023-04-11 | 2023-04-11 | 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102594585B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220116899A (ko) * | 2021-02-16 | 2022-08-23 | 호서대학교 산학협력단 | 인공지능을 이용한 실시간 ip망 성능 평가 방법 및 장치 |
-
2023
- 2023-04-11 KR KR1020230047528A patent/KR102594585B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220116899A (ko) * | 2021-02-16 | 2022-08-23 | 호서대학교 산학협력단 | 인공지능을 이용한 실시간 ip망 성능 평가 방법 및 장치 |
Non-Patent Citations (2)
| Title |
|---|
| 김동현 외 2 명, '심층인공신경망(DNN)과 다각도 상황 정보 기반의 서울시 도로 링크별 교통 혼잡도 예측,' 한국ITS학회논문지, (2019.08.31)* * |
| 김태형 외 8 명, 'u-Transportation 교통정보 수집체계 개발,' 한국ITS학회지, (2007.12.31.)* * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Iqbal et al. | Intelligent transportation system (ITS) for smart-cities using Mamdani fuzzy inference system | |
| CN110930747B (zh) | 一种基于云计算技术的智能网联交通服务系统 | |
| Nama et al. | Machine learning‐based traffic scheduling techniques for intelligent transportation system: Opportunities and challenges | |
| Demissie et al. | Intelligent road traffic status detection system through cellular networks handover information: An exploratory study | |
| US8274377B2 (en) | Information collecting and decision making via tiered information network systems | |
| Bano et al. | AIoT‐Based Smart Bin for Real‐Time Monitoring and Management of Solid Waste | |
| CN110800324B (zh) | 一种改善道路安全和/或管理的系统和方法 | |
| Garg et al. | A systematic review on intelligent transport systems | |
| US11250362B2 (en) | Machine learning based decentralized business planning system | |
| Alam et al. | A dynamic programming optimization for traffic microsimulation modelling of a mass evacuation | |
| CN114662583A (zh) | 应急事件防控调度方法、装置、电子设备和存储介质 | |
| KR102594585B1 (ko) | 교통 정보 센터의 네트워크 성능 저하 감지 방법 및 이를 위한 장치 | |
| US20190088116A1 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
| KR102594586B1 (ko) | 교통 정보 센터의 l2 스위치 연결 구조 결정 방법 및 이를 위한 장치 | |
| Sankaranarayanan et al. | Partition tolerant collaborative gateway architecture for interoperable ITS applications | |
| Idoudi et al. | Vehicular cloud computing for population evacuation optimization | |
| Gong et al. | Dispatching/routing of emergency vehicles in a disaster environment using data fusion concepts | |
| KR102590358B1 (ko) | 교통 정보 센터의 관심 영역의 영상 처리 방법 및 그를 위한 장치 | |
| KR102565979B1 (ko) | 교통정보센터의 교통정보시스템을 위한 l2 스위치 펌웨어 업데이트 시스템 및 방법 | |
| KR102590355B1 (ko) | 교통 정보 센터의 교통 영상 융합 장치 및 방법 | |
| KR102590357B1 (ko) | 교통 정보 센터의 교통 상황실 장애 처리 방법 및 그를 위한 장치 | |
| KR102593846B1 (ko) | 교통 정보 센터의 교통 정보 연계 시스템 및 방법 | |
| Anwar et al. | Prediction System For QoS Level of Network Infrastructure Using Naive Bayes Classifier | |
| KR102593847B1 (ko) | 교통 정보 센터의 교통 영상정보 관리 시스템 및 방법 | |
| Lee et al. | An Edge-Enabled IoT Framework for Metaverse in Smart City |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |