KR102611726B1 - 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법 - Google Patents

결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102611726B1
KR102611726B1 KR1020210129140A KR20210129140A KR102611726B1 KR 102611726 B1 KR102611726 B1 KR 102611726B1 KR 1020210129140 A KR1020210129140 A KR 1020210129140A KR 20210129140 A KR20210129140 A KR 20210129140A KR 102611726 B1 KR102611726 B1 KR 102611726B1
Authority
KR
South Korea
Prior art keywords
accident
accidents
traffic
traffic accident
categorizing
Prior art date
Application number
KR1020210129140A
Other languages
English (en)
Other versions
KR20230046088A (ko
Inventor
김영곤
이민우
윤여정
전용주
김광식
Original Assignee
디토닉 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 디토닉 주식회사 filed Critical 디토닉 주식회사
Priority to KR1020210129140A priority Critical patent/KR102611726B1/ko
Publication of KR20230046088A publication Critical patent/KR20230046088A/ko
Application granted granted Critical
Publication of KR102611726B1 publication Critical patent/KR102611726B1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법에 관한 것으로, 본 발명에 따른 방법은 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득하는 단계 - 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -; 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 교통 사고 데이터를 기초로 복수 개의 구획에 대해 구해지는 마킹값을 분할된 정사영상에 대응시켜서 학습 데이터를 구축하는 단계; 학습 데이터를 이용하여 교통 사고 발생 예측 모델을 학습하는 단계; 및 관심 지역의 정사영상을 교통 사고 발생 예측 모델에 입력하여 관심 지역의 교통 사고 발생 예측 결과를 출력하는 단계; 를 포함한다. 본 발명에 의하면 결빙 노면 상의 교통 사고 발생 예측 결과를 제공함으로써 운전자가 실제 주행에 참고함으로써 교통 사고 발생 가능성을 낮출 수 있다. 또한 도로 관리 주체도 결빙 노면 상의 교통 사고 발생 예측 결과를 참조하여 위험도가 높은 지역에 대해 우선하여 선제적인 안전 조치를 취하도록 할 수 있는 장점이 있다.

Description

결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법{Forecasting System and Method for Traffic Accidents on Frozen Roads}
본 발명은 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법에 관한 것이다.
최근 도로 결빙으로 인한 교통사고 심각성이 대두되면서 결빙 구간에 대한 사고 위험 빈도를 경감시키기 위한 노력이 이어지고 있다. 결빙된 노면은 일반 노면 상태에 비해 마찰계수가 낮아 차량의 제동거리가 증가하여 교통사고 유발 가능성을 크게 높인다. 결빙으로 인해 발생한 사고는 차가 미끄러지면서 연쇄적인 교통사고를 야기하기 때문에 한 번 사고가 나면 대형사고로 이어지기 쉽다. 실제 사고 자료를 기반으로 기록이 저장되어 있는 도로교통공단 교통사고분석시스템(TAAS)을 보면 최근 5년(2015~2019년)간 결빙 노면에서 발생한 교통사고의 100건 당 치사율은 3.23%로 일반 노면 상태에서 발생한 교통사고 치사율 대비 1.87배 이상 높다. 이처럼 도로 결빙은 안전운전에 큰 위협을 주기 때문에 이를 예방할 수 있는 방법이 필요하다.
도로에 열선을 설치하거나 제설제를 살포하여 노면에 발생한 결빙을 직접적으로 제거하는 방법으로 교통사고 발생 가능성을 현저하게 낮출 수 있다. 그 외에도 센서 또는 예측 모형을 이용하여 취득한 노면 결빙 정보를 도로전광표지, 방송, 웹, 내비게이션 등을 통해 제공하는 간접적인 방법으로 결빙으로 인한 교통사고를 예방할 수 있다.
따라서 본 발명이 해결하고자 하는 과제는 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법을 제공하는 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 결빙 노면 상의 교통 사고 발생 예측 방법은 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득하는 단계 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -; 상기 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 상기 교통 사고 데이터를 기초로 상기 복수 개의 구획에 대해 구해지는 마킹값을 상기 분할된 정사영상에 대응시켜서 학습 데이터를 구축하는 단계; 상기 학습 데이터를 이용하여 교통 사고 발생 예측 모델을 학습하는 단계; 및 관심 지역의 정사영상을 상기 교통 사고 발생 예측 모델에 입력하여 관심 지역의 교통 사고 발생 예측 결과를 출력하는 단계; 를 포함한다.
상기 마킹값으로 사고 발생 여부, 사고건수, 사상자수, 사고 심각도, 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용할 수 있다.
상기 사고 심각도는 사상자수를 사고건수로 나눈 값일 수 있다.
상기 교통 사고 발생 예측 모델은, 사고 발생 여부를 마킹값으로 하는 학습 데이터를 학습하여 상기 교통 사고 발생 예측 결과로서 사고 발생 가능성을 출력하는 사고 발생 가능성 판별 모델 및, 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 마킹값으로 하는 학습 데이터를 학습하여 상기 교통 사고 발생 예측 결과로서 사고 위험 등급을 출력하도록 학습되는 사고 위험 등급 산출 모델 중 적어도 하나를 포함할 수 있다.
컴퓨터에 상기 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 포함할 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 결빙 노면 상의 교통 사고 발생 예측 시스템은, 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득하는 교통 사고 데이터 획득부 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -; 상기 미리 정해진 지역을 촬영한 정사영상을 획득하는 영상 데이터 획득부; 상기 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 상기 교통 사고 데이터를 기초로 상기 복수 개의 구획에 대해 구해지는 마킹값을 상기 분할된 정사영상에 대응시켜서 학습 데이터를 구축하는 학습 데이터 구축부; 및 상기 학습 데이터를 이용하여 교통 사고 발생 예측 모델을 학습하고, 관심 지역의 정사영상을 상기 교통 사고 발생 예측 모델에 입력하여 관심 지역의 교통 사고 발생 예측 결과를 출력하는 학습 예측부; 를 포함한다.
본 발명에 의하면 결빙 노면 상의 교통 사고 발생 예측 결과를 제공함으로써 결빙 노면에서 발생하는 교통 사고를 줄일 수 있다.
도 1은 본 발명의 일 실시예에 따른 결빙 노면 상의 교통 사고 발생 예측 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 결빙 노면 상의 교통 사고 발생 예측 시스템의 동작 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 결빙 노면 상의 교통 사고 발생 예측 시스템의 구성도이다.
도 1을 참조하면, 본 발명에 따른 결빙 노면 상의 교통 사고 발생 예측 시스템(100)은 교통 사고 데이터 획득부(110), 영상 데이터 획득부(130), 학습 데이터 구축부(150) 및 학습 예측부(170)를 포함할 수 있다.
교통 사고 데이터 획득부(110)는 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득할 수 있다.
경찰청의 교통사고분석시스템(Traffic Accident Analysis System, TAAS)으로부터 교통 사고 데이터를 획득할 수 있다. 예를 들어 TAAS에서 미리 정해진 기간 동안 결빙 노면 상태에서 교통사고가 발생 위치, 사고 발생 위치별 사고건수 및 사상자수 등의 교통 정보를 포함하는 교통 사고 데이터를 획득할 수 있다. 물론 결빙 노면 상태에서 교통사고 발생 위치, 사고건수, 사상자수 등의 정보를 포함하면, TAAS가 아닌 다른 시스템으로부터 교통 사고 데이터를 획득하여도 무방하다.
영상 데이터 획득부(130)는 미리 정해진 지역을 촬영한 정사영상을 획득할 수 있다. 정사영상(Ortho-photo)은 지표면의 비고(比高)에 의하여 발생하는 사진 상의 각 점의 왜곡을 보정하여 동일 축척이 되도록 지도처럼 만든 영상을 말한다. 영상 데이터 획득부(130)는 정사영상을 제공하는 기관이나 시스템으로부 제공받을 수 있다.
학습 데이터 구축부(150)는 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할할 수 있다. 예를 들어 정사영상을 동일한 크기를 가지는 N × N 개의 구획으로 분할하고, 각 구획에 대응하는 인덱스 값을 정의할 수 있다. 가령 N × N 개의 구획에 대해서 왼쪽 아래부터 Z 모양의 순서대로 인덱스 값을 정의할 수 있다.
학습 데이터 구축부(150)는 교통 사고 데이터를 가공하여, 정사영상이 분할된 각 구획에 해당하는 마킹값을 산출할 수 있다. 마킹값은 사고 발생 여부, 사고건수, 사상자수, 사고 심각도, 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용할 수 있다.
예를 들어, 교통 사고 데이터 중에서 특정 구획에 속하는 2개의 위치에서 결빙 교통 사고가 발생했고, 사고건수가 각각 1건과 3건이며, 사상자수가 3명과 9명이라고 가정하면, 사고 발생 여부 '참(true)', 사고건수 '4건', 사상자수 '12명'이 해당 구획에 대한 마킹값으로 산출될 수 있다. 사고 심각도는 사상자수를 사고건수로 나눈 값으로 정의할 수 있으며, 이 경우 마킹값은 '3(=12명/4건)'으로 산출될 수 있다. 그리고 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 등을 마킹값으로 산출할 수도 있다. 가령 사고건수에 대해서 1~3 건을 4등급, 4~6 건을 3등급, 7~9 건을 2등급, 10건 이상을 1등급으로 범주화한 경우, 위 경우에서 사고건수를 범주화한 대표값인 2등급을 해당 구획에 대한 마킹값으로 산출할 수 있다.
사고건수, 사상자수 및 사고 심각도의 범주화 구간은 실시예에 따라 달라질 수 있으며, 교통 사고 데이터를 분석하여 사고 위험 예측에 가장 적합한 범주화 구간을 적용할 수 있다. 범주화 구간 설정은 전문가에 의해 이루어지거나 자동화된 방법으로 이루어질 수 있다.
한편 교통 사고가 발생하지 않은 구획에 대해서는 사고 발생 여부 '거짓(false)'으로 마킹값이 구해질 수 있다.
학습 데이터 구축부(150)는 앞에서 설명한 것과 같이 복수 개의 구획에 대해 구해지는 마킹값을 분할된 정사영상에 대응시켜서 학습 데이터를 구축할 수 있다.
학습 데이터는 사고 발생 가능성 판별 모델을 위한 것과 사고 위험 등급 산출 모델을 위한 것을 구분하여 구축할 수 있다.
사고 발생 가능성 판별 모델은 관심 지역의 정사영상을 입력받아 사고 발생 가능성을 참(true), 거짓(false)으로 출력하도록 학습될 수 있다. 따라서 사고 발생 가능성 판별 모델을 위한 학습 데이터는 N × N 개의 구획으로 분할된 정사영상 중에서 사고 발생 여부가 '참(true)'으로 마킹된 구획의 정사영상과, '참(true)'으로 마킹된 구획의 정사영상의 수와 동일한 거짓(false)으로 마킹된 구획의 정사영상으로 구축될 수 있다. 한편 사고 위험 등급 산출 모델은 결빙 교통 사고가 실제 발생한 구획들의 정사영상과 마킹값으로만 구축될 수 있다.
학습 예측부(170)는 학습 데이터를 이용하여 교통 사고 발생 예측 모델을 학습하고, 관심 지역의 정사영상을 교통 사고 발생 예측 모델에 입력하여 관심 지역의 교통 사고 발생 예측 결과를 출력할 수 있다.
학습 예측부(170)는 로지스틱 회귀(Logistic Regression), 의사 결정 나무(Decision Tree), SVM(Support Vector Machine), k-NN(k-Nearest Neighbor), 딥 러닝 (Deep Learning) 등의 머신러닝 모델을 이용하여 교통 사고 발생 예측 모델을 학습할 수 있다.
교통 사고 발생 예측 모델은 사고 발생 가능성 판별 모델과 사고 위험 등급 산출 모델을 포함할 수 있다.
사고 발생 가능성 판별 모델은 사고 발생 여부를 마킹값으로 하는 학습 데이터를 학습하고, 관심 지역의 정사영상이 입력되면 교통 사고 발생 예측 결과로서 사고 발생 가능성을 출력할 수 있다.
사고 위험 등급 산출 모델은 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 마킹값으로 하는 학습 데이터를 학습하여 교통 사고 발생 예측 결과로서 사고 위험 등급을 출력하도록 학습될 수 있다.
도 2는 본 발명의 일 실시예에 따른 결빙 노면 상의 교통 사고 발생 예측 시스템의 동작 흐름도이다.
도 2를 참고하면, 먼저 교통 사고 데이터 획득부(110)는 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득할 수 있다(S210).
그리고 영상 데이터 획득부(130)는 미리 정해진 지역을 촬영한 정사영상을 획득할 수 있다(S220).
단계(S210)에서 획득한 교통 사고 데이터가 수집된 교통 사고 발생 기간에 단계(S220)에서 정사영상이 촬영된 기간이 반드시 포함되거나 일치할 필요는 없다.
학습 데이터 구축부(150)는 단계(S210)에서 획득된 정사영상을 복수 개의 구획으로 분할하고, 단계(S220)에서 획득된 교통 사고 데이터를 기초로 구해지는 마킹값을 대응시켜서 학습 데이터를 구축할 수 있다(S230)
이후 학습 예측부(170)는 단계(S230)에서 구축된 학습 데이터를 이용하여 교통 사고 발생 예측 모델을 학습할 수 있다(S240).
그리고 학습 예측부(170)는 관심 지역의 정사영상을 교통 사고 발생 예측 모델에 입력하여 관심 지역의 교통 사고 발생 예측 결과를 출력할 수 있다(S250).
단계(S250)에서 입력되는 관심 지역의 정사영상은 해당 지역에 대해 가장 최근에 구해진 것을 사용하는 것이 바람직하나, 예측 시점에 촬영된 영상일 필요는 없다.
단계(S250)에서 관심 지역은 차량이 운행 중인 지역일 수 있다. 이 경우 차량에 위치한 차량 단말(도시하지 않음)로부터 무선 통신망을 통해 위치 정보를 수신하고, 본 발명에 따른 시스템(100)이 차량 주행 위치에 대응하는 지역의 정사영상을 교통 사고 발생 예측 모델에 입력하여 출력된 결과를 다시 차량에 무선 통신망을 통해 제공할 수 있다. 물론 차량 단말에서 목적지까지 주행 경로가 전송되면, 본 발명에 따른 시스템(100)이 해당 주행 경로에 대응하는 관심 지역을 추출하고, 추출된 관심 지역에 해당하는 교통 사고 발생 예측 결과를 제공하는 것도 가능하다. 이 경우 운전자는 교통 사고 발생 예측 결과를 참고하여 안전 운행에 보다 주의를 기울일 수 있다.
단계(S250)에서 관심 지역은 실제 결빙 발생 지역일 수도 있다. 결빙 발생 지역 정보는 도로 상에 설치된 센서를 통해 획득되거나, 노면 결빙을 감지하는 노면 센서를 부착한 차량이 주행하면서 획득할 수도 있다. 실시간으로 결빙 발생 정보를 획득하는 경우는 노면 결빙 정보를 도로전광표지, 방송, 웹, 내비게이션 등을 통해 제공하는 것에 그치지 않고, 본 발명에 따른 교통 사고 발생 예측 결과, 즉 사고 위험 등급을 함께 제공하도록 구현하는 것도 가능하다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (9)

  1. 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득하는 단계 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -;
    상기 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 상기 교통 사고 데이터를 기초로 상기 복수 개의 구획에 대해 구해지는 마킹값을 상기 분할된 정사영상에 대응시켜서 학습 데이터를 구축하는 단계;
    상기 학습 데이터를 이용하여 교통 사고 발생 예측 모델을 학습하는 단계; 및
    관심 지역의 정사영상을 상기 교통 사고 발생 예측 모델에 입력하여 관심 지역의 교통 사고 발생 예측 결과를 출력하는 단계;
    를 포함하는 결빙 노면 상의 교통 사고 발생 예측 방법.
  2. 제 1 항에서,
    상기 마킹값으로 사고 발생 여부, 사고건수, 사상자수, 사고 심각도, 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하는 결빙 노면 상의 교통 사고 발생 예측 방법.
  3. 제 2 항에서,
    상기 사고 심각도는 사상자수를 사고건수로 나눈 값인 결빙 노면 상의 교통 사고 발생 예측 방법.
  4. 제 3 항에서,
    상기 교통 사고 발생 예측 모델은,
    사고 발생 여부를 마킹값으로 하는 학습 데이터를 학습하여 상기 교통 사고 발생 예측 결과로서 사고 발생 가능성을 출력하는 사고 발생 가능성 판별 모델 및,
    사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 마킹값으로 하는 학습 데이터를 학습하여 상기 교통 사고 발생 예측 결과로서 사고 위험 등급을 출력하도록 학습되는 사고 위험 등급 산출 모델
    중 적어도 하나를 포함하는 결빙 노면 상의 교통 사고 발생 예측 방법.
  5. 컴퓨터에 제1항 내지 제4항 중 어느 한 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  6. 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득하는 교통 사고 데이터 획득부 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -;
    상기 미리 정해진 지역을 촬영한 정사영상을 획득하는 영상 데이터 획득부;
    상기 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 상기 교통 사고 데이터를 기초로 상기 복수 개의 구획에 대해 구해지는 마킹값을 상기 분할된 정사영상에 대응시켜서 학습 데이터를 구축하는 학습 데이터 구축부; 및
    상기 학습 데이터를 이용하여 교통 사고 발생 예측 모델을 학습하고, 관심 지역의 정사영상을 상기 교통 사고 발생 예측 모델에 입력하여 관심 지역의 교통 사고 발생 예측 결과를 출력하는 학습 예측부;
    를 포함하는 결빙 노면 상의 교통 사고 발생 예측 시스템.
  7. 제 6 항에서,
    상기 마킹값으로 사고 발생 여부, 사고건수, 사상자수, 사고 심각도, 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하는 결빙 노면 상의 교통 사고 발생 예측 시스템.
  8. 제 7 항에서,
    상기 사고 심각도는 사상자수를 사고건수로 나눈 값인 결빙 노면 상의 교통 사고 발생 예측 시스템.
  9. 제 7 항에서,
    상기 교통 사고 발생 예측 모델은,
    사고 발생 여부를 마킹값으로 하는 학습 데이터를 학습하여 상기 교통 사고 발생 예측 결과로서 사고 발생 가능성을 출력하는 사고 발생 가능성 판별 모델 및,
    사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 마킹값으로 하는 학습 데이터를 학습하여 상기 교통 사고 발생 예측 결과로서 사고 위험 등급을 출력하도록 학습되는 사고 위험 등급 산출 모델
    중 적어도 하나를 포함하는 결빙 노면 상의 교통 사고 발생 예측 시스템.
KR1020210129140A 2021-09-29 2021-09-29 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법 KR102611726B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210129140A KR102611726B1 (ko) 2021-09-29 2021-09-29 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210129140A KR102611726B1 (ko) 2021-09-29 2021-09-29 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20230046088A KR20230046088A (ko) 2023-04-05
KR102611726B1 true KR102611726B1 (ko) 2023-12-08

Family

ID=85884467

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210129140A KR102611726B1 (ko) 2021-09-29 2021-09-29 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102611726B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101693784B1 (ko) * 2016-01-19 2017-01-06 한국국토정보공사 정사영상을 이용하여 국토정보기본도를 제작하는 방법 및 장치
KR102244143B1 (ko) * 2020-12-17 2021-04-22 전남대학교산학협력단 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190057501A (ko) * 2017-11-20 2019-05-29 디토닉 주식회사 기상 상황에 따른 도로 위험도 예측 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101693784B1 (ko) * 2016-01-19 2017-01-06 한국국토정보공사 정사영상을 이용하여 국토정보기본도를 제작하는 방법 및 장치
KR102244143B1 (ko) * 2020-12-17 2021-04-22 전남대학교산학협력단 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법

Also Published As

Publication number Publication date
KR20230046088A (ko) 2023-04-05

Similar Documents

Publication Publication Date Title
Essa et al. Traffic conflict models to evaluate the safety of signalized intersections at the cycle level
CN111506980B (zh) 对虚拟驾驶环境生成交通场景的方法及装置
JP6045846B2 (ja) 交通事故発生予報装置、方法およびプログラム
CN110807930B (zh) 危险车辆预警方法及装置
US11222532B2 (en) Traffic control support system, traffic control support method, and program recording medium
KR102517546B1 (ko) 차량 주행 위험 예측 시스템 및 그 방법
Yang et al. Use of ubiquitous probe vehicle data for identifying secondary crashes
CN104778850A (zh) 确定道路模型需要更新的部分
US10339810B2 (en) Management of mobile objects
US20220388547A1 (en) Method for training a machine learning algorithm for predicting an intent parameter for an object on a terrain
US10331130B2 (en) Operation model construction system, operation model construction method, and non-transitory computer readable storage medium
CN112312082B (zh) 道路运行情况确定方法及装置、设备和存储介质
JP6971830B2 (ja) 道路交通管制装置、および、自動運転車両制御方法
Ansariyar et al. Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection.
CN115292656B (zh) 一种基于模糊逻辑的飞机积冰预测方法和装置
KR102611726B1 (ko) 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법
US11763677B2 (en) Dynamically identifying a danger zone for a predicted traffic accident
CN117251722A (zh) 一种基于大数据的智慧交通管理系统
JP6885063B2 (ja) 情報処理装置、情報処理システム、及びプログラム
KR102611727B1 (ko) 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템
KR20220073567A (ko) 빅데이터를 이용한 노면 상태 예측 시스템
KR102082177B1 (ko) 도로위험지표 산출 방법 및 그 장치
JP2023005015A (ja) 交通状況予測装置、および、交通状況予測方法
CN113128929A (zh) 车辆载重状态的识别方法、装置、计算机设备和介质
KR20160073899A (ko) 전기 자동차의 배터리 충전 정보 추정 장치 및 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant