KR102611727B1 - 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템 - Google Patents
딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR102611727B1 KR102611727B1 KR1020210129146A KR20210129146A KR102611727B1 KR 102611727 B1 KR102611727 B1 KR 102611727B1 KR 1020210129146 A KR1020210129146 A KR 1020210129146A KR 20210129146 A KR20210129146 A KR 20210129146A KR 102611727 B1 KR102611727 B1 KR 102611727B1
- Authority
- KR
- South Korea
- Prior art keywords
- traffic accident
- road surface
- accident risk
- real
- data
- Prior art date
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title abstract description 12
- 238000013058 risk prediction model Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 3
- 239000002352 surface water Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical group [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
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 발명은 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템에 관한 것으로, 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측하는 단계; 및 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 단계; 를 포함한다. 본 발명에 의하면 실시간으로 기상 데이터 기반으로 결빙 지역을 예상하고, 결빙 예상 지역에 대한 교통 사고 발생 예측 결과를 실시간으로 제공함으로써 운전자가 이를 참고하여 안전 운행을 할 수 있고, 도로 관리 주체도 결빙 예측 지역에 우선하여 선제적인 안전 조치를 취할 수 있다.
Description
본 발명은 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템에 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 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템을 제공하는 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법은 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측하는 단계; 및 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 단계; 를 포함한다.
상기 교통 사고 위험도 예측 모델은, 미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 출력한다.
상기 교통 사고 데이터는 상기 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하고 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -, 상기 학습 데이터는 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 구축될 수 있다.
상기 마킹값으로 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하고, 상기 사고 심각도는 사상자수를 사고건수로 나눈 값이며, 상기 교통 사고 위험도 예측 모델은 상기 교통 사고 위험도를 사고건수, 사상자수 또는 사고 심각도를 범주화한 사고 위험 등급으로 출력할 수 있다.
상기 노면 결빙 상태 예측 모델은, 노면 결빙 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 이용하여 기상 상태에 따른 노면 결빙 상태를 예측하도록 학습될 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템은, 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측하는 노면 결빙 상태 예측부; 및 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 교통 사고 위험도 예측부; 를 포함한다.
본 발명에 의하면 실시간으로 기상 데이터 기반으로 결빙 지역을 예상하고, 결빙 예상 지역에 대한 교통 사고 발생 예측 결과를 실시간으로 제공함으로써 운전자가 이를 참고하여 안전 운행을 할 수 있고, 도로 관리 주체도 결빙 예측 지역에 우선하여 선제적인 안전 조치를 취할 수 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 노면 결빙 상태 예측부의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 교통 사고 위험도 예측부(120)의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 노면 결빙 상태 예측부의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 교통 사고 위험도 예측부(120)의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법의 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 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템의 구성도이다.
도 1을 참조하면, 본 발명에 따른 시스템(100)은 노면 결빙 상태 예측부(110) 및 교통 사고 위험도 예측부(120)를 포함할 수 있다.
노면 결빙 상태 예측부(110)는 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측할 수 있다.
교통 사고 위험도 예측부(120)는 노면 결빙 상태 예측부(110)에서 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 해당 관심 지역의 교통 사고 위험도를 실시간 예측할 수 있다.
여기서 교통 사고 위험도 예측 모델은 미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 예측하여 출력할 수 있다.
도 2는 본 발명의 일 실시예에 따른 노면 결빙 상태 예측부(110)의 구성을 나타낸 블록도이다.
도 2를 참조하면, 노면 결빙 상태 예측부(110)는 노면 상태 데이터 수집부(111), 기상 정보 수집부(113), 제1 학습 데이터 구축부(115) 및 노면 상태 학습 예측부(117)를 포함할 수 있다.
노면 상태 데이터 수집부(111)는 노면 상태 정보, 노면 상태 수집 지점의 위치 정보 및 데이터 수집 시간 정보를 포함하는 노면 상태 데이터를 수집하는 기능을 수행한다. 노면 상태 데이터 수집부(111)는 노면 센서와 GNSS 수신부를 포함할 수 있다.
노면 상태 데이터 수집부(111)를 장착한 도로 정보 수집 차량(도시하지 않음)이 도로를 주행하면서, 노면 센서를 통해 획득되는 도로 노면 상태 정보에 GNSS 수신부로부터 획득되는 GNSS 신호로부터 얻어지는 위치 정보(위도, 경도)와 데이터 수집 시간을 대응시켜 수집할 수 있다.
실시예에 따라 노면 상태 데이터 수집부(111) 중 일부는 도로 노면에 설치되어 도로 노면 상태를 수집할 수도 있다. 노면 상태 정보는 도로 노면 상태 타입, 노면 표면 온도, 노면 수막 두께, 외기 온도, 마찰 값 등을 포함할 수 있다.
노면 센서는 도로의 노면 상태 타입을 비접촉 방식으로 획득할 수 있다. 도로 노면 상태 타입은 간단하게는 건조(Dry), 습윤(Moist), 젖음(Wet) 등으로 구분할 수 있으며, 보다 자세하게는 살얼음(Slush, Ice or Snow with water), 얼음(Ice) 및 눈 또는 서리(Snow or Hoar Froast) 등을 더 추가하여 구분할 수도 있다. 노면 상태 타입을 구분하는 기준은 실시예에 따라 달라질 수 있다.
실시예에 따라 노면 센서는 노면 상태 타입뿐만 아니라 노면 표면 온도, 노면 수막 두께, 외기 온도, 마찰 값 등을 비접촉 방식으로 획득할 수도 있다. 노면 센서를 이용하여 노면 표면 온도, 노면 수막 두께, 외기 온도 및 노면 상태 타입, 마찰 값 등을 비접촉 방식으로 획득하는 방법은 이미 잘 알려져 있으므로 여기서 자세한 설명은 생략한다.
노면 상태 데이터 수집부(111)는 수집된 도로 노면 상태 데이터를 메모리(도시하지 않음)에 저장하거나, 통신망(도시하지 않음)을 통해 실시간 또는 미리 정해진 주기별로 정해진 수신처로 전송할 수도 있다.
본 발명의 경우 노면 결빙 상태를 예측하는 것이므로 노면 상태 데이터 수집부(111)에서 획득된 데이터 중에서 도로 노면 상태가 결빙 상태인 데이터만 이용하고 나머지는 제거할 수 있다. 물론 처음부터 도로 노면 상태가 결빙 상태인 데이터만 수집 획득하도록 구현하는 것도 가능하다.
기상 정보 수집부(113)는 기상청이나 민간 기상 사업자 등이 운영하는 기상 서버(도시하지 않음)로부터 미리 정해진 지역의 강수 정보 및 온도 정보를 포함하는 기상 데이터를 수집할 수 있다. 기상 정보는 강수량(Precipitation), 온도(Temperature), 습도(Humidity), 풍속(wind speed), 풍향(Wind direction), 일광(Sunlight), 일조(Sunshine), 해수면 대기압(Sea surface atmospheric pressure) 등을 포함할 수 있다. 강수량은 강우량과 강설량을 포함한 양이다. 기상 정보 수집부(113)는 기상청에서 운영 중인 자동기상관측장비(AWS; Automatic Weather System) 등에서 제공하는 기상 데이터를 수집할 수 있다.
제1 학습 데이터 구축부(115)는 노면 상태 데이터 수집부(111)에서 수집된 도로 노면 상태 정보를 기상 정보 수집부(113)에서 수집한 기상 데이터와 맵핑한 형태로 학습 데이터를 생성할 수 있다.
노면 상태 학습 예측부(117)는 딥러닝 등과 같은 인공지능 학습이나 기계 학습을 통해 도로 상의 특정 지점에 대응하는 기상 데이터가 입력되면, 그에 대응하는 도로의 노면 결빙 상태를 예측하는 노면 결빙 상태 예측 모델을 학습할 수 있다. 물론 본 발명에 따른 시스템(100)을 운영하면서 추가로 학습 데이터가 발생되면, 그를 반영하여 노면 결빙 상태 예측 모델을 업데이트시킬 수도 있다.
여기서 설명한 것 외에 다른 방식으로 학습된 노면 결빙 상태 예측 모델을 이용하여, 특정 지점에 대응하는 기상 데이터를 입력받고 그에 따른 노면 결빙 상태를 출력하도록 구현하는 것도 가능하다.
도 3은 본 발명의 일 실시예에 따른 교통 사고 위험도 예측부(120)의 구성을 나타낸 블록도이다.
도 3을 참조하면, 교통 사고 위험도 예측부(120)는 교통 사고 데이터 획득부(121), 영상 데이터 획득부(123), 제2 학습 데이터 구축부(125) 및 교통 사고 위험도 학습 예측부(127)를 포함할 수 있다.
교통 사고 데이터 획득부(121)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(123)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(123)는 정사영상을 제공하는 기관이나 시스템으로부 제공받을 수 있다.
제2 학습 데이터 구축부(125)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.
제2 학습 데이터 구축부(125)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.
제2 학습 데이터 구축부(125)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.
교통 사고 위험도 학습 예측부(127)는 학습 데이터를 이용하여 교통 사고 발생 가능성 판별 모델과 교통 사고 위험도 예측 모델을 학습하고, 관심 지역의 정사영상을 교통 사고 발생 가능성 판별 모델 및/또는 교통 사고 위험도 예측 모델에 입력하여 교통 사고 발생 가능성 및 교통 사고 위험도를 예측한 결과를 출력할 수 있다.
교통 사고 위험도 학습 예측부(127)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 가능성 판별 모델 및/또는 교통 사고 위험도 예측 모델을 학습할 수 있다.
교통 사고 발생 가능성 판별 모델은 사고 발생 여부를 마킹값으로 하는 학습 데이터를 학습하고, 관심 지역의 정사영상이 입력되면 교통 사고 발생 가능성을 출력할 수 있다. 즉 결빙에 의한 교통 사고 발생 가능성을 참 또는 거짓으로 출력할 수 있다.
교통 사고 위험도 예측 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.
실시예에 따라서 교통 사고 위험도 학습 예측부(127)는 교통 사고 발생 가능성 판별 모델은 포함하지 않고, 교통 사고 위험도 예측 모델만 포함할 수 있다. 물론 교통 사고 발생 가능성 판별 모델에서 교통 사고 발생 가능성이 있는 것으로 판별된 지역에 대해서만 교통 사고 위험도 예측 모델을 이용하여 교통 사고 위험도를 예측하도록 구성하는 것도 가능하다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법의 흐름도이다.
도 4를 참고하면, 먼저 노면 결빙 상태 예측부(110)는 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측할 수 있다(S410). 단계(S410)에서 입력되는 관심 지역의 실시간 기상 데이터는 차량이 주행하고 있거나 주행 예정인 지역의 기상 데이터이거나, 또는 도로 관리 주체에서 관리하는 지역의 실시간 기상 데이터일 수 있다.
이후 교통 사고 위험도 예측부(120)는 단계(S410)에서 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 관심 지역의 교통 사고 위험도를 실시간 예측할 수 있다(S420).
단계(S420)에서 차량이 주행하고 있거나 주행 중인 관심 지역에 대해서는 교통 사고 발생 가능성 판별 모델을 적용하지 않고 바로 교통 사고 위험도 예측 모델에 정사영상을 입력하여 교통 사고 위험도를 예측하도록 구현할 수 있다. 반면 도로 관리 주체에 의해 관리되는 지역이 넓은 경우는 실시간으로 교통 사고 위험도를 예측해야 할 지역이 많으므로 먼저 교통 사고 발생 가능성 판별 모델을 적용하여 교통 사고 발생 가능성이 있는 지역을 예측하고, 교통 사고 발생 가능성이 있는 것으로 예측된 지역의 정사영상을 교통 사고 위험도 예측 모델에 입력하여 교통 사고 위험도를 예측할 수도 있다.
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)
- 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측하는 단계; 및
결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 단계;
를 포함하고,
상기 교통 사고 위험도 예측 모델은,
미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
- 제 1 항에서,
상기 교통 사고 데이터는 상기 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하고 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -,
상기 학습 데이터는 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 구축되는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
- 제 2 항에서,
상기 마킹값으로 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하고, 상기 사고 심각도는 사상자수를 사고건수로 나눈 값이며,
상기 교통 사고 위험도 예측 모델은 상기 교통 사고 위험도를 사고건수, 사상자수 또는 사고 심각도를 범주화한 사고 위험 등급으로 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
- 제 3 항에서,
상기 노면 결빙 상태 예측 모델은,
노면 결빙 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 이용하여 기상 상태에 따른 노면 결빙 상태를 예측하도록 학습되는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
- 컴퓨터에 제1항 내지 제4항 중 어느 한 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
- 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측하는 노면 결빙 상태 예측부; 및
결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 교통 사고 위험도 예측부;
를 포함하고,
상기 교통 사고 위험도 예측 모델은,
미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.
- 제 6 항에서,
상기 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 상기 학습 데이터를 구축하는 제2 학습 데이터 구축부; 및
상기 학습 데이터를 이용하여 상기 교통 사고 위험도 예측 모델을 학습하는 교통 사고 위험도 학습 예측부;
를 더 포함하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.
- 제 7 항에서,
상기 마킹값으로 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하고, 상기 사고 심각도는 사상자수를 사고건수로 나눈 값이며,
상기 교통 사고 위험도 예측 모델은 상기 교통 사고 위험도를 사고건수, 사상자수 또는 사고 심각도를 범주화한 사고 위험 등급으로 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.
- 제 8 항에서,
상기 노면 결빙 상태 예측 모델은,
노면 결빙 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 이용하여 기상 상태에 따른 노면 결빙 상태를 예측하도록 학습되는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210129146A KR102611727B1 (ko) | 2021-09-29 | 2021-09-29 | 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210129146A KR102611727B1 (ko) | 2021-09-29 | 2021-09-29 | 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230046090A KR20230046090A (ko) | 2023-04-05 |
| KR102611727B1 true KR102611727B1 (ko) | 2023-12-08 |
Family
ID=85884297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210129146A KR102611727B1 (ko) | 2021-09-29 | 2021-09-29 | 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102611727B1 (ko) |
Citations (2)
| 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)
| 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 |
-
2021
- 2021-09-29 KR KR1020210129146A patent/KR102611727B1/ko active IP Right Grant
Patent Citations (2)
| 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 |
|---|---|
| KR20230046090A (ko) | 2023-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102173797B1 (ko) | 도로 노면 상태 예측 방법 및 시스템 | |
| US10936987B2 (en) | Roadway maintenance condition detection and analysis | |
| US11893883B2 (en) | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data | |
| US11300708B2 (en) | Tuning weather forecasts through hyper-localization | |
| JP6971830B2 (ja) | 道路交通管制装置、および、自動運転車両制御方法 | |
| US11694426B2 (en) | Determining traffic control features based on telemetry patterns within digital image representations of vehicle telemetry data | |
| JP7451303B2 (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| CN114902083A (zh) | 路段的路面气象特征的自适应预测方法和装置 | |
| AU2021251818B2 (en) | Road icing condition prediction for shaded road segments | |
| CN114771548A (zh) | 用于高级驾驶辅助系统测试和验证的数据记录 | |
| KR102611727B1 (ko) | 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템 | |
| Lu | Short-term traffic prediction using rainfall | |
| CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
| KR20220073567A (ko) | 빅데이터를 이용한 노면 상태 예측 시스템 | |
| KR102611726B1 (ko) | 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법 | |
| Liu et al. | Real-Time Multi-Task Environmental Perception System for Traffic Safety Empowered by Edge Artificial Intelligence | |
| KR102309583B1 (ko) | 시공간 특성을 활용한 랜덤 포레스트 기반 도로 노면 상태 예측 방법 및 시스템 | |
| KR102280799B1 (ko) | 가공된 다중 강수 정보를 이용한 도로 노면 상태 예측 방법 및 시스템 | |
| KR102398029B1 (ko) | 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템 | |
| KR102398030B1 (ko) | 머신러닝 기반 노면 상태 예측 방법 및 시스템 | |
| Hirashima et al. | Development of a snow load alert system,“YukioroSignal” for aiding roof snow removal decisions in snowy areas in Japan | |
| Ramana et al. | Atmospheric Change on the Geographical Theme Finding Of Different Functions on Human Mobility” | |
| JP2787645B2 (ja) | 路面凍結予測方法 | |
| Chen et al. | Modeling the Macroscopic Effects of Winter Maintenance Operations on Traffic Mobility on Washington Highways | |
| KR102445621B1 (ko) | 노면 온도 복원 모델을 이용한 기상 감정 보조 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 |