KR102614118B1

KR102614118B1 - 교통 흐름 예측 장치 및 방법

Info

Publication number: KR102614118B1
Application number: KR1020220159377A
Authority: KR
Inventors: 김영빈; 진교훈
Original assignee: 중앙대학교 산학협력단
Priority date: 2022-11-24
Filing date: 2022-11-24
Publication date: 2023-12-13

Abstract

도로의 종류 및 위치에 독립적으로 교통 흐름을 예측할 수 있는 교통 흐름 예측 장치 및 방법이 개시된다. 일 실시예에 따른 교통 흐름 예측 장치는 소정 기준 시간에 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리부; 및 임베딩 벡터를 수신하여 소정 기준 시간으로부터 소정 시간 이후의 교통 예측 정보를 생성하는 교통 예측부를 포함할 수 있다.

Description

교통 흐름 예측 장치 및 방법{Apparatus and method for traffic flow prediction}

도로의 종류 및 위치에 독립적으로 교통 흐름을 예측할 수 있는 교통 흐름 예측 장치 및 방법에 관한 것이다.

최근 연구되고 있는 교통 예측 방법들은 특정 위치의 도로 또는 도로 종류의 정보에 기초하여 교통 정보를 예측하는 방법을 제시하고 있다. 공개특허 제 10-2020-0023697호의 경우, 교통상태에 영향을 미칠 수 있는 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 연관시켜 교통상태 정보를 산출하는 방법을 게시하고 있다.

그러나, 도로의 종류 또는 위치 등에 대한 특정 상황에 기초하여 신경망을 학습하는 경우, 다른 조건의 도로에 적용할 수 없다는 문제가 있다. 이에 따라, 도로 조건과 독립적으로 교통 정보를 예측할 수 있는 방법에 대한 연구가 필요하다.

한국공개특허공보 제10-2020-0023697호(2020.03.06)

도로의 종류 및 위치에 독립적으로 교통 흐름을 예측할 수 있는 교통 흐름 예측 장치 및 방법을 제공하는데 목적이 있다.

일 양상에 따르면, 교통 흐름 예측 장치는 소정 기준 시간에 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리부; 및 임베딩 벡터를 수신하여 소정 기준 시간으로부터 소정 시간 이후의 교통 예측 정보를 생성하는 교통 예측부를 포함할 수 있다.

입력 데이터는 소정 기준 시간을 시작으로 소정 시간 간격으로 측정된 하나 이상의 교통 정보를 포함하는 교통 데이터 세트 및 하나 이상의 교통 정보 각각에 대응하는 하나 이상의 요일 정보를 포함하는 요일 데이터 세트를 포함할 수 있다.

전처리부는 교통 데이터 세트에 포함된 하나 이상의 교통 정보에 대한 제 1 임베딩, 교통 데이터 세트에 포함된 하나 이상의 교통 정보의 시간 정보에 대한 제 2 임베딩 및 요청 데이터 세트에 포함된 하나 이상의 요일 정보에 대한 제 3 임베딩을 수행할 수 있다.

전처리부는 제 1 임베딩, 제 2 임베딩 및 제 3 임베딩을 통해 생성된 임베딩 벡터를 합하여 입력 임베딩 벡터를 생성할 수 있다.

교통 예측부는 동일한 구조를 가지는 하나 이상의 트랜스포머 인코더의 스택으로 구성될 수 있다.

트랜스포머 인코더는 자기 주의(self-attention) 모듈 및 피드 포워드 신경망(Feed Forward Neural Network)을 포함할 수 있다.

교통 예측부는 입력 데이터에 포함된 소정 기준 시간을 시작으로 소정 시간 간격으로 측정된 하나 이상의 교통 정보에 각각 대응되는 하나 이상의 교통 예측 정보를 포함하는 교통 예측 데이터 세트를 생성할 수 있다.

교통 예측 데이터 세트는 교통 데이터 세트와 크기가 동일하며, 하나 이상의 교통 예측 정보의 시간 간격은 교통 정보의 소정 시간 간격과 동일할 수 있다.

일 양상에 따르면, 교통 흐름 예측 방법은 소정 기준 시간에 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리 단계; 및 임베딩 벡터를 수신하여 소정 기준 시간으로부터 소정 시간 이후의 교통 예측 정보를 생성하는 교통 예측 단계를 포함할 수 있다.

일 양상에 따르면, 하나 이상의 프로그램들을 저장하는 비일시적 컴퓨터 판독가능 저장 매체로서, 하나 이상의 프로그램들은 하나 이상의 프로세서들 및 메모리를 갖는 전자 디바이스에 의해 실행되는 경우, 디바이스로 하여금 제 9 항의 방법을 수행하도록 야기하는 명령어들을 포함할 수 있다.

일 실시예에 따른 교통 정보 예측 장치는 도로의 종류 및 위치와 무관한 시간 및 요일 정보를 이용하여 교통 정보를 예측함으로써 모든 도로에 독립적으로 적용 가능하다.

도 1은 일 실시예에 따른 교통 흐름 예측 장치의 구성도이다.
도 2는 일 실시예에 따른 교통 흐름 예측 장치의 세부 구성을 설명하기 위한 예시도이다.
도 3은 일 실시예에 따른 트랜스포머 인코더의 구성도이다.
도 4는 일 실시예에 따른 교통 흐름 예측 방법을 도시한 흐름도이다.
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 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, 교통 흐름 예측 장치 및 방법의 실시예들을 도면들을 참고하여 자세히 설명한다.

도 1은 일 실시예에 따른 교통 흐름 예측 장치의 구성도이다.

도 1을 참조하면, 교통 흐름 예측 장치(110)는 소정 기준 시간에 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리부(110) 및 임베딩 벡터를 수신하여 소정 기준 시간으로부터 소정 시간 이후의 교통 예측 정보를 생성하는 교통 예측부(120)를 포함할 수 있다.

일 예에 따르면, 교통 흐름 예측 장치(110)는 BERT(Bidirectional Encoder Representation from Transformer) 구조의 특정 부분을 추가 및 변경하여 구성될 수 있다.

일 예에 따르면, 입력 데이터는 소정 기준 시간을 시작으로 소정 시간 간격으로 측정된 하나 이상의 교통 정보를 포함하는 교통 데이터 세트 및 하나 이상의 교통 정보 각각에 대응하는 하나 이상의 요일 정보를 포함하는 요일 데이터 세트를 포함할 수 있다. 예를 들어, 교통 데이터 세트는 S ={s₁,...,s_t}와 같이 나타낼 수 있으며, 요일 데이터 세트는 X = {x₁,…, x_t}와 같이 나타낼 수 있다. 이때, 교통 데이터 세트와 요일 데이터 세트에 포함된 각각의 원소는 매칭될 수 있다. 예를 들어, s₁은 x₁과 매칭될 수 있으며, 이는, s₁이 측정된 요일이 x₁이라는 것을 의미할 수 있다.

일 예로, 교통 데이터 세트에 포함된 데이터는 평균 차량 속도 S = {s₁,…, s_N}일 수 있다. 여기서 각 도로의 센서 속도는 5분 간격으로 측정될 수 있다. 예를 들어, S₁과 S₂의 시간 간격은 5분일 수 있다. 소정 배치에서 입력 데이터의 첫 번째 시간 단계가 되는 시간 단계 t로 설정할 수 있으며, 전체 시간 간격을 T로 설정할 수 있다. 예를 들어, 교통 정보는 s_t,…,s_t+T 가 될 수 있다.

일 실시예에 따르면, 전처리부(110)는 교통 데이터 세트에 포함된 하나 이상의 교통 정보에 대한 제 1 임베딩, 교통 데이터 세트에 포함된 하나 이상의 교통 정보의 시간 정보에 대한 제 2 임베딩 및 요청 데이터 세트에 포함된 하나 이상의 요일 정보에 대한 제 3 임베딩을 수행할 수 있다.

도 2를 참조하면, 전처리부(110)는 교통 데이터 세트에 포함된 하나 이상의 교통 정보에 대한 제 1 임베딩을 수행하는 교통 임베딩(traffic embedding)(111), 교통 데이터 세트에 포함된 하나 이상의 교통 정보의 시간 정보에 대한 제 2 임베딩을 수행하는 위치 임베딩(position embedding)(113) 및 요청 데이터 세트에 포함된 하나 이상의 요일 정보에 대한 제 3 임베딩을 수행하는 요일 임베딩(weekday embedding)(115)을 포함할 수 있다.

일 예에 따르면, 전처리부(110)는 교통 데이터 세트를 임베딩하는 트래픽 임베딩(111)을 포함할 수 있다. 예를 들어, 트래픽 임베딩은 선형 함수를 사용할 수 있다.

일 예로, 전처리부(110)는 교통 데이터 세트에 포함된 교통 정보의 시계열적 위치에 대한 시간 임베딩을 수행하는 위치 임베딩(113)을 포함할 수 있다. 예를 들어, 교통 데이터 세트 S = {s1,...,st}에 포함된 각각의 교통 정보의 시간 정보는 {12:00, 12:05, ..., 12:55} 일 수 있다. 또는, 교통 데이터 세트 S ={s1,...,st }에 포함된 각각의 교통 정보의 시계열적 정보는 {1, 2, ..., 12}와 같이 나타낼 수 있다.

일 예로, 전처리부(110)는 요일 정보 임베딩하는 요일 임베딩(115)을 포함할 수 있다. 요일 정보는 날씨나 기타 날짜 관련 정보 대신 주중 정보를 제약 없이 사용할 수 있다. 요일 임베딩(115)은 임베딩 차원을 결정하기 위해 각 요일에 대한 데이터를 맞추기 위해 선형 함수를 사용할 수 있다.

일 예에 따르면, 각각의 임베딩을 통해 생성되는 임베딩은 아래 수학식과 같이 나타낼 수 있다.

[수학식 1]

여기서, S = {s1,...st}는 교통 데이터 세트, X = {x1,…,xt}는 요일 데이터 세트를 나타낸다. 또한, E_traffic(S)는 트래픽 임베딩 함수를 나타내고 W^T∈ R^1×de은 임베딩 차원이 d_e인 트래픽 임베딩의 가중치를 나타낸다. E_position(S)는 위치 임베딩 함수를 나타내고, W^P ∈ R^1×dmax는 최대 위치를 포함하는 길이 d_max의 가중치를 나타낸다. E_weelday(X)은 요일 임베딩 함수를 나타내고, W^W∈ R^7×de은 요일 임베딩의 가중치를 나타낸다. 일 예로, 한 주는 7일을 포함하므로 W^W의 초기 차원은 7일 수 있다. W_M∈ R^de×dmodel 은 각 임베딩 값을 모델 d_model의 차원에 맞추는 가중치이다.

일 실시예에 따르면, 전처리부(110)는 제 1 임베딩, 제 2 임베딩 및 제 3 임베딩을 통해 생성된 임베딩 벡터를 합하여 입력 임베딩 벡터를 생성할 수 있다. 예를 들어, 입력 임베딩 벡터는 E_total = E_traffic + E_position + E_weekday와 같이 나타낼 수 있다.

일 실시예에 따르면, 교통 예측부(120)는 동일한 구조를 가지는 하나 이상의 트랜스포머 인코더(121a ~ 121n)가 연결된 스택(121)으로 구성될 수 있다. 도 3을 참조하면, 트랜스포머 인코더(121a)는 자기 주의(self-attention) 모듈 및 피드 포워드 신경망(Feed Forward Neural Network)을 포함할 수 있다.

일 예에 따르면, 자기 주의 모듈은 트랜스포머 인코더(121a)에 입력된 임베딩 벡터에서부터 쿼리(Query) 벡터, 키(Key) 벡터, 그리고 밸류(Value) 벡터를 생성할 수 있다. 이 벡터들은 입력 벡터에 대해서 세 개의 학습 가능한 행렬들을 각각 곱함으로써 만들어질 수 있다. 자기 주의 모듈은 임베딩 벡터의 원소 별로 집중할지 여부를 결정하기 위한 점수를 계산할 수 있다. 점수는 현재 원소의 쿼리 벡터와 점수를 매기려 하는 다른 위치에 있는 원소의 키 벡터의 내적으로 계산될 수 있다. 예를 들어, 위치 #1에 있는 원소에 대해서 자기 주의(self-attention)를 계산한다 했을 때, 첫 번째 점수는 q₁과 k₁의 내적일 수 있으며, 두 번째 점수는 q₁과 k₂의 내적일 수 있다.

자기 주의 모듈은 계산된 점수를 소정의 수로 나눌 수 있다. 예를 들어, 자기 주의 모듈은 점수를 8로 나눌 수 있다. 이때, 8은 키 벡터의 사이즈인 64의 제곱근이다. 자기 주의 모듈은 나눗셈을 통해 더 안정적인 기울기(gradient)를 가질 수 있다. 이후, 자기 주의 모듈은 나눗셈 계산된 값을 소프트맥스(softmax) 계산을 통과시켜 모든 점수들을 양수로 만들고 그 합을 1으로 만들어 줄 수 있다.

자기 주의 모듈은 입력 임베딩의 각 원소들의 밸류 벡터에 점수를 곱할 수 있다. 이는, 집중을 하고 싶은 관련이 있는 원소들은 유지하고, 관련이 없는 단어들은 매우 작은 숫자 (점수)를 곱해 없애 버리기 위함이다. 자기 주의 모듈은 점수가 곱해진 밸류 벡터들을 다 합한 후 출력할 수 있다. 일 예로, 자기 주의에 대한 수식은 다음과 같이 나타낼 수 있다.

[수학식 2]

일 실시예에 따르면, 교통 예측부(120)는 입력 데이터에 포함된 소정 기준 시간을 시작으로 소정 시간 간격으로 측정된 하나 이상의 교통 정보에 각각 대응되는 하나 이상의 교통 예측 정보를 포함하는 교통 예측 데이터 세트를 생성할 수 있다. 일 예로, 교통 예측 데이터 세트는 교통 데이터 세트와 크기가 동일하며, 하나 이상의 교통 예측 정보의 시간 간격은 교통 정보의 소정 시간 간격과 동일할 수 있다.

일 예에 따르면, 교통 예측부(120)에서 생성된 출력은 입력과 크기가 동일할 수 있다. 또한, 교통 예측부(120)는 단기 예측이 아닌 장기 예측을 수행하기 때문에 출력은 지정된 t이후의 T 값과 동일한 시간 단계, 즉 s_t+T+1,...s_t+2T 으로 구성될 수 있다. 예를 들어,시간 단계 T는 12로 설정될 수 있다. 이 경우, 입력 및 출력 데이터는 각각 s_t,...s_t+12및 s_t+13,...s_t+24 일 수 있다.

도 4는 일 실시예에 따른 교통 흐름 예측 방법을 도시한 흐름도이다.

일 실시예에 따르면, 교통 흐름 예측 방법은 소정 기준 시간에 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리 단계(410) 및 임베딩 벡터를 수신하여 소정 기준 시간으로부터 소정 시간 이후의 교통 예측 정보를 생성하는 교통 예측 단계(420)를 포함할 수 있다.

일 예에 따르면, 교통 흐름 예측 장치는 전처리 단계에서 교통 데이터 세트에 포함된 하나 이상의 교통 정보에 대한 제 1 임베딩, 교통 데이터 세트에 포함된 하나 이상의 교통 정보의 시간 정보에 대한 제 2 임베딩 및 요청 데이터 세트에 포함된 하나 이상의 요일 정보에 대한 제 3 임베딩을 수행할 수 있다. 또한, 교통 흐름 예측 장치는 전처리 단계에서 제 1 임베딩, 제 2 임베딩 및 제 3 임베딩을 통해 생성된 임베딩 벡터를 합하여 입력 임베딩 벡터를 생성할 수 있다.

일 실시예에 따르면, 교통 흐름 예측 장치는 동일한 구조를 가지는 하나 이상의 트랜스포머 인코더의 스택을 이용하여 교통 예측 단계를 수행할 수 있다. 예를 들어, 트랜스포머 인코더는 자기 주의(self-attention) 모듈 및 피드 포워드 신경망(Feed Forward Neural Network)을 포함할 수 있다.

일 실시예에 따르면, 교통 흐름 예측 장치는 교통 예측 단계에서 입력 데이터에 포함된 소정 기준 시간을 시작으로 소정 시간 간격으로 측정된 하나 이상의 교통 정보에 각각 대응되는 하나 이상의 교통 예측 정보를 포함하는 교통 예측 데이터 세트를 생성할 수 있다. 교통 예측 데이터 세트는 교통 데이터 세트와 크기가 동일하며, 하나 이상의 교통 예측 정보의 시간 간격은 교통 정보의 소정 시간 간격과 동일할 수 있다.

도 4의 실시예 중 도 1 내지 도 3을 참조하여 설명한 내용과 중복되는 실시예는 생략하였다.

도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 교통 흐름 예측 장치(110)일 수 있다.

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)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 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.

이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

100: 교통 흐름 예측 장치
110: 전처리부
120: 교통 예측부

Claims

제1 기준 시간부터 소정 시간 이후인 제2 기준 시간까지 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리부; 및
상기 임베딩 벡터를 수신하여 상기 제2 기준 시간으로부터 소정 시간 이후인 제3 기준 시간까지의 교통 예측 정보를 생성하는 교통 예측부를 포함하고,
상기 입력 데이터는, 상기 제1 기준 시간을 시작으로 소정 시간 간격으로 상기 제2 기준 시간까지 측정된 하나 이상의 교통 정보를 포함하는 교통 데이터 세트 및 상기 하나 이상의 교통 정보 각각에 대응하는 하나 이상의 요일 정보를 포함하는 요일 데이터 세트를 포함하며,
상기 교통 예측부는,
상기 입력 데이터에 포함된 교통 정보에 각각 대응되는 하나 이상의 교통 예측 정보를 포함하는 교통 예측 데이터 세트를 생성하는 것으로,
상기 교통 예측 데이터 세트는,
상기 제2 기준 시간으로부터 소정 시간 이후인 제3 기준 시간까지의 교통 예측 정보를 포함하며, 상기 제2 기준 시간부터 상기 제3 기준 시간까지의 전체 시간은 상기 제1 기준 시간부터 상기 제2 기준 시간까지의 전체 시간과 동일하고, 하나 이상의 교통 예측 정보의 시간 간격은 상기 교통 정보의 소정 시간 간격과 동일한, 교통 흐름 예측 장치.
삭제
제 1 항에 있어서,
상기 전처리부는
상기 교통 데이터 세트에 포함된 하나 이상의 교통 정보에 대한 제 1 임베딩, 상기 교통 데이터 세트에 포함된 하나 이상의 교통 정보의 시간 정보에 대한 제 2 임베딩 및 상기 요일 데이터 세트에 포함된 하나 이상의 요일 정보에 대한 제 3 임베딩을 수행하는, 교통 흐름 예측 장치.
제 3 항에 있어서,
상기 전처리부는
상기 제 1 임베딩, 상기 제 2 임베딩 및 상기 제 3 임베딩을 통해 생성된 임베딩 벡터를 합하여 입력 임베딩 벡터를 생성하는, 교통 흐름 예측 장치.
제 1 항에 있어서,
상기 교통 예측부는
동일한 구조를 가지는 하나 이상의 트랜스포머 인코더의 스택으로 구성되는, 교통 흐름 예측 장치.
제 5 항에 있어서,
상기 트랜스포머 인코더는
자기 주의(self-attention) 모듈 및 피드 포워드 신경망(Feed Forward Neural Network)을 포함하는, 교통 흐름 예측 장치.
삭제
삭제
제1 기준 시간부터 소정 시간 이후인 제2 기준 시간까지 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리 단계; 및
상기 임베딩 벡터를 수신하여 상기 제2 기준 시간으로부터 소정 시간 이후인 제3 기준 시간까지의 교통 예측 정보를 생성하는 교통 예측 단계를 포함하고,
상기 입력 데이터는, 상기 제1 기준 시간을 시작으로 소정 시간 간격으로 상기 제2 기준 시간까지 측정된 하나 이상의 교통 정보를 포함하는 교통 데이터 세트 및 상기 하나 이상의 교통 정보 각각에 대응하는 하나 이상의 요일 정보를 포함하는 요일 데이터 세트를 포함하며,
상기 교통 예측 단계는, 상기 입력 데이터에 포함된 교통 정보에 각각 대응되는 하나 이상의 교통 예측 정보를 포함하는 교통 예측 데이터 세트를 생성하는 것으로,
상기 교통 예측 데이터 세트는,
상기 제2 기준 시간으로부터 소정 시간 이후인 제3 기준 시간까지의 교통 예측 정보를 포함하며, 상기 제2 기준 시간부터 상기 제3 기준 시간까지의 전체 시간은 상기 제1 기준 시간부터 상기 제2 기준 시간까지의 전체 시간과 동일하고, 하나 이상의 교통 예측 정보의 시간 간격은 상기 교통 정보의 소정 시간 간격과 동일한, 교통 흐름 예측 방법.
비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
제1 기준 시간부터 소정 시간 이후인 제2 기준 시간까지 생성된 입력 데이터를 수신하여 입력 임베딩 벡터를 생성하는 전처리 단계; 및
상기 임베딩 벡터를 수신하여 상기 제2 기준 시간으로부터 소정 시간 이후인 제3 기준 시간까지의 교통 예측 정보를 생성하는 교통 예측 단계를 수행하도록 하고,
상기 입력 데이터는, 상기 제1 기준 시간을 시작으로 소정 시간 간격으로 상기 제2 기준 시간까지 측정된 하나 이상의 교통 정보를 포함하는 교통 데이터 세트 및 상기 하나 이상의 교통 정보 각각에 대응하는 하나 이상의 요일 정보를 포함하는 요일 데이터 세트를 포함하며,
상기 교통 예측 단계는, 상기 입력 데이터에 포함된 교통 정보에 각각 대응되는 하나 이상의 교통 예측 정보를 포함하는 교통 예측 데이터 세트를 생성하는 것으로,
상기 교통 예측 데이터 세트는,
상기 제2 기준 시간으로부터 소정 시간 이후인 제3 기준 시간까지의 교통 예측 정보를 포함하며, 상기 제2 기준 시간부터 상기 제3 기준 시간까지의 전체 시간은 상기 제1 기준 시간부터 상기 제2 기준 시간까지의 전체 시간과 동일하고, 하나 이상의 교통 예측 정보의 시간 간격은 상기 교통 정보의 소정 시간 간격과 동일한, 컴퓨터 프로그램.