KR102617058B1 - 스마트시티에 적용 가능한 도심지 교통혼잡도 예측방법및 시스템 - Google Patents

Abstract

본원은 도심지 교통혼잡도 예측방법 및 시스템에 관한 것으로, 본원의 일 실시예에 따른 도심지 교통혼잡도 예측방법은, (a) 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출하는 단계; (b) 상기 하나 이상의 단위 교차로를 포함하는 소정 영역의 도로망에 대하여, 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 데이터베이스를 구축하는 단계를 포함하며, 상기 (a) 단계는, a1) 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하는 단계; a2) 상기 차량 검출 관련 센싱 결과에 기초하여, 상기 관심영역 내에서 상기 방향을 가지는 값과 관련하여 정의된 검출대상영역에서 차량 관련 정보를 검출하는 단계; 및 a3) 검출된 차량을 기반으로 단위 교차로의 혼잡도를 도출하는 단계를 포함하되, 상기 a1) 단계는 상기 교차로 내 교통신호의 신호 변경 시점을 포함하는 시점에 수행될 수 있다.

Description

스마트시티에 적용 가능한 도심지 교통혼잡도 예측방법 및 시스템{URBAN TRAFFIC CONGESTION FORECASTING METHOD AND SYSTEM}

본원은 도심지 교통혼잡도 예측방법 및 그 시스템에 관한 것이다. 예를 들어 본원은 빅데이터(데이터베이스)를 이용하여 도심지 교통혼잡도를 예측하는 스마트시티 기술로서 적용될 수 있다. 또한, 본원은 차량 검출 관련 센싱에 있어 필요에 따라 사물인터넷 기술을 활용할 수 있고, 빅데이터를 이용하여 도심지 교통혼잡도를 예측함에 있어 필요에 따라 인공지능(신경망) 학습 및 적용 기술을 활용할 수 있다.

도심지의 큰 교차로에서는 차량 통행량이 많아 꼬리물기 등에 의한 혼잡 상황이 자주 발생하고, 이에 따른 교통사고도 증가하고 있다. 여러 교차로를 따라 연결된 도로망에서는 교차로에서의 정체 상황에 따라 혼잡성이 더욱 증대되며, 여러 교차로에 걸쳐 차량 통행량이 많은 경우 교차로의 혼잡 상황이 연쇄적으로 발생하여 도심지 도로망에 걸쳐 큰 정체가 빚어지는 상황이 발생한다. 이에 따라 교차로에서는 차량의 교통량에 따라 신호등을 적절히 조정하여 교통이 원활하게 진행될 수 있도록 하고 있다.

이를 위해서는 교차로에서의 교통량 검출이 우선되어야 하며, 최근에 도로에서의 통행량을 측정하는 기술이 개시되고 있다. 예컨대 종래에는 CCTV를 통해 통행량을 조사하거나 각 요금소의 통행량 분석을 통해 교통량을 분석하고 있어 대략적인 교통흐름만을 차량 운전자에게 알려주는 정도에 그치고 있다. 또한, 종래에는 초음파센서나 레이저센서를 이용하여 차량을 카운트하여 차량의 통행량을 측정하는 기술이 개시되어 있거나, 또는 과거와 현재의 교통흐름 데이터를 이용하여 교통혼잡을 예측하는 방법이 개시되어 있다.

하지만, 이들 종래기술에서는 도로에서 주행하는 차량을 카운트하여 도로를 주행하는 차량의 개수만을 파악하는 정도에 그쳤을 뿐, 교차로에서 차량의 진행방향, 즉 좌회전, 직진, 우회전 등의 진행방향에 따라 교통량을 정확하게 측정하거나 예측하는 기술은 개시하지 않으며, 나아가 여러 교차로에 걸친 도로망에서의 교통량을 기반한 혼잡도 예측은 개시하고 있지 않다.

본원의 배경이 되는 기술은 한국공개특허공보 10-2012-0007844호에 개시되어 있다.

본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 교차로 내 진행방향에 따라 다르게 도출되는 단위 교차로의 혼잡도를 기반으로 복수의 교차로가 연결된 소정 영역의 도로망 내에서 교통혼잡도를 예측하는 도심지 교통혼잡도 예측방법 및 시스템을 제공하는 것을 목적으로 한다.

또한, 본원은 교통신호가 바뀌는 일 시점에 이미지를 획득하고 이미지에서 교차로 정체를 야기하는 정체차량을 검출하고 이를 통해 교차로의 혼잡도를 도출함으로써 이미지 획득을 위해 요구하는 리소스를 대폭 축소시키는 도심지 교통혼잡도 예측방법 및 시스템을 제공하는 것을 목적으로 한다.

또한, 본원은 방향을 가지는 값으로 정의되는 단위 교차로의 혼잡도를 그래프 데이터베이스로 구축함으로써 효율적으로 도로망의 교통혼잡도를 예측하는 도심지 교통혼잡도 예측방법 및 시스템을 제공하는 것을 목적으로 한다.

또한, 본원은 교차로의 진출 혼잡도 및 진입 혼잡도를 기반으로 그래프 데이터베이스를 구축하는 과정에서 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하여 가중치를 결정하여 정확도를 향상시킨 도심지 교통혼잡도 예측방법 및 시스템을 제공하는 것을 목적으로 한다.

다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 도심지 교통혼잡도 예측방법은, (a) 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출하는 단계; (b) 상기 하나 이상의 단위 교차로를 포함하는 소정 영역의 도로망에 대하여, 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 데이터베이스를 구축하는 단계를 포함하며, 상기 (a) 단계는, a1) 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하는 단계; a2) 상기 차량 검출 관련 센싱 결과에 기초하여, 상기 관심영역 내에서 상기 방향을 가지는 값과 관련하여 정의된 검출대상영역에서 차량 관련 정보를 검출하는 단계; 및 a3) 검출된 차량을 기반으로 단위 교차로의 혼잡도를 도출하는 단계를 포함하되, 상기 a1) 단계는 상기 교차로 내 교통신호의 신호 변경 시점을 포함하는 시점에 수행될 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 a2) 단계에서, 상기 차량 관련 정보는, 상기 신호 변경 시점에서의 상기 교차로 내 차량 잔여 상태를 고려하여 도출되는 것이며, 상기 방향을 가지는 값은 상기 차량이 교차로로 진입하는 방향 및 교차로로부터 진출 방향 중 적어도 하나를 고려하여 설정되는 값일 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 a1) 단계는 상기 교차로 내 교통신호가 제1신호에서 제2신호로 바뀌는 시점에 상기 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하며, 상기 a2) 단계는 상기 제1신호에 따른 차량의 주행방향에 대응하여 검출대상영역을 정의하고 차량 관련 정보를 검출하는 것일 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 a2) 단계에서, 상기 검출대상영역은 상기 교차로 내 관심영역을 상기 교차로의 진출영역 수로 분할한 단위영역 중 하나 이상으로 결정되거나, 또는 교통신호에 따라 상기 교차로의 소정 진입영역과 진출영역을 연결하는 주행영역으로 결정될 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 a3) 단계는 상기 검출대상영역에서 검출된 차량 관련 정보로부터 상기 혼잡도를 도출하되, 상기 혼잡도는, 상기 교차로의 제1신호에 대응하는 진출영역의 방향에 대해 도출된 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대해 도출된 진입 혼잡도를 포함할 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 a3) 단계 이전에, 상기 차량 관련 정보를 기반으로 상기 교차로의 진출 혼잡도와 진입 혼잡도를 도출하는 혼잡도 예측 모델을 학습시키는 단계를 더 포함할 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 (b) 단계는, b1) 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 단위 교차로를 제1노드로 지정하고, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정하는 단계; 및 b2) 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 값을 기반으로 상기 제1노드와 제2노드 사이를 연결하는 단계를 포함하여, 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 그래프 데이터베이스를 구축할 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 b2) 단계는, 제1노드와 제2노드 사이의 진입 혼잡도 또는 진출 혼잡도를 기반으로, 상기 제1노드와 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하여 상기 1노드와 제2노드 사이를 연결하는 간선의 가중치를 결정할 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 b2) 단계 이전에, 상기 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도, 상기 제1노드 및 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량과 관련된 교통정보를 기반으로 상기 제1노드 및 제2노드 사이 간선의 가중치를 예측하는 가중치 예측 모델을 학습시키는 단계를 더 포함할 수 있다.

또한, 본원의 일 실시예에 따르면, (c) 상기 (b) 단계에서 구축된 그래프 데이터베이스에 기초하여, 상기 도로망의 제1지점으로부터 제2지점까지의 교통혼잡도를 도출하는 단계를 더 포함할 수 있다.

본원의 일 실시예에 따른 도심지 교통혼잡도 예측시스템은, 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하고 상기 관심영역 내에서 정의된 검출대상영역에서 차량 관련 정보를 검출하는 촬영부; 적어도 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출하는 교차로 혼잡도 도출부; 및 하나 이상의 단위 교차로를 포함하는 소정 영역의 도로망에 대하여, 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 데이터베이스를 구축하는 데이터베이스 구축부를 포함하고; 상기 차량 검출 관련 센싱은 상기 교차로 내 교통신호의 신호 변경 시점을 포함하는 시점에 수행될 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 촬영부는, 교차로 내 교통신호가 제1신호에서 제2신호로 바뀌는 시점에 상기 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하고, 상기 관심영역 내 제1신호에 따른 차량의 주행방향에 대응하는 검출대상영역에서 차량 관련 정보를 검출하며, 상기 교차로 혼잡도 도출부에서 도출하는 혼잡도는, 검출된 차량 관련 정보를 기반으로 단위 교차로의 제1신호에 대응하는 진출영역의 방향에 대해 도출된 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대해 도출된 진입 혼잡도를 포함하고, 상기 데이터베이스 구축부는, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 단위 교차로를 제1노드로 지정하고, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정하고, 진출 혼잡도 또는 진입 혼잡도에 정의된 값을 기반으로 상기 제1노드와 제2노드 사이를 연결하여 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 그래프 데이터베이스를 구축할 수 있다.

또한, 본원의 일 실시예에 따르면, 상기 차량 관련 정보를 기반으로 상기 교차로의 진출 혼잡도와 진입 혼잡도를 도출하는 혼잡도 예측 모델과, 상기 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도, 상기 제1노드 및 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량과 관련된 교통정보를 기반으로 제1노드 및 제2노드 사이 간선의 가중치를 예측하는 가중치 예측 모델을 학습시키는 학습부를 더 포함할 수 있다.

또한, 본원의 일 실시예에 따르면, 구축된 데이터베이스에 기초하여, 상기 도로망의 제1지점으로부터 제2지점까지의 교통혼잡도를 도출하는 교통혼잡도 도출부를 더 포함할 수 있다.

상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.

전술한 본원의 과제 해결 수단에 의하면, 본원은 교차로 내 진행방향에 따라 다르게 도출되는 단위 교차로의 혼잡도를 기반으로 복수의 교차로가 연결된 소정 영역의 도로망 내에서 교통혼잡도를 예측하는 도심지 교통혼잡도 예측방법 및 시스템을 제공할 수 있다.

또한, 본원은 교통신호가 바뀌는 일 시점에 이미지를 획득하고 이미지에서 교차로 정체를 야기하는 정체차량을 검출하고 이를 통해 교차로의 혼잡도를 도출함으로써 이미지 획득을 위해 요구하는 리소스를 대폭 축소시키는 도심지 교통혼잡도 예측방법 및 시스템을 제공하는 효과를 가진다.

또한, 본원은 방향을 가지는 값으로 정의되는 단위 교차로의 혼잡도를 그래프 데이터베이스로 구축함으로써 효율적으로 도로망의 교통혼잡도를 예측하는 도심지 교통혼잡도 예측방법 및 시스템을 제공한다.

또한, 본원은 교차로의 진출 혼잡도 및 진입 혼잡도를 기반으로 그래프 데이터베이스를 구축하는 과정에서 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하여 가중치를 결정하여 정확도를 향상시킨 효과를 가진다.

도 1은 본원의 일 실시예에 따른 도심지 교통혼잡도 예측시스템(1)의 블록도이다.
도 2는 본원의 일 실시예에 따라 교차로에서 획득되는 이미지에 대한 개략적인 도면이다.
도 3은 본원의 일 실시예에 따른 촬영부(110)에서 정의되는 검출대상영역(211)의 개략적인 도면이다.
도 4는 본원의 일 실시예에 따른 촬영부(110)에서 정의되는 검출대상영역(212)의 개략적인 도면이다.
도 5는 인접한 교차로 사이를 연결하는 도로에서 합류하거나 또는 이탈하는 통행량을 도시한 도면이다.
도 6은 본원의 일 실시예에 따른 그래프데이터 생성부(140)에 의해 지정되는 노드와 간선을 개략적으로 도시한 도면이다.
도 7은 예시적인 복수의 단위 교차로가 연결되는 소정 영역의 도로망을 도시한 도면이다.
도 8은 도 7의 도로망을 그래프 데이터베이스로 구축한 예를 도시한 도면이다.
도 9는 본원의 일 실시예에 따른 도심지 교통혼잡도 예측방법의 흐름도이다.
도 10은 본원의 일 실시예에 따른 교차로의 혼잡도를 도출하는 단계(S10)의 흐름도이다.
도 11은 본원의 일 실시예에 따른 그래프데이터를 생성하는 단계(S20)의 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.

본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

이하에서는 본원의 일 실시예에 따른 도심지 교통혼잡도 예측시스템(이하 '본 시스템'이라 함)에 대해 설명한다. 본 시스템의 각 구성은 하나 이상의 CPU 역할을 수행하는 컨트롤러로서의 프로세서에 의해 수행될 수 있다. 프로세서는 본 시스템을 구성하는 각 구성과 관련된 입출력과 내부 동작들을 제어한다. 상기 프로세서는 본 시스템의 교차로 혼잡도 도출부(130) 및/또는 교통혼잡도 도출부(150)를 포함한 연결된 구성에 대해 다양한 명령, 신호를 전달하여 각 구성이 본원의 일 실시예에 따른 교차로 혼잡도 도출 및 도로망의 교통혼잡도 도출을 포함하는 기능을 수행할 수 있도록 한다.

도 1은 본원의 일 실시예에 따른 도심지 교통혼잡도 예측시스템(1)의 블록도이다. 본 시스템(1)은 적어도 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출하고, 상기 하나 이상의 단위 교차로가 연결되는 소정 영역의 도로망에 대해 상기 단위 교차로의 혼잡도를 기반으로 혼잡도 데이터베이스를 구축할 수 있다. 본 시스템은 구축된 데이터베이스에 기초하여, 상기 도로망의 전체적인 교통혼잡도를 도출할 수 있다. 본 시스템(1)은 촬영부(110), 학습부(120), 교차로 혼잡도 도출부(130), 데이터베이스 구축부(140) 및 교통혼잡도 도출부(150)를 포함할 수 있다.

상기 촬영부(110)는 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하도록 구비될 수 있다. 차량 검출 관련 센싱이란 교차로 내 관심영역에서 차량을 검출하기에 적합한 정보를 획득하는 것으로, 차량 검출 관련 센싱은 교차로 상에 설치된 카메라 등으로부터 교차로 내 관심영역의 이미지를 획득하거나, 라이다 센서를 통해 관심영역 내에서 차량과 관련된 형상이 특정될 수 있도록 관심영역을 3D 데이터로 구축할 수 있다. 이외에도 교차로 내 관심영역에서 차량 관련 데이터와 차량과 관련되지 않은, 예를 들면 도로 관련 데이터를 식별할 수 있는 형태로 센싱을 수행할 수 있다. 즉, 본원에서 차량 검출 관련 센싱은 차량들이 도로의 소정 영역 내에서 차지하는 면적, 영역 내 차량 대수, 영역 내 차량 차종, 영역 이미지 내 차량과 관련된 픽셀 식별 등 차량 검출에 연관될 수 있는 다양한 센싱들을 포괄적으로 지칭하는 것으로 이해될 수 있다. 본원에서의 센싱에는 기설치된 교통시설 중 차량 검출 가능한 시설이 이용되거나, 추가적으로 설치된 센서가 이용될 수 있다. 또한 본원에서의 센싱을 위해 사물인터넷 기술이 적용될 수 있을 것이다. 이하에서는 교차로 내 관심영역 이미지를 획득하는 것을 중심으로 설명하도록 한다.

상기 촬영부(110)는 교차로의 인근에 설치되어 교차로 내 관심영역에 대한 이미지를 획득할 수 있다. 촬영부는 카메라로 구비될 수 있는데, 주간 또는 야간에도 영상촬영이 가능하도록 적외선 카메라일 수 있다. 도 2를 참고하면, 촬영부(110)는 교차로 내 차량 정체를 기반으로 혼잡도를 파악하기 위해 차량을 검출하기 위한 관심영역(210), 교차로로 차량이 진입하는 진입영역(220), 교차로로부터 차량이 도로로 진출하는 진출영역(230)에 대한 이미지를 획득할 수 있다. 상기 촬영부(110)는 십자형 교차로가 아닌 T자형 교차로 등에 설치되어 교차로의 이미지를 획득할 수도 있다.

도 2를 참고하면, 촬영부(110)는 획득한 교차로의 이미지 상에서 영역을 설정할 수 있다. 촬영부(110)는 이미지 프로세싱을 통해 차량이 교통 신호에 따라 교차로로 연결된 도로로 향하는 교차로 내 진행방향별 차량 통행 정보를 획득하게 되는 일정범위 영역으로 관심영역(210)을 설정할 수 있다. 또한, 교차로에 차량이 진입가능한 도로에 따라 도로별로 진입영역(220)을 설정하고, 교차로로부터 차량이 진출가능한 도로에 따라 도로별로 진출영역(230)을 설정할 수 있다. 관심영역(210)은 교차로 내에서 차량이 주행할 수 있는 사각형의 구간일 수 있는데, 교차로의 구조에 따라 관심영역(210)은 달라질 수 있다. 십자형 교차로가 아닌 교차로에서, 관심영역(210)은 교차로를 통과하기 위해 차량이 주행하는 교차로 내 영역으로 이해될 수 있으며, 일 실시예에서는 교통신호가 바뀜에 따라 꼬리물기 현상이 발생하여 교통 혼잡을 야기하는 소정 영역으로 이해될 수 있다.

이때, 촬영부(110)는 교차로 내 교통신호에 따라 교차로의 이미지를 획득할 수 있다. 본원의 일 실시예에서, 상기 촬영부(110)는 교차로 내 교통신호의 신호 변경 시점을 포함하는 시점에 이미지를 획득할 수 있다. 신호 변경 시점은 교통신호가 제1신호에서 제2신호로 바뀌는 시점일 수 있다. 즉, 촬영부(110)는 교차로 내 소정 도로에서 차량이 진행가능한 청색 신호, 예컨대 직진 신호, 좌회전 신호 또는 직진 좌회전 동시신호에서 적색 신호로 바뀌는 시점에 교차로 내 이미지를 촬영할 수 있다. 일 실시예에서, 촬영부(110)는 교통신호가 황색 신호를 거쳐 적색 신호로 바뀌는 시점에 교차로 내 관심영역에서 이미지를 획득할 수 있다. 소정 도로에서 교통신호가 청색 신호에서 황색 신호를 거치거나 또는 거치지 않고 적색 신호로 변화함과 함께, 다른 도로에 대한 교통신호는 차량이 진행 불가능한 적색 신호에서 청색 신호로 바뀔 수 있는 것이 통상의 기술자에게 이해될 수 있다.

도 3 및 도 4를 참고하여 이를 계속 설명하면, 도로 R1에서 R2로 차량이 진행하도록 교차로에서 좌회전 청색 신호가 점등되어 있다가, 도로 R3에서 R4로 차량이 진행하도록 도로 R3 측에서 직진 청색 신호가 점등되도록 교통신호가 바뀔 수 있다. 이때 교통신호는 도로 R1에 대해서는 좌회전 신호에서 황색 신호를 걸쳐 적색 신호로 변경되고, 도로 R3에 대해서는 적색 신호에서 청색 신호로 변경되는 것이 통상의 기술자에게 이해될 수 있다. 상기 촬영부(110)는 위와 같이 교통신호가 변경되는 시점에 교차로 내 관심영역(210), 진입영역(220) 및 진출영역(230)에서 이미지를 획득한다.

또한 상기 촬영부(110)는 차량 검출 관련 센싱 결과에 기초하여, 관심영역 내에서 상기 방향을 가지는 값과 관련하여 정의된 검출대상영역에서 차량 관련 정보를 검출할 수 있다. 상술한 바와 같이 차량 검출 관련 센싱 결과는 교차로 내 교통신호의 신호 변경 시점, 즉 제1신호에서 제2신호로 교통신호가 바뀌는 시점을 포함하여 수행되는 이미지 획득일 수 있다. 본원에서는 후술하는 바와 같이 혼잡도를 교통신호와 관련된 방향을 가지는 값으로 도출하게 되는데, 혼잡도의 방향은 교차로 내 교통신호에 따라 결정될 수 있으며, 검출대상영역도 교차로 내 교통신호에 따라 결정될 수 있으므로, 검출대상영역은 방향을 가지는 값과 관련하여 정의되는 것으로 이해될 수 있다.

일 실시예에서, 상기 촬영부(110)는 상기 관심영역 내 제1신호에 따른 차량의 주행방향에 대응하는 검출대상영역에서 차량 관련 정보를 검출할 수 있다. 차량 관련 정보는 상기 신호 변경 시점에서의 상기 교차로 내 차량 잔여 상태를 고려하여 검출되는 것일 수 있다. 즉 차량 관련 정보는 교차로의 교통신호가 제1신호에서 제2신호로 바뀔 때 꼬리물기와 같이 교차로 내 혼잡을 야기하는 교차로 내 잔존하는 차량을 도출하기 위한 정보일 수 있다. 이와 같이 교차로 내 잔존하는 차량 또는 남아있는 차량은 정체차량으로 정의될 수 있다.

차량 관련 정보는 교차로 내 정체차량을 파악할 수 있도록, 교통신호의 신호 변경 시점에 획득한 이미지로부터 차량에 해당하는 이미지를 검출한 것이거나, 검출대상영역에서 도로가 아닌 것으로 파악되는 영역의 면적일 수 있으며, 이를 포함한 여러 방법을 통해 도출된 데이터일 수 있다. 일예로, 교차로의 관심영역 또는 검출대상영역에서 차량의 대수, 차종을 고려하여 차량이 교차로에서 차지하는 면적, 촬영부에서 획득한 이미지의 면적 대비 차량이 차지하는 면적의 비율 등이 차량 관련 정보로 검출될 수 있다. 이하에서는 이미지 내 검출대상영역에서 차량에 해당하는 이미지를 검출하는 것을 중심으로 설명하도록 한다.

일 실시예에 따른 상기 검출대상영역(211)은, 교차로 내 관심영역을 상기 교차로의 진출영역 수로 분할한 단위영역 중 하나 이상의 단위영역으로 결정될 수 있다. 도 3에 도시된 바와 같이, 도로 R1에서 R2로 진행하는 교통신호에서, 차량은 R1 측 진입영역을 통해 교차로로 진입하고, R2 측 진출영역을 통해 교차로에서 나가게 된다. 촬영부(110)는 관심영역(210)에서 R1 및 R2 측 단위영역을 검출대상영역(211)으로 결정한 후 검출대상영역 내 차량을 검출할 수 있다.

본원의 일 실시예에 따른 검출대상영역(212)은, 교통신호에 따라 상기 교차로의 소정 진입영역과 진출영역을 연결하는 주행영역으로 결정될 수 있다. 도 4를 참고하면, 도로 R1에서 R2로 진행하는 교통신호에서 R1측 진입영역과 R2측 진출영역을 연결하는 곡면이 주행영역으로 설정되고, 이 영역이 검출대상영역(212)으로 결정될 수 있다.

검출대상영역에서 차량에 해당하는 이미지를 검출하는 방법은 객체 추출 또는 탐지 알고리즘을 이용할 수 있다. 상기 촬영부(110)는 획득한 이미지 내 픽셀을 클러스터하여 교차로 내 차량을 인식한다. 객체 탐지는 CNN 기반 객체 탐지일 수 있으며, 객체에 대한 바운딩 박스를 설정하고, 바운딩 박스 내에서 엣지를 검출하여 객체를 탐지할 수 있다. 이후 가우시안 혼합모델을 기반으로 이미지 시퀀스와 배경과 객체에서 color의 distribution으로 표현되는 컬러 히스토그램을 통해 객체를 차량으로 분류할 수 있다. 촬영부(110)가 획득한 검출대상영역의 이미지에서 차량을 검출하는 방법은 깊이 우선 탐색 등 공지되거나 공지될 다른 알고리즘에 의할 수 있다.

교통신호가 변경되는 시점에 이미지를 획득하는 것에서, 이미지로부터 차량에 해당하는 이미지를 검출하거나, 검출대상영역에서 도로가 아닌 차량으로 인식되는 영역의 넓이로부터 교차로 내 잔존하는 정체차량을 획득할 수 있다. 본원은 교통신호가 바뀌는 일 시점에 이미지를 획득하고 이미지에서 교차로 정체를 야기하는 정체차량을 검출하고 이를 통해 교차로의 혼잡도를 도출하는 점에서, 교차로 내에서 실시간으로 이미지를 획득하여 교통량을 측정하도록 하는 종래의 기술 대비 이미지 획득을 위해 요구하는 리소스를 대폭 축소시킬 수 있다. 즉 도로 R1에서 R2로 차량을 진행시키는 교통신호가 점등된 동안 영상 이미지를 획득하거나, 상기 점등된 동안 소정 주기로 지속적으로 이미지를 획득하여 교통량을 측정하는 것과 대비하여, 본원의 경우 R1에서 R2로 차량을 진행시키는 교통신호가 바뀌는 일 시점에 촬영한 이미지를 통해 교차로의 혼잡도를 도출할 수 있다.

다시 도 2를 참고하면, 상기 학습부(120)는 차량 관련 정보를 기반으로 상기 교차로의 진출 혼잡도와 진입 혼잡도를 도출하는 혼잡도 예측 모델을 학습시킬 수 있다. 후술하는 바와 같이 혼잡도는 단위 교차로가 얼마나 혼잡한지를 나타내는 지표일 수 있다. 학습부(120)는 교통신호가 바뀌는 시점에 획득된 차량 관련 정보, 예를 들면 교차로의 이미지에서 검출한 차량의 이미지로부터 교차로의 혼잡도를 도출할 수 있도록, 혼잡도 예측 모델을 학습할 수 있다. 상기 학습부(120)는 교차로 내 이미지에 교차로 내 정체차량이 해소될 때까지 소요되는 시간이 레이블링된 데이터를 학습 데이터로 사용할 수 있다. 또는, 상기 학습부(120)는 시간에 따른 교차로 내 이미지의 변화를 기록한 영상을 학습데이터로 사용할 수도 있다. 일 실시예에서, 혼잡도 예측 모델은 혼잡도가 레이블링된 교차로 내 이미지를 학습데이터로 학습하고, 입력 레이어에 검출된 차량을 포함하는 교차로의 이미지를 입력하면 목적하는 결과값인 단위 교차로의 혼잡도를 도출할 수 있다.

또한, 상기 학습부(120)는 도로를 통해 연결된 인접하는 교차로로서 후술하는 그래프데이터의 제1노드(C1) 및 제2노드(C2)에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도, 상기 제1노드 및 제2노드에 대응하는 상기 제1노드 및 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량과 관련된 교통정보를 기반으로 상기 교차로 사이에서 가중치를 예측하는 가중치 예측 모델을 학습시킬 수 있다. 학습부(120)는 인접하는 교차로 사이 그래프데이터의 가중치를 도출할 수 있도록, 제1노드 및 제2노드에 대응하도록 정의된 인접하는 교차로의 측정된 진출 혼잡도 및 진입 혼잡도 및 상기 교차로 사이의 교통정보를 학습데이터로 하여 가중치 예측 모델을 학습할 수 있다.

도 5에 도시된 바와 같이 제1노드(C1)와 제2노드(C2)에 대응하는 인접하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하도록 학습데이터가 처리될 수 있다. 인접하는 교차로 사이 도로에 합류하거나 또는 이탈하는 통행량은 인접하는 교차로 사이의 교통량의 변화로 이해될 수 있으며, 교통량의 변화를 도출하기 위해 제1노드에 대응하는 교차로(C1)의 진출영역(230)을 지난 교통량과 제2노드에 대응하는 교차로(C2)의 진입영역(220)을 지난 교통량의 차이가 학습을 위한 데이터로 사용될 수 있다. 상기 교통량의 차이는 시간, 인접하는 교차로(C1, C2)의 진입 혼잡도 및 진출 혼잡도에 따라 정규화되는 등의 과정을 통해 전처리될 수 있다. 전처리된 상기 교차로 사이의 교통정보와, 진출 혼잡도, 진입 혼잡도를 통해 가중치 예측 모델을 학습시킨 후, 가중치 예측 모델의 입력 레이어에 교차로의 진입 혼잡도 및 진출 혼잡도를 포함하는 데이터를 입력하면 그래프데이터의 가중치가 예측될 수 있다.

상기 혼잡도 예측 모델 및 가중치 예측 모델은 컨볼루션 신경망(Convolutional Neural Network; CNN), 심층 신경망(Deep Neural Network; DNN) 및 순환 신경망(Recurrent Neural Network; RNN) 중 하나를 이용해 생성된 것이거나, 컨볼루션 신경망, 심층 신경망 및 순환 신경망 중 적어도 두 개 이상을 결합하여 생성된 것일 수 있다. 즉, 본원의 일 실시예에서는 신경망과 같은 인공지능(AI) 기술이 이용될 수 있다.

신경망은 노드(뉴런)라고 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있고, 하나 이상의 링크에 의해 상호연결되며, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 이들 중 일부는 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있고, 신경망은 입력 레이어(Input layer), 출력 레이어(Output layer) 외에 복수의 히든 레이어(Hidden layer)를 통해 CNN 또는 DNN를 구성할 수 있다. 상기 학습부는 딥러닝 알고리즘 외에 decision tree(DT), k-nearest neighbor(KNN), logistic regression(LR), multilayer perceptron(MLP), random forest(RF), support vector machine(SVM) 및 lasso 등 사용할 파라미터의 종류나 수에 따라 적합한 알고리즘을 선택하여 사용할 수 있다.

다시 도 2를 참고하면, 상기 교차로 혼잡도 도출부(130)는 검출된 차량을 기반으로 적어도 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출할 수 있다. 방향을 가지는 값은 교차로에 대한 차량의 진입 방향 및 진출 방향 중 적어도 하나를 고려하여 설정되는 값으로 벡터값이거나, 단위 교차로의 좌표에 저장되는 어레이 등의 데이터일 수 있다.

상기 교차로 혼잡도 도출부(130)는 혼잡도 예측 모델의 입력 레이어에 촬영부(110)에서 획득한 교차로 내 이미지를 입력하고, 예측된 혼잡도를 리턴받을 수 있다. 혼잡도는 상기 교차로의 제1신호에 대응하는 진출영역의 방향에 대해 도출된 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대해 도출된 진입 혼잡도를 포함할 수 있다. 즉 상기 교차로 혼잡도 도출부(130)는 검출된 차량 관련 정보를 기반으로, 단위 교차로의 제1신호에 대응하는 진출영역의 방향에 대한 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대한 진입 혼잡도를 도출할 수 있다.

도 3 및 도 4에 도시된 바와 같이, 진출 혼잡도는 제1신호에 따라 도로 R1에서 도로 R2로 진행하는 차량이 교차로에서 R2 방향으로 진출하는 방향에 대한 혼잡도를 지칭할 수 있으며, 진입 혼잡도는 제1신호에서 변경되는 제2신호에 따라 도로 R3에서 도로 R4로 진행하는 차량이 교차로로 진입하는 방향에 대한 혼잡도를 지칭할 수 있다. 상술한 바와 같이 교통신호가 제1신호에서 제2신호로 바뀌는 시점에 교차로에 남아있는 차량은 정체차량으로 판단될 수 있는데, 도로 R1에서 R2로 진행하여 교차로를 진출하려는 차량은 교차로 밖 도로의 차량에 의해 통행이 방해받은 것으로 파악될 수 있으며, 도로 R3에서 R4로 진행하여 교차로에 진입하고자 하는 차량은 상기 교차로 내에 남아있는 정체차량에 의해 통행이 방해받는 것으로 파악될 수 있다. 즉 교통신호가 제1신호에서 제2신호로 바뀔 때 교차로 내 검출된 정체차량은 교차로에서 제1신호에 따른 진행방향으로 진출하는 교통의 혼잡을 가중시킬 뿐만 아니라, 제2신호에 따른 진행방향으로 교차로에 진입하는 교통의 혼잡을 가중시킬 수 있다. 이에 따라, 상기 교차로 혼잡도 도출부(130)는 교통신호가 바뀌는 시점에 교통신호에 따라 각각 다른 방향으로 혼잡도를 도출할 수 있다.

이에 따라 도출된 혼잡도는 방향을 가지는 값일 수 있다. 일 실시예에서, 도 5의 C1 교차로에서 진출영역(230) 방향으로의 혼잡도는 T1(C1, 진출, 우측)으로 도출될 수 있으며, C2 교차로에서 진입영역(220) 방향으로의 혼잡도는 T2(C2, 진입, 좌측)으로 도출될 수 있다. 우측 또는 좌측은 방위각 등 다른 용어로도 설명될 수 있으며, 혼잡도의 값으로 표시되는 T1이나 T2는 0 이상의 양수일 수 있다. 상기 교차로 혼잡도 도출부(130)는 교차로별로 교통신호가 바뀜에 따라 제1신호에 대응하는 진출영역의 방향에 대한 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대한 진입 혼잡도를 도출할 수 있다.

데이터베이스 구축부(140)는 단위 교차로의 혼잡도를 기반으로 혼잡도 데이터베이스를 구축할 수 있다. 구축되는 데이터베이스는 관계 기반 데이터베이스일 수 있다. 데이터베이스 구축부(140)는 하나의 단위 교차로에 대해 데이터베이스를 구축할 수 있으나, 바람직하게는 복수의 단위 교차로를 포함하는 소정 영역의 도로망에 대해 데이터베이스를 구축할 수 있다. 관계 기반 데이터베이스는 그래프 데이터베이스일 수 있으며, 이에 따라 데이터베이스 구축부(140)는 이하에서는 그래프데이터 생성부(140)로 설명될 수 있다. 일 실시예에서, 상기 그래프데이터 생성부(140)는 복수의 단위 교차로가 연결되는 소정 영역의 도로망에 대하여, 단위 교차로의 혼잡도를 기반으로 그래프데이터를 생성할 수 있다. 참고로, 본원에서의 이러한 데이터베이스 구축은 빅데이터 활용을 위한 기반 구축 기술이라 할 수 있을 것이다.

도 5 및 도 6을 참고하면, 그래프데이터 생성부(140)는 진출 혼잡도 및 진입 혼잡도에 대해 교차로를 노드로 형성하고, 교차로 사이의 혼잡도와 관련된 값을 가중치로 가지는 간선을 형성하여 그래프데이터를 생성할 수 있다. 그래프데이터 생성부(140)는 혼잡도에 정의된 단위 교차로를 제1노드로, 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정할 수 있다. 자세하게는, 진출 혼잡도 또는 진입 혼잡도에 정의된 단위 교차로를 제1노드로 지정하고, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정할 수 있다. 즉, 도 5에서와 같이 C1 교차로와 C2 교차로가 상호 인접하여 도로를 통해 연결되는 경우, 그래프데이터 생성부(140)에 의한 그래프데이터 생성은 C1 교차로에서 진출영역(230) 방향으로 도출된 진출 혼잡도(T1)와, C2 교차로에서 진입영역(220) 방향으로 도출된 진입 혼잡도(T2)를 통해 이루어질 수 있다. 진출 혼잡도(T1)의 측면에서, C1 교차로가 제1노드로 지정되고, 진출 혼잡도(T1)에 정의된 방향으로 연결된 C2 교차로가 제2노드로 지정될 수 있다. 또한 진입 혼잡도(T2)의 측면에서, C2 교차로가 제1노드로 지정되고, 진입 혼잡도(T2)에 정의된 방향으로 연결된 C1 교차로가 제2노드로 지정될 수 있다.

또한 그래프데이터 생성부(140)는 진출 혼잡도 또는 진입 혼잡도에 정의된 값을 기반으로 제1노드와 제2노드 사이를 간선으로 연결할 수 있다. 그래프데이터의 제1노드와 제2노드 사이 간선에는 가중치가 정의될 수 있는데, 상기 간선의 가중치는 진출 혼잡도(T1)의 값과 진입 혼잡도(T2)의 값을 연산하여 결정될 수 있다. 이때, 제1노드와 제2노드 사이의 진입 혼잡도 또는 진출 혼잡도를 기반으로, 상기 제1노드와 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하여 상기 1노드와 제2노드 사이를 연결하는 간선의 가중치를 결정할 수 있다.

상술한 바와 같이, 학습부(120)에서 그래프데이터의 제1노드(C1) 및 제2노드(C2)에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도, 상기 제1노드 및 제2노드에 대응하는 상기 제1노드 및 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량과 관련된 교통정보를 기반으로 상기 교차로 사이에서 가중치를 예측하는 가중치 예측 모델을 학습시키므로, 제1노드와 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려한 가중치는 가중치 예측 모델의 입력 레이어에 교차로 혼잡도 도출부(130)에서 획득한 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도를 포함하는 정보를 입력하고, 예측된 가중치를 리턴받음으로써 도출될 수 있다. 일 실시예에서, 입력되는 데이터는 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도일 수 있다. 일 실시예에서, 입력되는 데이터는 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도와 함께 제1노드 및 제2노드에 대응하는 교차로 사이의 교통량 변화를 포함할 수도 있다.

상기 그래프데이터 생성부(140)는 상기와 같은 과정을 거쳐 복수의 단위 교차로가 연결되는 소정 영역의 도로망에 대하여 그래프데이터를 생성함으로써 혼잡도와 관련된 도로망의 그래프 데이터베이스를 구축할 수 있다. 즉 도 7과 같은 교차로가 연결되어 도로망을 형성하는 경우, 교차로 혼잡도 도출부(130)는 각 교차로(C1 내지 C6)에서 진출 혼잡도와 진입 혼잡도를 도출하게 되고, 그래프데이터 생성부(140)는 진출 혼잡도와 진입 혼잡도를 기반으로 도 8과 같은 그래프 데이터베이스를 구축할 수 있다. 여기서 각 노드(C1 내지 C6)들을 연결하는 화살표가 각 교차로 방향으로의 혼잡도를 연산한 가중치를 지닌 간선일 수 있다.

상기 교통혼잡도 도출부(150)는 생성된 그래프데이터에 기초하여, 상기 도로망의 교통혼잡도를 도출할 수 있다. 상기 교통혼잡도 도출부(150)는 도로망의 제1지점으로부터 제2지점까지의 교통혼잡도를 도출할 수 있다. 또는, 상기 교통혼잡도 도출부(150)는 도로망에서 정의될 수 있는 복수의 제1지점으로부터 복수의 제2지점까지의 교통혼잡도를 도출한 후, 이를 연산하여 복수의 단위 교차로가 연결되는 소정 영역의 도로망에 대한 교통혼잡도를 도출할 수도 있다.

상기 교통혼잡도 도출부(150)에서는 다익스트라 알고리즘을 수행하여 제1지점으로부터 제2지점까지 최단경로를 결정하고, 노드들 사이의 간선의 가중치를 합산 내지 연산하여 도로망의 교통혼잡도를 도출할 수 있다. 교통혼잡도 도출부(150)에서 도출되는 교통혼잡도는 제1지점에서 제2지점으로 진행할 때 다익스트라 알고리즘에 따른 최단경로 탐색 시 경로 상의 각 노드들을 연결하는 진행방향으로의 가중치를 합산하거나 또는 소정 기준에 따라 연산한 값일 수 있다. 즉 제1지점에서 제2지점까지의 교통혼잡도는 구축된 혼잡도를 가중치로 가지는 그래프 데이터베이스 상에서 최단경로 탐색 시 혼잡도들의 합산 값일 수 있다.

또한, 상기 교통혼잡도 도출부(150)는 복수의 제1지점으로부터 복수의 제2지점까지의 최단경로를 결정하기 위해, 플로이드-워셜 알고리즘을 수행할 수도 있다. 이를 통해, 교통혼잡도 도출부(150) 도로망 상에서 지정되는 하나의 지점에서 다른 지점으로의 교통혼잡도를 도출하는 것을 넘어 도로망 차원의 교통혼잡도를 도출할 수도 있다. 교통혼잡도 도출부(150)에서 도출되는 교통혼잡도는 도로망 상의 각 노드로 지정된 교차로에서 도로망 상의 각 노드로 지정된 교차로로 진행하는 최단거리의 배열의 형태로 도출되거나, 또는 최단거리의 배열에서 동일한 노드 사이에서 진행하는 값(0)을 제외한 값을 평균연산하거나 다른 기준에 따라 연산한 값의 형태로 도출될 수 있다.

이상에서 설명한 구성 및 상기 구성들간의 유기적인 결합에 의해 교차로의 교통신호가 바뀜에 따라 교차로 이미지를 획득하고, 획득한 이미지로부터 교차로의 혼잡도를 예측한 후, 교차로의 혼잡도를 중심으로 복수의 교차로가 연결된 도로망의 교통혼잡도를 도출하는 도심지 교통혼잡도 예측시스템(1)이 달성될 수 있다. 이하에서는 도 9 내지 도 11을 참고하여 도심지 교통혼잡도 예측시스템(1)에 의해 수행되는 도심지 교통혼잡도 예측방법(S)을 설명하도록 한다. 상기 방법(S)은 교차로의 혼잡도를 도출하는 단계(S10), 혼잡도에 대한 데이터베이스를 구축하는 단계(S20), 교통혼잡도를 도출하는 단계(S30)를 포함할 수 있다.

도 10을 참고하면, 상기 S10단계는 적어도 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출하는 과정으로, 하나의 단위 교차로에서 혼잡도를 도출할 수 있으나, 후술하는 바와 같이 복수의 단위 교차로를 포함하는 도로망에 대하여 혼잡도에 대한 데이터베이스를 구축하기 위하여 복수의 단위 교차로에서 혼잡도를 도출할 수 있다. 촬영부(110)에서 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하고 차량 관련 정보를 검출한 후, 교차로 혼잡도 도출부(130)에서 혼잡도 예측 모델에 의해 예측된 교차로의 진출 혼잡도와 진입 혼잡도를 방향을 가지는 값으로 도출할 수 있다. 상기 S10 단계는 관심영역에서 차량 검출 관련 센싱을 수행하는 단계(S11), 검출대상영역을 결정하는 단계(S12), 검출대상영역에서 차량 관련 정보를 검출하는 단계(S13), 혼잡도 예측 모델을 학습하는 단계(S14) 및 교차로의 혼잡도를 도출하는 단계(S15)를 포함할 수 있다.

상기 S11단계는 촬영부(110)에서 수행될 수 있으며, 교차로 내 관심영역(210)에서 차량 검출 관련 센싱을 수행한다. 차량 검출 관련 센싱은 교차로 상에 설치된 카메라 등으로부터 교차로 내 관심영역의 이미지를 획득하거나, 라이다 센서를 통해 관심영역 내에서 차량과 관련된 형상이 특정될 수 있도록 관심영역을 3D 데이터로 구축할 수 있다. 이외에도 교차로 내 관심영역에서 차량 관련 데이터와 차량과 관련되지 않은, 예를 들면 도로 관련 데이터를 식별할 수 있는 형태로 센싱을 수행할 수 있다. 본원의 일 실시예에서는 교차로 내 관심영역 이미지를 획득할 수 있으므로, S11단계는 관심영역에서 이미지를 획득하는 단계일 수 있다. 이때 상술한 바와 같이 이미지 획득은 교차로 내 교통신호가 제1신호에서 제2신호로 바뀌는 시점과 같은 교통신호의 신호 변경 시점을 포함하는 시점에 수행될 수 있다. 이미지 획득은 관심영역(210)을 포함하여 진입영역(220) 및 진출영역(230)에서도 이루어질 수 있다.

상기 S12 단계는 촬영부(110)에서 수행될 수 있으며, 이미지 프로세싱과 같은 관심영역을 분할하는 소정의 방법을 퉁해 수행될 수 있다. S12단계는 상기 제1신호에 따른 차량의 주행방향에 대응하여 검출대상영역을 정의하는 과정일 수 있다. 도 3 및 도4를 참고하여 상술한 바와 같이, 검출대상영역(211, 212)은 교차로 내 관심영역을 상기 교차로의 진출영역 수로 분할한 단위영역 중 하나 이상으로 결정되거나, 또는 교통신호에 따라 상기 교차로의 소정 진입영역과 진출영역을 연결하는 주행영역으로 결정될 수 있다.

상기 S13단계는 상기 차량 검출 관련 센싱 결과에 기초하여, 상기 관심영역 내에서 상기 방향을 가지는 값과 관련하여 정의된 검출대상영역에서 차량 관련 정보를 검출하는 과정이다. 일 실시예에 따른 S13단계에서는, 교차로의 교통신호가 제1신호에서 제2신호로 바뀌는 시점에 교차로 내 이미지로부터 교차로 내 남아있는 차량들을 검출할 수 있다. S13단계는 촬영부(110)에서 하나 이상의 객체 탐색 알고리즘을 통해 수행될 수 있다.

상기 S14단계는 학습부(120)에서 혼잡도 예측 모델을 학습시키는 과정으로, 상기 차량 관련 정보를 기반으로 상기 교차로의 진출 혼잡도와 진입 혼잡도를 도출하는 혼잡도 예측 모델을 학습시킬 수 있다. 혼잡도 예측 모델은 교차로 내 이미지에 교차로 내 정체차량이 해소될 때까지 소요되는 시간이 레이블링된 데이터 또는 시간에 따른 교차로 내 이미지의 변화를 기록한 영상을 학습데이터로 사용할 수 있다.

상기 S15단계에서는 검출된 차량 관련 정보로부터 단위 교차로의 혼잡도를 도출하는 과정으로, 교차로 혼잡도 도출부(130)에서 수행될 수 있다. 상기 혼잡도는, 상기 교차로의 제1신호에 대응하는 진출영역의 방향에 대해 도출된 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대해 도출된 진입 혼잡도를 포함한다. 즉 S15단계에서는 제1신호에 대응하는 진출영역의 방향에 대한 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대한 진입 혼잡도를 도출할 수 있다.

도 11을 참고하면, 상기 S20 단계는 데이터베이스 구축부 또는 그래프데이터 생성부(140)에 의해 수행될 수 있으며, 하나 이상의 단위 교차로를 포함하는 소정 영역의 도로망에 대하여, 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 데이터베이스를 구축하는 과정이다. 구축되는 데이터베이스는 관계형 데이터베이스로서 그래프 데이터베이스일 수 있다. 따라서 S20단계는 그래프데이터를 생성하는 단계로 이해될 수 있다. S20단계는 노드를 지정하는 단계(S21), 가중치 예측 모델을 학습시키는 단계(S22), 간선의 가중치를 결정하는 단계(S23) 및 노드 사이에서 간선을 지정하는 단계(S24)를 포함할 수 있다.

상기 S21단계는 진출 혼잡도와 진입 혼잡도를 포함하는 혼잡도에 정의된 단위 교차로를 제1노드로 지정하고, 상기 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정하는 과정이다. 자세하게는, 진출 혼잡도 또는 진입 혼잡도에 정의된 단위 교차로를 제1노드로 지정하고, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정할 수 있다. 도 5에서와 같이 C1 교차로와 C2 교차로가 상호 인접하여 도로를 통해 연결되는 경우, 그래프데이터 생성부(140)에 의한 그래프데이터 생성은 C1 교차로에서 진출영역(230) 방향으로 도출된 진출 혼잡도(T1)와, C2 교차로에서 진입영역(220) 방향으로 도출된 진입 혼잡도(T2)를 통해 이루어질 수 있다. 진출 혼잡도(T1)의 측면에서, C1 교차로가 제1노드로 지정되고, 진출 혼잡도(T1)에 정의된 방향으로 연결된 C2 교차로가 제2노드로 지정될 수 있다. 또한 진입 혼잡도(T2)의 측면에서, C2 교차로가 제1노드로 지정되고, 진입 혼잡도(T2)에 정의된 방향으로 연결된 C1 교차로가 제2노드로 지정되어 도 6과 같은 그래프데이터 중 노드가 지정될 수 있다.

상기 S22단계는 상기 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도, 상기 제1노드 및 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량과 관련된 교통정보를 기반으로 상기 교차로 사이에서 가중치를 예측하는 가중치 예측 모델을 학습시키는 과정으로, 학습부(120)에 의해 수행될 수 있다. 인접하는 교차로에 대응하는 제1노드와 제2노드를 연결하는 간선의 가중치를 도출할 수 있도록, 인접하는 교차로의 측정된 진출 혼잡도 및 진입 혼잡도 및 상기 교차로 사이의 교통정보를 학습데이터로 하여 가중치 예측 모델을 학습시킬 수 있다.

상술한 바와 같이, 교차로 사이 교통정보는 도 5에 도시된 바와 같이 제1노드(C1)와 제2노드(C2)에 대응하는 인접하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하도록 처리된 데이터일 수 있다. 인접하는 교차로 사이 도로에 합류하거나 또는 이탈하는 통행량은 인접하는 교차로 사이의 교통량의 변화로 이해될 수 있으며, 교통량의 변화를 도출하기 위해 제1노드에 대응하는 교차로(C1)의 진출영역(230)을 지난 교통량과 제2노드에 대응하는 교차로(C2)의 진입영역(220)을 지난 교통량의 차이가 학습을 위한 데이터로 사용될 수 있다. 상기 교통량의 차이는 시간, 인접하는 교차로(C1, C2)의 진입 혼잡도 및 진출 혼잡도에 따라 정규화되는 등의 과정을 통해 전처리될 수 있다. 전처리된 상기 교차로 사이의 교통정보와, 진출 혼잡도, 진입 혼잡도를 통해 가중치 예측 모델을 학습시킨 후, 가중치 예측 모델의 입력 레이어에 교차로의 진입 혼잡도 및 진출 혼잡도를 포함하는 데이터를 입력하면 그래프데이터의 가중치가 예측될 수 있다.

상기 S23단계는 가중치 예측 모델의 예측값에 근거하여 간선의 가중치를 결정하는 과정이다. 제1노드와 제2노드 사이 간선의 가중치는 진출 혼잡도(T1)의 값과 진입 혼잡도(T2)의 값을 연산하여 결정될 수 있으며, 제1노드와 제2노드 사이의 진입 혼잡도 또는 진출 혼잡도를 기반으로, 제1노드와 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하여 상기 1노드와 제2노드 사이 간선의 가중치를 결정할 수 있다.

상기 S24단계는 혼잡도의 값을 기반으로 상기 제1노드와 제2노드 사이의 간선을 지정하는 과정으로, 상술한 S23단계에서 예측된 가중치가 간선의 가중치로 정의될 수 있다. 상기 과정을 거쳐 교차로의 진출 혼잡도 및 진입 혼잡도를 기반으로 그래프데이터가 생성되고, 복수의 단위 교차로가 연결되는 소정 영역의 도로망에 대하여 그래프 데이터베이스가 구축될 수 있다.

상기 S30단계는 상기 S20단계에서 생성된 그래프데이터 또는 구축된 그래프 데이터베이스에 기초하여, 상기 도로망의 교통혼잡도를 도출하는 과정으로, 본 시스템의 교통혼잡도 도출부(150)에서 수행될 수 있다. S30단계는 도로망의 제1지점으로부터 제2지점까지의 교통혼잡도를 도출하거나, 도로망에서 정의될 수 있는 복수의 제1지점으로부터 복수의 제2지점까지의 교통혼잡도를 도출한 후, 이를 연산하여 복수의 단위 교차로가 연결되는 소정 영역의 도로망에 대한 교통혼잡도를 도출할 수 있다.

상기 S30단계에서 도로망의 제1지점으로부터 제2지점까지의 교통혼잡도를 도출하는 경우, 다익스트라 알고리즘을 수행하여 제1지점으로부터 제2지점까지 최단경로를 결정하고, 노드들 사이의 간선의 가중치를 합산 내지 연산하여 도로망의 교통혼잡도를 도출할 수 있다. 도출되는 교통혼잡도는 제1지점에서 제2지점으로 진행할 때 다익스트라 알고리즘에 따른 최단경로 탐색 시 경로 상의 각 노드들을 연결하는 진행방향으로의 가중치를 합산하거나 또는 소정 기준에 따라 연산한 값일 수 있다. 즉 제1지점에서 제2지점까지의 교통혼잡도는 구축된 혼잡도를 가중치로 가지는 그래프 데이터베이스 상에서 최단경로 탐색 시 혼잡도들의 합산 값일 수 있다.

또한, 상기 S30단계에서 복수의 제1지점으로부터 복수의 제2지점까지의 최단경로를 결정하기 위해, 플로이드-워셜 알고리즘을 수행함으로써 도로망 상에서 지정되는 하나의 지점에서 다른 지점으로의 교통혼잡도를 도출하는 것을 넘어 도로망 차원의 교통혼잡도를 도출할 수도 있다. 도출되는 교통혼잡도는 도로망 상의 각 노드로 지정된 교차로에서 도로망 상의 각 노드로 지정된 교차로로 진행하는 최단거리의 배열의 형태로 도출되거나, 또는 최단거리의 배열에서 동일한 노드 사이에서 진행하는 값(0)을 제외한 값을 평균연산하거나 다른 기준에 따라 연산한 값의 형태로 도출될 수 있다.

전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.

1: 도심지 교통혼잡도 예측시스템
110: 촬영부 120: 학습부
130: 교차로 혼잡도 도출부 140: 그래프데이터 생성부
150: 교통혼잡도 도출부
S: 도심지 교통혼잡도 예측방법
S10: 교차로의 혼잡도를 도출하는 단계
S20: 그래프데이터를 생성하는 단계
S30: 교통혼잡도를 도출하는 단계

Claims (14)

1. (a) 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출하는 단계;
   (b) 상기 하나 이상의 단위 교차로를 포함하는 소정 영역의 도로망에 대하여, 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 데이터베이스를 구축하는 단계를 포함하며,
   상기 (a) 단계는,
   a1) 교차로 내 교통신호가 제1신호에서 제2신호로 바뀌는 시점에 상기 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하는 단계;
   a2) 상기 차량 검출 관련 센싱 결과에 기초하여, 상기 관심영역 내에서 검출대상영역을 정의하고 차량 관련 정보를 검출하는 단계;
   a3) 상기 차량 관련 정보를 기반으로 상기 교차로의 진출 혼잡도와 진입 혼잡도를 도출하는 혼잡도 예측 모델을 학습시키는 단계; 및
   a4) 상기 검출대상영역에서 검출된 차량 관련 정보로부터, 상기 교차로의 제1신호에 대응하는 진출영역의 방향에 대해 도출된 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대해 도출된 진입 혼잡도를 포함하는 단위 교차로의 혼잡도를 도출하는 단계를 포함하되,
   상기 a2) 단계에서, 상기 차량 관련 정보는,
   상기 교통신호가 바뀌는 시점에서의 상기 교차로 내 잔존하는 정체차량에 관한 것이며,
   상기 검출대상영역은, 상기 교차로를 통과하기 위해 차량이 주행하는 교차로 내 영역인 관심영역을 상기 제1신호에 따른 차량의 주행방향에 대응하여 상기 교차로의 진출영역 수로 분할한 단위영역 중 하나 이상으로 결정되거나, 또는 교통신호에 따라 상기 교차로의 소정 진입영역과 진출영역을 연결하는 주행영역으로 결정되고,
   상기 a3) 단계는,
   상기 교차로 내 정체차량이 해소될 때까지 소요되는 시간이 레이블링된 데이터, 또는 시간에 따른 교차로 내 이미지의 변화를 기록한 영상을 학습데이터로 학습하는 것인, 도심지 교통혼잡도 예측방법.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제
7. 제1항에 있어서,
   상기 (b) 단계는,
   b1) 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 단위 교차로를 제1노드로 지정하고, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정하는 단계; 및
   b2) 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 값을 기반으로 상기 제1노드와 제2노드 사이를 연결하는 단계를 포함하여,
   단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 그래프 데이터베이스를 구축하는 것인, 도심지 교통혼잡도 예측방법.
8. 제7항에 있어서,
   상기 b2) 단계는, 제1노드와 제2노드 사이의 진입 혼잡도 또는 진출 혼잡도를 기반으로, 상기 제1노드와 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량을 고려하여 상기 제1노드와 제2노드 사이를 연결하는 간선의 가중치를 결정하는 것인, 도심지 교통혼잡도 예측방법.
9. 제8항에 있어서,
   상기 b2) 단계 이전에, 상기 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도, 상기 제1노드 및 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량과 관련된 교통정보를 기반으로 상기 제1노드 및 제2노드 사이 간선의 가중치를 예측하는 가중치 예측 모델을 학습시키는 단계를 더 포함하는 것인, 도심지 교통혼잡도 예측방법.
10. 제8항에 있어서,
    (c) 상기 (b) 단계에서 구축된 그래프 데이터베이스에 기초하여, 상기 도로망의 제1지점으로부터 제2지점까지의 교통혼잡도를 도출하는 단계를 더 포함하는 것인, 도심지 교통혼잡도 예측방법.
11. 도심지 교통혼잡도 예측시스템으로서,
    교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하고 상기 관심영역 내에서 정의된 검출대상영역에서 차량 관련 정보를 검출하는 촬영부;
    적어도 하나 이상의 단위 교차로에서 교통 상황에 따라 결정되는 혼잡도를 방향을 가지는 값으로 도출하는 교차로 혼잡도 도출부; 및
    하나 이상의 단위 교차로를 포함하는 소정 영역의 도로망에 대하여, 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 데이터베이스를 구축하는 데이터베이스 구축부를 포함하며,
    상기 촬영부는, 교차로 내 교통신호가 제1신호에서 제2신호로 바뀌는 시점에 상기 교차로 내 관심영역에서 차량 검출 관련 센싱을 수행하고, 상기 관심영역 내 제1신호에 따른 차량의 주행방향에 대응하는 검출대상영역에서 차량 관련 정보를 검출하되,
    상기 차량 관련 정보는,
    상기 교통신호가 바뀌는 시점에서의 상기 교차로 내 잔존하는 정체차량에 관한 것이며,
    상기 검출대상영역은, 상기 교차로를 통과하기 위해 차량이 주행하는 교차로 내 영역인 관심영역을 상기 제1신호에 따른 차량의 주행방향에 대응하여 상기 교차로의 진출영역 수로 분할한 단위영역 중 하나 이상으로 결정되거나, 또는 교통신호에 따라 상기 교차로의 소정 진입영역과 진출영역을 연결하는 주행영역으로 결정되고,
    상기 교차로 혼잡도 도출부에서 도출하는 혼잡도는, 검출된 차량 관련 정보를 기반으로 단위 교차로의 제1신호에 대응하는 진출영역의 방향에 대해 도출된 진출 혼잡도와, 상기 제2신호에 대응하는 진입영역의 방향에 대해 도출된 진입 혼잡도를 포함하고,
    상기 도심지 교통혼잡도 예측시스템은, 상기 차량 관련 정보를 기반으로 상기 교차로의 진출 혼잡도와 진입 혼잡도를 도출하는 혼잡도 예측모델을 학습시키는 학습부를 더 포함하되,
    상기 혼잡도 예측모델의 학습은, 상기 교차로 내 정체차량이 해소될 때까지 소요되는 시간이 레이블링된 데이터, 또는 시간에 따른 교차로 내 이미지의 변화를 기록한 영상을 학습데이터로 학습하는 것인, 도심지 교통혼잡도 예측시스템.
12. 제11항에 있어서,
    상기 데이터베이스 구축부는, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 단위 교차로를 제1노드로 지정하고, 상기 진출 혼잡도 또는 진입 혼잡도에 정의된 방향으로 연결된 교차로를 제2노드로 지정하고, 진출 혼잡도 또는 진입 혼잡도에 정의된 값을 기반으로 상기 제1노드와 제2노드 사이를 연결하여 단위 교차로의 혼잡도를 기반으로 혼잡도에 대한 그래프 데이터베이스를 구축하는 것인, 도심지 교통혼잡도 예측시스템.
13. 제12항에 있어서,
    상기 학습부는,
    상기 제1노드 및 제2노드에 대응하는 교차로의 진출 혼잡도 및 진입 혼잡도, 상기 제1노드 및 제2노드에 대응하는 교차로 사이에서 합류하거나 또는 이탈하는 통행량과 관련된 교통정보를 기반으로 제1노드 및 제2노드 사이 간선의 가중치를 예측하는 가중치 예측 모델을 더 학습시키는 것인, 도심지 교통혼잡도 예측시스템.
14. 제11항에 있어서,
    구축된 데이터베이스에 기초하여, 상기 도로망의 제1지점으로부터 제2지점까지의 교통혼잡도를 도출하는 교통혼잡도 도출부를 더 포함하는 것인, 도심지 교통혼잡도 예측시스템.