이러한 기술적 과제를 달성하기 위한 본 발명의 특징에 따른 교통 정보 제공 방법은, 네트워크를 통하여 정해진 노선을 따라 이동하는 차량에 장착된 단말기를 포함하는 교통 정보 수집기와 통신하여 교통 정보를 생성하고 이를 제공하는 시스템의 교통 정보 제공 방법으로, a) 상기 교통 정보 수집기로부터 현재 교통 정보를 수집하는 단계; b) 상기 차량의 출발지에서 목적지까지의 경로에 해당하는 과거 교통 정보와 현재 교통 정보를 토대로 적어도 하나 이상의 예측 교통 정보를 생성하는 단계; 및 c) 상기 예측 교통 정보와 상기 현재 교통 정보를 토대로 상기 차량이 출발지에서 목적지까지 가기 위한 최적의 경로를 탐색하여 제공하는 단계를 포함한다.
여기서, 상기 b) 단계는 상기 현재 교통 정보를 토대로 상기 차량이 출발지에게 목적지까지 가는 경로를 탐색하는 단계; 및 상기 탐색된 링크 중에서 관리 대상 링크가 존재하는 경우, 상기 관리 대상 링크에 대하여 현재 교통 정보와 과거 교통 정보를 토대로 예측 교통 정보를 생성하는 단계를 포함할 수 있다. 그리고, 상기 과거 교통 정보를 평일/ 토요일/ 휴일의 3가지 타입으로 분류하고, 타입의 변화에 따라 상기 분류된 교통 정보를 재분류할 수 있다.
한편, 상기 b) 단계는 b-1) 상기 과거 교통 정보 및 현재 교통 정보를 토대로 칼만 필터링(Kalman Filtering) 기법을 사용하여 예측 교통 정보를 생성하는 단계; b-2) 상기 과거 교통 정보 및 현재 교통 정보를 토대로 확률 과정 기법(Stochastic Process)을 사용하여 예측 교통 정보를 생성하는 단계; b-3) 상기 과거 교통 정보 및 현재 교통 정보를 토대로 뉴럴 네트워크(Neural Network) 기법을 사용하여 예측 교통 정보를 생성하는 단계; 및 b-4) 상기 과거 교통 정보 및 현재 교통 정보를 토대로 평균 회귀 분석(Mean Regression) 기법을 사용하여 예측 교통 정보를 생성하는 단계 중 적어도 하나의 단계를 포함할 수 있다.
이 경우, 상기 b-1) 단계는, 상기 과거 교통 정보를 처리 가능한 형태로 가공하는 단계; 교통 정보를 예측하고자 하는 날의 예측 시간 이전 시간의 과거 교통 정보와 상기 현재 교통 정보를 이용하여 전이 행렬을 생성하는 단계; 예측 당일을 제외한 전체 시간대에 대한 과거 교통 정보에 대한 분산인 상태 오차의 공분산을 산출하는 단계; 상기 예측 당일을 제외한 예측하고자 하는 시간대에 해당하는 과거 교통 정보의 분산인 측정 오차의 공분산을 산출하는 단계; 예측이 시작되는 시간의 과거 교통 정보에 대한 분산인 오차 공분산을 산출하는 단계; 상기 전이 행렬, 상태 오차 공분산, 측정 오차 공분산 및 오차 공분산을 토대로 칼만 이득을 산출하는 단계; 상기 칼만 이득을 토대로 관측치인 현재 교통 정보를 수정하는 단계; 상기 수정된 관측치를 토대로 오차 공분산을 다시 계산하는 단계; 및 상기 갱신 처리된 오차 공분산을 토대로 예측치인 예측 교통 정보를 산출하는 단계를 포함하는 것이 바람직하다.
또한, 상기 b-2) 단계는, 상기 과거 교통 정보를 평일/ 토요일/ 휴일의 3가지 타입으로 분류하고, 타입의 변화에 따라 상기 분류된 교통 정보를 재분류하여 가공하는 단계; 상기 분류된 과거 교통 정보 중에서 예측 시점의 날짜와 같은 그룹에 속하는 날짜를 추출하고, 추출된 날짜들을 기준으로 추출된 날짜와 그 다음날의 통행 시간 데이터 중에서 예측하고자 하는 시간대의 데이터들을 추출하는 단계; 상기 추출된 날짜의 통행 시간 데이터와 다음 날짜의 통행 시간 데이터를 비교하여 도수 테이블을 형성하는 단계; 상기 도수 테이블을 이용하여 확률값을 계산하고, 확률값을 요소로 가지는 전이행렬을 생성하는 단계; 및 상기 생성된 전이 행렬을 토대로 확률 과정 기법을 이용하여 예측 교통 정보를 생성하는 단계를 포함하는 것이 바람직하다.
이외에도, 본 발명의 특징에 따른 교통 정보 제공 방법은, d) 상기 생성되는 다수의 예측 교통 정보를 현재 평가 시점에서 상기 교통 정보 수집기에 의하여 수집된 현재 교통 정보와 각각 비교하여 평가값을 산출하고, 상기 평가값들을 토대로 다수의 예측 교통 정보 중에서 가장 정확도가 높은 값을 가지는 하나의 예측 교통 정보를 선택하는 단계를 더 포함할 수 있으며, 이 경우 상기 c) 단계는 상기 선택된 예측 교통 정보와 현재 교통 정보를 토대로 경로 탐색을 수행하는 것이 바람직하다.
한편, 상기 d) 단계는 상기 예측된 교통 정보와 수집된 현재 교통 정보와의 평가 지표로서 MAE(mean absolute error) 및 EC(equality coefficient) 방법 중 적어도 하나를 사용할 수 있다.
본 발명의 다른 특징에 따른 교통 정보 제공 시스템은, 네트워크를 통하여 정해진 노선을 따라 이동하는 차량에 장착된 단말기를 포함하는 교통 정보 수집기와 통신하여 교통 정보를 생성하고 이를 제공하는 교통 정보 제공 시스템으로, 상기 교통 정보 수집기로부터 제공되는 현재 교통 정보를 처리 가능하게 가공하는 교통 정보 가공부; 모든 링크별로 과거 교통 정보가 저장되어 있는 교통 정보 데이터베이스 및 지도 정보를 포함하는 경로 정보가 저장되어 있는 경로 정보 데이터베이스를 포함하는 저장부; 상기 차량의 출발지에서 목적지까지 가는데 있어서 과거 교통 정보와 상기 가공된 현재 교통 정보를 토대로 적어도 하나 이상의 예측 교통 정보를 생성하는 교통 정보 예측부; 상기 예측 교통 정보와 상기 현재 교통 정보를 토대로 경로 정보 데이터베이스를 탐색하여, 상기 차량이 출발지에서 목적지까지 가기 위한 최적의 경로를 탐색하는 경로 탐색부; 및 상기 예측 교통 정보와 상기 현재 교통 정보를 토대로 상기 경로 탐색부의 동작을 제어하는 교통 정보 처리부를 포함한다.
여기서, 상기 교통 정보 예측부는 상기 과거 교통 정보 및 현재 교통 정보를 토대로 칼만 필터링(Kalman Filtering) 기법을 사용하여 제1 예측 교통 정보를 생성하는 제1 예측부; 상기 과거 교통 정보 및 현재 교통 정보를 토대로 확률 과정 기법(Stochastic Process)을 사용하여 제2 예측 교통 정보를 생성하는 제2 예측부; 상기 과거 교통 정보 및 현재 교통 정보를 토대로 뉴럴 네트워크(Neural Network) 기법을 사용하여 제3 예측 교통 정보를 생성하는 제3 예측부; 및 상기 과거 교통 정보 및 현재 교통 정보를 토대로 평균 회귀 분석(Mean Regression) 기법을 사용하여 제4 예측 교통 정보를 생성하는 제4 예측부를 포함한다.
이 경우, 상기 교통 정보 처리부는 상기 제1 예측부 내지 제4 예측부에서 생성된 제1 내지 제4 예측 교통 정보를 현재 평가 시점에서 상기 교통 정보 수집기에 의하여 수집된 현재 교통 정보와 각각 비교하여 평가값을 산출하고, 상기 평가값들을 토대로 다수의 예측 교통 정보 중에서 가장 정확도가 높은 값을 가지는 하나의예측 교통 정보를 선택한 후 상기 경로 탐색부로 제공하여, 상기 경로 탐색부가 상기 선택된 예측 교통 정보와 현재 교통 정보를 토대로 경로 탐색을 수행하도록 하는 것이 바람직하다.
이하에서는 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있는 가장 바람직한 실시예를 첨부한 도면을 참조하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
도 1은 본 발명의 실시예에 따른 교통 정보 생성 체계의 구성도이다. 도 2는 본 발명의 제1 실시예에 따른 교통 정보 제공 시스템의 구조를 나타낸 도이다.
첨부한 도 1 및 도 2에 도시되어 있듯이, 본 발명의 제1 실시예에 따른 교통 정보 시스템(1)은 다수의 GPS 위성(41∼43)으로부터 정보를 제공받는 다수의 단말기(321,322)와 다수의 영상 검지기(311∼31n)로 이루어진 교통 정보 수집기(3)와 네트워크(2, 유무선 네트워크 포함)를 통하여 연결되어 있다.
도 1에서, GPS 위성(41∼43)은 지구상의 모든 이동체의 위치를 거리 및 거리변동 속도 계산에 의해 측정하는 시스템이다.
단말기(321,322)는 프루브 차량에 장착되며, 적어도 3개 이상의 GPS 위성(41∼43)으로부터 GPS 데이터를 수신하여 프루브 차량의 현재 위치 데이터를 생성한다. 단말기(321,322)에는 GPS 위성(41∼43)으로부터의 전파를 수신하기 위한 GPS 안테나가 접속되어 있으며, 각 GPS 안테나로부터 신호에 따라 교통 정보 특히, 구간별 통행시간 및 통행거리를 포함하는 구간별 교통 정보를 생성한다.
영상 검지기(311∼31n)는 구간별로 설치되어 해당 구간의 교통량, 차량 주행 속도 등의 정보를 생성하는 장치로서, 예를 들어 적외선 카메라, 루프 감지기 등이 포함된다. 각 차량에 장착되는 단말기와 영상 검지기는 이미 공지된 기술임으로, 여기서는 구조 및 동작에 대한 상세한 설명을 생략한다.
단말기와(321,322)와 영상 검지기(311∼31n)에 의해 생성된 교통 정보는 교통 정보 센터 즉, 교통 정보 제공 시스템(1)으로 무선 송신된다. 이 때, 유선 네트워크를 통해 유선으로 전송될 수도 있음은 당연하다.
교통 정보 제공 시스템(1)은 각 프루브 차량의 단말기(321,322) 및 영상 검지기(311∼31n)로부터 송신되는 교통 정보를 수집하고 처리하여 도로상의 구간별 현재 교통 정보를 생성하고, 과거의 데이터와 현재 교통 정보를 토대로 예측 교통 정보를 생성한다. 그리고 현재 교통 정보와 예측 교통 정보를 토대로 교통이 혼잡한 지역을 피할 수 있는 최적의 경로를 탐색한다.
이를 위하여, 도 2에 도시된 바와 같이, 교통 정보 제공 시스템(1)은 데이터 송수신부(10), 교통 정보 가공부(11), 교통 정보 예측부(12), 교통 정보 처리부(13), 경로 탐색부(14), 경로 처리부(15), 저장부(16)를 포함한다.
데이터 송수신부(10)는 네트워크(2)를 통하여 단말기(321,322)와 영상 검지기(311∼31n)로부터 제공되는 정보를 수신하여 교통 정보 가공부(11)로 제공하며, 경로 처리부(15)로부터 제공되는 경로 정보를 네트워크(2)를 통하여 단말기(321,322)로 제공한다. 데이터 송수신부(10)와 단말기(321,322) 및 영상 검지기(311∼31n) 사이의 정보 송수신 기술은 이미 공지된 기술임으로 여기서는 상세한 설명을 생략한다.
교통 정보 가공부(11)는 단말기(321,322)와 영상 검지기(311∼31n)로부터 제공되는 정보를 처리 가능한 형태로 가공하거나 구간별로 분류하여, 구간별 현재 교통 정보를 생성한다. 이와 같이 생성되는 현재 교통 정보는 저장부(16)에 저장된다.
저장부(16)는 크게 교통 정보 데이터베이스(161)와, 경로 정보 데이터베이스(162)로 이루어진다. 교통 정보 데이터베이스(161)는 다수의 교통 정보 수집기(3)에 의하여 수집된 교통 정보가 구간별로 분류되어 저장되어 있으며, 또한 각 구간별로 이후에 설명되는 교통 정보 예측 처리에 의하여 생성된 예측 교통 정보가 저장된다.
특히, 각 구간별로 초기(예를 들어 교통 정보를 수집하기 시작한 시점)부터 현재까지 측정된 과거의 교통 정보(이하, 과거 교통 정보라고 명명함)가 저장되어 있다. 이러한 과거의 교통 정보는 예측 교통 정보를 생성하기 위한 각 알고리즘의 초기값을 설정하는 자료로서 사용된다.
경로 정보 데이터베이스(162)에는 교통 정보 수집 및 제공의 필요성이 존재하는 도로의 지도, 링크 정보 등이 저장되어 있다. 이외에도, 예측 교통 정보를 제공하고자 하는 특정 링크(관리 대상 링크)에 대한 정보가 저장되어 있다.
교통 정보 예측부(12)는 저장부(16)에 저장되어 있는 과거 교통 정보와 교통 정보 가공부(11)로부터 제공되는 현재 교통 정보를 토대로 특정 링크에 대한 예측 교통 정보를 생성한다. 본 발명의 제1 실시예에 따른 교통 정보 예측부(12)는 4가지 예측 기법에 따라 각각 예측 교통 정보를 생성하며, 이를 위하여 제1 내지 제4 예측부(121∼124)를 포함한다. 각 예측부에 대한 구조 및 동작은 이후에 설명하기로 한다.
한편, 교통 정보 처리부(13)는 교통 정보 가공부(11)로부터 제공되는 현재 교통 정보와 교통 정보 예측부(12)로부터 제공되는 예측 교통 정보를 토대로 해당 구간의 교통량 등을 나타내는 최종 교통 정보를 산출하며, 경로 탐색부(14)는 최종 교통 정보를 토대로 차량의 출발지에서부터 목적지까지 주행할 수 있는 다수의 경로를 탐색한다. 특히, 출발지에서 목적지까지의 다수 경로 중 혼잡을 피할 수 있는 최적의 경로를 탐색한다.
경로 처리부(15)는 탐색된 최적 경로를 토대로 차량의 운전자에게 알려줄 경로 정보를 생성한 후 데이터 송수신부(10)를 통하여 차량의 단말기로 제공한다.
이러한 구조로 이루어지는 본 발명의 제1 실시예에 따른 교통 정보 제공 시스템은 예측 교통 정보를 생성하기 위하여, 칼만 필터링(Kalman Filtering), 확률 과정(Stochastic Process), 뉴럴 네트워크(Neural Network), 평균 회귀 분석(Mean Regression)의 예측 기법을 사용한다.
이러한 예측 기법 중, 칼만 필터링은 시계열 자료에 의미 있는 신호 성분과 의미 없는 잡음 성분이 혼합되어 있다고 가정하고 그 안의 잡음 성분을 가급적 분리하여 의미 있는 신호 성분만을 추출하는 것이다. 칼만 필터링은 초기 조건에 대한 정보와 시스템이나 센서로부터 들어가는 잡음을 정의하기 위한 시스템 및 측정잡음의 모형화, 시스템의 동적 상태에 대한 모형화가 필요하다. 특히, 신호의 초기추정값과 오차의 공분산을 시작으로 하여, 실시간에 얻을 수 있는 각 측정값을 이용하여 이전 추정값을 새로운 추정값으로 갱신한다. 즉, 실시간으로 측정된 새로운 측정 자료는 칼만 필터링의 추정값을 개선하는데 이용한다. 이 경우 초기 추정값과 초기 오차 공분산을 어떻게 계산하느냐에 따라 예측력이 크게 좌우된다.
이러한 예측 기법들은 기본적인 초기값을 가정하여 사용한다. 그러나, 위에서 살펴본 바와 같이 초기값에 따라 예측 결과값이 크게 좌우되므로 초기값 설정이 예측력에 크게 영향을 미친다.
그러므로, 본 발명에서는 초기값의 신뢰성을 향상시키기 위하여 과거의 교통 정보를 토대로 초기값을 설정한다. 또한, 처리의 신속성 등을 위하여 교통 정보 예측을 모든 링크에 대하여 수행하지 않고 극 혼잡 지역을 대상으로 수행한다.
이하에서는 본 발명의 제1 실시예에 따른 교통 정보 예측부의 구조 및 동작에 대하여 설명한다.
교통 정보 예측부(12)는 4개의 예측 기법을 이용하여 각각 특정 링크에 대한 예측 교통 정보를 생성하며, 구체적으로 제1 예측부(121)가 칼만 필터링을 사용하고, 제 2 예측부(122)가 확률 과정을 사용하며, 제3 예측부(123)가 뉴럴 네트워크를 사용하고, 그리고 제4 예측부(124)가 평균 회귀 분석을 사용하여, 예측 교통 정보를 생성한다.
먼저, 칼만 필터링을 사용하여 예측 교통 정보를 생성하는 제1 예측부의 구조 및 동작에 대하여 설명한다.
도 3에 교통 정보 예측부 중 제1 예측부의 구조가 도시되어 있다.
첨부한 도 3에 도시되어 있듯이, 제1 예측부(121)는 데이터 생성기(1211), 전이 행렬 생성기(1212), 상태 오차 공분산 산출기(1213), 측정 오차 공분산 산출기(1214), 오차 공분산 산출기(1215), 칼만 이득 산출기(1216), 갱신 처리기(1217), 오차 공분산 산출기(1218), 예측기(1219)를 포함한다.
칼만 필터링은 무작위 변동(Random Perturbation)을 발생시키는 동적 체계(Dynamic System)에 적용되는 최적 상태 예측 과정으로써, 이산적 실시간에 얻어진 잡음 섞인 정보로부터 동적 체계의 미지 상태에 대한 최적 예측을 위한 선형, 불편(Unbiased), 최소 오차 분산(Minimum Error Variance)의 특성을 지닌 반복적 알고리즘이다.
칼만 필터링은 상태 방정식(State Equation)과 관측 방정식(Observation Equation)으로 구성되어 있다. 상태 방정식과 관측 방정식에 포함되는 각 초기 파라메터(parameter)를 얼마나 잘 추정하느냐에 따라 칼만 필터링을 이용한 예측 모형의 예측력이 달라지므로, 적합한 방식으로 초기값을 구성해야 한다.
제1 예측부(121)는 상태 방정식과 관측 방정식을 이용하여 초기 예측치(초기 입력값)와 사전 예측치 공분산을 계산한다. 초기 예측치와 사전 예측치 공분산을 가지고 칼만 이득을 계산하고 이를 토대로 관측치를 수정하고 수정된 값으로 오차 공분산을 다시 계산한다. 그리고 이것으로 다시 예측치를 계산한다. 이 예측치는 다시 사전예측치 입력값이 되며, 수정된 오차 공분산을 사전 예측치 공분산으로 하여 다시 칼만 이득을 계산한다. 이러한 과정이 계속 반복되어 교통 정보를 예측한다.
여기서, 제1 예측부(121)의 데이터 생성기(1211), 전이 행렬 생성기(1212), 상태 오차 공분산 산출기(1213), 측정 오차 공분산 산출기(1214), 오차 공분산 산출기(1215)는 초기값을 산출하는 상태 방정식 모듈에 해당하며, 칼만 이득 산출기(1216), 갱신 처리기(1217), 오차 공분산 산출기(1218), 예측기(1219)는 칼만 필터링 에이전트(agent)로서 관측 방정식을 수행하는 모듈에 해당한다.
이러한 칼만 필터링을 토대로 예측 교통 정보를 생성하는 제1 예측부(121)의 구체적인 작용에 대하여 설명한다.
다수의 교통 정보 수집기(3)로부터 전송된 다음에 교통 정보 가공부(11)에 의하여 처리되어 출력되는 현재 교통 정보는 데이터 생성기(1211)로 제공되며, 데이터 생성기(1211)는 현재 교통 정보와 저장부(16)에 저장되어 있는 과거 교통 정보를 처리 가능한 형태로 가공하여 전이 행렬 생성기(1212), 상태 오차 공분산 산출기(1213), 측정 오차 공분산 산출기(1214), 및 오차 공분산 산출기(1215)로 각각 제공한다.
전이 행렬 생성기(1212)는 교통 정보를 예측하고자 하는 날의 예측 시간 이전 시간의 정보(과거 교통 정보)와 실시간 정보(현재 교통 정보)를 이용하여 전이 행렬(Φ)을 생성한다. 즉, 현재 시간을 기준으로 이후 통행 시간을 예측하고자 할 때, 해당 구간을 차량이 통행한 이전 통행 시간(현재 통행시간 포함)의 변화를 나타내는 방정식을 구하고 그 방정식의 기울기를 이용하여 통행 시간을 예측한다. 이전 통행 시간의 기울기를 구할 때 이상 변동값(이산점)을 보정하기 위해서 각 시간대의 평균을 이용하여 기울기를 구한다.
상태 오차 공분산 산출기(1213)는, 예측 시간대와 상관없이 예측 당일을 제외한 과거 전체 데이터(관측값 Z)에 대한 분산을 구한다. 즉, 예측 당일을 제외한 전체 시간대에 대한 과거 자료의 분산(상태 오차의 공분산, Q(0))을 산출한다.
측정 오차 공분산 산출기(1214)는, 예측 시간대 별로 예측 당일을 제외한 과거 전체 데이터(관측값 Z)에 대한 분산을 구한다. 즉, 예측 당일을 제외한 해당 시간대에 대한 과거 자료의 분산(측정 오차의 공분산, R(0))을 산출한다.
오차 공분산 산출기(1215)에서는 오차 공분산의 초기값으로 예측이 시작되는 시간의 과거 자료에 대한 분산이 설정된다. 이후에 단계마다 위의 계산 과정을 통하여 산출된 분산을 토대로 오차 공분산이 갱신된다.
이와 같이, 상태오차의 공분산(Q(0)), 측정오차의 공분산(R(0)), 오차의 공분산(P(0))과 전이행렬(Φ)이 산출되면, 칼만 이득 산출기(1216)는 이들을 토대로 칼만 이득을 계산한다. 다음에 갱신 처리기(1217)가 산출된 칼만 이득을 토대로 관측치를 수정하며, 오차 공분산 산출기(1218)가 수정된 관측치를 토대로 오차 공분산을 다시 계산한다.
다음에, 예측기(1219)가 갱신 처리된 오차 공분산을 토대로 다시 예측치를 계산한다. 이 예측치는 초기값인 사전 예측치 입력값이 되며, 수정된 오차 공분산은 칼만 이득을 계산하기 위한 사전 예측치 공분산이 된다. 따라서, 칼만 이득 산출기(1217)는 예측기(1219)에 의하여 생성된 예측치를 사전 예측치로 하고 오차 공분산 산출기(1218)에 의하여 수정된 오차 공분산을 사전 예측치 공분산으로 하여 다시 칼만 이득을 계산한다. 이러한 과정이 계속 반복적으로 수행되며, 각 과정에따라 예측기(1219)에 의하여 생성된 예측치가 예측 교통 정보로서 사용된다.
이러한 예측 과정은 실시간으로 예를 들어 5분 간격을 두고 수행되어 예측 통행 시간(예: 5분 후 ~ 60분 후까지)을 생성한다.
다음에는 확률 과정을 이용하여 예측 교통 정보를 생성하는 제2 예측부의 구조 및 동작에 대하여 설명한다.
도 4에 교통 정보 예측부 중 제2 예측부의 구조가 도시되어 있다.
첨부한 도 4에 도시되어 있듯이, 제2 예측부(122)는 데이터 생성기(1221), 그룹 정보 생성기(1222), 전이 행렬 산출기(1223), 처리기(1224), 및 장래치 예측기(1225)를 포함한다. 여기서 처리기와 장래치 예측기는 하나의 예측기로서 구성될 수 있다.
확률 과정은 연관성이 있는 또는 첨자(index)가 붙어 있는 확률 변수들의 집합으로 정의할 수 있다. 시간의 흐름에 따라 변화하는 현실 상황을 확률적으로 표현하여 해석하고자 하는 방법이다. 즉, 확률 변수들에게 어떤 순서를 부여해서 설명하는 방법으로 시간의 진행에 따라 임의로 변화하며 발생하는 현상들을 사상이 아닌 과정(Process)으로 표현한다. 이에 따라 확률 과정은 현재의 교통 정보를 확률 변수로 구성하여 교통 예측을 확률로서 계산한다. 이 때는 시간의 흐름에 따라 변화하는 현실 상황을 확률적으로 어떻게 표현하느냐에 따라 정확도가 달라진다.
이러한 확률 과정은 과거의 데이터를 가지고 현재 데이터에서 미래 발생할 확률을 구하는 것이다. 그러나, 특정 일에 대하여 선택 확률의 실제 값은 구하기가 어렵다. 따라서 확률 과정에서는 전날 며칠동안의 발생 가능한 상태(states)집합을전제한다. t시간대에 상태가 Ft일 확률 Pr[Ft]은 선택 확률을 이용하여 다음과 같이 구할 수 있다.
Pr[Ft] = Pr[Ft/ pt(h,k) ∀h,k]
여기서, pt(h,k)는 선택 확률(Choice Probability)
본 발명의 제1 실시예에서는 선택 확률의 실제 값을 구하기 위해 과거 데이터 교통 정보를 요일 특성에 따라 분류한다. 구체적으로 데이터 생성기(1221)는 다음 표 1에 기재한 바와 같이 저장부(16)에 저장된 과거 교통 정보를 요일 특성에 따라 평일/ 토요일/ 휴일의 3가지 타입으로 나누고, 타입의 변화에 따라 7개의 그룹으로 분류한다. 여기서 날짜를 분류하는 타입 및 그룹은 정확도 향상을 위해 변경할 수 있다. (예- 평일/ 토요일/ 일요일 또는 평일/ 토요일/ 일요일/ 휴일 등...)
그룹 No |
기준일 → 다음날 |
1 |
휴일 → 휴일 |
2 |
평일 → 평일 |
3 |
휴일 → 평일 |
4 |
평일 → 휴일 |
5 |
토요일 → 휴일 |
6 |
휴일 → 토요일 |
7 |
평일 → 토요일 |
교통 정보를 예측하고자 하는 날의 타입 변화에 따라 같은 유형에 속하는 데이터들만 이용함으로써, 정확한 예측이 가능하다. 이것은 링크별/시간대별로 적용이 된다.
위에 기술된 바와 같이, 과거 교통 정보의 분류가 이루어지면, 데이터 생성기(1221)는 과거 데이터에서 통행 시간을 일정 시간 단위별로 나누어 확률 변수를 만든다. 구체적으로 통행 시간을 단위별로 나누어 확률 변수 테이블을 생성하며, 표 2에 구간 간격(interval)을 10초로 두어 통행 시간을 단위별로 나눈 경우가 예시되어 있다.
No |
구간 시작 시간 |
구간 끝 시간 |
0 |
0 |
10 |
1 |
11 |
20 |
2 |
21 |
30 |
3 |
31 |
40 |
4 |
41 |
50 |
: |
: |
: |
: |
: |
: |
다음에, 데이터 생성기(1221)는 특정 링크에 대하여 예측하고자 하는 시간대를 결정한다. 예를 들어 예측하고자 하는 시간과 예측하고자 하는 링크명(예: 23:10 / 10591 링크 )을 결정한다.
그룹 정보 생성기(1222)는 데이터 생성기(1221)에 의하여 분류된 과거 교통 정보 중에서 예측 시점의 날짜(내일을 예측할 경우 오늘)와 같은 그룹에 속하는 날짜를 추출하다. 즉, 오늘을 기준으로 내일의 특정 시간대에 해당하는 통행 시간을 예측하고자 할 경우, 오늘과 같은 그룹에 속하는 날짜들을 추출한다. 예를 들어, 오늘 날짜가 2월 27일 인 경우 27일은 평일이고 28일 역시 평일이므로, 표 1에 도시된 분류에 따라 2월 27일은 그룹 2에 속한다. 따라서 과거 교통 정보 중에서 그룹 2인 날짜들을 모두 추출한다.
다음에, 추출된 날짜들을 기준으로 추출된 날짜와 그 다음날의 통행시간 데이터를 추출한다. 그리고 추출된 날짜와 그 다음 날짜의 통행 시간 데이터들 중에서 예측하고자 하는 시간대의 데이터들을 추출한다.
예를 들어, 현재 예측 범위를 예측 시점부터 60분 후까지로 가정한 경우, 각각의 추출된 날짜들에 대해서 예측 시점부터 60분 후까지에 해당하는 통행시간 데이터들을 추출하며, 이 때 설정 간격(5분)을 두고 통행 시간 데이터를 추출한다. 즉, 예측 시점이 23시 10분인 경우, 23시 10분부터 60분 이후까지의 데이터를 다음 표 3과 같이 추출한다. (5분 간격으로 12개 추출)
|
|
|
|
|
|
|
|
|
|
|
|
날짜 |
135 |
108 |
113 |
83 |
83 |
74 |
77 |
77 |
83 |
65 |
65 |
69 |
2월 4일 |
86 |
86 |
63 |
69 |
80 |
77 |
83 |
83 |
83 |
98 |
93 |
102 |
2월 5일 |
86 |
86 |
63 |
69 |
80 |
77 |
83 |
83 |
83 |
98 |
93 |
102 |
2월 5일 |
72 |
63 |
69 |
83 |
90 |
86 |
86 |
67 |
74 |
80 |
63 |
74 |
2월 6일 |
72 |
63 |
69 |
83 |
90 |
86 |
86 |
67 |
74 |
80 |
63 |
74 |
2월 6일 |
90 |
102 |
98 |
74 |
77 |
83 |
83 |
93 |
86 |
72 |
77 |
83 |
2월 7일 |
90 |
102 |
98 |
74 |
77 |
83 |
83 |
93 |
86 |
72 |
77 |
83 |
2월 7일 |
14 |
65 |
80 |
83 |
86 |
93 |
90 |
98 |
102 |
102 |
108 |
108 |
2월 8일 |
: |
: |
: |
: |
: |
: |
: |
: |
: |
: |
: |
: |
2월 14일 |
|
|
|
|
|
|
|
|
|
|
|
|
|
추출된 각 날짜의 예측 시간대에 해당하는 통행 시간 데이터와 다음 날짜의 예측 시간대에 해당하는 통행 시간 데이터를 비교하여, Xn=i 라 할 때, Xn+1=j 가 되는 횟수를 나타내는 테이블을 생성한다. 여기서, Xn= i는 n 시간대에서 i 값의 통행 시간을 나타내며, Xn+1= j 은 n+1 시간대에서 j 값의 통행시간을 나타낸다.
따라서, 어떤 시간대에서의 i라는 통행시간 값이 다음 시간대에 j 값으로 변하는 회수를 나타내는 테이블을 생성한다. 예를 들면, 어떤 링크가 오후 2시에 60초라는 통행시간을 가졌는데, 과거 데이터 중 5분 후에는 65초의 통행 시간이 2번,70초가 1번, 55초가 1번, 60초가 3번 등을 나타내는 테이블을 생성한다. 이후에 이러한 값들을 토대로 과거 데이터 중 가장 확률이 높은 값을 예측 값으로 제시하게 된다.
도수 테이블의 개수는 예측 범위에 따라 결정되며(5분 단위로 60분 이후까지 예측할 경우 약 12개가 생성됨), 각각의 테이블의 크기는 그 시간대의 통행 시간 중 최대 통행 시간에 의해 결정된다. 이와 같이 생성되는 도수 테이블의 예가 다음 표 4에 기재되어 있다.
|
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
2 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
3 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
4 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
5 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
6 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
7 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
8 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
2 |
3 |
0 |
0 |
9 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
2 |
0 |
0 |
10 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
11 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
다음에, 전이 행렬 생성기(1223)는 그룹 정보 생성기(1222)에 의하여 생성된 도수 테이블을 이용하여 확률값을 계산하고, 확률값을 요소로 가지는 전이행렬을 생성한다. 구체적으로 도수 테이블의 한 행(특정 시간대)에 해당하는 값들을 모두 합한 후, 각 요소값을 합으로 나누어 확률값을 생성한다. 다음 표 5에 생성된 확률값을 토대로 하는 전이 행렬에 대한 예가 기재되어 있다.
|
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
2 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
3 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
4 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
5 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
6 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
7 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1.00 |
0 |
0 |
0 |
8 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0.40 |
0.60 |
0 |
0 |
9 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0.25 |
0.25 |
0.50 |
0 |
0 |
10 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1.00 |
0 |
0 |
11 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
위에 기술된 바와 같이, 교통 정보 가공부(11)로부터 제공되는 교통정보 데이터와 저장부(16)에 저장된 과거 교통 정보 데이터를 받아서, 선택 확률을 계산하기 위하여 데이터를 링크별/요일별 타입으로 분리해서 가공하고 이를 전이 행렬로 구성한 다음에, 장래치 예측기(1225)가 생성된 전이 행렬을 토대로 확률 과정 기법을 이용하여 교통 정보를 예측한다.
처리기(1224)는 예측하고자 하는 시간대의 확률값을 이용하여 기대치를 산출하고, 이를 토대로 장래치 예측기(1225)가 예측값(예측 교통 정보)을 산출한다.
예를 들어, 10591 링크의 27일 23시10분부터 25분 후의 통행시간이 93이면, 28일의 통행시간을 예측하기 위해서는 전이 행렬의 9행(93을 10으로 나눈 몫)을 이용해 예측값을 다음과 같이 구한다.
75 × 0.25 + 85 × 0.25 + 95 × 0.5 = 18.75 + 21.75 + 47.5 = 87.5
다음에는 뉴럴 네트워크를 이용하여 예측 교통 정보를 생성하는 제3 예측부의 구조 및 동작에 대하여 설명한다.
도 5에 교통 정보 예측부 중 제3 예측부의 구조가 도시되어 있다.
첨부한 도 5에 도시되어 있듯이, 제3 예측부(123)는 데이터 생성기(1231), 패턴 생성기(1232), 패턴 적재기(1233), 패턴 학습기(1234), 예측 패턴 추출기(1235), 패턴 변환기(1236), 및 감시기(1237)를 포함한다.
일반적으로 뉴럴 네트워크(신경망)는 델타 규칙을 기본으로 한다. 델타 규칙의 기본 원리는 다수의 신경망에서 입력측의 각 유니트에 입력 패턴을 주면, 입력 패턴에 해당하는 신호는 각 유니트에서 변환되어 중간층에 전달되고, 최후에 출력층에서 최종 신호를 출력하게 된다. 그리고 이와 같이 출력되는 최종 신호 즉, 출력값과 목표값을 비교하여 차이를 줄여가는 방향으로 각 층간의 연결강도를 조절하고, 상위층에서 조절된 연결 강도를 역전파하여 하위층에서는 이를 근거로 하여 다시 자기층의 연결강도를 조정해 나가는 원리이다. 이는 출력이 얼마나 각각의 입력에 대해 민감한지를 측정함으로써 에러를 없애는 것이 아니라, 에러를 줄이기 위해 각각의 연결강도를 조절하여 최적의 값을 갖도록 연결강도를 근접시키는 것이다. 이렇게 연결강도를 조절하는 것을 일반화된 델타 규칙(Generalized Delta Rule)이라고 한다. 델타학습 법칙을 이용한 단층의 신경망이 퍼셉트론이지만 이는 XOR 문제를 해결하지 못하는 단점이 있다. 일반화된 델타 규칙은 이런 문제를 해결하기 위한 방법으로 다층의 신경망을 학습시키는데 적합하다.
이러한 뉴럴 네트워크에서 두 가지 중요한 파라메터가 존재하는데 첫째는 모멘텀(Momentum)으로, 이것은 연결 강도가 향하는 방향을 변경시키는 각 단위 내부 가중치의 경향을 나타낸다. 둘째는 학습률(Learning Rate)로, 신경망에서 학습을 할 때 학습의 완급을 조정하는 상수로 대개 0과 1사이의 값을 사용한다. 학습률에대한 가장 적합한 접근 방식은 학습률을 크게 잡고 네트워크가 훈련됨에 따라 점차적으로 천천히 줄이는 것이다.
이러한 뉴럴 네트워크를 이용하여, 본 발명의 제1 실시예에 따른 제3 예측부(123)의 데이터 생성기(1231)는 교통 정보 가공부(11)로부터 제공되는 현재 교통 정보를 가공하여 출력하며, 패턴 생성기(1232)는 가공된 데이터를 링크명/시간대/통행 시간/속도 등으로 분류한다. 다음에 데이터를 구간화 및 정규화 한다. 입력되는 각각의 데이터를 정규화, 이진화하여 각각의 패턴을 생성하고 이를 결합하여 최종 패턴을 생성한다.
다음에, 패턴 적재기(1233)는 이와 같이 생성된 패턴을 저정하며, 패턴 학습기(1234)는 패턴 생성기(1232)로부터 출력되는 신호에 따라 실시간으로 패턴을 선택 및 적재하여 학습한다. 이 때, 학습률 등의 기본 계수를 바탕으로 학습하며 만약 학습의 정도가 임계값에 미치지 못하거나 임계값 이하로 내려갈 경우 감시기(1237)가 강제로 학습을 수행하도록 한다. 또한 감시기(1237)는 새로운 학습 패턴의 생성을 지시하기도 한다. 이러한 패턴 학습기(1234)는 감시기(1237)로 학습의 정도를 전송하며 이에 따라 감시기(1237)가 패턴 학습기(1234)가 학습할 양을 지시한다. 따라서 패턴 학습기(1234)는 감시기(1237)로부터의 지시에 따라 학습률을 관리하며 외부의 명령에 의해 연결 강도를 저장하거나 다시 적재할 수 있다.
다음에, 예측 패턴 추출기(1235)는 학습된 연결 강도 값을 가지고 통행시간을 예측한다.
한편, 패턴 변환기(1236)는 초기 생성된 패턴을 계속 갱신한다. 즉, 2달 내지 3달 등 시간이 흐르면 교통흐름이 변화하게 되고, 교통흐름이 변화하면 패턴에 변화가 생기고 패턴이 변화하면 초기에 생성한 패턴에 의한 교통 예측의 정확도가 떨어짐으로서, 패턴 변환기()는 교통 흐름의 변화에 따라 초기 생성된 패턴을 계속 갱신한다.
위에 기술된 바와 같이, 제3 예측부(123)는 뉴럴 네트워크 기법을 토대도 특정 링크에 대한 통행 시간을 예측하며, 뉴럴 네트워크 기법은 이미 공지된 기술임으로 여기서는 상세한 설명을 생략한다.
다음에는 평균 회귀 분석 기법을 이용하여 예측 교통 정보를 생성하는 제4 예측부의 구조 및 동작에 대하여 설명한다.
도 6에 교통 정보 예측부 중 제4 예측부의 구조가 도시되어 있다.
첨부한 도 6에 도시되어 있듯이, 제4 예측부(124)는 데이터 생성기(1241), 평균/표준 편차 생성기(1242), 비율 산출기(1243), 및 예측 통행 시간 산출기(1244)를 포함한다.
먼저, 데이터 생성기(1241)가 저장부(16)에 저장된 과거 수집한 데이터(과거 교통 정보)를 요일별로 분리하고, 과거 데이터를 위에 기술된 제2 예측부와 동일하게 요일 특성에 따라 평일/ 토요일/ 휴일의 3가지 타입으로 나누고, 타입의 변화에 따라 표 1에 기재된 바와 같이, 7개의 그룹으로 분류한다.
다음에, 요일별로 평일은 20일 동안의 자료, 그리고 토요일 및 일요일은 10 주 동안의 자료를 7개 그룹으로 분류하고, 평균/표준 편차 생성기(1242)가 각 시간대별로 통행 시간에 대한 평균 및 표준 편차를 산출한다. 그리고 비율산출기(1243)가 각 시간대별 통행 시간을 회귀식으로 정적 오차 조정(오차가 일정하게 감소하여 평균에 수렴)과 정적 비율 조정(비율이 일정하게 감소하여 평균에 수렴) 방법 등을 사용하여 교통정보를 예측한다. 즉, 비율 산출기(1243)가 분류된 과거 데이터의 평균/표준편차를 토대로 비율을 계산하고 이를 바탕으로 예측 통행 시간 산출기(1244)가 현재 교통 정보에 대하여 회귀식으로 오차 및 비율 조정으로 통행 시간을 예측한다. 이러한 회귀 분석을 통한 예측 기법은 이미 공지된 기술임으로 여기서는 상세한 설명을 생략한다.
위에 기술된 바와 같이, 교통 정보 예측부의 는 4개의 예측 기법 즉, 칼만 필터링, 확률 과정, 뉴럴 네트워크 및 평균 회귀 분석 기법을 이용하여 예측 교통 정보를 정확하게 생성할 수 있다.
다음에 이와 같이 소정 시간대에서 특정 링크를 통과하는데 소요되는 통행 시간을 예측하여 예측 교통 정보를 생성하는 것을 토대로 본 발명의 제1 실시예에 따른 교통 정보 제공 시스템의 동작에 대하여 설명한다.
도 7에 본 발명의 제1 실시예에 따른 교통 정보 제공 시스템의 동작이 순차적으로 도시되어 있다.
첨부한 도 7에 도시되어 있듯이, 도로를 주행하는 차량에 장착된 단말기(321,322)와 주행 도로의 구간별로 장착되어 있는 영상 검지기(311∼31n)가 각각 교통 정보를 수집하여 네트워크(2)를 통하여 교통 정보 제공 시스템(1)으로 전송한다(S100).
교통 정보 제공 시스템(1)의 교통 정보 가공부(11)는 데이터 송수신부(10)를통하여 입력되는 교통 정보 즉, 현재 교통 정보를 가공하여 저장부(16)에 저장하거나, 교통 정보 예측부(12) 및 교통 정보 처리부(13)로 제공한다. 현재 교통 정보에는 특정 구간을 통과한 차량의 통행 시간, 속도, 그리고 해당 차량의 위치, 및 차량의 출발지 및 목적지 등의 정보가 포함된다(S110).
먼저, 교통 정보 처리부(13)는 경로 탐색부(14)를 동작시켜 현재 수집된 교통 정보를 토대로 저장부(16)의 경로 정보 데이터베이스(162)에 저장된 지도에 맵핑하여 출발지에서 목적지까지 주행할 수 있는 모든 경로를 탐색한다(S120). 탐색된 경로 중에서 교통 정보를 예측하는 것으로 설정된 관리 대상 링크가 포함되어 있는 경우에는, 교통 정보 예측부(12)로 해당 링크에 대한 예측 교통 정보를 생성하도록 지시한다.
이에 따라 교통 정보 예측부(12)의 각 예측부(121∼124)는 위에 기술된 바와 같이 칼만 필터링, 확률 과정, 뉴럴 네트워크, 평균 회귀 분석 기법을 각각 사용하여, 차량이 설정 링크를 통과하는데 소요되는 통행 시간인 예측 교통 정보를 생성한다. 이 때, 교통 정보 예측부(12)의 모든 예측부(121∼124)가 예측 교통 정보를 생성할 수 있으며, 또한 하나의 예측부만이 선택되어 예측 교통 정보를 생성할 수 있다. 또한, 모든 예측부(121∼124)가 예측 교통 정보를 생성한 다음에, 생성된 다수의 예측 교통 정보 중에서 적어도 하나 이상의 예측 교통 정보를 조합하여 사용하거나, 다수의 예측 교통 정보 중에서 가장 신뢰성이 있는 하나의 예측 교통 정보만을 선택하여 사용할 수도 있다(S130∼S140).
교통 정보 예측부(12)에 의하여 설정 링크에 대한 예측 교통 정보가 생성되면, 경로 탐색부(14)가 현재 교통 정보 및 예측 교통 정보를 토대로 다시 경로 탐색을 수행한다(S150).
즉, 현재 교통 정보로 경로탐색을 한 다음에 탐색된 링크 중에 관리 대상 링크가 존재하면, 그 링크까지 현재 교통 정보로 걸리는 시간 후에 예측된 교통 정보를 이용하여 다시 경로탐색을 한다.
다음 표 6에 관리 대상 링크에서의 현재 교통 정보, 예측 교통 정보, 및 실제 20분 후의 교통 정보가 예시되어 있다.
현재 교통정보 |
20분 |
326초 |
10분 |
예측 교통정보 |
20분 |
619초 |
10분 |
20분후 교통정보 |
20분 |
635초 |
10분 |
도 8에 출발지에서 목적지까지의 탐색 경로의 예가 도시되어 있고, 도 8에 표 6에 따른 실제 통행 시간과 예측 통행 시간을 나타내는 그래프가 도시되어 있다.
첨부한 도 8에 도시되어 있듯이, 8월 25일에 13:18분에 출발지에서 주행하기 시작하여 제1 지점(북한산 사거리)을 13:38분에 통과하여, 출발지에서 제1 지점까지 소요된 통행 시간이 약 20분이 소요되었다. 이러한 통행 시간인 현재 교통 정보를 토대로 관리 대상 링크인 제1 지점에서 제2 지점(북한산 사거리→한남 사거리)까지 통행하면 제2 지점에 13:43에 도착하게 된다. 그러나, 교통 정보는 변화하기 때문에 위에 기술된 바와 같이, 과거 교통 정보와 현재 교통 정보를 토대로 제1 지저에서 제2 지점까지 통행하는데 소요될 시간을 예측하면 약 619초(10분)가 소요될것으로 예측된다.
즉, 현재 교통 정보만을 이용하면 제1 지점에서 제2 지점까지 약 326초(약 5분)가 소요될 것으로 나타나지만, 본 발명의 제1 실시예에 따르면 약 619초(약 10분)가 소요될 것으로 예측된다. 실제로 차량이 제1 지점에서 제2 지점까지 소요되는 통행 시간을 측정해 보면 약 635초가 소요된 것을 알 수 있었다.
따라서, 단순히 현재 교통 정보만을 이용하여 통행 시간을 예측하는 것에 비하여, 본 발명과 같이 현재 교통 정보와 예측 교통 정보를 토대로 통행 시간을 예측한 것이, 실제 통행 시간에 더 근접함을 알 수 있다.
그러므로, 경로 탐색부(14)는 이러한 예측 교통 정보를 토대로 하여 출발지에서 목적지까지 가는데 혼잡을 피할 수 있는 즉, 가장 빠른 시간내에 주행 할 수 있는 경로를 탐색한다.
예를 들어, 경로 탐색부(14)는 출발지와 목적지 사이의 거리가 설정 거리 이상으로 장거리이면 다중 레벨 탐색을 수행하고, 출발지와 목적지 사이의 거리가 설정 거리 이하로 단거리이면 단일 레벨 탐색을 수행한다. 여기서 레벨이라는 것은 디지털 맵을 여러 단계로 나누어서 구축한 것을 나타낸다. 이러한 다중 레벨 탐색과 단일 레벨 탐색은 이미 공지된 기술임으로 여기서는 상세한 설명을 생략한다.
경로 처리부(15)는 경로 탐색부(14)에 의하여 탐색된 경로 정보를 수신 가능하게 처리하여 데이터 송수신부(10)를 통하여 차량의 단말기(321,322)로 전송시키며, 이에 따라 운전자는 단말기(321,322)를 통하여 최적의 경로 정보를 제공받게 된다.
한편, 단계(S130)에서 현재 교통 정보로 탐색된 경로 중에서 관리 대상 링크가 존재하지 않는 경우에는 현재 교통 정보로 탐색된 경로 정보를 단말기(321,322)로 제공한다.
위의 실시예에서는 모든 링크에 대하여 예측 교통 정보를 생성하는데 소요되는 데이터량과 처리 시간을 감소시키기 위하여, 관리 대상 링크에 대해서만 예측 교통 정보를 생성하였다. 그러나, 본 발명은 이것에 한정되지 않으면, 모든 링크에 대해서 도 위에 기술된 바와 같이 예측 교통 정보를 생성하여 경로 탐색에 적용할 수 있음은 물론이다.
한편, 위에 기술된 실시예에서 다수의 예측 기법을 사용하여 예측 교통 정보를 생성한 경우, 각 예측 교통 정보마다 정확도가 다를 수 있으며, 링크, 시간대에 따라 각 예측 기법의 정확도가 달라질 수 있다. 즉, 어떤 예측 기법은 어느 링크에서는 예측 정확도가 높은 반면에, 다른 링크에서는 정확도가 현저하게 떨어질 수 있다. 따라서, 각 상황(링크, 시간 등)에 따라 예측 기법에 의하여 생성된 예측 교통 정보 중에서 가장 정확도가 높은 예측 교통 정보를 선택하여 경로 탐색에 이용하면, 보다 최적의 경로 탐색이 이루어질 수 있다.
이하에 기술되는 본 발명의 제2 실시예에서는 위에 기술된 다수의 예측 기법에 따라 생성된 예측 교통 정보 중에서 가장 정확도가 높은 정보를 선택하는 것에 대하여 설명한다.
도 10에 본 발명의 제2 실시예에 따른 교통 정보 제공 시스템의 동작 흐름이 순차적으로 도시되어 있다.
본 발명의 제2 실시예에 따른 교통 정보 제공 시스템의 구조는 위에 기술된 제1 실시예와 동일하게 이루어지므로, 여기서는 상세한 설명을 생략한다.
첨부한 도 10에 도시되어 있듯이, 제1 실시예와 동일하게, 도로를 주행하는 차량에 장착된 단말기(321,322)와 주행 도로의 구간별로 장착되어 있는 영상 검지기(311∼31n)로부터 전송되는 정보를 토대로 교통 정보 가공부(11)에서 생성된 현재 교통 정보는 교통 정보 예측부(12)로 제공되며, 교통 정보 예측부(12)의 각 예측부(121∼124)는 위에 기술된 바와 같이 칼만 필터링, 확률 과정, 뉴럴 네트워크, 평균 회귀 분석 기법을 각각 사용하여, 차량이 설정 링크를 통과하는데 소요되는 통행 시간인 예측 교통 정보를 생성한다(S200∼S240)
각 예측부(121∼124)에 의하여 예측 교통 정보가 생성되면, 교통 정보 처리부(13)는 생성된 다수의 예측 교통 정보를 현재 수집되는 교통 정보와 각각 비교하여 어떤 예측부에 의하여 생성된 예측 교통 정보가 가장 정확도가 높은지를 비교한다(S250). 여기서 예측 교통 정보와 비교되는 교통 정보는, 예측 교통 정보 생성을 위하여 이전 단계(200∼S210)에서 수집된 현재 교통 정보가 아니라, 현재 비교 시점에서 새로이 수집된 교통 정보이다.
교통 정보 처리부(13)는 각 예측 교통 정보와 현재 시점에서 수집된 교통 정보를 상호 비교하여 정확도를 평가한다. 본 발명의 실시예에서는 수집된 교통 정보와 예측된 교통 정보와의 평가 지표로서 MAE(mean absolute error) 또는 EC(equality coefficient) 기법을 사용하나, 평가 지표가 이것에 한정되지는 않는다.
MAE는 두 데이터간의 절대값 오차에 대한 평균으로서 그 값이 낮을수록 정확도가 높음을 나타내며, 다음 식과 같이 나타낼 수 있다.
교통 정보 처리부(13)는 각 예측부(121∼124)에서 출력되는 예측 교통 정보(X1)에서 현재 시점에서 수집된 교통 정보(X2)를 감산한 값의 절대값을 구하고 그 평균값을 각각 구한다. 다음에 각 평균값 중에서 가장 낮은 값을 가지는 것에 해당하는 예측 교통 정보를 선택하여 경로 탐색에 사용한다.
한편, EC는 두 데이터 집단간의 동질성을 나타낸 것으로 0-1 사이의 값을 가지며, 1의 값에 가까울수록 두 데이터가 비슷함을 나타내나. 이러한 EC는 다음 식 과 같이 나타낼 수 있다.
현재 시점에서 수집된 교통 정보(X2)와 각각의 예측 교통 정보(X1)를 위의 수학식 3에 따라 계산하여 산출된 값들 중에서 가장 1에 가까운 값을 가지는 값을 선택하고, 그 값에 해당하는 예측 교통 정보를 경로 탐색에 사용하기 위한 값으로 선택한다.
이와 같이, 교통 정보 처리부(13)는 다수의 예측부(121∼124)를 통하여 생성된 다수의 예측 교통 정보를 MAE나 EC를 이용하여 현재 시점에서 수집된 교통 정보와비교하여 가장 정확도가 높은 값을 가지는 하나의 예측 교통 정보를 선택한다. 한편, MAE와 EC를 모두 이용하여 예측 교통 정보를 평가할 수 있으며, 이 경우에는 MAE와 EC를 통해서 평가된 값을 모두 비교하여 그 중에서 가장 정확도가 높은 값을 가지는 예측 교통 정보를 선택한다.
다음에, 경로 탐색부(14)가 현재 교통 정보 및 예측 교통 정보를 토대로 경로 탐색을 수행한다(S260∼S290). 이 경우에도 위에 기술된 바와 같이, 데이터 처리의 신속성을 위하여 관리 대상 링크에 대해서만 예측 교통 정보를 생성할 수 있다.
한편, 위에 기술된 실시예들에서 각 예측부(121∼124)에 포함된 데이터 생성기(1211,1221,1231, 1241)는 하나로 통합된 형태로 구현될 수 있으며, 이 경우에는 하나의 데이터 생성기가 과거 교통 정보를 분류 및 처리하여 각 예측부(121∼124)로 제공한다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다