KR20050025979A - 핸드폰 통신 분석을 기초로 도로교통량을 측정하는 방법 - Google Patents

Abstract

핸드폰망 서비스구역내에서 도로상의 교통량과 속도를 연속으로 추출하는 시스템과 방법에 관한 것이다. 데이타는 외부 센서 없이 핸드폰 통신망에서 직접 추출된다. 이 방법에 의하면 자동차와 도로의 상관관계를 구하고, 핸드폰 스위치에 도달하는 일부 데이타만으로 속도를 결정할 수 있다. 이 방법은 다음 단계들로 이루어진다. 위치추적장치(예; GPS)가 달린 자동차가 지정구역내의 도로를 주행하면서 핸드폰 데이타(셀 핸드오버 시컨스, 신호강도 리포트) 및 위치데이타를 수집하는 학습단계. 축적된 데이타는 기준 데이타베이스를 생성하도록 처리된다. 연산단계에서는, 핸드폰 제어채널상의 통신을 연속을 감시하고, 기준 데이타베이스에 대해 매칭하여 도로와 속도를 찾는다. 도로와 속도 데이타는 지정구역의 도로지도를 작성하고 교통사고를 실시간 경보하는데 사용된다. 데이타 분석과 데이타베이스 구성은 다음이 가능하도록 된다. 핸드오버의 셀 ID만을 기초 연산단계에서 아주 신속하고 높은 신뢰성의 초기 자동차 도로 확인. 연산단계에서 자동차 도로의 전후진을 아주 신속하고 높은 신뢰도로 추적. 실시간으로 높은 신뢰성을 갖는 사고검색.

Description

핸드폰 통신 분석을 기초로 도로교통량을 측정하는 방법{A METHOD FOR MEASURING ROAD TRAFFIC LOAD BASED ON ANALYZING CELLULAR COMMUNICATIONS}

본 발명은 핸드폰 통신의 감시와 분석을 기초로 교통속도와 주행시간을 측정함은 물론 사고경보를 하는 방법에 관한 것이다.

도 1은 고유 체인 클러스터들을 특정 도로에 할당하고 애매한 체인들은 여과하는 과정을 보여준다. 도 1-A, 1-B는 각각 도로 1, 2의 셀 시퀀스를 보여준다. 사용 기준은, 하나의 클러스터에서 4개의 셀중 3개가 매칭되고 적어도 3회 주행이 필요하고, 도 1-C와 같이 도로 1, 2에서 3개의 체인 클러스터들이 발견되었다. 체인 클러스터 1, 3은 고유한 것이고, 체인클러스터 2는 애매한 것으로서 삭제되었으므로(4개징 3개가 다른 도로에 대해 매칭됨), 도 1-D의 고유 체인 클러스터 리스트에는 2개의 체인 클러스터만 존재함.

도 2는 핸드오버 정확도의 정의를 보여준다. 도 2-A에서 도로(셀 A-B) 사이의 핸드오버가 일어나되, 셀 A의 RF 신호는 빌딩에 의해 차단되고, 신호강도가 급격히 감쇠하므로, A에서 B로의 핸드오버는 정확하다(즉, 위치반복성이 높다). 도 2-B에서 도로(C-D)의 핸드오버가 일어나되, 차단요소가 없으므로 C의 신호는 천천히 감쇠하고 핸드오버의 위치에러는 첫번째 핸드오버보다 훨씬 높다. 핸드오버 위치정확도는 신호강도데이타로부터, 또는 다른 운전에 대한 핸드오버 위치의 분포(도면에 "+"로 표시)로부터 학습될 수 있다.

도 3은 셀 ID와 시간 데이타만을 갖는 연산 운전데이타로부터 핸드오버 위치들을 추출하는 방법을 보여준다. 도로 1에 대해 학습된 셀 체인들이 도 3-A에 도시되었다. 도 3-B는 연산 운전데이타를 보여준다. 도 3-C에 도시된 초기 체인 매칭은 4개의 셀중 3개 셀의 매칭을 이용해 길을 찾는다. 일단 이런 매칭이 발견되었으면 도로 1에 있다고 본다. 즉, 핸드오버 테이블에서 핸드오버 2, 3이 제공된다. 이어서, 앞뒤로 3개중 2개의 매칭을 검색하고, 이런 검색에 의해 핸드오버 1, 4가 핸드오버 테이블에 추가된다(도 3-D 참조). 학습된 체인의 각 핸드오버의 위치를 알고 있고 연산 체인으로부터 각각의 핸드오버에 대한 시간을 갖고 있으므로(도 3-E 참조), 속도를 추출할 수 있다.

도 4는 교통흐름의 중단이나 감속을 가져올 사고가 추가 핸드오버 데이타의 수신 없이 검색되는 방법을 보여준다. 도로 2에 대해 학습된 셀 체인들이 도 4-A에 있다. 운전데이타는 도 4-B에 있다. 마지막 핸드오버는 R-L이었다. 이어서 1분이 흘러도 추가 셀을 수신하지 못했고 "호출 끝" 메시지를 받지 못했으므로, 최대속도는 12㎞/h이다(도 4-D 참조). 새로운 셀 수신 없이 1분이 더 흐르면 최대속도는 6㎞/h로 떨어진다(도 4-D 참조).

도 5는 교통속도가 최대허용속도에 가까울 때 피크타임대를 피해 3개의 도로구간 A-B, B-C, C-D의 핸드오버 흐름율과(도 5-A), 사고가 발생했을 때(T1-T5)의 도로구간의 속도와 그 뒤 사고가 처리되었을 때(T6-T10)의 속도를 보여준다(도 5-B).

도 6은 일정 구역의 경계위치 정확도와 일부 커버리지가 속도결정에 미치는 영향과(도 6-A), 시간에 따른 속도결정을 보여준다(도 6-B).

발명의 개요

정확한 이동장치의 위치는 특정 위치와 타이밍에서 핸드폰 통신데이타로부터 구해진다. 이 데이타를 분석해 자동차가 주행할 길과 그 속도를 유도한다. 데이타를 수집하고 모든 도로에 대해 계속 분석하여 실시간 교통량과 속도 정보는 물론 실시간 사고경보를 한다.

길을 따라 핸드오버 위치와 신호강도의 결정(학습)

본 방법의 제1 단계는 학습 단계로서, 오프라인 처리로 시스템 설치와 동시에 또는 그 이전에 실행된다. 이 단계에서는 각각의 길에서의 핸드오버(셀 스위치) 시퀀스를 갖는 데이타베이스가 형성되는데, 이 데이타베이스는 각각의 핸드오버에 대한 위치기준을 포함할 수도 있다. 데이타베이스는 도로상의 실제 운전을 통해 수집되고, 지정된 구역내에서 임의의 도로를 임의의 방향으로 주행하는 자동차의 이동장치로부터 정보를 추출한다.

학습과정은 여러가지 방법으로 실행될 수 있는데, 그중 한가지 방법은 정확한 위치를 계속해서 산출하는 동기화된 GPS 시스템과 휴대용 이동장치를 갖춘 자동차가 임의의 주행방향과 가능한 모든 회전을 하면서 지정된 구역내의 도로를 주행하는 것이다. 이런 이동장치에 대한 핸드오버 정보와 신호강도정보를 모아 정확한 위치와 매칭시켜 각각의 핸드오버 리포트나 신호강도 리포트를 하기위한 정확한 위치를 산출한다. 이 과정은 지정된 구역을 여러번 주행하고 각각의 주행에 대해 여러대의 이동장치를 이용해 반복될 수 있다.

각각의 이런 주행에 의해 각각의 이동장치는 정확한 자동차 위치를 갖는 핸드오버 리포트의 시퀀스를 매 리포트마다 산출한다. 또, 각각의 주행에 의해 모든 이동장치는 신호강로 리포트의 시퀀스를 생성한다. 이들 리포트 각각은 정확한 자동차 위치 외에도 여러개의(10개까지의) 셀에 대한 신호강도를 포함한다. 이들 모든 원자료는 기준 데이타베이스에 저장된다.

핸드오버 체인들을 특정 도로에 할당

애매한 정보를 여과하고, 유사성 기준을 확인하며 작동단계중의 분석시간을 절감하기 위해 기록된 핸드오버 정보를 전처리하는 방법들중 하나는 다음과 같다:

핸드오버 원자료를 처리분석하여 지정된 구역내의 도로를 커버하는 핸드오버 체인 클러스터들로 이루어진 데이타베이스를 생성한다.

핸드오버 체인이란 연속되는 셀스위치의 시퀀스이다. 핸드오버 체인은 셀 ID 외에도 각각의 핸드오버(셀스위치)에 대한 GPS 위치, 타이밍 및 기타 다른 관련 데이타를 포함할 수 있다. 체인 클러스터란 일정한 유사성 규정에 맞게 묶은 체인군을 말한다. 핸드오버 체인과 체인 클러스터의 예가 도 1에 있다.

데이타베이스를 만들 때, 2가지 현상에 직면했다:

- 여러대의 이동장치로 동일한 도로를 여러번 운전할 때, 이들 운전에서 생긴 핸드오버 시퀀스가 동일하지 않다.

- 인근 도로들을 운전할 때, 특히 이들 도로가 나란히 있으면, 유사한(반드시 동일할 필요는 없는) 핸드오버 체인들이 생길 수 있다.

이런 현상들은 2가지 문제를 일으킨다:

- 자동차에 도로를 할당하기 위한 동일한 핸드오버 시퀀스의 전체 매칭이 극히 드물다.

- 틀린 길에 핸드오버 시퀀스를 잘못 할당할 수 있다.

이런 문제를 극복하기 위한 방법중 하나는 다음과 같다:

모든 운전을 같은 도로구간에 하여, 핸드오버 체인 클러스터를 생성한다. 이들 클러스터는 유사한(반드시 동일할 필요는 없는) 핸드오버 체인들을 포함한다. 애매한 핸드오버 체인들은 여과된다. 애매한 체인들은 다른 길에 대한 유사한 (동일할 필요는 없는) 핸드오버 체인으로 규정된다. 다음, 신속검색 메커니즘을 만들어 체인클러스터 데이타베이스에 대한 신속한 접속을 가능케 한다.

이런 처리의 목적은 특정한 길에 맞는 모든 체인들로 이루어진 클러스터 데이타베이스를 만드는데 있다. 2개의 서로 다른 길을 나타내는 2개의 서로 다른 클러스터들에 할당될 수 있는 원자료에는 체인이 없다는 점에서 이들 클러스터들은 고유하다고 본다. 이런 처리는 학습과정중에 1회 실행되고, 연산과정중에 신속정확하고 명확한 도로안내를 위한 기반이 된다.

이렇게 그룹으로 묶고 여과하는 알고리즘의 바람직한 일례는 다음과 같다:

하나의 체인에 L개의 셀로 핸드오버 체인들을 묶는다. 한 클러스터의 모든 체인들은 K 이상(K ≤L)의 셀을 갖고 이들 셀은 특정 체인의 셀과 동일하며 클러스터 헤더로 지정되는 특징을 갖는다. 이들 K 셀들은 체인과 클러스터 헤더내에서는 동일한 시퀀스로 정렬되어야 한다. 이들 체인 각각은 헤더의 셀과는 동일하지 않은 (L-K) 셀들을 포함한다.

일정한 도로가 M회 커버되지 않으면(M은 각각의 도로의 모든 운전에 대해 1회 운전의 학습과정에 참여하는 이동장치의 갯수의 총합임), 지정된 구역내의 도로구간에 합당한 클러스터를 N개 이상의 체인을 갖는 클러스터로 정의한다(N ≤M, N>1). 체인을 묶는 과정의 예가 도 1에 있다. 원자료는 2개의 도로(도 1-A, 1-B)에서 4(M)회 운전하여 얻은 입력값을 포함한다. 도 1-C는 4(N)개 이상의 체인을 포함하는 원자료로부터 생긴 클러스터들을 보여주는데, 이들 체인은 4(L) 셀들중 3(K)개가 일치한다.

클러스터내의 모든 체인들을 원자료에 대해 처리하는데, 본 발명의 다른 실시예는 다른 체인들에 대한 초기 체인 처리를 보여준다. 동일한 시퀀스로 정렬된 처리된 체인의 셀들과 동일한 셀들을 J(J≤L)개 이상 갖는 체인클러스터나 원자료에서 하나의 체인이 발견되고, 이 체인이 처리중인 클러스터가 아닌 다른 도로구간에 관련된 것이라면, 이 클러스터를 애매한 것으로 표시하고 클러스터 데이타베이스에서 소거한다.

이런 여과과정의 일례가 도 1-C, 1-D에 보이는데, 어기서 2번 클러스터는 1번 도로와 2번 도로 양쪽의 체인들을 포함하여 폐기되며 고유의 체인클러스터에 포함되지 않는다. 지정된 구역내의 다른 도로들은 도로지형, 밀도, 서비스범위(cell coverage) 등에 따라 J, K, L, M 등 다른 값을 받을 것이다.

클러스터 데이타베이스에 신속히 접속하기 위해, (해싱; hashing과 같은) 신속접속 메커니즘을 구현할 수 있다. 신속접속 시스템은 학습단계중에 1회 구성되고 필요하다면 이후 업데이트된다.

이런 알고리즘으로 분석된 구역이 충분히 작고 처리전력이 충분히 크면, 애매성 분석을 연산단계중에 수신된 핸드오버 시퀀스와 함께 실시간으로 실행할 수 있으며 아래의 연산단계에 설명한 것과 같은 상관결과를 제공할 수 있다.

핸드오버 정확도 정의

아주 정확한 위치와 속도정보가 필요하면, 체인클러스터내의 각각의 핸드오버에 대한 정확도를 측정하고 정의하는 분석이 더 필요하다.

이런 분석은 다음과 같이 여러가지 방식으로 할 수 있다:

- 관련 셀에 대한 신호강도 패턴 이용.

- 클러스터내의 다른 체인들(다른 주행들)에 대해 동일한 셀들 사이의 핸드오버 위치분포 측정.

- 위의 두가지 방식의 임의의 조합.

각각의 핸드오버에 대한 정확도는 클러스터 데이타베이스내에 저장될 수 있다. 이런 정확도 정의 알고리즘의 바람직한 일례는 다음과 같다:

제공셀과 수신셀 사이에 각각 핸드오버를 실행한다. 본 발명자들은 핸드오버 위치 부근의 제공셀의 신호강도를 추적했다. (RF 차폐와 반사요소로 인해) 제공셀의 전력이 급격히 약화되면, 이 핸드오버는 높은 정확도를 할당받는다. 제공셀의 전력이 아주 느리게 약화되면, 이 핸드오버는 낮은 정확도를 할당받는다.

첫번째 옵션에서 이런 현상이 도로에서 1회 이상 일어나면, 시퀀스에 따라 모양이 구분될 수 있기만 하면 이 현상을 위치기준용으로 사용할 수 있다.

정확도 정의알고리즘의 다른 예는 유사한 핸드오버 위치들의 분포를 평가하는 것이다. 예를 들면: 하나의 클러스터내의 모든 유사한 핸드오버들의 평균값을 구하고, 이 값이 평균값에 대한 핸드오버들의 최대 거리에 따른 정확한 핸드오버인지 여부를 결정한다.

핸드오버 위치정확도에 대한 다른 인프라와 그 영향의 일례가 도 2에 도시되었다. 하나의 클러스터내의 모든 유사한 핸드오버들의 위치를 처리하여 핸드오버 위치들 사이의 실제 거리, 평균 핸드오버 위치 및 핸드오버 정확도의 표시자를 생성한다. 이런 모든 데이타는 학습된 데이타베이스에 저장된다.

고속도로의 학습단계

고속도로에서 속도와 사고를 감지하고, 관련 하위구역내에 시간대에 따라 교통량이 다른 고속도로가 몇개 없을 경우, 운전지도작성 과정 없이 학습단계를 할 수 있다. 이 경우, 시스템은 상당한 시간동안 관련 구역에 대한 시퀀스를 기록하여 통계적 분석을 할 수 있다. 교통량 정보는 교통방송국이나 통계청같은 외부로부터 시스템으로 공급된다. 상관 시퀀스의 양과 교통량을 분석하여 시퀀스 클러스터들과 고속도로 구간 사이의 관계를 구하고 부근 소도로의 시퀀스는 여과한다.

외부 교통량 정보 대신에, 휴대폰 안테나의 위치, 고속도로상의 1회 운전 정보 등과 같은 다른 정보원을 이용할 수도 있다. 이런 경우, 시스템은 모든 고속도로에 대해 실제로 가능한 모든 정보를 수집하여 학습된 데이타베이스에 삽입할 수 있다.

연산단계 - 핸드오버 시퀀스를 도로와 연계, 호출 추적

연산단계에서, 휴대폰 시스템에 대한 호출에 관한 이벤트를 감시한다. 감시는 BS(기지국), BSC(기지국 컨트롤러; base station controllers), MSC(주교환장치) 또는 이들 사이의 통신링크로부터 실행될 수 있다. 본 발명에서는 BSC와 부근의 MSC 사이의 링크에 연결하여 감시를 한다. 이런 형태의 연결은 링크수가 최소이고 연결이 모두 물리적으로 같은 위치에 있다는 점에서 아주 효과적이다. 이들 링크에서 추출할 수 있는 관련 정보는 핸드오버와 그 타이밍에 한정되므로, 이런 제한된 정보로부터 교통정보를 얻을 수 있다는 점에서, 본 발명은 획기적이다.

본 발명의 다른 바람직한 일례에서는 핸드오버와 호출처리관련 메시지만을 추출하여 처리할 정보의 범위를 최소화한다. 이런 경우, 교통정보 추출장치에 과부하가 걸리면, 휴대폰 장치나 그 일부(일정한 위치구역이나 BSC)가 처리량을 최소화하는 부하를 받을 때 호출의 일부만을 추출할 수 있고, 이런 호출의 일부도 정확한 전체 위치, 속도 및 교통량 방향을 파악하기에 충분하다.

이런 이벤트들은 실시간으로 추출하여 처리할 수 있고, 이벤트를 처리하기 위해 호출 종료를 기다릴 필요가 없으며 각각의 이벤트를 추출즉시 처리할 수 있다. 이것은 사고조사에 아주 중요한데, 이에 대해서는 후술한다.

학습된 데이타베이스를 이용해 호출들을 매칭한다. 이 데이타는 신속한 응답을 위해 하드디스크나 컴퓨터 메모리에 저장된다.

감시된 이벤트들은 아래와 같다:

- 호출처리 이벤트(개시, 종료, 호출대기, 재개 등)

- 위치관련 이벤트(핸드오버, 검색구역 변경 등)

호출번호와 (사생활 침해 방지를 위해 호출한 전화번호를 확인할 수 없는) 휴대폰 ID를 각각의 호출에 첨부하여, 서비스구역을 움직이는 휴대폰을 추적할 수 있다.

위치관련 이벤트들을 이용해, 자동차가 운전중인 도로구간을 정확히 검색하고 호출중에 일정한 위치에서의 자동차 위치(및 위치정확도)를 결정할 수 있다. 처음에는 위치구역 데이타나 이 데이타를 공급하는 실제링크를 이용해 대략적인 위치를 찾을 수 있다.

한편으로는 아주 높은 확률로 자동차의 도로구간을 확인하고 다른 한편으로는 신속하고 효과적으로 초기 검색을 실행하기위해, 초기 도로확인을 위한 고유 체인 클러스터와 같은 메커니즘을 이용할 수 있다. 신속접속 메커니즘을 이용해 클러스터 데이타베이스에 접속할 수도 있다.

검색확률을 높이기 위해, 연산단계에서 생긴 P 셀의 체인을 취할 수 있는데 이중 Q(Q≤P)개 이상의 셀은 클러스터 데이타베이스내의 셀과 매칭하며, 양쪽 체인의 셀들은 동일한 순서로 정렬된다. 물론, P와 Q 값은 도로지형과 밀도, 서비스범위 등에 따라 바뀔 수 있다.

도 3은 초기 검색단계를 보여준다. 도 3-A는 원래 데이타를 자세히 보여주고, 도 3-B는 관련 셀 클러스터를 보여준다. 도 3-C는 운전데이타를, 도 3-D는 4(P)개중 3(Q)개가 초기에 매칭함을 보여준다. 이런 매칭은 연산데이타내의 각 체인에 대해서는 발견할 수 없다. 호출을 위한 하위체인 어디에서도 이런 매칭이 발견되지 않으면, 새로운 호출들이 매칭될 수 있는 하나 이상의 하위 체인을 생성하지 않는 한, 이 호출은 매칭되지 않은 것이고 사용할 수 없다.

애매성에 대한 신뢰도를 높이기 위해, 옵션 단계를 실행할 수 있는데, 이 단계에서는 원래의 데이타베이스를 스캔하여 다른 도로구간에서의 운전 체인에 대한 매칭 체인(P개의 셀중 Q)을 찾는다. 이런 체인이 발견되면 현재의 체인은 폐기한다. 일단 초기매칭이 있으면, 두가지 방법을 계속 병용할 수 있다:

- 이 호출에서 더많은 셀들을 매칭하려면 하위체인 전후로 핸드오버들(셀들)을 매칭시킨다. 데이타베이스에서 원래의 데이타 체인들을 추적해 S개중 R개의 매칭을 찾되, R≤S이고 S는 통상 P보다 작다(도로에 대한 높은 확실성을 갖고 학습된 데이타베이스와 현재의 호출 사이에 더많은 셀들을 매칭시키기만 하면 되기 때문). 이런 2차 매칭과정은 매칭된 체인을 따르는 셀에 대해서는 전방향으로, 매칭된 체인을 앞서는 셀에 대해서는 후방향으로 실행된다. 도 3-E은 이런 2차 매칭과정을 보여주는데, 체인 BCDG에 대한 매칭을 검색한 초기단계 이후, 도 3-C의 운전데이타중 셀 S, T, J, S는 3(S)개중 2(R)개 매칭을 이용해 도 3-A의 원래의 데이타의 트립 3에 매칭된다.

- 현재의 호출내에서 하위체인에 대한 추가적인 체인 매칭들을 계속 검색.

현재 호출의 일부인 체인이 학습된 데이타베이스에서 1개 이상의 도로와 매칭하면, 이 부분은 애매하다고 보아 다른 부분이 후속 단계에서 고유하게 매칭되지 않는 한 속도를 추출하는데 사용되지 않으며, 이 정보는 되돌아가 호출의 이전 부분을 리매칭하는데 이용된다.

이 매칭은 1 내지 100 사이의 유사성 점수로 측정할 수 있고, 애매성으로 인한 매칭이나 여과를 위한 분석을 매칭 임계값에 따라 실행할 수 있으며, 이 임계값은 여러 도로에 대한 시퀀스의 유사성을 고려한 것이다. 임계값은 주어진 순간에 각각의 도로나 하위구역에서 얻을 수 있는 데이타량에 따라 하위구역마다 변할 수 있다.

다음 단계는 학습된 데이타베이스로부터 매칭된 도로구간을 따라 핸드오버 위치를 구하되, 실제 타이밍 및 위치 정확도도 함께 구한다. 이 단계가 도 3-F에 도시되어 있다.

학습된 데이타베이스와 새로운 체인 사이의 매칭과정은, 클러스터를 구성하지 않고 데이타베이스의 원래의 체인과 새로운 체인을 직접 비교하여 이루어질 수 있다. 이 방법에서는 연산단계에 필요한 프로세서가 더 커야되고 교통정보를 제공하는데 어느정도 시간지연이 있을 수 있다.

서비스영역내에서 여러 호출에 대한 이 과정의 결과로, 타임 스트림, 도로구간, 도로상의 위치, 각 호출에 대한 위치정확도가 생긴다. 이 단계에서 데이타는 핸드폰 장치에 관한 어떤 정보도 갖지 않음을 알아야 한다. 따라서, 핸드폰 오퍼레이터는 더이상 이 데이타의 사용이나 유포에 예민하지 않아도 된다. 이 시스템은 2 부분: 즉 핸드오버와 같은 핸드폰 오퍼레이터 기밀데이타를 요구하는 모든 처리를 하는 첫번째 부분과, 위치 및 타이밍 데이타만을 취급하는 두번째 부분으로 구분될 수 있다. 두번째 부분은 다른 정보원, 예컨대 자동차 감시장치의 정보를 이용해 교통상황을 감시할 수 있다.

연산단계 - 사고검색

사고관리와 교통정리를 위해 실시간 사고검색은 중요하다. 사고가 생기면 자동차 속도가 상당히 느려지거나 정지하기도 하며, 이들 자동차로부터의 핸드오버 흐름도 정지될 수 있다.

본 발명의 바람직한 기능중 하나는 실시간으로 사고를 검색하는 것이다. 그 방법중 하나가 아래와 같다:

각각의 호출에 가능한 다음 셀들을 데이타베이스로부터 추출하고, 이전 셀로부터의 거리와 (자동차 속도에 의한) 예상 타이밍을 계산한다. 호출을 위한 최종 핸드오버로부터 N초가 경과되었는데 다음 핸드오버가 일어나지 않았으면 (그리고 이 호출이 아직 계속되면), 자동차가 감속되거나 정지했음을 의미한다. 이 자동차에 대해 이 도로구간에서 가능한 최대속도를 쉽게 계산할 수 있다.

이 방법을 이용해 사고를 검색하는 예가 도 4에 도시되어 있다. 시간이 지나고(도 4-D의 1, 1 라인의 N=60, 120) 새로운 핸드오버가 수신되지 않으므로, 최대 속도는 줄어든다(12㎞/H에서 6㎞/H로). 여러대의 자동차에 이런 현상이 동시에 일어나면, 이 도로구간에서 사고가 있을 확률이 높은 것이다. 상관관계에 의해 관련 자동차의 운전장소를 알기 때문에, 사고위치를 검색할 수 있다.

속도 및 사고상태 추출에 핸드오버 속도를 이용

본 발명의 다른 특징에 의하면, 도로구간에서의 교통속도를 다음과 같이 구할 수 있다:

1. 교정단계에서, (도로구간의 운전과 속도 기록 등의) 외부수단으로 도로구간의 속도를 측정하고 이 구간에 대한 핸드오버(셀 스위치) 속도를 감시한다. 모든 도로구간에 대한 데이타를 데이타베이스에 저장한다.

2. 연산단계에서, 도로구간에서의 핸드오버 속도를 감시하고 이것을 교정단계에서 측정한 속도와 비교하여 도로구간의 실제속도를 계산한다.

교정단계는 교통속도 측정 없이 도로구간에서 일정기간의 교통밀도를 기록하고 양극단의 측정샘플들을 여과한 다음 이 도로구간에 일상적인 최대 평균속도에 맞게 샘플들을 일반화하여 이루어질 수 있다. 이 방법은 속도를 검색하는데는 비교적 정확도가 떨어지지만, 사고가 났을 때의 속도변화를 검색하는데는 충분히 정확하다. 이 방법은 사고검색에 이용되는데, 특정 도로구간에서의 핸드오버 속도가 급격히 감소될 때는 이 구간에 사고가 났고, 핸드오버 흐름이 급격히 증가할 때는 사고가 처리되었음을 알려준다.

도 5는 사고발생과 사고처리 검색을 보여준다. B-C 구간의 T2에서 사고가 일어났고 이 구간에서 상당한 속도감소가 일어났으며, A-B 구간 T3-T4에서 속도가 줄어들고 C-D 구간에는 영향이 없음을 보여준다. T6에서 사고가 처리되면 먼저 B-C 구간이 T9까지 처리된 다음 A-B 구간이 T10까지 처리되지만, A-B, B-C구간의 자동차가 전진하기 시작하면서 길이 비워지기 때문에 C-D구간의 T6-T9에서는 일시적인 교통장애가 생긴다.

연산단계 - 도로구간에서 속도와 주행시간 측정, 교통사고 처리

이 단계에서는 위치데이타와 사고발생 및 각각의 도로구간의 정리상태를 분석하여 속도와 주행시간을 추출하고, 도로구간의 사고를 경보하며, 사고처리를 통보한다. 사고처리 통보는, 도로구간상의 속도가 상당히 증가하거나 사고처리보고를 받을 때마다 할 수 있다. 사고처리는 독립적으로 통보될 수도 있고, 또는 같은 도로구간에서 사고경보가 있을 때만 통보될 수도 있다.

또, 동일한 호출이나 동일한 이동장치로부터의 데이타가 여러 도로구간을 커버할 수 있으면 여러 도로구간의 속도를 추출할 수 있다. 출발점과 도착점의 위치 정확도가 같을 경우, 출발점과 도착점 사이의 거리가 멀수록 속도 정확도가 높기 때문에 이것이 가능하다.

이 과정이 도 6-A에 도시되어 있다. 서비스범위가 1㎞이고, 하위구간(1-3 호출을 커버하는 하위구간 A-C, B-E, D-F)의 합을 도로구간 A-F라 하면, 전체 에러는 180m(80+60+40=180)이고 1㎞에 대해서는 ±90m의 에러가 생긴다(±9%). 한편, 높은 경계위치 정확도로(100m), 전체 구간 A-F를 커버하는 4번 호출을 기초로 속도를 측정하면, 최종 속도정확도는 ±5%이다.

구간마다의 속도정확도를 결정할 때 고려할 요소는 다음과 같다:

- 이 구간에 대한 리포크 횟수.

- 현재 시간에 대한 위치 리포트의 타이밍(보고서가 얼마나 오래된 것인가)

- 도로구간내의 속도 하위구간들의 오버랩과 커버 비율.

- 경계위치에서의 위치정확도.

도 6-A는 전술한 것처럼 위치정확도를 얻는 방법을 보여준다. 이것은 위치정확도 값들을 합하는 간단한 방법이다. RMS 합과 같은 다른 방법들을 이용할 수도 있다. 일부 커버영역을 보여준다. 정보가 1, 3번 호출만 포함한다면, 하위구간 C-D는 커버되지 않으며, 기존의 하위구간(A-C, D-F)의 가중 평균값으로 A-F 구간의 속도를 계산하면 전구간을 커버하는 평균값보다 정확도가 떨어진다.

도 6-B는 구 리포트와 새 리포트 사이의 중요한 차이를 보여준다. 8:40와 9:00 사이의 모든 리포트를 평균하면, 그 결과는 68㎞/h이고, 간단히 10분마다 평균내어 평균값을 계산하면, 8:40-8:50, 8:45-8:55, 8:50-9:00에 대한 상대속도는 각각 65, 67, 72㎞/h이고, 시간에 대한 속도변화를 알 수 있다. 가중평균화와 같은 다른 방법을 사용할 수도 있다.

이런 기준을 이용하면 각각의 도로구간의 속도를 T초마다 계산할 수 있다(T는 시간, 리포트 수 등의 함수로 변할 수 있음. 도 6-B에서 T는 300초 또는 5분임).

고속도로의 연산단계

학습단계에서 설명한대로 고속도로상에서 교통감시를 해야 할 경우, 학습된 데이타베이스는 실제로 가능한 모든 시퀀스를 포함할 수 있고, 시스템은 K=N, P=Q와 같은 간단한 관계를 이용할 수 있으므로 새로운 시퀀스의 관계를 구하기가 더 쉽다.

연산단계 - 가상센서

본 발명은 교통통제시스템에 관한 것이기도 하다. 이들 시스템은 통상적으로 통제센터에 연결된 도로센서들로 이루어진다. 이런 종류의 시스템은 가격이 비싸고 센서위치에서는 순간속도만 측정하며 사고검색은 느리기 때문에 본 발명의 방법에 비해 열악하다. 그럼에도 불구하고, 종래의 센서를 기반으로 한 기존의 시스템에 본 발명의 방법을 추가할 필요가 있다. 이를 위해서는 이런 하이브리드 시스템 지원을 위해 통제센터에 상당한 변화를 주어야 한다. 하이브리드 시스템 설치에 필요한 수고와 비용을 최소화하기 위해, 어느정도 전술한 이점들을 희생하고라도, 서비스구역내의 도로상의 여러 위치에서 속도를 휴대폰망을 통해 추출하고 통제센터와 도로센서 사이의 통신프로토콜을 소프트웨어로 에뮬레이션하는 가상센서들을 형성한다.

연산단계 데이타로 서비스영역 확대

연산단계에서 대량의 핸드오버 체인들을 시스템에서 수신하여 학습된 데이타베이스에 매칭한다. 다음과 같이 서비스영역 확대를 위해 데이타베이스를 보강할 수 있다.

첫번째 단계로, 시스템은 임의의 도로구간에 매칭하는 새로운 체인들을 취하고 새로운 체인내의 매칭된 핸드오버들 각각을 이것에 이미 매칭된 학습 데이타베이스의 핸드오버 위치에 할당한다. 새로운 체인중에서 아직 위치를 할당받지 않은 나머지 핸드오버들을 다음 방식에 따라 새로운 위치에 할당한다.

- 이들 매칭되지 않은 핸드오버 각각은 2개의 매칭된 핸드오버들 사이에 있고 도로를 가로질러 인접한 매칭 핸드오버 각각으로부터의 거리에 따른 위치로 할당된다. 이 거리는 2개의 매칭된 핸드오버들 사이에서는 속도가 일정하다는 가정하에 계산되는바, 그 계산식은 다음과 같다.

거리=(2개 매칭 핸드오버들 사이의 거리)*(매칭된 핸드오버와 매칭되지 않은 핸드오버 사이의 시간)/(2개의 매칭된 핸드오버 사이의 시간).

- 1개 이상의 매칭되지 않은 핸드오버가 2개의 매칭된 핸드오버 사이에 위치하면, 매칭되지 않은 핸드오버들 각각에 대해 따로따로 위의 계산식에 의해 계산이 행해진다.

새로 매칭된 체인은 학습된 데이타베이스에 추가되고, 매칭되지 않은 핸드오버들은 부정확한 것으로 표시된다. 동일한 핸드오버들이 여러 다른 체인들에서 같은 위치에 할당되면, 그 정확도는 다른 결과의 변화에 따라 업데이트될 수 있다.

학습된 데이타베이스를 조정해 휴대폰 시스템을 바꿈

휴대폰 시스템은 시시각각으로 변하고, 학습된 데이타베이스의 일부가 부적절할 수 있다. 휴대폰 시스템의 변화를 검출해 학습과정을 다시 하고 연산과정중에 수집된 데이타를 이용해 학습된 데이타를 업데이트할 필요성을 최소화하는 방법도 본 발명에 속한다.

이 시스템은 학습된 데이타베이스내에서 하루 X회 매칭되는 것이 만족스럽지만 하루 Y회만 매칭되거나 심지어 전혀 나타나지 않는 체인클러스터나 체인들을 확인할 수 있다(Y≪X). 이런 클러스터나 체인들은 소정 도로에서 일정한 위치에 나타나고 그 전후의 체인들을 갖는다. 이런 경우, 시스템은 앞서는 체인의 뒤에 또는 뒤따르는 체인의 앞에 위치한 새로운 시퀀스를 추적하여, 전에 없었거나 전혀 존재하지 않았던 새로운 체인 클러스터를 찾을 수 있고, 이들 클러스터의 현재 출현속도는 X와 아주 비슷하다.

다음 이런 새로운 클러스터의 시퀀스를 거의 또는 전혀 나타나지 않는 클러스터의 도로에 할당한다. 다음, 시스템은 여러개의 유사성 기준들을 시도하여 구 클러스터의 핸드오버들을 새로운 클러스터의 핸드오버들에 매칭해, 새로운 클러스터의 핸드오버들을 정확한 위치에 할당할 수 있다. 이런 유사성 알고리즘의 예에 대해서는 전술한바 있다. 일단 새로운 클러스터의 핸드오버들이 위치할당되면, 시스템은 이전 구간의 방법을 이용해 남지 핸드오버에 위치를 할당할 수 있다.

Claims (40)

1. 휴대폰 통신을 기초로 자동차와 도로의 상관관계를 구하는 방법에 있어서:

   위치기준으로서의 각각의 핸드오버 위치와 함께 관련 도로에 대한 핸드오버 시퀀스를 학습하여, 학습된 데이타베이스를 생성하는 단계; 및

   학습된 데이타베이스를 이용해 (위치기준을 갖지 않는) 새로운 운전의 새로운 핸드오버 시퀀스들을 분석해, 휴대폰 호출중에 일정 시간에 도로를 할당하는 단계;를 포함하는 것을 특징으로 하는 방법.
2. 제1항에 있어서, 상기 핸드오버 시퀀스 학습단계에서, 학습된 데이타베이스의 핸드오버 체인들을 유사성 알고리즘에 따라 클러스터화 하되, 각각의 클러스터는 N(N ≤M, N ≥1)개 이상의 유사한 체인들을 포함하게 하고, 여기서 N, M은 도로구간마다 다를 수 있는 것을 특징으로 하는 방법.
3. 제2항에 있어서, 상기 유사성 알고리즘에서, 한 클러스터내의 각각의 체인은 헤더와 같은 순서로 나타나는 K(K ≤L)개 이상의 셀들을 가지며, K, L은 도로구간마다 다를 수 있는 것을 특징으로 하는 방법.
4. 제2항에 있어서, (체인들중 하나 이상은 다른 도로구간에 관련된 체인과 유사성을 갖는 클러스터인) 애매한 체인 클러스터들을 여과하는 것을 특징으로 하는 방법.
5. 제4항에 있어서, 한쪽 클러스터(제1 클러스터)의 하나 이상의 체인에 대해, 동일한 순서로 나타나는 J(J≤L)개 이상의 셀을 갖는 다른 체인 클러스터(제2 클러스터)에서 다른 체인이 발견되면 이들 클러스터는 유사성을 갖고 이 체인은 그 클러스터가 아닌 다른 도로구간과 관련되기 때문에(여기서 J, L은 도로구간마다 다를 수 있음), 양쪽 클러스터를 모두 여과하는 것을 특징으로 하는 방법.
6. 제4항에 있어서, 한쪽 클러스터(제1 클러스터)의 하나 이상의 체인에 대해, 동일한 순서로 나타나는 J(J≤L)개 이상의 셀을 갖는 원래의 데이타에서 다른 체인이 발견되면 이 클러스터는 원래의 데이타에 대해 유사성을 갖고 이 체인은 그 클러스터가 아닌 다른 도로구간과 관련되기 때문에(여기서 J, L은 도로구간마다 다를 수 있음), 이 체인 클러스터를 여과하는 것을 특징으로 하는 방법.
7. 제1항에 있어서, 상기 학습단계에서 핸드오버의 정확도를 아래 방식들중의 하나나 조합으로 계산하는 것을 특징으로 하는 방법.

   - 신호강도 측정을 이용해 신호강도의 감쇠도를 감지함으로써 결국 핸드오버의 감쇠도를 감지하여 핸드오버의 정확도를 결정.

   - 동일한 도로에 대해 서로다른 주행을 통해 동일한 셀들 사이의 핸드오버 분포도를 측정하여 핸드오버의 정확도와 평균위치를 결정.
8. 제1항에 있어서, 상기 분석단계가,

   - 새로운 운전에서 생긴 체인과 학습된 데이타베이스의 체인 양쪽에서 같은 순서로 나타나는 K(K≤J)개 이상의 셀을 갖는 J 셀의 체인을 검색하여 새로운 운전의 셀 체인들을 학습된 데이타베이스에 매칭하는 단계(단, J, K는 도로구간마다 다를 수 있음); 및

   학습된 데이타베이스의 체인의 도로를 매칭된 새로운 체인에 할당하는 단계;로 이루어지는 것을 특징으로 하는 방법.
9. 제8항에 있어서, 학습된 데이타베이스의 체인의 도로를 새로 매칭된 체인에 할당하기 전에, 다른 도로에 관한 2개 이상의 체인과 매칭된 이들 새로운 체인들을 필터링하는 것을 특징으로 하는 방법.
10. 제8항에 있어서, 상기 분석단계가 초기 상관관계를 기초로 하는 2차 매칭과정을 포함하는 것을 특징으로 하는 방법.
11. 제10항에 있어서, 상기 2차 매칭과정이, 학습된 데이타베이스내의 원래 데이타 체인들을 상기 매칭된 체인 앞뒤로 오게 하여 초기 단계에서 검색된 매칭 앞뒤로 셀들을 매칭시키고 M개의 셀 매칭중 L(L≤M)개의 셀을 찾아서 이루어지되, M은 J보다 작고, L, M은 도로구간마다 변할 수 있는 것을 특징으로 하는 방법.
12. 제1항에 있어서, 도로를 따라 특정 지점에서 자동차 위치를 검색하는 분석을 하는 것을 특징으로 하는 방법.
13. 제12항에 있어서, 상기 분석이,

    - 새로운 체인과 매칭된 학습된 데이타베이스의 모든 체인으로부터 새로운 체인의 모든 매칭 핸드오버(셀 쌍) 정보(위치, 타이밍, 정확도)를 추출하는 단계;

    - 동일한 도로구간에 관련되고 동일한 셀 쌍들을 갖는 학습된 데이타에서 추출된 체인들로부터의 모든 핸드오버에 따른 새로운 체인의 각각의 핸드오버의 위치와 정확도를 계산하는 단계;로 이루어지는 것을 특징으로 하는 방법.
14. 제1항에 있어서, 상기 분석단계에서 차량과 도로의 상관관계를 구한 뒤 교통사고를 검색하기 위한 분석을 더 하는 것을 특징으로 하는 방법.
15. 제14항에 있어서, 시간 T에서 호출이 아직 끝나지 않았고 새로운 핸드오버도 아직 수신되지 않았으면, 가능한 다음 셀에 대해 가능한 가장 먼 핸드오버 위치까지의 거리를 D라고 할 때 현재 도로구간에서 가능한 최대속도를 "최대속도 ≤D/T"로 계산하고, 이 속도가 임계속도 S보다 낮으면 이 도로구간에 대한 사고 리포트를 하는 것을 특징으로 하는 방법.
16. 제1항에 있어서, 셀 ID 데이타만을 기초로 새로운 운전의 분석을 하는 것을 특징으로 하는 방법.
17. 제1항에 있어서, 전화망에서 교환국과 기지국의 컨트롤러들 사이의 통신링크의 핸드오버 관련 메시지의 추출을 기초로 분석을 하는 것을 특징으로 하는 방법.
18. 제1항에 있어서, 핸드폰 시스템의 다른 부분들로부터의 호출 차이율의 추출을 기초로 분석을 하는 것을 특징으로 하는 방법.
19. 소정 도로구간에 대한 핸드오버(셀 스위칭) 속도를 기초로 이 도로구간에 대한 교통속도를 추출하는 방법.
20. 제19항에 있어서, 상기 교통속도 추출이,

    - 도로구간의 교통속도와 이 구간의 동일 시간의 핸드오버 속도의 상관관계를 구하는 교정단계;

    - 핸드오버 속도를 계속 측정하고, 교정단계의 핸드오버의 속도와 비교하여 도로구간에서의 속도를 추출하는 단계;로 이루어지는 것을 특징으로 하는 방법.
21. 일정 시간에서의 자동차 위치를 기초로 연속적인 도로교통지도를 형성하는 방법에 있어서:

    - 각각의 호출에 대한 위치와 타이밍을 이용해 서비스 구역의 각각의 도로구간의 속도를 찾는 단계;

    - 여러 도로구간을 커버하는 동일한 자동차의 위치 리포트들을 이용해 거리가 멀더라도 정확도를 높이는 단계;

    - 상기 위치, 타이밍 및 위치정밀도 데이타를 이용해 서로 다른 도로구간에서의 속도의 정확도를 결정하는 단계;를 포함하는 것을 특징으로 하는 방법.
22. 도로교통지도와 사고 리포트를 기초로 사고경보를 내는 방법에 있어서:

    - 속도 데이타를 이용해, 속도가 S ㎞/h 보다 낮을 때는 사고경보를 내는 단계(S값은 시간이나 도로구간에 따라 다를 수 있음); 및

    - 사고리포트 데이타를 이용해, 속도가 속도가 S ㎞/h 보다 낮을 때는 사고경보를 내는 단계(S값은 시간이나 도로구간에 따라 다를 수 있음);들중 한 단계 또는 이들의 조합으로 이루어지는 것을 특징으로 하는 방법.
23. 도로교통지도와 사고처리 리포트를 기초로 사고처리정보를 생성하는 방법에 있어서:

    - 속도 데이타를 이용해, 도로구간에 사고가 있었고 속도가 상당히 증가하면 사고처리가 되었다고 하는 단계; 및

    - 사고처리 리포트 데이타를 이용해, 도로구간에 사고가 있었고 속도가 상당히 증가하면 사고처리가 되었다고 하는 단계;들중 한 단계 또는 이들의 조합으로 이루어지는 것을 특징으로 하는 방법.
24. 제1항에 있어서, 상기 분석단계가,

    - 새로운 운전의 셀 체인들을 학습된 데이타베이스의 체인들에 매칭하는 단계; 및

    - 학습된 데이타베이스에서 하나 이상의 도로구간을 나타내는 체인들과 매칭된 새로운 체인들을 여과하는 단계;로 이루어지는 것을 특징으로 하는 방법.
25. 제23항에 있어서, 매칭과정이,

    - 새로운 운전의 체인은 물론 학습된 데이타베이스의 체인에서 모두 동일한 순서로 나타나는 K개 이상의 J 셀의 체인을 검색하는 단계(여기서 K ≤J이며 J, K 모두 도로구간에 따라 다를 수 있음); 및

    - 학습된 데이타베이스의 체인의 도로를 이미 매칭된 새로운 체인에 할당하는 단계;로 이루어지는 것을 특징으로 하는 방법.
26. 제24항에 있어서, 도로상의 특정 지점에서 자동차 위치를 검색하도록 분석을 하고;

    이 분석은,

    학습된 데이타베이스에서 새로운 체인과 매칭된 모든 체인들로부터 새로운 체인의 모든 매칭 핸드오버(셀 쌍) 정보(위치, 타이밍, 정확도)를 추출하는 단계; 및

    동일한 도로구간에 관련되고 동일한 셀 쌍을 갖는 학습된 데이타베이스에서 추출된 체인들로부터의 모든 핸드오버에 따라 새로운 체인의 각각의 핸드오버의 위치와 정확도를 계산하는 단계;로 이루어지는 것을 특징으로 하는 방법.
27. 제26항에 있어서, 상기 학습과정중에 아래의 방식들중 하나나 그 조합으로 핸드오버의 정확도를 계산하는 것을 특징으로 하는 방법.

    - 신호강도 측정치를 이용해, 신호강도의 감쇠도를 감지함으로써 결국 핸드오버의 감쇠도를 감지하여 핸드오버의 정확도를 결정.

    - 동일한 도로에 대해 서로다른 주행을 통해 동일한 셀들 사이의 핸드오버 분포도를 측정하여 핸드오버의 정확도와 평균위치를 결정.
28. 제26항에 있어서, 시간대 위치와 정확도를 이용해 도로구간마다의 교통속도를 계산하는 것을 특징으로 하는 방법.
29. 제26항에 있어서, 시간대 위치와 정확도를 이용해 교통사고를 검색하는 것을 특징으로 하는 방법.
30. 제1항에 있어서, 교통사고를 검색하는 분석을 하고, 이 분석은

    - 각 도로구간에 대한 핸드오버의 시간밀도 정보를 수집하고,

    - 새로운 체인의 밀도가 급격히 감소할 때마다 사고가능성을 경보하여 이루어지는 것을 특징으로 하는 방법.
31. 휴대폰 통신을 기초로 자동차와 도로의 상관관계를 구하는 방법에 있어서:

    - 관련 도로에 대한 운전시의 핸드오버 시퀀스를 학습하여 학습된 데이터베이스를 생성하는 단계; 및

    - 학습된 데이타베이스로 (도로기준을 갖지 않는) 새로운 운전시의 새로운 핸드오버 시퀀스를 분석해 휴대폰 호출중에 일정 시간대에 도로를 할당하는 단계;를 포함하는 것을 특징으로 하는 방법.
32. 제31항에 있어서, 교통사고를 검색하는 분석을 하고, 상기 분석은,

    - 도로구간마다의 핸드오버의 시간밀도 정보를 수집하고,

    - 새로운 체인의 밀도가 급격히 감소할 때마다 사고가능성을 경보하여 이루어지는 것을 특징으로 하는 방법.
33. 제31항에 있어서, 사고처리를 검색하는 분석을 하고, 상기 분석은,

    - 도로구간마다의 핸드오버의 시간밀도 정보를 수집하고,

    - 사고가 일어난 뒤 새로운 체인의 밀도가 상당히 증가할 때마다 사고처리가 되었음을 통보하여 이루어지는 것을 특징으로 하는 방법.
34. 제31항에 있어서, 교통속도를 검색하는 분석을 하고, 상기 분석은,

    - 도로구간의 교통속도와 동일 시간의 이 도로구간에 대한 핸드오버 속도의 상관관계를 구하는 교정단계, 및

    - 핸드오버 속도를 계속 측정하고, 교정단계의 핸드오버 속도와 비교해 도로구간의 교통속도를 추출하는 단계로 이루어지는 것을 특징으로 하는 방법.
35. 휴대폰 통신을 기초로 자동차와 도로 사이의 상관관계를 구하는 방법에 있어서:

    - 관련 구역에 대한 핸드오버 시퀀스 통계치를 수집하는 단계;

    - 외부 정보원으로부터 각 도로의 교통량 정보를 수집하는 단계;

    - 교통량 비교분석에 따른 도로들에 시퀀스들을 할당하는 단계; 및

    - 학습된 데이타베이스로 새로운 운전의 새로운 핸드오버 시퀀스들을 분석하여 핸드폰 호출중에 일정 시간에서 도로를 확인하는 단계;를 포함하는 것을 특징으로 하는 방법.
36. 제35항에 있어서, 지리상태가 간단하고, 교통량 정보를 수집하기 위한 외부 정보원이 지도인 것을 특징으로 하는 방법.
37. 제1항에 있어서, 2개 이상의 도로를 동일한 2개 이상의 셀로 일부라도 커버하는 구역에 사용되는 것을 특징으로 하는 방법.
38. 제1항에 있어서, 서비스 구역내에서 도로상의 특정 위치의 속도를 가상 센서가 검색하여, 하이브리드 교통통제 시스템의 통제센터와 종래의 도로센서 사이의 통신 프로토콜을 에뮬레이션하는 것을 특징으로 하는 방법.
39. 제1항에 있어서, 학습된 데이타베이스를 계속 업데이트하기 위한 분석을 더 하고, 상기 분석은,

    - 데이타베이스에 나타나지 않는 매칭된 시퀀스들 내의 핸드오버 위치를 추정하며,

    - 새로 매칭된 시퀀스들을 학습된 데이타베이스에 추가하여 이루어지는 것을 특징으로 하는 방법.
40. 제1항에 있어서, 핸드폰 시스템의 변화를 검색하고 학습된 데이타베이스를 조정하기 위해 다음과 같이 분석을 더 하는 것을 특징으로 하는 방법.

    - 연산단계에서 매칭율이 상당히 감소하거나 전혀 매칭되지 않은 체인이나 클러스터를 감시.

    - 거의 또는 전혀 매칭되지 않고 앞뒤 체인들에서 동일한 위치에 나타나지 않는 새로운 클러스터들을 검색.

    - 클러스터 각각의 매칭 횟수 통계치를 비교하고, 거의 매칭되지 않은 클러스터들을 대체할 새로운 클러스터 검색.