KR20110002598A - 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법 - Google Patents

주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법 Download PDF

Info

Publication number
KR20110002598A
KR20110002598A KR1020090060136A KR20090060136A KR20110002598A KR 20110002598 A KR20110002598 A KR 20110002598A KR 1020090060136 A KR1020090060136 A KR 1020090060136A KR 20090060136 A KR20090060136 A KR 20090060136A KR 20110002598 A KR20110002598 A KR 20110002598A
Authority
KR
South Korea
Prior art keywords
section
time
roads
bus
traffic volume
Prior art date
Application number
KR1020090060136A
Other languages
English (en)
Other versions
KR101057223B1 (ko
Inventor
유종빈
박호현
이찬근
강현철
Original Assignee
중앙대학교 산학협력단
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 중앙대학교 산학협력단, 서울대학교산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020090060136A priority Critical patent/KR101057223B1/ko
Publication of KR20110002598A publication Critical patent/KR20110002598A/ko
Application granted granted Critical
Publication of KR101057223B1 publication Critical patent/KR101057223B1/ko

Links

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G06Q50/40—
    • 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
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/133—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams within the vehicle ; Indicators inside the vehicles or at stops

Abstract

주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법을 제안한다. 제안되는 실시예에 따른 버스의 도착시간을 예측하는 장치는 구간의 주변도로들의 현재 교통량들을 확인하고, 상기 구간의 주변도로들의 과거 교통량에 따른 상기 구간의 과거 통행시간을 확인하는 수집정보 확인부를 포함할 수 있다. 또한, 실시예에 따른 상기 구간의 주변도로들의 과거 교통량에 따른 상기 구간의 과거 통행시간을 이용해서 상기 구간의 주변도로들의 현재 교통량을 고려한 상기 구간의 통행예측시간을 계산하는 통행예측시간 계산부를 포함할 수 있다.
버스, 교통량 패턴, 도착시간 예측, 주변 도로

Description

주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING A BUS ARRIVAL TIME FROM TRAFFIC VOLUME OF SURROUNDIGN ROADS}
본 발명의 실시예들은 버스의 도착시간을 예측하는 장치 및 방법에 관한 것으로, 특히, 주변 도로의 교통량 패턴을 학습해서 버스도착시간을 예측하는 장치 및 방법에 관한 것이다.
U-City 구축의 일환으로 BMS(Bus Management System)의 연구개발이 활발히 이루어지고 있으며, 이미 많은 도시에서 BMS를 구축하여 이용하고 있다. 버스의 도착 시간, 배차 간격, 노선 구성에 대한 정보를 언제, 어디서나 시민들이 이용 할 수 있도록 BMS를 구축하고 있다. 버스는 지하철과는 달리 도로를 이용하기 때문에 운행시간과 배차 간격을 사전에 정하고 정확한 시간에 서비스를 할 수 없다. 도로의 교통량, 신호체계, 운전기사의 성향 등 정확하게 예측할 수 없는 변수들이 많기 때문이다.
따라서 가장 정확한 방법으로 버스의 운행시간을 예측하고, 이것을 토대로 해당 버스의 정류장 도착시간을 산출하는 것이 BMS의 핵심이 된다.
현재의 BMS에서 사용되고 있는 버스도착시간 예측 알고리즘은 시계열 모형을 지닌 이동평균법과 칼만필터링을 사용하고 있다. 여기서, 이동평균법은 이전시간 동안 해당구간의 차량통행 시간을 가중 이동평균으로 적용하는 방법이고, 칼만필터링은 특정구간 주행시간 시계열 데이터의 통계처리를 통해 미래의 주행시간을 예측하는 방법이다.
이러한 방법은 예측이 쉽고 구현이 용이한 장점이 있지만 도로의 급작스러운 통행량변화에 적응할 수 없으며, 가까운 과거의 데이터로 예측을 하기 때문에 정확한 예측이 될 수 없다.
이 두 가지의 방법은 ‘가까운 과거에 X분의 시간이 소요되었기 때문에 현재도 통행시간이 X분이 될 것이다.’ 라는 가정을 하고 있다. 도로의 교통량에 따른 통행시간 예측 방법이 필요로 하다.
본 발명의 실시예는 버스도착시간을 예측하는 장치 및 방법을 제공한다.
본 발명의 실시예는 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법을 제공한다.
본 발명의 실시예는 구간(정류장과 정류장 사이)의 통행예측 시간을 예측하고, 현재 버스의 위치를 바탕으로 앞으로 남은 구간의 통행예측 시간을 더해 버스의 정류장 도착시간을 예측하는 장치 및 방법을 제공한다.
본 발명의 실시예는 구간(정류장과 정류장 사이)의 통행예측 시간을 구간의 주변도로의 교통량을 고려해서 예측하고, 현재 버스의 위치를 바탕으로 앞으로 남은 구간의 통행예측 시간을 더해 버스의 정류장 도착시간을 예측하는 장치 및 방법을 제공한다.
본 발명의 실시예에 따른 버스의 도착시간을 예측하는 장치는, 구간의 주변도로들의 현재 교통량들을 확인하고, 상기 주변도로들의 과거 교통량들 중에서 상기 주변도로들의 현재 교통량과 가장 유사한 시점에서의 상기 구간의 실제 통행시간을 상기 주변도로 별로 기설정한 수만큼을 확인하고, 상기 구간의 상기 주변도로들에 대한 가중치들을 확인하는 수집정보 확인부 및 상기 주변도로들 별로 상기 기설정한 수만큼 확인한 상기 구간의 실제 통행시간들을 상기 주변도로들 별로 평균 해서 상기 주변도로들 별로 구간 평균들을 계산하고, 상기 주변도로들 별로 계산한 상기 구간 평균들에 상기 주변도로들의 상기 가중치들을 적용해서 상기 구간의 통행예측시간을 계산하는 통행예측시간 계산부를 포함한다.
본 발명의 실시예에 따른 버스의 도착시간을 예측하는 방법은, 구간의 주변도로들의 현재 교통량들을 확인하는 단계와, 상기 주변도로들의 과거 교통량들 중에서 상기 주변도로들의 현재 교통량과 가장 유사한 시점에서의 상기 구간의 실제 통행시간을 상기 주변도로 별로 기설정한 수만큼을 확인하는 단계와, 상기 구간의 상기 주변도로들에 대한 가중치들을 확인하는 단계와,
상기 주변도로들 별로 상기 기설정한 수만큼 확인한 상기 구간의 실제 통행시간들을 상기 주변도로들 별로 평균해서 상기 주변도로들 별로 구간 평균들을 계산하는 단계 및 상기 주변도로들 별로 계산한 상기 구간 평균들에 상기 주변도로들의 상기 가중치들을 적용해서 상기 구간의 통행예측시간을 계산하는 단계를 포함한다.
본 발명의 실시예는 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법에 관한 것으로, 데이터 수집부와 데이터 재구성부를 통해 주변 도로의 교통량 패턴을 학습함으로 차량의 통행에 영향을 가장 많이 주는 도로의 교통량에 따라 통행시간을 예측할 수 있어서 높은 신뢰도를 기대할 수 있다.
또한 주변도로의 교통량 패턴에 따라 통행시간을 예측하는 통행예측시간 계산부를 통해 버스의 통행예측시간을 계산함으로 버스의 정류장 도착시간의 예측의 정확도가 높아지고, 주변도로의 교통량의 변화에 적응적으로 반응한다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 그리고 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명의 실시 예는 구간(정류장과 정류장 사이)의 통행예측 시간을 구간의 주변도로의 교통량을 고려해서 예측하고, 현재 버스의 위치를 바탕으로 앞으로 남은 구간의 통행예측 시간을 더해 버스의 정류장 도착예정 시간을 예측하는 장치 및 방법을 제공한다.
설명에 앞서 이하에서 구간이라 함은 정류장과 정류장 사이의 단위를 말하며, 주변도로라 함은 구간 주위에 있는, 구간으로 교통량이 유입되는 도로를 의미한다. 즉, 주변도로는 구간이 될 수도 있으며 버스가 다니지 않는 도로가 될 수도 있다.
도 1은 본 발명의 일실시예에 따른 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치의 구성을 도시한 도면이다.
도 1을 참조하면 본 발명의 일실시예에 따른 버스의 도착시간을 예측하는 장치는 구간(정류장과 정류장 사이)별 교통량 정보와 구간별 통행시간 정보를 수집하는 데이터 수집부(110)를 포함한다. 그리고, 구간별 주변도로정보와 수집한 데이터를 이용해서 데이터를 재구성하고 주변도로의 가중치를 계산하는 데이터 재구성부(120)를 포함한다. 그리고, 수집한 데이터와 재구성한 데이터들을 이용해서 구간별 통행예측시간을 계산하고 버스들의 정류장 도착시간을 예측하는 도착시간 예측부(130)를 포함한다.
보다 상세하게는 데이터 수집부(110)는 구간별 교통량 수집부(112), 구간별 통행시간 수집부(114) 및 제1 데이터베이스(DB: Database)(116)를 포함한다. 그리고, 데이터 재구성부(120)는 주변도로 DB(121), 데이터 처리부(122), 제2 DB(123), 가중치 계산부(124) 및 가중치 DB(125)를 포함한다. 그리고, 도착시간 예측부(130)는 수집정보 확인부(131), 통행예측시간 계산부(132) 및 도착시간 계산부(134)를 포함한다.
구간별 교통량 수집부(112)는 정류장과 정류장 사이의 구간의 도로의 교통량 정도를 수집해서 제1 DB(116)에 저장한다. 구간별 교통량 수집부(112)에서 구간별 교통량을 수집하는 방법으로 구간별 도로를 위성사진으로 촬영하고 촬영한 구간별 도로에서 차량의 밀도를 확인해서 구간별 교통량을 수집할 수 있다. 구간별 교통량 수집부(112)에서 구간별 교통량을 수집하는 다른 방법으로 도로 교통을 관리하는 서버로부터 구간별 교통량을 수신하거나, 구간별 도로에 주행하는 차량을 카운트 하는 방법으로 수집할 수도 있다.
구간별 통행시간 수집부(114)는 구간별로 통행시간을 수집해서 제1 DB(116) 에 저장한다. 구간별 통행시간 수집부(114)에서 구간별로 통행시간을 수집하는 방법으로 버스들이 각 정류장들을 통과할 때 버스들로부터 수신하는 신호를 이용해서 구간별로 통행시간을 수집할 수 있다.
제1 DB(116)는 각 구간별로 교통량에 따른 통행시간을 저장하는 데이터베이스이다. 제1 DB(116)는 아래 <표 1>과 같이 구성할 수 있다.
Figure 112009040454695-PAT00001
주변도로 DB(121)는 각 구간에 영향을 미치는 주변도로의 정보를 저장하는 데이터베이스이다.
데이터 처리부(122)는 주변도로 DB(121)와 제1 DB(116)의 데이터들을 재구성해서 주변도로 각각의 교통량에 따른 구간의 통행시간을 구간별로 저장한 제2 DB(123)를 생성한다.
제2 DB(123)는 주변도로의 교통량에 따른 구간별 통행시간을 저장한 데이터베이스이다. 제2 DB(123)는 아래 <표 2>과 같이 구성할 수 있다.
Figure 112009040454695-PAT00002
가중치 계산부(124)는 제2 DB(123)를 이용해서 주변도로들의 교통량변화율과 구간의 통행시간에 대한 변화율을 비교해서 주변도로들의 가중치를 아래 <수학식 1>과 같이 계산하고, 계산한 주변도로들의 가중치를 가중치 DB(125)에 저장한다.
Figure 112009040454695-PAT00003
여기서, Tt는 t시간의 구간의 실제 통행시간이고, Lt는 주변도로의 통행량이고, dTt는 실제 통행시간의 변화율이고, dLt는 주변도로의 통행량변화율이다.
즉, 가중치 계산부(124)는 주변도로의 통행량변화율과 실제통행시간의 변화율을 비교하여 1에 가까울수록 연관관계가 크므로 높은 가중치를 준다. 통행량이 많을수록 통행시간도 길어지기 때문이다. 한편, 주변도로의 통행량이 증가했는데 구간의 통행시간이 줄어들면 가중치는 음수가 되어 구간의 통행시간에 역효과를 주 는 주변도로가 될 수도 있다.
가중치 계산부(124)는 매 시간마다 변화율을 비교한 값 ft를 모든 시간에 대하여 평균을 구하여 모든 주변도로들의 가중치 F를 계산한다.
가중치 DB(125)는 각 구간의 주변도로가 구간의 통행시간에 미치는 영향 정도를 가중치로 저장한 데이터베이스이다. 즉, 가중치 DB(125)는 구간별 주변도로 각각의 가중치를 저장한 데이터베이스이다. 가중치 DB(125)는 아래 <표 3>과 같이 구성할 수 있다.
Figure 112009040454695-PAT00004
수집정보 확인부(131)는 제2 DB(123)에서 구간의 주변도로들의 현재 교통량들을 확인하고, 제2 DB(123)에서 주변도로들의 과거 교통량들 중에서 주변도로들의 현재 교통량과 가장 유사한 시점에서의 구간의 실제 통행시간을 주변도로 별로 기설정한 수만큼을 확인한다. 그리고, 수집정보 확인부(131)는 가중치 DB(125)에서 구간의 주변도로들에 대한 가중치들을 확인한다.
통행예측시간 계산부(132)는 주변도로들 별로 기설정한 수만큼 확인한 구간의 실제 통행시간들을 주변도로들 별로 평균해서 주변도로들 별로 구간 평균들을 계산하고, 주변도로들 별로 계산한 구간 평균들과 주변도로들의 가중치들을 이용해서 구간의 통행예측시간을 계산한다. 통행예측시간 계산부(132)는 아래 <수학식 2>와 같은 방법으로 통행예측 시간을 계산한다.
Figure 112009040454695-PAT00005
여기서, T3는 구간의 통행예측시간이고, i는 i번째 주변도로 이고, T2(i)는 주변도로(i)에 대한 기설정한 수만큼 확인한 구간의 실제 통행시간들 평균 값이고, F1(i)는 주변도로(i)의 가중치 값이다.
도착시간 계산부(134)는 모든 버스에 대해 각 버스의 현재 위치를 확인하고, 상기 구간의 통행예측시간을 이용해서 상기 버스의 상기 현재 위치에서 정류장으로의 도착시간을 계산한다.
이하, 상기와 같이 구성된 본 발명에 따른 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 방법을 아래에서 도면을 참조하여 설명한다.
도 2는 본 발명의 일실시예에 따른 버스의 도착시간을 예측하는 장치에서 구간별 통행 예측 시간을 계산하는 과정을 도시한 흐름도이다.
도 2를 참조하면 버스의 도착시간을 예측하는 장치는 210단계에서 각 구간별 통행시간 예측 요청 수신하면, 212단계로 진행해서 제2 DB에서 K구간 주변도로(i)들의 현재 교통량(T(i))들을 확인한다.
그리고, 버스의 도착시간을 예측하는 장치는 214단계로 진행해서 제2 DB에 서 주변도로(i)의 과거 교통량 중에서 현재의 주변도로(i) 교통량(T1(i))과 가장 비슷한 시점의 K구간의 실제 통행시간을 N개를 주변도로들 별로 확인한다.
그리고, 버스의 도착시간을 예측하는 장치는 216단계로 진행해서 주변도로(i) 각각에 대해 확인한 K구간의 실제 통행시간 N개를 평균한 각 주변도로(i)에 따른 K구간 평균(T2(i))을 계산한다.
그리고, 버스의 도착시간을 예측하는 장치는 218단계로 진행해서 가중치 DB에서 K구간의 주변도로(i)들에 대한 가중치(F1(i))를 확인한다.
그리고, 버스의 도착시간을 예측하는 장치는 220단계로 진행해서 K구간 평균(T2(i))에 가중치(F1(i))를 <수학식 2>와 같이 적용해서 K구간의 통행예측시간(T3)을 계산한다.
그리고, 버스의 도착시간을 예측하는 장치는 222단계로 진행해서 모든 구간의 통행예측시간(T3)을 계산하였는지 확인한다. 확인결과 모든 구간의 통행예측시간(T3)을 계산하였으면, 본 알고리즘을 종료한다.
그러나, 모든 구간의 통행예측시간(T3)을 계산하지 않았으면, 버스의 도착시간을 예측하는 장치는 224단계로 진행해서 다른 구간(K=K+1)을 선택하고, 212단계로 돌아간다.
도 3은 본 발명의 일실시예에 따른 버스의 도착시간을 예측하는 장치에서 예측한 구간별 통행 예측시간을 이용해서 버스의 정류장 도착시간을 산출하는 과정을 도시한 흐름도이다.
도 3를 참조하면 버스의 도착시간을 예측하는 장치는 310단계에서 모든 버스의 도착시간 요청을 수신하면, 312단계로 진행해서 모든 구간의 통행예측시간을 계산한다. 모든 구간의 통행예측시간은 도 2의 과정을 통해 계산할 수 있다.
그리고, 버스의 도착시간을 예측하는 장치는 314단계로 진행해서 현재 K버스의 위치를 확인하고, 316단계로 진행해서 K버스의 현재 위치를 고려해서 각 정류장의 도착시간을 계산한다. 이때, 정류장의 도착시간은 버스의 현재 위치를 통해 버스의 현재 운행 구간과 남은 구간(통행해야 할 구간)을 구해 남은 구간과 운행 구간 중 남은 비율만큼의 통행예측 시간을 현재 시간에 더해서 계산할 수 있다.
그리고, 버스의 도착시간을 예측하는 장치는 318단계로 진행해서 모든 버스의 도착시간을 계산하였는지 확인한다. 확인결과 모든 버스의 도착시간을 계산하였으면 본 알고리즘을 종료한다.
그러나, 모든 버스의 도착시간을 계산하지 않았으면, 버스의 도착시간을 예측하는 장치는 320단계로 진행해서 다른 버스(K=K+1)을 선택하고, 312단계로 돌아간다.
또한, 본 발명의 실시예들은 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터 판독 가능 매체를 포함한다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 프로그램 명령은 본 발명을 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.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
도 1은 본 발명의 일실시예에 따른 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치의 구성을 도시한 도면,
도 2는 본 발명의 일실시예에 따른 버스의 도착시간을 예측하는 장치에서 구간별 통행 예측 시간을 계산하는 과정을 도시한 흐름도 및,
도 3은 본 발명의 일실시예에 따른 버스의 도착시간을 예측하는 장치에서 예측한 구간별 통행 예측시간을 이용해서 버스의 정류장 도착시간을 산출하는 과정을 도시한 흐름도이다.

Claims (19)

  1. 구간의 주변도로들의 현재 교통량들을 확인하고, 상기 구간의 주변도로들의 과거 교통량에 따른 상기 구간의 과거 통행시간을 확인하는 수집정보 확인부; 및
    상기 구간의 주변도로들의 과거 교통량에 따른 상기 구간의 과거 통행시간을 이용해서 상기 구간의 주변도로들의 현재 교통량을 고려한 상기 구간의 통행예측시간을 계산하는 통행예측시간 계산부를 포함하는
    버스의 도착시간을 예측하는 장치.
  2. 제1항에 있어서,
    상기 수집정보 확인부는,
    상기 주변도로들의 과거 교통량들 중에서 상기 주변도로들의 현재 교통량과 가장 유사한 시점에서의 상기 구간의 과거 통행시간을 상기 주변도로 별로 기설정한 수만큼을 확인하고, 상기 구간의 상기 주변도로들에 대한 각각의 가중치를 확인하는
    버스의 도착시간을 예측하는 장치.
  3. 제2항에 있어서,
    상기 통행예측시간 계산부는,
    상기 주변도로들 별로 상기 기설정한 수만큼 확인한 상기 구간의 과거 통행시간들을 상기 주변도로들 별로 평균해서 상기 주변도로들 별 구간 평균을 계산하고, 상기 구간 평균에 상기 가중치을 상기 주변도로들 별로 적용해서 상기 구간의 통행예측시간을 계산하는 통행예측시간 계산부를 포함하는
    버스의 도착시간을 예측하는 장치.
  4. 제1항에 있어서,
    각 버스의 현재 위치를 확인하고, 상기 구간의 통행예측시간을 이용해서 상기 버스의 상기 현재 위치에서 정류장으로의 도착시간을 계산하는 도착시간 계산부를 더 포함하는
    버스의 도착시간을 예측하는 장치.
  5. 제1항에 있어서,
    구간별로 현재의 교통량에 따른 현재의 통행시간을 저장하는 제1 데이터베이스;
    상기 구간별로 상기 현재의 교통량을 수집해서 상기 제1 데이터 베이스에 저장하는 구간별 교통량 수집부; 및
    상기 구간별로 상기 현재의 통행시간을 수집해서 상기 제1 데이터 베이스에 저장하는 구간별 통행시간 수집부를 더 포함하는
    버스의 도착시간을 예측하는 장치.
  6. 제5항에 있어서,
    상기 구간별 교통량 수집부는,
    위성으로 촬영한 구간의 사진에서 차량의 밀도를 이용해서 상기 구간별로 상기 현재의 교통량을 측정해서 수집하는
    버스의 도착시간을 예측하는 장치.
  7. 제5항에 있어서,
    상기 구간별 통행시간 수집부는,
    버스들이 각 정류장들을 통과할 때 상기 버스들로부터 수신하는 신호를 이용해서 상기 구간별로 상기 현재의 통행시간을 수집하는
    버스의 도착시간을 예측하는 장치.
  8. 제5항에 있어서,
    각 구간의 주변도로들을 저장한 주변도로 데이터베이스;
    상기 주변도로 각각의 교통량에 따른 상기 구간의 통행시간을 상기 구간별로 저장한 제2 데이터베이스; 및
    상기 제1 데이터베이스와 상기 주변도로 데이터베이스의 데이터를 재구성해서 상기 제2 데이터베이스를 생성하는 데이터 처리부를 더 포함하는
    버스의 도착시간을 예측하는 장치.
  9. 제8항에 있어서,
    상기 구간의 주변도로들 각각이 상기 구간의 통행시간에 미치는 영향 정도를 나타내는 상기 주변도로들의 가중치를 저장하는 가중치 데이터베이스; 및
    상기 제2 데이터베이스를 이용해서 상기 주변도로들의 교통량변화율과 상기 구간의 통행시간에 대한 변화율을 비교해서 상기 주변도로들의 가중치를 계산하는 가중치 계산부를 더 포함하는
    버스의 도착시간을 예측하는 장치.
  10. 제9항에 있어서,
    상기 수집정보 확인부는,
    상기 제2 데이터베이스에서 상기 구간의 상기 주변도로들의 상기 현재 교통 량들을 확인하고, 상기 제2 데이터베이스에서 상기 기설정한 수만큼의 상기 구간 통행시간들을 확인하고, 상기 가중치 데이터베이스에서 상기 주변도로들에 대한 상기 가중치들을 확인하는
    버스의 도착시간을 예측하는 장치.
  11. 구간의 주변도로들의 현재 교통량들을 확인하는 단계;
    상기 구간의 주변도로들의 과거 교통량에 따른 상기 구간의 과거 통행시간을 확인하는 단계; 및
    상기 구간의 주변도로들의 과거 교통량에 따른 상기 구간의 과거 통행시간을 이용해서 상기 구간의 주변도로들의 현재 교통량을 고려한 상기 구간의 통행예측시간을 계산하는 단계를 포함하는
    버스의 도착시간을 예측하는 방법.
  12. 제11항에 있어서,
    상기 상기 구간의 과거 통행시간을 확인하는 단계는,
    상기 주변도로들의 과거 교통량들 중에서 상기 주변도로들의 현재 교통량과 가장 유사한 시점에서의 상기 구간의 과거 통행시간을 상기 주변도로 별로 기설정한 수만큼을 확인하는
    버스의 도착시간을 예측하는 방법.
  13. 제12항에 있어서,
    상기 구간의 상기 주변도로들에 대한 각각의 가중치를 확인하는 단계를 더 포함하고,
    상기 구간의 통행예측시간을 계산하는 단계는,
    상기 주변도로들 별로 상기 기설정한 수만큼 확인한 상기 구간의 과거 통행시간들을 상기 주변도로들 별로 평균해서 상기 주변도로들 별 구간 평균을 계산하는 단계; 및
    상기 구간 평균에 상기 가중치을 상기 주변도로들 별로 적용해서 상기 구간의 통행예측시간을 계산하는 단계를 포함하는
    버스의 도착시간을 예측하는 방법.
  14. 제11항에 있어서,
    각 버스의 현재 위치를 확인하고, 상기 구간의 통행예측시간을 이용해서 상기 버스의 상기 현재 위치에서 정류장으로의 도착시간을 계산하는 단계를 더 포함하는
    버스의 도착시간을 예측하는 방법.
  15. 제11항에 있어서,
    구간별로 현재의 교통량을 수집하는 단계;
    상기 구간별로 현재의 통행시간을 수집하는 단계; 및
    제1 데이터베이스에 상기 구간별로 상기 현재의 교통량에 따른 상기 현재의 통행시간을 저장하는 단계를 더 포함하는
    버스의 도착시간을 예측하는 방법.
  16. 제15항에 있어서,
    상기 구간별로 상기 현재의 교통량을 수집하는 단계는,
    위성으로 촬영한 구간의 사진에서 차량의 밀도를 이용해서 상기 구간별로 상기 현재의 교통량을 측정해서 수집하는
    버스의 도착시간을 예측하는 방법.
  17. 제15항에 있어서,
    상기 구간별로 상기 현재의 통행시간을 수집하는 단계는,
    버스들이 각 정류장들을 통과할 때 상기 버스들로부터 수신하는 신호를 이 용해서 상기 구간별로 상기 현재의 통행시간을 수집하는
    버스의 도착시간을 예측하는 방법.
  18. 제15항에 있어서,
    각 구간의 주변도로들을 저장한 주변도로 데이터베이스와 상기 제1 데이터베이스의 데이터들을 재구성해서 상기 주변도로 각각의 교통량에 따른 상기 구간의 통행시간을 상기 구간별로 저장한 제2 데이터베이스를 생성하는 단계를 더 포함하는
    버스의 도착시간을 예측하는 방법.
  19. 제18항에 있어서,
    상기 제2 데이터베이스를 이용해서 상기 주변도로들의 교통량변화율과 상기 구간의 통행시간에 대한 변화율을 비교해서 상기 주변도로들의 가중치를 계산해서 가중치 데이터베이스에 저장하는 단계를 더 포함하는
    버스의 도착시간을 예측하는 방법.
KR1020090060136A 2009-07-02 2009-07-02 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법 KR101057223B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090060136A KR101057223B1 (ko) 2009-07-02 2009-07-02 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090060136A KR101057223B1 (ko) 2009-07-02 2009-07-02 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20110002598A true KR20110002598A (ko) 2011-01-10
KR101057223B1 KR101057223B1 (ko) 2011-08-16

Family

ID=43610778

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090060136A KR101057223B1 (ko) 2009-07-02 2009-07-02 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101057223B1 (ko)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104064028A (zh) * 2014-06-23 2014-09-24 银江股份有限公司 基于多元信息数据的公交到站时间预测方法及系统
CN104575085A (zh) * 2015-01-14 2015-04-29 合肥革绿信息科技有限公司 一种基于浮动车的公交车到站动态诱导方法及装置
KR20160050562A (ko) * 2014-10-30 2016-05-11 삼성에스디에스 주식회사 예측 모델 생성 장치 및 방법
CN105913655A (zh) * 2016-03-14 2016-08-31 江苏大学 一种基于模糊算法的电动公交乘坐适宜度计算方法
CN106530689A (zh) * 2016-10-19 2017-03-22 南昌大学 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法
CN107545724A (zh) * 2017-07-05 2018-01-05 邹晓虎 一种公交车的动态调度方法、装置与系统
CN108877276A (zh) * 2018-08-31 2018-11-23 深圳市东部公共交通有限公司 快速预测公交行驶时间方法、装置及计算机终端
CN109754603A (zh) * 2019-01-21 2019-05-14 石家庄铁道大学 行程时间计算方法、装置和终端设备
CN110520913A (zh) * 2017-06-12 2019-11-29 北京嘀嘀无限科技发展有限公司 确定预估到达时间的系统和方法
CN111260926A (zh) * 2020-03-26 2020-06-09 交通运输部科学研究院 一种公交到站时间预测结果可靠度的评价和提示方法
CN111681410A (zh) * 2020-04-17 2020-09-18 大连理工大学 一种基于深度学习的公交车辆在线路站点停靠时间的预测方法
CN113053155A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种基于预测路况确定预计到达时间的导航方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104240502A (zh) * 2014-08-28 2014-12-24 浙江工业大学 基于rfid的公交车动态到站时间预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3834017B2 (ja) * 2003-06-05 2006-10-18 本田技研工業株式会社 交通情報管理システム

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104064028A (zh) * 2014-06-23 2014-09-24 银江股份有限公司 基于多元信息数据的公交到站时间预测方法及系统
CN104064028B (zh) * 2014-06-23 2016-04-06 银江股份有限公司 基于多元信息数据的公交到站时间预测方法及系统
KR20160050562A (ko) * 2014-10-30 2016-05-11 삼성에스디에스 주식회사 예측 모델 생성 장치 및 방법
CN104575085A (zh) * 2015-01-14 2015-04-29 合肥革绿信息科技有限公司 一种基于浮动车的公交车到站动态诱导方法及装置
CN105913655A (zh) * 2016-03-14 2016-08-31 江苏大学 一种基于模糊算法的电动公交乘坐适宜度计算方法
CN106530689B (zh) * 2016-10-19 2019-01-11 南昌大学 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法
CN106530689A (zh) * 2016-10-19 2017-03-22 南昌大学 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法
CN110520913A (zh) * 2017-06-12 2019-11-29 北京嘀嘀无限科技发展有限公司 确定预估到达时间的系统和方法
CN110520913B (zh) * 2017-06-12 2022-04-05 北京嘀嘀无限科技发展有限公司 确定预估到达时间的系统和方法
CN107545724A (zh) * 2017-07-05 2018-01-05 邹晓虎 一种公交车的动态调度方法、装置与系统
CN108877276A (zh) * 2018-08-31 2018-11-23 深圳市东部公共交通有限公司 快速预测公交行驶时间方法、装置及计算机终端
CN109754603A (zh) * 2019-01-21 2019-05-14 石家庄铁道大学 行程时间计算方法、装置和终端设备
CN109754603B (zh) * 2019-01-21 2020-11-03 石家庄铁道大学 自行车行程时间计算方法、装置和终端设备
CN111260926A (zh) * 2020-03-26 2020-06-09 交通运输部科学研究院 一种公交到站时间预测结果可靠度的评价和提示方法
CN111681410A (zh) * 2020-04-17 2020-09-18 大连理工大学 一种基于深度学习的公交车辆在线路站点停靠时间的预测方法
CN113053155A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种基于预测路况确定预计到达时间的导航方法

Also Published As

Publication number Publication date
KR101057223B1 (ko) 2011-08-16

Similar Documents

Publication Publication Date Title
KR101057223B1 (ko) 주변 도로의 교통량 패턴을 학습해서 버스의 도착시간을 예측하는 장치 및 방법
Sun et al. Vehicle trajectory reconstruction for signalized intersections using mobile traffic sensors
US9418545B2 (en) Method and system for collecting traffic data
Hellinga et al. Decomposing travel times measured by probe-based traffic monitoring systems to individual road segments
Zhou et al. Bus arrival time calculation model based on smart card data
JP5374067B2 (ja) 交通状態シミュレーション装置及びプログラム
US9437108B2 (en) Estimation of actual conditions of a roadway segment by weighting roadway condition data with the quality of the roadway condition data
Kim et al. Determining optimal sensor locations in freeway using genetic algorithm-based optimization
CN112435469A (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
CN109493606A (zh) 一种高速公路上违停车辆的识别方法及系统
JP4142886B2 (ja) 旅行時間推計装置およびその方法、コンピュータプログラム
Habtie et al. Artificial neural network based real-time urban road traffic state estimation framework
CN115708343A (zh) 从一组载具收集数据的方法
Li et al. Simulation model for estimating bus dwell time by simultaneously considering numbers of disembarking and boarding passengers
JP2013140498A (ja) バスプローブデータによる一般車の推定走行軌跡取得方法
Kathuria et al. Travel-time variability analysis of bus rapid transit system using GPS data
Shen et al. Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report
KR101116922B1 (ko) 차량의 통행시간 산출 방법
JP2018112824A (ja) 情報処理装置、情報処理システム、及びプログラム
Iyer et al. Urban Traffic Congestion Mapping Using Bus Mobility Data.
CN110648008A (zh) 路况预测方法和装置
JP2008117422A (ja) 旅行時間推計装置およびその方法、コンピュータプログラム
JP2017156983A (ja) 移動経路推定装置、及び移動経路推定方法
JP2004118700A (ja) 走行所要時間予測装置
Zhao et al. Multiclass probit-based origin–destination estimation using multiple data types

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140701

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20150619

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160629

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee