KR20150072471A - 시공간 확률 모델을 이용한 교통 흐름 예측 시스템 - Google Patents

Abstract

본 발명은 시공간 확률 모델을 이용한 교통 흐름 예측 시스템에 관한 것으로서, VDS센서로부터 입력된 속도 및 차량 수 데이터를 이용한 Historical 및 실시간 교통 데이터의 통계 및 확률적 분석과, 교통 흐름의 지리적 상관 관계를 통하여 정확한 교통흐름을 예측할 수 있는 시공간 확률 모델을 이용한 교통 흐름 예측 시스템을 제공함에 그 목적이 있다
이러한 목적을 달성하기 위한 본 발명은, 교통흐름의 시공간 도메인에서의 상관 관계를 표현하기 위한 모델을 생성하는 오프라인 예측부; 및 도로에 설치된 다양한 센서로부터 측정된 데이터의 통계분석을 통해 단일 시간에서의 대표 값을 생성하고, 상기 오프라인 예측부를 통해 학습된 예측모델을 이용하여 특정 시간 뒤의 교통량을 출력하는 온라인 예측부; 를 포함한다.

Description

시공간 확률 모델을 이용한 교통 흐름 예측 시스템{TRAFFIC FLOW PREDICTION SYSTEM USING SPATIOTEMPORAL STOCHASTIC MODEL}

본 발명은 시공간 확률 모델을 이용한 교통 흐름 예측 시스템에 관한 것으로서, 더욱 상세하게는 VDS센서로부터 입력된 속도 및 차량 수 데이터를 이용한 Historical 및 실시간 교통 데이터의 통계 및 확률적 분석과, 교통 흐름의 지리적 상관 관계를 통하여 정확한 교통흐름을 예측할 수 있는 시공간 확률 모델을 이용한 교통 흐름 예측 시스템에 관한 것이다.

교통 흐름 예측 시스템과 관련해서는, 한국공개특허 제10-2009-0061384호(이하, '선행문헌') 외에 다수 공개 및 등록되어 있다.

상기한 선행문헌은, 교통 통계 정보를 이용하여 시간 변화에 따른 정체 구간을 검색하는 단계; 상기 검색된 정체 구간 중 반복적으로 정체가 나타나는 상습 정체 구간을 추출하는 단계; 상기 추출된 상습 정체 구간에 영향을 받는 도로의 속도 변화 패턴을 파악하는 단계; 및 상기 속도 변화 패턴에 기초하여 교통 흐름을 예측하는 단계; 를 포함한다.

그러나, 선행문헌을 포함한 종래에는, 실시간 교통 데이터의 통계 및 확률적 분석과 교통 흐름의 지리적 상관 관계를 통한 정확한 교통흐름을 예측할 수 없는 한계가 있었다.

한국공개특허 제10-2009-0061384호.

본 발명은 상기와 같은 문제점을 감안하여 안출된 것으로, VDS센서로부터 입력된 속도 및 차량 수 데이터를 이용한 Historical 및 실시간 교통 데이터의 통계 및 확률적 분석과, 교통 흐름의 지리적 상관 관계를 통하여 정확한 교통흐름을 예측할 수 있는 시공간 확률 모델을 이용한 교통 흐름 예측 시스템을 제공함에 그 목적이 있다.

이러한 기술적 과제를 달성하기 위한 본 발명은 시공간 확률 모델을 이용한 교통 흐름 예측 시스템에 관한 것으로서, 교통흐름의 시공간 도메인에서의 상관 관계를 표현하기 위한 모델을 생성하는 오프라인 예측부; 및 도로에 설치된 다양한 센서로부터 측정된 데이터의 통계분석을 통해 단일 시간에서의 대표 값을 생성하고, 상기 오프라인 예측부를 통해 학습된 예측모델을 이용하여 특정 시간 뒤의 교통량을 출력하는 온라인 예측부; 를 포함한다.

또한 상기 오프라인 예측부는, 특정 기간동안 인접한 콘존의 모든 교통 센서로부터 측정값을 수집하는 측정값 수집모듈; 임의 콘존에서의 단위시간동안의 교통 흐름 대표값 추출을 위한 데이터 필터링을 수행하는 데이터 필터링모듈; 임의의 시간에서의 교통 흐름 분포를 표현하기 위해 히트맵을 정의하는 MRF 모델링모듈; 및 상기 MRF 모델링모듈을 통해 정의된 히트맵(Heat map)은 시공간상의 Markov random field로 모델링하는 베이지안 추론모듈; 을 포함하는 것을 특징으로 한다.

그리고 상기 온라인 예측부는, 도로에 설치된 다양한 센서로부터 측정된 데이터의 통계분석을 통해 단일 시간에서의 대표 값을 생성하되, 임의 콘존에서의 현재시간에서의 교통 흐름 대표값 추출을 위한 데이터 필터링을 수행하는 데이터 필터링모듈; 상기 오프라인 예측부를 통해 학습된 예측모델을 이용하여 교통흐름을 예측하는 데이터 예측모듈; 및 상기 데이터 예측모듈의 예측결과를 바탕으로, 특정 시간 뒤의 교통량을 3차원 히트맵으로 출력하는 히트맵 생성모듈; 을 포함하는 것을 특징으로 한다.

상기와 같은 본 발명에 따르면, VDS센서로부터 입력된 속도 및 차량 수 데이터를 이용하여 Historical 및 실시간 교통 데이터의 통계 및 확률적 분석과 교통 흐름의 지리적 상관 관계를 통하여 정확한 교통흐름을 예측할 수 있는 효과가 있다.

도 1 은 본 발명에 따른 시공간 확률 모델을 이용한 교통 흐름 예측 시스템을 개념적으로 도시한 전체 구성도.
도 2 는 본 발명에 따른 시간 도메인상에서의 clique potential 의 일예시도(a) 및 공간 도메인에서의 clique potential 의 일예시도(b).
도 3 은 본 발명에 따른 고속도로 콘존현황을 보이는 일예시도.
도 4 는 본 발명에 따른 히트맵에 관한 일예시도.
도 5 는 본 발명에 따른 공간 도메인에서의 예측 결과를 보이는 일예시도.
도 6 은 본 발명에 따른 시간 도메인에서의 예측 결과를 보이는 일예시도.

본 발명의 구체적 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명을 상세하게 설명한다.

본 발명에 따른 시공간 확률 모델을 이용한 교통 흐름 예측 시스템에 관하여 도 1 내지 도 6 을 참조하여 설명하면 다음과 같다.

도 1 은 본 발명에 따른 시공간 확률 모델을 이용한 교통 흐름 예측 시스템(S)을 개념적으로 도시한 전체 구성도로서, 도시된 바와 같이 오프라인 예측부(100) 및 온라인 예측부(200)를 포함하여 이루어진다.

오프라인 예측부(100)는 교통흐름의 시공간 도메인에서의 상관 관계를 표현하기 위한 모델을 생성하는 기능을 수행하는 바, 상기 도 1 에 도시된 바와 같이 측정값 수집모듈(110), 데이터 필터링모듈(120), MRF 모델링모듈(130) 및 베이지안 추론모듈(140)을 포함하여 이루어진다.

구체적으로, 측정값 수집모듈(110)은 특정 기간동안 인접한 콘존의 모든 교통 센서로부터 측정값을 수집한다.

본 발명에서는 도로 공사로부터 얻은 교통 데이터를 사용하였다. 도로공사 데이터의 관측 구간은 경부 고속도로로, 고속도로의 각 구간은 콘존(Cone-zone) 단위 나뉜다. 콘존은 구간의 길이에 따라 여러 대의 Vehicle detection sensor(VDS)가 각 차선에 대해 순차적으로 부착되어 있으며, 각 VDS는 차량의 평균 속도, 차량 이동 대수, 도로 상의 차량 점유율과 같은 교통 흐름 정보를 감지한다.

도로 공사로부터 획득한 데이터는 콘존 및 VDS에 대한 정보와 시간대별 경부고속도로상의 VDS로부터 획득한 데이터를 저장한 것으로 2011년 1월부터 2013년 6월 기간 동안 획득한 데이터로 월별로 나뉘었다. 콘존 및 콘존에 따른 교통 흐름 데이터를 저장하기 위해 데이터베이스(Database)를 설계하였고, 데이터 저장을 위해 설계한 테이블은 [표 1~3] 에서 보인다.

콘존 정보를 저장하는 테이블은 [표 1] 과 같이 설계되었다. 각 콘존은 ID로 구분되며 콘존 ID는 콘존 정보 데이터들을 구분하기 위한 기본키로 사용되었다. 콘존 정보로는 콘존명과 콘존의 길이(m단위), 도로 방향 정보(서울방향/부산 방향), 시작 노드와 종료 노드, 차로 개수, 노선 번호, 콘존 내 제한 속도, 콘존 순서, 버스 전용차로 유무, 도로 등급 코드 및 장비 소속 구분 코드로 구성된다.

[표 1]

VDS에 관한 정보를 저장하는 테이블은 [표 2] 와 같다. 각 VDS는 ID로 구분되며, VDS ID는 데이터를 구분하기 위한 기본키로 사용되었다. VDS가 부착된 콘존의 ID, 지점이정, 콘존 내 VDS 시작지점과 종료 지점, VDS 유형 코드, 상세 코드명, 노선 구성 순번 및 해당 VDS존의 길이로 구성된다.

[표 2]

VDS로부터 감지된 교통 흐름 정보를 저장하는 테이블은 [표 3] 과 같다. VDS는 동일 지점이라도 각 차선에 따라 부착되어 있으므로, 기본 데이터는 관측 시간과 VDS ID, VDS 관측의 조합으로 생성한 ID로 구분되며, 조합된 ID는 각 관측 데이터를 구분하기 위한 기본키로 사용되었다. VDS 관측 데이터는 관측 시점, 관측 차선, 교통량, 점유율, 평균속도로 구성된다.

[표 3]

본 발명은, 설계된 DB의 세 개의 테이블을 이용하여 도로공사로부터 획득한 데이터를 파싱하여 DB로 저장하였다. 경부 고속도로 내의 모든 콘존 정보를 Database에 저장하였으며, 해당 콘존에 부착된 VDS데이터의 관측데이터를 2013년도 도로공사 데이터를 저장하였다.

데이터 필터링모듈(120)은 임의 콘존에서의 단위시간동안의 교통 흐름 대표값 추출을 위한 데이터 필터링을 수행한다.

이때, 수집된 VDS 관측 데이터를 교통 흐름 예측 시스템의 입력데이터로 사용한다. VDS 관측 데이터는 평균 1분 단위로 샘플링하여 사용된다. 이때, 관측데이터에서 0 혹은 음수 데이터는 VDS 관측 오류 혹은 데이터 오류로 간주하여 이를 제외한 관측 데이터만 유효 데이터로 사용한다. 관측 데이터는 속도와 이동 차량 대수이다. 이 때, 각 VDS 데이터는 각 lane에서 관측한 데이터를 통합하여 사용한다. 본 연구에서 사용한 콘존의 Lane은 3차선으로 세 대의 VDS 관측 값을 통합하여 사용하였다. 실제 관측 결과 같은 콘존 내의 빈 VDS 데이터가 존재하여,이동 차량 대수는 세 lane에 해당하는 값을 누적하였고 속도는 아래의 [수식 1], [수식 2] 를 통해 계산하였다. 따라서, 해당 콘존의 VDS 값은 세 차선의 값이 모두 있는 경우 각 차선의 VDS 데이터를 누적하여 평균 값([수식 1])을 사용하였고, 일부 차선의 VDS 관측 데이터가 없는 경우 조화 평균([수식 2])를 사용하여 계산하였다. 각 평균 계산 식은 아래와 같다.

[수식 1] 은 각 차선의 속도를 누적하고, 전체 레인 개수로 나누어 평균을 계산하는 식이다. [수식 2] 는 각 차선의 속도와 차량 대수를 곱하고, 이를 전체 차선을 움직인 차량수로 나누는 조화평균을 의미한다. 여기서, N_{passedcarinalllane}은 해당 구간에 지나간 모든 차량 대수를 의미하고, N_{passedcarinlanel}은 해당 차선을 지나간 차량 대수를 의미한다.

[수식 1]

여기서, V: 현재 VDS 구간의 속도, N_lane: 해당 콘존의 차선 수, V_l은 l번째 차선에서의 속도.

[수식 2]

여기서, N_{passed car in all lane} : 해당 구간에 지나간 모든 차량 대수, N_{passed car in lane l} : 해당 차선을 지나간 차량 대수.

MRF 모델링모듈(130)은 임의의 시간에서의 교통 흐름 분포를 표현하기 위해 히트맵을 정의한다.

정의된 히트맵은 Irregular lattice 상에 정의된 random field로, [수식 3] 으로 표현된다. 히트맵의 각 픽셀은 해당 영역에 대응되는 link 및 콘존(cone-zone)에서의 정체확률을 의미하며, [수식 3] 에서 는 히트맵 생성을 위해 해당 콘존(cone-zone)에서 관측된 VDS 특징(속도, 점유율, 이동 차량 대수)를 입력 받아 정체확률로 맵핑해주는 함수를 의미한다.

이때, t는 월별, 주별, 시간별, 분별로 세분화될 수 있다.

히트맵에서 대부분의 셀들은, 인접한 셀, 즉 지리적으로 연결된 콘존들과 유사한 컬러(평균속도)를 가진다. 이는 도로교통 흐름을 분석 및 예측할 때, 단일 콘존만 고려하는 것이 아니라, 인접한 콘존과의 상관관계를 같이 고려해야 된다는 것을 보여준다. 또한, 히트맵에서의 현재 관측된 셀의 상관관계는 시간적인 흐름에서도 관측 된다. 갑작스런 큰 변화가 발생하는 콘존들도 존재하는 상황은 사고 및 근처 도시의 이벤트에 의해 야기되는 것으로 해석될 수 있다. 이러한 특성들은 교통흐름이 시공간 도메인에서 Markovian property가 존재하는 것을 알 수 있다. 따라서, 히트맵은 단순한 시간도메인에서의 변화율을 나타내는 1차원 공간이 아니라, 시간적 변화율과 공간인접성을 모두 고려한 3차원 공간상의 히트맵으로 표현된다.

[수식 3]

히트맵 상의 missing된 데이터가 존재할 때, 차량의 이동 대수 및 평균 속도를 예측하기 위한 과정이 진행된다. 대부분의 기존의 방법은 시간 도메인에서의 평균 속도, 혹은 interpolation을 이용하여 예측하였다.

이러한 방법들은 homogeneous한 영역에서는 좋은 예측 결과를 보이지만, 복잡한 activity가 나타나는 영역에 대해서는 부정확한 결과를 보였다. 이러한 기존의 방법의 문제점을 해결하기 위해, Auto regressive 모델 혹은 Markov Random Field 모델과 같은 확률적 모델을 이용한 예측 시스템이 개발되었다. 이러한 시스템은 좋은 결과를 보이지만, 많은 양의 계산 시간을 요구하며, 실시간 시스템에 적용하기 어렵다.

베이지안 추론모듈(140)은 MRF 모델링모듈(130)을 통해 정의된 히트맵(Heat map)은 시공간상의 Markov random field로 모델링된다.

이때, 시간 도메인간의 dependency는 [수식 4] 로 표현되고, 공간 도메인간의 dependency는 [수식 5] 로 표현된다.

[수식 4]

[수식 5]

t+k 시간대에서의 히트맵 예측은 MRF-MAP 프레임워크에서 [수식 6] 과 같이 표현된다. 사전확률(Priori),

는 3차원 Multi-level logistic(MLL)을 가진다. 실제 환경에서 확률

는 공간 도메인과 시간 도메인에서의 smoothness를 의미한다.

우도 확률(Likelihood),

는 Gaussian mixture model(GMM)을 가진다. 관측된 교통 파라미터 값은 일반적으로 점점 증가하거나 점점 감소된다.

[수식 6]

사전확률(A prior)는 시공간 도메인에서 교통 흐름의 dependency로 정의된다. 각 공간 및 시간 도메인상의 smoothness는 정의된 clique potential의 합으로 표현된다. 시간 도메인상의 clique potential은 도 2 의 (a) 로 표현된다. t-1 과 t 시간 사이에는 한 개의 two-pair clique와 네 개의 triple clique가 존재하며 이는 각각

과

로 표현된다.

시간 도메인상의

은 네 방향 neighborhood이다. 공간 도메인상의 clique potential은 도 2 의 (b) 로 표현된다. 대부분 시간 t에서는 8개의 two-pair clique가 존재하였으며, 8개의triple clique가 나타났다. 이는 각각

와

로 표현되며,

은 팔 방향 neighborhood 이다. 따라서, r에서 사전확률

은 [수식 7] 로 표현할 수 있다.

[수식 7]

온라인 예측부(200)는 도로에 설치된 다양한 센서로부터 측정된 데이터의 통계분석을 통해 단일 시간에서의 대표 값을 생성하고, 오프라인 예측부(100)를 통해 학습된 예측모델을 이용하여 특정 시간 뒤의 교통량을 출력하는 기능을 수행하는 바, 상기 도 1 에 도시된 바와 같이, 데이터 필터링모듈(210), 데이터 예측모듈(220) 및 히트맵 생성모듈(230)을 포함한다.

구체적으로, 데이터 필터링모듈(210)은 도로에 설치된 다양한 센서로부터 측정된 데이터의 통계분석을 통해 단일 시간에서의 대표 값을 생성한다. 즉, 임의 콘존에서의 현재시간에서의 교통 흐름 대표값 추출을 위한 데이터 필터링을 수행한다.

현재 시간에서 관측된 VDS 관측 데이터를 필터링하여 교통 흐름 예측 시스템의 입력데이터로 사용한다. 이때, 관측데이터에서 0 또는 음수 데이터는 VDS 관측 오류 혹은 데이터 오류로 간주하고, 이를 제외한 관측 데이터만 유효 데이터로 사용한다.

관측 데이터는 속도와 이동 차량 대수이다. 이 때, 각 VDS 데이터는 각 lane에서 관측한 데이터를 통합하여 사용한다. 본 연구에서 사용한 콘존의 Lane은 3차선으로 세 대의 VDS 관측 값을 통합하여 사용하였다. 따라서, 해당 콘존의 VDS 값은 세 차선의 값이 모두 있는 경우 각 차선의 VDS 데이터를 누적하여 평균 값을 사용하였고, 일부 차선의 VDS 관측 데이터가 없는 경우 조화 평균을 사용하여 계산하였다.

데이터 예측모듈(220)은 오프라인 예측부(100)를 통해 학습된 예측모델을 이용하여 교통흐름을 예측한다.

즉, 베이시안 접근법에서 사후확률 최대화기준(Maximum aPosteriori: MAP framework)을 사용하여 정형화 된다. 따라서, 예측은 사후에너지 함수의 최소화로 표현되고, 이때 정의 된 에너지 함수는 GA/HCF/ICM 등에 의해 최소화 된다.

GA 알고리즘을 예를 들면, 유전자 알고리즘은 복잡한 해공간을 가지는 최적화 문제를 다루는데 효율적인 알고리즘이다. 제안된 방법에서는 각 염색체는 평균속도 특징벡터로 이루어지고, 히트맵에서 하나의 셀에 할당된다. 염색체들은 초기화 후 종료조건에 부합할 될 때까지 선택, 교접, 돌연변이를 반복 수행하여 진화한다. 이러한 과정을 통해 염색체의 평균속도는 안정적인 해로 수렴이 되고, 이때 얻어진 평균속도가 예측 결과로 간주된다.

히트맵 생성모듈(230)은 데이터 예측모듈(220)의 예측결과를 바탕으로, 특정 시간 뒤의 교통량을 3차원 히트맵으로 출력한다.

히트맵의 각 셀은 컬러값을 가지는데, 이는 정체 확률을 나타내는 것으로 붉은색 일수록 정체확률이 높음을 의미한다. 생성된 히트맵(heat map)을 누적한 historical 데이터에 대해 Bayesian analysis를 이용하여 학습 및 확률분석을 통해 예측 모델을 생성한다.

도로 공사에서 제공된 데이터는 서울에서 부산간 다음의 고속도로에서의 정보를 제공하고 있다.

도 3 은 대전에서 부산까지의 대표 도시간 고속도로와 이들 도시간 연결된 콘존은 보여준다. 실제로 정확한 교통 흐름을 예측하기 위해서는, 단일 콘존 및 링크의 히스토리컬정보 뿐만 아니라, 인접한 콘존 및 링크의 정보도 같이 사용이 되어야 한다. 도 3 에서 보여진 지아미트릭 정보를 바탕으로, 도 4 와 같은 히트맵을 생성한다.

도 4 에 도시된 바와 같이, 각 콘존은 각기 다른 지리적인 특징을 가지고 있다. 예를 들어, 비룡의 경우에는 두 개의 콘존과 인접해 있는 반면, 고령의 경우에는 4개의 콘존과 인접해 있다. 따라서, 교통흐름 예측 모델은 이러한 다양한 지리적인 특징을 가진 도로 환경에 적용될 수 있어야 한다.

특정 기간내의 인접한 콘존들에서의 교통흐름의 시간적 추이를 이용하여 생성된 3D 히트맵(Heat Map)은 단순 평균속도의 그래프보다 더 많은 정보를 표현할 수 있다. 이러한 3D 히트맵(Heat Map)을 이용한 시공간 예측은 도 3 과 같이 시간 및 공간정보만을 사용하여 추정한 결과들보다 효율적으로 예측된다.

본 발명에 따른 시스템은, 복잡한 도로에서의 교통흐름은 단순한 시간 도메인에서의 변화율을 나타내는 1차원 공간이 아닌, 시간적 변화율과 공간인접성을 모두 고려하여 3차원 공간에서의 히트맵을 생성하는 특징적인 장점을 가진다.

이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.

100: 오프라인 예측부 200: 온라인 예측부
110: 측정값 수집모듈 120: 데이터 필터링모듈
130: MRF 모델링모듈 140: 베이지안 추론모듈
210: 데이터 필터링모듈 220: 데이터 예측모듈
230: 히트맵 생성모듈

Claims (3)

1. 교통흐름의 시공간 도메인에서의 상관 관계를 표현하기 위한 모델을 생성하는 오프라인 예측부(100); 및
   도로에 설치된 다양한 센서로부터 측정된 데이터의 통계분석을 통해 단일 시간에서의 대표 값을 생성하고, 상기 오프라인 예측부(100)를 통해 학습된 예측모델을 이용하여 특정 시간 뒤의 교통량을 출력하는 온라인 예측부(200); 를 포함하는 시공간 확률 모델을 이용한 교통 흐름 예측 시스템.
   
2. 제 1 항에 있어서,
   상기 오프라인 예측부(100)는,
   특정 기간동안 인접한 콘존의 모든 교통 센서로부터 측정값을 수집하는 측정값 수집모듈(110);
   임의 콘존에서의 단위시간동안의 교통 흐름 대표값 추출을 위한 데이터 필터링을 수행하는 데이터 필터링모듈(120);
   임의의 시간에서의 교통 흐름 분포를 표현하기 위해 히트맵을 정의하는 MRF 모델링모듈(130); 및
   상기 MRF 모델링모듈(130)을 통해 정의된 히트맵(Heat map)은 시공간상의 Markov random field로 모델링하는 베이지안 추론모듈(140); 을 포함하는 것을 특징으로 하는 시공간 확률 모델을 이용한 교통 흐름 예측 시스템.
   
3. 제 1 항에 있어서,
   상기 온라인 예측부(200)는,
   도로에 설치된 다양한 센서로부터 측정된 데이터의 통계분석을 통해 단일 시간에서의 대표 값을 생성하되, 임의 콘존에서의 현재시간에서의 교통 흐름 대표값 추출을 위한 데이터 필터링을 수행하는 데이터 필터링모듈(210);
   상기 오프라인 예측부(100)를 통해 학습된 예측모델을 이용하여 교통흐름을 예측하는 데이터 예측모듈(220); 및
   상기 데이터 예측모듈(220)의 예측결과를 바탕으로, 특정 시간 뒤의 교통량을 3차원 히트맵으로 출력하는 히트맵 생성모듈(230); 을 포함하는 것을 특징으로 하는 시공간 확률 모델을 이용한 교통 흐름 예측 시스템.

Images