KR20190057501A - System and Method for Predicting Riskness of Road According to Weather Conditions - Google Patents
System and Method for Predicting Riskness of Road According to Weather Conditions Download PDFInfo
- Publication number
- KR20190057501A KR20190057501A KR1020170154475A KR20170154475A KR20190057501A KR 20190057501 A KR20190057501 A KR 20190057501A KR 1020170154475 A KR1020170154475 A KR 1020170154475A KR 20170154475 A KR20170154475 A KR 20170154475A KR 20190057501 A KR20190057501 A KR 20190057501A
- Authority
- KR
- South Korea
- Prior art keywords
- road
- road surface
- surface state
- risk
- weather
- Prior art date
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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
본 발명은 도로 위험도 예측 시스템 및 방법에 관한 것으로, 보다 자세하게는 기상 상황에 따른 도로 위험도 예측 시스템 및 방법에 관한 것이다.The present invention relates to a road risk prediction system and method, and more particularly, to a road risk prediction system and method according to weather conditions.
종래의 기술에는 차량에서 전방 상황을 고려하여 안전운전을 유도하는 방법, 곡선로에서 요레이트 센서(YawRate Sensor)를 이용하여 상대속도 및 안전속도를 유지시키는 방법, 시정 및 노면센서를 이용한 도로 시정 경고 시스템, 차량의 속도와 전후 차량간의 차두시간으로부터 차량의 안전거리를 계산하는 시스템 등이 존재한다. 그러나 이와 같은 종래 기술은, 첫째, 도로노면상태와 도로노면마찰계수 및 도로 트래픽 정보를 고려하지 않는 한계점이 있다. 둘째로, 운전자 인지반응시간, 상충까지의 시간 등의 다양한 변수를 고려하지 않고 안전거리를 산출하는 문제점이 있다. 셋째로, 안전속도가 아닌 안전거리를 산정하여 제공함으로써, 운전자가 이를 직관적으로 인지하고 실제로 활용하는데 어려움이 있다. Conventional techniques include a method of inducing safe driving in consideration of a forward situation in a vehicle, a method of maintaining a relative speed and a safe speed by using a yaw rate sensor in a curved road, a road visibility warning System, a system for calculating the safety distance of the vehicle from two hours between the speed of the vehicle and the vehicle ahead and back, and the like. However, such a conventional technique has a limitation in that firstly, the road surface condition, road surface friction coefficient, and road traffic information are not considered. Second, there is a problem of calculating the safety distance without taking into consideration various variables such as the driver's reaction time, the time to the conflict, and the like. Third, it is difficult for the driver to intuitively recognize and actually utilize the safety distance by calculating the safety distance instead of the safety speed.
이러한 문제점을 해결하기 위해 한국등록특허 제10-1331054호는 도로노면정보 및 도로 트래픽 정보를 고려한 안전속도 산정방법 및 그 장치에 대해 개시하고 있다. 한국등록특허 제10-1331054호에 개시된 방법 및 장치에 의하면, GNSS 수신기와 무선통신이 가능한 조사 차량으로부터 수집되는 속도 정보, 위치 정보, 도로노면정보 등에 따른 안전속도를 운전자에게 권고함으로써 교통 안전성을 높이는데 기여할 수 있고, 또한, 교통의 막힘, 사고의 발생, 급격한 날씨의 변화 등에 적극적으로 대응하여, 운전자에게 속도를 낮추도록 유도하는데 이용할 수 있어, 추가적인 2차 사고의 발생 방지, 지체의 완화 등에 기여할 수 있게 되는 장점이 있다.In order to solve such a problem, Korean Patent Registration No. 10-1331054 discloses a safety speed calculation method and apparatus for considering the road surface information and road traffic information. According to the method and apparatus disclosed in Korean Patent No. 10-1331054, it is possible to improve the traffic safety by recommending the safety speed according to the speed information, the position information, and the road surface information collected from the survey vehicle capable of wireless communication with the GNSS receiver And can also be used to induce drivers to lower the speed by positively responding to traffic clogging, accident occurrence, sudden weather change, etc., thereby contributing to the prevention of additional secondary accidents and mitigation of delays There are advantages to be able to.
그러나 한국등록특허 제10-1331054호는 실시간으로 조사 차량에 의해 도로노면상태를 계속적으로 수집해야 되기 때문에 운용을 하는데 많은 비용과 노력이 들어간다. 또한 조사 차량이 지나간 후에 갑자기 기상 상태가 변경되는 경우, 예컨대 차량이 도로의 해당 지점을 지나간 후 비가 오거나 눈이 내려서 도로노면상태가 갑자기 변경된 경우 이를 실시간으로 반영할 수 없는 단점이 있다.However, in Korean Patent No. 10-1331054, since the road surface condition must be continuously collected by a survey vehicle in real time, there is a great deal of cost and effort in operation. In addition, when the weather condition is suddenly changed after passing the survey vehicle, for example, when the vehicle suddenly changes its road surface state due to rain or snow after passing through a corresponding point on the road, it can not be reflected in real time.
따라서 본 발명이 해결하고자 하는 기술적 과제는 기상 상황에 따른 도로노면상태를 추정하여 도로 위험도를 예측할 수 있는 시스템 및 방법을 제공하는 것이다.SUMMARY OF THE INVENTION Accordingly, it is an object of the present invention to provide a system and a method for predicting a road condition by estimating a road condition according to a weather condition.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 기상 상황에 따른 도로 위험도 예측 방법은, 노면 상태 예측 모델을 이용하여 예측 대상 지점의 기상 상태에 따른 도로 노면 상태를 예측하는 단계, 그리고 상기 예측 대상 지점에 대해 미리 저장된 도로 기하 구조 및 상기 예측된 도로 노면 상태를 입력받아 도로 위험도 예측 알고리즘을 이용하여 상기 예측 대상 지점의 도로 위험도를 예측하는 단계를 포함한다.According to another aspect of the present invention, there is provided a method for predicting a road surface risk according to a weather condition, the method comprising the steps of: predicting a road surface state according to a weather condition of a forecasted point using a road surface state prediction model, And predicting the road risk of the predicted location using the road risk prediction algorithm in response to the predicted road surface state.
상기 방법은, 이동체에 장착된 노면 센서를 이용하여 획득되는 도로 노면 상태 정보를 기상 데이터와 맵핑한 학습 데이터를 구축하는 단계, 그리고 상기 학습 데이터를 이용하여 기상 상태에 따른 도로 노면 상태를 예측하는 상기 노면 상태 예측 모델을 학습하는 단계를 더 포함할 수 있다.The method comprises the steps of: constructing learning data in which road surface state information obtained by using a road surface sensor mounted on a mobile body is mapped with weather data; and predicting a road surface state according to a weather state using the learning data, And a step of learning the road surface state prediction model.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 기상 상황에 따른 도로 위험도 예측 시스템은, 노면 상태 예측 모델을 이용하여 예측 대상 지점의 기상 상태에 따른 도로 노면 상태를 예측하는 도로 노면 상태 예측부, 그리고 상기 예측 대상 지점에 대해 미리 저장된 도로 기하 구조 및 상기 예측된 도로 노면 상태를 입력받아 도로 위험도 예측 알고리즘을 이용하여 상기 예측 대상 지점의 도로 위험도를 예측하는 도로 위험도 예측부를 포함한다.According to an aspect of the present invention, there is provided a road surface condition prediction system according to a weather condition, including a road surface state prediction unit for predicting a road surface state according to a weather condition of a prediction target point using a road surface state prediction model, And a road risk prediction unit for predicting the road risk of the prediction target point using the road risk prediction algorithm based on the road geometry pre-stored for the prediction target point and the predicted road surface condition.
상기 시스템은, 이동체에 장착된 노면 센서를 이용하여 획득되는 도로 노면 상태 정보를 기상 데이터와 맵핑한 학습 데이터를 저장하는 데이터베이스, 그리고 상기 학습 데이터를 이용하여 기상 상태에 따른 도로 노면 상태를 예측하는 상기 노면 상태 예측 모델을 학습하는 학습부를 더 포함할 수 있다.The system includes a database for storing learning data obtained by mapping road surface state information obtained by using a road surface sensor mounted on a moving object with weather data, and a database for predicting a road surface state according to a weather condition using the learning data. And a learning unit for learning the road surface state prediction model.
상기 도로 노면 상태 정보는 노면 표면 온도, 노면 수막 두께, 노면 마찰 계수, 외기 온도 및 노면 상태 타입 중 적어도 하나를 포함할 수 있다.The road surface state information may include at least one of a road surface temperature, a road surface water film thickness, a road surface friction coefficient, an outside air temperature, and a road surface state type.
상기 노면 상태 타입은 미리 정해진 기준에 따라 도로 노면 상태를 구분한 정보일 수 있다.The road surface state type may be information that distinguishes the road surface state according to a predetermined standard.
상기 도로 위험도 예측 알고리즘은, 도로 기하 구조, 도로 노면 상태 및 도로 트래픽 정보를 반영하여 도로 위험도를 예측할 수 있다.The road risk prediction algorithm can predict the road risk by reflecting road geometry, road surface condition, and road traffic information.
상기 도로 기하 구조는 도로 종단 기울기, 도로 횡단 기울기 및 도로 곡률 중 적어도 하나를 포함할 수 있다.The road geometry may include at least one of a road end slope, a road cross slope, and a road curvature.
상기 도로 트랙픽 정보는 교통량 및 통행 속도 중 적어도 하나를 포함할 수 있다.The road traffic information may include at least one of traffic volume and traffic speed.
본 발명에 의하면, 도로 노면 상태와 기상 데이터를 맵핑한 학습 데이터를 구축하여 도로 노면 상태 예측 모델을 학습하고 나면, 실시간으로 제공되는 기상 데이터와 도로 트래픽 정보만으로 도로 위험도를 예측할 수 있는 장점이 있다.According to the present invention, learning data obtained by mapping road surface state and weather data to construct a road surface state prediction model is advantageous in that the road risk can be predicted only by meteorological data and road traffic information provided in real time.
도 1은 본 발명의 일 실시예에 따른 기상 상황에 따른 도로 위험도 예측 시스템의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시예에 따른 기상 상황에 따른 도로 위험도 예측 시스템의 동작을 설명하기 위해 제공되는 흐름도이다.1 is a block diagram showing a configuration of a road-risk prediction system according to a weather condition according to an embodiment of the present invention.
FIG. 2 is a flowchart illustrating an operation of a road-risk prediction system according to a weather condition according to an embodiment of the present invention.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention.
도 1은 본 발명의 일 실시예에 따른 기상 상황에 따른 도로 위험도 예측 시스템의 구성을 나타낸 블록도이다.1 is a block diagram showing a configuration of a road-risk prediction system according to a weather condition according to an embodiment of the present invention.
도 1을 참고하면, 본 발명에 따른 기상 상황에 따른 도로 위험도 예측 시스템은 도로 노면 상태 수집부(110), 기상 정보 획득부(120), 도로 트래픽 정보 획득부(130), 데이터베이스(140), 학습부(150), 도로 노면 상태 예측부(160) 및 도로 위험도 예측부(170)를 포함할 수 있다.1, the road risk prediction system according to the present invention includes a road surface
도로 노면 상태 수집부(110)는 도로 노면 상태 정보를 수집하여 학습 데이터를 구축하는 기능을 수행한다. 도로 노면 상태 수집부(110)는 노면 센서(111)와 GNSS 수신부(115)를 포함할 수 있다. 도로 노면 상태 수집부(110)를 장착한 도로 정보 수집 차량(도시하지 않음)이 도로를 주행하면서, 노면 센서(111)를 통해 획득되는 도로 노면 상태 정보에 GNSS 수신부(115)로부터 획득되는 GNSS 신호로부터 얻어지는 위치 정보(위도, 경도)와 데이터 수집 시간을 대응시켜 수집할 수 있다.The road surface
노면 센서(111)는 노면 표면 온도, 노면 수막 두께, 외기 온도 및 노면 상태 타입 등을 비접촉 방식으로 획득할 수 있다. 노면 센서(111)를 이용하여 노면 표면 온도, 노면 수막 두께, 외기 온도 및 노면 상태 타입 등을 비접촉 방식으로 획득하는 방법은 이미 잘 알려져 있으므로 여기서 자세한 설명은 생략한다. 한편 실시예에 따라서 노면 센서(111)는 도로의 노면 마찰 계수를 측정하는 기능을 포함할 수도 있다.The
여기서 노면 상태 타입은 미리 정해진 기준에 따라 건조(Dry), 습윤(Moist), 젖음(Wet), 살얼음(Slush, Ice or Snow with water), 얼음(Ice) 및 눈 또는 서리(Snow or Hoar Froast) 등으로 구분될 수 있다. 물론 노면 상태 타입을 구분하는 기준은 실시예에 따라 달라질 수 있다. 예컨대 건조, 습윤, 젖음, 얼음, 눈 등으로 앞서 예시한 기준보다 간단하게 구분할 수도 있으며, 보다 많은 단계로 노면 상태 타입을 구분하는 것도 가능하다.In this case, the road surface type may be dry, wet, wet, ice or snow with water, ice or snow or hoar frost according to predetermined criteria, And the like. Of course, the criteria for distinguishing the road surface type may vary depending on the embodiment. For example, it is possible to simply distinguish between the above-mentioned criteria such as drying, wetting, wetting, ice, snow, and the like, and it is also possible to classify the road surface state type into more steps.
노면 마찰 계수는 노면 상태 타입, 도로 포장 재질, 도로 포장 형식, 도로 오염 상황, 차량 타이어의 모양, 타이어 고무 상태 및 하중 등에 따라 달라진다. 따라서 노면 센서(111)에서 노면 마찰 계수를 측정할 때는 미리 정해진 기준에 따라 노면 마찰 계수를 측정하도록 한다.The coefficient of road friction depends on the road surface type, road pavement material, road pavement type, road pollution situation, vehicle tire shape, tire rubber condition and load. Therefore, when the road surface friction coefficient is measured by the
도로 노면 상태 수집부(110)는 수집된 도로 노면 상태 정보, 위치 정보, 시간 정보를 메모리(도시하지 않음)에 저장하거나, 통신망(도시하지 않음)을 통해 실시간 또는 미리 정해진 주기별로 정해진 수신처로 전송할 수도 있다.The road surface
도로 기하 정보는 도로 종단 기울기, 도로 횡단 기울기 및 도로 곡률 등을 포함할 수 있다. 도로 기하 정보는 미리 구축되어 있는 정보를 이용하거나, 앞서 설명한 도로 정보 수집 차량에 관성 센서 등을 장착하여, 도로를 주행하면서 아래 표 1과 같은 도로 기하 구조와 관련된 정보를 수집하여 이용하는 것도 가능하다.The road geometry information may include a road end slope, a road cross slope, and a road curvature. The road geometry information can be obtained by using information previously constructed or by collecting information related to the road geometry as shown in Table 1 below while using the inertia sensor or the like mounted on the road information collection vehicle described above.
도로 기하 구조
Road geometry
시간
time
위도
Latitude
경도
Hardness
도로명
Road name
진행방향
Direction
기울기crossing
inclination
기울기End
inclination
곡선부 여부
Curved
곡률 반경
Radius of curvature
기상 정보 획득부(120)는 기상청이나 민간 기상 사업자 등이 운영하는 기상 서버(도시하지 않음)로부터 기상 데이터를 제공받을 수 있다. 기상 데이터는 기온, 강우량, 강설량, 풍속, 습도, 일사량, 일조량 등에 대한 정보를 포함할 수 있다.The weather
데이터베이스(140)는 도로 노면 상태 정보, 도로 기하 구조 및 기상 데이터 등을 저장할 수 있다. 특히 데이터베이스(140)는 도로 노면 상태 수집부(110)에서 수집된 도로 노면 상태 정보를 기상 데이터와 맵핑한 형태로 구축된 학습 데이터를 저장할 수 있다. 실시예에 따라서 도로 노면 상태 정보, 기상 데이터에 도로 기하 구조 정보도 함께 맵핑하여 학습 데이터를 생성할 수도 있다. 이 경우 도로의 특정 지점에 대한 도로 노면 상태 정보와 기상 데이터가 맵핑된 학습 데이터가 마련되지 않았더라도, 동일하거나 유사한 도로 기하 구조를 가지는 다른 지점의 학습 데이터를 이용함으로써 학습 데이터 확장이 가능하다.The
학습 데이터는 도로 노면 상태 수집부(110)에서 도로 노면 상태 정보가 수집될 때마다 해당하는 기상 데이터와 함께 데이터베이스(140)에 업데이트될 수 있다.The learning data may be updated in the
학습부(150)는 데이터베이스(140)에 구축된 학습 데이터를 이용하여 기상 상태에 따른 도로 노면 상태를 예측하는 노면 상태 예측 모델을 학습할 수 있다. 학습부(150)는 딥러닝 등과 같은 인공지능 학습이나 기계 학습을 통해 도로 상의 특정 지점에 대응하는 기상 데이터가 입력되면, 그에 대응하는 도로 노면 상태를 예측하는 노면 상태 예측 모델을 학습할 수 있다. 물론 본 발명에 따른 도로 위험도 예측 시스템을 운영하면서 추가로 학습 데이터가 발생되면, 그를 반영하여 노면 상태 예측 모델을 업데이트시킬 수 있다.The
도로 노면 상태 예측부(160)는 노면 상태 예측 모델을 이용하여 예측 대상 지점의 기상 상태에 따른 도로 노면 상태를 예측할 수 있다. 구체적으로 도로 노면 상태 예측부(160)는 기상 정보 획득부(120)를 통해 제공되는 기상 데이터를 입력으로 예측 대상 지점의 노면 상태 타입 및/또는 도로 마찰 계수를 예측할 수 있다.The road surface
노면 센서(111)에서 수집 가능한 정보에 따라 도로 노면 상태 예측부(160)에서 예측하는 도로 노면 상태가 달라질 수 있다. 예컨대 노면 센서(111)가 마찰 계수를 측정하지 못하고 노면 상태 타입을 측정하는 경우, 도로 노면 상태 예측부(160)는 노면 상태 타입을 예측하도록 구현할 수 있다. 그리고 노면 센서(111)가 마찰 계수를 측정하는 경우, 도로 노면 상태 예측부(160)는 노면 마찰 계수를 바로 예측하도록 구현할 수 있다.The road surface state predicted by the road surface
도로 트래픽 정보 획득부(130)는 도로 관리 주체 또는 도로의 트래픽과 관련된 정보를 제공하는 사업자가 운영하는 교통 서버(도시하지 않음)로부터 실시간으로 도로 트래픽 정보를 제공받을 수 있다. 여기서 도로 트래픽 정보는 도로 각 지점의 현재 교통량과 차량 평균 통행 속도 등을 포함할 수 있다.The road traffic
도로 위험도 예측부(170)는 도로 위험도 예측 알고리즘을 이용하여 상기 예측 대상 지점의 도로 위험도를 예측하는 기능을 수행한다. 도로 위험도 예측 알고리즘은 예측 대상 지점에 대해 예측된 노면 마찰 계수, 미리 저장된 도로 기하 구조 및 실시간으로 획득되는 도로 트래픽 정보를 반영하여 도로 위험도를 예측할 수 있다. The road
한편 노면 센서(111)에서 노면 마찰 계수를 측정하지 않는 경우, 도로 노면 상태 예측부(160)에서 예측된 노면 상태 타입에 도로 포장 재질, 차량 평균 통행 속도 등을 반영하여 노면 마찰 계수를 추정하고, 추정된 마찰 계수를 도로 위험도 예측 알고리즘 적용할 수도 있다.On the other hand, when the road surface friction coefficient is not measured by the
도로 포장 재질, 노면 상태 타입, 차량 평균 통행 속도 등에 따른 노면 마찰 계수 추정값을 구하기 위해서, 위에 표 2에 예시한 것과 같은 테이블을 미리 준비하여 놓거나, 변환 수식 등을 준비해놓을 수 있다. 물론 표 2를 이용하기 위해서 예측 대상 도로 지점의 도로 포장 재질에 대한 정보는 미리 데이터베이스(140)에 저장되어 있을 수 있다.In order to obtain road surface friction coefficient estimates according to road pavement material, road surface state type, vehicle average traveling speed, etc., tables as shown in Table 2 may be prepared in advance, or conversion equations may be prepared. Of course, in order to use Table 2, information about the road pavement material of the predicted road point may be stored in the
도로 위험도는 1~100점 등의 점수로 산출되거나, '매우 위험', '위험', '보통', '안전' 또는 '매우 안전' 등으로 등급화하여 산출될 수도 있다.The road risk can be calculated from a score of 1 to 100, or it can be calculated by classifying it as 'very dangerous', 'dangerous', 'normal', 'safe' or 'very safe'.
예를 들어, 도로 위험도 예측 알고리즘은 노면 마찰 계수가 작을수록 위험도가 높아지게 설계될 수 있다. 그리고 도로 기하 구조는 도로 종단 기울기, 도로 횡단 기울기 및 도로 곡률 등이 커질수록 위험도가 높아지게 도로 위험도 예측 알고리즘을 설계할 수 있다. 한편 통행 속도는 빠를수록 위험도가 높아지게 도로 위험도 예측 알고리즘을 설계할 수 있다. 그리고 통행량이 많을수록 차량 간의 사고 위험도가 높아지므로 위험도가 높아지게 도로 위험도 예측 알고리즘을 설계할 수 있다. 그리고 통행량이 증가할수록 도로 위험도가 높아지게 도로 위험도 예측 알고리즘을 설계하거나, 통행량이 증가할수록 위험도가 높아지다가 통행량이 일정 기준에 도달한 다음부터는 위험도가 낮아지게 설계하는 것도 가능하다. 또한 도로 기하 구조와 통행량의 상관 관계를 분석하여 도로 위험도 예측 알고리즘에 반영할 수도 있다. 그 외에도 통행량과 위험도의 상관 관계를 분석한 결과를 도로 위험도 예측 알고리즘 반영할 수도 있다.For example, the road risk prediction algorithm can be designed to increase the risk as the road surface friction coefficient becomes smaller. And the road geometry can design the road risk prediction algorithm to increase the risk as the road end tilt, the road crossing slope and the road curvature become larger. On the other hand, the road risk prediction algorithm can be designed to increase the risk as the traffic speed increases. In addition, the higher the traffic volume, the higher the risk of accidents between vehicles, so the road risk prediction algorithm can be designed to increase the risk. It is also possible to design a road hazard prediction algorithm to increase the road risk as the traffic increases, or to design the road so that the risk becomes higher as the traffic volume increases and the risk becomes lower after the traffic volume reaches a certain level. Also, the correlation between road geometry and traffic volume can be analyzed and reflected in the roadway risk prediction algorithm. In addition, the correlation between traffic volume and risk can be used to reflect the road risk prediction algorithm.
물론 노면 마찰 계수, 도로 기하 구조 및 도로 트래픽 정보 등이 도로 위험도 산출에 미치는 영향을 계절이나 주간, 야간 등 시간대에 따라서 다르게 설정하는 것도 가능하다.Of course, it is also possible to set the influence of road friction coefficient, road geometry and road traffic information on the road risk calculation differently depending on the time zone such as the season, the week, and the night.
도 2는 본 발명의 일 실시예에 따른 기상 상황에 따른 도로 위험도 예측 시스템의 동작을 설명하기 위해 제공되는 흐름도이다.FIG. 2 is a flowchart illustrating an operation of a road-risk prediction system according to a weather condition according to an embodiment of the present invention.
도 1 및 도 2를 참고하면, 먼저 도로 노면 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 데이터베이스(140)에 구축할 수 있다(S210). 도로 정보 수집 차량이 도로 노면 상태 수집부(110)를 장착하고, 도로를 주행하면서 도로 노면 상태 정보를 획득한다.Referring to FIGS. 1 and 2, the road surface state information may be collected and the learning data mapped with the weather data may be constructed in the database 140 (S210). The road information collection vehicle mounts the road surface
다음으로 학습부(150)는 데이터베이스(140)에 구축된 학습 데이터를 이용하여 기상 상태에 따른 도로 노면 상태를 예측하는 노면 상태 예측 모델을 학습할 수 있다(S220). 단계(S220)에서 학습부(150)는 딥러닝 등과 같은 인공지능 학습이나 기계 학습을 통해 도로 상의 특정 지점에 대응하는 기상 데이터가 입력되면, 그에 대응하는 도로 노면 상태를 예측하는 노면 상태 예측 모델을 학습할 수 있다. Next, the
단계(S210) 내지 단계(S220)는 도로 위험도 예측 시스템을 운영하면서 추가로 학습 데이터가 발생되면, 그를 반영하여 노면 상태 예측 모델을 업데이트시키는 방식으로 계속적으로 수행될 수 있다.The steps S210 to S220 may be continuously performed in a manner of updating the road surface state prediction model by reflecting the generated learning data when the road risk prediction system is operated.
이후 도로 노면 상태 예측부(160)는 기상 서버로부터 실시간으로 기상 데이터를 제공받고(S230), 단계(S230)에서 학습된 노면 상태 예측 모델을 이용하여 예측 대상 지점의 기상 상태에 따른 도로 노면 상태를 예측할 수 있다(S240). 단계(S240)에서 도로 노면 상태 예측부(160)는 기상 정보 획득부(120)를 통해 제공되는 기상 데이터를 입력으로 예측 대상 지점의 노면 상태 타입을 예측할 수 있다. 물론 실시예에 따라 도로 노면 상태 예측부(160)는 도로 마찰 계수를 바로 예측할 수도 있다.Thereafter, the road surface
한편 도로 트래픽 정보 획득부(130)는 교통 서버로부터 실시간으로 도로 트래픽 정보를 제공받을 수 있다(S250). 여기서 도로 트래픽 정보는 도로 각 지점의 현재 교통량과 차량 평균 통행 속도 등을 포함할 수 있다.Meanwhile, the road traffic
다음으로 도로 위험도 예측부(170)는 도로 위험도 예측 알고리즘을 이용하여 상기 예측 대상 지점의 도로 위험도를 예측할 수 있다(S260). 단계(S260)에서 도로 위험도 예측부(170)는 예측 대상 지점의 노면 마찰 계수, 미리 저장된 도로 기하 구조 및 실시간으로 획득되는 도로 트래픽 정보를 반영한 도로 위험도를 예측할 수 있다. Next, the roadway
단계(S260)에서 예측 대상 지점의 노면 마찰 계수는 단계(S260)에서 예측된 노면 마찰 계수를 도로 위험도 예측 알고리즘에 적용하거나, 또는 단계(S260)에서 예측된 노면 상태 타입에 도로 포장 재질, 차량 평균 통행 속도 등을 반영하여 추정되는 노면 마찰 계수를 적용할 수 있다.The road surface friction coefficient of the predicted object point in step S260 may be determined by applying the predicted road surface friction coefficient in step S260 to the road risk prediction algorithm or by comparing the predicted road surface state type with road pavement material, It is possible to apply the road surface friction coefficient estimated based on the traveling speed and the like.
본 발명에 따른 도로 위험도 예측 시스템에 의해 구해진 각 도로 지점의 위험도를 통신망을 통해 차량 단말, 사용자 단말에 제공하거나 또는 도로에 설치된 전광판 등을 통해 표출시킬 수 있다. 물론 실시예에 따라서 구해진 위험도에 따른 차량 운행 안전 속도를 산출하여 제공하는 것도 가능하다.The risk of each road point obtained by the road risk prediction system according to the present invention can be provided to a vehicle terminal or a user terminal through a communication network or through an electric signboard installed on a road. Of course, it is also possible to calculate and provide the safe running speed of the vehicle according to the degree of danger obtained according to the embodiment.
본 발명의 실시예는 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터로 읽을 수 있는 매체를 포함한다. 이 매체는 앞서 설명한 방법을 실행시키기 위한 프로그램을 기록한다. 이 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이러한 매체의 예에는 하드디스크, 플로피디스크 및 자기 테이프와 같은 자기 매체, CD 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 자기-광 매체, 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어 장치 등이 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.Embodiments of the present invention include a computer-readable medium having program instructions for performing various computer-implemented operations. The medium records a program for executing the above-described method. The medium may include program instructions, data files, data structures, etc., alone or in combination. Examples of such media include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD and DVD, programmed instructions such as floptical disk and magneto-optical media, ROM, RAM, And a hardware device configured to store and execute the program. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like.
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.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, Of the right.
110: 도로 노면 상태 수집부
120: 기상 정보 획득부
130: 도로 트래픽 정보 획득부
140: 데이터베이스
150: 학습부
160: 도로 노면 상태 예측부
170: 도로 위험도 예측부110: road surface condition collecting unit
120: weather information acquiring unit
130: Road traffic information obtaining unit
140: Database
150:
160: road road surface state predicting unit
170: road risk prediction unit
Claims (10)
상기 예측 대상 지점에 대해 미리 저장된 도로 기하 구조 및 상기 예측된 도로 노면 상태를 입력받아 도로 위험도 예측 알고리즘을 이용하여 상기 예측 대상 지점의 도로 위험도를 예측하는 단계
를 포함하는 기상 상황에 따른 도로 위험도 예측 방법.Estimating the road surface state according to the weather condition of the prediction target point using the road surface state prediction model, and
Estimating a road risk of the prediction target point using a road risk prediction algorithm based on the road geometry pre-stored for the prediction target point and the predicted road surface state,
And estimating road risk according to weather conditions.
도로 노면 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 구축하는 단계, 그리고
상기 학습 데이터를 이용하여 기상 상태에 따른 도로 노면 상태를 예측하는 상기 노면 상태 예측 모델을 학습하는 단계
를 더 포함하는 기상 상황에 따른 도로 위험도 예측 방법.The method of claim 1,
Collecting road surface condition information and constructing learning data mapped with weather data, and
A step of learning the road surface state prediction model for predicting a road surface state according to a weather condition using the learning data
And estimating a road risk according to a weather condition.
상기 도로 노면 상태 정보는,
노면 마찰 계수 및 노면 상태 타입 중 적어도 하나를 포함하고,
상기 노면 상태 타입은 미리 정해진 기준에 따라 도로 노면 상태를 구분한 정보인 기상 상황에 따른 도로 위험도 예측 방법.3. The method of claim 2,
The road surface state information includes:
A road surface friction coefficient, and a road surface state type,
Wherein the road surface state type is information obtained by dividing a road surface state according to a predetermined standard.
상기 도로 위험도 예측 알고리즘은,
도로 기하 구조, 도로 노면 상태 및 도로 트래픽 정보를 반영하여 도로 위험도를 예측하는 기상 상황에 따른 도로 위험도 예측 방법.3. The method of claim 2,
The road risk prediction algorithm includes:
A method for predicting road risk according to weather conditions that predicts road risk by reflecting road geometry, road surface condition and road traffic information.
상기 도로 기하 구조는
도로 종단 기울기, 도로 횡단 기울기 및 도로 곡률 중 적어도 하나를 포함하고,
상기 도로 트랙픽 정보는 교통량 및 통행 속도 중 적어도 하나를 포함하는 기상 상황에 따른 도로 위험도 예측 방법.5. The method of claim 4,
The road geometry
At least one of a road end slope, a road crossing slope, and a road curvature,
Wherein the road traffic information includes at least one of traffic volume and traffic speed.
상기 예측 대상 지점에 대해 미리 저장된 도로 기하 구조 및 상기 예측된 도로 노면 상태를 입력받아 도로 위험도 예측 알고리즘을 이용하여 상기 예측 대상 지점의 도로 위험도를 예측하는 도로 위험도 예측부
를 포함하는 기상 상황에 따른 도로 위험도 예측 시스템.A road surface condition predicting unit for predicting a road surface condition according to a weather condition of a prediction target point using a road surface condition prediction model, and
A road risk prediction unit for predicting a road risk of the prediction target point by using a road risk prediction algorithm based on the road geometric structure previously stored for the prediction target point and the predicted road surface state,
A road hazard prediction system according to a weather condition.
수집된 도로 노면 상태 정보를 기상 데이터와 맵핑한 학습 데이터를 저장하는 데이터베이스, 그리고
상기 학습 데이터를 이용하여 기상 상태에 따른 도로 노면 상태를 예측하는 상기 노면 상태 예측 모델을 학습하는 학습부
를 더 포함하는 기상 상황에 따른 도로 위험도 예측 시스템.The method of claim 6,
A database for storing learning data obtained by mapping collected road surface state information to weather data, and
A learning section for learning the road surface state prediction model for predicting a road surface state according to a weather condition using the learning data;
And estimating a road risk according to a weather condition.
상기 도로 노면 상태 정보는,
노면 마찰 계수 및 노면 상태 타입 중 적어도 하나를 포함하고,
상기 노면 상태 타입은 미리 정해진 기준에 따라 도로 노면 상태를 구분한 정보인 기상 상황에 따른 도로 위험도 예측 시스템.8. The method of claim 7,
The road surface state information includes:
A road surface friction coefficient, and a road surface state type,
Wherein the road surface state type is information obtained by dividing a road surface state according to a predetermined criterion.
상기 도로 위험도 예측 알고리즘은,
도로 기하 구조, 도로 노면 상태 및 도로 트래픽 정보를 반영하여 도로 위험도를 예측하는 기상 상황에 따른 도로 위험도 예측 시스템.8. The method of claim 7,
The road risk prediction algorithm includes:
A road hazard prediction system according to weather conditions that predicts road risk by reflecting road geometry, road surface condition and road traffic information.
상기 도로 기하 구조는
도로 종단 기울기, 도로 횡단 기울기 및 도로 곡률 중 적어도 하나를 포함하고,
상기 도로 트랙픽 정보는 교통량 및 통행 속도 중 적어도 하나를 포함하는 기상 상황에 따른 도로 위험도 예측 시스템.The method of claim 9,
The road geometry
At least one of a road end slope, a road crossing slope, and a road curvature,
Wherein the road traffic information includes at least one of traffic volume and traffic speed.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170154475A KR20190057501A (en) | 2017-11-20 | 2017-11-20 | System and Method for Predicting Riskness of Road According to Weather Conditions |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170154475A KR20190057501A (en) | 2017-11-20 | 2017-11-20 | System and Method for Predicting Riskness of Road According to Weather Conditions |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20190057501A true KR20190057501A (en) | 2019-05-29 |
Family
ID=66672847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170154475A KR20190057501A (en) | 2017-11-20 | 2017-11-20 | System and Method for Predicting Riskness of Road According to Weather Conditions |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20190057501A (en) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102194841B1 (en) * | 2020-10-08 | 2020-12-23 | (주)에스알디코리아 | AI based Road Status Display Board System |
CN112257954A (en) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | Method, device and system for predicting risk level of segmented road and storage medium |
KR20210030048A (en) * | 2019-09-09 | 2021-03-17 | 디토닉 주식회사 | Prediction Method and System of Road Surface Condition Using Processed Multiple Precipitation Information |
KR20210030047A (en) * | 2019-09-09 | 2021-03-17 | 디토닉 주식회사 | Random Forest based Prediction Method and System of Road Surface Condition Using Spatio-Temporal Features |
KR20210055414A (en) * | 2019-11-07 | 2021-05-17 | 한국외국어대학교 연구산학협력단 | Road safety information providing system and method using road condition analysis model according to temperature |
KR102288312B1 (en) * | 2020-02-13 | 2021-08-10 | 인하대학교 산학협력단 | Method and apparatus for detecting black ice |
KR102313634B1 (en) * | 2021-04-01 | 2021-10-19 | 가람이엔지 주식회사 | Lighting device that irradiates light indicating traffic information and intelligent transport system comprising the lighting device and method performed by the system for providing traffic information |
KR20220030610A (en) * | 2020-09-03 | 2022-03-11 | 한국도로공사 | System and method for providing road information and traffic safety information for trucks |
KR20220038963A (en) * | 2020-09-21 | 2022-03-29 | 디토닉 주식회사 | Method and System for Predicting of Road Surface Condition Using Spatial Clustering |
KR20220038964A (en) * | 2020-09-21 | 2022-03-29 | 디토닉 주식회사 | Method and System for Predicting of Road Surface Condition based on Machine Learning |
KR20220067874A (en) * | 2020-11-18 | 2022-05-25 | 아주대학교산학협력단 | Dynamic autonomous driving assistant system using v2i communication |
CN114902083A (en) * | 2020-01-13 | 2022-08-12 | 大陆汽车有限公司 | Adaptive prediction method and device for road surface meteorological characteristics of road section |
KR20230046090A (en) * | 2021-09-29 | 2023-04-05 | 디토닉 주식회사 | Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning |
KR20230046088A (en) * | 2021-09-29 | 2023-04-05 | 디토닉 주식회사 | Forecasting System and Method for Traffic Accidents on Frozen Roads |
CN115965245A (en) * | 2023-03-13 | 2023-04-14 | 华东交通大学 | Hillside orchard freeze injury risk prediction method based on machine learning |
KR102595160B1 (en) | 2023-06-30 | 2023-10-27 | (주)내일이엔시 | Risk calculation method and device through road surface condition estimation |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101331054B1 (en) | 2010-05-13 | 2013-11-19 | 한국전자통신연구원 | Method and Device of advisory safety speed determination based on road surface states and statistical traffic condition |
-
2017
- 2017-11-20 KR KR1020170154475A patent/KR20190057501A/en not_active Application Discontinuation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101331054B1 (en) | 2010-05-13 | 2013-11-19 | 한국전자통신연구원 | Method and Device of advisory safety speed determination based on road surface states and statistical traffic condition |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210030048A (en) * | 2019-09-09 | 2021-03-17 | 디토닉 주식회사 | Prediction Method and System of Road Surface Condition Using Processed Multiple Precipitation Information |
KR20210030047A (en) * | 2019-09-09 | 2021-03-17 | 디토닉 주식회사 | Random Forest based Prediction Method and System of Road Surface Condition Using Spatio-Temporal Features |
KR20210055414A (en) * | 2019-11-07 | 2021-05-17 | 한국외국어대학교 연구산학협력단 | Road safety information providing system and method using road condition analysis model according to temperature |
CN114902083A (en) * | 2020-01-13 | 2022-08-12 | 大陆汽车有限公司 | Adaptive prediction method and device for road surface meteorological characteristics of road section |
KR102288312B1 (en) * | 2020-02-13 | 2021-08-10 | 인하대학교 산학협력단 | Method and apparatus for detecting black ice |
KR20220030610A (en) * | 2020-09-03 | 2022-03-11 | 한국도로공사 | System and method for providing road information and traffic safety information for trucks |
KR20220038963A (en) * | 2020-09-21 | 2022-03-29 | 디토닉 주식회사 | Method and System for Predicting of Road Surface Condition Using Spatial Clustering |
KR20220038964A (en) * | 2020-09-21 | 2022-03-29 | 디토닉 주식회사 | Method and System for Predicting of Road Surface Condition based on Machine Learning |
KR102194841B1 (en) * | 2020-10-08 | 2020-12-23 | (주)에스알디코리아 | AI based Road Status Display Board System |
CN112257954A (en) * | 2020-11-04 | 2021-01-22 | 北京世纪高通科技有限公司 | Method, device and system for predicting risk level of segmented road and storage medium |
KR20220067874A (en) * | 2020-11-18 | 2022-05-25 | 아주대학교산학협력단 | Dynamic autonomous driving assistant system using v2i communication |
KR102313634B1 (en) * | 2021-04-01 | 2021-10-19 | 가람이엔지 주식회사 | Lighting device that irradiates light indicating traffic information and intelligent transport system comprising the lighting device and method performed by the system for providing traffic information |
KR20230046090A (en) * | 2021-09-29 | 2023-04-05 | 디토닉 주식회사 | Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning |
KR20230046088A (en) * | 2021-09-29 | 2023-04-05 | 디토닉 주식회사 | Forecasting System and Method for Traffic Accidents on Frozen Roads |
CN115965245A (en) * | 2023-03-13 | 2023-04-14 | 华东交通大学 | Hillside orchard freeze injury risk prediction method based on machine learning |
KR102595160B1 (en) | 2023-06-30 | 2023-10-27 | (주)내일이엔시 | Risk calculation method and device through road surface condition estimation |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190057501A (en) | System and Method for Predicting Riskness of Road According to Weather Conditions | |
US20220281456A1 (en) | Systems and methods for vehicle control using terrain-based localization | |
US20180283895A1 (en) | Navigation system and method | |
KR101972005B1 (en) | Road Emergency Warning Message Dynamic Service System and Method | |
US12033507B2 (en) | Glare detection system and methods for automated vehicular control | |
RU2686159C2 (en) | Detection of water depth for planning and monitoring vehicle route | |
US20140062725A1 (en) | Surface detection and indicator | |
KR102173797B1 (en) | System and Method for Predicting Road Surface State | |
US20140067265A1 (en) | Road condition tracking and presentation | |
KR100801718B1 (en) | Method of providing safety information for vehicles and providing system thereof | |
CN107406079A (en) | For the system and method for the weather performance for predicting vehicle | |
US20110112720A1 (en) | Road Conditions Reporting | |
KR101834275B1 (en) | System and method for transmitting traffic safety information | |
CN111656145B (en) | Vehicle monitor | |
KR102334369B1 (en) | Black ice alarm system by prediction | |
CN113247014B (en) | Confidence identification method and system for automatic driving system | |
US20230245509A1 (en) | Safety system and method for motor vehicles | |
KR101741601B1 (en) | Method and System for Providing Road Weather Information Based on Interactive Sensor Data Collection with Vehicles | |
WO2023129648A2 (en) | Systems and methods for vehicle control using terrain-based localization | |
CN113071521A (en) | Control method and control device for unmanned vehicle and unmanned vehicle | |
KR101750939B1 (en) | System for predicting road surface condition using moving vehicle, and predicting method for the same | |
US20220366786A1 (en) | Method and apparatus for estimating lane pavement conditions based on street parking information | |
KR101760900B1 (en) | Method for predicting black ice using image of weather radar | |
CN115179928A (en) | Method and warning device for warning a user of a vehicle of a dangerous situation | |
Casselgren et al. | Reusable road condition information system for traffic safety and targeted maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E601 | Decision to refuse application |