KR20200013274A - 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 - Google Patents

도로 안전성 평가 방법 및 이를 수행하기 위한 장치 Download PDF

Info

Publication number
KR20200013274A
KR20200013274A KR1020180085878A KR20180085878A KR20200013274A KR 20200013274 A KR20200013274 A KR 20200013274A KR 1020180085878 A KR1020180085878 A KR 1020180085878A KR 20180085878 A KR20180085878 A KR 20180085878A KR 20200013274 A KR20200013274 A KR 20200013274A
Authority
KR
South Korea
Prior art keywords
road
information
section
related information
risk
Prior art date
Application number
KR1020180085878A
Other languages
English (en)
Other versions
KR102088040B1 (ko
Inventor
박선희
정상민
이종학
Original Assignee
주식회사 건영이엔씨
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 주식회사 건영이엔씨 filed Critical 주식회사 건영이엔씨
Priority to KR1020180085878A priority Critical patent/KR102088040B1/ko
Publication of KR20200013274A publication Critical patent/KR20200013274A/ko
Application granted granted Critical
Publication of KR102088040B1 publication Critical patent/KR102088040B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G06Q50/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Traffic Control Systems (AREA)

Abstract

도로 안전성 평가 방법 및 이를 수행하기 위한 컴퓨팅 장치가 개시된다. 개시되는 일 실시예에 따른 도로 안전성 평가 방법은, 하나 이상의 프로세서들, 및 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 소정 도로에서 발생한 교통 사고와 관련하여 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보를 수집하는 단계, 도로의 도로 관련 정보를 수집하는 단계, 도로 관련 정보를 기반으로 도로를 복수 개의 구간으로 구분하는 단계, 및 교통 사고 관련 정보 및 도로 관련 정보를 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 도로의 각 구간 별 위험도를 예측하는 단계를 포함한다.

Description

도로 안전성 평가 방법 및 이를 수행하기 위한 장치{METHOD FOR EVALUATING ROAD SAFETY AND APPARATUS FOR EXECUTING THE METHOD}
본 발명의 실시예는 도로 안전성 평가 기술과 관련된다.
매년 교통 사고로 인해 많은 교통사고 사망자 또는 부상자가 발생하고 있으며, 그로 인해 많은 사회적 비용이 지출되고 있다. 교통 사고는 크게 도로 환경, 날씨, 운전자, 차량 등의 복합적 문제에 의해 발생한다. 특히, 교통 사고 위험이 높은 도로 구간에는 추가 안전 시설물을 설치하거나 해당 구간의 도로를 개선해야 할 필요가 있다.
한국등록특허공보 10-1743392호(2017.06.02)
개시되는 실시예는 도로 안전성 평가를 위한 새로운 기법을 제공하기 위한 것이다.
개시되는 일 실시예에 따른 도로 안전성 평가 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 소정 도로에서 발생한 교통 사고와 관련하여 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보를 수집하는 단계; 상기 도로의 도로 관련 정보를 수집하는 단계; 상기 도로 관련 정보를 기반으로 상기 도로를 복수 개의 구간으로 구분하는 단계; 및 상기 교통 사고 관련 정보 및 상기 도로 관련 정보를 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측하는 단계를 포함한다.
상기 도로 관련 정보는, 상기 도로의 시작 위치 및 종료 위치에 대한 정보, 상기 도로의 노면 상태에 대한 정보, 상기 도로의 전체 길이에 대한 정보, 상기 도로의 폭에 대한 정보, 상기 도로의 경사에 대한 정보, 상기 도로의 곡선 반경에 대한 정보, 상기 도로의 주행 속도에 대한 정보, 및 상기 도로의 종류에 대한 정보 중 하나 이상을 포함할 수 있다.
상기 도로를 복수 개의 구간으로 구분하는 단계 이후에, 상기 도로 관련 정보를 기반으로 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 산출하는 단계를 더 포함할 수 있다.
상기 도로의 각 구간 별 위험도를 예측하는 단계는, 상기 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보 및 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 상기 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측할 수 있다.
상기 도로의 각 구간 별 위험도를 예측하는 단계는, 상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보의 데이터 세트들 중 중복을 허용하여 무작위로 기 설정된 개수의 데이터 세트를 선택하여 복수 개의 결정 트리를 각각 생성하는 단계; 상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보에 포함되는 복수 개의 입력 변수들 중 기 설정된 개수의 입력 변수를 랜덤하게 선택하는 단계; 상기 복수 개의 결정 트리를 선택된 입력 변수를 기반으로 최대 트리 깊이로 성장시키는 단계; 및 상기 복수 개의 결정 트리에서 각각 출력되는 위험도 값을 평균하여 해당 구간의 위험도를 예측하는 단계를 포함할 수 있다.
상기 도로 안전성 평가 방법은, 상기 도로의 각 구간 별 위험도를 예측하는 단계 이후에, 상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는지 여부를 확인하는 단계; 상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는 경우, 해당 구간을 안전 구조물 설치를 해야 하는 구간으로 설정하는 단계; 및 상기 도로 관련 정보를 기반으로 안전 구조물 종류 정보 및 안전 구조물 설치 위치 정보 중 하나 이상을 포함하는 안전 구조물 설치 안내 정보를 생성하는 단계를 포함할 수 있다.
개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들; 메모리; 및 하나 이상의 프로그램들을 포함하고, 상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되는 컴퓨팅 장치로서, 소정 도로에서 발생한 교통 사고와 관련하여 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보를 수집하고, 상기 도로의 도로 관련 정보를 수집하는 데이터 수집 모듈; 상기 도로 관련 정보를 기반으로 상기 도로를 복수 개의 구간으로 구분하는 전처리 모듈; 및 상기 교통 사고 관련 정보 및 상기 도로 관련 정보를 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측하는 위험도 예측 모듈을 포함한다.
상기 도로 관련 정보는, 상기 도로의 시작 위치 및 종료 위치에 대한 정보, 상기 도로의 노면 상태에 대한 정보, 상기 도로의 전체 길이에 대한 정보, 상기 도로의 폭에 대한 정보, 상기 도로의 경사에 대한 정보, 상기 도로의 곡선 반경에 대한 정보, 상기 도로의 주행 속도에 대한 정보, 및 상기 도로의 종류에 대한 정보 중 하나 이상을 포함할 수 있다.
상기 전처리 모듈은, 상기 도로 관련 정보를 기반으로 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 산출할 수 있다.
상기 위험도 예측 모듈은, 상기 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보 및 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 상기 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측할 수 있다.
상기 위험도 예측 모듈은, 상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보의 데이터 세트들 중 중복을 허용하여 무작위로 기 설정된 개수의 데이터 세트를 선택하여 복수 개의 결정 트리를 각각 생성하고, 상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보에 포함되는 복수 개의 입력 변수들 중 기 설정된 개수의 입력 변수를 랜덤하게 선택하며, 상기 복수 개의 결정 트리를 선택된 입력 변수를 기반으로 최대 트리 깊이로 성장시키고, 상기 복수 개의 결정 트리에서 각각 출력되는 위험도 값을 평균하여 해당 구간의 위험도를 예측할 수 있다.
상기 컴퓨팅 장치는, 상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는지 여부를 확인하고, 상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는 경우, 해당 구간을 안전 구조물 설치를 해야 하는 구간으로 설정하며, 상기 도로 관련 정보를 기반으로 안전 구조물 종류 정보 및 안전 구조물 설치 위치 정보 중 하나 이상을 포함하는 안전 구조물 설치 안내 정보를 생성하는 알림 모듈을 더 포함할 수 있다.
개시되는 실시예에 의하면, 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보를 랜덤 포레스트 모델의 입력 변수로 하여 각 구간 별 위험도를 예측함으로써, 교통 사고의 랜덤한 성격을 반영할 수 있으며, 그로 인해 보다 정확하게 해당 도로 구간의 위험도를 예측할 수 있게 된다.
또한, 해당 구간의 위험도가 기 설정된 위험도를 초과하는 경우, 도로 관련 정보 및 각 구간 별 위험도를 기반으로 안전 구조물 설치 안내 정보를 생성하여 해당 도로 구간에 안전 구조물을 설치하도록 자동 알림을 전송할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 도로 안전성 평가 시스템의 구성을 나타낸 도면
도 2는 본 발명의 실시예에서 해당 도로가 10개의 구간으로 구분되는 상태를 나타낸 도면
도 3은 본 발명의 일 실시예에서 위험도 예측 모듈이 랜덤 포레스트 모델을 이용하여 각 구간 별 위험도를 예측하는 상태를 나타낸 도면
도 4는 본 발명의 일 실시예에 따른 도로 안전성 평가 방법을 나타낸 흐름도
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 도로 안전성 평가 시스템의 구성을 나타낸 도면이다.
도 1을 참조하면, 도로 안전성 평가 시스템(100)은 데이터 수집 모듈(102), 전처리 모듈(104), 위험도 예측 모듈(106), 및 알림 모듈(108)을 포함할 수 있다. 예시적인 실시예에서, 도로 안전성 평가 시스템(100)은 이미 개설된 도로의 교통 안전성을 평가하기 위한 것일 수 있다.
데이터 수집 모듈(102)은 교통 사고 관련 정보를 수집할 수 있다. 교통 사고 관련 정보는 해당 도로에서 발생한 교통 사고와 관련된 정보를 의미할 수 있다. 교통 사고 관련 정보는 교통 피해 정도, 교통량 정보, 및 날씨 정보 등을 포함할 수 있다. 데이터 수집 모듈(102)은 교통 사고 관련 정보를 위험도 예측 모듈(106)로 전달할 수 있다.
여기서, 교통 피해 정도는 해당 교통 사고로 인한 사람 및 차량 등의 피해 정도를 의미할 수 있다. 예를 들어, 사람의 경우, 교통 피해 정도는 사망, 중상, 경상 등으로 구분할 수 있다. 또한, 차량의 경우, 교통 피해 정도는 폐차, 차량의 일부 부품 교체, 차량의 일부 부품 수리 등으로 구분할 수 있다.
또한, 교통량 정보는 해당 교통 사고가 발생한 당시 해당 도로 지점의 교통량에 대한 정보를 의미할 수 있다. 또한, 날씨 정보는 해당 교통 사고가 발생한 시점의 해당 지역의 날씨(예를 들어, 맑음, 구름, 강우량, 기온, 바람, 습도, 강설량 등)에 대한 정보를 의미할 수 있다.
예시적인 실시예에서, 데이터 수집 모듈(102)은 교통 안전 공단에서 관리하는 서버로부터 해당 도로의 교통 피해 정도를 수집할 수 있다. 데이터 수집 모듈(102)은 국토 교통부 또는 지방 자치 단체에서 관리하는 서버로부터 해당 교통 사고가 발생한 당시 해당 도로 지점의 교통량 정보를 수집할 수 있다. 데이터 수집 모듈(102)은 기상청에서 관리하는 서버로부터 해당 교통 사고가 발생한 시점의 해당 지역의 날씨 정보를 수집할 수 있다.
또한, 데이터 수집 모듈(102)은 해당 도로의 도로 관련 정보를 수집할 수 있다. 데이터 수집 모듈(102)은 도로 관련 정보를 전처리 모듈(104)로 전달할 수 있다. 데이터 수집 모듈(102)은 도로 관련 정보를 위험도 예측 모듈(106)로 전달할 수도 있다.
예시적인 실시예에서, 도로 관련 정보는 도로의 시작 위치 및 종료 위치에 대한 정보, 도로의 노면 상태에 대한 정보, 도로의 전체 길이에 대한 정보, 도로의 폭에 대한 정보, 도로의 경사에 대한 정보, 도로의 곡선 반경에 대한 정보, 도로의 설계 속도에 대한 정보, 도로의 종류에 대한 정보 등을 포함할 수 있다.
전처리 모듈(104)은 도로 관련 정보를 기반으로 해당 도로를 복수 개의 구간으로 구분할 수 있다. 도 2는 본 발명의 실시예에서 해당 도로가 10개의 구간으로 구분되는 상태를 나타낸 도면이다. 예를 들어, 전처리 모듈(104)은 해당 도로를 기 설정된 간격으로 복수 개의 구간을 구획할 수 있다. 그러나, 이에 한정되는 것은 아니며 이와는 다른 기준에 의해 복수 개의 구간으로 구분할 수 있음은 물론이다. 예를 들어, 전처리 모듈(104)은 해당 도로를 도로 유형(예를 들어, 직선 구간 및 곡선 구간 등)에 따라 복수 개의 구간으로 구분할 수도 있다.
전처리 모듈(104)은 도로 관련 정보를 기반으로 해당 도로의 각 구간 별로 도로 기하구조 정보를 산출할 수 있다. 도로 기하구조 정보는 각 구간의 곡선 변화율 관련 정보, 곡선 반경 관련 정보, 및 곡률 관련 정보 등을 포함할 수 있다. 예를 들어, 도로 기하구조 정보는 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 각 구간의 구간 곡률 등을 포함할 수 있다.
전처리 모듈(104)은 해당 도로의 제1 방향(예를 들어, 상향 도로)에서의 각 구간 별 도로 기하 구조 정보를 산출할 수 있다. 또한, 전처리 모듈(104)은 해당 도로의 제2 방향(제1 방향과 반대 방향)(예를 들어, 하향 도로)에서의 각 구간 별 도로 기하 구조 정보를 산출할 수 있다.
전처리 모듈(104)은 각 구간에서 단일 곡선의 곡선 변화율을 하기의 수학식 1에 의해 산출할 수 있다.
(수학식 1)
Figure pat00001
CCR : 단일 곡선의 곡선 변화율(Curvature Change Rate)
L : 평면 곡선의 총 길이(LCR + LC11 + LC12)
LCR : 평면 곡선의 길이
LC11 , LC12 : 클로소이드(Clothoid) 곡선 길이
R : 곡선 반경
또한, 전처리 모듈(104)은 각 구간의 구간 곡률을 하기의 수학식 2에 의해 산출할 수 있다.
(수학식 2)
Figure pat00002
L : 해당 구간의 길이
DCi : 해당 구간의 i번째 곡선의 곡률
또한, 전처리 모듈(104)은 각 구간 내 곡선의 곡선 반경 비를 하기의 수학식 3에 의해 산출할 수 있다.
(수학식 3)
Figure pat00003
Rmax : 해당 도로 곡선의 최대 곡선 반경(해당 도로 곡선의 바깥쪽 부분의 곡선 반경)
r min : 해당 도로 곡선의 최소 곡선 반경(해당 도로 곡선의 안쪽 부분의 곡선 반경)
전처리 모듈(104)은 해당 도로의 각 구간 별로 도로 기하구조 정보를 위험도 예측 모듈(106)로 전달할 수 있다. 이하에서는, 도로 기하구조 정보가 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 각 구간의 구간 곡률을 포함하는 것으로 설명하나, 도로 기하구조 정보가 이에 한정되는 것은 아니며, 그 이외에 각 구간 내 도로의 경사(종단 경사 및 편경사 등), 각 구간 내 도로의 경사 변화율, 각 구간 내 도로의 노면 상태, 각 구간 내 도로의 추월 차로 길이, 각 구간 내 도로의 가속 차로 길이, 각 구간 내 도로의 저항 마찰 계수 등을 포함할 수 있다.
위험도 예측 모듈(106)은 교통 사고 관련 정보, 도로 관련 정보, 및 각 구간 별 도로 기하구조 정보 등을 기반으로 해당 도로의 각 구간 별 위험도를 예측할 수 있다. 이하에서는, 설명의 편의상, 위험도 예측 모듈(106)이 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보를 기반으로 해당 도로의 각 구간 별 위험도를 예측하는 것을 일 실시예로 설명하기로 한다. 그러나, 이에 한정되는 것은 아니며 위험도 예측 모듈(106)은 교통 사고 관련 정보 및 도로 관련 정보를 기반으로 해당 도로의 각 구간 별 위험도를 예측할 수도 있다.
예시적인 실시예에서, 위험도 예측 모듈(106)은 기계 학습(Learning Machine) 모델에 의해 해당 도로의 각 구간 별 위험도를 예측할 수 있다. 기계 학습 모델은 입력 변수와 출력 변수 사이의 관계를 학습하여 입력 변수에 따른 출력 변수를 예측하도록 하는 데이터 처리 알고리즘이다. 본 발명의 실시예에서는, 교통 사고 관련 정보, 도로 관련 정보, 및 각 구간 별 도로 기하구조 정보 등이 입력 변수가 되고, 출력 변수는 각 구간 별 위험도가 될 수 있다.
예시적인 실시예에서, 기계 학습 모델로는 랜덤 포레스트(Random Forest) 모델을 이용할 수 있다. 랜덤 포레스트 모델은 결정 트리를 만드는데 사용되는 요소들을 랜덤(무작위적)으로 선정하여 출력 변수(즉, 해당 구간의 위험도)를 예측하기 때문에, 교통 사고가 여러 변수들에 의해 랜덤하게 발생하는 특성을 잘 반영하여 보다 정확한 예측이 가능하게 된다. 즉, 교통 사고가 여러 변수들에 의해 랜덤하게 발생하는 특성 상 기존의 회귀 분석 등의 방법으로는 출력 변수를 정확하게 예측하기 어렵게 된다.
도 3은 본 발명의 일 실시예에서 위험도 예측 모듈(106)이 랜덤 포레스트 모델을 이용하여 각 구간 별 위험도를 예측하는 상태를 나타낸 도면이다.
구체적으로, 위험도 예측 모듈(106)은 데이터 수집 모듈(102) 및 전처리 모듈(104)로부터 주어진 복수 개의 데이터 세트들을 기반으로 복수 개의 결정 트리(Tree1, Tree2, ? , Tree N)를 생성할 수 있다. 예시적인 실시예에서, 하나의 데이터 세트는 교통 피해 정도, 교통량 정보, 날씨 정보, 및 해당 구간의 도로 기하구조 정보를 포함할 수 있다.
여기서, 도로 기하구조 정보는 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 각 구간의 구간 곡률, 각 구간 내 도로의 경사(종단 경사 및 편경사 등), 각 구간 내 도로의 경사 변화율, 각 구간 내 도로의 노면 상태, 각 구간 내 도로의 추월 차로 길이, 각 구간 내 도로의 가속 차로 길이, 각 구간 내 도로의 저항 마찰 계수 등을 포함할 수 있다.
위험도 예측 모듈(106)은 데이터 수집 모듈(102) 및 전처리 모듈(104)로부터 전달된 복수 개의 데이터 세트들 중 일부는 랜덤 포레스트 모델의 입력 변수 데이터로 사용하지 않고, 랜덤 포레스트 모델의 성능을 평가하기 위한 검증 데이터로 사용할 수 있다.
위험도 예측 모듈(106)은 주어진 복수 개의 데이터 세트들 중 중복을 허용해서 무작위로 기 설정된 개수의 데이터 세트를 선택하고, 선택된 데이터 세트들을 기반으로 하나의 결정 트리(제1 결정 트리)를 생성할 수 있다. 이때, 위험도 예측 모듈(106)은 주어진 데이터 세트의 개수만큼 데이터 세트를 선택할 수 있다.
또한, 위험도 예측 모듈(106)은 주어진 복수 개의 데이터 세트들 중 중복을 허용해서 무작위로 기 설정된 개수의 데이터 세트를 선택하고, 선택된 데이터 세트들을 기반으로 다른 결정 트리(제2 결정 트리)를 생성할 수 있다. 이와 같은 과정을 반복하여 위험도 예측 모듈(104)은 N개의 결정 트리를 각각 생성할 수 있다.
여기서, 각 결정 트리는 무작위로 선택된 데이터 세트들을 포함하는 바, 각 결정 트리는 서로 다른 데이터 세트들을 포함하여 랜덤성을 가지게 된다. 그리고, 이러한 랜덤성은 교통 사고가 랜덤 하게 일어나는 성격을 잘 반영할 수 있게 된다.
위험도 예측 모듈(106)은 각 결정 트리에서 기 설정된 입력 변수의 개수를 기반으로 노드(Node)를 분할하여 각 결정 트리를 성장 시킬 수 있다. 예를 들어, 위험도 예측 모듈(104)은 하나의 데이터 세트에 포함되는 복수 개의 입력 변수(예를 들어, 사람의 교통 피해 정도인 사망, 중상, 경상, 차량의 교통 피해 정도인 폐차, 차량의 일부 부품 교체, 차량의 일부 부품 수리, 교통량, 날씨 파라미터(맑음, 구름, 강우량, 기온, 바람, 습도, 강설량 등), 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 각 구간의 구간 곡률 등)들 중 기 설정된 개수의 입력 변수를 랜덤하게 선택한다.
그리고, 위험도 예측 모듈(106)은 선택된 입력 변수를 기반으로 최상의 스필릿 함수(Split Function)을 결정하며, 각 결정 트리를 최대 트리 깊이로 성장시킬 수 있다. 여기서, 각 결정 트리는 입력 변수를 랜덤하게 선택하게 되므로, 각 결정 트리는 서로 다른 형태를 갖는 트리(나무)로 성장하게 된다.
위험도 예측 모듈(106)은 각 결정 트리에서 출력되는 예측 값(즉, 위험도)을 평균하여 해당 구간의 위험도를 예측할 수 있다.
위험도 예측 모듈(106)은 해당 도로의 제1 방향에서의 각 구간 별 위험도를 예측할 수 있다. 이때, 해당 도로의 제1 방향에서의 도로 기하구조 정보를 입력 변수로 할 수 있다. 또한, 위험도 예측 모듈(106)은 해당 도로의 제2 방향에서의 각 구간 별 위험도를 예측할 수 있다. 이때, 해당 도로의 제2 방향에서의 도로 기하구조 정보를 입력 변수로 할 수 있다.
한편, 위험도 예측 모듈(106)은 데이터 수집 모듈(102) 및 전처리 모듈(104)로부터 전달받은 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보에서 입력 변수 전부를 랜덤 포레스트 모델의 입력으로 사용하는 것이 아니라, 그 중 일부만을 입력 변수로 사용할 수도 있다. 위험도 예측 모듈(106)은 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보에 포함된 입력 변수들에 대해 출력 변수(즉, 각 구간 별 위험도)와의 관련도에 따라 그 중 일부를 랜덤 포레스트 모델의 입력 변수로 사용할 수 있다.
예시적인 실시예에서, 위험도 예측 모듈(106)은 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보에 포함된 입력 변수들 중 각 구간 별 위험도와의 관련도가 높은 순서로 기 설정된 개수의 입력 변수를 랜덤 포레스트 모델의 입력 변수로 사용할 수 있다.
여기서, 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보에 포함된 입력 변수들과 각 구간 별 위험도와의 관련도는 랜덤 포레스트 모델을 통해 산출할 수 있다. 즉, 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보에 포함된 입력 변수들 중 일부는 랜덤 포레스트 모델의 입력 변수로 사용하고, 나머지는 OOB(Out-Of-Bags) 샘플로 사용하여 랜덤 포레스트 모델의 오차율을 산출할 수 있다. 그리고, 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보에 포함된 입력 변수들 중 또 다른 일부를 랜덤 포레스트 모델의 입력 변수로 사용하고, 나머지는 OOB(Out-Of-Bags) 샘플로 사용하여 랜덤 포레스트 모델의 오차율을 산출할 수 있다.
이런 과정을 반복하여 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보에 포함된 입력 변수들 각각에 대해 랜덤 포레스트 모델의 오차율을 각각 산출하고, 산출된 오차율이 낮을수록 출력 변수(즉, 각 구간 별 위험도)와의 관련도가 높은 것으로 설정할 수 있다.
알림 모듈(108)은 위험도 예측 모듈(106)에서 예측한 각 구간 별 위험도에 대한 정보를 관리자 단말기(미도시)로 전송할 수 있다. 여기서, 관리자 단말기(미도시)는 해당 도로 관리 주체의 단말기 또는 서버 컴퓨팅 장치일 수 있다.
알림 모듈(108)은 도로 관련 정보 및 각 구간 별 위험도를 기반으로 안전 구조물 설치 안내 정보(안전 구조물 종류 정보 및 안전 구조물 설치 위치 정보를 포함)를 생성할 수 있다. 알림 모듈(108)은 안전 구조물 설치 안내 정보를 관리자 단말기(미도시)로 전송할 수 있다.
알림 모듈(108)은 각 구간 별 위험도를 확인하여 위험도가 기 설정된 위험도를 초과하는 경우, 해당 구간을 안전 구조물 설치를 해야 하는 구간으로 설정할 수 있다. 소정 도로 구간이 안전 구조물 설치를 해야 하는 구간인 경우, 알림 모듈(108)은 해당 도로의 도로 관련 정보를 기반으로 어떤 종류의 안전 구조물을 어느 위치에 설치할 것인지를 설정할 수 있다.
예를 들어, 해당 도로의 종류가 국도이고, 해당 구간의 직선 길이가 기 설정된 직선 길이(예를 들어, 3km) 이상인 경우, 알림 모듈(108)은 해당 도로 구간에 일정 간격으로 방지턱을 설치할 것으로 설정할 수 있다. 또한, 해당 도로의 종류가 고속 도로이고, 해당 구간의 직선 길이가 기 설정된 직선 길이(예를 들어, 3km) 이상인 경우, 알림 모듈(108)은 해당 도로 구간의 중간 또는 마지막 지점에 안전 구조물로 과속 카메라를 설치할 것으로 설정할 수 있다. 또한, 해당 도로 구간이 곡선 구간을 포함하면서 내리막길인 경우, 알림 모듈(108)은 해당 도로 구간의 표면에 안전 구조물로 그루빙(Grooving)을 형성할 것으로 설정할 수 있다.
본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예건대, 상기 "모듈"은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아니다.
개시되는 실시예에 의하면, 교통 사고 관련 정보 및 각 구간 별 도로 기하구조 정보를 랜덤 포레스트 모델의 입력 변수로 하여 각 구간 별 위험도를 예측함으로써, 교통 사고의 랜덤한 성격을 반영할 수 있으며, 그로 인해 보다 정확하게 해당 도로 구간의 위험도를 예측할 수 있게 된다.
또한, 해당 구간의 위험도가 기 설정된 위험도를 초과하는 경우, 도로 관련 정보 및 각 구간 별 위험도를 기반으로 안전 구조물 설치 안내 정보를 생성하여 해당 도로 구간에 안전 구조물을 설치하도록 자동 알림을 전송할 수 있게 된다.
도 4는 본 발명의 일 실시예에 따른 도로 안전성 평가 방법을 나타낸 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.
도 4를 참조하면, 도로 안전성 평가 시스템(100)은 소정 도로에 대한 교통 사고 관련 정보를 수집한다(S 101). 여기서, 소정 도로는 안전성 평가의 대상이 되는 도로로서, 개통이 되어 차량이 지나다니는 도로를 의미한다. 교통 사고 관련 정보는 교통 피해 정도, 교통량 정보, 및 날씨 정보 등을 포함할 수 있다.
다음으로, 도로 안전성 평가 시스템(100)은 해당 도로의 도로 관련 정보를 수집한다(S 103). 도로 관련 정보는 도로의 시작 위치 및 종료 위치에 대한 정보, 도로의 노면 상태에 대한 정보, 도로의 전체 길이에 대한 정보, 도로의 폭에 대한 정보, 도로의 경사에 대한 정보, 도로의 곡선 반경에 대한 정보, 도로의 설계 속도에 대한 정보, 도로의 종류에 대한 정보 등을 포함할 수 있다.
다음으로, 도로 안전성 평가 시스템(100)은 도로 관련 정보를 기반으로 해당 도로를 복수 개의 구간으로 구분한다(S 105).
다음으로, 도로 안전성 평가 시스템(100)은 도로 관련 정보를 기반으로 해당 도로의 각 구간 별 도로 기하구조 정보를 산출한다(S 107). 여기서, 도로 기하구조 정보는 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 각 구간의 구간 곡률, 각 구간 내 도로의 경사(종단 경사 및 편경사 등), 각 구간 내 도로의 경사 변화율, 각 구간 내 도로의 노면 상태, 각 구간 내 도로의 추월 차로 길이, 각 구간 내 도로의 가속 차로 길이, 각 구간 내 도로의 저항 마찰 계수 등을 포함할 수 있다.
다음으로, 도로 안전성 평가 시스템(100)은 교통 사고 관련 정보 및 해당 도로의 각 구간 별 도로 기하구조 정보를 랜덤 포레스트 모델의 입력 변수로 하여 각 구간 별 위험도를 예측한다(S 109).
다음으로, 도로 안전성 평가 시스템(100)은 각 구간 별 위험도가 기 설정된 위험도를 초과하는지 여부를 확인한다(S 111).
단계 S 111에서, 소정 구간의 위험도가 기 설정된 위험도를 초과하는 경우, 도로 안전성 평가 시스템(100)은 해당 구간에 안전 구조물을 설치해야 할 것으로 판단한다(S 113).
다음으로, 도로 안전성 평가 시스템(100)은 해당 도로의 도로 관련 정보 를 기반으로 안전 구조물 종류 정보 및 안전 구조물 설치 위치 정보 중 하나 이상을 포함하는 안전 구조물 설치 안내 정보를 생성한다(S 115).
다음으로, 도로 안전성 평가 시스템(100)은 안전 구조물 설치 안내 정보를 기 설정된 관리자 단말기로 전송한다(S 117).
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 도로 안전성 평가를 위한 시스템(예를 들어, 도로 안전성 평가 시스템(100))일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 도로 안전성 평가 시스템
102 : 데이터 수집 모듈
104 : 전처리 모듈
106 : 위험도 예측 모듈
108 : 알림 모듈

Claims (13)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    소정 도로에서 발생한 교통 사고와 관련하여 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보를 수집하는 단계;
    상기 도로의 도로 관련 정보를 수집하는 단계;
    상기 도로 관련 정보를 기반으로 상기 도로를 복수 개의 구간으로 구분하는 단계; 및
    상기 교통 사고 관련 정보 및 상기 도로 관련 정보를 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측하는 단계를 포함하는, 도로 안전성 평가 방법.
  2. 청구항 1에 있어서,
    상기 도로 관련 정보는,
    상기 도로의 시작 위치 및 종료 위치에 대한 정보, 상기 도로의 노면 상태에 대한 정보, 상기 도로의 전체 길이에 대한 정보, 상기 도로의 폭에 대한 정보, 상기 도로의 경사에 대한 정보, 상기 도로의 곡선 반경에 대한 정보, 상기 도로의 주행 속도에 대한 정보, 및 상기 도로의 종류에 대한 정보 중 하나 이상을 포함하는, 도로 안전성 평가 방법.
  3. 청구항 2에 있어서,
    상기 도로를 복수 개의 구간으로 구분하는 단계 이후에,
    상기 도로 관련 정보를 기반으로 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 산출하는 단계를 더 포함하는, 도로 안전성 평가 방법.
  4. 청구항 3에 있어서,
    상기 도로의 각 구간 별 위험도를 예측하는 단계는,
    상기 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보 및 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 상기 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측하는, 도로 안전성 평가 방법.
  5. 청구항 4에 있어서,
    상기 도로의 각 구간 별 위험도를 예측하는 단계는,
    상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보의 데이터 세트들 중 중복을 허용하여 무작위로 기 설정된 개수의 데이터 세트를 선택하여 복수 개의 결정 트리를 각각 생성하는 단계;
    상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보에 포함되는 복수 개의 입력 변수들 중 기 설정된 개수의 입력 변수를 랜덤하게 선택하는 단계;
    상기 복수 개의 결정 트리를 선택된 입력 변수를 기반으로 최대 트리 깊이로 성장시키는 단계; 및
    상기 복수 개의 결정 트리에서 각각 출력되는 위험도 값을 평균하여 해당 구간의 위험도를 예측하는 단계를 포함하는, 도로 안전성 평가 방법.
  6. 청구항 1에 있어서,
    상기 도로 안전성 평가 방법은,
    상기 도로의 각 구간 별 위험도를 예측하는 단계 이후에,
    상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는지 여부를 확인하는 단계;
    상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는 경우, 해당 구간을 안전 구조물 설치를 해야 하는 구간으로 설정하는 단계; 및
    상기 도로 관련 정보를 기반으로 안전 구조물 종류 정보 및 안전 구조물 설치 위치 정보 중 하나 이상을 포함하는 안전 구조물 설치 안내 정보를 생성하는 단계를 포함하는, 도로 안전성 평가 방법.
  7. 하나 이상의 프로세서들;
    메모리; 및
    하나 이상의 프로그램들을 포함하고,
    상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되는 컴퓨팅 장치로서,
    소정 도로에서 발생한 교통 사고와 관련하여 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보를 수집하고, 상기 도로의 도로 관련 정보를 수집하는 데이터 수집 모듈;
    상기 도로 관련 정보를 기반으로 상기 도로를 복수 개의 구간으로 구분하는 전처리 모듈; 및
    상기 교통 사고 관련 정보 및 상기 도로 관련 정보를 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측하는 위험도 예측 모듈을 포함하는, 컴퓨팅 장치.
  8. 청구항 7에 있어서,
    상기 도로 관련 정보는,
    상기 도로의 시작 위치 및 종료 위치에 대한 정보, 상기 도로의 노면 상태에 대한 정보, 상기 도로의 전체 길이에 대한 정보, 상기 도로의 폭에 대한 정보, 상기 도로의 경사에 대한 정보, 상기 도로의 곡선 반경에 대한 정보, 상기 도로의 주행 속도에 대한 정보, 및 상기 도로의 종류에 대한 정보 중 하나 이상을 포함하는, 컴퓨팅 장치.
  9. 청구항 8에 있어서,
    상기 전처리 모듈은,
    상기 도로 관련 정보를 기반으로 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 산출하는, 컴퓨팅 장치.
  10. 청구항 9에 있어서,
    상기 위험도 예측 모듈은,
    상기 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보 및 상기 도로의 각 구간 내 곡선의 곡선 변화율, 각 구간 내 곡선의 곡선 반경 비, 및 각 구간의 구간 곡률 중 하나 이상을 포함하는 도로 기하구조 정보를 상기 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측하는, 컴퓨팅 장치.
  11. 청구항 10에 있어서,
    상기 위험도 예측 모듈은,
    상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보의 데이터 세트들 중 중복을 허용하여 무작위로 기 설정된 개수의 데이터 세트를 선택하여 복수 개의 결정 트리를 각각 생성하고, 상기 교통 사고 관련 정보 및 상기 도로 기하구조 정보에 포함되는 복수 개의 입력 변수들 중 기 설정된 개수의 입력 변수를 랜덤하게 선택하며, 상기 복수 개의 결정 트리를 선택된 입력 변수를 기반으로 최대 트리 깊이로 성장시키고, 상기 복수 개의 결정 트리에서 각각 출력되는 위험도 값을 평균하여 해당 구간의 위험도를 예측하는, 컴퓨팅 장치.
  12. 청구항 7에 있어서,
    상기 컴퓨팅 장치는,
    상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는지 여부를 확인하고, 상기 예측된 위험도가 기 설정된 위험도를 초과하는 구간이 존재하는 경우, 해당 구간을 안전 구조물 설치를 해야 하는 구간으로 설정하며, 상기 도로 관련 정보를 기반으로 안전 구조물 종류 정보 및 안전 구조물 설치 위치 정보 중 하나 이상을 포함하는 안전 구조물 설치 안내 정보를 생성하는 알림 모듈을 더 포함하는, 컴퓨팅 장치.
  13. 비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
    소정 도로에서 발생한 교통 사고와 관련하여 교통 피해 정도, 교통량 정보, 및 날씨 정보 중 하나 이상을 포함하는 교통 사고 관련 정보를 수집하도록 하고,
    상기 도로의 도로 관련 정보를 수집하도록 하며,
    상기 도로 관련 정보를 기반으로 상기 도로를 복수 개의 구간으로 구분하도록 하고,
    상기 교통 사고 관련 정보 및 상기 도로 관련 정보를 랜덤 포레스트(Random Forest) 모델의 입력 변수로 하여 상기 도로의 각 구간 별 위험도를 예측하도록 하는, 컴퓨터 프로그램.
KR1020180085878A 2018-07-24 2018-07-24 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 KR102088040B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180085878A KR102088040B1 (ko) 2018-07-24 2018-07-24 도로 안전성 평가 방법 및 이를 수행하기 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180085878A KR102088040B1 (ko) 2018-07-24 2018-07-24 도로 안전성 평가 방법 및 이를 수행하기 위한 장치

Publications (2)

Publication Number Publication Date
KR20200013274A true KR20200013274A (ko) 2020-02-07
KR102088040B1 KR102088040B1 (ko) 2020-03-11

Family

ID=69570358

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180085878A KR102088040B1 (ko) 2018-07-24 2018-07-24 도로 안전성 평가 방법 및 이를 수행하기 위한 장치

Country Status (1)

Country Link
KR (1) KR102088040B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956335B (zh) * 2019-12-10 2020-10-02 黑龙江省公路勘察设计院 一种基于预测事故率分级的公路安全评价系统及评价方法
KR102192337B1 (ko) * 2020-06-25 2020-12-17 서울대학교산학협력단 풍속풍향 데이터를 활용한 강풍에 대한 교량 주행위험등급 평가 시스템 및 방법
KR102244143B1 (ko) * 2020-12-17 2021-04-22 전남대학교산학협력단 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법
KR102290548B1 (ko) * 2021-03-25 2021-08-13 전남대학교산학협력단 딥러닝 모델 기반의 도로 상태 판단을 통한 교통 사고 예방 장치 및 방법
CN113780783A (zh) * 2021-09-01 2021-12-10 苏交科集团股份有限公司 一种针对道路交通安全事故风险度的自动分析方法
KR102448174B1 (ko) * 2022-03-18 2022-09-28 한국교통안전공단 인공지능 기반 교통 안전 관리 방법
KR102657676B1 (ko) * 2023-07-03 2024-04-16 주식회사 핀텔 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템
CN118350681A (zh) * 2024-06-18 2024-07-16 山东数创智能科技有限公司 一种基于多源数据的道路安全评价方法和系统
KR102693964B1 (ko) * 2023-07-03 2024-08-09 주식회사 핀텔 보차혼용도로의 위험도를 산출하기 위한 학습데이터를 생성하는 방법 및 컴퓨팅시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102608438B1 (ko) 2021-06-25 2023-12-01 한국도로공사 다각적 지표를 기반으로 하는 고속도로의 교통사고 위험도 평가 시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101743392B1 (ko) 2016-02-05 2017-06-02 최준석 안전성 평가를 위한 도로 기하구조 분석장치 및 그 분석방법
KR20170065898A (ko) * 2015-12-04 2017-06-14 한국교통연구원 도로 상에서의 기상악화로 인한 교통사고 발생 가능성 예측 방법 및 이를 위한 장치
JP2017126122A (ja) * 2016-01-12 2017-07-20 本田技研工業株式会社 交通渋滞予測表示装置及び交通渋滞予測表示プログラム
KR20180071178A (ko) * 2016-12-19 2018-06-27 한국건설기술연구원 도로의 교통 위험도 제공 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170065898A (ko) * 2015-12-04 2017-06-14 한국교통연구원 도로 상에서의 기상악화로 인한 교통사고 발생 가능성 예측 방법 및 이를 위한 장치
JP2017126122A (ja) * 2016-01-12 2017-07-20 本田技研工業株式会社 交通渋滞予測表示装置及び交通渋滞予測表示プログラム
KR101743392B1 (ko) 2016-02-05 2017-06-02 최준석 안전성 평가를 위한 도로 기하구조 분석장치 및 그 분석방법
KR20180071178A (ko) * 2016-12-19 2018-06-27 한국건설기술연구원 도로의 교통 위험도 제공 장치 및 방법

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956335B (zh) * 2019-12-10 2020-10-02 黑龙江省公路勘察设计院 一种基于预测事故率分级的公路安全评价系统及评价方法
KR102192337B1 (ko) * 2020-06-25 2020-12-17 서울대학교산학협력단 풍속풍향 데이터를 활용한 강풍에 대한 교량 주행위험등급 평가 시스템 및 방법
KR102244143B1 (ko) * 2020-12-17 2021-04-22 전남대학교산학협력단 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법
WO2022131439A1 (ko) * 2020-12-17 2022-06-23 전남대학교산학협력단 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법
KR102290548B1 (ko) * 2021-03-25 2021-08-13 전남대학교산학협력단 딥러닝 모델 기반의 도로 상태 판단을 통한 교통 사고 예방 장치 및 방법
CN113780783A (zh) * 2021-09-01 2021-12-10 苏交科集团股份有限公司 一种针对道路交通安全事故风险度的自动分析方法
KR102448174B1 (ko) * 2022-03-18 2022-09-28 한국교통안전공단 인공지능 기반 교통 안전 관리 방법
WO2023177277A1 (ko) * 2022-03-18 2023-09-21 한국교통안전공단 인공지능 기반 교통 안전 관리 방법
KR102657676B1 (ko) * 2023-07-03 2024-04-16 주식회사 핀텔 보차혼용도로의 위험도를 산출하는 방법 및 컴퓨팅시스템
KR102693964B1 (ko) * 2023-07-03 2024-08-09 주식회사 핀텔 보차혼용도로의 위험도를 산출하기 위한 학습데이터를 생성하는 방법 및 컴퓨팅시스템
CN118350681A (zh) * 2024-06-18 2024-07-16 山东数创智能科技有限公司 一种基于多源数据的道路安全评价方法和系统

Also Published As

Publication number Publication date
KR102088040B1 (ko) 2020-03-11

Similar Documents

Publication Publication Date Title
KR102088040B1 (ko) 도로 안전성 평가 방법 및 이를 수행하기 위한 장치
CN109801491B (zh) 基于风险评估的智能导航方法、装置、设备及存储介质
CN107945507B (zh) 行程时间预测方法及装置
Abdel-Aty et al. Calibrating a real-time traffic crash-prediction model using archived weather and ITS traffic data
CN105551281B (zh) 通过众包数据个性化的路线指数
CN106023586B (zh) 用于检测车辆交通模式中的异常的方法和装置
US10066961B2 (en) Methods and systems for predicting driving conditions
CN105389976B (zh) 用于道路风险指数产生的方法和设备
WO2019070473A1 (en) DATA PROCESSING SYSTEM WITH AUTOMATIC LEARNING ENGINE FOR PROVIDING DRIVING DATA ANALYSIS AND VEHICLE CONTROL FUNCTIONS
US10252461B2 (en) Cognitive-based driving anomaly detection based on spatio-temporal landscape-specific driving models
WO2018002892A1 (en) System and method for balancing processing of sensor-based data and signals in a vehicle
CN107045794B (zh) 路况处理方法及装置
CN114443303A (zh) 资源分配方法、装置、设备及介质
KR102088369B1 (ko) 도로 설계 평가 방법 및 이를 수행하기 위한 장치
Aron et al. Traffic indicators, accidents and rain: some relationships calibrated on a French urban motorway network
Charly et al. Evaluation of driving performance in relation to safety on an expressway using field driving data
CN116386316A (zh) 交通风险的预测方法和装置、电子设备及存储介质
US20240005059A1 (en) Risk management apparatus, risk management method, and risk management system
US20210253116A1 (en) System and method for enhancing sensor operation in a vehicle
US20230349706A1 (en) Computational model for creating personalized routes based at least in part upon predicted total cost of claim frequency or severity
KR102383853B1 (ko) 기상 정보에 따른 안전속도 제공방법 및 이를 수행하기 위한 컴퓨팅 장치
Louah et al. Traffic operations at an entrance ramp of a suburban freeway first results
Yasanthi et al. Modelling speed behaviour in rural highways: Safety analysis of driving under adverse road-weather conditions
US20230153733A1 (en) Generating greenhouse gas emissions estimations associated with logistics contexts using machine learning techniques
US11726221B2 (en) Systems and methods for identifying deployed cables

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant