KR20200115715A - 상해 등급 예측 장치 및 방법 - Google Patents

상해 등급 예측 장치 및 방법 Download PDF

Info

Publication number
KR20200115715A
KR20200115715A KR1020190028225A KR20190028225A KR20200115715A KR 20200115715 A KR20200115715 A KR 20200115715A KR 1020190028225 A KR1020190028225 A KR 1020190028225A KR 20190028225 A KR20190028225 A KR 20190028225A KR 20200115715 A KR20200115715 A KR 20200115715A
Authority
KR
South Korea
Prior art keywords
machine learning
data
learning model
processor
combination
Prior art date
Application number
KR1020190028225A
Other languages
English (en)
Inventor
최규상
박성근
조은기
이용범
Original Assignee
현대자동차주식회사
순천향대학교 산학협력단
기아자동차주식회사
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 현대자동차주식회사, 순천향대학교 산학협력단, 기아자동차주식회사 filed Critical 현대자동차주식회사
Priority to KR1020190028225A priority Critical patent/KR20200115715A/ko
Priority to US16/521,071 priority patent/US11302122B2/en
Priority to CN201910729895.5A priority patent/CN111695692A/zh
Publication of KR20200115715A publication Critical patent/KR20200115715A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Development Economics (AREA)
  • Genetics & Genomics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)

Abstract

본 발명의 일 실시 예에 따른 상해 등급 예측 장치는 외부 장치와 통신하도록 구성된 통신 회로, 유전 알고리즘 및 기계 학습 모델을 저장하는 메모리 및 통신 회로 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는 교통 사고와 연관된 데이터를 획득하고, 유전 알고리즘을 이용하여 기계 학습 모델의 학습을 위해 획득된 데이터의 일부를 포함하는 입력 데이터의 조합을 선택하고, 입력 데이터의 조합을 기계 학습 모델로 제공하고, 기계 학습 모델의 학습이 완료되면, 학습된 기계 학습 모델을 이용하여 상해 등급을 예측할 수 있다.

Description

상해 등급 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING INJURY LEVEL}
본 발명은 교통 사고로 인한 탑승자의 상해 등급을 예측하기 위한 장치 및 방법에 관한 것이다.
차량의 탑승객의 사후적 안전을 위해, 사고 발생 시 차량에서 수집된 데이터를 이용하여 탑승객의 상해 등급을 예측하는 시스템이 사용되고 있다. 상해 등급을 예측을 통해, 예를 들어, 중상의 교통 사고 피해자의 사망률을 감소시킬 수 있다. 상기 시스템은, 예를 들어, NASS-CDS(national automotive sampling system)/CDS(crashworthiness data system) 데이터베이스에 기초하여 ISS(injury severity score) 등과 같은 상해 등급을 예측할 수 있다. 시스템은 로지스틱 회귀, 랜덤 포레스트 또는 SVM(support vector machine) 등과 같은 기계 학습 모델을 이용하여 상해 등급을 예측할 수 있다. 시스템은 차량에 의해 수집된 충돌 방향에 대한 데이터를 이용하여 운전자의 신체 부위 별 상해 정도를 예측할 수도 있다.
상술한 시스템에서 기계 학습 모델의 학습을 위해 사용되는 데이터를 반복적인 실험을 통해 결정하고 구성하는 것이 요구된다. 또한, 예측 성능의 향상을 위해 기계 학습 모델의 구조 또한 반복적인 실험을 통해 발견하는 것이 요구된다. 기계 학습 모델의 구조가 복잡해짐에 따라 데이터의 조합 및 모델의 구조를 최적화하는 것이 어려울 수 있다.
본 발명은 상해 등급의 예측을 위한 기계 학습 모델을 학습시키기 위한 입력 데이터의 조합 및 기계 학습 모델의 구조를 효율적으로 결정할 수 있는 장치 및 방법을 제공하기 위한 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시 예에 따른 상해 등급 예측 장치는 외부 장치와 통신하도록 구성된 통신 회로, 유전 알고리즘 및 기계 학습 모델을 저장하는 메모리 및 통신 회로 및 메모리와 전기적으로 연결된 프로세서를 포함하고, 프로세서는 교통 사고와 연관된 데이터를 획득하고, 유전 알고리즘을 이용하여 기계 학습 모델의 학습을 위해 획득된 데이터의 일부를 포함하는 입력 데이터의 조합을 선택하고, 입력 데이터의 조합을 기계 학습 모델로 제공하고, 기계 학습 모델의 학습이 완료되면, 학습된 기계 학습 모델을 이용하여 상해 등급을 예측할 수 있다.
일 실시 예에 따르면, 프로세서는 통신 회로를 이용하여, NASS(national automotive sampling system)/CDS(crashworthiness data system) 데이터베이스로부터 교통 사고와 연관된 데이터를 획득할 수 있다.
일 실시 예에 따르면, 프로세서는 적합도 함수를 이용하여 기계 학습 모델에 대한 입력 데이터의 조합의 적합도를 판단할 수 있다.
일 실시 예에 따르면, 프로세서는 적합도가 지정된 조건을 만족할 때까지 입력 데이터의 조합의 선택 및 제공을 반복할 수 있다.
일 실시 예에 따르면, 입력 데이터의 조합은 획득된 데이터 중 사용할 데이터를 나타내는 데이터 및 기계 학습 모델의 구조를 나타내는 데이터를 포함할 수 있다.
일 실시 예에 따르면, 프로세서는 유전 알고리즘을 이용하여 획득된 데이터 중 상해 등급에 영향을 미치는 데이터를 확인할 수 있다.
일 실시 예에 따르면, 프로세서는 유전 알고리즘을 이용하여 획득된 데이터 중 기계 학습 모델에서 사용할 데이터를 판단할 수 있다.
일 실시 예에 따르면, 프로세서는 유전 알고리즘을 이용하여 기계 학습 모델의 구조를 결정할 수 있다.
일 실시 예에 따르면, 기계 학습 모델은 의사 결정 트리, 랜덤 포레스트, SVM(support vector machine) 또는 MLP(multilayer perceptron)를 포함할 수 있다.
일 실시 예에 따르면, 기계 학습 모델은 상해 등급의 분류 기준을 학습할 수 있다.
일 실시 예에 따르면, 프로세서는 시험 데이터가 획득되면, 시험 데이터를 학습된 기계 학습 모델로 입력함으로써 상해 등급을 예측할 수 있다.
본 발명의 일 실시 예에 따른 상해 등급 예측 방법은 교통 사고와 연관된 데이터를 획득하는 단계, 유전 알고리즘을 이용하여 기계 학습 모델의 학습을 위해 획득된 데이터의 일부를 포함하는 입력 데이터를 선택하는 단계, 입력 데이터를 기계 학습 모델로 제공하는 단계 및 기계 학습 모델의 학습이 완료되면, 학습된 기계 학습 모델을 이용하여 상해 등급을 예측하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 상해 등급 예측 장치 및 방법은 유전 알고리즘을 이용하여 기계 학습 모델의 학습을 위한 입력 데이터의 조합 및 기계 학습 모델의 구조를 결정함으로써, 상해 등급의 예측 성능을 향상시킬 수 있다.
또한, 유전 알고리즘을 이용하여 입력 데이터의 조합을 분석함으로써, 높은 상해 등급의 원인이 되는 인자를 확인하고, 확인 결과를 교통 사고 피해를 감소시키기 위해 사용할 수 있다.
또한, 상해 등급의 정확한 예측을 통해 교통 사고 발생 시 탑승객의 안전을 위한 적절한 조치를 취할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 상해 등급 예측 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 상해 등급 예측 장치의 데이터 처리 과정을 나타내는 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 상해 등급 예측 장치에서 사용되는 유전 알고리즘의 예시적인 동작을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 상해 등급 예측 장치에서 사용되는 예시적인 데이터를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 상해 등급 예측 방법을 설명하기 위한 순서도이다.
도 6은 본 발명의 일 실시 예에 따른 컴퓨팅 시스템을 도시한다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시 예에 따른 상해 등급 예측 장치의 구성을 나타내는 블록도이다.
도 1을 참조하면, 일 실시 예에 따른 상해 등급 예측 장치(100)는 통신 회로(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 상해 등급 예측 장치(100)는 교통 사고 데이터에 기반하여 유전 알고리즘 및 기계 학습 모델을 이용하여 사고 발생 시 탑승자의 상해 등급을 예측할 수 있는 장치이다.
통신 회로(110)는 외부 장치와 통신하도록 구성될 수 있다. 예를 들어, 통신 회로(110)는 외부 데이터베이스(예: NASS(national automotive sampling system)/CDS(crashworthiness data system) 데이터베이스)와 통신할 수 있다. 다른 예를 들면, 통신 회로(110)는 외부 장치와 사고 데이터 및/또는 예측 결과를 송수신할 수 있다.
메모리(120)는 유전 알고리즘 및 기계 학습 모델을 저장할 수 있다. 기계 학습 모델은, 예를 들어, 의사 결정 트리, 랜덤 포레스트, SVM(support vector machine) 및/또는 MLP(multilayer perceptron)를 포함할 수 있다. 일 실시 예에 따르면, 메모리(120)는 사고 데이터를 저장할 수도 있다.
프로세서(130)는 통신 회로(110) 및 메모리(120)와 전기적으로 연결될 수 있다. 프로세서(130)는 통신 회로(110) 및 메모리(120)를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(130)는 교통 사고와 연관된 데이터를 획득할 수 있다. 프로세서(130)는 과거의 교통 사고 데이터를 저장하는 데이터베이스로부터 데이터를 획득할 수 있다. 예를 들어, 프로세서(130)는 통신 회로(110)를 이용하여, NASS/CDS 데이터베이스로부터 교통 사고와 연관된 데이터를 획득할 수 있다. 다른 예를 들면, 프로세서(130)는 메모리(120)에 저장된 데이터베이스로부터 교통 사고와 연관된 데이터를 획득할 수도 있다.
일 실시 예에 따르면, 프로세서(130)는 유전 알고리즘을 이용하여 기계 학습 모델의 학습을 위해 획득된 데이터의 일부를 포함하는 입력 데이터의 조합을 선택할 수 있다. 입력 데이터의 조합은, 예를 들어, 교통 사고와 연관된 데이터 중 학습을 위해 사용할 데이터를 나타내는 데이터(예: 0 또는 1로 표시) 및 기계 학습 모델의 구조를 나타내는 데이터를 포함할 수 있다. 프로세서(130)는 유전 알고리즘을 이용하여 획득된 데이터 중 상해 등급에 영향을 미치는 데이터를 확인할 수 있다. 프로세서(130)는 유전 알고리즘을 이용하여 획득된 데이터 중 기계 학습 모델에서 사용할 데이터를 판단할 수 있다. 프로세서(130)는 유전 알고리즘을 이용하여 기계 학습 모델의 구조를 결정할 수 있다. 프로세서(130)는 유전 알고리즘의 초기 개체로서 획득된 데이터 중 일부를 임의로 선택할 수 있다.
일 실시 예에 따르면, 프로세서(130)는 입력 데이터의 조합을 기계 학습 모델로 제공할 수 있다. 기계 학습 모델은 입력 데이터의 조합을 이용하여 상해 등급의 분류 기준을 학습할 수 있다. 프로세서(130)는 적합도 함수를 이용하여 기계 학습 모델에 대한 입력 데이터의 조합의 적합도를 판단할 수 있다. 프로세서(130)는 적합도가 지정된 조건을 만족할 때까지 입력 데이터의 조합의 선택 및 제공을 반복할 수 있다. 예를 들어, 프로세서(130)는 선택, 교배, 돌연변이 및 적합도 함수 평가 등의 단계를 유전 알고리즘의 종료 조건이 만족될 때까지 반복적으로 수행할 수 있다.
일 실시 예에 따르면, 프로세서(130)는 기계 학습 모델의 학습이 완료되면, 학습된 기계 학습 모델을 이용하여 상해 등급을 예측할 수 있다. 예를 들어, 프로세서(130)는 시험 데이터가 획득되면, 시험 데이터를 학습된 기계 학습 모델로 입력함으로써 상해 등급을 예측할 수 있다. 시험 데이터는, 예를 들어, 상해 등급의 예측이 요구되는 사고 발생 시 센서에 의해 수집된 데이터일 수 있다.
상술한 것과 같이, 본 발명은 유전 알고리즘을 사용하여 입력 데이터의 조합 및 기계 학습 모델의 구조에 대한 특징점을 추출할 수 있다. 예를 들어, 본 발명은 유전 알고리즘을 사용하여 다수의 입력 데이터가 존재할 때 임의의 데이터 조합을 생성하고, 최적의 데이터 조합을 찾을 수 있고, 기계 학습 모델의 구조에 대한 데이터 조합을 생성하고, 최적의 구조를 찾을 수 있다. 이로써, 상해 등급의 예측 성능을 향상시킬 수 있다.
도 2는 본 발명의 일 실시 예에 따른 상해 등급 예측 장치의 데이터 처리 과정을 나타내는 블록도이다.
도 2를 참조하면, 데이터베이스(210)는 사고 데이터를 포함할 수 있다. 사고 데이터는, 예를 들어, 과거의 교통 사고 발생 시 수집된 데이터일 수 있다.
유전 알고리즘(220)은 기계 학습 모델의 성능을 향상시킬 수 있는 최적의 데이터 조합을 생성하고, 생성된 데이터 조합을 기계 학습 모델의 학습을 위한 입력 데이터로 사용할 수 있다. 유전 알고리즘(220)은 데이터베이스(210)로부터 획득된 데이터를 조합할 수 있다. 유전 알고리즘(220)은 기계 학습 모델로 생성된 데이터의 조합을 입력함으로써 기계 학습 모델을 학습시킬 수 있다. 유전 알고리즘(220)은 학습된 기계 학습 모델의 성능 평가를 통해 데이터 조합의 적합도를 판단할 수 있다. 유전 알고리즘(220)은 데이터의 조합과 학습을 반복함으로써 최적의 데이터 조합을 생성할 수 있다.
기계 학습 모델은 학습 결과(230)를 출력할 수 있다. 학습 결과(230)는 상해 등급의 예측 결과일 수 있다. 기계 학습 모델은 교통 사고 발생 시 센서에 의해 수집된 데이터가 획득되면, 수집된 데이터에 기초하여 상해 등급을 예측할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 상해 등급 예측 장치에서 사용되는 유전 알고리즘의 예시적인 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 유전 알고리즘은 데이터베이스로부터 다수의 입력 데이터를 획득할 수 있다. 유전 알고리즘은 NASS/CDS 데이터베이스로부터 획득된 데이터에 기초하여 초기 개체를 생성할 수 있다. 유전 알고리즘은 생성된 데이터 조합 중 현재 세대에서 다음 세대로 전달되는 데이터 조합을 선택할 수 있다. 유전 알고리즘은 선택된 데이터 조합에 대해 교차 연산을 수행하여 교배 과정을 진행할 수 있다. 교배 과정을 통해 다음 세대의 데이터 조합이 생성될 수 있다. 유전 알고리즘은 교배된 데이터 조합이 임의의 다른 데이터로 변형되도록 교배된 데이터 조합에 대해 변이 연산을 수행하여 돌연변이 데이터 조합을 생성할 수 있다. 유전 알고리즘은 생성된 데이터 조합을 기계 학습 모델로 제공할 수 있다. 기계 학습 모델은 제공된 데이터 조합을 이용하여 상해 등급의 분류 기준을 학습할 수 있다. 유전 알고리즘은 적합도 합수를 이용하여 적합도 평가를 수행할 수 있고, 적합도 평가가 만족될 때까지 반복적으로 상술한 과정을 반복할 수 있다. NASS/CDS 데이터는 다수의 입력 인자를 포함할 수 있다. 다수의 입력 인자 모두가 탑승자의 상해 등급에 영향을 주는 것은 아니므로, 유전 알고리즘은 상해에 영향을 주는 인자를 추출할 수 있다. 적합도 평가가 만족되면, 학습된 기계 학습 모델은 학습 결과를 출력할 수 있다. 학습된 기계 학습 모델은 학습에 사용되지 않은 새로운 입력 데이터가 입력되면, 상해 등급의 예측 결과를 출력할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 상해 등급 예측 장치에서 사용되는 예시적인 데이터를 설명하기 위한 도면이다.
도 4를 참조하면, 일 실시 예에 따른 입력 데이터(410)는 입력 피쳐(411) 및 모델 구조(412)에 대한 데이터를 포함할 수 있다. 입력 피쳐(411)는 유전 알고리즘에 의해 선택된 피쳐와 선택되지 않은 피쳐를 구별하는 바이너리 데이터일 수 있다. 예를 들어, 입력 피쳐(411)에서 데이터 “1”은 선택된 피쳐를 의미하고, 데이터 “0”은 선택되지 않은 피쳐를 의미할 수 있다. 모델 구조(412)는 기계 학습 모델의 구조를 나타내는 데이터일 수 있다. 모델 구조(412)는 사용되는 기계 학습 모델의 종류에 따라 상이하게 구성될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 상해 등급 예측 방법을 설명하기 위한 순서도이다.
이하에서는 도 1의 상해 등급 예측 장치(100)를 포함하는 차량이 도 5의 프로세스를 수행하는 것을 가정한다. 또한, 도 5의 설명에서, 차량에 의해 수행되는 것으로 기술된 동작은 상해 등급 예측 장치(100)의 프로세서(130)에 의해 제어되는 것으로 이해될 수 있다.
도 5를 참조하면, 단계 510에서, 장치는 교통 사고와 연관된 데이터를 획득할 수 있다. 예를 들어, 장치는 데이터베이스로부터 미리 저장된 사고 데이터를 획득할 수 있다.
단계 520에서, 장치는 유전 알고리즘을 이용하여 기계 학습 모델의 학습을 위해 획득된 데이터의 일부를 포함하는 입력 데이터를 선택할 수 있다. 예를 들어, 장치는 획득된 데이터를 조합함으로써 입력 데이터를 선택할 수 있다.
단계 530에서, 장치는 입력 데이터를 기계 학습 모델로 제공할 수 있다. 예를 들어, 장치는 기계 학습 모델의 학습을 위해 입력 데이터를 기계 학습 모델로 입력시킬 수 있다.
단계 540에서, 장치는 기계 학습 모델의 학습이 완료되었는지 여부를 판단할 수 있다. 예를 들어, 장치는 적합도 함수를 이용하여 유전 알고리즘의 종료 여부를 판단할 수 있다.
단계 550에서, 장치는 기계 학습 모델을 이용하여 상해 등급을 예측할 수 있다. 예를 들어, 장치는 학습에 사용되지 않은 새로운 사고 데이터가 입력되면, 입력된 사고 데이터를 기계 학습 모델에 입력시킬 수 있고, 기계 학습 모델을 통해 예상되는 상해 등급을 출력할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 컴퓨팅 시스템을 도시한다.
도 6을 참조하면, 상술한 본 발명의 일 실시 예에 따른 방법은 컴퓨팅 시스템을 통해서도 구현될 수 있다. 컴퓨팅 시스템(1000)은 시스템 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시 예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (12)

  1. 상해 등급 예측 장치에 있어서,
    외부 장치와 통신하도록 구성된 통신 회로;
    유전 알고리즘 및 기계 학습 모델을 저장하는 메모리; 및
    상기 통신 회로 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고,
    상기 프로세서는,
    교통 사고와 연관된 데이터를 획득하고,
    상기 유전 알고리즘을 이용하여 상기 기계 학습 모델의 학습을 위해 상기 획득된 데이터의 일부를 포함하는 입력 데이터의 조합을 선택하고,
    상기 입력 데이터의 조합을 상기 기계 학습 모델로 제공하고,
    상기 기계 학습 모델의 상기 학습이 완료되면, 상기 학습된 기계 학습 모델을 이용하여 상해 등급을 예측하는 것을 특징으로 하는, 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는,
    상기 통신 회로를 이용하여, NASS(national automotive sampling system)/CDS(crashworthiness data system) 데이터베이스로부터 상기 교통 사고와 연관된 상기 데이터를 획득하는 것을 특징으로 하는, 장치.
  3. 제 1 항에 있어서,
    상기 프로세서는,
    적합도 함수를 이용하여 상기 기계 학습 모델에 대한 상기 입력 데이터의 조합의 적합도를 판단하는 것을 특징으로 하는, 장치.
  4. 제 3 항에 있어서,
    상기 프로세서는,
    상기 적합도가 지정된 조건을 만족할 때까지 상기 입력 데이터의 조합의 선택 및 제공을 반복하는 것을 특징으로 하는, 장치.
  5. 제 1 항에 있어서,
    상기 입력 데이터의 조합은 상기 획득된 데이터 중 사용할 데이터를 나타내는 데이터 및 상기 기계 학습 모델의 구조를 나타내는 데이터를 포함하는 것을 특징으로 하는, 장치.
  6. 제 1 항에 있어서,
    상기 프로세서는,
    상기 유전 알고리즘을 이용하여 상기 획득된 데이터 중 상기 상해 등급에 영향을 미치는 데이터를 확인하는 것을 특징으로 하는, 장치.
  7. 제 1 항에 있어서,
    상기 프로세서는,
    상기 유전 알고리즘을 이용하여 상기 획득된 데이터 중 상기 기계 학습 모델에서 사용할 데이터를 판단하는 것을 특징으로 하는, 장치.
  8. 제 1 항에 있어서,
    상기 프로세서는,
    상기 유전 알고리즘을 이용하여 상기 기계 학습 모델의 구조를 결정하는 것을 특징으로 하는, 장치.
  9. 제 1 항에 있어서,
    상기 기계 학습 모델은 의사 결정 트리, 랜덤 포레스트, SVM(support vector machine) 또는 MLP(multilayer perceptron)를 포함하는 것을 특징으로 하는, 장치.
  10. 제 1 항에 있어서,
    상기 기계 학습 모델은 상기 상해 등급의 분류 기준을 학습하는 것을 특징으로 하는, 장치.
  11. 제 1 항에 있어서,
    상기 프로세서는,
    시험 데이터가 획득되면, 상기 시험 데이터를 상기 학습된 기계 학습 모델로 입력함으로써 상기 상해 등급을 예측하는 것을 특징으로 하는, 장치.
  12. 상해 등급 예측 방법에 있어서,
    교통 사고와 연관된 데이터를 획득하는 단계;
    유전 알고리즘을 이용하여 기계 학습 모델의 학습을 위해 상기 획득된 데이터의 일부를 포함하는 입력 데이터를 선택하는 단계;
    상기 입력 데이터를 상기 기계 학습 모델로 제공하는 단계; 및
    상기 기계 학습 모델의 상기 학습이 완료되면, 상기 학습된 기계 학습 모델을 이용하여 상해 등급을 예측하는 단계를 포함하는 것을 특징으로 하는, 방법.
KR1020190028225A 2019-03-12 2019-03-12 상해 등급 예측 장치 및 방법 KR20200115715A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190028225A KR20200115715A (ko) 2019-03-12 2019-03-12 상해 등급 예측 장치 및 방법
US16/521,071 US11302122B2 (en) 2019-03-12 2019-07-24 Apparatus and method for predicting injury level
CN201910729895.5A CN111695692A (zh) 2019-03-12 2019-08-08 用于预测损伤程度的装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190028225A KR20200115715A (ko) 2019-03-12 2019-03-12 상해 등급 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20200115715A true KR20200115715A (ko) 2020-10-08

Family

ID=72423443

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190028225A KR20200115715A (ko) 2019-03-12 2019-03-12 상해 등급 예측 장치 및 방법

Country Status (3)

Country Link
US (1) US11302122B2 (ko)
KR (1) KR20200115715A (ko)
CN (1) CN111695692A (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200115715A (ko) * 2019-03-12 2020-10-08 현대자동차주식회사 상해 등급 예측 장치 및 방법
CN112208541A (zh) * 2020-10-13 2021-01-12 清华大学 智慧乘员舱的参数化确定方法、装置和计算机设备
CN112308330B (zh) * 2020-11-09 2021-07-09 清华大学 数字化事故数据库构建方法、装置和计算机设备
CN112416928B (zh) * 2020-11-16 2022-10-04 中国人民解放军空军预警学院 地面复杂电子装备抢修备件需求预测模型
US20220188641A1 (en) * 2020-12-10 2022-06-16 International Business Machines Corporation Reinforcement testing of a neural network
US20230256999A1 (en) * 2022-02-17 2023-08-17 Gm Cruise Holdings Llc Simulation of imminent crash to minimize damage involving an autonomous vehicle

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020103622A1 (en) * 2000-07-17 2002-08-01 Burge John R. Decision-aid system based on wirelessly-transmitted vehicle crash sensor information
KR20080095708A (ko) 2007-04-25 2008-10-29 디듬인네트워크(주) 대용량 데이터를 모델링하는 방법
CN103279795B (zh) * 2013-06-13 2016-01-13 中南大学 一种乘员碰撞损伤的预测方法
KR101603431B1 (ko) 2014-09-11 2016-03-15 성균관대학교산학협력단 동적 스펙트럼 액세스를 구현하기 위한 유전자 알고리즘 기반의 전송 파라미터 및 가중치 벡터 최적화 방법, 이를 이용한 인지 엔진 장치 및 인지 통신 무선 시스템
CN106769970A (zh) * 2016-12-07 2017-05-31 甘肃萃英大农科技有限公司 一种快速无损检测苹果的品种、糖度和酸度的方法
US10453150B2 (en) * 2017-06-16 2019-10-22 Nauto, Inc. System and method for adverse vehicle event determination
CN109325541A (zh) * 2018-09-30 2019-02-12 北京字节跳动网络技术有限公司 用于训练模型的方法和装置
KR20200115715A (ko) * 2019-03-12 2020-10-08 현대자동차주식회사 상해 등급 예측 장치 및 방법

Also Published As

Publication number Publication date
US11302122B2 (en) 2022-04-12
CN111695692A (zh) 2020-09-22
US20200294331A1 (en) 2020-09-17

Similar Documents

Publication Publication Date Title
KR20200115715A (ko) 상해 등급 예측 장치 및 방법
US11734353B2 (en) Multi-sampling model training method and device
US20200395102A1 (en) Polymer physical property prediction device, recording medium, and polymer physical property prediction method
CN111401570B (zh) 针对隐私树模型的解释方法和装置
CN108596616B (zh) 用户数据真实性分析方法及装置、存储介质、电子设备
US20170140273A1 (en) System and method for automatic selection of deep learning architecture
US20200090064A1 (en) Computer-readable recoding medium, learning method, prediction method, learning apparatus, and prediction apparatus
EP3766643A1 (en) Operation control device for robot
KR20220032074A (ko) 운전자 행위 검출 방법, 장치, 전자 디바이스, 저장 매체 및 프로그램
CN112613617A (zh) 基于回归模型的不确定性估计方法和装置
CN114817933A (zh) 评估业务预测模型鲁棒性的方法、装置及计算设备
CN111325291B (zh) 选择性集成异质模型的实体对象分类方法及相关设备
CN116388864B (zh) 量子网络设备性能预测方法、装置、电子设备及存储介质
JP5667004B2 (ja) データ分類装置及び方法及びプログラム
JP2023154373A (ja) 情報処理装置
US20160224654A1 (en) Classification dictionary generation apparatus, classification dictionary generation method, and recording medium
KR20200111941A (ko) 생성적 적대 신경망을 기초로 암의 예후 예측에 사용되는 바이오 마커의 선정이 가능한 전자 장치 및 그 동작 방법
Farhad et al. Keep your distance: determining sampling and distance thresholds in machine learning monitoring
CN114428720A (zh) 基于p-k的软件缺陷预测方法、装置、电子设备及介质
US20240046068A1 (en) Information processing device for improving quality of generator of generative adversarial network (gan)
CN110704614A (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
JP7475549B2 (ja) 学習装置、予測装置、予測システム、学習方法、予測方法、及び予測プログラム
CN116957052B (zh) 基于构造样本相似度的风险评估模型的训练方法
EP4336407A1 (en) Method for uncertainty estimation in object detection models
CN113657623B (zh) 电力设备状态诊断效果确定方法、装置、终端及存储介质