KR20210047516A - 운전자의 교통사고율 예측 시스템 - Google Patents
운전자의 교통사고율 예측 시스템 Download PDFInfo
- Publication number
- KR20210047516A KR20210047516A KR1020190131225A KR20190131225A KR20210047516A KR 20210047516 A KR20210047516 A KR 20210047516A KR 1020190131225 A KR1020190131225 A KR 1020190131225A KR 20190131225 A KR20190131225 A KR 20190131225A KR 20210047516 A KR20210047516 A KR 20210047516A
- Authority
- KR
- South Korea
- Prior art keywords
- attribute
- driver
- attributes
- accident rate
- accident
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
본 발명은 임의의 운전자에 대해서 개인이 갖는 개인정보와 과거의 운전과 관련된 위반정보, 사고정보를 통해서 앞으로 발생할 수 있는 사고율을 운전자별로 예측하는 운전자의 교통사고율 예측 시스템에 관한 것이다.
이에 따른 본 발명은 운전자의 일상에서 발생되는 운전 기록을 통해서 평상시 운전습관 개선이라는 공익적 효과가 기대되고 이로 인하여 운전자가 개선된 운전습관을 통해 교통사고로 인한 경제적 손실이 개선되는 효과가 있으며 보험사측면에서 운전자의 사고율을 이용하여 보험손해율 측정을 통해 운전자에게 다양한 서비스를 제공할 수 있는 가능성을 제공하는 효과가 있다.
이에 따른 본 발명은 운전자의 일상에서 발생되는 운전 기록을 통해서 평상시 운전습관 개선이라는 공익적 효과가 기대되고 이로 인하여 운전자가 개선된 운전습관을 통해 교통사고로 인한 경제적 손실이 개선되는 효과가 있으며 보험사측면에서 운전자의 사고율을 이용하여 보험손해율 측정을 통해 운전자에게 다양한 서비스를 제공할 수 있는 가능성을 제공하는 효과가 있다.
Description
본 발명은 운전자의 교통사고율 예측 시스템에 관한 것으로서 더욱 상세하게는 임의의 운전자에 대해서 개인이 갖는 개인정보와 과거의 운전과 관련된 위반정보, 사고정보를 통해서 앞으로 발생할 수 있는 사고율을 운전자별로 예측하는 운전자의 교통사고율 예측 시스템에 관한 것이다.
산업의 발전으로 인하여 차량이 증가함에 따라 운전자수도 증가하고 교통사고도 빈번히 발생하는 것은 물론 교통법규 위반도 증가하고 있는 실정이고 유의미한 공공데이터 정보의 축적으로 인하여 운전자의 교통사고 내역, 교통법규 위반 내역, 운전경력 등이 디지털 데이터화되고 있지만 이와 같은 운전자의 유의미 데이터들이 그렇게 높게 활용되지 못하는 문제점이 있었다.
또한, 운전자의 과거 데이터를 활용하는 기술은 흔치 않은 실정이고 인공지능 분야에서도 쉽게 찾아보기 어려운 실정이다.
한편, 대한민국공개특허공보 제10-2019-0059723호인 "인공지능 기반의 교통사고 예측시스템 및 그 방법"은 카메라를 통해 촬영된 영상으로부터 객체를 인식하고 인식한 객체에 대하여 인공지능 기반 사고확률 알고리즘으로 분석하여 사고 확률을 예측하며, 예측 결과 사고 발생이 예측되면 사고 예측 데이터를 관제 센터에 전송하는 차량 시스템, 및 상기 차량 시스템으로부터 전송된 사고 예측 데이터를 분석하여 긴급도에 따라 관계기관에 조치 정보를 전송하고 상기 사고 예측 데이터를 이용하여 사고 확률에 대해 학습을 하고 학습 결과를 상기 차량 시스템으로 전송하여 인공지능 기반 사고 확률 알고리즘을 갱신하는 관제 센터로 구성된다.
그러나, 상기 종래기술은 영상인식 딥러닝 기법을 이용하여 사고 위험성이 높은 차량이나 사람 및 도로를 예측하고 예측 결과를 관제센터에 전송하여 신속하게 후속 조치를 취하도록 함으로써 사고를 미리 방지할 수 있지만, 운전자별 개인정보를 비롯하여 과거의 운전과 관련된 위반정보, 사고정보를 이용하여 교통사고율을 예측하지 못하는 문제점이 있다.
따라서, 본 발명은 상기 문제점을 해결하기 위하여 안출된 것으로서, 본 발명은 운전자의 사고 발생 가능성을 정량적으로 산출하여 운전자의 안전 운전을 유도하는데 그 목적이 있다.
다른 목적은 보험사에게 운전자별로 앞으로 발생할 사고율을 제공하여 보험제도의 안내와 함께 보험사측면에서 보험손해율을 개선하는 자료로 활용하는데 그 목적이 있다.
상기한 기술적 과제를 달성하기 위한 본 발명의 일실시예에 따른 운전자의 교통사고율 예측 시스템은 각각의 운전자별로 운전과 관련된 개인이 갖는 개인속성들과 운전과 관련된 위반속성들과 사고정보를 수집하는 데이터셋부; 상기 사고정보를 통해서 각각의 운전자별로 일정기간 내에서 이미 결정된 사고횟수를 종합하여 기사고율을 생성하고, 상기 개인속성들과 위반속성들을 같은 속성끼리 묶어 속성그룹을 형성한 후 사고횟수와 조합하여 속성그룹별 또는 속성그룹의 조합으로 중요도를 설정하며, 상기 속성그룹별로 제 1 속성값을 부여하고, 각각의 운전자 중에서 임의의 운전자가 갖는 개인속성들과 위반속성들에 해당되는 속성들에 대해서 상기 제 1 속성값이 적용되어 제 2 속성값들을 생성하며, 상기 제 2 속성값들은 자신을 제외한 나머지 제 2 속성값과 서로 조합 시 중요도가 적용되어 산출된 상위레벨에 해당하는 각각의 제 3 속성값들을 생성한 후 설정된 값 이하의 제 3 속성값들은 버리는 과정을 반복하여 최상위의 제 4 속성값을 산출하고, 상기 제 4 속성값과 사고율알고리즘을 조합한 사고율이 설정된 범위의 기사고율에 도달할 때까지 다른 임의의 운전자들도 반복하는 예측모델부; 및 상기 사고율이 설정된 범위의 기사고율에 도달하면 임의의 새로운 운전자가 갖는 개인속성들과 위반속성들에 해당되는 상기 제 1 속성값이 적용되어 제 5 속성값들을 생성하며 상기 제 5 속성값들은 자신을 제외한 나머지 제 5 속성값과 서로 조합 시 중요도가 적용되어 산출된 상위레벨에 해당하는 각각의 제 6 속성값들을 생성한 후 설정된 값 이하의 제 6 속성값들은 버리는 과정을 반복하여 최상위의 제 7 속성값을 산출하여 사고율알고리즘과 조합하여 새로운 운전자의 사고율을 생성하는 결과도출모델부로 이루어진 것을 해결 수단으로 한다.
이상 설명한 바와 같이, 본 발명은 운전자의 일상에서 발생되는 운전 기록을 통해서 평상시 운전습관 개선이라는 공익적 효과가 기대되고 이로 인하여 운전자가 개선된 운전습관을 통해 교통사고로 인한 경제적 손실이 개선되는 효과가 있으며 보험사측면에서 운전자의 사고율을 이용하여 보험손해율 측정을 통해 운전자에게 다양한 서비스를 제공할 수 있는 가능성을 제공하는 효과가 있다.
도 1은 본 발명의 일실시예에 따른 운전자의 교통사고율 예측 시스템 구성도
도 2는 본 발명의 일실시예에 따른 속성과 기사고율을 표시한 예시도
도 3은 본 발명의 일실시예에 따른 속성별 중요도를 표시한 예시도
도 4는 본 발명의 일실시예에 따른 속성값 적용 예시도
도 5는 본 발명의 일실시예에 따른 사고율 설정 예시도
도 6은 본 발명의 일실시예에 따른 개별 운전자 사고율 측정 예시도
도 2는 본 발명의 일실시예에 따른 속성과 기사고율을 표시한 예시도
도 3은 본 발명의 일실시예에 따른 속성별 중요도를 표시한 예시도
도 4는 본 발명의 일실시예에 따른 속성값 적용 예시도
도 5는 본 발명의 일실시예에 따른 사고율 설정 예시도
도 6은 본 발명의 일실시예에 따른 개별 운전자 사고율 측정 예시도
이하, 본 발명의 최적 실시예에 대하여 첨부된 도면을 참조하여 그 구성 및 작용을 설명하고 본 발명의 실시예는 여러 가지 형태로 변형될 수 있고 도면에서 구성요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현될 수 있으며 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략한다.
도 1은 본 발명의 일실시예에 따른 운전자의 교통사고율 예측 시스템 구성도로서, 상기 운전자의 교통사고율 예측 시스템(100)은 데이터셋부(110)와 예측모델부(120) 및 결과도출모델부(130)로 이루어진다.
더욱 상세하게, 상기 데이터셋부(110)는 각각의 운전자별로 운전과 관련된 개인이 갖는 개인속성들과 운전과 관련된 위반속성들과 사고정보를 수집하여 데이터화 한다.
예컨대, 상기 개인속성은 성별, 연령, 직업군, 주거지역, 근무지역, 결혼여부, 자녀 나이, 자녀 인원수, 운전경력, 누적 운전거리, 자동차기종, 주행거리, 주행시간, 주차장소 등 운전과 관련되어 개인이 갖는 각각의 속성에 해당한다.
또한, 상기 위반속성은 속도위반, 운전면허 벌점, 주정차 위반, 과속 위반, 신호위반 중앙선 위반 등 운전과 관련되어 운전자가 갖는 속성에 해당한다.
아울러, 상기 사고정보는 운전자별로 사고가 임의의 기간 동안 몇 회 발생하였는지에 대한 정보이다.
따라서, 상기 데이터셋부(110)는 운전자별로 개인속성들과 위반속성들 및 사고정보를 수집하여 데이터화 함에 있어서 사고율을 미리 예측하고자 몇 백 명 단위의 운전자가 아닌 수 십만 명 이상의 빅데이터를 구축한다.
이때, 운전자별 위반속성들은 이파인(경찰청), 각 지자체 단속민원사이트, 보험개발원 등을 통해서 정보를 수집하는 것이 바람직하다.
상기 예측모델부(120)는 상기 사고정보를 통해서 각각의 운전자별로 일정기간 내에서 이미 결정된 사고횟수를 종합하여 기사고율을 생성하고, 상기 개인속성들과 위반속성들을 같은 속성끼리 묶어 속성그룹을 형성한 후 사고횟수와 조합하여 속성그룹별 또는 속성그룹의 조합으로 중요도를 설정하며, 상기 속성그룹별로 제 1 속성값을 부여하고, 각각의 운전자 중에서 임의의 운전자가 갖는 개인속성들과 위반속성들에 해당되는 속성들에 대해서 상기 제 1 속성값이 적용되어 제 2 속성값들을 생성하며, 상기 제 2 속성값들은 자신을 제외한 나머지 제 2 속성값과 서로 조합 시 중요도가 적용되어 산출된 상위레벨에 해당하는 각각의 제 3 속성값들을 생성한 후 설정된 값 이하의 제 3 속성값들은 버리는 과정을 반복하여 최상위의 제 4 속성값을 산출하고, 상기 제 4 속성값과 사고율알고리즘을 조합한 사고율이 설정된 범위의 기사고율에 도달할 때까지 다른 임의의 운전자들도 반복한다.
예컨대, 상기 예측모델부(120)는 상기 사고정보를 통해서 각각의 운전자별로 일정기간 내에서 이미 결정된 사고횟수를 종합하여 기사고율을 생성하는데 이에 대해서 구체적으로 살펴보면, 도 2에 도시된 바와 같이 X1부터 Xn까지는 각각의 운전자이고 Y1부터 Yn은 개인속성들 및 위반속성들이고 사고횟수는 운전자별로 일정기간 사고가 발생한 횟수로서 운전자수와 사고횟수를 조합하여 기사고율을 생성한다.
결국, 상기 기사고율은 이미 결정된 사고횟수에 의해서 결정되어 데이터화된 것이다.
다음, 상기 개인속성들과 위반속성들을 같은 속성끼리 묶어 속성그룹을 형성한 후 사고횟수와 조합하여 속성그룹별 또는 속성그룹의 조합으로 중요도를 설정하는 것은 도 3을 참조하여 구체적으로 살펴보는 바, X1부터 Xn까지는 각각의 운전자이고 상기 각각의 운전자는 결혼여부, 운전경력, 과속, 신호위반과 같은 속성들을 갖고 있고 이러한 속성들을 같은 속성끼리 묶어서 중요도를 설정한다.
즉, 각각의 운전자에 대해서 도 3에 도시된 결혼여부 속성끼리 묶고 운전경력 속성끼리 묶으며 과속 속성끼리 묶고 신호위반 속성끼리 묶어서 속성그룹을 형성하고 각각의 속성 예를 들어서 도 3에 도시된 과속의 경우에 과속과 사고횟수의 인관관계를 통해서 중요도를 설정한다.
이때, 사고횟수와 중요도의 인관관계는 특정 알고리즘을 통한다기 보다 다양하게 설계 변경하여 구현할 수 있는 알고리즘에 해당함으로 더 이상의 설명은 생략한다.
또한, 도 3에 도시된 결혼여부와 운전경력의 인과관계, 결혼여부, 운전경력, 과속의 인과관계, 운전경력 과속, 신호위반의 인과관계 등의 조합과 같이 속성그룹의 조합으로 중요도가 설정된다.
다음, 상기 속성그룹별로 제 1 속성값을 부여하고, 각각의 운전자 중에서 임의의 운전자가 갖는 개인속성들과 위반속성들에 해당되는 속성들에 대해서 상기 제 1 속성값이 적용되어 제 2 속성값들 생성은 도 4를 참조하여 구체적으로 살펴보는 바, 속성그룹별은 도 4에 도시된 (a)와 같이 각각의 운전자가 갖는 결혼여부 속성, 주거지역 속성, 근무지역 속성, 과속 속성, 중앙선침범 속성, 신호위반 속성 등 을 각 속성별로 제 1 속성값을 부여한다.
예컨대, 도 4에 도시된 (a)와 같이 결혼여부 속성에 A 속성값을 부여하고 주거지역 속성에 B 속성값을 부여하며 근무지역 속성에 C속성값을 부여하고 과속 속성에 D속성값을 부여하며 중앙선침범 속성에 E속성값을 부여하고 신호위반 속성에 F속성값을 부여하는 것이고 이때, 속성값 A, B, C, E, D, F는 본 발명의 이해를 돕기 위해서 알파벳으로 표현한 것일 뿐 수치적인 값에 해당한다.
이와 같이 속성값이 부여된 이후에 상기 각각의 운전자 중에서 임의의 운전자가 갖는 속성 예컨대, 도 4에 도시되 (b)와 같이 결혼여부 속성, 주거지역 속성, 과속 속성, 신호위반 속성에 대해서 해당되는 속성의 제 1 속성값 즉, 결혼여부 속성은 A속성값, 주거지역 속성은 B속성값, 과속 속성은 D속성값, 신호위반 속성은 F속성값이 적용되어 제 2 속성값들을 생성한다.
다음, 상기 제 2 속성값들은 자신을 제외한 나머지 제 2 속성값과 서로 조합 시 중요도가 적용되어 산출된 상위레벨에 해당하는 각각의 제 3 속성값들을 생성한 후 설정된 값 이하의 제 3 속성값들은 버리는 과정을 반복하여 최상위의 제 4 속성값 산출에 대해서 도 5를 참조하여 구체적으로 살펴보는 바, 도 5에 도시되 (a)와 같이 제 2 속성값들이 A, B, D, F라 가정하면 자신을 제외한 나머지 제 2 속성값 즉, A의 경우에 A를 제외한 나머지 B, D, F와 조합시 도 3에 도시된 중요도를 적용시키고 B, D, F의 경우도 A와 같이 적용시키면 G, H, I, J, K, L과 같이 상위레벨의 제 3 속성값들을 생성한다.
이후, 상위레벨 제 3 속성값들은 설정된 값 이하값이 G, H, I라고 가정하면 G, H, I, J, K, L 중에서 G, H, I를 제외한 나머지 J, K, L을 다시 속성그룹의 조합으로 된 중요도를 적용하여 상기 설명한 방법으로 반복하여 최상위 제 4 속성값을 산출한다.
이때, J에 적용되는 중요도는 주거지역 B속성과 과속 D속성 사이의 연관성에 의해서 설정되는 것이고 K에 적용되는 중요도는 주거지역 B속성과 신호위반 F속성 사이의 연관성에 의해서 설정되는 것이며 L에 적용되는 중요도는 과속 D속성과 신호위반 F속성 사이의 연관성에 의해서 설정되는 것을 제 4 속성값이 산출될 때까지 같은 방법으로 적용된다.
다음, 상기 제 4 속성값과 사고율알고리즘을 조합한 사고율이 설정된 범위의 기사고율에 도달할 때까지 다른 임의의 운전자들도 반복한다.
예컨대, 기사고율은 15%이고 설정된 범위가 14.9%에서 14.3%이면 제 4 속성값과 사고율알고리즘에 의해서 산출된 사고율이 14.9%에서 14.3%를 벗어나면 다른 운전자에 대해서 상기 설명한 바와 같이 수행하는 것을 지속적으로 반복하여 14.9%에서 14.3%에 도달할 때까지 수행한다.
아울러, 상기 사고율알고리즘은 다양한 연산법으로 적용될 수 있는 것이기 때문에 더 이상의 설명은 생략한다.
상기 결과도출모델부(130)는 상기 사고율이 설정된 범위의 기사고율에 도달하면 임의의 새로운 운전자가 갖는 개인속성들과 위반속성들에 해당되는 상기 제 1 속성값이 적용되어 제 5 속성값들을 생성하며 상기 제 5 속성값들은 자신을 제외한 나머지 제 5 속성값과 서로 조합 시 중요도가 적용되어 산출된 상위레벨에 해당하는 각각의 제 6 속성값들을 생성한 후 설정된 값 이하의 제 6 속성값들은 버리는 과정을 반복하여 최상위의 제 7 속성값을 산출하여 사고율알고리즘과 조합하여 새로운 운전자의 사고율을 생성한다.
예컨대, 상기 결과도출모델부(130)는 사고율이 설정된 범위의 기사고율에 도달함에 따라 사고율을 예측하기 위한 표본이 된 것이므로 새로운 운전자가 갖는 속성이 도 6에 도시된 바와 같이 남자이고 서울거주하며 과속1회이고 신호위반4회라면 남자 속성, 서울거주 속성, 과속1회 속성, 신호위반4회 속성에 대하여 제 1 속성값을 적용하여 제 5 속성값을 생성한다.
상기 제 5 속성값들은 자신을 제외한 나머지 제 5 속성값과 조합시 도 6에 도시된 바와 같이 중요도가 적용되어 상위레벨의 a, b, c, d, e, f의 속성값이 생성되고 a, b, c, d, e, f 값 중에서 설정된 값 이하는 버리는 과정을 반복하여 최상위 제 7 속성값을 산출하여 사고율알고리즘과 조합하여 사고율을 생성한다.
이상 설명한 속성은 본 발명의 이해를 돕기 위해서 몇 개만 적용한 것일 뿐 속성의 개수를 몇 십 개 적용하는 것이 바람직하다.
한편, 상기 결과도출모델부(130)는 상기 임의의 새로운 운전자가 갖는 속성들이 데이터셋부(110)에 적용됨에 따라 예측모델부(120)는 속성그룹별 또는 속성그룹의 조합으로 중요도를 새롭게 설정하는 것이 바람직하다.
예컨대, 상기 결과도출모델부(130)는 남자이고 서울거주하며 과속1회이고 신호위반4회인 운전자에 대해서 사고율이 생성되면 앞으로 다시 적용될 운전자의 사고율에 대한 정확도를 높이기 위해서 남자 속성, 서울거주 속성, 과속1회 속성, 신호위반4회 속성이 데이터셋부(110)에 적용되고 이로 인하여 속성그룹별 또는 속성그룹의 조합으로 중요도를 새롭게 설정되어 사고율의 적확도를 높이는 작용을 한다.
한편, 상기 결과도출모델부(130)는 상기 임의의 새로운 운전자의 사고율이 산출된 시점을 기준으로 일정기간 경과 후에 상기 임의의 새로운 운전자가 갖는 속성에 대한 사고율이 새롭게 생성되는 것이 바람직하다.
예컨대, 운전자A는 2019년 10월 21일자로 사고율을 생성하였다면 일정기간 경과에 따라 운전자A의 속성의 자연스러운 변화 예를 들어서, 자녀 출산, 나이 변화, 사고횟수 변화, 거주지의 변화 등으로 인하여 동일한 운전자A라 하더라도 새롭게 사고율이 생성된다.
이상 설명한, 본 발명은 도면과 상세한 설명에서 최적 실시예들이 개시되고, 이상에서 사용된 특정한 용어는 단지 본 발명을 설명하기 위한 목적에서 사용된 것일 뿐, 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것이 아니다.
그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하고, 본 발명의 진정한 기술적 보호 범위는 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100 : 운전자의 교통사고율 예측 시스템
110 : 데이터셋부
120 : 예측모델부
130 : 결과도출모델부
110 : 데이터셋부
120 : 예측모델부
130 : 결과도출모델부
Claims (3)
- 각각의 운전자별로 운전과 관련된 개인이 갖는 개인속성들과 운전과 관련된 위반속성들과 사고정보를 수집하는 데이터셋부와;
상기 사고정보를 통해서 각각의 운전자별로 일정기간 내에서 이미 결정된 사고횟수를 종합하여 기사고율을 생성하고, 상기 개인속성들과 위반속성들을 같은 속성끼리 묶어 속성그룹을 형성한 후 사고횟수와 조합하여 속성그룹별 또는 속성그룹의 조합으로 중요도를 설정하며, 상기 속성그룹별로 제 1 속성값을 부여하고, 각각의 운전자 중에서 임의의 운전자가 갖는 개인속성들과 위반속성들에 해당되는 속성들에 대해서 상기 제 1 속성값이 적용되어 제 2 속성값들을 생성하며, 상기 제 2 속성값들은 자신을 제외한 나머지 제 2 속성값과 서로 조합 시 중요도가 적용되어 산출된 상위레벨에 해당하는 각각의 제 3 속성값들을 생성한 후 설정된 값 이하의 제 3 속성값들은 버리는 과정을 반복하여 최상위의 제 4 속성값을 산출하고, 상기 제 4 속성값과 사고율알고리즘을 조합한 사고율이 설정된 범위의 기사고율에 도달할 때까지 다른 임의의 운전자들도 반복하는 예측모델부; 및
상기 사고율이 설정된 범위의 기사고율에 도달하면 임의의 새로운 운전자가 갖는 개인속성들과 위반속성들에 해당되는 상기 제 1 속성값이 적용되어 제 5 속성값들을 생성하며 상기 제 5 속성값들은 자신을 제외한 나머지 제 5 속성값과 서로 조합 시 중요도가 적용되어 산출된 상위레벨에 해당하는 각각의 제 6 속성값들을 생성한 후 설정된 값 이하의 제 6 속성값들은 버리는 과정을 반복하여 최상위의 제 7 속성값을 산출하여 사고율알고리즘과 조합하여 새로운 운전자의 사고율을 생성하는 결과도출모델부로 이루어진 것을 특징으로 하는 운전자의 교통사고율 예측 시스템.
- 청구항 1에 있어서, 상기 결과도출모델부는
상기 임의의 새로운 운전자가 갖는 속성들이 데이터셋부에 적용됨에 따라 예측모델부는 속성그룹별 또는 속성그룹의 조합으로 중요도를 새롭게 설정하는 것을 특징으로 하는 운전자의 교통사고율 예측 시스템.
- 청구항 1 또는 청구항 2에 있어서, 상기 결과도출모델부는
상기 임의의 새로운 운전자의 사고율이 산출된 시점을 기준으로 일정기간 경과 후에 상기 임의의 새로운 운전자가 갖는 속성에 대한 사고율이 새롭게 생성되는 것을 특징으로 하는 운전자의 교통사고율 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190131225A KR102318801B1 (ko) | 2019-10-22 | 2019-10-22 | 운전자의 교통사고율 예측 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190131225A KR102318801B1 (ko) | 2019-10-22 | 2019-10-22 | 운전자의 교통사고율 예측 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210047516A true KR20210047516A (ko) | 2021-04-30 |
| KR102318801B1 KR102318801B1 (ko) | 2021-10-28 |
Family
ID=75740846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190131225A KR102318801B1 (ko) | 2019-10-22 | 2019-10-22 | 운전자의 교통사고율 예측 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102318801B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269960A (zh) * | 2021-05-17 | 2021-08-17 | 郑州航空工业管理学院 | 一种高速公路隧道群交通事故风险的分析方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102416711B1 (ko) | 2022-02-21 | 2022-07-05 | 주식회사 카비 | 인공지능을 활용한 운전자별 사고위험도 예측장치 및 이 장치를 이용한 사고위험도 예측방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030043196A (ko) * | 2001-11-27 | 2003-06-02 | 김기원 | 자동차보험료 산출 및 차량 운행관리 시스템 |
| KR20140097669A (ko) * | 2013-01-28 | 2014-08-07 | 군산대학교산학협력단 | 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법 |
| KR20150084250A (ko) * | 2014-01-13 | 2015-07-22 | 한국전자통신연구원 | 차량 센싱 장치 기반 안전운전 성향정보를 반영한 자동차 보험료 산출 방법 |
| WO2017038166A1 (ja) * | 2015-08-28 | 2017-03-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
| KR20190059723A (ko) | 2017-11-23 | 2019-05-31 | (주)에이텍티앤 | 인공지능 기반의 교통사고 예측시스템 및 그 방법 |
-
2019
- 2019-10-22 KR KR1020190131225A patent/KR102318801B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030043196A (ko) * | 2001-11-27 | 2003-06-02 | 김기원 | 자동차보험료 산출 및 차량 운행관리 시스템 |
| KR20140097669A (ko) * | 2013-01-28 | 2014-08-07 | 군산대학교산학협력단 | 운전 패턴 인식에 기반하여 보험료를 결정하는 장치 및 방법 |
| KR20150084250A (ko) * | 2014-01-13 | 2015-07-22 | 한국전자통신연구원 | 차량 센싱 장치 기반 안전운전 성향정보를 반영한 자동차 보험료 산출 방법 |
| WO2017038166A1 (ja) * | 2015-08-28 | 2017-03-09 | ソニー株式会社 | 情報処理装置、情報処理方法及びプログラム |
| KR20190059723A (ko) | 2017-11-23 | 2019-05-31 | (주)에이텍티앤 | 인공지능 기반의 교통사고 예측시스템 및 그 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269960A (zh) * | 2021-05-17 | 2021-08-17 | 郑州航空工业管理学院 | 一种高速公路隧道群交通事故风险的分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102318801B1 (ko) | 2021-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Identifying key factors associated with ridesplitting adoption rate and modeling their nonlinear relationships | |
| Park et al. | Real-time prediction and avoidance of secondary crashes under unexpected traffic congestion | |
| US9008954B2 (en) | Predicting impact of a traffic incident on a road network | |
| Ghasemzadeh et al. | Quantifying regional heterogeneity effect on drivers’ speeding behavior using SHRP2 naturalistic driving data: A multilevel modeling approach | |
| Yan et al. | Driving risk status prediction using Bayesian networks and logistic regression | |
| Alozi et al. | Evaluating the safety of autonomous vehicle–pedestrian interactions: An extreme value theory approach | |
| CN112200046A (zh) | 驾驶行为识别方法、装置、电子设备及存储介质 | |
| Ardeshiri et al. | Driving simulator‐based study of compliance behaviour with dynamic message sign route guidance | |
| US20210264790A1 (en) | Integrated collision avoidance and road safety management system | |
| KR20210047516A (ko) | 운전자의 교통사고율 예측 시스템 | |
| Reddy et al. | Bus travel time prediction under high variability conditions | |
| JP6777082B2 (ja) | 渋滞予測システム、渋滞予測方法、及び、プログラム | |
| Gore et al. | Congestion index and reliability-based freeway level of service | |
| Geisslinger et al. | Maximum acceptable risk as criterion for decision-making in autonomous vehicle trajectory planning | |
| Mousavi et al. | A mixed crash frequency estimation model for interrupted flow segments | |
| Hlaing et al. | Analysis of accident severity factor in Road Accident of Yangon using FRAM and Classification Technique | |
| Komol et al. | A review on drivers’ red light running behavior predictions and technology based countermeasures | |
| Fidler et al. | Introducing random walk measures to space syntax | |
| Singh et al. | A Bayesian extreme value theory modelling framework to assess corridor-wide pedestrian safety using autonomous vehicle sensor data | |
| Jiang et al. | How drivers adapt to traffic accidents and dynamic travel information: Stated preference survey in Japan | |
| Zhang et al. | Examining spatial heterogeneity of ridesourcing demand determinants with explainable machine learning | |
| JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| Tselentis et al. | Investigating the Correlation between Driver’s Characteristics and Safety Performance | |
| CN112116167A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
| Li et al. | Investigating the association between travelers’ individual characteristics and their attitudes toward weather information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |