KR20210067254A

KR20210067254A - 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법

Info

Publication number: KR20210067254A
Application number: KR1020190156660A
Authority: KR
Inventors: 천승태; 이동욱; 강의찬
Original assignee: 주식회사 데이터스트림즈
Priority date: 2019-11-29
Filing date: 2019-11-29
Publication date: 2021-06-08
Also published as: KR102307506B1

Abstract

교통 정체 원인도로를 분석하기 위한 연관 가중치 기반 도로 클러스터링 방법에 관한 것으로, (a) 도로 지도 데이터를 이용해서 연결 가중치를 생성하는 단계, (b) 이동 경로 데이터를 이용해서 속도 가중치를 생성하는 단계, (c) 컨벌루션 레이어를 이용해서 생성된 연결 가중치와 속도 가중치의 시간 축을 연관 가중치에 합산하는 단계 및 (d) 합산된 연관 가중치에 소프트 맥스 함수를 적용해서 한계값까지의 가중치를 가지는 도로들을 클러스터링하는 단계를 포함하는 구성을 마련하여, 교통 정체의 완화를 위해 도로 특성과 도로 간의 연결성을 기반으로 교통 정체 원인도로를 분석하고, 연관된 도로의 신호를 조절하거나 도로의 차선 수나 연결에 변화를 주어 교통 정체를 줄일 수 있다.

Description

교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법{Link Clustering Method for Causal Road Analysis under Traffic Congestion Based on Relational Weights}

본 발명은 도로 클러스터링 방법에 관한 것으로, 더욱 상세하게는 도로의 연결 가중치와 속도 가중치를 바탕으로 도로 간 연관가중치를 기준으로 이웃 도로들을 클러스터링하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법에 관한 것이다.

교통 정체는 도심에서 발생하는 고질적인 문제이다. 교통 혼잡을 지수로 나타내는 교통혼잡비용은 2005년에서 2018년까지 지속적으로 증가했다[비특허문헌 1].

이러한 교통 정체는 사고나 공사, 날씨 등 많은 요인들의 영향을 받는다.

따라서 이동통신망이나 DMB 방속망 등 다양한 통신망을 통해 교통정보를 서비스하는 기술과 교통 정체 구간을 추정하는 기술이 개발되고 있다.

예를 들어, 하기의 특허문헌 1에는 DMB 방송망을 이용한 교통정보서비스 장치 및 방법 구성이 개시되어 있다.

하기의 특허문헌 2에는 기계학습을 이용한 교통 정체 구간 추정 장치 및 방법 구성이 개시되어 있다.

대한민국 특허 등록번호 10-0695918호(2007년 3월 20일 공고) 대한민국 특허 공개번호 10-2018-0086602호(2018년 8월 1일 공개)

"2018년 도로업무편람", 국토교통부, p. 141, 2018. Sebastian Raschka, Vahid Mirjalili, "Python Machine Learning", Packt, p. 525, 2017. TOPIS, http://topis.seoul.go.kr ITS 표준노드링크, http://nodelink.its.go.kr Ernesto Estrada, Philip A. Knight, "A First Course In Network Theory", Oxford University Press, vol. 2, p. 12, 2016. A Free and Open Source Geographic Information System, https://qgis.org Esri’s Arcgis, https://www.arcgis.com Mark Newman, "Networks", Oxford University Press, vol. 3, p. 115, 2019. Thomas N. Kipf, "Semi-Supervised Classification With Graph Convolutional Networks", Int. Conf. Learn. Representations, pp. 1-14, 2017. Timothy Masters, "Deep Belief Nets in C++ and CUDA C", CreateSpace Independent Publishing Platform, p. 39, 2016.

본 발명의 목적은 상기한 바와 같은 문제점을 해결하기 위한 것으로, 교통 정체의 완화를 위해 도로 특성과 도로 간의 연결성을 기반으로 교통 정체 원인도로를 분석하기 위한 연관 가중치 기반 도로 클러스터링 방법을 제공하는 것이다.

본 발명의 다른 목적은 특정 도로가 다른 도로에 얼마만큼의 영향을 미치는지 파악해서 연관된 도로의 신호를 조절하거나 도로의 차선 수나 연결에 변화를 주어 교통 정체를 줄일 수 있는 교통 정체 원인도로를 분석하기 위한 연관 가중치 기반 도로 클러스터링 방법을 제공하는 것이다.

본 발명의 또 다른 목적은 그래프 이론과 CNN(Convolution Neural Network)[비특허문헌 2]를 이용하여 정체가 발생하는 도로에 영향도가 높은 이웃도로들을 선택할 수 있는 교통 정체 원인도로를 분석하기 위한 연관 가중치 기반 도로 클러스터링 방법을 제공하는 것이다.

상기한 바와 같은 목적을 달성하기 위하여, 본 발명에 따른 교통 정체 원인도로를 분석하기 위한 연관 가중치 기반 도로 클러스터링 방법은 (a) 도로 지도 데이터를 이용해서 연결 가중치를 생성하는 단계, (b) 이동 경로 데이터를 이용해서 속도 가중치를 생성하는 단계, (c) 컨벌루션 레이어를 이용해서 생성된 연결 가중치와 속도 가중치의 시간 축을 연관 가중치에 합산하는 단계 및 (d) 합산된 연관 가중치에 소프트 맥스 함수를 적용해서 한계값까지의 가중치를 가지는 도로들을 클러스터링하는 단계를 포함하는 것을 특징으로 한다.

상술한 바와 같이, 본 발명에 따른 교통 정체 원인도로를 분석하기 위한 연관 가중치 기반 도로 클러스터링 방법에 의하면, 도로에서 정체가 발생한 경우, 해당 도로가 아니라, 해당 도로에 영향을 주는 이웃 도로들을 특정해서 도로와 이웃 도로 간의 연결성 가중치과 속도 가중치를 통해 도로를 영향력에 따라 선택하고, 도로 데이터를 네트워크로 변환하며 속도 데이터를 정규화하고, 연결 가중치와 속도 가중치의 시간 축을 가중치에 합산하기 위해 컨벌루션 레이어를 사용하며, 마지막 결과값에 소프트맥스 함수를 적용해서 한계 값까지의 가중치를 가지는 도로들을 클러스터링할 수 있다.

이에 따라, 본 발명에 의하면, 교통 정체의 완화를 위해 도로 특성과 도로 간의 연결성을 기반으로 교통 정체 원인도로를 분석하고, 특정 도로가 다른 도로에 얼마만큼의 영향을 미치는지 파악해서 연관된 도로의 신호를 조절하거나 도로의 차선 수나 연결에 변화를 주어 교통 정체를 줄일 수 있다는 효과가 얻어진다.

또한, 본 발명에 의하면, 그래프 이론과 CNN을 이용하여 정체가 발생하는 도로에 영향도가 높은 이웃도로들을 선택할 수 있다는 효과가 얻어진다.

도 1은 본 발명의 바람직한 실시 예에 따른 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법을 단계별로 설명하는 공정도,
도 2는 연결 가중치 및 속도 가중치 데이터의 추출 과정을 설명하는 도면,
도 3은 속도 정규화 함수를 예시한 도면,
도 4는 도로의 시간별 가중치를 예시한 도면,
도 5는 가중치에 따라 선택된 도로 네트워크를 예시한 도면.

이하 본 발명의 바람직한 실시 예에 따른 교통 정체 원인도로를 분석하기 위한 연관 가중치 기반 도로 클러스터링 방법을 첨부된 도면을 참조하여 상세하게 설명한다.

본 명세서에서는 기반 데이터로 활용할 수 있는 데이터는 서울시에서 제공하는 실시간 교통정보 시스템(이하 'TOPIS'라 함)[비특허문헌 3], 표준노드링크[비특허문헌 4], 네비게이션 어플리케이션 등이 있다.

그 중에서 상기 TOPIS는 일부 구간에 대해서만 교통량 전체에 대한 데이터를 제공하며, 1시간 단위의 데이터를 제공하는 한계가 있었다.

반면, 상기 네비게이션 어플리케이션을 운영하는 기업의 교통 데이터는 전 구간의 초 단위 데이터를 제공한다. 또한, 상기 교통 데이터는 표준노드링크 대비 더욱 상세한 링크 구조를 가지고 있으므로, 본 명세서에서는 상기 네비게이션 어플리케이션의 도로 지도와 사용자의 이동 경로를 적용하는 구성을 설명한다.

도로 지도 파일은 도로망을 링크와 노드로 표현한다[비특허문헌 5].

상기 도로 지도 파일은 link shape 파일과 node shape 파일로 구성되며, QGIS[비특허문헌 6], ArcGIS[비특허문헌 7] 등의 GIS 응용 프로그램을 통해서 확인 및 편집이 가능하다.

상기 node shape 파일과 link shape 파일은 각각 링크와 노드의 위치, 길이 등의 정보를 포함한다.

사용자의 이동 경로 데이터는 csv 형식으로 전체 이동경로에 대한 trip 파일과, 각 구간 이동 정보를 포함하는 sequence 파일로 저장된다.

본 실시 예에서 분석하는 데이터는 일별 1천 4백만 건이고, 총 1년 51억 건의 데이터를 이용하여 분석한다.

상기 일별 데이터는 당일 사용자의 이동 정보를 포함하고, 사용자의 도로 통과 시간이 초 단위로 기록된다.

도 1은 본 발명의 바람직한 실시 예에 따른 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법을 단계별로 설명하는 공정도이다.

본 발명의 바람직한 실시 예에 따른 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법은 도 1에 도시된 바와 같이, (a) 도로 지도 데이터를 이용해서 연결 가중치를 생성하는 단계(S10), (b) 이동 경로 데이터를 이용해서 속도 가중치를 생성하는 단계(12), (c) 컨벌루션 레이어를 이용해서 생성된 연결 가중치와 속도 가중치의 시간 축을 연관 가중치에 합산하는 단계(S14) 및 (d) 합산된 연관 가중치에 소프트 맥스 함수를 적용해서 한계값까지의 가중치를 가지는 도로들을 클러스터링하는 단계(S16)를 포함한다.

도 2는 연결 가중치 및 속도 가중치 데이터의 추출 과정을 설명하는 도면이다.

먼저, 도로 클러스터링을 위해 기반 데이터를 생성한다.

상세하게 설명하면, 도 2의 (a)에 도시된 도로 지도 데이터(a)로부터 도 2의 (c)에 도시된 연결 가중치를 생성하고(S10), 도 2의 (b)에 도시된 사용자 이동 경로 데이터로부터 도 2의 (d)에 도시된 바와 같은 속도 가중치를 생성한다(S12).

상기 연결 가중치를 생성하는 과정을 상세하게 설명한다.

도로 지도 데이터로부터 연결 가중치를 추출하기 위해, 전체 그래프를 생성하고, 분석 지역을 한정하는 과정을 실행한다.

이를 위해, 첫 번째로 도로의 전체 그래프를 생성한다. 일반적으로, 도로 지도 데이터에서 도로는 링크(Link)로 표현되고, 교차로는 노드(Node)로 표현된다.

반면, 본 실시 예에서는 도로 자체에 특성을 부여하기 위해, 도로를 특성을 가지는 노드로 변환하고, 교차로를 연결을 표시하는 링크로 변환한다.

이어서, 전체 도로를 이분 그래프(Bipartite Graph)를 사용하여 도로 그룹과 교차로 그룹으로 구분한다[비특허문헌 8].

그 중에서, 상기 도로 그룹만을 사용하여 약 62,441개의 노드와 약 260,209개의 링크를 가진 무방향 그래프(G, Undirected Graph)를 생성한다.

상기 무방향 그래프는 아래의 수학식 1로 정의될 수 있다.

[수학식 1]

G = (V,E)

두 번째로 분석 지역을 한정하기 위해 부분 그래프(SG, Sub Graph)를 생성한다.

상기 부분 그래프(SG)는 특정한 도로로부터 일정거리, 예컨대 k-hop만큼 떨어진 이웃 도로들을 포함한다.

상기 부분 그래프는 수학식 2로 정의될 수 있다.

[수학식 2]

SG = (v,e), k=1,2,3,…

이와 같이, 상기 부분 그래프(SG)를 생성함에 따라, 필요한 지역만을 국소적으로 분석할 수 있으며, 행렬 연산시 작업 속도도를 향상시킬 수 있다.

상기 부분 그래프(SG)로부터 근접 행렬(A, Adjacency Matrix)을 생성하고, k-hop만큼 스칼라곱(dot product)을 실행한다.

그리고 확률 행렬(L, Stochastic Matrix)을 사용하여 연결 가중치 행렬(CM, Connection Matrix)을 산출한다[비특허문헌 9].

상기 확률 행렬(L)은 각 행의 합을 분모로 가지고, 각 요소들을 분자로 가지는 행렬이다.

상기 연결 가중치 행렬(CM)은 아래의 수학식 3으로 정의될 수 있다.

[수학식 3]

상기 연결 가중치 행렬은 k-hop 내에서 연결이 많은 노드일수록 더 높은 가중치를 부여한다.

한편, 도로의 혼잡상태를 특정할 수 있는 특성은 교통량과 속도이다.

상기 교통 데이터는 월간 약 4억 건에 달할 정도의 빅데이터이나, 교통량 기준으로 TOPIS 데이터(일정 구간에서 전수조사)와 비교 시, 해당 구간 통행차량 중에서 약 9% 정도만이 네비게이션을 활용한 것으로 확인된다.

따라서 본 실시 예에서는 교통량보다 해당 도로의 혼잡상태를 대표할 수 있는 특성으로 속도를 활용한다.

S12단계에서 사용자의 이동 경로로부터 10분 단위로 1초씩 윈도우를 슬라이딩하여 각 도로의 속도를 산출한다. 이는 해당 시간에 도로를 지나는 사용자의 평균 속도를 구하는 방법으로 이루어진다.

여기서, 차량의 이동 속도는 약 5㎞/h와 130㎞/h 사이의 값으로, 약 14,159,186개의 차량 이동을 가진다.

따라서 평균 속도는 약 53.82㎞/h이고, 표준 편차는 약 32.35㎞/h로 나타났다.

이어서, 속도가 낮은 정체 도로에 높은 가중치를 부여하여, 네트워크에서 이웃 도로에 많은 영향을 미치는 것으로 표현한다.

이를 위해, 아래의 수학식 4와 도 2에 도시된 정규화 함수를 사용한다.

도 3은 속도 정규화 함수를 예시한 도면이다.

[수학식 4]

정규화된 속도 값인 상기 normalized_speed는 '0'과 '1' 사이의 값을 가지며, 속도가 낮을수록 높은 값을 가진다.

예를 들어, 속도가 약 10㎞/h일 때, 정규화된 값인 상기 normalized_speed는 0.301의 값을 가지며, 속도가 약 100㎞/h일 때, 상기 normalized_speed는 0.09의 값을 가진다.

상기 정규화된 속도 값을 대각 행렬(Diagonal Matrix)로 변환하여, 속도 가중치 행렬(S, Speed Matrix)을 생성한다.

속도 가능치 행렬은 아래의 수학식 5로 정의될 수 있다.

[수학식 5]

S=diag(normalized_speed)

상기 정규화된 속도 값은 대각 방향으로 배치되며, 나머지는 '0'으로 채워져 있다.

다음, 연관가중치에 따라 이웃 도로를 선택한다.

S14단계에서 아래의 수학식 6에 기재된 바와 같이, 상기 연결 가중치 행렬과 속도 가중치 행렬을 스칼라곱하여 연관 가중치 행렬(RM, Relational Matrix)을 생성한다.

[수학식 6]

RM = S * CM

상기 연관 가중치 행렬(RM)에서 선택한 도로의 열벡터만 추출해서 시간 순으로 배열하여 누적 연관 가중치 데이터를 생성한다.

도 4는 도로의 시간별 가중치를 예시한 도면이다.

도 4의 (a)에서 상기 누적 연관 가중치 데이터의 각 행은 시간에 따른 도로의 연관 가중치를 표현한다.

이전 시간(t-1)이 현재 시간(t)에 영향을 주는 것을 표현하기 위해, 도 4의 (b)에 도시된 바와 같이, CNN 블록(Convolution Neural Network Block)으로 시간 축을 학습하고, 시간에 따른 연관 가중치 변화를 산출한다.

상기 누적 연관 가중치 데이터의 시간 축을 길이로 하고, 각 도로의 수를 채널로 하는 1D 컨벌루션(Convolution) 모델을 생성한다. 상기 1D 컨벌루션 모델은 10초 단위의 가중치 데이터로 10초 후의 가중치를 예측하기 위한 것이다.

컨벌루션 레이어(Convolution Layer)를 통해 산출한 특정 시간의 도로 가중치에 소트트맥스(Softmax) 함수[비특허문헌 10]를 적용하여, 대상 도로부터 한계 값(l, Limit)까지를 포함하는 도로 리스트를 결정한다.

도 5는 가중치에 따라 선택된 도로 네트워크를 예시한 도면이다.

도 5에서, 가중치의 한계값(l, Limit)을 증가시킬수록, 도로 클러스터가 전체 그래프로 확장되는 것을 확인할 수 있다.

이러한 연관 도로 분석 기법을 정체 발생 도로에 적용하는 경우, 연관성이 높은 이웃 도로들을 분석할 수 있다. 이를 통해, 본 발명은 정체 구간의 원인 도로를 파악하는 데 활용할 수 있다.

상기한 바와 같은 과정을 통하여, 본 발명은 도로에서 정체가 발생한 경우, 해당 도로가 아니라, 해당 도로에 영향을 주는 이웃 도로들을 특정해서 도로와 이웃 도로 간의 연결성 가중치과 속도 가중치를 통해 도로를 영향력에 따라 선택하고, 도로 데이터를 네트워크로 변환하며 속도 데이터를 정규화하고, 연결 가중치와 속도 가중치의 시간 축을 가중치에 합산하기 위해 컨벌루션 레이어를 사용하며, 마지막 결과값에 소프트맥스 함수를 적용해서 한계 값까지의 가중치를 가지는 도로들을 클러스터링할 수 있다.

한편, 상기의 실시 예에서는 도로의 주요 특성으로 속도를 사용해서 도로에 가장 영향을 많이 끼치는 이웃 도로를 선택하는 방법을 설명하였으나, 본 발명은 ㅂ반드시 이에 한정되는 것은 아니며, 속도와 함께 도로의 특성을 대변하는 다른 요인을 함께 고려하여 가중치 정확도를 향상시키도록 변경될 수 있다.

이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.

본 발명은 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법 기술에 적용된다.

Claims

(a) 도로 지도 데이터를 이용해서 연결 가중치를 생성하는 단계,
(b) 이동 경로 데이터를 이용해서 속도 가중치를 생성하는 단계,
(c) 컨벌루션 레이어를 이용해서 생성된 연결 가중치와 속도 가중치의 시간 축을 연관 가중치에 합산하는 단계 및
(d) 합산된 연관 가중치에 소프트 맥스 함수를 적용해서 한계값까지의 가중치를 가지는 도로들을 클러스터링하는 단계를 포함하는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.
제1항에 있어서, 상기 (a)단계는
(a1) 상기 도로 지도 데이터에서 도로의 전체 그래프를 생성하는 단계,
(a2) 전체 도로를 이분 그래프를 이용해서 도로 그룹과 교차로 그룹으로 구분하는 단계,
(a3) 상기 도로 그룹만을 이용해서 복수의 노드와 링크를 가진 무방향 그래프를 생성하는 단계,
(a4) 분석 지역을 한정하기 위해, 부분 그래프를 생성하는 단계,
(a5) 생성된 부분 그래프로부터 근접 행렬을 생성하고, 특정 도로에서 일정 거리만큼 스칼로 곱을 실행하는 단계 및
(a6) 확률 행렬을 이용해서 연결이 많은 노드일수록 높은 가중치를 부여하는 연결 가중치 행렬을 산출하는 단계를 포함하는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.
제2항에 있어서,
상기 (a1)단계는 도로 지도 데이터에서 링트 표현되는 도로를 특성을 가지는 노드로 변환하고, 노드로 표현되는 교차로를 연결을 표시하는 링크로 변환해서 도로 자체에 특성을 부여하는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.
제2항에 있어서,
상기 부분 그래프는 특정한 도로에서 일정 거리만큼 떨어진 이웃 도로들을 포함하고,
상기 확률 행렬은 각 행의 합을 분모로 가지고, 각 요소들을 분자로 가지는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.
제1항에 있어서, 상기 (b)단계는
(b1) 해당 도로의 혼잡 상태를 대표할 수 있는 특성으로 속도를 활용해서 사용자의 이동 경로로부터 10분 단위로 1초를 윈도우를 슬라이딩하여 각 도로의 속도를 산출하는 단계,
(b2) 산출된 각 도로의 속도에서 평균 속도를 산출하는 단계,
(b3) 미리 설정된 정규화 함수를 산출된 평균 속도가 낮은 정체 도로에 평균 속도가 높은 도로에 비해 높은 가중치를 부여하는 단계 및
(b4) 정규화된 속도 값을 대각 행렬로 변환하여 속도 가중치 행렬을 생성하는 단계를 포함하는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.
제5항에 있어서,
상기 정규화 함수는 수학식 1로 정의되고,
상기 (b3)단계에서 정규화된 속도 값은 '0'과 '1' 사이의 값을 가지며, 속도가 낮을수록 높은 갖는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.

…… [수학식 1]
제1항에 있어서, 상기 (c)단계는
(c1) 연결 가중치 행렬과 속도 가중치 행렬을 스칼라곱하여 연관 가중치 행렬을 생성하는 단계,
(c2) 생성된 연관 가중치 행렬에서 선택된 도로의 열벡터만을 추출해서 시간 순으로 배열하여 누적 연관 가중치 데이터를 생성하는 단계,
(c3) 이전 시간이 현재 시간에 미치는 영향을 표현하도록, CNN 블록으로 생성된 누적 연관 가중치 데이터의 시간 축을 학습해서 시간에 따른 연관 가중치 변화를 산출하는 단계 및
(c4) 상기 누적 연관 가중치 데이터의 시간 축을 길이로 하고, 각 도로의 수를 채널로 하는 1D 컨벌루션 모델을 생성해서 10초 단위의 가중치 데이터로 10초 후의 가중치를 예측하는 단계를 포함하고,
상기 연관 가중치 데이터의 각 행은 시간에 따른 도로의 연관 가중치를 표현하는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.
제1항에 있어서,
상기 (d)단계는 컨벌루션 레이어를 통해 산출한 특정 시간의 도로 가중치에 소프트 맥스(softmax) 함수를 적용해서 대상 도로로부터 한계 값까지를 포함하는 도로 리스트를 결정하고,
상기 (d)단계에서 클러스터링된 도로 클러스트는 상기 가중치의 한계값을 증가시킬수록, 전체 그래프로 확장되는 것을 특징으로 하는 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법.