KR20210069954A - 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법 - Google Patents

빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법 Download PDF

Info

Publication number
KR20210069954A
KR20210069954A KR1020190159827A KR20190159827A KR20210069954A KR 20210069954 A KR20210069954 A KR 20210069954A KR 1020190159827 A KR1020190159827 A KR 1020190159827A KR 20190159827 A KR20190159827 A KR 20190159827A KR 20210069954 A KR20210069954 A KR 20210069954A
Authority
KR
South Korea
Prior art keywords
traffic signal
traffic
road
data
information
Prior art date
Application number
KR1020190159827A
Other languages
English (en)
Inventor
전용주
김홍회
Original Assignee
디토닉 주식회사
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 디토닉 주식회사 filed Critical 디토닉 주식회사
Priority to KR1020190159827A priority Critical patent/KR20210069954A/ko
Publication of KR20210069954A publication Critical patent/KR20210069954A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/087—Override of traffic control, e.g. by signal transmitted by an emergency vehicle
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0965—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages responding to signals from another vehicle, e.g. emergency vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously

Abstract

본 발명은 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법에 관한 것으로, 본 발명에 따른 시스템은 도로 노변에 설치되어 도로 상황 정보를 수집하는 도로 상황 정보 수집부, 도로 상황 정보 수집부에서 수집된 도로 상황 정보를 수신하고, 자율주행차량으로부터 자율주행차량 데이터를 수신하는 노변 장치, 노변장치에서 전달되는 도로 상황 정보 및 자율주행차량 데이터와 외부 서버로부터 전달되는 도로 교통 관련 정보를 입력으로 인공지능 기반으로 교통 신호를 제어하는 교통 신호 운영 서버, 그리고 교통 신호 운영 서버의 제어에 따라 교통 신호를 출력하는 교통 신호 장치를 포함한다. 본 발명에 의하면 자율주행차량과 일반 차량이 혼재된 도로 상황에서 안전 운행 확보, 교통운영 효율화를 통한 교통혼잡비용 감소 및 온실가스 저감, 대기오염 감소 및 소음 감소 등의 효과를 제공할 수 있다.

Description

빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법{Artificial Intelligence-based Integrated Traffic Signal Control System and Method Using Big-data}
본 발명은 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법에 관한 것이다.
자율주행차량은 그 기술 수준에 따라 레벨 0~5로 나눌 수 있으며, 국토교통부 예측에 따르면 2020년 전후부터 레벨 3, 4 단계의 자율주행차량이 본격 상용화될 시기까지 자율주행차량과 일반차량이 도로를 공유할 것으로 예상되고 있다.
이와 같이 자율주행차량이 상용화가 된다고 해도 자율주행차량과 사람이 운전하는 일반 차량이 혼재된 도로환경이 상당 기간 유지될 것으로 예상되는 상황에서 자율주행차량과 일반 차량 간의 혼재에 따른 효율적 운영을 지원할 수 있는 첨단교통인프라에 대한 요구가 증가하고 있다.
기존 자율주행차량 관련 기술의 개발 동향을 살펴보면 자율주행차량이 100% 인 환경을 가정하여 개발하고 있기 때문에 자율주행차량이 자신의 위치정보만을 공유하여 서로의 안전을 확보하는 방향으로 가고 있으나 일반차량이 혼재되는 환경에서는 안전을 확보하기 어렵다.
따라서 현재 수집되고 있는 교통 빅데이터 및 자율주행차량의 검지 장치를 통해 수집된 교통정보를 활용하여 일반 차량과 자율주행차량을 대상으로 인공지능 기반 통합 교통 신호 제어를 할 수 있는 시스템에 대한 요구가 커지고 있다.
한편 도로인프라 부분에서의 검지가 한정되고 있는 현 시점에서는 도로의 정보를 수집할 수 있는 방법들을 최대한 활용하여 신뢰성 있는 데이터를 만드는 것이 매우 중요하며, 이러한 데이터가 구축되어야만 빅데이터 분석 및 AI 기반의 최적화 등을 통해 도로의 운영 효율을 향상시킬 수 있다.
효율적인 신호운영을 위해서 교차로, 축, 도로 네트워크(Network)에서 신호제어와 관련된 각종 정보를 실시간으로 수집할 필요가 있다. 그리고 자율주행차량의 안전한 도로주행을 위해서는 신호운영과 관련된 정보를 자율주행차량에게 제공하고, 자율주행차량에서 수집하고 있는 개별차량 정보 및 주변정보를 수집하여 AI 교통신호 연구에 적합한 데이터를 제공할 수 있도록 처리하는 빅데이터 플랫폼도 요구된다.
따라서 본 발명이 해결하고자 하는 기술적 과제는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법을 제공하는 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템은 도로 노변에 설치되어 도로 상황 정보를 수집하는 도로 상황 정보 수집부, 상기 도로 상황 정보 수집부에서 수집된 도로 상황 정보를 수신하고, 자율주행차량으로부터 자율주행차량 데이터를 수신하는 노변 장치, 상기 노변장치에서 전달되는 도로 상황 정보 및 자율주행차량 데이터와 외부 서버로부터 전달되는 도로 교통 관련 정보를 입력으로 인공지능 기반으로 교통 신호를 제어하는 교통 신호 운영 서버, 그리고 상기 교통 신호 운영 서버의 제어에 따라 교통 신호를 출력하는 교통 신호 장치를 포함한다.
상기 교통 신호 운영 서버는, 실시간으로 입력되는 도로 상황 정보, 자율주행차량 데이터 및 도로 교통 관련 정보를 기초로 교통 상황을 예측하고, 예측된 교통 상황에 따라 자율주행차량의 최적 운행 경로를 안내하거나, 상기 교통 신호 장치를 제어할 수 있다.
상기 교통 신호 운영 서버는, 자율주행차량과 일반차량의 비율이 미리 정해진 기준 이상인 도로에 대해서 자율주행차량 지정 차로 표시를 하도록 상기 교통 신호 장치를 제어할 수 있다.
상기 도로 교통 관련 정보는, 도로 정체 유발 이벤트 일정에 관한 소셜 네트워크 서비스 데이터를 포함하고, 상기 교통 신호 운영 서버는 상기 소셜 네트워크 서비스 데이터를 교통 상황 예측에 반영할 수 있다.
상기 도로 교통 관련 정보는 대기 오염 정보를 포함하고, 상기 교통 신호 운영 서버는 미리 정해진 기준 이상의 대기 오염 지역이 발생하거나 발생이 예측되면, 상기 대기 오염 지역의 운행 차량이 감소되도록 자율주행차량의 운행 경로를 안내하거나, 상기 교통 신호 장치를 제어할 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 방법은, 도로 노변에 설치되어 도로 상황 정보를 수집하는 단계, 상기 도로 상황 정보 수집부에서 수집된 도로 상황 정보를 수신하고, 자율주행차량으로부터 자율주행차량 데이터를 수신하는 단계, 상기 노변장치에서 전달되는 도로 상황 정보 및 자율주행차량 데이터와 외부 서버로부터 전달되는 도로 교통 관련 정보를 입력으로 인공지능 기반으로 교통 신호를 제어하는 단계, 그리고 상기 교통 신호 운영 서버의 제어에 따라 교통 신호를 출력하는 단계를 포함한다.
컴퓨터에 상기 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 포함할 수 있다.
본 발명에 의하면 자율주행차량과 일반 차량이 혼재된 도로 상황에서 안전 운행 확보, 교통운영 효율화를 통한 교통혼잡비용 감소 및 온실가스 저감, 대기오염 감소 및 소음 감소 등의 효과를 제공할 수 있다.
도 1은 본 발명에 따른 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템의 구성도이다.
도 2는 본 발명에 따른 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템의 동작 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명에 따른 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템의 구성도이다.
도 1을 참고하면, 본 발명에 따른 시스템은 도로 상황 정보 수집부(100), 노변장치(200), 자율주행차량(300), 교통 신호 장치(400), 외부 서버(500) 및 교통 신호 운영 서버(600)를 포함할 수 있다.
도 1에서 설명의 편의를 위해 도로 상황 정보 수집부(100), 노변장치(200), 자율주행차량(300), 교통 신호 장치(400), 외부 서버(500)를 1개씩만 도시하였다. 본 발명에 따른 시스템은 도로 상황 정보 수집부(100), 노변장치(200), 자율주행차량(300), 교통 신호 장치(400), 외부 서버(500)를 각각 복수 또는 다수 포함할 수 있다.
도로 상황 정보 수집부(100), 노변장치(200), 자율주행차량(300), 교통 신호 장치(400), 외부 서버(500) 및 교통 신호 운영 서버(600)는 통신망을 통해 각종 정보 및 데이터를 교환할 수 있다.
통신망은 구내 정보 통신망(local area network, LAN), 도시권 통신망(metropolitan area network, MAN), 광역 통신망(wide area network, WAN), 인터넷, 2G, 3G, 4G, LTE 이동 통신망, 블루투스, 와이파이(Wi-Fi), 와이브로(Wibro), 위성 통신망, LoRa, Sigfox 등의 LPWA(Low Power Wide Area) 네트워크 등을 포함할 수 있으며, 통신 방식도 유선, 무선을 가리지 않으며 어떠한 통신 방식이라도 상관없다.
도로 상황 정보 수집부(100)는 루프검지기, 영상검지기, 돌발상황검지기, 보행자검지기, 도로기상정보 검지기, WAVE 요금징수기 등을 포함할 수 있다. 또한 교통 신호 장치(400)를 제어하는 도로 상에 설치하는 신호 제어기도 포함할 수 있다.
도로 상황 정보 수집부(100)는 교통량, 도로 점유율, 속도, 대기행렬길이, 차량 길이, 주행 궤적, 돌발상황, 보행자, 도로기상상황 등 도로 상황 등과 관련된 정보를 수집할 수 있다.
노변장치(200)는 노변상 고정된 위치에 설치되어 도로 상황 정보 수집부(100), 자율주행차량(300), 교통 신호 장치(400) 또는 다른 노변장치와의 통신과 데이터 교환 등을 수행할 수 있다.
아울러 노변장치(200)는 교통 신호 운영 서버(600)에 도로 상황 정보 수집부(100)에서 수집된 도로 상황 정보를 수신하고, 자율주행차량(300)으로부터 자율주행차량 데이터를 수신하여 교통 신호 운영 서버(600)에 전달할 수 있다.
교통 신호 장치(400)는 도로 교차로 등에 설치되어 녹색 신호, 황색 신호, 적색 신호, 우회전 신호, 버스 전용차로 신호, 자율주행 전용차로 신호 등을 표시할 수 있다.
외부 서버(500)는 기상 서버나 교통 정보 서버뿐만 아니라, 소셜 네트워크 서비스 서버 등 도로 교통 상황과 관련된 각종 정보를 생성하거나 교환하는 플랫폼 장치는 모두 포함될 수 있다.
교통 신호 운영 서버(600)는 도로 상황 정보 수집부(100), 노변장치(200), 자율주행차량(300), 교통 신호 장치(400), 외부 서버(500) 등에서 생성되거나 수집되는 방대한 빅데이터를 처리하고 관리할 수 있는 빅데이터 플랫폼으로 구축될 수 있다.
인공지능 기반 통합 교통 신호 제어 및 연구에 활용되는 빅데이터는 다음과 같은 데이터 출처로부터 획득될 수 있다.
아래 표 1은 인공지능 기반 통합 교통 신호 제어 및 연구에 활용될 수 있는 빅데이터 출처와 제공 데이터 목록을 나타낸 것이다.
데이터 출처 제공 데이터 목록
빅데이터 뱅크 ITS 교통 데이터, 택시 DTG 데이터, 기상정보, TOPIS 데이터 일부, 그 외, 모든 Smart Signal 데이터(교통량 등)
비전카메라 자율주행차량(AV) 속도 정보, AV 주변차량 속도 정보, AV 소통정보, AV 위치 정보, AV 주변차량 위치 정보
이동통신사(네비게이션 서비스 제공사) 네비게이션 데이터
국토지리연구원 실증지역 지리정보
AI 센터 시스템(교통 신호 운영 서버) Local Service 이후 Feedback 정보
경찰청 경찰청 설치 CCTV 데이터
VISSIM 데이터 시뮬레이션 데이터
기타 실증 지역 내 모든 차량 유출입 발생지점 유입유출 데이터, 실증 지역 내 모든 횡단보도 통행 보행자수 기록, 실증지역 교통신호 체계 데이터, 교통량 수집기 데이터, 링크대표 속도, 링크 내 진행방향 별/차선 별 대표속도
표 1에서 실증 지역은 본 발명에 따른 시스템의 실증 과정이 이루어진 지역을 의미한다.
표 1에서 빅데이터 뱅크는 도시교통정보시스템 등 ITS 인프라의 교통정보를 통합하기 위해 구축된 시스템을 의미하며, 교통 데이터, 택시 DTG 데이터, 기상정보, 도로 교통량, 등 신호제어 시스템에서 필수적으로 필요한 다양한 데이터를 보유한다.
택시 DTG 데이터는 택시 운행위치, 속도 등의 운행정보를 10초 단위로 수집하는 택시 운행기록 정보로, 택시 ID, 위도, 경도, 고도의 위치정보, 기록시간, 방위각 등의 데이터를 제공한다.
TOPIS 데이터는 서울시내 도로상황 및 지하철 운행정보 실시간 통합, 관리하는 서울시 교통정보 센터 데이터로서, 실시간 교통상황 정보, BMS 데이터, 대중교통 실시간 운행정보를 제공한다.
기상정보는 기상청에서 제공하는 초단기 실황 기상정보로, 모든 상세한 기상정보는 아니지만, 기온, 강수량, 적설량, 하늘상태, 습도, 낙뢰유무, 풍향, 풍속 등 신호 운영에 영향을 끼칠 수 있는 항목에 대한 데이터값을 제공한다.
ITS 교통정보는 국가교통정보센터에서 제공하는 ITS 교통정보로서, 도로상황, 소통정보, 정체정보, 돌발정보, 교통량 등에 대한 데이터, 통계를 제공한다.
표 2는 인공지능 기반 통합 교통 신호 제어에 활용될 수 있는 기타 스마트 신호 데이터를 나타낸다.
No 테이블 및
컬렉션 		정의 및 설명 속성
1 TB_NODE 스마트신호에서 사용하는 노드정보 노드 ID, 노드 유형코드, 노드명, , 최초등록일시, 최초등록자ID, 최종수정일시, 최종수정자ID
2 TB_LINK 스마트신호에서 사용하는 링크정보 링크 ID,시작노드ID, 종료노드 ID, 차로수, 도로등급 코드, 도로번호, 도로명 , 도로사용여부, 최고제한속도, 제한 통행시간, 통행 제안높이 등
3 TB_STD_LINK_LINK_MAPN 표준노드링크 링크와 스마트신호 링크 매핑정보 표준링크 ID, 링크 ID,링크순번, 최초등록일시, 최초등록자ID, 최종수정일시, 최종수정자ID
4 TB_TOPIS_STD_LINK_MAPN TOPIS링크 및 표준링크 매핑 정보 TOPIS링크 ID, 표준링크 ID, 순서, 최초등록일시, 최초등록자 ID, 최종수정일시, 최종수정자ID
5 coll_mapmatch[YYYYMMDD] 수집된 택시DTG이벤트을 링크와 맵매칭 한
결과를 일자별로 저장		 ID, 기준일시, 택시 OBUID, 생성일시, 갱신일시, 데이터배열, 경도, 위도, X좌표, Y좌표,이벤트 일시, 방향, 속도등
6 coll_path 택시 경로 정보 저장 ID, 생성일시, 갱신일시, 데이터 배열, 택시 OBU ID, 경로시작일시, 경로종료일시등
7 coll_taxilinkpass 맵매칭 결과를 이용하여 생성된 택시의 링크
진출입 정보를 저장		 ID,생성일시, 갱신일시, 데이터배열, 택시 OBU ID, 링크 ID, 다음링크 ID, 링크 진입일시, 링크진출일시, 정시시작일시, 정지종료일시, 속도(km/h), 통행시간(초), 정지전속도, 정지후 속도, 정지회수 등
8 coll_taxitrci 5분 주기로 가공 택시 소통정보 저장 ID, 생성일시, 갱신일시, 데이터 배열, 링크 ID,속도(km/h), 통행시간(초), 교통량(대), 무정지통과수, 무정지통과속도(km/h), 정지대수, 무정지통행시간(초), 정지통과속도 등
9 coll_taxitrqi 5분 주기로 가공 택시 대기길이정보 저장 ID, 생성일시, 갱신일시, 데이터배열, 링크ID, 평균대기길이(m), 최대대기길이(m)등
10 coll_taxiturntrci 5분 주기로 가공 택시 회전 방향 별 소통정보 저장 ID,생성일시, 갱신일시, 교통량(대), 통행시간(초), 링크ID, 다음링크 ID, 무정지통과수, 무정지통과속도(km/h), 정지대수, 무정지통행시간(초), 정지통과속도 등
11 coll_taxiturntrqi 5분 주기로 가공 택시 회전 대기길이정보 저장 ID, 생성일시, 갱신일시, 데이터배열, 링크 ID, 다음링크 ID, 평균대기길이(m),최대대기길이(m),최소대기길이(m)
12 coll_linktrci 택시의 소통정보와 외부 소통정보를 이용하여 가공된 최종 링크 5분 소통정보 저장 ID,생성일시, 갱신일시, 데이터배열, 링크ID, 속도(km/h), 통행시간(초), 교통량(대), 가공유형
13 coll_linktrqi 5분 주기로 생성된 링크의 5분 대기길이 정보 저장 ID,생성일시, 갱신일시, 데이터배열, 링크ID,평균대기길이, 최소대기길이, 최대대기길이, 가공유형
14 coll_linkturntrci 5분주기로 가공된 링크의 회전 방향별 5분 소통정보 저장 ID, 생성일시, 갱신일시, 데이터배열, 링크ID, 다음링크ID, 속도, 통행시간, 교통량(대), 가공유형
15 coll_linkturntrqi 5분 주기로 생성된 링크의 5분 회전 방향별 대기길이 정보 저장 ID, 생성일시, 갱신일시, 데이터배열, 링크ID, 다음링크ID,평균대기길이, 최소대기길이등
16 coll_exttrfc 외부로부터 연계 수집된 데이터 소스(TOPIS, ITS 등)를 이용하여 5분 주기 생성된 소통정보 ID, 생성일시, 갱신일시, 데이터배열, 링크ID, 속도(km/h), 통행시간(초), 가공유형
17 coll_linktrci1HH 링크 5분 소통정보를 이용하여 1시간 주기로 가공된 링크 1시간 소통정보 저장 ID, 년,월, 일, 시, 생성일시, 갱신일시, 데이터배열, 링크ID, 속도(km/h), 통행시간(초), 가공유형
18 coll_linkturntrci1HH 링크 5분 회전 방향별 소통정보를 이용하여 1시간 주기로 가공된 링크 1시간회전 방향별 소통정보 저장 ID, 년,월, 일, 시, 생성일시, 갱신일시, 데이터배열, 링크ID, 다음링크 ID, 속도(km/h), 통행시간(초), 교통량(대)
19 coll_linktrqi1HH 링크 5분 대기길이 정보를 이용하여 1시간 주기로 가공된 링크 1시간 대기길이정보 저장 ID, 년,월, 일, 시, 생성일시, 갱신일시, 데이터배열, 링크ID, 평균대기길이, 최소대기길이, 최대대기길이
20 coll_linkturntrqi1HH 링크 5분 회전 방향별 대기길이 정보를 이용하여 1시간 주기로 가공된 링크1시간 회전 방향별 대기길이 정보 저장 ID, 년,월, 일, 시, 생성일시, 갱신일시, 데이터배열, 링크ID, 다음링크 ID,평균대기길이, 최소대기길이, 최대대기길이
21 coll_influencepattern 1시간 주기로 가공하는 주요교차로의 영향권 패턴정보 저장 ID,노드 ID, 패턴 ID, 생성일시, 갱신일시, 매칭일시, 년, 월, 일, 시, 요일, 1차영향권 내부링크, 1차영향권경계링크, 2차영향권 내부링크, 2차영향권경계링크
22 coll_wificlct Wifi 수집시스템의 소통정보 ID, 생성일시, 갱신일시, 데이터배열, 링크ID, 데이터유형, 시작시간, 종료시간, 평균속도, 최대속도, 최저속도, 편차, 대수
23 coll_wificlctturn Wifi 수집시스템의 회전별 소통정보 ID, 생성일시, 갱신일시, 데이터배열, 링크ID, 데이터유형,기준교차로 ID, 출발교차로 ID, 회전 ID, 시작시간, 종료시간, 평균속도, 최대속도, 최저속도, 편차, 대수
24 hist_ptnBoundToNode 영향권패턴에서 생성된 경계링크의 대상노드 진입 교통정보 가공 결과를 저장 ID,생성일시, 갱신일시, 진입링크 교통량, 진입링크 ID, 진입링크통과경로수, 경계링크 ID, 경계링크 교통량, 경게에서 진입링크 통과 경로수, 진입링크경로비율, 경계링크경로비율
25 hist_ptnNodeBoundTraffic 영향권패턴에서 생성된 내부링크의 경계링크 교통정보 가공 결과를 저장 ID, 생성일시, 갱신일시, 데이터배열, 노드ID,패턴ID,링크ID, 속도, 통행시간, 교통량, 평균대기길이, 최대 대기길이
26 hist_ptnNodeTurnRate 영향권패턴에서 생성된 노드의 진입링크회전비율 가공결과 ID, 생성일시, 갱신일시, 데이터배열, 노드ID,패턴ID,진입링크ID, 속도, 교통량, 다음링크ID 등
27 stts_ptnBoundToNode 영향권패턴에서 생성된 경계링크의 대상노드 진입 교통정보 가공 결과를 과거 데이터와 함께 통계를 산출하여 저장 ID,노드 ID, 패턴 ID, 생성일시, 갱신일시, 데이터배열, 진입링크 ID, 진입링크교통량, 진입링크 통과 경로수, 경계링크 ID, 경계링크교통량, 등
28 stts_ptnInnerToNode 영향권패턴에서 생성된 내부링크의 대상노드 진입 교통정보 가공 결과를 과거 데이터와 함께 통계 ID,노드 ID, 패턴 ID, 생성일시, 갱신일시, 내부링크 ID, 내부에서 진입하는 통과 경로수, 내부링크경로비율 등
29 stts_ptnNodeBoundTraffic 영향권패턴에서 생성된 내부링크의 경계링크 교통정보 가공 결과를 과거 데이터와 함께 통계 ID,노드 ID, 패턴 ID, 생성일시, 갱신일시, 통행시간, 교통량, 평균대기길이, 최대대기길이 등
30 stts_ptnNodeTurnRate 영향권패턴에서 생성된 노드의 진입링크회전비율 가공 결과를 과거 데이터와 함께 통계 ID,노드 ID, 패턴 ID, 회전교통량, 회전교통량 비율, 회전유형 등
자율주행차량(300)은 도로 환경 인식, 위험요소 판단, 주행경로 계획, 차량 제어 등이 가능한 자동차이다.
자율주행차량(300)은 차량통신모듈(도시하지 않음)과 데이터수집모듈(도시하지 않음)을 포함할 수 있다.
차량통신모듈은 차량(V2X) 통신을 위해 Cellular Network(2G/3G/4G/5G), LPWAN(LoRa, Sigfox, Microchip Bluetooth Internet of Things), WiFi-802.11x(802.11a/b/g/n), V2X(802.11p)으로 알려진 WAVE(Wireless Access in Vehicular Environment), DSRC(Dedicated Short Range Communications), LiFi, 위성통신, 광통신 등 다양한 통신 채널을 통한 통신을 지원할 수 있다.
V2X는 운행 중인 차량이 무선통신으로 도로 인프라, 교통 정보, 보행자 정보 등을 교환·공유하는 통신 기술로서, 전방 교통 상황과 차량 간 접근을 알리는 V2V(vehicle to vehicle) 통신, 신호등과 같은 교통 인프라와 소통하는 V2I(vehicle to infrastructure) 통신, 보행자 정보를 지원하는 V2P(vehicle to pedestrian) 통신 등을 포함할 수 있다.
데이터 수집 모듈은 차량의 내외부 센서, 주변 다른 차량, 노변장치, 기상 시스템 등의 다양한 데이터 소스(Source)로부터 생성되거나 전달되는 데이터를 수집하는 기능을 수행할 수 있다.
차량의 내부 또는 외부에 장착된 센서는 차량 내외부 상황 및 운전자 정보 등을 센싱하는 기능을 수행하며, 이를 위해 카메라, 적외선 센서, 초음파 센서, 마이크, 운전자 생체 정보 감지 센서, 레이저, 라이더, 온습도 센서, 강우 센서, 조도 센서, GPS 센서 등 다양한 센싱 수단을 구비할 수 있다. 또한 차량의 내부 또는 외부에 장착된 센서는 차량의 상태 및 자세를 센싱하기 위해 관성 센서, 충돌 감지 센서, 속도 센서, 경사 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 가속 페달 위치 센서, 브레이크 페달 위치 센서 등을 더 포함할 수 있다.
특히 차량의 내외부 센서는 주행 중인 도로의 경도, 위도, 고도 값 및 횡단 경사, 종단 경사 등을 수집할 수 있도록, 3축 자이로 센서 등의 관성 센서와 GPS 센서 등과 같은 GNSS 수신 모듈 등을 포함할 수 있다. 아울러 차량의 내외부 센서는 도로 마찰계수 측정기를 포함하며, 노면의 마찰력 및 상태, 대기중 온도, 노면 온도, 수막 두께 정보 등을 수집할 수 있는 노면 센서를 포함할 수 있다.
한편 실제 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템이 구축되어 운영되기 전이나, 또는 운영되더라도 어느 시점까지는 자율주행차량(300)으로부터 자율주행차량 데이터를 수집하는데 무리가 있을 수 있다.
이를 위해 도로를 주행하고 있는 일반 차량 중에 특정 차량에 대해 가상의 자율주행 자동차로 가정하여, 비전 카메라를 이용해 특정 자동차에 대한 정보를 조사하는 방식을 고려할 수 있다.
여기서 이용되는 비전 카메라는 고성능 카메라, 이미지 프로세서, 소프트웨어 등의 구성요소로 이뤄진 시스템으로, 카메라, 렌즈, 조명을 이용하여 적절한 이미지를 획득한 후, 획득한 이미지를 이미지 프로세서 및 소프트웨어가 수행 작업의 목적에 적합하게 영상처리, 영상 분석 과정을 거쳐 특정 작업을 수행할 수 있다.
자율주행차량의 가상 정보로는 자율주행차량(AV) 속도 정보, AV 주변차량 속도 정보, AV 소통정보, AV 위치 정보, AV 주변차량 위치 정보가 있으며, 이에 대한 정의 및 속성값의 예는 아래 표 3과 같다.
표 3은 자율주행차량 데이터를 예시한 것이다.
No 테이블 및
컬렉션 		정의 및 설명 속성
1 TB_AV AV 자기차량 위치 및 속도 정보 차량ID, 차량번호, 생성일시, 갱신일시, 위치, 경도, 평균속도, 최대속도등
2 TB_AV_DET AV의 주변차량을 감지한 위치, 속도 정보 차량ID, 생성일시, 갱신일시, 주변차량번호, 주변차량 ID, 차량간 거리, 위치, 경도, 평균속도, 최대속도 등
3 coll_avclct AV 소통정보 차량ID, 생성일시, 갱신일시, 시작시간, 종료시간, 평균속도, 최대속도, 최저속도, 편차, 대수 등
한편 외부 서버(500), 예컨대 네비게이션 서비스를 제공하는 이동통신사 서버로부터 제공되는 데이터 중에서 네비게이션 데이터도 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 및 연구에 중요하다.
네비게이션 데이터의 속성값의 예로는 ID, 시작일시, 종료일시, 시작위치, 종료위치, 현재위치, 목적지, 출발지 등이 있을 수 있다.
추가적으로 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 및 연구에 필요한 데이터로 LDM(Local Dynamic Map) 데이터가 있을 수 있다.
자율주행을 위한 AI 신호제어 시스템 연구를 위해서는 도로의 지리정보가 반드시 필요하며, 특히 자율협력주행에 필수적인 데이터 정보를 제공할 수 있는 LDM 데이터를 조사할 필요가 있다.
자율주행차량의 안전성 확보를 위해 도로와 차량의 협력이 필요하며, LDM은 주행경로 상에서 서비스 지역 안의 지형정보, 위치정보, 상태 정보를 포함하는 저장소 개념으로, 자동자의 자체 센서나 교통정보 제공자로부터 정보를 수집하고 저장하는 시스템으로, 자율주행을 위한 AI 신호제어 시스템 연구를 위해 도로 정보를 제공할 수 있다. LDM 데이터가 가지는 속성값의 예로는 링크속성정보, 링크 ID, 노드 ID, 제한 속도, 교차로 갈래 수 등이 있을 수 있다.
교통 신호 운영 서버(600)는 도로 상황 정보, 자율주행차량 데이터 및 도로 교통 관련 정보를 입력으로 인공지능 기반으로 교통 신호를 제어할 수 있다. 이를 위해 교통 신호 운영 서버(600)는 인공지능 기반 통합 교통신호 운영에 필요한 다양한 빅데이터의 효과적인 저장 처리 및 분석을 위한 빅데이터 플랫폼이 구축될 수 있다.
교통 신호 운영 서버(600)는 구축된 빅데이터를 이용하여 실시간으로 입력되는 도로 상황 정보, 자율주행차량 데이터 및 도로 교통 관련 정보를 기초로 교통 상황을 예측하고, 예측된 교통 상황에 따라 자율주행차량의 최적 운행 경로를 안내하거나, 교통 신호 장치(400)를 제어할 수 있도록 학습될 수 있다.
예컨대 교통정보 빅데이터를 기반으로 교차로 정체패턴을 예측하여, 신호제어에 적용하고 통행시간 등 소통정보를 이용하여 정체예방형 신호운영을 수행할 수 있다. 또한 학습된 교통 신호시간 최적화 알고리즘을 통해 교차로에서 교통정체를 예방하기 위한 실시간 교통 신호 제어를 수행하도록 교통 신호 운영 서버(600)는 신경망 모델을 학습할 수도 있다.
교통 신호 운영 서버(600)는 빅데이터로 구축된 학습 데이터로 이용하여 도로 교통 예측을 위한 신경망 모델을 훈련할 수 있다. 여기서 신경망 모델은 콘볼루션 신경망(Convolution neural network)(CNN)과 같은 기계학습 알고리즘 형태일 수 있다. 콘볼루션 신경망은 AlexNet, VGGNet, GoogLeNet, ResNet 등과 같은 심층 CNN 모델로 구현될 수 있다.
교통 신호 운영 서버(600)는 교통 상황을 예측 등에 정밀지도 데이터 분석(정적 주행 정보)을 활용할 수 있다. 여기서 정밀지도란 컴퓨터가 이해할 수 있는 도로 환경 정보를 데이터베이스 형태로 미리 저장해 둔 디지털 지도로써 자율주행 에 반드시 필요한 지도이다. 자율주행용 디지털 지도는 차선정보, 가드레일, 도로 곡률, 도로경사, 신호등 위치, 교통 표식 등 자율주행 시스템에 필요한 3차원 도로 환경 데이터를 제공할 수 있다.
교통 신호 운영 서버(600)에 구축된 빅데이터 플랫폼은 색인 처리한 공간정보를 지도 및 비지도 학습 알고리즘을 사용하여 공간객체의 특징 객체, 이동 궤적 공간객체의 분포 등 공간데이터의 피처(Feature)를 추출(Extraction)하여 파이프라인(Pipeline)으로 단계적 분석을 수행할 수 있도록 구현될 수 있다.
교통 신호 운영 서버(600)는 실시간으로 입력되는 도로 상황 정보, 자율주행차량 데이터 및 도로 교통 관련 정보를 기초로 교통 상황을 예측하고, 예측된 교통 상황에 따라 자율주행차량(300)의 최적 운행 경로를 안내하거나, 교통 신호 장치(400)를 제어할 수 있다.
교통 신호 운영 서버(600)는 자율주행차량(300)과 일반차량의 비율이 미리 정해진 기준 이상인 도로에 대해서 자율주행차량 지정 차로 표시를 하도록 교통 신호 장치(400)를 제어할 수 있다. 예컨대 자율주행차량은 일반 차량에 비해 짧은 차두거리로 군집주행이 가능하여 도로 용량 사용을 극대화하여 도로이용 효율을 향상시킬 수 있다. 따라서 편도 3차선 도로의 경우 차량이 균등하게 주행한다고 하면 1차로 당 33%의 차량이 주행하게 된다. 따라서 자율주행차량이 33% 이상인 경우는 1개 차로를 자율주행차량에 배정하는 것이 효율적일 수 있다. 이렇게 도로에 임시적으로 특정 차로를 자율주행차량 전용으로 지정하게 되면, 버스전용차로 처럼 교통 신호 장치(400)가 해당 차로를 표시하도록 제어할 수 있다.
한편 도로 교통 관련 정보는, 도로 정체 유발 이벤트 일정에 관한 소셜 네트워크 서비스 데이터를 포함할 수 있다.
교통 신호 운영 서버(600)는 SNS나 포털 사이트를 통해 유통되는 메시지 등을 분석하여 특정 장소에 집회가 예정되거나, 또는 특정 장소에서 테러, 화재 등의 사건이 발생한 것으로 분석될 경우 이를 고려하여 교통 상황을 예측할 수도 있다.
한편 도로 교통 관련 정보는 대기 오염 정보를 포함할 수도 있다.
교통 신호 운영 서버(600)는 미리 정해진 기준 이상의 대기 오염 지역이 발생하거나 발생이 예측되면, 대기 오염 지역의 운행 차량이 감소되도록 자율주행차량의 운행 경로를 안내하거나, 교통 신호 장치(400)를 제어할 수도 있다.
도 2는 본 발명에 따른 인공지능 기반 통합 교통 신호 제어 시스템의 동작 흐름도이다.
도 2를 참고하면, 먼저 도로 상황 정보 수집부(100)는 도로 노변에 설치되어 도로 상황 정보를 실시간으로 수집할 수 있다(S210).
한편 자율주행차량(300)은 도로를 주행하면서 차량의 내외부 센서, 주변 다른 차량, 노변장치, 기상 시스템 등의 다양한 데이터 소스(Source)로부터 생성되거나 전달되는 자율주행차량 데이터를 실시간으로 수집할 수 있다(S220).
노변장치(200)는 도로 상황 정보 수집부(100)으로부터 도로 상황 정보와 자율주행차량(300)으로부터 자율주행차량 데이터를 실시간으로 수신할 수 있다(S230).
다음으로 노변장치(200)는 단계(S230)에 실시간으로 수신하는 데이터를 교통 신호 운영 서버(600)에 전달할 수 있다(S240).
교통 신호 운영 서버(600)는 노변장치(200)에서 전달되는 데이터와 외부 서버(500)로부터 전달되는 도로 교통 관련 정보를 입력으로 인공지능 기반으로 교통 신호 장치(400)의 교통 신호를 제어할 수 있다(S250).
다음으로 교통 신호 장치(400)는 교통 신호 운영 서버(600)의 제어에 따라 교통 신호를 출력할 수 있다(S260).
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.
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.

Claims (11)

  1. 도로 노변에 설치되어 도로 상황 정보를 수집하는 도로 상황 정보 수집부,
    상기 도로 상황 정보 수집부에서 수집된 도로 상황 정보를 수신하고, 자율주행차량으로부터 자율주행차량 데이터를 수신하는 노변 장치,
    상기 노변장치에서 전달되는 도로 상황 정보 및 자율주행차량 데이터와 외부 서버로부터 전달되는 도로 교통 관련 정보를 입력으로 인공지능 기반으로 교통 신호를 제어하는 교통 신호 운영 서버, 그리고
    상기 교통 신호 운영 서버의 제어에 따라 교통 신호를 출력하는 교통 신호 장치
    를 포함하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템.
  2. 제 1 항에서,
    상기 교통 신호 운영 서버는,
    실시간으로 입력되는 도로 상황 정보, 자율주행차량 데이터 및 도로 교통 관련 정보를 기초로 교통 상황을 예측하고, 예측된 교통 상황에 따라 자율주행차량의 최적 운행 경로를 안내하거나, 상기 교통 신호 장치를 제어하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템.
  3. 제 2 항에서,
    상기 교통 신호 운영 서버는,
    자율주행차량과 일반차량의 비율이 미리 정해진 기준 이상인 도로에 대해서 자율주행차량 지정 차로 표시를 하도록 상기 교통 신호 장치를 제어하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템.
  4. 제 2 항에서,
    상기 도로 교통 관련 정보는,
    도로 정체 유발 이벤트 일정에 관한 소셜 네트워크 서비스 데이터를 포함하고,
    상기 교통 신호 운영 서버는 상기 소셜 네트워크 서비스 데이터를 교통 상황 예측에 반영하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템.
  5. 제 2 항에서,
    상기 도로 교통 관련 정보는 대기 오염 정보를 포함하고,
    상기 교통 신호 운영 서버는 미리 정해진 기준 이상의 대기 오염 지역이 발생하거나 발생이 예측되면, 상기 대기 오염 지역의 운행 차량이 감소되도록 자율주행차량의 운행 경로를 안내하거나, 상기 교통 신호 장치를 제어하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템.
  6. 도로 노변에 설치되어 도로 상황 정보를 수집하는 단계,
    상기 도로 상황 정보 수집부에서 수집된 도로 상황 정보를 수신하고, 자율주행차량으로부터 자율주행차량 데이터를 수신하는 단계,
    상기 노변장치에서 전달되는 도로 상황 정보 및 자율주행차량 데이터와 외부 서버로부터 전달되는 도로 교통 관련 정보를 입력으로 인공지능 기반으로 교통 신호를 제어하는 단계, 그리고
    상기 교통 신호 운영 서버의 제어에 따라 교통 신호를 출력하는 단계
    를 포함하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 방법.
  7. 제 6 항에서,
    실시간으로 입력되는 도로 상황 정보, 자율주행차량 데이터 및 도로 교통 관련 정보를 기초로 교통 상황을 예측하고, 예측된 교통 상황에 따라 자율주행차량의 최적 운행 경로를 안내하거나, 상기 교통 신호 장치를 제어하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 방법.
  8. 제 7 항에서,
    자율주행차량과 일반차량의 비율이 미리 정해진 기준 이상인 도로에 대해서 자율주행차량 지정 차로 표시를 하도록 상기 교통 신호 장치를 제어하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 방법.
  9. 제 7 항에서,
    상기 도로 교통 관련 정보는,
    도로 정체 유발 이벤트 일정에 관한 소셜 네트워크 서비스 데이터를 포함하고,
    상기 교통 신호 운영 서버는 상기 소셜 네트워크 서비스 데이터를 교통 상황 예측에 반영하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 방법.
  10. 제 7 항에서,
    상기 도로 교통 관련 정보는 대기 오염 정보를 포함하고,
    상기 교통 신호 운영 서버는 미리 정해진 기준 이상의 대기 오염 지역이 발생하거나 발생이 예측되면, 상기 대기 오염 지역의 운행 차량이 감소되도록 자율주행차량의 운행 경로를 안내하거나, 상기 교통 신호 장치를 제어하는 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 방법.
  11. 컴퓨터에 상기한 제6항 내지 제10항 중 어느 한 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.


KR1020190159827A 2019-12-04 2019-12-04 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법 KR20210069954A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190159827A KR20210069954A (ko) 2019-12-04 2019-12-04 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190159827A KR20210069954A (ko) 2019-12-04 2019-12-04 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20210069954A true KR20210069954A (ko) 2021-06-14

Family

ID=76417511

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190159827A KR20210069954A (ko) 2019-12-04 2019-12-04 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20210069954A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220125659A (ko) * 2021-03-05 2022-09-14 주식회사 핀텔 스마트 교통관제 시스템
KR102556445B1 (ko) * 2022-10-13 2023-07-17 한국건설기술연구원 교통류 최적화를 위한 인프라 기반의 주행 가이던스 제공 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
KR102594587B1 (ko) * 2023-04-28 2023-10-26 주식회사 스마트비전 교통정보센터의 돌발 상황 정보 제공 시스템 및 방법
KR20230148980A (ko) * 2022-04-19 2023-10-26 조병완 전기, 수소, 무인, 자율 자동차를 위한 위치기반 사물인터넷 자율센싱 도로 시설 시스템 및 그 동작 방법
KR102638064B1 (ko) 2023-09-12 2024-02-21 한국건설기술연구원 인프라 가이던스를 이용한 자율 주행 지원 서비스 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220125659A (ko) * 2021-03-05 2022-09-14 주식회사 핀텔 스마트 교통관제 시스템
KR20230148980A (ko) * 2022-04-19 2023-10-26 조병완 전기, 수소, 무인, 자율 자동차를 위한 위치기반 사물인터넷 자율센싱 도로 시설 시스템 및 그 동작 방법
KR102556445B1 (ko) * 2022-10-13 2023-07-17 한국건설기술연구원 교통류 최적화를 위한 인프라 기반의 주행 가이던스 제공 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
KR102594587B1 (ko) * 2023-04-28 2023-10-26 주식회사 스마트비전 교통정보센터의 돌발 상황 정보 제공 시스템 및 방법
KR102638064B1 (ko) 2023-09-12 2024-02-21 한국건설기술연구원 인프라 가이던스를 이용한 자율 주행 지원 서비스 시스템

Similar Documents

Publication Publication Date Title
US11847908B2 (en) Data processing for connected and autonomous vehicles
KR20210069954A (ko) 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법
US11287270B2 (en) Systems and methods for safe route planning for a vehicle
RU2756872C1 (ru) Структура вероятностного отслеживания объектов и прогнозирования
US11131554B2 (en) Systems and methods for vehicle telemetry
RU2734744C1 (ru) Оперативное управление автономным транспортным средством, включающее в себя работу экземпляра модели частично наблюдаемого марковского процесса принятия решений
US20170169705A1 (en) Traffic signal timing estimation using an artificial neural network model
US20210276594A1 (en) Vehicle trajectory prediction near or at traffic signal
WO2016121572A1 (ja) 駐車場と目的地との関連付け
US9746853B2 (en) Traffic signal timing estimation using a support vector regression model
US20200286391A1 (en) Method and apparatus for computing a three-dimensional route based on risk-related data
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
US11237007B2 (en) Dangerous lane strands
WO2020139327A1 (en) Systems and methods for vehicle telemetry
CN108039046A (zh) 一种基于c-v2x的城市交叉路口行人检测识别系统
WO2020139324A1 (en) Systems and methods for safe route planning for a vehicle
CN113748448B (zh) 基于车辆的虚拟停止线和让行线检测
Choi et al. Framework for connected and automated bus rapid transit with sectionalized speed guidance based on deep reinforcement learning: Field test in Sejong city
WO2020139392A1 (en) Vehicle-based road obstacle identification system
US11685408B1 (en) Driving difficulty heat maps for autonomous vehicles
Bubelíny et al. The use of smart elements for the transport operation in the slovak cities
JP2024517167A (ja) 系統的最適化を伴う車両案内
Makhloga IMPROVING INDIA’S TRAFFIC MANAGEMENT USING INTELLIGENT TRANSPORTATION SYSTEMS
US20240071217A1 (en) Method and Processing System for Processing Probe Data and Probe
WO2020139388A1 (en) Vehicle-provided virtual stop and yield line clustering