KR20210117445A

KR20210117445A - 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법 및 이를 기록한 기록매체

Info

Publication number: KR20210117445A
Application number: KR1020200033654A
Authority: KR
Inventors: 박송희; 최도진; 임종태; 복경수; 유재수
Original assignee: 충북대학교 산학협력단
Priority date: 2020-03-19
Filing date: 2020-03-19
Publication date: 2021-09-29
Also published as: KR102341475B1

Abstract

본 발명의 어느 시점에서 특정 도로를 통행하는 차량 흐름의 속도인 도로 속도를 예측하는 방법에서, 도로 속도를 예측하고자 하는 도로(이하 '타겟 도로'라 함)의 도로 환경 데이터를 실시간으로 수집하는 단계, 수집된 도로 환경 데이터를 정규화하여 도로 속도 예측에 필요한 예측 데이터 집합을 생성하는 단계, 생성된 예측 데이터 집합을 입력 데이터로 하는 신경망 학습 모델을 통해 1차 예측 속도를 예측하는 단계, 상기 타겟 도로의 일반적인 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 상기 타겟 도로의 과거 평균 속도를 적용하는 단계, 상기 타겟 도로에서 발생하는 이벤트에 의해 급변하는 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 이벤트 가중치를 적용하는 단계 및 상기 이벤트 가중치와 상기 과거 평균 속도를 적용하는 오류 보정을 통해 최종 예측 속도를 예측하는 단계를 포함한다.

Description

도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법 및 이를 기록한 기록매체 {Road speed prediction method based on machine learning by analyzing road environment data, and recording medium thereof}

본 발명은 도로에서 차량의 흐름인 도로 속도를 예측하는 기술에 관한 것으로서, 더욱 상세하게는 도로 환경 데이터 분석을 통한 도로 속도 예측 기술에 관한 것이다.

교통 혼잡으로 발생하는 비용이 2015년부터 33조원을 넘어서면서, 전국의 지자체들은 교통난을 해소하기 위해 교통 체계를 개선하기 위한 다양한 정책을 시행하고 있다. 또한, 교통 정체에 따른 문제를 해결하기 위한 다양한 연구들이 진행되고 있다. 교통 혼잡을 예측하여 교통 혼잡 발생 비율을 줄일 수 있으며, 정체에 대한 대안을 미리 제시하여 교통 혼잡으로 발생하는 다양한 문제들을 피할 수 있다.

본 발명의 명세서에서 어느 시점에서 특정 도로를 통행하는 차량 흐름의 속도를 도로 속도라 명명하기로 한다.

국가 ITS 센터에서는 도로의 속도를 교통상황을 판단하는 지표로 활용하고 있다. 도로 속도 예측을 통해 도로 혼잡 상황을 예측하여 혼잡 상황을 피할 수 있으며, 도로 정체에 대한 대안을 미리 제시하여 교통 혼잡으로 발생하는 다양한 문제들을 피할 수 있다.

도로 속도는 교통 상황의 중요한 지표이며, 도로 속도에는 다양한 요소가 영향을 미친다. 도로 속도에 영향을 미치는 요소로는 도로의 속도, 도로가 수용할 수 있는 교통량, 시간에 따른 교통 흐름, 연결된 도로의 영향, 사고, 공사, 날씨 그리고 명절과 같은 특별한 날 등이 있다. 이와 같이 도로 속도에 영향을 미치는 요소를 도로 환경 데이터라고 정의한다. 도로 환경 데이터들은 교통 혼잡에 영향을 주므로 각 요소들 또는 결합된 요소들이 교통 혼잡에 미치는 영향을 분석할 필요가 있다.

과거의 도로 속도 예측 방법들은 속도와 교통량을 주로 고려하였고, 시간에 따른 속도와 교통량 변화를 이용하여 평상시 도로의 흐름을 반영하였다. 과거의 도로 속도 예측 방법들을 예시하면 다음과 같다.

베이지안 네트워크를 이용하여 교통 속도를 예측하는 방법(기존 방법 1)이 있다. 이 방법은 예측 정확도를 높이기 위해 예측 도로의 상·하류 도로의 교통 상태를 고려하였다.

그리고, LSTM(Long short-term memory 모델을 이용하여 단기 도로 속도를 예측하는 방식(기존 방법 2)이 있다. 이 방식은 타겟 도로와 연결된 도로의 과거 속도데이터를 LSTM의 입력 데이터로 활용하여 연결된 도로의 영향을 반영함으로써 가까운 미래의 속도를 예측하였다.

그리고, 저속 차량을 도로 혼잡의 핵심 요소로 판단하여 저속 차량의 수를 이용하여 도로의 혼잡도를 판단하는 방식(기존 방법 3)이 있다. 이 방식에서는 도로 혼잡도를 예측하기 위한 도구로 CNN(Convolution Neural Network) 모델을 이용했으며, 연결된 도로의 영향과 교통사고, 교통 단속 그리고 날씨의 영향을 고려하여 교통 혼잡도를 예측하였다.

이처럼, 속도와 교통량 변화를 이용한 도로 속도 예측 방법과 저속 차량의 수를 이용하여 교통 혼잡도를 예측하는 기존 방법은 도로 환경 데이터들을 고려하지 않았다.

기존 방법 1과 2에서는 연결된 도로가 미치는 영향을 고려하였고, 기존 방법 1은 5분에서 60분 후의 교통 속도를 예측했으나 현재 시간에서 멀어질수록 예측 오차가 커지며, 돌발 상황이 발생한 경우 예측 오차가 점차 증가하였다. 또한, 두 방법은 날씨와 사고와 같은 도로 환경 데이터들을 고려하지 않았다.

기존 방법 3은 과거 교통 혼잡도 데이터와 도로 환경 데이터를 추가적으로 고려하여 교통 혼잡도를 예측하였고, 도로 환경 데이터를 고려하기 위해 각 도로 환경 데이터를 0~1사이의 값으로 정규화 하여 완전 연결 신경망의 입력으로 사용하였다. 하지만 각 도로 환경 데이터들의 특성을 값으로 산출하는 방법을 제시하지 않았다.

또한, 대부분의 기존 관련 연구들은 날씨와 사고가 도로 속도에 미치는 영향을 고려하지 않았다. 예를 들어, 비가 많이 내리는 날에는 차량의 대부분 저속으로 주행하며, 사고 발생 시에 도로의 상태가 회복되는 시간이 지체된다. 따라서 날씨와 사고가 도로 속도에 미치는 영향을 고려할 필요가 있다.

기존의 도로 속도 예측 방법에서는 돌발 상황이 발생한 경우 예측 정확도가 크게 떨어지는 문제를 보완하기 위해 가장 최신의 도로 속도 데이터를 이용하였다. 하지만 예측 시점이 멀어지는 경우, 얻을 수 있는 가장 최신의 도로 속도 데이터를 반영한다고 하더라도 현재 시점과 예측 시점 사이에 발생하는 돌발 상황을 반영하기 어려운 한계가 있었다. 따라서 돌발 상황의 원인인 도로 환경데이터를 고려할 필요가 있다.

대한민국 등록특허 10-1638368

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명에서는 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법을 제안하는데 그 목적이 있다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

이와 같은 목적을 달성하기 위한 본 발명의 어느 시점에서 특정 도로를 통행하는 차량 흐름의 속도인 도로 속도를 예측하는 방법에서, 도로 속도를 예측하고자 하는 도로(이하 '타겟 도로'라 함)의 도로 환경 데이터를 실시간으로 수집하는 단계, 수집된 도로 환경 데이터를 정규화하여 도로 속도 예측에 필요한 예측 데이터 집합을 생성하는 단계, 생성된 예측 데이터 집합을 입력 데이터로 하는 신경망 학습 모델을 통해 1차 예측 속도를 예측하는 단계, 상기 타겟 도로의 일반적인 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 상기 타겟 도로의 과거 평균 속도를 적용하는 단계, 상기 타겟 도로에서 발생하는 이벤트에 의해 급변하는 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 이벤트 가중치를 적용하는 단계 및 상기 이벤트 가중치와 상기 과거 평균 속도를 적용하는 오류 보정을 통해 최종 예측 속도를 예측하는 단계를 포함한다.

상기 신경망 학습 모델은 LSTM(Long Short-Term Memory) 학습 모델로 구현될 수 있다.

상기 예측 데이터 집합은 타겟 도로의 속도 데이터와, 이웃 도로의 속도 데이터와, 날씨 데이터를 포함할 수 있다.

은 도로 R에서 수집한 전체 속도 데이터,

는 도로 R에서 수집한 t시간의 속도라고 할 때,

(1)의 수학식을 이용하여 속도 데이터를 정규화할 수 있다.

는 타겟 도로가 속한 지역의 t시간 동안의 강우량이라고 할 때,

(2)의 수학식을 이용하여 날씨 데이터를 정규화할 수 있다.

는 특정 요일의 과거 평균 속도 변화량,

는 특정 요일, t시간으로부터 15분 전의 과거 평균 속도,

는 특정 요일, t시간의 속도라고 할 때,

(4)의 수학식으로 나타낼 수 있고,

는 특정 요일, 특정 시간의 1차 예측 속도,

는 과거 평균 속도 적용 과정을 수행한 예측 속도라고 할 때,

(5)의 수학식으로 나타낼 수 있다. 여기서, 과거 평균적으로 속도가 감소하는 시간대에 예측한

가

보다 크면

로 1차 예측 속도를 대체하고, 그렇지 않으면 1차 예측 속도를 그대로 사용하는 방식으로, 상기 1차 예측 속도에 상기 타겟 도로의 과거 평균 속도를 적용하는 단계를 수행할 수 있다.

상기 1차 예측 속도에 이벤트 가중치를 적용하는 단계에서, 타겟 도로의 도로 속도가 급격히 감소되는 구간인 속도 감소 구간과, 급격히 감소된 속도가 회복되는 구간인 속도 회복 구간을 정의하고, 상기 속도 감소 구간에서 상기 1차 예측 속도에 감소 가중치를 적용하고, 상기 속도 회복 구간에서 상기 1차 예측 속도에 회복 가중치를 적용할 수 있다.

본 발명에서 수집된 도로 환경 데이터를 정규화하여, LSTM 학습 모델을 생성하기 위해 필요한 학습 데이터 집합을 생성하는 단계, 생성된 학습 데이터 집합을 입력으로 하는 LSTM 모델을 수행하는 단계 및 LSTM 모델을 통해 최적의 가중치를 업데이트하여 LSTM 학습 모델을 생성하는 단계를 더 포함할 수 있다.

본 발명에 의하면, 도로 환경 데이터를 분석을 통한 기계 학습 기반의 도로 속도 예측 방법을 제안함으로써, 갑작스런 날씨의 변화나, 교통 사고와 공사와 같은 도로 속도에 급격한 변화 흐름을 가져오는 돌발 상황을 고려하여 보다 정확한 도로 속도를 예측할 수 있는 효과가 있다.

도 1은 본 발명에서 제안하는 도로 속도 예측 방법의 전체 구조를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 도로 속도 예측 방법에서 예측 단계를 수행하는 과정을 상세히 도시한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 도로 속도 예측 방법에서 학습 단계를 수행하는 과정을 상세히 도시한 흐름도이다.
도 4는 제안하는 방법의 LSTM 모델 학습 절차를 나타낸다.
도 5는 시간에 따른 실제 도로의 속도와 1차 예측 속도를 도시한 그래프이다.
도 6은 2019년 5월 20일부터 8월 25일까지 약 3개월간의 요일, 시간별 타겟 도로의 평균 속도로 산출한 결과를 나타낸 그래프이다.
도 7은 출근 시간대의 요일별 과거 속도 변화량을 나타낸 그래프이다.
도 8은 과거 데이터를 이용하여 분석한 예측 속도 변화량에 따른 예측 속도의 오차율 통계를 나타낸다.
도 9는 본 발명의 일 실시예에 따른 감소 구간 가중치 적용 알고리즘을 나타낸다.
도 10은 예측 속도 변화량과 실제 속도의 관계를 나타낸다.
도 11은 본 발명의 일 실시예에 따른 회복 구간 가중치 적용 알고리즘을 나타낸다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

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 갖고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 갖는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 발명의 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법을 수행하는 주체는 도로 속도 예측 방법을 수행하는 제반 컴퓨터 장치라고 할 수 있으며, 또는 도로 속도 예측 방법을 수행하는 시스템 또는 장치를 전반적으로 제어하는 제어부나 프로세서(processor)일 수 있다. 즉, 본 발명의 도로 속도 예측 방법은 일종의 소프트웨어인 알고리즘으로 구성될 수 있으며, 소프트웨어 또는 알고리즘은 도로 속도 예측 방법을 수행하는 시스템, 장치의 제어부 또는 프로세서(processor)에서 실행될 수 있다.

본 발명에서는 도로 환경 데이터 분석을 통한 기계 학습 기반의 도로 속도 예측 방법을 제안한다. 본 발명은 기존 도로 속도 예측방법을 활용하여 연결된 도로의 영향을 반영하고, 날씨 요소를 추가하여 날씨가 도로 속도에 미치는 영향을 반영한다. 그리고, 도로의 일반적인 흐름을 깨는 교통사고나 도로 공사와 같은 돌발 상황이 발생하는 경우 예측 오차가 크게 증가하므로, 급격하게 도로의 흐름이 변화하는 구간에 제안하는 이벤트 가중치를 추가적으로 반영하여 예측 오차를 줄이고자 한다. 그리고, 예를 들어 30분 후의 도로 속도를 예측하는 경우, 예측 시점의 데이터가 가장 큰 영향을 미치면서 도로의 일반적인 흐름을 예측하지 못하는 경우가 있다. 이런 문제를 보완하기 위해 과거 평균 도로 속도를 분석하여 도로의 일반적인 흐름을 반영할 수 있는 예측 방법을 제안한다.

본 발명에서는 도로 환경 데이터를 고려한 도로 속도 예측 방법을 제안한다.

본 발명에서 제안하는 방법은 예측하고자 하는 도로, 즉 타겟 도로의 과거 속도 데이터와 과거 평균 속도 데이터를 이용하며, 도로 환경 데이터로 연결된 도로, 즉 이웃 도로의 과거 속도 데이터와 날씨 데이터를 고려한다. 또한, 사고나 공사와 같이 도로 속도에 급격한 변화 흐름을 가져오는 돌발 상황을 고려하기 위해 속도 변화량을 분석하여 이에 대한 영향을 반영한다. 따라서 날씨나 사고 공사 등으로 돌발 상황이 발생한 경우, 도로 속도 예측 정확도가 떨어지는 기존의 문제를 보완할 수 있으며, 과거 평균 속도 데이터를 이용하여 특정 도로의 일반적인 흐름을 반영할 수 있다.

도 1은 본 발명에서 제안하는 도로 속도 예측 방법의 전체 구조를 나타낸 도면이다.

도 1에서 본 발명에서 제안하는 도로 속도 예측 방법의 처리 과정은 온라인(online) 처리 과정인 예측 단계(S100)와 오프라인(offline) 처리 과정인 학습 단계(S200)로 구분할 수 있다.

먼저, 예측 단계(S100)에서는 실시간으로 수집되는 데이터에 대해 정규화 과정을 거쳐 예측 데이터 집합을 생성한다.

그리고, 생성한 데이터 집합을 학습된 LSTM(Long Short-Term Memory) 학습 모델의 입력 데이터로 사용하여 학습 모델을 통해 1차적으로 속도를 예측한다.

예측 데이터 집합은 현재 시점까지의 타겟 도로의 속도와, 이웃 도로의 속도와, 예보된 30분 후의 강수 데이터로 구성된다. 따라서 날씨와 이웃 도로의 영향을 반영하여 1차 예측 속도를 예측한다. 하지만 1차 예측 속도 예측에는 돌발 상황에 대한 영향이 고려되지 않았으며, 가장 최신의 데이터가 예측에 큰 영향을 미치면서 도로의 일반적인 흐름을 예측하지 못하는 경우가 발생한다.

따라서 돌발 상황에 의해 정확도가 떨어지는 문제를 보완하기 위해 1차 예측 속도에 이벤트에 의해 도로의 급변하는 흐름을 반영하기 위한 이벤트 가중치를 반영하며, 도로의 일반적인 흐름을 반영하기 위해 과거 평균 속도를 적용하여 1차 속도의 오류 보정을 통해 최종 속도를 예측한다.

학습 단계(S200)는 학습 데이터 집합을 LSTM 모델의 입력으로 넣어 LSTM 학습 모델을 생성한다. 학습 데이터 집합은 타겟 도로와 이웃 도로의 과거 평균 속도 데이터와 강수 데이터로 구성된다. LSTM 학습을 통해 예측 속도와 실제 속도를 비교하면서 최적의 가중치를 갖는 LSTM 학습 모델을 생성한다.

도 2는 본 발명의 일 실시예에 따른 도로 속도 예측 방법에서 예측 단계를 수행하는 과정을 상세히 도시한 흐름도이다.

도 2를 참조하면, 본 발명의 도로 속도 예측 방법에서 예측 단계(S100)를 수행하는 과정을 상세히 설명하면 다음과 같다.

먼저, 도로 속도를 예측하고자 하는 도로(이하 '타겟 도로'라 함)의 도로 환경 데이터를 실시간으로 수집한다(S110).

그리고, 수집된 도로 환경 데이터를 정규화하여 도로 속도 예측에 필요한 예측 데이터 집합을 생성한다(S120, S130). 본 발명의 일 실시예에서 예측 데이터 집합은 타겟 도로의 속도 데이터와, 이웃 도로의 속도 데이터와, 날씨 데이터를 포함할 수 있다.

그리고, 생성된 예측 데이터 집합을 입력 데이터로 하는 신경망 학습 모델을 통해 1차 예측 속도를 예측한다(S140).

그리고, 타겟 도로의 일반적인 차량 흐름을 반영하기 위해, 1차 예측 속도에 타겟 도로의 과거 평균 속도를 적용한다(S150).

그리고, 타겟 도로에서 발생하는 이벤트에 의해 급변하는 차량 흐름을 반영하기 위해, 1차 예측 속도에 이벤트 가중치를 적용한다(S160).

이벤트 가중치와 과거 평균 속도를 적용하는 오류 보정을 통해 최종 예측 속도를 예측한다(S170),

본 발명의 일 실시예에서 신경망 학습 모델은 LSTM(Long Short-Term Memory) 학습 모델로 구현될 수 있다.

본 발명의 1차 예측 속도에 이벤트 가중치를 적용하는 단계(S160)에서, 타겟 도로의 도로 속도가 급격히 감소되는 구간인 속도 감소 구간과, 급격히 감소된 속도가 회복되는 구간인 속도 회복 구간을 정의하고, 속도 감소 구간에서 1차 예측 속도에 감소 가중치를 적용하고, 속도 회복 구간에서 1차 예측 속도에 회복 가중치를 적용할 수 있다.

도 3은 본 발명의 일 실시예에 따른 도로 속도 예측 방법에서 학습 단계를 수행하는 과정을 상세히 도시한 흐름도이다.

도 3을 참조하면, 본 발명의 도로 속도 예측 방법에서 학습 단계(S120)를 수행하는 상세한 과정을 설명하면 다음과 같다.

먼저, 수집된 도로 환경 데이터를 정규화하여, LSTM 학습 모델을 생성하기 위해 필요한 학습 데이터 집합을 생성한다(S210).

그리고, 생성된 학습 데이터 집합을 입력으로 하는 LSTM 모델을 수행한다(S220).

그리고, LSTM 모델을 통해 최적의 가중치를 업데이트하여 LSTM 학습 모델을 생성한다(S230, S240).

신경망 모델을 이용한 예측 방법들은 높은 정확도를 보이며, 신경망 모델을 이용한 학습 방법에는 데이터의 형태가 많은 영향을 미친다. 따라서 LSTM 모델의 입력으로 사용할 학습 데이터 집합을 정규화한다. 예를 들어, 5분 단위로 집계된 타겟 도로와 이웃 도로의 속도 데이터와, 해당 지역의 강수량 데이터를 정규화한다. 이 단계의 목적은 원본 데이터를 신경망 모델 학습에 적합하도록 만드는 것이다.

학습 데이터 집합에는 때때로 누락 데이터가 있을 수 있다. 누락 데이터는 예측 모델의 성능을 크게 떨어뜨릴 수 있는 요소이며, 누락 데이터를 제거하거나 채우는 방식으로 처리할 수 있다. 수집한 속도 데이터에서 누락 데이터는 0.0으로 표시되어 있었다. 예를 들어, 도로 속도 데이터 특성상, 시간별 도로의 속도는 무시할 수 없는 요소이다. Python pandas 라이브러리에서 제공하는 fillna()함수를 이용하여 이웃하고 있는 값의 평균값으로 누락 데이터를 채울 수 있다. 연속으로 데이터가 누락된 경우에는 과거 같은 요일, 시 속도의 평균값으로 누락 데이터를 채울 수 있다.

신경망 모델에 입력되는 데이터는 각 데이터의 특성별로 독립적으로 정규화 해야 한다. 따라서 속도 데이터를 다음 식 1과 같이 정규화하고, 날씨 데이터를 다음 식 2와 같이 정규화 한다.

(1)

(2)

신경망 모델을 통해 쉽게 학습하기 위해서는 일반적으로 0~1사이의 값으로 데이터를 정규화하며, 이는 모든 특성이 비슷한 범위를 가지도록 균일해야 한다는 것을 의미한다.

식 1에서

은 도로 R에서 수집한 전체 속도 데이터를 의미하고,

는 도로 R에서 수집한 t시간의 속도를 의미한다. 각 도로의 일반적인 특성을 반영하기 위해 각 도로의 속도 데이터 중에서 가장 큰 값으로 해당 도로에서 수집한 속도 데이터를 나누어서 0에서 1사이의 값으로 모두 비슷한 범위를 가지도록 정규화 한다. 예를 들어,

이 110,

이 89라고 가정했을 때,

을 정규화하면 0.81이 된다.

식 2는 날씨 데이터 정규화 식을 나타낸다. 여기서,

는 타겟 도로가 속한 지역의 t시간 동안의 강우량을 의미한다. 날씨 데이터 정규화도 속도 데이터 정규화와 마찬가지로 수집한 날씨 데이터의 최댓값으로 나누어서 0에서 1사이 값으로 정규화 한다.

도로 속도 예측을 위해서는 예측 모델을 생성하기 위한 학습 데이터 집합과 실제 예측을 위해 사용할 예측 데이터 집합이 필요하다.

표 1은 데이터 전처리 과정을 수행한 데이터 예측 데이터 집합의 예시를 나타낸다. 여기서

는 i시점의 타겟 도로의 데이터이고,

는 i시점의 이웃 도로의 데이터를 의미하며,

(이하, '

'라 함)는 i+6시점의 예상 강수량을 의미하고, 모든 데이터는 5분 단위로 기록되어 있다. 예측을 하는 경우에는 실제 30분 후의 도로 속도와 강수량을 알 수 없으므로 i시점의 도로 속도 데이터와 i+6시점의 예상 강수량을 이용하여 표 1과 같이 예측 데이터 집합을 구성한다.

표 2는 학습 데이터 집합 예시를 나타낸다. 학습 데이터 집합은 예측한 도로 속도와 실제 30분 후의 도로 속도를 비교하는 과정을 반복하여 예측 모델을 생성하는 데 이용한다. 학습 시에는 과거 데이터를 이용하기 때문에 i+6시점의 실제 속도와 강수량을 얻을 수 있다. 따라서 i시점과 i+6시점의 실제 타겟 도로의 속도 데이터와 i+6시점의 실제 강수량인

를 표 2와 같이 같은 열로 구성한다.

본 발명에서는 이웃 도로와 날씨의 영향을 반영하여 도로 속도를 예측하기 위해 LSTM 학습 모델을 생성한다. 본 발명에서 학습 단계(S200)의 오프라인 처리에서 LSTM 학습 모델을 생성하는 과정을 수행한다.

도 4는 제안하는 방법의 LSTM 모델 학습 절차를 나타낸다.

도 4를 참조하면 LSTM 모델은 LSTM(410), 드롭아웃(Dropout)(420), 덴스(Dense)(430) 레이어(layer)로 구성된다. 표 2 형식으로 구성한 학습 데이터 집합을 LSTM 레이어의 입력으로 넣는다.

는 현재 타겟 도로의 데이터이고,

는 현재 이웃 도로의 데이터를 의미하며,

는 타겟 도로가 위치한 지역에서 수집한 t+6 시점의 강수량 데이터로, 이 데이터들을 사용하여 30분 전의 타겟도로와 이웃 도로, 그리고 예측 시점의 강수량이 타겟 도로의 속도에 미치는 영향을 반영할 수 있다.

학습 데이터 집합의 30분 후의 실제 도로 속도(

)는 손실 값 계산 단계에서 사용한다. 과적합을 방지하기 위해서 드롭아웃(Dropout) 레이어(420)를 더했으며, 0.3의 비율을 적용한다.

다음으로, 모든 입력 뉴런과 출력 뉴런을 연결하는 덴스(Dense) 레이어(430)을 통해서 하나의 결과를 출력하도록 설정한다.

는 예측한 타겟 도로의 속도를 의미한다.

(3)

그리고,손실 함수 MSE(Mean squared error)를 이용하여 식 3과 같이

와

의 오차를 계산한다. 이때, 손실 값이 작을수록 높은 정확도로 예측했음을 의미한다.

본 발명의 일 실시예에서 학습 속도를 빠르고 안정적이게 할 수 있도록 최적화 함수로 adam을 사용하며, 이 값을 가장 작게 만들 수 있는 최적의 가중치를 구하기 위해 역전파 과정을 수행할 수 있다. 이 과정을 반복하여 최적의 가중치를 갖는 예측 모델을 생성한다.

본 발명에서 학습 단계(S200)의 오프라인 처리에서 타겟 도로 속도에 영향을 미치는 도로 환경 데이터인 이웃 도로들과 강수량의 영향을 반영하여 최적의 가중치를 갖는 모델을 생성한다.

그리고, 생성된 LSTM 학습 모델을 이용하여 30분 후의 도로 속도를 예측한다. 이 단계에서 예측한 속도는 1차 예측 속도라고 정의한다. 1차 예측 속도를 예측하기 위해 타겟 도로와 이웃 도로들의 속도 데이터, 그리고 30분 후의 예상 강수량 데이터로 구성된 예측 데이터 집합을 이용한다. 예측 데이터 집합을 학습된 LSTM 모델의 입력 데이터로 넣어 최적의 가중치를 이용하여 30분 후의 도로 속도를 예측한다.

도 5는 시간에 따른 실제 도로의 속도와 1차 예측 속도를 도시한 그래프이다.

예를 들어, 2019년 9월 9일은 비가 오지 않은 날로, 강수의 영향을 받지 않았다. 이 경우, 기존 방법으로 가까운 미래의 도로 속도를 예측한 경우에는 높은 정확도로 예측가능했지만 먼 미래의 도로 속도를 예측하는 경우 오차가 크게 나타난다.

도 5를 보면, 30분 전의 속도 패턴을 유사하게 따라가고 있으며, 출근 시간대에 급변하는 도로 속도의 변화와 예기치 못한 사건으로 도로 속도가 급변하는 흐름을 완만한 곡선으로 반영함으로써, 실제 속도와 예측 속도의 차이가 커지는 것을 볼 수 있다. 이처럼, 1차 예측 속도 예측 단계에서는 이웃 도로와 강수의 영향을 고려했으나 추가적으로 도로 상황을 급변하게 하는 요소들을 고려할 필요가 있다. 따라서, 본 발명에서는 과거 평균 도로 속도와 도로 속도 변화량을 분석하여 1차 예측 속도를 보정하여 최종 예측 속도의 정확도를 높인다.

전술한 바와 같이, LSTM 학습 모델만으로 예측한 1차 예측 속도는 바로 이전 시점의 속도 데이터가 가장 큰 영향을 미치므로, 실제 속도를 뒤늦게 따라가는 흐름을 보인다. 예를 들어, 출근 시간에 평균적으로 속도가 감소하는 구간과 급격한 변화가 일어나는 구간을 뒤늦게 완만한 곡선으로 예측함을써, 예측 오차가 커진다.

따라서 본 발명에서는 1차 예측 속도를 보정하여 예측 정확도를 높이기 위해 두 가지 예측 속도 보정 모듈을 수행한다.

먼저, 과거 평균 속도 데이터를 이용하여 도로의 평균적인 흐름을 반영하고자 한다. 그리고 교통사고나 도로 공사와 같은 이벤트 구간의 속도 변화량을 분석을 통해 이벤트 가중치를 적용하여 도로의 일반적이지 않은 흐름을 반영한다. 이러한 두 가지 예측 속도 보정 모듈에 관한 세부 기능을 자세히 설명한다.

도로의 속도는 요일, 시간에 따라 유사한 흐름을 보인다.

도 6은 2019년 5월 20일부터 8월 25일까지 약 3개월간의 요일, 시간별 타겟 도로의 평균 속도로 산출한 결과를 나타낸 그래프이다.

도 6에서 보는 바와 같이, 녹색 꺾은선은 평일 도로 속도의 흐름을 의미하고, 붉은색 꺾은선은 주말 도로 속도의 흐름을 의미한다. 평일은 출근 시간 도로 정체의 영향을 받아서 6시부터 9시 사이 급격한 속도 감속으로 정체 구간이 발생하며, 퇴근 시간은 대체적으로 낮은 속도를 보인다. 주말은 출·퇴근의 영향을 받지 않아서 평일에 발생하는 정체구간이 발생하지 않으며, 평일보다 원활한 도로의 흐름을 보인다. 이러한 급격한 흐름의 변화는 기존 방법으로 예측이 어렵다. 따라서 평일 속도를 예측하는 경우, 평일에 일반적으로 발생하는 출근 시간 정체 구간의 영향을 1차 예측 속도에 반영한다.

먼저, 과거 평균 속도 변화량에 따라서 평균적으로 속도가 감소하는 구간을 정의한다. 다음으로, 속도 감소 구간의 과거 평균 속도와 1차 예측 속도를 비교하여 조건에 따라 과거 평균 속도를 적용한다.

먼저, 과거에 평균적으로 속도가 감소하는 구간은 시간별 과거 평균 속도 변화량 통계 값을 이용하여 정의한다. 과거 속도 변화량은 식 4로 계산한다.

(4)

여기서,

는 특정 요일의 과거 평균 속도 변화량을 의미하며,

는 특정 요일, t시간으로부터 15분 전의 과거 평균 속도를 의미하고,

는 특정 요일, t시간의 속도를 의미한다. 따라서, 식 4에서

가 0보다 크다면 15분 동안 속도가 감소했음을 의미하고, 반대로 0보다 작다면 15분 동안 속도가 상승했음을 의미한다.

도 7은 출근 시간대의 요일별 과거 속도 변화량을 나타낸 그래프이다.

도 7을 참조하면, 평균적으로 오전 5시 40분부터 모든 요일의 평균 속도 변화량이 양의 방향으로 증가하는 것을 볼 수 있다. 그리고 6시 30분부터는 속도 변화량이 음의 방향으로 감소하므로 평일 5시 40분부터 6시 25분까지를 과거 평균 속도를 적용하는 구간으로 정의한다.

그리고, 정의한 구간에 과거 평균 속도 적용 여부를 판단해야 한다.

(5)

식 5는 과거 평균 속도를 적용하는 조건을 나타낸다. 여기서,

는 특정 요일, 특정 시간의 1차 예측 속도를 의미하고,

는 타겟 도로의 특정 요일, 특정 시간의 과거 평균 속도를 의미한다.

는 과거 평균 속도 적용 과정을 수행한 예측 속도이다. 과거 평균적으로 속도가 감소하는 시간대에 예측한

가

보다 크면

로 1차 예측 속도를 대체한다. 그렇지 않은 경우, 그 날은 일반적이지 않은 흐름을 보인 것으로 판단하여 1차 예측 속도를 그대로 사용한다.

본 발명에서 과거 평균 속도를 적용하여 1차 예측 속도를 보정함으로써, 타겟 도로의 일반적인 흐름을 반영하여 정확도를 높일 수 있다. 하지만 사고나 공사와 같은 이벤트가 발생한 경우, 도로 속도가 급격히 감소하는 일반적이지 않은 흐름을 나타낼 수 있다. 이를 반영하기 위해 본 발명에서는 실시간으로 기록되는 사고와 공사 데이터를 이용한다. 사고 데이터를 사용하기 위해서는 실시간으로 기록되는 사고 정보를 읽어서 사고 발생 위치와 사고의 유형을 반영해야 한다. 하지만 사고가 발생하는 시점과 사고가 기록되는 시점이 다르며, 대부분의 사고 데이터가 정확하지 않다. 따라서 본 발명에서는 속도 급감 구간에 이벤트 가중치를 적용하여 단순한 계산만으로 일반적이지 않은 도로의 흐름을 반영할 수 있는 방법을 제안한다.

도로에서 이벤트가 발생한 경우, 도로의 속도는 급격히 감소했다가 회복하는 패턴을 보인다. 그래서 속도 감소 구간과 속도 회복 구간에 각각 감소 가중치와 회복 가중치를 적용하여 1차 예측 속도에서 발생했던 오차를 줄인다.

먼저, 속도 변화량과 오차율의 관계 분석을 통해 감소 구간과 회복 구간을 정의한다. 감소 구간을 판단하는 기준을 정의하기 위해서 실제 속도 변화량과 예측 속도 변화량을 활용하며, 이벤트 가중치 적용 시에는 예측 속도 변화량과 과거 실제 속도 변화량을 이용한다. 예측 속도의 변화량과 과거 실제 속도 변화량, 그리고 실제 속도의 변화량은 다음 식 6, 7, 8과 같이 각각 계산한다.

(6)

(7)

(8)

식 6에서 타겟 도로의 1차 예측 속도 변화량인

는 t시점을 현재 시점으로 봤을 때, 15분 이전의 예측 속도와의 차를 의미하며, t의 단위는 5분으로 정의한다.

식 7에서 t시점에서 타겟 도로의 속도를 예측하고자 할 때, 얻을 수 있는 실제 속도는 30분 전의 데이터이므로 45분전의 실제 속도와의 차를 계산한다. 이는 식 7과 같이 계산한다.

마지막으로 식 8에서 실제 속도 변화량인

은 t시점으로부터 15분 이전의 실제 속도와의 차를 의미한다.

본 발명에서 속도 변화량에 따른 예측 속도의 오차율 통계 값을 이용하여 속도 감소 구간의 기준 값을 정의한다.

(9)

예측 속도의 오차율은 식 9와 같이 계산하며, 오차율이 1에 가까울수록 정확도가 높은 것을 의미한다.

식 9에서

는 t시간, 타겟 도로의 예측 속도 오차율을 의미한다. 식 9에서 오차율이 1 이상이면 실제 속도보다 낮게 예측했음을 의미하며, 1 이하이면 실제 속도보다 높게 예측했음을 의미한다.

본 발명에서 속도 감소 구간과 속도 회복 구간을 판단하기 위해 과거 이벤트 발생 시 도로의 속도 변화량이 예측 오차율에 미친 영향을 분석하였다. 먼저, 1차 예측 속도의 변화량으로 속도 감소 추세를 알 수 있다. 하지만 예측 속도는 뒤늦게 도로 속도의 흐름을 따라가며, 실제 속도보다 완만한 흐름을 보이므로 정확한 감소 추세를 알 수는 없다. 따라서, 본 발명에서는 과거 실제 속도 변화량을 추가적으로 이용하여 속도 급감 구간을 판단한다.

도 8은 과거 데이터를 이용하여 분석한 예측 속도 변화량에 따른 예측 속도의 오차율 통계를 나타낸다.

도 8에서 주황색 막대그래프는 예측 속도 변화량을 의미한다. 예측 속도 변화량이 5이하인 경우에는 1에 가까운 수치로 높은 정확도를 보이며, 예측 속도 변화량이 6이상 증가하는 경우 오차율이 낮아진다.

그리고 예측 속도 변화량이 14이상 증가하는 경우, 오히려 오차율이 1이상으로 높아지는데 이는 급격히 감소한 이후에 도로 속도가 바로 회복되기 때문에 이러한 현상이 발생한다.

이러한 통계 분석에 따라서 속도 감소 구간을 결정하는 첫 번째 기준을 예측 속도 변화량이 6이상일 때로 정의한다. 하지만 예측 속도는 실제 속도보다 완만한 흐름을 보이므로 정확한 감소 추세를 알 수 없다. 따라서 실제 속도 변화량을 추가적으로 고려하여 속도 감소 구간의 판단 기준을 정의한다.

도 8에서 파란색 막대그래프는 실제 속도 변화량을 의미한다. 실제 속도 변화량이 4이상부터 정확도가 낮아지고 있으며, 10까지 정확도가 낮아지고 그 이후로 증감을 반복한다. 따라서, 실제 속도 변화량이 10이상 일 때를 두 번째 속도 감소 구간의 판단 기준으로 정의한다.

본 발명에서 예측 속도와 실제 속도 변화량에 따른 오차율 분석을 통해 두 가지 속도 감소 구간 판단 기준을 정의하였다. 이러한 기준에 부합하는 경우, 1차 예측 속도에 가중치를 주어 속도를 보정한다. 예를 들어, 가중치는 속도 급감 구간의 기준이 되는 두 변화량의 평균 오차율 값인 0.8로 정의하여 예측 속도에서 20% 감소한 속도를 반영할 수 있다. 그리고, 30분 이후부터 가중치를 높여준다.

도 8의 주황색 막대 그래프는 회복 구간이 발생하면서 오차율이 증가하는 것으로 보이지만, 실제 속도 변화량 그래프인 파란색 그래프를 보면, 속도 변화량이 증가할수록 예측 오차율이 낮아지는 것을 볼 수 있다. 이는 속도가 크게 감소할수록 실제 속도보다 예측 속도를 더 높게 예측했으며, 그 차가 커지는 것을 의미한다. 따라서, 다음 표 3과 같이 예측 속도 변화량에 따라 감소 가중치(

)를 다르게 정의한다.

도 9는 본 발명의 일 실시예에 따른 감소 구간 가중치 적용 알고리즘을 나타낸다.

도 9를 참조하면, 두 가지 속도 감소 구간 판단 기준을 만족하면 표 3에 따라서 감소 가중치를 변경시킨다.

다음으로, 1차 예측 속도에 감소 가중치를 곱하여 1차 예측 속도를 보정하고 카운트를 증가시킨다. 여기서, 카운트 1은 5분을 의미하며, 30분 이후에는 이미 속도 흐름의 추세를 반영할 수 있으므로 감소 가중치를 높여준다. 감소 가중치 1은 의미가 없는 값이므로 감소 가중치 반영을 중단한다.

그리고, 감소 구간 판단 기준에 부합하더라도 회복 구간 판단 기준에 부합하면 감소 가중치 반영을 중단하고 회복 가중치 적용 알고리즘을 수행한다.

본 발명에서 속도 회복 구간을 판단하기 위해 예측 속도의 변화량과 실제 속도의 관계를 분석하였다.

도 10은 예측 속도 변화량과 실제 속도의 관계를 나타낸다.

도 10에서 붉은색 막대 그래프를 보면, 1차 예측 속도 변화량이 급격히 10이상 증가했음에도 불구하고 완만한 곡선으로 속도가 낮아지고 있다.

그리고, 파란색 막대 그래프를 보면, 예측 속도 변화량이 11까지 치솟기 전에 실제 속도는 이미 음의 방향에서 양의 방향으로 전환되며 회복 구간을 형성하였다. 이는 실제 속도 변화량

가 양수에서 음수로 전환된 것과 같은 의미이다.

이처럼 이벤트가 발생한 경우, 도로의 속도는 급격히 감소했다가 회복하는 패턴을 보인다. 속도가 감소하는 구간에서는 과거 실제 속도 변화량이 양수이지만, 속도가 증가하는 구간에서는 음수로 나타난다. 따라서, 본 발명에서는 과거 실제 속도 변화량인

가 양수에서 음수로 전환되는 시점을 회복 구간으로 판단한다.

속도 회복 구간으로 판단되면 회복 가중치를 적용하여 속도를 보정한다. 회복 가중치는 감소 가중치와 반대로 예측 속도의 20% 증가한 값으로 보정할 수 있도록 회복 가중치를 1.2로 정의한다.

도 11은 본 발명의 일 실시예에 따른 회복 구간 가중치 적용 알고리즘을 나타낸다.

도 11에서 과거 속도 변화량이 음수로 전환되면 회복 구간으로 판단하고, 회복 가중치가 1보다 큰 경우에, 1차 예측 속도에 회복 가중치를 적용하여 속도를 보정한다. 회복 구간은 비교적 완만한 곡선을 띄며 회복되며, 30분 후에는 1차 예측 속도도 회복 구간의 추세를 반영할 수 있으므로 30분 이후로 가중치를 0.1씩 낮춰주며 적용한다.

본 발명에서 제안하는 방법은 도로 속도를 예측하고자 하는 도로, 즉 타겟 도로의 과거 속도 데이터와 과거 평균 속도 데이터를 이용하며, 도로 환경 데이터로 연결된 도로, 즉 이웃 도로의 과거 속도 데이터와 날씨 데이터를 고려한다. 또한, 사고나 공사와 같이 도로 속도에 급격한 변화 흐름을 가져오는 돌발 상황을 고려하기 위해 속도 변화량을 분석하여 이에 대한 영향을 반영한다. 따라서 날씨나 사고 공사 등으로 돌발 상황이 발생한 경우 도로 속도 예측 정확도가 떨어지는 기존의 문제를 보완할 수 있으며, 과거 평균 속도 데이터를 이용하여 특정 도로의 일반적인 흐름을 반영할 수 있다.

한편, 본 발명의 실시예에 따른 도로 속도 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다.

예컨대, 컴퓨터가 읽을 수 있는 기록매체로는 롬(ROM), 램(RAM), 시디-롬(CD-ROM), 자기 테이프, 하드디스크, 플로피디스크, 이동식 저장장치, 비휘발성 메모리(Flash Memory), 광 데이터 저장장치 등이 포함된다.

또한, 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

410 LSTM 레이어 420 드롭아웃 레이어
430 덴스 레이어

Claims

어느 시점에서 특정 도로를 통행하는 차량 흐름의 속도인 도로 속도를 예측하는 방법에서,
도로 속도를 예측하고자 하는 도로(이하 '타겟 도로'라 함)의 도로 환경 데이터를 실시간으로 수집하는 단계;
수집된 도로 환경 데이터를 정규화하여 도로 속도 예측에 필요한 예측 데이터 집합을 생성하는 단계;
생성된 예측 데이터 집합을 입력 데이터로 하는 신경망 학습 모델을 통해 1차 예측 속도를 예측하는 단계;
상기 타겟 도로의 일반적인 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 상기 타겟 도로의 과거 평균 속도를 적용하는 단계;
상기 타겟 도로에서 발생하는 이벤트에 의해 급변하는 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 이벤트 가중치를 적용하는 단계; 및
상기 이벤트 가중치와 상기 과거 평균 속도를 적용하는 오류 보정을 통해 최종 예측 속도를 예측하는 단계
를 포함하는 도로 속도 예측 방법.
청구항 1에 있어서,
상기 신경망 학습 모델은 LSTM(Long Short-Term Memory) 학습 모델인 것임을 특징으로 하는 도로 속도 예측 방법.
청구항 2에 있어서,
상기 예측 데이터 집합은 타겟 도로의 속도 데이터와, 이웃 도로의 속도 데이터와, 날씨 데이터를 포함하는 것을 특징으로 하는 도로 속도 예측 방법.
청구항 3에 있어서,

은 도로 R에서 수집한 전체 속도 데이터,
는 도로 R에서 수집한 t시간의 속도라고 할 때,

(1)
의 수학식을 이용하여 속도 데이터를 정규화하는 것을 특징으로 하는 도로 속도 예측 방법.
청구항 4에 있어서,

는 타겟 도로가 속한 지역의 t시간 동안의 강우량이라고 할 때,

(2)
의 수학식을 이용하여 날씨 데이터를 정규화하는 것을 특징으로 하는 도로 속도 예측 방법.
청구항 5에 있어서,

는 특정 요일의 과거 평균 속도 변화량,
는 특정 요일, t시간으로부터 15분 전의 과거 평균 속도,
는 특정 요일, t시간의 속도라고 할 때,

(4)
의 수학식으로 나타낼 수 있고,

는 특정 요일, 특정 시간의 1차 예측 속도,
는 과거 평균 속도 적용 과정을 수행한 예측 속도라고 할 때,

(5)
의 수학식으로 나타낼 수 있고,
여기서, 과거 평균적으로 속도가 감소하는 시간대에 예측한
가
보다 크면
로 1차 예측 속도를 대체하고, 그렇지 않으면 1차 예측 속도를 그대로 사용하는 방식으로, 상기 1차 예측 속도에 상기 타겟 도로의 과거 평균 속도를 적용하는 단계를 수행하는 것을 특징으로 하는 도로 속도 예측 방법.
청구항 6에 있어서,
상기 1차 예측 속도에 이벤트 가중치를 적용하는 단계에서,
타겟 도로의 도로 속도가 급격히 감소되는 구간인 속도 감소 구간과, 급격히 감소된 속도가 회복되는 구간인 속도 회복 구간을 정의하고, 상기 속도 감소 구간에서 상기 1차 예측 속도에 감소 가중치를 적용하고, 상기 속도 회복 구간에서 상기 1차 예측 속도에 회복 가중치를 적용하는 것을 특징으로 하는 도로 속도 예측 방법.
청구항 7에 있어서,
수집된 도로 환경 데이터를 정규화하여, LSTM 학습 모델을 생성하기 위해 필요한 학습 데이터 집합을 생성하는 단계;
생성된 학습 데이터 집합을 입력으로 하는 LSTM 모델을 수행하는 단계; 및
LSTM 모델을 통해 최적의 가중치를 업데이트하여 LSTM 학습 모델을 생성하는 단계를 더 포함하는 것을 특징으로 하는 도로 속도 예측 방법.
청구항 1 내지 청구항 8 중 어느 한 청구항의 방법을 컴퓨터로 실행시킬 수 있는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.