KR20210127533A - 인공지능 기반 교통신호 제어 장치 및 방법 - Google Patents

인공지능 기반 교통신호 제어 장치 및 방법 Download PDF

Info

Publication number
KR20210127533A
KR20210127533A KR1020200045545A KR20200045545A KR20210127533A KR 20210127533 A KR20210127533 A KR 20210127533A KR 1020200045545 A KR1020200045545 A KR 1020200045545A KR 20200045545 A KR20200045545 A KR 20200045545A KR 20210127533 A KR20210127533 A KR 20210127533A
Authority
KR
South Korea
Prior art keywords
traffic
signal control
traffic signal
signal
situation information
Prior art date
Application number
KR1020200045545A
Other languages
English (en)
Other versions
KR102329826B1 (ko
Inventor
윤일수
정하림
박성호
박상민
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020200045545A priority Critical patent/KR102329826B1/ko
Publication of KR20210127533A publication Critical patent/KR20210127533A/ko
Application granted granted Critical
Publication of KR102329826B1 publication Critical patent/KR102329826B1/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
    • G08G1/081—Plural intersections under common control
    • 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
    • G08G1/02—Detecting movement of traffic to be counted or controlled using treadles built into the road
    • 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
    • G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치는 도로의 교통상황정보를 수집하는 상황정보 수집부, 상기 교통상황정보를 입력으로 하고, 상기 교통상황정보에 따른 신호시간 계획을 출력으로 하는 인공지능 기반의 교통신호 제어 모델을 구축하는 모델 구축부 및 실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성하는 교통신호 제어부를 포함하되, 상기 모델 구축부는, 상기 신호시간 계획을 출력하는 상기 교통신호 제어 모델의 학습을 반복하되, 도로의 평균 정지지체를 최소화하는 상기 신호시간 계획을 출력하도록 학습을 반복 수행할 수 있다.

Description

인공지능 기반 교통신호 제어 장치 및 방법{DEVICE AND METHOD FOR ARTIFICIAL INTELLIGENCE-BASED TRAFFIC SIGNAL CONTROL}
본원은 인공지능 기반 교통신호 제어 장치 및 방법에 관한 것이다.
전 세계적으로 도시지역에서는 교통 혼잡이 일상이 되었으며, 교통 혼잡으로 인한 사회적 비용은 매년 증가하고 있는 추세이다. 실제로 교통혼잡비용은 매년 증가하고 있는 추세이며, 2009년부터 2015년까지 연평균 2.76%로 증가하고 있다. 특히 7대 대도시에서 발생한 교통혼잡비용은 전체의 63.8%를 차지하는 것으로 분석되었다. 도심지역에서 발생하는 교통 혼잡을 완화하기 위해서는 도로의 신설 및 확충 등으로 도로의 용량을 증대시킬 수 있으나, 이는 막대한 자원과 시간이 소요되는 문제가 있어 현실적으로 교통 혼잡을 해결하는데 한계가 있다. 또한, 지속적인 도로 건설을 통해 도로 용량을 확보해 왔음에도 불구하고 도로 용량의 확보가 차량 수의 증가를 감당하지 못하고 있다.
도시지역의 교통 혼잡의 원인은 대표적인 교통 통제 시설인 교통신호기의 운영에 있을 수 있다. 하지만 교차로의 교통신호 운영은 교통의 흐름, 교통용량 증대 및 직각 충돌 사고 회피 등 다양한 이유로 반드시 필요한 교통 통제 시설이다. 기존 교통신호 운영 방법 중 하나인 정주기식 교통신호 운영(fixed time traffic signal control)은 교통량 조사 자료에 기반을 둔 시간제 교통신호 제어 방식(time of day, TOD)을 바탕으로 운영된다. 이러한 정주기식 교통신호 운영은 기존 조사 자료에 근거하다 보니 교통 변화에 대해 즉각적인 대응이 어려운 문제가 있으며, 신호시간을 자주 갱신할 수 없어 교통상황을 반영하지 못하는 한계가 있다. 교통상황을 반영하지 않게 되면 올바르지 못한 교통신호 운영을 하게 되며, 이는 과도한 대기로 인한 지체를 발생시킬 수 있다.
최근 인공지능(artificial intelligence, AI) 기술의 발달로 인공지능 기술을 적용하여 현실에서 존재하는 다양한 문제를 해결하기 위한 노력이 증대되고 있다. 교통분야에서도 인공지능 기술을 적용하여 불확실성이 높은 문제를 해결하고자 하는 시도가 있었다. 그러나, 인공지능 기술을 실제 도로 현황에 반영하기에는 아직 해결해야할 과제들이 많으며, 도심지 교통 혼잡 완화를 위한 교통신호 제어에 대한 다양한 연구가 필요한 실정이다.
본원의 배경이 되는 기술은 한국등록특허공보 제 10-1846663호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 인공지능 기반의 교통신호 제어 모델을 구축하여 교통상황에 적합한 신호 제어가 가능한 인공지능 기반 교통신호 제어 장치 및 방법을 제공하는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 교통신호 제어 알고리즘을 개발하는데 있어 강화학습을 통해 보다 최적화되고 신뢰도가 확보된 교통신호의 제어가 가능한 인공지능 기반 교통신호 제어 장치 및 방법을 제공하는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치는 도로의 교통상황정보를 수집하는 상황정보 수집부, 상기 교통상황정보를 입력으로 하고, 상기 교통상황정보에 따른 신호시간 계획을 출력으로 하는 인공지능 기반의 교통신호 제어 모델을 구축하는 모델 구축부 및 실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성하는 교통신호 제어부를 포함하되, 상기 모델 구축부는, 상기 신호시간 계획을 출력하는 상기 교통신호 제어 모델의 학습을 반복하되, 도로의 평균 정지지체를 최소화하는 상기 신호시간 계획을 출력하도록 학습을 반복 수행할 수 있다.
본원의 일 실시예에 따르면, 상기 상황정보 수집부는, 각 도로에 설치된 루프 검지기를 통해 주기별 교통상황정보를 측정하고, 상기 교통상황정보는 주기당 교차로의 각 접근로 별 최대 대기행렬 길이를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 교통신호 제어 모델은, 단위 시간에 기반하여 신호 유지 시간을 제어하는 상기 신호시간 계획을 출력하되, 상기 신호시간 계획은 신호의 주기별로 해당 교통상황에 대응하여 설정될 수 있다.
본원의 일 실시예에 따르면, 상기 모델 구축부는, 상기 교통상황정보에 따른 상기 주기별 신호시간 계획의 산출 및 상기 평균 정지지체의 피드백을 누적하여 학습 데이터를 구축할 수 있다.
본원의 일 실시예에 따르면, 상기 교통신호 제어부는 상기 학습 데이터 중 실시간 교통상황정보에 대응하여 차량의 통행속도 및 대기행렬길이를 최적화하는 주기별 신호시간 계획을 선별하여 상기 교통신호를 제어할 수 있다.
본원의 일 실시예에 따르면, 상기 교통신호 제어부는, 연동 교차로에서 교차로간 연동축의 접근로에서의 통행 속도, 최대 대기행렬길이를 고려하여 상기 평균 정지지체를 최소화하는 신호제어에 대한 옵셋을 결정하여 각 교차로의 교통신호를 제어할 수 있다.
본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 방법은 도로의 교통상황정보를 수집하는 단계, 상기 교통상황정보를 입력으로 하고, 상기 교통상황정보에 따른 신호시간 계획을 출력으로 하는 인공지능 기반의 교통신호 제어 모델을 구축하는 단계 및 실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성하는 단계를 포함하되, 상기 교통신호 제어 모델을 구축하는 단계는, 상기 신호시간 계획을 출력하는 상기 교통신호 제어 모델의 학습을 반복하되, 도로의 평균 정지지체를 최소화하는 상기 신호시간 계획을 출력하도록 학습을 반복 수행할 수 있다.
본원의 일 실시예에 따르면, 상기 교통상황정보를 수집하는 단계는, 각 도로에 설치된 루프 검지기를 통해 주기별 교통상황정보를 측정하고, 상기 교통상황정보는 주기당 교차로의 각 접근로 별 최대 대기행렬 길이를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 교통신호 제어 모델은, 단위 시간에 기반하여 신호 유지 시간을 제어하는 상기 신호시간 계획을 출력하되, 상기 신호시간 계획은 신호의 주기별로 해당 교통상황에 대응하여 설정될 수 있다.
본원의 일 실시예에 따르면, 상기 교통신호 제어 모델을 구축하는 단계는, 상기 교통상황정보에 따른 상기 주기별 신호시간 계획의 산출 및 상기 평균 정지지체의 피드백을 누적하여 학습 데이터를 구축할 수 있다.
본원의 일 실시예에 따르면, 상기 신호제어명령을 생성하는 단계는, 상기 학습 데이터 중 실시간 교통상황정보에 대응하여 차량의 통행속도 및 대기행렬길이를 최적화하는 주기별 신호시간 계획을 선별하여 상기 교통신호를 제어할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 인공지능 기반의 교통신호 제어 모델을 구축하여 교통상황에 적합한 신호 제어가 가능한 인공지능 기반 교통신호 제어 장치 및 방법을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 교통신호 제어 모델에 대한 강화학습을 통해 보다 최적화되고 신뢰도가 확보된 교통신호의 제어가 가능한 인공지능 기반 교통신호 제어 장치 및 방법을 제공할 수 있다.
도 1은 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 구성을 도시한 도면이다.
도 2는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 신호시간 계획의 예를 도시한 도면이다.
도 3은 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 독립교차로에서의 교통신호 제어의 예를 도시한 도면이다.
도 4a는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 독립교차로에 대한 교통신호 제어 모델의 학습의 예를 도시한 도면이다.
도 4b는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 교통신호 제어 모델의 학습 결과의 예를 도시한 도면이다.
도 5a는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 연동교차로에 대한 교통신호 제어 모델의 학습의 예를 도시한 도면이다.
도 5b는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 연동교차로에서의 교통신호 제어의 예를 도시한 도면이다.
도 6a는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 독립교차로의 성능 평가의 흐름을 도시한 도면이다.
도 6b는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 연동교차로의 성능 평가의 흐름을 도시한 도면이다.
도 7은 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 방법의 흐름을 도시한 도면이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 구성을 도시한 도면이다.
도 1을 참조하면, 인공지능 기반 교통신호 제어 장치(100)는 상황정보 수집부(110), 모델 구축부(120) 및 교통신호 제어부(130)를 포함할 수 있다. 상황정보 수집부(110)는 도로의 교통상황 정보를 수집할 수 있다. 상황정보 수집부(110)는 각 도로에 설치된 루프 검지기를 통해 주기별 교통상황정보를 측정할 수 있다. 국내 대부분의 교차로의 접근로에는 루프 검지기가 설치되어 있다. 루프 검지기는 자기장을 이용하여 접근로별 차량의 통행속도, 정체, 정지 등과 같이 교차로에서의 교통 현황을 측정할 수 있다. 루프 검지기를 통해 측정되는 주기별 교통상황정보는 주기당 교차로의 각 접근로 별 최대 대기행렬 길이를 포함할 수 있다. 이때, 주기란, 신호등의 등화가 완전히 한 번 바뀌는 것 또는 그 시간의 길이이다. 최대 대기행렬 길이는 단위시간동안(예를 들어 100초) 도로에서 대기하는 차량들의 최대 길이를 의미한다. 따라서 주기별 최대 대기행렬 길이는 한번의 신호 사이클 내에서 대기 차량의 최대 길이를 나타낸다.
모델 구축부(120)는 상기 교통상황정보를 입력으로 하고, 교통상황정보에 따른 신호시간 계획을 출력으로 하는 인공지능 기반의 교통신호 제어 모델을 구축할 수 있다. 신호시간 계획은 신호의 주기별로 해당 교통상황에 대응하여 설정되는 것을 의미하며, 구체적으로, 신호시간 계획은 단위 시간에 기반하여 각 신호 유지 시간, 현시체계, 주기길이를 결정하는 것을 의미한다.
교통신호 제어 모델은 강화학습에 기반한 모델로서, 교통상황별로 최적화된 신호시간 계획을 출력하는 학습을 통해 구축될 수 있다. 다양한 교통상황에 대한 신호시간 계획이 미리 학습됨에 따라, 실제 교차로에서 현재 교통상황에 적합한 최적의 신호시간 계획이 선별될 수 있고, 이에 따른 교통신호의 제어가 실시간적으로 이루어짐으로써, 원활한 교통 흐름이 이루어지도록 할 수 있다.
이처럼 실시간 교통상황을 바탕으로 교통신호를 제어하는 방식을 감응식 교통신호 제어라고 한다. 감응식 교통신호 제어(actuated traffic signal control)는 교차로 접근로에 설치된 루프 검지기를 통해 수집된 실시간 교통량 자료를 바탕으로 신호현시(signal phase) 및 현시그룹(phase group)의 길이가 끊임없이 조정되는 것을 의미한다.
상기 신호 현시란 동시에 통행권을 받는 하나 또는 몇 개의 이동류에 할당된 시간구간을 의미하며, 하나 이상의 신호간격으로 이루어진 것을 의미한다. 한편, 교통수요가 없는 현시의 경우 생략될 수도 있다. 즉 감응식 교통신호 제어는 교차로로 유입되는 교통량의 변동에 따라 녹색신호시간을 조절하는 방식이다.
감응식 교통신호 제어는 신호등화가 정해진 신호 시간계획에 따라 규칙적으로 바뀌는 정주기식 신호제어에 비해 교통량 변동의 예측이 힘들고 정주기식 교통신호 제어로 처리하기 어려운 교차로에 적합할 수 있다. 또한, 정주기식 교통신호 제어로 연동시키기에 교차로 간격 및 위치가 부적합한 교차로에 사용하여 효율적인 운영이 가능하며, 시간대별 교통량 변화가 심한 교차로에서 지체를 최소화 시킬 수 있다.
감응식 교통신호 제어는 정주기식 교통신호 제어와 달리 추가적으로 설정이 필요한 제어변수가 존재하며, 효율적인 운영을 위해 적절한 루프 검지기 설치 지점, 초기녹색시간, 최대녹색시간, 간격시간, 단위연장시간 등의 설정이 중요하다. 따라서, 교통신호 제어 모델을 통해 현재 교통상황에 최적화된 신호시간 계획을 산출함으로써, 교차로에서의 교통 지체가 최소화될 수 있다.
전술한 바와 같이, 교통신호 제어 모델은 강화학습을 통해 학습이 이루어질 수 있다. 강화학습은 기계학습 기법의 한 분야로 순차적 행동 결정 문제를 해결하는 것이 가능하다. 구체적으로 강화학습이란, 지도 및 비지도 학습처럼 학습 데이터를 사전에 구축할 필요가 없는 기계학습 방법이다. 또한 강화학습은 외부환경과 상호작용하면서 목표를 달성하는 목표 지향적 기계학습 방법이며, 반복적인 시도를 통해 목표를 달성하는 방법을 습득한다. 다시 말해 강화학습은 행동에 대한 보상을 최대화하기 위해, 주어진 상황에서 어떻게 행동해야 하는지 배우는 기계학습 기법 중 하나이므로, 다양한 상황이 존재하는 교통상황에서 최적의 교통신호 제어를 위한 신호시간 계획 산출에 적합한 기법이라고 할 수 있다.
강화학습은 에이전트(agent)와 외부환경(environment)의 상호작용을 통해 보상을 최대화하는 방향으로 학습하는 기계학습으로 상태(state), 행동(action), 보상(reward), 환경(environment), 정책(policy) 등으로 구성될 수 있다. 에이전트(agent)는 행동(action)을 하며 학습을 하는 주체로 일정 시간 단위마다 행동을 결정하는 역할을 한다. 상태(state)는 어떠한 정적인 요소만 포함한 현재 에이전트의 정보를 의미하며, 에이전트가 상태를 통해 상황을 판단해서 행동을 결정하기에 충분한 정보를 제공해야 한다. 보상(reward)은 에이전트를 학습시킬 수 있는 정보로서 에이전트는 보상을 통해 자신이 했던 행동들을 평가할 수 있다. 정책(policy)은 에이전트가 어떤 행동을 해야 하는지 정해 놓은 것을 의미한다. 에이전트는 보상을 얻기 위해 다양한 행동을 해야 하는데, 특정 상태가 아닌 모든 상태에 대해 어떤 행동을 취해야 하는지 알아야 한다. 이렇게 모든 상태에 대해 에이전트가 어떤 행동을 해야 하는지 정해 놓은 것을 정책이라고 한다.
강화학습 알고리즘은 가치를 학습할 것인지와 정책을 학습할 것인지에 따라 다양한 알고리즘으로 나뉠 수 있으며, 크게 가치를 학습하는 가치기반학습(value-based learning)과 정책을 학습하는 정책기반학습(policy-based learning)으로 나뉜다. 가치기반학습은 주어진 상태에서 주어진 행동을 수행하는 것이 가져다 줄 효용의 기대값을 예측하는 함수를 추정하는 방법이다. 다시 말해, 가치기반학습은 현재 정책의 가치를 평가하여 최적가치함수를 찾는 방법으로 정책 발전이 필요 없는 장점이 있다. 정책이란 달리 표현하면 상태를 입력으로 받아서 행동을 출력하는 함수로 매개변수 벡터로 정의될 수 있다. 정책기반 강화학습의 단점은 정책을 급격하게 변화 할 수 있는 단점이 있으며, 이는 학습의 불안정성을 야기하며 학습 속도 및 성능 저하의 원인이 될 수 있는 문제가 있다. 따라서 교통신호의 최적화된 제어를 위해서는 보다 안정성이 확보된 가치기반학습이 적합할 수 있다. 본원에서는 다양한 가치기반 알고리즘 중 복잡하고 불확실성을 가진 문제를 해결하는데 유용한 Deep Q-Network(DQN)알고리즘을 활용한다.
모델 구축부(120)는, 신호시간 계획을 출력하는 교통신호 제어 모델의 학습을 반복하되, 도로의 평균 정지지체를 최소화하는 신호시간 계획을 출력하도록 학습을 반복 수행할 수 있다. 평균 정지지체는 교차로에서의 차량들의 정체 시간의 평균을 의미하며 즉 평균 정지지체의 시간이 짧을수록 교차로에서 차량이 정체되는 시간이 짧아질 수 있다. 평균 정지지체는 강화학습의 보상일 수 있다. 따라서, 교통신호 제어 모델은 학습을 반복할수록 교통 흐름을 원활하게 하는 신호시간 계획을 산출할 수 있다. 모델 구축부(120)는 교통상황정보에 따른 주기별 신호시간 계획의 산출 및 평균 정지지체의 피드백을 누적하여 학습 데이터를 구축할 수 있다. 모델 구축부(120)는 실시간 또는 주기적으로 제공되는 교통상황정보를 교통신호 제어 모델의 입력으로 활용하고, 입력에 따른 주기별 신호시간 계획의 출력을 반복적으로 수행함으로써, 다양한 교통상황정보에 대한 신호시간 계획 및 이러한 신호시간 계획의 효용과 관계된 평균 정지지체가 학습데이터로써 구축될 수 있다. 누적되는 학습데이터가 방대해질수록 교통상황 정보에 대해 보다 정교하고 효과적인 신호시간 계획이 산출될 수 있다.
도 2는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 신호시간 계획의 예를 도시한 도면이다.
도 2는 주기별 신호시간 계획의 예를 나타낸다. 종래에는 미리 설정된 시간 단위, 예를 들어, 1초 10초 단위로 현시(신호유지시간)를 연장하는 방식이었다. 그러나, 시간 단위의 현시 제어는 학습이 충분히 이루어지지 않은 경우, a매 초 단위로 신호시간 계획이 변경되는 등 적절하지 못한 교통신호 운영이 될 수 있는 단점이 존재한다. 따라서, 본원에서는 주기 단위의 교통신호 제어를 통해 주기별로 교통상황에 맞는 신호시간 계획을 미리 학습하여 실제 현장에 적합한 신호시간 계획을 제공함으로써, 종래와 같은 문제점을 해결할 수 있다. 특히, 결과에 대한 이해 및 설명이 어렵고, 오류 감지 및 변별이 어려운 단점으로 인해 신뢰도가 낮은 인공지능의 문제점을 개선하여, 일정 범위 내에서 행동 선택 즉, 신호시간 계획의 선택이 이루어지므로 신뢰성 있는 결과를 제시할 수 있다.
도 2의 숫자는 해당 방향의 녹색등 신호 유지 시간이고 괄호안의 숫자는 황색등의 신호 유지 시간을 나타낸다. 교통신호 제어부(130)는 다양한 교통상황에 따른 신호시간 계획 중 실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성할 수 있다. 구체적으로, 교통신호 제어부(130)는 학습 데이터 중 실시간 교통상황정보에 대응하여 차량의 통행속도 및 대기행렬길이를 최적화하는 주기별 신호시간 계획을 선별하여 교통신호를 제어할 수 있다. 도 2에 도시된 바와 같이, 교통신호 제어부(130)가 주기별 신호시간 계획을 선택하는 방식을 가짐에 따라, 신호 현시의 안정성을 확보할 수 있을 뿐만 아니라, 독립교차로(isolated intersection)를 연동교차로(coordinated intersection)의 교통제어로 확장하였을 때, 연동을 보장할 수 있는 장점이 있다. 여기서 독립교차로는 연동신호 시스템이나, 실시간 신호시스템에 포함된 교차로가 아니거나, 이들 시스템에 포함되었다 하더라도 단독으로 분리시켜 분석 및 제어가 필요한 교차로를 의미한다. 연동교차로는 교차로간 차량의 연속진행을 조성하여 동일한 시간 동안 많은 차량을 정지 없이 통과시키기 위한 교차로를 의미한다.
도 3은 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 독립교차로에서의 교통신호 제어의 예를 도시한 도면이다.
독립교차로에 본 인공지능 기반 교통신호 제어 장치(100)를 적용하여 그 성능을 평가하기 위해 기존 교통량의 평가 지표인 평균정지지체와 검증을 위한 평균지체, 평균속도, 평균정지횟수를 비교하고 통계적으로 검증을 수행하였으며, 통계적으로 검증을 수행하기 위해 미시교통시뮬레이션을 이용하여 5회 반복하여 지표를 추출하였다.
미시교통시뮬레이션의 경우 난수(random number)에 따라 산출되는 지표들이 다르게 측정되기 때문에 반복수행(multi-run)을 통해 결과를 추출하여야 한다.
도 4a는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 독립교차로에 대한 교통신호 제어 모델의 학습의 예를 도시한 도면이다.
전술한 설명에 따르면, 교통신호 제어 모델은 교통상황정보를 입력으로 하는 학습을 통해 신호시간 계획을 출력할 수 있다. 이때 교통신호 제어 모델의 학습이 이루어지지 않아 아직 구축되지 않은 초기 상태에는 교통 환경에 대한 시뮬레이션을 통해 교통신호 제어 모델을 학습시킬 수 있다. 즉, 모델 구축부(120)는 교통신호 제어 모델의 구축 여부를 먼저 판단하고, 구축되지 않은 경우, 시뮬레이션을 통해 교통신호 제어 모델을 학습 및 구축할 수 있다. 교통신호 제어 모델의 학습이 완료되면, 상황정보 수집부(110)에서 수집된 교통상황정보가 교통신호 제어 모델에 입력되어 신호시간 계획이 출력되고, 교통신호 제어부(130)는 실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성할 수 있다.
먼저, 독립교차로에서 DQN알고리즘을 연동한 교통신호 제어 모델의 학습에 대해 살펴본다. 도 4a를 참조하면, 교통신호 제어 모델은 시뮬레이션 환경에서 구축된 독립교차로에 설정된 정보에 기초하여 신호 시간 계획을 출력할 수 있다. 시뮬레이션 환경에서의 독립교차로는 접근로별로 교통량이 미리 설정될 수 있다. 교통신호 제어 모델은 신호 시간 계획에 따른 평균 정지지체를 DNQ알고리즘으로 전송하고, 이와 같은 과정의 반복을 통해 학습 데이터를 누적할 수 있다. 또한, 미리 설정된 양 이상의 학습 데이터가 누적되면 학습을 시작하고 이를 통해 DQN알고리즘의 심층 신경망이 학습될 수 있다.
도 4b는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 교통신호 제어 모델의 학습 결과의 예를 도시한 도면이다.
도 4b를 참조하면, 모델 구축부(120)는 독립교차로에 대한 교통신호 제어 모델이 반복적인 학습을 통해 주기당 평균 정지지체를 일정한 값으로 반복적으로 산출하는 경우 즉, 평균 정지지체가 일정한 값에 수렴되는 경우 올바르게 학습이 이루어졌다고 판단할 수 있다. 도 4b의 예시에서는 1400번의 시뮬레이션(에피소드)이 반복된 이후 평균 정지지체가 약 17초 수준에서 일정한 결과를 반복적으로 도출하여 학습이 완료된 것을 파악할 수 있다.
도 5a는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 연동교차로에 대한 교통신호 제어 모델의 학습의 예를 도시한 도면이고, 도 5b는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 연동교차로에서의 교통신호 제어의 예를 도시한 도면이다.
연동교차로에 대한 교통신호 제어 모델 역시 시뮬레이션을 통한 학습이 이루어질 수 있다. 도 5a를 참조하면, 교통신호 제어 모델은 시뮬레이션 환경에서 구축된 연동 교차로에 설정된 정보에 기초하여 신호 시간 계획을 출력할 수 있다. 시뮬레이션 환경에서의 연동교차로는 접근로별로 교통량이 미리 설정될 수 있다. 교통신호 제어 모델은 신호 시간 계획에 따른 평균 정지지체를 DNQ알고리즘으로 전송하고, 이와 같은 과정의 반복을 통해 학습 데이터를 누적할 수 있다. 또한, 연동교차로에 대한 교통신호 제어모델은 미리 설정된 양 이상의 학습 데이터가 누적되면 학습을 시작하고 이를 통해 DQN알고리즘의 심층 신경망이 학습될 수 있다. 전술한 독립교차로에 대한 교통신호 제어 모델의 학습과 궤를 같이 하여, 모델 구축부(120)는 DQN 기반 연동교차로에 대한 교통신호 제어 모형의 보상인 주기당 평균 정지지체의 수렴 여부를 통해 학습 상태를 판단할 수 있다. 즉 모델 구축부(120)는 에피소드의 반복을 통해 주기당 평균 정지지체가 일정값으로 수렴되면, 연동교차로에 대한 교통신호제어 모델의 학습이 완료된 것으로 파악할 수 있다.
연동교차로에서는 교차로간 통행 차량의 원활한 흐름을 위해 옵셋(offset)이 고려될 수 있다. 도 5b를 참조하면, 교통신호 제어부(130)는 연동 교차로에서 교차로간 연동축의 접근로에서의 통행 속도, 최대 대기행렬길이를 고려하여 평균 정지지체를 최소화하는 신호제어에 대한 옵셋을 결정하여 각 교차로의 교통신호를 제어할 수 있다. 다시 말해, 옵셋은 한 교차로에서 다른 교차로의 녹색등 시작 시점과 연계된 녹색등 점등 시간 시점의 시간 차이를 의미한다. 따라서, 연동교차로에 대한 교통신호 제어 모델은 옵셋을 최적화할 수 있도록 하는 학습이 이루어질 수 있다. 또한, 연동교차로에 대한 교통신호 제어 모델은 반복적인 학습을 통해 주기당 평균 정지지체를 일정한 값으로 반복적으로 산출하는 경우 즉, 평균 정지지체가 일정한 값에 수렴되는 경우 올바르게 학습이 이루어졌다고 판단할 수 있다
도 6a는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 독립교차로의 성능 평가의 흐름을 도시한 도면이고, 도 6b는 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 장치의 연동교차로의 성능 평가의 흐름을 도시한 도면이다.
독립교차로 및 연동교차로에 대한 교통신호 제어 모델의 성능을 평가하고 검증하기 위해 본 기술 분야에서 다양하게 활용되고 있는 미시교통시뮬레이션 소프트웨어 중 하나인 Vissm을 이용하였다. 교통신호 제어 모델의 평가 및 검증절차는 크게 평가지표 선정, 평가 시나리오 구성, 모형별 평가 및 검증 단계로 구분될 수 있다. 독립교차로 및 연동교차로 각각의 교통신호 제어 모델의 효과를 평가하기 위한 평가지표에는 네트워크의 주기당 평균정지지체, 평균지체, 평균속도 및 평균정지횟수가 선정될 수 있다. 독립교차로의 평가시나리오, 연동교차로의 평가시나리오가 각각 설정되고, 시나리오별 최적의 신호시간 계획과 최적 옵셋을 신호최적화 모형중 하나인 Synchro를 이용하여 산출할 수 있다. 구체적으로, 독립교차로의 경우 최적 신호시간계획을 산출하고, 연동교차로의 경우 최적 옵셋을 산출하여 이를 평가할 수 있다. 다음으로 DQN 모형과 Synchro 모형의 평가지표들을 산출하고 통계기법을 이용하여 성능을 평가할 수 있다.
교통량 시나리오의 경우 교통량의 변화에 따른 모형의 성능을 평가하는 것을 목적으로 하며, 특히 연동교차로의 경우 연동구간의 속도 변화를 발생하는 시나리오를 구성하였다. 연동교차로의 효율은 연동구간에서의 속도에 영향을 받기 때문에, 교통상황에 대응하는 옵셋을 제공하는지를 평가하는 것을 목적으로 한다. 선정된 시나리오 조건에서 각각의 교통신호 제어 모형은 시뮬레이션 환경에서 교통신호 운영을 하게 되고, 상기 선정된 4가지 평가지표에 대한 값을 산출할 수 있다. 또한 시뮬레이션의 난수에 따라 시뮬레이션의 결과가 차이가 있기 때문에 난수를 변화시킨 시뮬레이션의 반복수행을 통해 평가지표 값을 추출하게 된다.
상술한 평가지표에 대해 살펴보면, 평균정지지체는 개별 차량들이 네트워크(시나리오상의 교통 흐름)를 통행할 때 정지했던 시간들의 총 합을 네트워크상에 존재했던 모든 차량들의 수로 나눈 값으로써 하기의 수학식 1로 표현될 수 있다.
[수학식 1]
Figure pat00001
여기서, dsi는 차량i가 통행 중 정지했던 시간이고, n은 전체 차량의 수이다.
평균지체는 시뮬레이션 실험 중에 네트워크에 존재하는 차량들과 존재했던 모든 차량들의 지체의 평균값을 의미하며, 하기의 수학식 2로 표현될 수 있다.
[수학식 2]
Figure pat00002
여기서, di는 차량 i의 지체이고, n은 전체 차량의 수이다.
본 성능평가에서는 시뮬레이션의 반복수행을 총 5회 수행하며 평가 지표 값을 추출한다. 마지막으로 반복된 실험을 통해 산출된 교통신호 제어 모형별 4가지 평가지표 값에 대하여 통계적 검정을 통해 교통신호 제어 방법에 따른 평균정지지체, 평균지체, 평균속도, 평균정지횟수의 차이가 통계적으로 유의한지 여부를 판단한다. 특히, 반복수행의 횟수가 총 5회이며, 두 표본의 차이를 검정하므로 윌콕슨(Wilcoxon)의 부호 순위 검정을 수행한다.
도 7은 본원의 일 실시예에 따른 인공지능 기반 교통신호 제어 방법의 흐름을 도시한 도면이다.
도 7에 도시된 인공지능 기반 교통신호 제어 방법은 앞선 도1 내지 도 6d를 통해 설명된 인공지능 기반 교통신호 제어 장치(100)에 의하여 수행될 수 있다. 따라서 이하 생략된 내용이라고 하더라도 도 1 내지 도 6b를 통해 인공지능 기반 교통신호 제어 장치(100)에 대하여 설명된 내용은 도 7에도 동일하게 적용될 수 있다.
도 7을 참조하면, 단계 S710에서 모델 구축부(120)는 교통신호 제어 모델의 구축 여부를 판단할 수 있다. 교통신호 제어 모델이 구축되지 않은 경우, 단계 S711에서 모델 구축부(120)는 시뮬레이션을 통해 교통신호 제어 모델을 학습 및 구축할 수 있다. 단계 S712에서 모델 구축부(120)는 교통신호 제어 모델이 반복적인 학습을 통해 주기당 평균 정지지체를 일정한 값으로 반복적으로 산출하는 경우 즉, 평균 정지지체가 일정한 값에 수렴되는 경우 올바르게 학습이 이루어졌다고 판단할 수 있다.
단계 S720에서 상황정보 수집부(110)는 도로의 교통상황 정보를 수집할 수 있다. 상황정보 수집부(110)는 각 도로에 설치된 루프 검지기를 통해 주기별 교통상황정보를 측정할 수 있다. 루프 검지기를 통해 측정되는 주기별 교통상황정보는 주기당 교차로의 각 접근로 별 최대 대기행렬 길이를 포함할 수 있다.
모델 구축부(120)는 상기 교통상황정보를 입력으로 하고, 교통상황정보에 따른 신호시간 계획을 출력으로 하는 인공지능 기반의 교통신호 제어 모델을 구축할 수 있다. 신호시간 계획은 신호의 주기별로 해당 교통상황에 대응하여 설정되는 것을 의미하며, 구체적으로, 신호시간 계획은 단위 시간에 기반하여 각 신호 유지 시간, 현시체계, 주기길이를 결정하는 것을 의미한다. 교통신호 제어 모델은 강화학습에 기반한 모델로서, 교통상황별로 최적화된 신호시간 계획을 출력하는 학습을 통해 구축될 수 있다.
모델 구축부(120)는 교통상황정보에 따른 주기별 신호시간 계획의 산출 및 평균 정지지체의 피드백을 누적하여 학습 데이터를 구축할 수 있다. 모델 구축부(120)는 실시간 또는 주기적으로 제공되는 교통상황정보를 교통신호 제어 모델의 입력으로 활용하고, 입력에 따른 주기별 신호시간 계획의 출력을 반복적으로 수행함으로써, 다양한 교통상황정보에 대한 신호시간 계획 및 이러한 신호시간 계획의 효용과 관계된 평균 정지지체가 학습데이터로써 구축될 수 있다. 누적되는 학습데이터가 방대해질수록 교통상황 정보에 대해 보다 정교하고 효과적인 신호시간 계획이 산출될 수 있다.
단계 S730에서 교통신호 제어부(130)는 다양한 교통상황에 따른 신호시간 계획 중 실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성할 수 있다. 구체적으로, 교통신호 제어부(130)는 학습 데이터 중 실시간 교통상황정보에 대응하여 차량의 통행속도 및 대기행렬길이를 최적화하는 주기별 신호시간 계획을 선별하여 교통신호를 제어할 수 있다. 교통신호 제어부(130)는 연동 교차로에서 교차로간 연동축의 접근로에서의 통행 속도, 최대 대기행렬길이를 고려하여 평균 정지지체를 최소화하는 신호제어에 대한 옵셋을 결정하여 각 교차로의 교통신호를 제어할 수 있다.
본원의 일 실시 예에 따른, 인공지능 기반 교통신호 제어 방법은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 인공지능 기반 교통신호 제어 장치
110: 상황정보 수집부
120: 모델 구축부
130: 교통신호 제어부

Claims (12)

  1. 인공지능 기반 교통신호 제어 장치에 있어서,
    도로의 교통상황정보를 수집하는 상황정보 수집부;
    상기 교통상황정보를 입력으로 하고, 상기 교통상황정보에 따른 신호시간 계획을 출력으로 하는 인공지능 기반의 교통신호 제어 모델을 구축하는 모델 구축부; 및
    실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성하는 교통신호 제어부를 포함하되,
    상기 모델 구축부는,
    상기 신호시간 계획을 출력하는 상기 교통신호 제어 모델의 학습을 반복하되, 도로의 평균 정지지체를 최소화하는 상기 신호시간 계획을 출력하도록 학습을 반복 수행하는 것인, 인공지능 기반 교통신호 제어 장치.
  2. 제1항에 있어서,
    상기 상황정보 수집부는,
    각 도로에 설치된 루프 검지기를 통해 주기별 교통상황정보를 측정하고,
    상기 교통상황정보는 주기당 교차로의 각 접근로 별 최대 대기행렬 길이를 포함하는 것인, 인공지능 기반 교통신호 제어 장치.
  3. 제1항에 있어서,
    상기 교통신호 제어 모델은,
    단위 시간에 기반하여 신호 유지 시간을 제어하는 상기 신호시간 계획을 출력하되,
    상기 신호시간 계획은 신호의 주기별로 해당 교통상황에 대응하여 설정되는 것인, 인공지능 기반 교통신호 제어 장치.
  4. 제3항에 있어서,
    상기 모델 구축부는,
    상기 교통상황정보에 따른 주기별 상기 신호시간 계획의 산출 및 상기 평균 정지지체의 피드백을 누적하여 학습 데이터를 구축하는 것인, 인공지능 기반 교통신호 제어 장치.
  5. 제4항에 있어서,
    상기 교통신호 제어부는
    상기 학습 데이터 중 실시간 교통상황정보에 대응하여 차량의 통행속도 및 대기행렬길이를 최적화하는 주기별 신호시간 계획을 선별하여 상기 교통신호를 제어 하는 것인, 인공지능 기반 교통신호 제어 장치.
  6. 제1항에 있어서,
    상기 교통신호 제어부는,
    연동 교차로에서 교차로간 연동축의 접근로에서의 통행 속도, 최대 대기행렬길이를 고려하여 상기 평균 정지지체를 최소화하는 신호제어에 대한 옵셋을 결정하여 각 교차로의 교통신호를 제어하는 것인, 인공지능 기반 교통신호 제어 장치.
  7. 인공지능 기반 교통신호 제어 방법에 있어서,
    도로의 교통상황정보를 수집하는 단계;
    상기 교통상황정보를 입력으로 하고, 상기 교통상황정보에 따른 신호시간 계획을 출력으로 하는 인공지능 기반의 교통신호 제어 모델을 구축하는 단계; 및
    실시간 교통상황정보에 최적화된 신호시간 계획을 결정하여 교통신호를 제어하기 위한 신호제어명령을 생성하는 단계를 포함하되,
    상기 교통신호 제어 모델을 구축하는 단계는,
    상기 신호시간 계획을 출력하는 상기 교통신호 제어 모델의 학습을 반복하되, 도로의 평균 정지지체를 최소화하는 상기 신호시간 계획을 출력하도록 학습을 반복 수행하는 것인, 인공지능 기반 교통신호 제어 방법.
  8. 제7항에 있어서,
    상기 교통상황정보를 수집하는 단계는,
    각 도로에 설치된 루프 검지기를 통해 주기별 교통상황정보를 측정하고,
    상기 교통상황정보는 주기당 교차로의 각 접근로 별 최대 대기행렬 길이를 포함하는 것인, 인공지능 기반 교통신호 제어 방법.
  9. 제7항에 있어서,
    상기 교통신호 제어 모델은,
    단위 시간에 기반하여 신호 유지 시간을 제어하는 상기 신호시간 계획을 출력하되,
    상기 신호시간 계획은 신호의 주기별로 해당 교통상황에 대응하여 설정되는 것인, 인공지능 기반 교통신호 제어 방법.
  10. 제9항에 있어서,
    상기 교통신호 제어 모델을 구축하는 단계는,
    상기 교통상황정보에 따른 주기별 상기 신호시간 계획의 산출 및 상기 평균 정지지체의 피드백을 누적하여 학습 데이터를 구축하는 것인, 인공지능 기반 교통신호 제어 방법.
  11. 제10항에 있어서,
    상기 신호제어명령을 생성하는 단계는,
    상기 학습 데이터 중 실시간 교통상황정보에 대응하여 차량의 통행속도 및 대기행렬길이를 최적화하는 주기별 신호시간 계획을 선별하여 상기 교통신호를 제어하는 것인, 인공지능 기반 교통신호 제어 방법.
  12. 제7항에 있어서,
    상기 신호제어명령을 생성하는 단계는,
    연동 교차로에서 교차로간 연동축의 접근로에서의 통행 속도, 최대 대기행렬길이를 고려하여 상기 평균 정지지체를 최소화하는 신호제어에 대한 옵셋을 결정하여 각 교차로의 교통신호를 제어하는 것인, 인공지능 기반 교통신호 제어 방법.
KR1020200045545A 2020-04-14 2020-04-14 인공지능 기반 교통신호 제어 장치 및 방법 KR102329826B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200045545A KR102329826B1 (ko) 2020-04-14 2020-04-14 인공지능 기반 교통신호 제어 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200045545A KR102329826B1 (ko) 2020-04-14 2020-04-14 인공지능 기반 교통신호 제어 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210127533A true KR20210127533A (ko) 2021-10-22
KR102329826B1 KR102329826B1 (ko) 2021-11-19

Family

ID=78275954

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200045545A KR102329826B1 (ko) 2020-04-14 2020-04-14 인공지능 기반 교통신호 제어 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102329826B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102643655B1 (ko) * 2022-09-23 2024-03-04 아주대학교산학협력단 자율 주행 시뮬레이션 방법 및 장치
KR20240042704A (ko) 2022-09-26 2024-04-02 주식회사 케이티 교통 정보에 대한 대표 구간 선정 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240067534A (ko) 2022-11-09 2024-05-17 주식회사 케이티 최적 교통 신호 생성 및 교통 신호 제어 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240096029A (ko) 2022-12-19 2024-06-26 주식회사 케이티 교통 정체 유형 분석 및 교통 신호 제어 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240097201A (ko) 2022-12-20 2024-06-27 주식회사 케이티 연동 구간 내의 연속 통행량 최적화를 위한 교통 신호 체계 생성 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240109007A (ko) 2023-01-03 2024-07-10 주식회사 케이티 교통 정보 특징 데이터 산출 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240136550A (ko) 2023-03-07 2024-09-19 주식회사 케이티 교통 신호 산출 방법, 장치, 시스템 및 컴퓨터 프로그램

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230168381A (ko) 2022-06-07 2023-12-14 유에프엠시스템즈 주식회사 응급상황 대응 교통신호 제어 시스템
KR102602021B1 (ko) * 2022-12-16 2023-11-14 주식회사 핀텔 교차로의 신호체계에 대한 평가지표를 산출하고 비교하는 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07129882A (ja) * 1993-10-29 1995-05-19 Mitsubishi Electric Corp 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム
JP2019079199A (ja) * 2017-10-23 2019-05-23 株式会社豊田中央研究所 信号機切替制御装置、信号機切替制御方法及び信号機切替制御プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07129882A (ja) * 1993-10-29 1995-05-19 Mitsubishi Electric Corp 道路交通信号制御適正化装置、およびそれを用いた道路交通流管制システム
JP2019079199A (ja) * 2017-10-23 2019-05-23 株式会社豊田中央研究所 信号機切替制御装置、信号機切替制御方法及び信号機切替制御プログラム

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102643655B1 (ko) * 2022-09-23 2024-03-04 아주대학교산학협력단 자율 주행 시뮬레이션 방법 및 장치
KR20240042704A (ko) 2022-09-26 2024-04-02 주식회사 케이티 교통 정보에 대한 대표 구간 선정 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240067534A (ko) 2022-11-09 2024-05-17 주식회사 케이티 최적 교통 신호 생성 및 교통 신호 제어 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240096029A (ko) 2022-12-19 2024-06-26 주식회사 케이티 교통 정체 유형 분석 및 교통 신호 제어 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240097201A (ko) 2022-12-20 2024-06-27 주식회사 케이티 연동 구간 내의 연속 통행량 최적화를 위한 교통 신호 체계 생성 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240109007A (ko) 2023-01-03 2024-07-10 주식회사 케이티 교통 정보 특징 데이터 산출 방법, 장치, 시스템 및 컴퓨터 프로그램
KR20240136550A (ko) 2023-03-07 2024-09-19 주식회사 케이티 교통 신호 산출 방법, 장치, 시스템 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR102329826B1 (ko) 2021-11-19

Similar Documents

Publication Publication Date Title
KR102329826B1 (ko) 인공지능 기반 교통신호 제어 장치 및 방법
Jin et al. A group-based traffic signal control with adaptive learning ability
EP3035314A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
Haddad et al. Cooperative traffic control of a mixed network with two urban regions and a freeway
Burger et al. Considerations for model-based traffic control
Touhbi et al. Adaptive traffic signal control: Exploring reward definition for reinforcement learning
Ben-Akiva et al. Real time simulation of traffic demand-supply interactions within DynaMIT
Han et al. A physics-informed reinforcement learning-based strategy for local and coordinated ramp metering
Pandey et al. Deep reinforcement learning algorithm for dynamic pricing of express lanes with multiple access locations
Papageorgiou et al. Traffic simulation with METANET
Natafgi et al. Smart traffic light system using machine learning
Rezaee et al. Self-learning adaptive ramp metering: Analysis of design parameters on a test case in Toronto, Canada
Han et al. A new reinforcement learning-based variable speed limit control approach to improve traffic efficiency against freeway jam waves
Kotsialos et al. The importance of traffic flow modeling for motorway traffic control
Wismans et al. Real time traffic models, decision support for traffic management
Ivanjko et al. Ramp metering control based on the Q-learning algorithm
Miletić et al. State complexity reduction in reinforcement learning based adaptive traffic signal control
Gregurić et al. The use of cooperative approach in ramp metering
JP2019020799A (ja) 交通管理装置、交通管理システムおよび交通管理方法
Hawas Calibrating simulation models for advanced traveler information systems/advanced traffic management systems applications
Rezaee Decentralized coordinated optimal ramp metering using multi-agent reinforcement learning
JP2020013311A (ja) 交通信号制御装置、交通信号制御システムおよび交通信号制御方法
Hoogendoorn et al. Decision Support in Dynamic Traffic Management: Real-time Scenario Evaluation
Dutta et al. Deep Reinforcement Learning to Maximize Arterial Usage during Extreme Congestion
Boguto et al. Algorithm of intelligent urban traffic

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant