KR20210148678A - 교통 혼잡 예측 장치 및 방법 - Google Patents

교통 혼잡 예측 장치 및 방법 Download PDF

Info

Publication number
KR20210148678A
KR20210148678A KR1020200065824A KR20200065824A KR20210148678A KR 20210148678 A KR20210148678 A KR 20210148678A KR 1020200065824 A KR1020200065824 A KR 1020200065824A KR 20200065824 A KR20200065824 A KR 20200065824A KR 20210148678 A KR20210148678 A KR 20210148678A
Authority
KR
South Korea
Prior art keywords
length
road
tci
sub
congestion
Prior art date
Application number
KR1020200065824A
Other languages
English (en)
Other versions
KR102493981B1 (ko
Inventor
김훈
Original Assignee
인천대학교 산학협력단
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 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020200065824A priority Critical patent/KR102493981B1/ko
Publication of KR20210148678A publication Critical patent/KR20210148678A/ko
Application granted granted Critical
Publication of KR102493981B1 publication Critical patent/KR102493981B1/ko

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing

Abstract

교통 혼잡 예측 장치 및 방법은 도시 전체가 아닌 소규모 지역에서의 교통 혼잡을 예측하여 혼잡이 쌓이는 원인을 정확히 분석하고 예방할 수 있는 효과가 있다. 본 발명은 소규모 지역의 교통 혼잡 지수에 대한 계산 및 분석을 통해 도시의 혼잡 상태를 추정하여 도로 교통을 계획 및 구성할 수 있는 자료로 이용할 수 있는 효과가 있다.

Description

교통 혼잡 예측 장치 및 방법{Apparatus and Method for Predicting Traffic Congestion}
본 발명은 교통 혼잡 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 도시 전체가 아닌 소규모 지역에서의 교통 혼잡을 예측하여 혼잡이 쌓이는 원인을 방지할 수 있는 교통 혼잡 예측 장치 및 방법에 관한 것이다.
교통 혼잡은 도시의 성장을 방해하고, 통근 시간을 연장하며, 사고 빈도를 증가시키는 대도시 및 성장 도시가 직면한 심각한 문제가 되고 있다.
최근 몇 년간 경제의 증가, 통제되지 않은 도시 이주, 개인 여행에 대한 욕구, 오래된 교통 인프라 및 부적절한 교통 관리 정책으로 인해 교통 혼잡이 급격히 증가했다.
교통 혼잡은 전 세계적으로 크고 성장하는 모든 도시에 영향을 미치는 세계적인 현상이다. 교통 혼잡의 주요 원인은 인프라, 교통 사고, 악천후, 도로 유지 관리 및 건설 활동의 병목 현상, 대중 교통 수단 부족, 교통 체증 부족, 신호 타이밍, 주차 공간 부족, 대형 차량 존재 및 특수 이벤트이다.
도시 혼잡을 효과적으로 개선하기 위해서는 도시의 교통 혼잡 지수(Traffic Congestion Index, TCI) 및 그 상관 계수를 정량화하기 위한 많은 접근법이 제안되었다.
교통 혼잡 지수에 대한 계산 및 분석은 도시의 상태를 추정하고, 교통 관리자를 위한 도로 교통을 계획 및 구성하고, 여행자를 위한 합리적인 결정을 내리는데 사용될 수 있다.
그러나 이러한 연구는 모두 대도시에 대한 정규화된 가치인 도시 수준의 TCI를 언급하고 있다. 도시 전체의 TCI는 넓은 지역에 대한 평균값이므로 소도시의 정확한 TCI 정보를 제공할 수 없는 문제점이 있다.
이러한 작은 지역의 혼잡이 쌓이는 것이 도시의 혼잡이 증가한 이유 중 하나가 된다.
실제적으로 대도시에 대한 정규화된 도시 수준의 TCI는 작은 지역의 TCI를 반영하기 어려우므로 교통 혼잡 지수가 부정확해지며, 이에 따라 도로 교통을 계획 및 구성하는데 적용될 수 없는 문제점이 있다.
한국 등록특허번호 제10-1671245호
이와 같은 문제점을 해결하기 위하여, 본 발명은 도시 전체가 아닌 소규모 지역에서의 교통 혼잡을 예측하여 혼잡이 쌓이는 원인을 방지할 수 있는 교통 혼잡 예측 장치 및 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 인구 밀도와 TCI 값의 상관 관계를 분석하여 인구 밀도가 TCI에 미치는 영향을 파악하는 교통 혼잡 예측 장치 및 방법을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위한 본 발명의 특징에 따른 교통 혼잡 예측 장치는,
외부 서버로부터 수신한 지도맵 데이터를 포함한 도로 교통 데이터를 도시 전체가 아닌 소규모 지역을 기설정된 하부 지역으로 분할하여 캡처하고, 도로 교통 데이터의 통행 교통량 정보를 기초로 상기 분할된 하부 지역의 각각의 도로에 대한 혼잡 레벨을 결정하고, 상기 결정한 혼잡 레벨에 따라 특정 색깔을 상기 지도맵 데이터에 표시하는 이미지 처리 프로세스; 및
상기 각각의 하부 지역에 표시된 색깔을 이용하여 자유 도로 길이(Flength), 느린 도로 길이(Slength) 및 잼 도로 길이(Jlength)를 각각 계산하고, 상기 각각의 하부 지역의 교통 혼잡 지수(Traffic Congestion Index, TCI)를 하기의 수학식 1를 이용하여 계산하는 제어부를 포함하는 것을 특징으로 한다.
[수학식 1]
Figure pat00001
여기서, Flength은 각각의 하부 지역에서 녹색으로 표시된 도로의 길이이고, Slength은 각각의 하부 지역에서 노란색으로 표시된 도로의 길이이고, Jlength은 각각의 하부 지역에서 빨간색으로 표시된 도로의 길이이며, Total length of the road는 전체 도로의 길이임.
본 발명의 특징에 따른 교통 혼잡 예측 방법은,
이미지 처리 프로세스가 외부 서버로부터 수신한 지도맵 데이터를 포함한 도로 교통 데이터를 도시 전체가 아닌 소규모 지역을 기설정된 하부 지역으로 분할하여 캡처하는 단계;
상기 이미지 처리 프로세스가 상기 도로 교통 데이터의 통행 교통량 정보를 기초로 상기 분할된 하부 지역의 각각의 도로에 대한 혼잡 레벨을 결정하고, 상기 결정한 혼잡 레벨에 따라 특정 색깔을 상기 지도맵 데이터에 표시하는 단계;
제어부가 상기 각각의 하부 지역에 표시된 색깔을 이용하여 자유 도로 길이(Flength), 느린 도로 길이(Slength) 및 잼 도로 길이(Jlength)를 각각 계산하는 단계;
상기 각각의 하부 지역의 교통 혼잡 지수(Traffic Congestion Index, TCI)를 하기의 수학식 1를 이용하여 계산하는 단계; 및
상기 제어부가 상기 이미지 처리 프로세스에서 일정한 시간 간격 동안의 캡처된 각각의 하부 지역의 이미지 개수(N)만큼 상기 수학식 1에 의해 TCI 값을 계산하고, 하기의 수학식 2에 의해 평균 TCI 값을 계산하는 단계를 포함하는 것을 특징으로 한다.
[수학식 1]
Figure pat00002
여기서, Flength은 각각의 하부 지역에서 녹색으로 표시된 도로의 길이이고, Slength은 각각의 하부 지역에서 노란색으로 표시된 도로의 길이이고, Jlength은 각각의 하부 지역에서 빨간색으로 표시된 도로의 길이이며, Total length of the road는 전체 도로의 길이임.
본 발명의 특징에 따른 교통 혼잡 예측 장치는,
외부 서버로부터 수신한 지도맵 데이터를 포함한 도로 교통 데이터를 도시 전체가 아닌 소규모 지역을 기설정된 하부 지역으로 분할하여 캡처하고, 도로 교통 데이터의 통행 교통량 정보를 기초로 상기 분할된 하부 지역의 각각의 도로에 대한 혼잡 레벨을 결정하고, 상기 결정한 혼잡 레벨에 따라 특정 색깔을 상기 지도맵 데이터에 표시하는 이미지 처리 프로세스; 및
상기 각각의 하부 지역에 표시된 색깔을 이용하여 자유 도로 길이(Flength), 느린 도로 길이(Slength) 및 잼 도로 길이(Jlength)를 각각 계산하고, 상기 각각의 하부 지역의 교통 혼잡 지수(Traffic Congestion Index, TCI)를 하기의 수학식 1를 이용하여 계산하는 제어부를 포함하고,
상기 제어부는 상기 이미지 처리 프로세스에서 일정한 시간 간격 동안의 캡처된 각각의 하부 지역의 이미지 개수(N)만큼 상기 수학식 1에 의해 TCI 값을 계산하고, 하기의 수학식 2에 의해 평균 TCI 값을 계산하며, 상기 계산된 평균 TCI 값을 기준으로 높은 혼잡(TCI > 120), 혼잡(80 < TCI ≤ 120), 보통(40 ≤ TCI < 80), 자유(TCI < 40)의 4개 그룹으로 분류하고, 높은 혼잡인 경우, 짙은 적색, 혼잡인 경우, 보통 적색, 보통인 경우, 노란색, 자유인 경우, 녹색을 설정하는 것을 특징으로 한다.
[수학식 1]
Figure pat00003
여기서, Flength은 각각의 하부 지역에서 녹색으로 표시된 도로의 길이이고, Slength은 각각의 하부 지역에서 노란색으로 표시된 도로의 길이이고, Jlength은 각각의 하부 지역에서 빨간색으로 표시된 도로의 길이이며, Total length of the road는 전체 도로의 길이임.
[수학식 2]
Figure pat00004
여기서, 일정한 시간 간격 동안의 캡처된 하부 지역의 이미지 개수의 총합임.
전술한 구성에 의하여, 본 발명은 도시 전체가 아닌 소규모 지역에서의 교통 혼잡을 예측하여 혼잡이 쌓이는 원인을 정확히 분석하고 예방할 수 있는 효과가 있다.
본 발명은 소규모 지역의 교통 혼잡 지수에 대한 계산 및 분석을 통해 도시의 혼잡 상태를 추정하여 도로 교통을 계획 및 구성할 수 있는 자료로 이용할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 지역 교통 혼잡 지수를 이용한 교통 혼잡 예측 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 교통 혼잡 예측 장치의 내부 구성을 간략하게 나타낸 블록도이다.
도 3은 본 발명의 실시예에 따른 교통 혼잡 예측 방법을 나타낸 순서도이다.
도 4는 본 발명의 실시예에 따른 주중 동안의 평균 TCI 값을 표시한 지도맵 데이터를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 인구 밀도와 TCI 간의 상관 관계를 나타낸 도면이다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도시 전체의 TCI는 넓은 지역에 대한 평균값이므로 소도시의 정확한 TCI 정보를 제공할 수 없다. 이러한 소도시에 혼잡이 쌓이는 것이 도시의 혼잡이 증가한 이유 중 하나이다.
본 발명은 소규모 지역의 혼잡 지수를 계산하는 방법을 제공하고, 인구 밀도가 교통 혼잡 지수(Traffic Congestion Index, TCI)에 미치는 영향을 확인한다.
교통 혼잡 지수에 대한 계산 및 분석은 도시의 상태를 추정하고, 교통 관리자를 위한 도로 교통을 계획 및 구성하고, 여행자를 위한 합리적인 결정을 내리는데 사용된다. 본 발명은 TCI 값과 인구 밀도의 상관 관계를 보여준다.
도 1은 본 발명의 실시예에 따른 지역 교통 혼잡 지수를 이용한 교통 혼잡 예측 시스템의 구성을 나타낸 도면이고, 도 2는 본 발명의 실시예에 따른 교통 혼잡 예측 장치의 내부 구성을 간략하게 나타낸 블록도이고, 도 3은 본 발명의 실시예에 따른 교통 혼잡 예측 방법을 나타낸 순서도이고, 도 4는 본 발명의 실시예에 따른 주중 동안의 평균 TCI 값을 표시한 지도맵 데이터를 나타낸 도면이고, 도 5는 본 발명의 실시예에 따른 인구 밀도와 TCI 간의 상관 관계를 나타낸 도면이다.
본 발명의 실시예에 따른 지역 교통 혼잡 지수를 이용한 교통 혼잡 예측 시스템(100)은 복수의 교통 혼잡 예측 장치(110), 도로 교통 정보 제공 서버(130) 및 교통 관리 서버(140)를 포함한다.
도로 교통 정보 제공 서버(130)는 도로 교통 데이터를 무선 통신으로 통신망(120)을 통해 교통 혼잡 예측 장치(110)로 전송한다. 여기서, 도로 교통 데이터는 도로 환경 정보, 통행 교통량 정보, 소통 상황 정보, 지도맵 데이터 등 도로 교통에 필요한 다양한 정보를 포함할 수 있다.
각각의 교통 혼잡 예측 장치(110)는 교통 데이터 수신부(111), 이미지 처리 프로세스(112), 제어부(113), 저장부(114) 및 디스플레이부(115)를 포함한다.
교통 데이터 수신부(111)는 외부의 도로 교통 정보 제공 서버(130)로부터 3분 간격으로 지도맵 데이터를 포함한 도로 교통 데이터를 수신하여 저장부(114)에 저장한다.
이미지 처리 프로세스(112)는 교통 데이터 수신부(111)로부터 수신된 도로 교통 데이터를 소규모 지역을 기설정된 하부 지역으로 분할하여 캡처한다(S100).
여기서, 소규모 지역은 도시 전체가 아닌 도시의 작은 지역을 포함한다.
이미지 처리 프로세스(112)는 도로 교통 데이터의 통행 교통량 정보를 기초로 분할된 하부 지역마다 혼잡 레벨을 결정하고, 결정한 혼잡 레벨에 따라 특정 컬러을 지도맵 데이터에 표시한 후, 저장부(114)에 저장한다(S110).
여기서, 혼잡 레벨은 색상 측면에서 빨간색의 경우, 잼 상태(Jam State), 노란색의 경우, 느린 상태(Slow State), 녹색의 경우, 자유 상태(Free State)로 나타낸다.
혼잡 레벨의 결정은 통행 교통량 정보를 기준으로 일정한 범위별로 잼 상태, 느린 상태, 자유 상태로 나눌 수 있다.
도 4에 도시된 바와 같이, 예를 들어, 지도맵 데이터는 인천시 지역의 촬영 이미지는 25개의 하위 지역으로 나누어진다.
각각의 하부 지역에는 각각의 도로를 혼잡 레벨을 나타내는 색깔(빨간색, 노란색, 녹색)로 표시할 수 있다.
예를 들어, 인천시 지역의 캡처된 이미지는 특정 지역의 지도맵 데이터에서 25개의 하위 지역으로 나누어지며, 이름은 다음과 같이 지정된다.
Figure pat00005
도 4에 도시된 바와 같이, 제어부(113)는 각각의 하부 지역에 표시된 색깔을 이용하여 자유 도로 길이(Flength), 느린 도로 길이(Slength) 및 잼 도로 길이(Jlength)를 각각 계산한다.
제어부(113)는 각각의 하부 지역(특정 지역)의 교통 혼잡 지수(Traffic Congestion Index, TCI)를 하기의 수학식 1를 이용하여 계산한다(S120).
Figure pat00006
여기서, Flength은 각각의 하부 지역에서 녹색으로 표시된 도로의 길이이고, Slength은 각각의 하부 지역에서 노란색으로 표시된 도로의 길이이고, Jlength은 각각의 하부 지역에서 빨간색으로 표시된 도로의 길이이며, Total length of the road는 전체 도로의 길이를 나타낸다.
TCI의 값은 0(자유 상태의 모든 도로 네트워크)에서 300(잼 상태의 모든 도로 네트워크)까지이다.
제어부(113)는 총 이미지 개수(N)인 시간 간격 동안의 평균 TCI의 값을 하기의 수학식 2에 의해 계산된다. 총 이미지 개수는 이미지 처리 프로세스(112)에서 일정한 시간 간격 동안의 캡처된 하부 지역의 이미지 개수의 총합이다.
Figure pat00007
제어부(113)는 하기의 수학식 3에 의해 각 하위 지역의 인구 밀도를 계산한다.
Figure pat00008
여기서, a1, a2, an은 퍼센트(%)로 나타낸 행정 지역의 부분이고, d1, d2, dn은 하위 지역의 인구 밀도이다.
각각의 하위 지역의 인구 밀도는 아래의 표 1에 도시되어 있다.
Figure pat00009
제어부(113)는 각각의 하위 지역의 TCI 값을 계산되고(수학식 1), 계산된 각각의 하위 지역의 TCI 값을 이미지 처리 프로세스(112)에서 일정한 시간 간격 동안의 캡처된 하부 지역의 이미지 개수만큼 수행하여 각각의 하위 지역마다 평균 TCI 값을 계산한다(수학식 2, S130).
제어부(113)는 통신망(120)을 통해 시간별, 날짜별로 각각의 하부 지역에 도로(117)의 혼잡 레벨, 평균 TCI 값을 표시된 지도맵 데이터를 교통 관리 서버(140)로 전송한다.
교통 관리 서버(140)는 복수의 교통 혼잡 예측 장치(110)로부터 각 지역에서 시간별, 날짜별로 각각의 하부 지역에 도로(117)의 혼잡 레벨, 평균 TCI 값을 표시된 지도맵 데이터를 수신하고, 수신한 데이터를 이용하여 각 지역의 소규모의 하위 지역의 교통 혼잡을 예측하며, 이를 기초로 도시 전체의 교통 혼잡을 예측할 수 있다.
교통 관리 서버(140)는 소규모 지역의 교통 혼잡 지수에 대한 계산 및 분석을 통해 도시의 혼잡 상태를 추정하여 도로 교통을 계획 및 구성할 수 있는 자료로 이용할 수 있다.
다른 실시예로서, 각각의 교통 혼잡 예측 장치(110)는 해당 소규모 지역의 각각의 하부 지역에 도로(117)의 혼잡 레벨, 평균 TCI 값을 표시된 지도맵 데이터를 이용하여 각 지역의 소규모의 하위 지역의 교통 혼잡을 예측할 수 있다.
각각의 교통 혼잡 예측 장치(110)는 소규모 지역의 교통 혼잡 지수에 대한 계산 및 분석을 통해 도시의 혼잡 상태를 추정하여 도로 교통을 계획 및 구성할 수 있는 자료로 이용할 수 있다.
디스플레이부(115)에 출력된 지도맵 데이터의 최종 이미지는 각각의 하부 지역에 도로별(117)로 혼잡 레벨을 나타내는 제1 색깔이 표시되고, 평균 TCI 값을 기설정된 혼잡도 범위에 따라 제2 색깔을 설정하고, 설정된 제2 색깔이 표시된 원형(116) 안에 평균 TCI 값을 표시할 수 있다.
분석에 사용된 데이터 세트는 2019년 10월 1일부터 10월 7일까지의 이미지가 포함되어 있고, 근무일 4일, 주말 2일, 휴일 1일이 포함된다.
제어부(113)는 계산된 평균 TCI 값을 기준으로 기설정된 혼잡도 범위에 따라 색깔을 다르게 설정한다.
더욱 상세하게는 제어부(113)는 계산된 평균 TCI 값을 기준으로 높은 혼잡(TCI > 120), 혼잡(80 < TCI ≤ 120), 보통(40 ≤ TCI < 80), 자유(TCI < 40)의 4개 그룹으로 분류하고, 높은 혼잡인 경우, 짙은 적색, 혼잡인 경우, 보통 적색, 보통인 경우, 노란색, 자유인 경우, 녹색을 설정한다.
제어부(113)는 설정된 색깔을 특정 도형(예를 들어, 원형 등)(116) 안에 평균 TCI 값을 표시하여 각각의 하부 지역의 지도맵 데이터의 왼쪽 상단에 표시한다(S140).
도 4에 도시된 바와 같이, 제어부(113)는 각각의 도로(117)를 혼잡 레벨을 나타내는 색깔(빨간색, 노란색, 녹색)로 표시하고, 각각의 하부 지역에 색깔별로 구분된 평균 TCI 값을 추가하여 디스플레이부(115)에 출력한다.
디스플레이부(115)에 출력된 지도맵 데이터의 최종 이미지는 각각의 하부 지역에 도로별(117)로 혼잡 레벨을 나타내는 제1 색깔이 표시되고, 평균 TCI 값을 기설정된 혼잡도 범위에 따라 제2 색깔을 설정하고, 설정된 제2 색깔이 표시된 원형(116) 안에 평균 TCI 값을 표시할 수 있다.
근무일에 대한 전체 평균 TCI값은 102.23인 반면, 하위 지역의 TCI 분포는 도 4와 같이, R14의 4.61에서 R33의 147.5 사이이다.
주말과 휴일의 평균 TCI값은 95.56이지만 TCI 분포는 R41의 4.11에서 R33의 139.7까지 범위를 아래의 표 2에 도시되어 있다.
Figure pat00010
소규모의 지역(예를 들어, 인천시 등)의 각 하위 지역 정체는 전체 도시의 TCI보다 더 의미가 있다.
도 4를 참조하면, 주중에는 25개의 하위 지역 중 10개가 항상 혼잡한 지역에 있고, 표 2에서 주말 또는 휴일 동안 25개의 하위 지역 중 8개가 항상 혼잡한 수준에 있음을 알 수 있다.
인천 시청은 R33 하위 지역에 위치하고 있으며, TCI와 인구 밀도가 가장 높다는 것을 보여준다.
도 5는 교통 혼잡 지수와 인구 밀도의 관계를 보여주고, 양의 상관 관계를 보여주며, 그 상관 관계가 82.36%이다.
하위 지역 R15는 인구 밀도가 8,774/km2인 특이치 역할을 하므로 일요일과 화요일에 TCI의 가치가 높다.
도 5에 도시된 바와 같이, 각 하위 지역의 인구 밀도는 고정되어 있으므로 TCI 값은 요일에 따라 달라지므로 동일한 X축에 대한 다중 Y축 값의 원인이 된다.
본 발명은 소규모의 TCI 값을 분석하고, 도시 전체의 평균 TCI 값과 비교하고, 혼잡을 줄이기 위하여 도시 전체의 TCI 값을 계산하는 것이 유익하지 않으며, 작은 지역에 대한 TCI 값을 계산하는 것이 더 유익하다.
각각의 하부 지역의 혼잡은 주중 또는 주말동안 해당 지역의 인구 밀도와 82%의 상관 관계가 있음을 알 수 있다.
소규모 지역에 대한 TCI가 전체 도시 수준의 TCI 값보다 더 유익하며, TCI 값과 인구 밀도와 밀접한 관계가 있다.
이상에서 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 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.
100: 교통 혼잡 예측 시스템
110: 교통 혼잡 예측 장치
111: 교통 데이터 수신부
112: 이미지 처리 프로세스
113: 제어부
114: 저장부
115: 디스플레이부
120: 통신망
130: 도로 교통 정보 제공 서버
140: 교통 관리 서버

Claims (9)

  1. 외부 서버로부터 수신한 지도맵 데이터를 포함한 도로 교통 데이터를 도시 전체가 아닌 소규모 지역을 기설정된 하부 지역으로 분할하여 캡처하고, 도로 교통 데이터의 통행 교통량 정보를 기초로 상기 분할된 하부 지역의 각각의 도로에 대한 혼잡 레벨을 결정하고, 상기 결정한 혼잡 레벨에 따라 특정 색깔을 상기 지도맵 데이터에 표시하는 이미지 처리 프로세스; 및
    상기 각각의 하부 지역에 표시된 색깔을 이용하여 자유 도로 길이(Flength), 느린 도로 길이(Slength) 및 잼 도로 길이(Jlength)를 각각 계산하고, 상기 각각의 하부 지역의 교통 혼잡 지수(Traffic Congestion Index, TCI)를 하기의 수학식 1를 이용하여 계산하는 제어부를 포함하는 것을 특징으로 하는 교통 혼잡 예측 장치.
    [수학식 1]
    Figure pat00011

    여기서, Flength은 각각의 하부 지역에서 녹색으로 표시된 도로의 길이이고, Slength은 각각의 하부 지역에서 노란색으로 표시된 도로의 길이이고, Jlength은 각각의 하부 지역에서 빨간색으로 표시된 도로의 길이이며, Total length of the road는 전체 도로의 길이임.
  2. 제1항에 있어서,
    상기 제어부는 상기 이미지 처리 프로세스에서 일정한 시간 간격 동안의 캡처된 각각의 하부 지역의 이미지 개수(N)만큼 상기 수학식 1에 의해 TCI 값을 계산하고, 하기의 수학식 2에 의해 평균 TCI 값을 계산하는 것을 특징으로 하는 교통 혼잡 예측 장치.
    [수학식 2]
    Figure pat00012

    여기서, 일정한 시간 간격 동안의 캡처된 하부 지역의 이미지 개수의 총합임.
  3. 제2항에 있어서,
    상기 제어부는 상기 계산된 평균 TCI 값을 기준으로 기설정된 혼잡도 범위에 따라 색깔을 다르게 하여 설정하고, 상기 설정된 색깔이 표시된 특정 도형 안에 상기 평균 TCI 값을 표시하는 것을 특징으로 하는 교통 혼잡 예측 장치.
  4. 제3항에 있어서,
    상기 제어부는 상기 계산된 평균 TCI 값을 기준으로 높은 혼잡(TCI > 120), 혼잡(80 < TCI ≤ 120), 보통(40 ≤ TCI < 80), 자유(TCI < 40)의 4개 그룹으로 분류하고, 높은 혼잡인 경우, 짙은 적색, 혼잡인 경우, 보통 적색, 보통인 경우, 노란색, 자유인 경우, 녹색을 설정하는 것을 특징으로 하는 교통 혼잡 예측 장치.
  5. 제2항에 있어서,
    상기 계산된 평균 TCI 값이 주중 또는 주말동안 상기 각각의 하부 지역의 인구 밀도와의 상관 관계가 80% 이상인 것을 특징으로 하는 교통 혼잡 예측 장치.
  6. 이미지 처리 프로세스가 외부 서버로부터 수신한 지도맵 데이터를 포함한 도로 교통 데이터를 도시 전체가 아닌 소규모 지역을 기설정된 하부 지역으로 분할하여 캡처하는 단계;
    상기 이미지 처리 프로세스가 상기 도로 교통 데이터의 통행 교통량 정보를 기초로 상기 분할된 하부 지역의 각각의 도로에 대한 혼잡 레벨을 결정하고, 상기 결정한 혼잡 레벨에 따라 특정 색깔을 상기 지도맵 데이터에 표시하는 단계;
    제어부가 상기 각각의 하부 지역에 표시된 색깔을 이용하여 자유 도로 길이(Flength), 느린 도로 길이(Slength) 및 잼 도로 길이(Jlength)를 각각 계산하는 단계;
    상기 각각의 하부 지역의 교통 혼잡 지수(Traffic Congestion Index, TCI)를 하기의 수학식 1를 이용하여 계산하는 단계; 및
    상기 제어부가 상기 이미지 처리 프로세스에서 일정한 시간 간격 동안의 캡처된 각각의 하부 지역의 이미지 개수(N)만큼 상기 수학식 1에 의해 TCI 값을 계산하고, 하기의 수학식 2에 의해 평균 TCI 값을 계산하는 단계를 포함하는 것을 특징으로 하는 교통 혼잡 예측 방법.
    [수학식 1]
    Figure pat00013

    여기서, Flength은 각각의 하부 지역에서 녹색으로 표시된 도로의 길이이고, Slength은 각각의 하부 지역에서 노란색으로 표시된 도로의 길이이고, Jlength은 각각의 하부 지역에서 빨간색으로 표시된 도로의 길이이며, Total length of the road는 전체 도로의 길이임.
  7. 제6항에 있어서,
    상기 평균 TCI 값을 계산하는 단계 이후에,
    상기 제어부가 상기 계산된 평균 TCI 값을 기준으로 높은 혼잡(TCI > 120), 혼잡(80 < TCI ≤ 120), 보통(40 ≤ TCI < 80), 자유(TCI < 40)의 4개 그룹으로 분류하고, 높은 혼잡인 경우, 짙은 적색, 혼잡인 경우, 보통 적색, 보통인 경우, 노란색, 자유인 경우, 녹색을 설정하고, 상기 설정된 색깔이 표시된 특정 도형 안에 상기 평균 TCI 값을 표시하는 단계를 포함하는 것을 특징으로 하는 교통 혼잡 예측 방법.
  8. 외부 서버로부터 수신한 지도맵 데이터를 포함한 도로 교통 데이터를 도시 전체가 아닌 소규모 지역을 기설정된 하부 지역으로 분할하여 캡처하고, 도로 교통 데이터의 통행 교통량 정보를 기초로 상기 분할된 하부 지역의 각각의 도로에 대한 혼잡 레벨을 결정하고, 상기 결정한 혼잡 레벨에 따라 특정 색깔을 상기 지도맵 데이터에 표시하는 이미지 처리 프로세스; 및
    상기 각각의 하부 지역에 표시된 색깔을 이용하여 자유 도로 길이(Flength), 느린 도로 길이(Slength) 및 잼 도로 길이(Jlength)를 각각 계산하고, 상기 각각의 하부 지역의 교통 혼잡 지수(Traffic Congestion Index, TCI)를 하기의 수학식 1를 이용하여 계산하는 제어부를 포함하고,
    상기 제어부는 상기 이미지 처리 프로세스에서 일정한 시간 간격 동안의 캡처된 각각의 하부 지역의 이미지 개수(N)만큼 상기 수학식 1에 의해 TCI 값을 계산하고, 하기의 수학식 2에 의해 평균 TCI 값을 계산하며, 상기 계산된 평균 TCI 값을 기준으로 높은 혼잡(TCI > 120), 혼잡(80 < TCI ≤ 120), 보통(40 ≤ TCI < 80), 자유(TCI < 40)의 4개 그룹으로 분류하고, 높은 혼잡인 경우, 짙은 적색, 혼잡인 경우, 보통 적색, 보통인 경우, 노란색, 자유인 경우, 녹색을 설정하는 것을 특징으로 하는 교통 혼잡 예측 장치.
    [수학식 1]
    Figure pat00014

    여기서, Flength은 각각의 하부 지역에서 녹색으로 표시된 도로의 길이이고, Slength은 각각의 하부 지역에서 노란색으로 표시된 도로의 길이이고, Jlength은 각각의 하부 지역에서 빨간색으로 표시된 도로의 길이이며, Total length of the road는 전체 도로의 길이임.
    [수학식 2]
    Figure pat00015

    여기서, 일정한 시간 간격 동안의 캡처된 하부 지역의 이미지 개수의 총합임.
  9. 제8항에 있어서,
    상기 제어부는 상기 설정된 색깔이 표시된 특정 도형 안에 상기 평균 TCI 값을 표시하여 상기 각각의 하부 지역의 지도맵 데이터의 특정 위치에 표시하는 것을 특징으로 하는 교통 혼잡 예측 장치.
KR1020200065824A 2020-06-01 2020-06-01 교통 혼잡 예측 장치 및 방법 KR102493981B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200065824A KR102493981B1 (ko) 2020-06-01 2020-06-01 교통 혼잡 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200065824A KR102493981B1 (ko) 2020-06-01 2020-06-01 교통 혼잡 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210148678A true KR20210148678A (ko) 2021-12-08
KR102493981B1 KR102493981B1 (ko) 2023-02-01

Family

ID=78867869

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200065824A KR102493981B1 (ko) 2020-06-01 2020-06-01 교통 혼잡 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102493981B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10283589A (ja) * 1997-04-08 1998-10-23 Alpine Electron Inc ナビゲーション装置における道路混雑状況表示方法
JP2011048754A (ja) * 2009-08-28 2011-03-10 I-Transport Lab Co Ltd 交通状況解析装置、交通状況解析プログラム及び交通状況解析方法
JP2015187643A (ja) * 2014-03-26 2015-10-29 株式会社ゼンリンデータコム 地図表示システム及び地図表示プログラム
KR101647188B1 (ko) * 2014-07-24 2016-08-09 부산대학교 산학협력단 교통 정보를 시각적으로 표시하는 방법 및 장치
KR101671245B1 (ko) 2016-07-04 2016-11-01 신명이엔씨(주) 교통혼잡지표 산출 방법 및 장치
KR20200006245A (ko) * 2018-07-10 2020-01-20 울산과학기술원 교통 정보 시각화 분석 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10283589A (ja) * 1997-04-08 1998-10-23 Alpine Electron Inc ナビゲーション装置における道路混雑状況表示方法
JP2011048754A (ja) * 2009-08-28 2011-03-10 I-Transport Lab Co Ltd 交通状況解析装置、交通状況解析プログラム及び交通状況解析方法
JP2015187643A (ja) * 2014-03-26 2015-10-29 株式会社ゼンリンデータコム 地図表示システム及び地図表示プログラム
KR101647188B1 (ko) * 2014-07-24 2016-08-09 부산대학교 산학협력단 교통 정보를 시각적으로 표시하는 방법 및 장치
KR101671245B1 (ko) 2016-07-04 2016-11-01 신명이엔씨(주) 교통혼잡지표 산출 방법 및 장치
KR20200006245A (ko) * 2018-07-10 2020-01-20 울산과학기술원 교통 정보 시각화 분석 장치 및 방법

Also Published As

Publication number Publication date
KR102493981B1 (ko) 2023-02-01

Similar Documents

Publication Publication Date Title
US10902719B2 (en) Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same
EP3507942B1 (en) Wireless network optimization
US8930123B2 (en) Systems and methods for determining traffic intensity using information obtained through crowdsourcing
US7236881B2 (en) Method and apparatus for end-to-end travel time estimation using dynamic traffic data
Erdelić et al. Estimating congestion zones and travel time indexes based on the floating car data
EP2506233B1 (en) Method and system for using cellular data for transportation planning and engineering
US9324232B2 (en) Method and system for modeling and processing vehicular traffic data and information and applying thereof
US7363144B2 (en) Method and apparatus for predicting future travel times over a transportation network
DE60319993T2 (de) Vorrichtung und verfahren zur verkehrsinformationsbereitstellung
KR20140128063A (ko) 교통 상황 예측 시스템
CN105303831A (zh) 一种基于通信数据判断高速路拥堵情况的方法
Zhang et al. Hybrid traffic speed modeling and prediction using real-world data
KR102493981B1 (ko) 교통 혼잡 예측 장치 및 방법
Hobeika et al. Real-time traffic diversion model: Conceptual approach
Moreira-Matias et al. An online learning framework for predicting the taxi stand's profitability
Banik et al. Corridor level mobility analysis using GPS data
CN113111477A (zh) 一种城市公共交通的站点设置方法、装置和存储介质
JPH11272982A (ja) 旅行時間推定方法及び装置
CN115482664B (zh) 一种智能交通的路网交通流时空预测方法
Kim Dynamic Bandwidth Optimization for Coordinated Arterial
JP2008052671A (ja) 渋滞状況予測装置
Yusuf et al. Exploring Urban Mobility Trends using Cellular Network Data
Cheng et al. A Multiscale Demand and Supply Model for Oversaturated Dynamic Transportation Queueing Systems
CN116862097A (zh) 一种信息确定方法及设备
Stevanovic et al. Demand based signal retiming phase 2-real-world implementation.

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right