KR20220055335A - 교통 정보 예측 장치 및 교통 정보 예측 방법 - Google Patents

교통 정보 예측 장치 및 교통 정보 예측 방법 Download PDF

Info

Publication number
KR20220055335A
KR20220055335A KR1020200139673A KR20200139673A KR20220055335A KR 20220055335 A KR20220055335 A KR 20220055335A KR 1020200139673 A KR1020200139673 A KR 1020200139673A KR 20200139673 A KR20200139673 A KR 20200139673A KR 20220055335 A KR20220055335 A KR 20220055335A
Authority
KR
South Korea
Prior art keywords
vehicle
density
speed
head
traffic information
Prior art date
Application number
KR1020200139673A
Other languages
English (en)
Inventor
김태헌
Original Assignee
현대자동차주식회사
기아 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 현대자동차주식회사, 기아 주식회사 filed Critical 현대자동차주식회사
Priority to KR1020200139673A priority Critical patent/KR20220055335A/ko
Priority to US17/362,569 priority patent/US11823571B2/en
Priority to DE102021207368.9A priority patent/DE102021207368A1/de
Priority to CN202110829538.3A priority patent/CN114495482A/zh
Publication of KR20220055335A publication Critical patent/KR20220055335A/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
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

본 발명은 교통 정보 예측 장치 및 교통 정보 예측 방법에 관한 것으로, 교통 정보 예측 장치는, 차량에 탑재되어 있는 복수의 센서를 이용하여 차간 간격, 차두 간격 및 차량 밀도를 도출하는 데이터 산출부와; 상기 차량 밀도에 대응하는 통행 속도 데이터를 도출하고, 교통 정보를 예측하는 예측부를 포함할 수 있다.

Description

교통 정보 예측 장치 및 교통 정보 예측 방법{TRAFFIC INFORMATION PREDICTION APPARATUS AND PREDICTION METHOD USING THE SAME}
본 발명은 교통 정보 예측 장치 및 교통 정보 예측 방법에 관한 것으로, 보다 상세하게는 밀도 추정 기술 기반의 교통 정보 예측 장치 및 교통 정보 예측 방법에 관한 것이다.
현재 제공되고 있는 교통정보는 과거 패턴 속도 기반으로 예측한 정보에 해당한다. 즉, 하루 중 동시간대에는 유사한 속도가 생성될 것이라는 가정을 기반으로 기존의 속도 패턴을 이용하여 현재의 교통 정보, 예컨대 속도 정보를 도출하고 있다.
과거 동일한 요일 및 시간 대에 교통 정보를 활용하는 경우, 예를 들어, 2월 3일 월요일 AM 9:00~9:05 및 2월 10일 월요일 AM 9:00~9:05의 속도를 활용하여 3월 2일 월요일 AM 9:00~9:05의 속도를 예측하는 것이다.
하지만, 과거 패턴에 따른 속도는 해당 시점에 나타날 수 있는 예외적인 특성, 예컨대 날씨 또는 계절 등의 변수들이 상이하게 변할 수 있고, 시기별로 통행량이 달라질 수 있기 때문에 그에 따른 부적절한 데이터를 속도 예측에 활용하게 된다. 즉, 동시간대에 유사한 속도가 유지될 것이라는 가정은 교통 정보 예측 시 오차 발생 확률을 높일 가능성이 크다.
한편, 교통 정보를 예측하기 위하여 차량 프로브(Probe, 이하 프로브) 운행량 변화가 교통에 영향을 미치지는 지에 대한 연구도 이루어지고 있다. 이 경우, GPS 발생 시점 기준으로 정체 시간을 거시적으로 예상할 수는 있으나, 프로브 샘플 수에 대한 한계로 링크 단위(예측 대상이 되는 도로)의 시간대 별 속도 예측 등의 미시적 측면의 예측에는 한계가 존재한다.
따라서, 과거 패턴속도 이용 시 단순 동시간 대 속도가 아니라, 비슷한 소통 상태의 속도를 활용하는 것이 필요하다. 한편, 차량 밀집도에 해당하는 밀도는 교통공학에서 소통 상태를 가장 객관적으로 판단할 수 있는 효과적인 척도로 알려져 있다.
밀도 추정에 관련 연구는 한정된 구간의 도로에 대하여 영상을 촬영하여 해당 구간의 평균 차량 대수를 산정하고, 영상 촬영을 통해 실제 도로 상의 전체 차량의 대수를 확인할 수 있는 장점이 있으나, 교통 예측과 같이 상시 밀도 데이터가 필요한 경우 데이터 확보에 한계가 존재한다.
따라서, 속도 예측에 활용할 수 있는 추가 변수를 확보하고, 밀도를 기반으로 하는 통행 속도 예측 기법에 대한 개발이 필요하다.
본 발명이 해결하고자 하는 과제는 차량간의 차간 간격 데이터를 통해서 소통 상황을 객관적으로 판단하고 속도 예측에 활용할 수 있는 추가 변수(밀도)를 생성할 수 있는 교통 정보 예측 장치 및 교통 정보 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 통계 기법에 기반한 신뢰도 있는 밀도 추정이 가능한 교통 정보 예측 장치 및 교통 정보 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 밀도 기반의 패턴 속도 제공으로 동일한 소통 상황에서의 통행 속도의 도출이 가능한 교통 정보 예측 장치 및 교통 정보 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 현재 밀도 상태에 따라 소통 상황의 지속성을 판단할 수 있고, 미래 교통정보에 대한 예측 모델 개발이 가능한 교통 정보 예측 장치 및 교통 정보 예측 방법을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재들로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 실시예에 따른 교통 정보 예측 장치는, 차량에 탑재되어 있는 복수의 센서를 이용하여 차간 간격, 차두 간격 및 차량 밀도를 도출하는 데이터 산출부와; 상기 차량 밀도에 대응하는 통행 속도 데이터를 도출하고, 교통 정보를 예측하는 예측부를 포함할 수 있다.
상기 데이터 산출부는, 상기 차량의 전후방 센서로부터 선행 차량 및 후행 차량과의 개별적인 상기 차간 간격을 획득하는 차간 간격 획득부와; 상기 차량의 카메라에 의하여 획득한 상기 선행 또는 후행 차량의 길이 및 상기 차간 간격에 기초하여 상기 차두 간격을 산출하는 차두 간격 산출부와; 상기 차두 간격을 기반으로 차량 밀도를 산출하는 밀도 산출부를 포함할 수 있다.
상기 차두 간격 산출부는 하나의 프로부로부터 세 개의 프로부에 대한 두 개의 차간 간격 데이터를 산출할 수 있다.
상기 차두 간격 산출부는, 상기 선행 차량의 차량 길이에 상기 선행 차량과의 상기 차간 간격을 합하여 상기 차량과 상기 선행 차량 간의 상기 차두 간격을 산출하고, 상기 차량의 차량 길이에 상기 후행 차량과의 상기 차간 간격을 합하여 상기 차량과 상기 후행 차량 간의 상기 차두 간격을 산출할 수 있다.
상기 밀도 산출부는, N개의 상기 차두 간격을 표본에 기초하여 모집단의 평균 차두 간격을 추정하고, 특정 구간의 상기 차량 밀도를 산출할 수 있다.
상기 밀도 산출부는, 상기 특정 구간의 상기 차량 밀도를 아래 수식에 기초하여 산출할 수 있다.
[수식 1]
Figure pat00001
여기서, K는 상기 특정 구간의 밀도, L은 상기 특정 구간의 길이, a는 모집단 차두 간격(μ)의 최소값, b는 모집단 차두 간격(μ)의 최대값이다.
상기 예측부는, 특정 시간대에 대응하는 속도 데이터에 상기 차량 밀도에 대한 밀도 데이터를 추가하고, 상기 차량 밀도에 대응하는 적어도 하나의 속도 데이터를 나타내는 밀도-속도 패턴 데이터를 구축하고, 상기 차량 밀도 마다 상기 적어도 하나의 속도 데이터를 대표하는 대표 속도를 도출하는 속도 도출부를 포함할 수 있다.
상기 예측부는, 기 구축된 시간-밀도 패턴, 기 구축된 시간-속도 패턴 및 상기 밀도-속도 패턴 데이터를 기반으로 현 시점의 차량 속도를 예측하는 속도 예측부를 포함할 수 있다.
상기 속도 예측부는 실시간으로 측정되는 실시간 밀도가 상기 시간-밀도 패턴에 부합되지 않는 경우, 상기 시간-밀도 패턴에 부합되지 않는 제1 시점의 제1 실시간 밀도에 대응하는 제1 차량 속도를 상기 밀도-속도 패턴 데이터에 기초하여 도출하고, 상기 시간-속도 패턴에서 상기 제1 차량 속도에 대응하는 제2 시점을 도출하고, 상기 시간- 속도 패턴을 상기 제2 시점 및 상기 제1 시점의 차이만큼 시프트할 수 있다.
상기 속도 예측부는, 상기 차량 밀도 및 상기 차량의 속도에 대한 관계를 파악하는 딥러닝 모델링을 수행하는 알고리즘을 포함할 수 있다.
본 발명의 다른 실시예에 따른 교통 정보 예측 방법은 차량에 탑재되어 있는 복수의 센서를 이용하여 차간 간격, 차두 간격 및 차량 밀도를 도출하는 데이터 산출 단계와; 상기 차량 밀도에 대응하는 통행 속도 데이터를 도출하고, 교통 정보를 예측하는 교통 정보 예측 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면 차량간의 차간 간격 데이터를 통해서 소통 상황을 객관적으로 판단하고 속도 예측에 활용할 수 있는 추가 변수(밀도)를 생성할 수 있는 교통 정보 예측 장치 및 교통 정보 예측 방법이 제공된다.
또한, 본 발명의 일 실시예예 따르면 통계 기법에 기반한 신뢰도 있는 밀도 추정이 가능한 교통 정보 예측 장치 및 교통 정보 예측 방법이 제공된다.
본 발명의 일 실시예예 따르면 밀도 기반의 패턴 속도 제공으로 동일한 소통 상황에서의 통행 속도의 도출이 가능한 교통 정보 예측 장치 및 교통 정보 예측 방법이 제공된다.
본 발명의 일 실시예예 따르면 현재 밀도 상태에 따라 소통 상황의 지속성을 판단할 수 있고, 미래 교통정보에 대한 예측 모델 개발이 가능한 교통 정보 예측 장치 및 교통 정보 예측 방법이 제공된다.
이를 통해, 단순 동일한 밀도의 통행 속도 산출이 아닌 딥러닝 모델을 활용하여 밀도와 속도 간의 관계를 파악할 수 있고, 소통 상황 별 밀도의 객관성을 활용하여 실시간 밀도 데이터 기반의 통행 속도 예측 기술을 고도화할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치의 제어 블록도이다.
도 2는 본 발명의 일 실시예에 따른 차간 간격을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 차두 간격을 설명하기 위한 도면이다.
도 4는 일 예에 따른 t 분포를 따르는 통계량을 설명하는 그래프이다.
도 5는 본 발명의 일 실시예예 따른 속도-밀도 관계를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 밀도를 기반으로 속도를 예측하는 방법을 설명하기 위한 그래프들이다.
도 7은 본 발명의 일 실시예예 따른 교통 정보 예측 방법을 설명하는 제어 흐름도이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 또한, 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 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 도 1 내지 도 7을 참조하여, 본 발명의 실시예들을 구체적으로 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치의 제어 블록도이다.
상술된 바와 같이, 과거 패턴 속도를 이용하여 속도를 예측하는 경우 기간 별 특성에 따라 교통 환경이 변경될 수도 있고, 동시간대 유사한 속도가 유지될 것이라는 가정은 오차 발생 확률을 높이는 요인이 된다. 따라서, 교통 공학에서 소통 상태를 가장 객관적으로 판달할 수 있는 새로운 변수인 밀도를 활용하는 것이 필요하다.
본 발명에 따른 교통 정보 예측 장치는 자동차 센싱 기술 및 영상 데이터 기반으로 차량의 밀도를 추정하고, 이를 기반으로 하여 교통 정보의 예측 정확도를 향상시킬 수 있다. 도시된 바와 같이, 본 실시예에 따른 교통 정보 예측 장치는 데이터 산출부(100)와 데이터 산출부(100)에서 산출된 정보를 이용하여 교통 정보를 예측하는 예측부(200)를 포함할 수 있다. 이러한 교통 정보 예측 장치는 차량의 센서 및 차량 내외에 부착되어 있는 카메라 등과 통신하거나, 이들 센서들을 제어하는 제어 모듈과 유선 또는 무선으로 통신할 수 있다. 교통 정보 예측 장치는 차량과 통신 가능한 외부의 서버로 구현될 수 있고, 후술되는 예측 방법을 구현할 수 있는 어플리케이션이 실행되는 단말로 구현될 수도 있다.
데이터 산출부(100)는 차량에 탑재되어 있는 복수의 센서를 이용하여 차간 간격, 차두 간격 및 차량 밀도를 도출할 수 있고, 이를 위하여 차간 간격 획득부(110), 차두 간격 산출부(120) 및 밀도 산출부(130)를 포함할 수 있다.
예측부(200)는 차량 밀도에 대응하는 통행 속도 데이터를 도출하고, 교통 정보, 예를 들어 속도를 예측할 수 있다. 이를 위하여 예측부(200)는 속도 도출부(210) 및 속도 예측부(220)를 포함할 수 있다.
각 구성 요소들은 설명의 편의를 위하여 기능적으로 구별된 것으로, 적어도 하나 이상의 구성 요소들는 하나의 모듈 또는 칩으로 구현될 수 있고, 기능을 구현하는 물리적인 구성들 간의 전자적 통신으로 데이터들이 송수신될 수 있다.
이하, 도 2 내지 도 6을 참조하여 밀도를 기반으로 하는 속도 예측 방법이 설명된다.
도 2는 본 발명의 일 실시예에 따른 차간 간격을 설명하기 위한 도면이다.
차간 간격 획득부(110)는 차량의 전후방 센서로부터 선행 차량 및 후행 차량과의 개별적인 차간 간격을 획득할 수 있다. 차간 간격 획득부(110)는 차량 센서로부터 차간 간격에 대한 정보를 획득할 수도 있고, 차량 센서 자체 또는 차량 센서를 포함하는 모듈로 구현될 수 있다.
도 2와 같이, 차량 1의 경우, 선행 차량과의 차간 간격은 60m, 후행 차량과의 차간 간격은 50m이고, 차량 2의 경우, 선행 차량과의 차간 간격은 40m, 후행 차량과의 차간 간격은 30m이다.
본 실시예예 따를 경우, 하나의 차량, 즉 하나의 프로브로부터 앞 차량 및 뒤 차량 간의 간격 정보를 획득할 수 있다. 즉, 하나의 차간 간격 정보를 통하여 차량 3대에 대한 상태를 파악할 수 있다. 이러한 차간 간격은 차두 간격을 도출하는데 사용될 수 있다. 차량 3대 중 가운데 위치하는 차량, 즉 차간 간격에 대한 정보를 제공하는 차량을 기준 차량으로 명명할 수 있다.
다른 예에 따라, 두 대 중 하나의 차량 센서로부터 차간 간격에 대한 정보를 획득할 수도 있고, 개별적인 차량으로부터 차간 간격에 대한 정보를 획득할 수도 있다. 복수의 센서로부터 도출된 차간 간격 정보가 중복되는 경우, 평균 값이 차간 간격으로 도출될 수 있다.
도 3은 본 발명의 일 실시예에 따른 차두 간격을 설명하기 위한 도면이다.
데이터 산출부(100) 내 차두 간격 산출부(120)는 차량의 카메라에 의하여 획득한 선행 또는 후행(미도시) 차량의 길이 및 차간 간격에 기초하여 차두 간격을 산출할 수 있다.
도 3의 (a)와 같이 차량의 카메라는 선행 차량을 촬상할 수 있고, 카메라 또는 차두 간격 산출부(120)는 촬상된 영상으로부터 선행 또는 후행 차량의 길이를 도출할 수 있다.
이와 같이 선행 차량의 차량 길이가 도출되면, 차두 간격 산출부(120)는 기준 차량과 선행 차량 간의 차간 간격 및 기준 차량과 후행 차량 간의 차간 간격을 이용하여 선행 차량 및 후행 차량과의 차두 간격을 도출할 수 있다.
도 3의 (b)와 같이 기준 차량과 선행 차량간의 차두 간격은 선행 또는 후행 차량의 길이에 선행 차량과의 차간 간격의 합으로 도출되고, 기준 차량과 후행 차량간의 차두 간격은 기준 차량의 길이에 후행 차량과의 차간 간격의 합으로 도출될 수 있다. 기준 차량의 간격은 센서로 획득하지 않아도 차량 자체의 디폴트 정보일 수 있다. 이러한 차두 간격은 특정 구간 내 차량 밀도를 도출하기 위한 직접적인 데이터로 활용될 수 있다.
차두 간격 역시 하나의 기준 차량으로부터 도출된 정보를 활용하여 선행 차량 및 후행 차량과 관련된 복수의 정보를 획득할 수 있다. 이는 하나의 프로브로부터 3개의 프로브에 대응하는 정보를 획득하는 것으로, 프로브 n개를 활용하여 모집단 차량 중 nx3개에 대한 차두 간격 N(nx2)개의 정보가 획득될 수 있다.
이와 같이 차두 간격이 산출되면, 밀도 산출부(130)는 차두 간격을 기반으로 차량 밀도를 도출한다. 밀도 산출부(130)는 차두 간격 N개의 표본으로 모집단 평균 차두 간격을 추정하고 차량 밀도를 추정한다. 차량 밀도는 서비스 수준 또는 LOS로 표현될 수 있다.
차두 간격의 표본의 개수를 N이라고 하고, 차두 간격 표본 N개의 평균을 E(x)이라고 하고, 차두 간격 표본 N개의 표준 편차를 s라고 할 경우, 모집단의 평균 차두 간격(μ)은 t 분포를 따르는 통계량(T)으로 표현될 수 있다. 통계량(T)을 수식으로 나타내면 다음과 같다.
[수식 1]
Figure pat00002
수식 1은 도 4과 같이 t 분포를 따르는 통계량을 설명하는 그래프로 표현될 수 있다.
자유도가 N-1이고, 신뢰 수준 95%에 대한 한계값을 α라고 하면, T는 α에 대한 수식 2로 표현될 수 있고, 이 때 모집단의 평균 차두 간격(μ)은 a 내지 b의 범위를 갖는 수식 3으로 표현될 수 있다.
[수식 2]
Figure pat00003
[수식 3]
Figure pat00004
수식 3과 같이 모집단의 평균 차두 간격(μ)이 도출되면, 밀도 산출부(130)는 특정 길이를 갖는 특정 구간의 밀도 K를 도출할 수 있다.
[수식 4]
Figure pat00005
L은 특정 구간의 길이는 나타내고, a 는 모집단의 평균 차두 간격(μ)의 최소값 및 b는 모집단의 평균 차두 간격(μ)의 최대값을 나타낸다.
수식 4과 같이 특정 구간에 대한 차량 밀도가 도출되면, 복수의 구간에 대한 차량 밀도를 아래 표와 같이 추정할 수 있다. 표 1은 차량 밀도에 대응하는 서비스 수준을 나타내고 있다.
[표 1]
Figure pat00006
차량 밀도에 대응하여 서로 다른 서비스 수준이 도출될 수 있고, 밀도가 낮을 수록 교통량이 낮은 것을 표1을 통하여 확인할 수 있다.
밀도 지표는 소통 상태를 파악할 수 있는 가장 객관적인 척도임에도 불구하고, 도로 현장에서는 직접 수집할 수 없는 한계가 존재하였으나, 본 실시예에 따르면 차두 간격을 기반으로 차량의 밀도를 용이하게 실시간으로 측정할 수 있다.
이렇게 차량의 밀도가 추청되면, 예측부(200)는 이를 이용하여 교통정보, 즉 속도를 예측한다.
이를 위하여, 속도 도출부(210)는 특정 시간대에 대응하는 속도 데이터에 차량 밀도에 대한 밀도 데이터를 추가하고, 차량 밀도에 대응하는 적어도 하나의 속도 데이터를 나타내는 밀도-속도 패턴 데이터를 구축하고, 차량 밀도 마다 적어도 하나의 속도 데이터를 대표하는 대표 속도를 도출한다.
속도 도출부(210)는 표 2와 같이 특정 구간의 과거 동일 요일 및 시간대 별 속도 및 밀도 데이터를 생성할 수 있다.
[표 2]
Figure pat00007
또한, 속도 도출부(210)는 표 3과 같이 기존의 시간-속도 패턴에 추가하여 밀도-속도 패턴 데이터를 구축하고, 서비스 수준 별로 대표 속도를 산출할 수 있다. 대표 속도는 특정 서비스 수준에 속하는 속도들의 평균값으로 계산될 수 있다.
[표 3]
Figure pat00008
표 3과 같이, 속도 도출부(210)에 의한 데이터 구축에 따라, 기존의 시간대 별 속도가 아닌 밀도에 대응하는 속도가 산출될 수 있으므로, 차량의 밀집도에 따른 속도를 예측할 수 있다.
표 3의 밀도-속도 패턴 데이터는 그래프로 도식화 될 수 있다.
도 5는 본 발명의 일 실시예예 따른 속도-밀도 관계를 설명하기 위한 도면이다.
도시된 바와 같이, 밀도가 서비스 수신D인 경우 선행 차량과의 거리가 60m이고, 밀도가 서비스 수신인 B경우 선행 차량과의 거리는 100m일 수 있다. 이렇게 밀도가 다른 상황에서 차량의 속도 60Km/h인 경우 속도는 동일하다 하여도 소통 상황은 다를 수가 있다. 속도는 편차가 크고 운전자 성향에 따라 차이가 발생하기 때문에 속도 정보만으로 교통의 소통 상황을 판단할 수 없다. 하지만, 운전자가 동일한 속도로 운행한다 하여도 차량 밀도에 따라 교통 소통 상황을 파악할 수 있게 되고, 특정 구간에 대하여 밀도에 대응하는 대표 속도를 도출할 수 있다.
도 6은 본 발명의 일 실시예에 따른 밀도를 기반으로 속도를 예측하는 방법을 설명하기 위한 그래프들이다.
속도 예측부(220)는 속도 도출부(210)에서 산출된 대표 속도를 이용하여 기존의 속도를 보정하여 특정 시간대 속도를 보다 정확하게 예측할 수 있다. 속도 예측부(220)는 기 구축된 시간-밀도 패턴, 기 구축된 시간-속도 패턴 및 밀도-속도 패턴 데이터를 기반으로 현 시점의 차량 속도를 예측할 수 있다.
도 6의 (a)는 기존의 동시간대 시간-속도 패턴 그래프를 나타낸 것으로, 동일 시간대 패턴 속도를 이용하여 실시간 속도와 과거 패턴 속도에 차이 만큼, (a)의 빗금 부분만큼 오차가 발생할 수 있다.
이를 방지하기 위하여 속도 예측부(220)는 기 구축된 시간-밀도 패턴(b)에서 과거 패턴과 밀도가 상이한 실시간 시점(T1) 및 실시간 시점(T1)에 대응하는 밀도 K1을 도출할 수 있다. 즉, 도시된 바와 같이, 실시간 시점(T1)에서 과거 패턴에 따른 밀도는 19이지만, 실질적으로 밀도는 25인 것을 확인할 수 있다.
속도 예측부(220)는 도 6의 (c)와 같은 밀도-속도 패턴 그래프를 이용하여 밀도 25에 대응하는 속도(V1)를 도출할 수 있다. 도 6의 (c)와 같이 밀도-속도 그래프에서 밀도가 14 이하이면 소통 상황이 원활한 것으로, 밀도가 15~29 정도이면 서행하는 것으로, 밀도가 29이상이면 교통 상황이 정체인 것으로 파악될 수 있다.
실시간 밀도에 대응하는 속도가 도출되면 속도 예측부(220)는 도 6의 (d)과 같이 시간-속도 패턴 그래프에서 도출된 속도에 대응하는 수정 시점을 도출하여, 현 시점과 수정 시점 간의 차이(TΔ) 만큼 시간-속도 그래프를 시프트하여 속도를 보정할 수 있다. TΔ 만큼 시간-속도 그래프가 시프트되므로 기존의 오차가 최소화 될 수 있다. 기존의 밀도와 차이가 보이는 시점의 속도가 56.7에서 43.8으로 보정된 것을 확인할 수 있다.
정리하면, 속도 예측부(220)는 실시간으로 측정되는 실시간 밀도가 시간-밀도 패턴에 부합되지 않는 경우, 시간-밀도 패턴에 부합되지 않는 제1 시점(T1)의 제1 실시간 밀도(K1)에 대응하는 제1 차량 속도(V1)를 밀도-속도 패턴 데이터에 기초하여 도출하고, 시간-속도 패턴에서 제1 차량 속도(V1)에 대응하는 제2 시점(T2)을 도출하고, 시간- 속도 패턴을 제2 시점(T2)과 제1 시점(T1)의 차이만큼 시프트할 수 있다. 현재의 차량 밀도가 반영된 속도에 대응하는 시간으로 그래프가 이동하게 되므로, 보다 정확한 속도 예측이 가능해진다.
일 예에 따라, 이러한 속도 예측부(220)는, 차량 밀도 및 차량의 속도에 대한 관계를 파악하는 딥러닝 모델링을 수행하는 알고리즘을 포함할 수 있다. 즉, 속도 예측부(220)는 밀도 및 속도 관계를 파악하여 시간- 속도 패턴을 보정할 수 있는 딥러닝 알고리즘으로 구현될 수 있다.
도 7은 본 발명의 일 실시예예 따른 교통 정보 예측 방법을 설명하는 제어 흐름도이다. 도 7을 참고하여 본 실시예예 따른 교통 정보 예측 방법을 정리하면 다음과 같다.
우선, 데이터 산출부(100)는 차량에 탑재되어 있는 복수의 센서를 이용하여 차간 간격, 차두 간격 및 차량 밀도를 도출할 수 있다(S710).
차간 간격 획득부(110)는 차량의 전후방 센서로부터 선행 차량 및 후행 차량과의 개별적인 차간 간격을 획득할 수 있고, 차두 간격 산출부(120)는 차량의 카메라에 의하여 획득한 선행 또는 후행 차량의 길이 및 차간 간격에 기초하여 선행 차량 및 후행 차량 간 차두 간격을 산출할 수 있다.
차두 간격 산출부(120)는 선행 차량의 차량 길이에 선행 차량과의 차간 간격을 합하여 기준 차량과 선행 차량 간의 차두 간격을 산출하고, 기준 차량의 차량 길이에 후행 차량과의 차간 간격을 합하여 기준 차량과 후행 차량 간의 차두 간격을 산출할 수 있다.
본 실시예에 따르면 하나의 프로부로부터 세 개의 프로부에 대한 두 개의 차간 간격 데이터 및 차두 간격의 데이터가 산출된다.
이후, 밀도 산출부(130)는 차두 간격을 기반으로 차량 밀도를 산출할 수 있다.
구체적으로, 밀도 산출부(130)는 N개의 차두 간격을 표본에 기초하여 모집단의 평균 차두 간격을 추정하고, 특정 구간의 차량 밀도를 산출한다.
차량 밀도가 도출되면 속도 도출부(210)는 특정 시간대에 대응하는 속도 데이터에 차량 밀도에 대한 밀도 데이터를 추가하고, 차량 밀도에 대응하는 적어도 하나의 속도 데이터를 나타내는 밀도-속도 패턴 데이터를 구축하고, 차량 밀도 마다 적어도 하나의 속도 데이터를 대표하는 대표 속도를 도출할 수 있다(S720).
속도 예측부(220)는 기 구축된 시간-밀도 패턴, 기 구축된 시간-속도 패턴 및 밀도-속도 패턴 데이터를 기반으로 현 시점의 차량 속도를 예측할 수 있다(S730).
속도 예측부(220)는 실시간으로 측정되는 실시간 밀도가 시간-밀도 패턴에 부합되지 않는 경우, 시간-밀도 패턴에 부합되지 않는 제1 시점의 제1 실시간 밀도에 대응하는 제1 차량 속도를 밀도-속도 패턴 데이터에 기초하여 도출한다. 그런 후, 시간-속도 패턴에서 제1 차량 속도에 대응하는 제2 시점을 도출하고, 시간- 속도 패턴을 제2 시점 및 상기 제1 시점의 차이만큼 시프트 함으로써 밀도가 반영된 속도를 예측할 수 있다.
상술된 바와 같이, 본 발명은, 자동차 센싱 기술을 통해 소통 상황을 예측할 수 있는 밀도 데이터의 생성 가능성을 검토하고, 생성된 밀도를 기반으로 현재 교통 정보 예측의 한계점을 극복할 수 있는 방안을 제시한다. 이를 위하여 차량 프로브 데이터의 차량 전/후방 센서를 기반으로 밀도 데이터를 구축하고, 동일한 밀도를 갖는 패턴 속도를 탐색하고 패턴 보정 로직을 개발 및 적용하였다.
도 8은 본 발명의 일 실시예에 따른 컴퓨팅 시스템을 도시한다.
도 8을 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다.
예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (20)

  1. 차량에 탑재되어 있는 복수의 센서를 이용하여 차간 간격, 차두 간격 및 차량 밀도를 도출하는 데이터 산출부와;
    상기 차량 밀도에 대응하는 통행 속도 데이터를 도출하고, 교통 정보를 예측하는 예측부를 포함하는 것을 특징으로 하는 교통 정보 예측 장치.
  2. 제1항에 있어서,
    상기 데이터 산출부는,
    상기 차량의 전후방 센서로부터 선행 차량 및 후행 차량과의 개별적인 상기 차간 간격을 획득하는 차간 간격 획득부와;
    상기 차량의 카메라에 의하여 획득한 상기 선행 또는 후행 차량의 길이 및 상기 차간 간격에 기초하여 상기 차두 간격을 산출하는 차두 간격 산출부와;
    상기 차두 간격을 기반으로 차량 밀도를 산출하는 밀도 산출부를 포함하는 것을 특징으로 하는 교통 정보 예측 장치.
  3. 제2항에 있어서,
    상기 차두 간격 산출부는 하나의 프로부로부터 세 개의 프로부에 대한 두 개의 차간 간격 데이터를 산출하는 것을 특징으로 하는 교통 정보 예측 장치.
  4. 제2항에 있어서,
    상기 차두 간격 산출부는,
    상기 선행 차량의 차량 길이에 상기 선행 차량과의 상기 차간 간격을 합하여 상기 차량과 상기 선행 차량 간의 상기 차두 간격을 산출하고,
    상기 차량의 차량 길이에 상기 후행 차량과의 상기 차간 간격을 합하여 상기 차량과 상기 후행 차량 간의 상기 차두 간격을 산출하는 것을 특징으로 하는 교통 정보 예측 장치.
  5. 제2항에 있어서,
    상기 밀도 산출부는,
    N개의 상기 차두 간격을 표본에 기초하여 모집단의 평균 차두 간격을 추정하고, 특정 구간의 상기 차량 밀도를 산출하는 것을 특징으로 하는 교통 정보 예측 장치.
  6. 제5항에 있어서,
    상기 밀도 산출부는, 상기 특정 구간의 상기 차량 밀도를 아래 수식에 기초하여 산출하는 것을 특징으로 하는 교통 정보 예측 장치.
    [수식 1]
    Figure pat00009

    여기서, K는 상기 특정 구간의 밀도, L은 상기 특정 구간의 길이, a는 모집단 차두 간격(μ)의 최소값, b는 모집단 차두 간격(μ)의 최대값
  7. 제2항에 있어서,
    상기 예측부는,
    특정 시간대에 대응하는 속도 데이터에 상기 차량 밀도에 대한 밀도 데이터를 추가하고, 상기 차량 밀도에 대응하는 적어도 하나의 속도 데이터를 나타내는 밀도-속도 패턴 데이터를 구축하고, 상기 차량 밀도 마다 상기 적어도 하나의 속도 데이터를 대표하는 대표 속도를 도출하는 속도 도출부를 포함하는 것을 특징으로 하는 교통 정보 예측 장치.
  8. 제7항에 있어서,
    상기 예측부는,
    기 구축된 시간-밀도 패턴, 기 구축된 시간-속도 패턴 및 상기 밀도-속도 패턴 데이터를 기반으로 현 시점의 차량 속도를 예측하는 속도 예측부를 포함하는 것을 특징으로 하는 교통 정보 예측 장치.
  9. 제8항에 있어서,
    상기 속도 예측부는
    실시간으로 측정되는 실시간 밀도가 상기 시간-밀도 패턴에 부합되지 않는 경우, 상기 시간-밀도 패턴에 부합되지 않는 제1 시점의 제1 실시간 밀도에 대응하는 제1 차량 속도를 상기 밀도-속도 패턴 데이터에 기초하여 도출하고,
    상기 시간-속도 패턴에서 상기 제1 차량 속도에 대응하는 제2 시점을 도출하고,
    상기 시간- 속도 패턴을 상기 제2 시점 및 상기 제1 시점의 차이만큼 시프트 하는 것을 특징으로 하는 교통 정보 예측 장치.
  10. 제9항에 있어서,
    상기 속도 예측부는,
    상기 차량 밀도 및 상기 차량의 속도에 대한 관계를 파악하는 딥러닝 모델링을 수행하는 알고리즘을 포함하는 것을 특징으로 하는 교통 정보 예측 장치.
  11. 차량에 탑재되어 있는 복수의 센서를 이용하여 차간 간격, 차두 간격 및 차량 밀도를 도출하는 데이터 산출 단계와;
    상기 차량 밀도에 대응하는 통행 속도 데이터를 도출하고, 교통 정보를 예측하는 교통 정보 예측 단계를 포함하는 것을 특징으로 하는 교통 정보 예측 방법.
  12. 제11항에 있어서,
    상기 데이터 산출 단계는,
    상기 차량의 전후방 센서로부터 선행 차량 및 후행 차량과의 개별적인 상기 차간 간격을 획득하는 단계와;
    상기 차량의 카메라에 의하여 획득한 상기 선행 또는 후행 차량의 길이 및 상기 차간 간격에 기초하여 상기 차두 간격을 산출하는 단계와;
    상기 차두 간격을 기반으로 차량 밀도를 산출하는 밀도 산출 단계를 포함하는 것을 특징으로 하는 교통 정보 예측 방법.
  13. 제12항에 있어서,
    상기 차두 간격을 산출하는 단계는 하나의 프로부로부터 세 개의 프로부에 대한 두 개의 차간 간격 데이터를 산출하는 것을 특징으로 하는 교통 정보 예측 방법.
  14. 제12항에 있어서,
    상기 차두 간격을 산출하는 단계는,
    상기 선행 차량의 차량 길이에 상기 선행 차량과의 상기 차간 간격을 합하여 상기 차량과 상기 선행 차량 간의 상기 차두 간격을 산출하고,
    상기 차량의 차량 길이에 상기 후행 차량과의 상기 차간 간격을 합하여 상기 차량과 상기 후행 차량 간의 상기 차두 간격을 산출하는 것을 특징으로 하는 교통 정보 예측 방법.
  15. 제12항에 있어서,
    상기 밀도 산출 단계는,
    N개의 상기 차두 간격을 표본에 기초하여 모집단의 평균 차두 간격을 추정하고, 특정 구간의 상기 차량 밀도를 산출하는 것을 특징으로 하는 교통 정보 예측 방법.
  16. 제15항에 있어서,
    상기 특정 구간의 상기 차량 밀도는 아래 수식에 기초하여 산출되는 것을 특징으로 하는 교통 정보 예측 방법.
    [수식 1]
    Figure pat00010

    여기서, K는 상기 특정 구간의 밀도, L은 상기 특정 구간의 길이, a는 모집단 차두 간격(μ)의 최소값, b는 모집단 차두 간격(μ)의 최대값
  17. 제12항에 있어서,
    상기 교통 정보 예측 단계는,
    특정 시간대에 대응하는 속도 데이터에 상기 차량 밀도에 대한 밀도 데이터를 추가하고, 상기 차량 밀도에 대응하는 적어도 하나의 속도 데이터를 나타내는 밀도-속도 패턴 데이터를 구축하고, 상기 차량 밀도 마다 상기 적어도 하나의 속도 데이터를 대표하는 대표 속도를 도출하는 속도 도출 단계를 포함하는 것을 특징으로 하는 교통 정보 예측 방법.
  18. 제17항에 있어서,
    상기 교통 정보 예측 단계는,
    기 구축된 시간-밀도 패턴, 기 구축된 시간-속도 패턴 및 상기 밀도-속도 패턴 데이터를 기반으로 현 시점의 차량 속도를 예측하는 속도 예측 단계를 포함하는 것을 특징으로 하는 교통 정보 예측 방법.
  19. 제18항에 있어서,
    상기 교통 정보 예측 단계는
    실시간으로 측정되는 실시간 밀도가 상기 시간-밀도 패턴에 부합되지 않는 경우, 상기 시간-밀도 패턴에 부합되지 않는 제1 시점의 제1 실시간 밀도에 대응하는 제1 차량 속도를 상기 밀도-속도 패턴 데이터에 기초하여 도출하고,
    상기 시간-속도 패턴에서 상기 제1 차량 속도에 대응하는 제2 시점을 도출하고,
    상기 시간- 속도 패턴을 상기 제2 시점 및 상기 제1 시점의 차이만큼 시프트 하는 것을 특징으로 하는 교통 정보 예측 방법.
  20. 제19항에 있어서,
    상기 교통 정보 예측 단계는,
    상기 차량 밀도 및 상기 차량의 속도에 대한 관계를 파악하는 딥러닝 모델링을 수행하는 것을 포함하는 것을 특징으로 하는 교통 정보 예측 방법.
KR1020200139673A 2020-10-26 2020-10-26 교통 정보 예측 장치 및 교통 정보 예측 방법 KR20220055335A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200139673A KR20220055335A (ko) 2020-10-26 2020-10-26 교통 정보 예측 장치 및 교통 정보 예측 방법
US17/362,569 US11823571B2 (en) 2020-10-26 2021-06-29 Device and method for predicting traffic information
DE102021207368.9A DE102021207368A1 (de) 2020-10-26 2021-07-12 Vorrichtung und verfahren zum vorhersagen von verkehrsinformationen
CN202110829538.3A CN114495482A (zh) 2020-10-26 2021-07-22 用于预测交通信息的设备和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200139673A KR20220055335A (ko) 2020-10-26 2020-10-26 교통 정보 예측 장치 및 교통 정보 예측 방법

Publications (1)

Publication Number Publication Date
KR20220055335A true KR20220055335A (ko) 2022-05-03

Family

ID=81076983

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200139673A KR20220055335A (ko) 2020-10-26 2020-10-26 교통 정보 예측 장치 및 교통 정보 예측 방법

Country Status (4)

Country Link
US (1) US11823571B2 (ko)
KR (1) KR20220055335A (ko)
CN (1) CN114495482A (ko)
DE (1) DE102021207368A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220055335A (ko) * 2020-10-26 2022-05-03 현대자동차주식회사 교통 정보 예측 장치 및 교통 정보 예측 방법
CN116189477B (zh) * 2023-02-17 2023-11-21 东南大学 一种智能网联汽车数据异常环境的安全控制方法及设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9457810B2 (en) * 2009-10-21 2016-10-04 Berthold K. P. Horn Method and apparatus for reducing motor vehicle traffic flow instabilities and increasing vehicle throughput
US9117098B2 (en) * 2013-06-03 2015-08-25 Ford Global Technologies, Llc On-board traffic density estimator
US9633560B1 (en) * 2016-03-30 2017-04-25 Jason Hao Gao Traffic prediction and control system for vehicle traffic flows at traffic intersections
JP6520862B2 (ja) * 2016-08-10 2019-05-29 トヨタ自動車株式会社 自動運転システム
JP6847876B2 (ja) * 2018-01-29 2021-03-24 株式会社東芝 情報処理装置、情報処理システム、および情報処理方法
JP6994567B2 (ja) * 2018-05-15 2022-01-14 日立Astemo株式会社 車両制御装置
JP6800914B2 (ja) * 2018-06-15 2020-12-16 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
US20200108824A1 (en) * 2018-10-04 2020-04-09 Ford Global Technologies, Llc Monitoring and adjustment of vehicle parking positions
JP7155975B2 (ja) * 2018-12-10 2022-10-19 トヨタ自動車株式会社 車両制御装置
JP2021105813A (ja) * 2019-12-26 2021-07-26 ロベルト・ボッシュ・ゲゼルシャフト・ミト・ベシュレンクテル・ハフツングＲｏｂｅｒｔ Ｂｏｓｃｈ Ｇｍｂｈ 制御装置及び制御方法
KR20220055335A (ko) * 2020-10-26 2022-05-03 현대자동차주식회사 교통 정보 예측 장치 및 교통 정보 예측 방법
US20220289248A1 (en) * 2021-03-15 2022-09-15 Ford Global Technologies, Llc Vehicle autonomous mode operating parameters
US20230020966A1 (en) * 2021-07-14 2023-01-19 Tusimple, Inc. Systems and methods for operating an autonomous vehicle

Also Published As

Publication number Publication date
CN114495482A (zh) 2022-05-13
DE102021207368A1 (de) 2022-04-28
US20220130239A1 (en) 2022-04-28
US11823571B2 (en) 2023-11-21

Similar Documents

Publication Publication Date Title
US9053632B2 (en) Real-time traffic prediction and/or estimation using GPS data with low sampling rates
US20120065871A1 (en) System and method for providing road condition and congestion monitoring
US11501638B2 (en) Traffic flow estimation apparatus, traffic flow estimation method, and storage medium
KR20220055335A (ko) 교통 정보 예측 장치 및 교통 정보 예측 방법
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
WO2018180688A1 (ja) 渋滞推定装置、渋滞推定方法およびそのプログラムを格納した記録媒体
JP2008129802A (ja) 自動更新システム、自動更新方法、及びプログラム
CN109996278A (zh) 道路网络质量评估方法、装置、设备及介质
KR101105446B1 (ko) 검지체계간의 데이터 퓨전을 통한 실시간 통행시간 산정방법
CN112669599A (zh) 一种基于时序分析和残差匹配的模型
CN111612378A (zh) 潜在碰撞风险预测方法、装置及计算机设备
Moghaddam et al. Evaluating the performance of algorithms for the detection of travel time outliers
CN114093171B (zh) 基于多源数据融合的交通运行状态监测方法及装置
US20210366274A1 (en) Method and device for predicting the trajectory of a traffic participant, and sensor system
JPH09115087A (ja) 交通所要時間算出装置
JP2007011596A (ja) 経路旅行時間推定予測装置および方法
WO2015039693A1 (en) Method and system for data quality assessment
Wei et al. Queue length estimation for signalized intersections under partially connected vehicle environment
JP2000057483A (ja) 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
JP3541708B2 (ja) 旅行時間予測装置
KR101815941B1 (ko) 불안정 교통류 정보 제공 방법
JP2000076582A (ja) 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
KR102580056B1 (ko) 유동 벡터 가설의 타당성 검사 방법 및 그 장치
CN111191900A (zh) 公共交通出行服务车头时距和可靠性价值评估方法和装置
JP5396311B2 (ja) 行動予測装置、方法およびプログラム

Legal Events

Date Code Title Description
A201 Request for examination