KR20220073567A - 빅데이터를 이용한 노면 상태 예측 시스템 - Google Patents

빅데이터를 이용한 노면 상태 예측 시스템 Download PDF

Info

Publication number
KR20220073567A
KR20220073567A KR1020200161753A KR20200161753A KR20220073567A KR 20220073567 A KR20220073567 A KR 20220073567A KR 1020200161753 A KR1020200161753 A KR 1020200161753A KR 20200161753 A KR20200161753 A KR 20200161753A KR 20220073567 A KR20220073567 A KR 20220073567A
Authority
KR
South Korea
Prior art keywords
road surface
surface condition
data
road
unit
Prior art date
Application number
KR1020200161753A
Other languages
English (en)
Inventor
전용주
Original Assignee
디토닉 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 디토닉 주식회사 filed Critical 디토닉 주식회사
Priority to KR1020200161753A priority Critical patent/KR20220073567A/ko
Publication of KR20220073567A publication Critical patent/KR20220073567A/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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

본 발명은 빅데이터를 이용한 노면 상태 예측 시스템에 관한 것으로서, 노면 상태 예측 방법 및 시스템은 노면 상태 예측 시스템은 사진 데이터 획득부, 노면 상태 데이터 수집부, 기상 데이터 수집부, 데이터베이스, 데이터 가공부, 학습부 및 노면 상태 예측부를 포함하는 것을 특징으로 하며, 비관측 지역에 대한 도로 노면 상태 예측을 정확하면서 효율적으로 할 수 있는 빅데이터를 이용한 노면 상태 예측 방법 및 시스템을 제공할 수 있다.

Description

빅데이터를 이용한 노면 상태 예측 시스템{System for Predicting of Road Surface Condition Using Big Data}
본 발명은 빅데이터를 이용한 노면 상태 예측 시스템에 관한 것이다
도로 노면 상태(Road Surface Condition) 추정 및 예측은 많은 국가에서 중요한 연구 분야이다. 많은 연구와 통계에서 자동차 사고 건수와 도로의 위험한 노면 상태(예 : 빙판, 눈, 습함) 사이의 선형 관계를 보여 주었으며, 이는 불량 도로 상태가 더 많은 교통 사고를 유발한다는 사실을 보여 준다. 도로 노면 상태 추정에 대한 많은 연구가 있었다.
강수가 발생하면 교통사고 발생 건수가 증가하는 것뿐만 아니라, 발생한 교통사고의 심각도에도 영향을 미친다. Jung et al.(2010)의 연구에 따르면, 젖은 노면이 건조한 노면보다 마찰력이 낮아진다고 한다. 노면이 젖어 마찰력이 낮아지면, 차량의 제동거리가 증가하게 되고, 건조한 노면에서의 사고보다 2~3배 더 심각한 피해를 받을 수 있다(Harold, 2017). 강수 발생에 따른 교통사고 빈도 및 심각도의 감소를 위해 유지 보수 활동을 계속하고 있지만, 운전자의 도로 위험에 대한 인식 역시 높아질 필요가 있다(Jonas et al, 2000). Lee et al.(2018)에 따르면, 비가 내리면 운전자들이 급정지의 비율이 다른 날씨보다 높아지고, 이러한 급격한 운전 행동의 변화는 교통사고를 발생시킬 수 있는 요인이 된다. 따라서, 도로의 관리를 철저하게 함과 동시에 운전자가 도로의 위험도를 인지하고 급격한 운전 행동의 변화를 줄이기 위한 지속적인 노력이 필요하다.
운전자가 강수로 인한 도로 위험도의 증가를 인지하기 위해서는 비로 인해 노면이 젖거나, 젖은 노면이 영하의 날씨가 유지되어 결빙되는 등 도로의 기상상태에 따른 도로의 상태를 알아야 한다. 기상청에서는 이를 위해 전국적으로 75개의 CCTV 기반의 도로 기상 정보시스템을 설치하고, 도로의 기상상태를 관측하고 있다. 이러한 고정형 장비는 관측한 지점에 대해서는 높은 정확도로 도로 기상 정보를 생성하지만, 거리가 먼 지점의 도로 기상 정보를 높은 정확도로 예측하기는 어렵다. 또한, 맑음, 비, 눈과 같은 강수 상태 정보만을 제공하고 있어, 과거의 강수에 의해 변화된 노면의 상태로 인한 도로의 위험성은 제공하기 어렵다.
이와 같이 대부분의 종래 연구에서는 움직이는 차량에 부착된 센서 또는 RWIS(Road Weather Information Systems)와 같은 고정 센서에서 수집된 모니터링 데이터를 기반으로 도로 노면 상태를 추정하였으며, 실제로 관측된 지역의 노면 상태 추정 정확도를 향상 시켰다. 그러나 이러한 종래의 접근 방식은 스캔된 영역만 처리할 수 있고 수천 개의 도로에 대한 지속적인 관찰이 필요하기 때문에 근본적인 문제를 해결하는데 제한적이거나 비효율적일 수 있었다.
한편 최근 들어 도로 노면 상태를 공간적으로 추정하기 위한 연구가 이루어지고 있다. 이러한 연구는 도로 주변 환경을 조사하고 도로의 현재 표면 상태에 직접적인 영향을 미치는 강수와 같은 일기 예보를 활용하는 방식을 새롭게 제안하고 있다. 4차 산업혁명에 의하여 기기 간의 연결로 다양한 형태의 데이터가 기하급수적으로 발생되고 있으며, 이를 이용하여 다양한 분야에서 활용하려는 시도가 늘고 있다. 이런 흐름에 맞추어 데이터를 원활하게 처리할 수 있는 기술도 지속적으로 개발되고 있다. 대표적으로 하둡(Hadoop) 체계 기반으로 데이터를 활용할 수 있는 시스템을 구축할 수 있다.
이러한 사회적 흐름에 맞추어 실시간으로 발생하는 기상기후 데이터 및 도로 노면 상태 데이터를 수집하여 실시간 노면 상태 분류 예측 분석 결과를 도출할 수 있는 분석 및 시스템을 구현하기 위한 연구를 시도되고 있는 실정이다.
본 발명이 해결하고자 하는 과제는 비관측 지역에 대한 도로 노면 상태 예측을 정확하면서 효율적으로 할 수 있는 빅데이터를 이용한 노면 상태 예측 방법 및 시스템을 제공하는 것이다
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 노면 상태 예측 방법 및 시스템은 노면 상태 예측 시스템(100)은 사진 데이터 획득부(105), 노면 상태 데이터 수집부(110), 기상 데이터 수집부(120), 데이터베이스(130), 데이터 가공부(140), 학습부(150) 및 노면 상태 예측부(160)를 포함할 수 있다.
본 발명에 의하여 비관측 지역에 대한 도로 노면 상태 예측을 정확하면서 효율적으로 할 수 있는 빅데이터를 이용한 노면 상태 예측 방법 및 시스템을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 노면 상태 예측 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 노면 상태 예측 process를 도시한 것이다.
본 발명에 따른 노면 상태 예측 방법 및 시스템은 노면 상태 예측 시스템(100)은 사진 데이터 획득부(105), 노면 상태 데이터 수집부(110), 기상 데이터 수집부(120), 데이터베이스(130), 데이터 가공부(140), 학습부(150) 및 노면 상태 예측부(160)를 포함할 수 있다.
데이터로부터 필요한 분석 결과를 실시간으로 표출하기 위해서 목적에 맞는 적절한 데이터를 수집해야 한다 노면상태 예측을 위해 필요한 노면 정보와 날씨 정보를 얻을 수 있는 센서 및 수집기를 통해 수집되는 데이터 항목은 두 가지로 구성된다. 노면상태와 관련된 정보를 수집하는 노면센서와 날씨 정보를 수집하는 기상 관측소이다.
노면정보를 수집하는 센서는 도로 노면 상태를 측정하는 기기로써 위도 경도 마찰계수 노면 표면온도 기온 수막두께 등의 정보를 측정한다. 차량을 운행하면 센서를 통해 마찰계수 값이 측정이 되고 측정된 마찰계수(Friction)에 따라 Dry, Moist, Wet, Slushy, Snowy, Icy로로 6가지 분류하여 표면 상태 값을 초 단위로 블루투스 연결을 통해 데이터를 수집할 수 있다.
도로 노면 상태는 강우량과 더불어 기온 습도 일사량 등 날씨와 관련된 변수에 의해 영향 받을 수도 있기 때문에 날씨 데이터도 수집하였다 기상환경은 위치 및 시간에 따라 다르므로 차량이 운행되는 구간과 가까운 지역의 관측소에 데이터를 수집하여 운행 시간에 맞추어 결합하게 된다. 요즘은 날씨 관련 데이터를 다양하게 제공 받을 수 있는데 센서와 기상청 자동기상관측장비로부터 1초 단위로 수집한 기상관측 정보를 가공하여 분 단위로 를 통해 정형화된 데이터를 제공해 준다 또한 기상청이나 시청 관측소에서 수집한 데이터도 해당 회사 홈페이지의 이용방법에 따라 데이터를 가져올 수 있다.
여러 데이터를 발생시키는 센서에서 데이터를 수집하기 때문에 다양한 형태의 데이터를 다룰 수 있어야 한다 분산된 여러 서버에서 데이터를 수집해야하기 때문에 수집 기술의 중요성이 커져가고 있다. FluentD는 데이터 수집 기술로 수천 개의 센서로 부터 실시간으로 데이터 수집을 가능하게 도와준다 다른 수집 기술에 비해 아키텍처의 단순성과 안정성에 중점을 두고 있어서 아키텍처 구성이나 설정이 간단하다. 본 발명의 시스템에서는 통신을 통해 데이터를 수집하는 http input plugin , HBase custom 을 사용하였으며 수집한 데이터를 에 적재하기 위해 HBase output plug-in을 맞춤형으로 설계하여 사용하였다 매 초마다 발생하는 데이터의 속도보다 저장되는 속도가 느리다면 사이에 데이터가 유실될 수 있는 데 이러한 손실을 막기 위해 를 이용하면 데이터 영속성이 보장되도록 저장되기 전에 잠시 적재될 수 있는 역할을 한다 즉 이는 가속도로 증가하는 데이터를 처리할 수 있는 기능을 한다.
수집된 데이터를 저장하기 위해서 두 정보 별로 나누어 상에 적재하였다. HBase의 경우 대용량의 데이터도 성능 저하 없는 능력을 갖추고 있다. 파일 복제 시에도 장애 대응이 용이하다 두 기술 모두 노드를 추가함으로 성능을 개선할 수 있다. 행 아이디 에 공간색인 정보와 시간 정보를 저장하여 검색 성능을 높일 수 있도록 설계하였다 저장 기술에 있어서 지속적으로 발전하는 기술 시장에서 현재 수집하려는 데이터의 속성과 상황에 맞추어 시스템을 구성한다.
실시간 예측 분석을 위해서는 머신러닝 기능을 갖추고 있어야 점에서 머신러닝 알고리즘도 제공하며 을 연동하거나 상에서 알고리즘을 직접 구현이 가능하다. 데이터베이스에 적재된 데이터를 전처리하고 메모리 위에 실시간 배치 시켜준다. 수집된 데이터를 조회 및 분석을 진행할 수 있도록 제공되는 웹 기반의 인터페이스로 R, Python, Scala등의 언어를 지정하면 사용할 수 있으며 Spark를 통한 인 메모리 데이터 처리도 가능하다.
데이터를 기준으로 분석에서 노면센서 변수는 차량의 위치를 나타내는 위도 및 경도 수막두께 마찰 계수에 따른 표면 상태 기온 표면 온도 변수를 사용할 수 있다. 관측소를 통해 수집된 데이터 항목에서 매핑 후 사용한 변수는 강우량, 현재기온, 풍속, 현재 습도, 일사량, 일조량이다. 관측소 위도 및 경도는 실제 차량의 위치가 아니며 차량 위치에서의 날씨데이터를 결합하고 난 이후에 제거한다. 오류가 많은 불필요한 변수를 제거하고 수집된 데이터를 분석 목적에 맞게 처리한 후 최종 변수는 차량의 경도 차량의 위도 수집 연월일, 수집 시간, 노면 상태, 온도, 노면 온도, 관측소 온도, 습도, 풍속, 일사량 일조량 등 13개의 변수를 가지고 분석을 진행하게 된다.
노면 상태 데이터 수집부(110)는 노면 상태 정보, 노면 상태 수집 지점의 위치 정보 및 데이터 수집 시간 정보를 포함하는 노면 상태 데이터를 수집하는 기능을 수행한다. 노면 상태 데이터 수집부(110)는 노면 센서(111)와 GNSS 수신부(115)를 포함할 수 있다. 노면 상태 데이터 수집부(110)를 장착한 도로 정보 수집 차량(도시하지 않음)이 도로를 주행하면서, 노면 센서(111)를 통해 획득되는 도로 노면 상태 정보에 GNSS 수신부(115)로부터 획득되는 GNSS 신호로부터 얻어지는 위치 정보(위도, 경도)와 데이터 수집 시간을 대응시켜 수집할 수 있다. 실시예에 따라 노면 상태 데이터 수집부(110) 중 일부는 도로 노면에 설치되어 도로 노면 상태를 수집할 수도 있다. 노면 상태 정보는 도로 노면 상태 타입, 노면 표면 온도, 노면 수막 두께, 외기 온도, 마찰 값 등을 포함할 수 있다.
노면 센서(111)는 도로의 노면 상태 타입을 비접촉 방식으로 획득할 수 있다. 도로 노면 상태 타입은 간단하게는 건조(Dry), 습윤(Moist), 젖음(Wet) 등으로 구분할 수 있으며, 보다 자세하게는 살얼음(Slush, Ice or Snow with water), 얼음(Ice) 및 눈 또는 서리(Snow or Hoar Froast) 등을 더 추가하여 구분할 수도 있다. 노면 상태 타입을 구분하는 기준은 실시예에 따라 달라질 수 있다. 실시예에 따라 노면 센서(111)는 노면 상태 타입뿐만 아니라 노면 표면 온도, 노면 수막 두께, 외기 온도, 마찰 값 등을 비접촉 방식으로 획득할 수도 있다. 노면 센서(111)를 이용하여 노면 표면 온도, 노면 수막 두께, 외기 온도 및 노면 상태 타입, 마찰 값 등을 비접촉 방식으로 획득하는 방법은 이미 잘 알려져 있으므로 여기서 자세한 설명은 생략한다. 노면 상태 데이터 수집부(110)는 수집된 도로 노면 상태 데이터를 메모리(도시하지 않음)에 저장하거나, 통신망(도시하지 않음)을 통해 실시간 또는 미리 정해진 주기별로 정해진 수신처로 전송할 수도 있다.
기상 정보 수집부(120)는 기상청이나 민간 기상 사업자 등이 운영하는 기상서버(도시하지 않음)로부터 미리 정해진 지역의 강수 정보 및 온도 정보를 포함하는 기상 데이터를 수집할 수 있다. 기상 정보는 강수량(Precipitation), 온도(Temperature), 습도(Humidity), 풍속(wind speed), 풍향(Wind direction), 일광(Sunlight), 일조(Sunshine), 해수면 대기압(Sea surface atmospheric pressure) 등을 포함할 수 있다. 강수량은 강우량과 강설량을 포함한 양이다. 기상 정보 수집부(120)는 기상청에서 운영 중인 자동기상관측장비(AWS;Automatic Weather System) 등에서 제공하는 기상 데이터를 수집할 수 있다.
데이터베이스(130)는 사진 데이터 획득부(105)에서 획득된 정사사진, 노면 상태 데이터 수집부(110)에서 수집된 노면 상태 데이터와 기상 정보 획득부(120)에서 수집된 기상 데이터를 저장할 수 있다.
데이터 가공부(140)는 노면 상태 예측 대상 지역에 속하는 복수의 하위 지역에 대해서 클러스터 인덱스 값을 부여할 수 있다
학습부(150)는 학습 데이터를 이용하여 노면 상태 예측 모델을 학습할 수 있다(S430). 단계(S410) 내지 단계(S430)는 추가로 학습 데이터가 발생되면, 그를 반영하여 노면 상태 예측 모델을 업데이트시키는 방식으로 계속적으로 수행될 수 있다.
노면 상태 예측부(160)는 단계(S430)에서 학습된 노면 상태 예측 모델에 노면 상태 예측 지점의 위치에 대응하는 클러스터 인덱스 값과 해당 지점에 대해 획득된 기상 정보를 가공한 기상 데이터를 입력하여 노면 상태 예측 지점의 노면 상태를 예측할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 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 실시예를 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
110 : 노면 상태 데이터 수집부
120 : 기상 데이터 수집부
130 : 데이터베이스
140 : 데이터 가공부
150 : 학습부
160 : 노면 상태 예측부

Claims (2)

  1. 노면 상태 예측 방법 및 시스템은 노면 상태 예측 시스템은 사진 데이터 획득부, 노면 상태 데이터 수집부, 기상 데이터 수집부, 데이터베이스, 데이터 가공부, 학습부 및 노면 상태 예측부를 포함하는 것을 특징으로 하는 빅데이터를 이용한 노면 상태 예측 시스템.
  2. 제 1 항에서,
    노면 상태 데이터 수집부는 노면 센서와 GNSS 수신부를 더 포함하는 것을 특징으로 하는 빅데이터를 이용한 노면 상태 예측 시스템.
KR1020200161753A 2020-11-26 2020-11-26 빅데이터를 이용한 노면 상태 예측 시스템 KR20220073567A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200161753A KR20220073567A (ko) 2020-11-26 2020-11-26 빅데이터를 이용한 노면 상태 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200161753A KR20220073567A (ko) 2020-11-26 2020-11-26 빅데이터를 이용한 노면 상태 예측 시스템

Publications (1)

Publication Number Publication Date
KR20220073567A true KR20220073567A (ko) 2022-06-03

Family

ID=81983629

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200161753A KR20220073567A (ko) 2020-11-26 2020-11-26 빅데이터를 이용한 노면 상태 예측 시스템

Country Status (1)

Country Link
KR (1) KR20220073567A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102612006B1 (ko) * 2023-08-17 2023-12-11 주식회사 에코이앤씨 하이앵글식 노면 감지센서와 디지털 시스템으로 제어하는도로 및 보도 융설 시스템, 그리고 그 공법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102612006B1 (ko) * 2023-08-17 2023-12-11 주식회사 에코이앤씨 하이앵글식 노면 감지센서와 디지털 시스템으로 제어하는도로 및 보도 융설 시스템, 그리고 그 공법

Similar Documents

Publication Publication Date Title
KR102173797B1 (ko) 도로 노면 상태 예측 방법 및 시스템
US9229133B2 (en) Meteorological parameter forecasting
CN110820615A (zh) 一种应用于光伏路面段的智能化冰雪气象预警系统及方法
US11300708B2 (en) Tuning weather forecasts through hyper-localization
CN110211325A (zh) 一种基于气象大数据的区域道路结冰高精度监测预警系统
US10319229B1 (en) Data mining for alerts regarding road conditions
KR102368286B1 (ko) 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치
KR20220073567A (ko) 빅데이터를 이용한 노면 상태 예측 시스템
Zhang et al. Winter road surface condition classification using convolutional neural network (CNN): visible light and thermal image fusion
Linton et al. Winter road surface condition monitoring: field evaluation of a smartphone-based system
Faezi et al. Saturation Flow Rate of Urban At-Grade Signalized Intersection Under Different Climatic Conditions (Case Study: Sattari-Mokhberi Intersection)
US9142125B1 (en) Traffic prediction using precipitation
CN116935642A (zh) 基于物联网的便捷出行管理方法
CN116340768B (zh) 一种智能化道路积尘负荷监测方法及监测装置
US11479239B2 (en) Predictive parking due to weather
KR102280799B1 (ko) 가공된 다중 강수 정보를 이용한 도로 노면 상태 예측 방법 및 시스템
KR102309583B1 (ko) 시공간 특성을 활용한 랜덤 포레스트 기반 도로 노면 상태 예측 방법 및 시스템
KR102611727B1 (ko) 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템
Feng et al. Winter road surface condition forecasting
Yang et al. Estimation road surface temperature variation using commercial vehicle ambient sensor
CN109752774A (zh) 基于车辆行为数据的气象预测方法、系统
KR102398030B1 (ko) 머신러닝 기반 노면 상태 예측 방법 및 시스템
KR102398029B1 (ko) 공간 클러스터링을 이용한 노면 상태 예측 방법 및 시스템
Liu et al. Real-Time Multi-Task Environmental Perception System for Traffic Safety Empowered by Edge Artificial Intelligence
Wang et al. Highway icing time prediction with deep learning approaches based on data from road sensors