KR20220092985A

KR20220092985A - 노선 계획 방법, 장치, 기기 및 컴퓨터 기록 매체

Info

Publication number: KR20220092985A
Application number: KR1020227019547A
Authority: KR
Inventors: 지저우 황; 하오 장
Original assignee: 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드
Priority date: 2020-04-26
Filing date: 2020-11-25
Publication date: 2022-07-04
Also published as: CN111489553B; CN111489553A; WO2021218131A1; EP3926601A1; JP2023510879A; EP3926601A4; US20230154327A1

Abstract

본 출원은 빅 데이터 기술 분야에 관한 노선 계획 방법, 장치, 기기 및 컴퓨터 기록 매체를 개시한다. 구체적인 구현 방안은 도로망의 실시간 교통 유동량 특징 데이터를 획득하고, 상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 상기 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득하고, 각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행한다. 본 출원에서 노선 계획에 각 도로 구간의 상태 변화 리스크에 대한 고려를 융합하여, 계획된 노선은 사용자가 각 도로 구간을 통과할 때에 직면하는 가능한 상태 변화 리스크를 총체적으로 고려하여, 계획된 노선 품질 및 사용자 체험을 향상시킨다.

Description

노선 계획 방법, 장치, 기기 및 컴퓨터 기록 매체

본 출원은 컴퓨터 애플리케이션 기술의 분야에 관한 것으로, 특히, 빅 데이터 기술 분야에 관한 것이다.

<관련 출원의 상호 참조>

본 출원은 출원일이 2020년 4월 26일이고, 출원 번호가 2020103386964이며, 발명 명칭이 "노선 계획 방법, 장치, 기기 및 컴퓨터 기록 매체(A route planning method and device, apparatus, and computer storage medium)"인 중국 특허 출원의 우선권을 주장한다.

노선 계획은 내비게이션 기능을 포함하는 지도류 애플리케이션에 널리 응용되고 있고, 사용자에게 노선 추천, 정체 상황, 도착 시간의 예상 등의 정보의 풍부한 전시 결과를 제공할 수 있다. 그러나, 현실 도로 교통 상황의 변화가 빠르기 때문에, 현재 내비게이션 시스템은 현재 실시간 상태에 따라 사용자에게 노선을 계획할 수밖에 없다. 실제 내비게이션 과정에서, 계획 노선은 정체될 가능성이 높고, 사고 확률이 높은 등 리스크가 높은 도로 구간을 경유할 가능성이 있으며, 사용자가 계획 시간에 목적지에 도착할 수 없는 가능성이 있다. 비즈니스 회의, 친구 마중, 비행기 탑승 등과 같은, 시간에 대한 요구가 매우 엄격한 시나리오에서, 이러한 리스크가 발생할 경우, 목적지에 도착하는 것은 예상하지 못한다. 이로 인해, 사용자에게 계획된 노선의 품질이 낮으며, 사용자 체험이 나쁜 등과 같은 문제를 초래한다.

이를 고려하여, 본 출원은 계획된 노선 품질 및 사용자 체험을 향상시키기 위한, 노선 계획 방법, 장치, 컴퓨터 기록 매체를 제공한다.

제1 측면에 따르면, 본 출원은 노선 계획 방법을 제공하고, 당해 방법은,

도로망의 실시간 교통 유동량 특징 데이터를 획득하는 단계;

상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 상기 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득하는 단계; 및

각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행하는 단계;를 포함한다.

제2 측면에 따르면, 본 출원은 노선 계획 장치를 제공하고, 당해 장치는,

도로망의 실시간 교통 유동량 특징 데이터를 획득하기 위한 데이터 획득 유닛;

상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 상기 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득하기 위한 리스크 예측 유닛; 및

각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행하기 위한 노선 계획 유닛;을 포함한다.

제3 측면에 따르면, 본 출원은 전자 기기를 제공하고, 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서에 통신 연결되는 메모리;를 포함하고, 상기 메모리에는 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행되어, 상기 적어도 하나의 프로세서에 의해 상술한 방법이 수행되도록 한다.

제4 측면에 따르면, 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 기록 매체를 제공하고, 상기 컴퓨터 명령은 상기 컴퓨터가 상술한 방법을 수행하도록 한다.

상술한 기술 방안으로부터, 본 출원에서 노선 계획에 각 도로 구간의 상태 변화 리스크에 대한 고려를 융합하여, 계획된 노선은 사용자가 각 도로 구간을 통과할 때에 직면하는 가능한 상태 변화 리스크를 총체적으로 고려하여, 계획된 노선 품질 및 사용자 체험을 향상시킨다.

본 명세서에서 설명된 내용은 본 발명의 실시예의 키 또는 중요한 특징을 식별하려는 것이 아니고, 또한 본 발명의 범위를 제한하려는 것도 아닌 것을 이해하여야 한다. 본 발명의 다른 특징은 하기의 명세서를 통해 용이하게 이해할 수 있다.

첨부 도면은 본 해결수단을 더 잘 이해하기 위한 것으로, 본 발명에 대해 한정하는 것으로 구성되지 않는다.
도 1은 본 발명의 실시예에 적용될 수 있는 예시적인 시스템 아키텍처를 도시한다.
도 2는 본 출원의 실시예에서 제공되는 방법의 흐름도이다.
도 3은 본 출원의 실시예에서 제공되는 정체 상태 예측 모델의 개략적인 구조도이다.
도 4는 본 출원의 실시예에서 제공되는 사고 예측 모델의 개략적인 구조도이다.
도 5는 본 출원의 실시예에서 제공되는 추천 노선의 전시 인터페이스의 예시도이다.
도 6은 본 출원의 실시예에서 제공되는 장치의 구조도이다.
도 7은 본 출원의 실시예의 노선 계획 방법을 구현하기 위한 전자기기의 블록도이다.

하기는 첨부된 도면을 결부하여 본 발명의 예시적 실시예를 설명하되, 여기에는 이해를 돕기 위한 본 발명의 실시예의 다양한 세부 사항이 포함되며, 이는 단지 예시적인 것으로 간주되어야 한다. 따라서, 본 기술분야의 통상의 기술자는 본 발명의 범위와 사상을 벗어나지 않으면서, 여기서 설명되는 실시예에 대한 다양한 변경과 수정이 이루어질 수 있음을 이해해야 한다. 마찬가지로, 명확성 및 간결성을 위해, 아래의 설명에서 공지된 기능과 구조에 대한 설명을 생략한다.

도 1은 본 발명의 실시예에 적용가능한 예시적인 시스템 아키텍처를 도시한다. 도 2에 도시된 바와 같이, 해당 시스템 아키텍처는, 단말 디바이스(101 및 102), 네트워크(103) 및 서버(104)를 포함할 수 있다. 네트워크(103)는 디바이스(101 및 102)와 서버(104) 사이의 통신 링크를 제공하는 매체로 한다. 네트워크(103)는, 유선, 무선통신 링크, 또는 광섬유 케이블 등과 같은 여러가지 연결 유형을 포함할 수 있다.

사용자는 단말 디바이스(101 및 102)를 사용하여, 네트워크(103)를 통해 서버(104)과 인터랙션할 수 있다. 단말 디바이스(101 및 102)에는, 음성 인터랙션 애플리케이션, 웹 브라우저 애플리케이션, 통신계 애플리케이션 등, 여러가지 애플리케이션이 인스톨되어 있을 수 있다.

단말 디바이스(101 및 102)는 지도 애플리케이션을 서포트 및 전시할 수 있는 여러가지 전자 기기일 수도 있다. 예를 들어, 스마트폰, 태블릿 컴퓨터, PC, 스마트 텔레비전 등을 포함하지만, 이에 한정되지 않는다. 본 발명에 의해 제공되는 장치는 서버(104) 위에 설치 및 실행할 수 있다. 이것은 복수의 소프트웨어 또는 소프트웨어 모듈(예를 들어, 분산 서비스를 제공하기 위한 것이다)로 구현할 수 있고, 단일 소프트웨어 또는 소프트웨어 모듈로 구현할 수 있고, 이에 대해 구체적으로 한정하지 않는다.

예를 들어, 노선 계획 장치는 상기 서버(104)에 설치하여 실행하고, 서버(104)는 단말 디바이스(101 또는 102)가 지도류 애플리케이션을 사용하는 중에 업로드된 사용자 궤적 데이터, 각종 교통 센서에 의해 업로드된 교통 유동량 데이터를 수집하여 유지 관리할 수 있으며, 이러한 데이터는, 도로망의 교통 유동량 특징 데이터를 구성할 수 있다. 노선 계획 장치는, 본 발명의 실시예에서 제공되는 방식으로 노선 계획을 수행한다. 단말 디바이스(101 또는 102)의 사용자가 지도류 애플리케이션을 사용하는 중에 노선 계획을 수행할 필요가 있을 경우, 서버(104) 중의 노선 계획 장치를 설치하고 실행하여 노선 계획을 수행할 수 있고, 당해 노선 계획 결과는 단말 디바이스(101 또는 102)에 반환한다.

서버(104)는 단일 서버일 수 있고, 복수의 서버에 의해 구성되는 서버 그룹일 수도 있다. 도 1의 단말 디바이스, 네트워크 및 서버의 수는 단순한 예시임을 이해해야 한다. 구현의 수요에 따라, 임의의 수의 단말 디바이스, 네트워크 및 서버를 구비할 수 있다.

본 출원의 핵심사상은, 각 도로 구간의 상태 변화 리스크에 대한 고려를 노선 계획에 융합하여, 계획된 노선은 사용자가 각 도로 구간을 통과할 때에 직면하는 가능한 상태 변화 리스크를 총체적으로 고려하여, 계획된 노선 품질 및 사용자 체험을 향상시킨다. 하기는 실시예를 결합하여 본 출원에서 제공되는 방법과 장치를 상세히 설명한다.

도 2는 본 출원의 실시예에서 제공되는 방법의 흐름도이다. 도 2에 도시된 바와 같이, 당해 방법은, 하기의 단계를 포함할 수 있고,

201에서, 도로망의 실시간 교통 유동량 특징 데이터를 획득한다.

본 출원의 실시예에서, 미리 설정된 기간의 타임 슬라이스를 주기로 하고 현재 타임 슬라이스에서의 도로망의 실시간 교통 유동량 특징 데이터를 획득하고, 후속 단계에서의 각 도로 구간의 상태 변화 리스크 계수를 결정하고, 노선 계획을 수행할 수 있다. 예를 들어, 5분의 타임 슬라이스를 예로 하고, 도로망의 실시간 교통 유동량 특징 데이터를 5분 마다 획득한다.

획득된 교통 유동량 특징 데이터는, 각 도로 구간의 교통 유동량 통계 데이터, 속도 데이터 및 급감속 횟수 중의 하나 또는 임의의 결합을 포함할 수 있다. 그 중, 교통 유동량 통계 데이터는, 주로 차의 유동량 통계이다. 속도 데이터는, 예를 들어, 평균 속도, 중간 속도, 가장 빠른 속도, 가장 느린 속도 등 중의 적어도 하나를 포함할 수 있다. 급감속 횟수는 차량이 도로 구간을 주행할 때에 발생하는 급감속 횟수일 수 있고, 급감속은 단위 시간 내에 속도가 감소하는 폭이 미리 설정된 역치를 초과하는 것일 수 있다.

202에서, 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득한다.

본 출원에서 각 도로 구간에 대해 수행하는 상태 변화 리스크 예측은, 정체 상태 변화 예측, 사고 발생 예측, 통행 가능성 예측, 교통 규칙 변화 예측 및 도로 품질 악화 예측 중의 적어도 하나를 포함할 수 있다. 하기는 각종 예측을 각각 상세히 설명한다.

1) 정체 상태 변화 예측.

본 출원에서 정체 상태 예측 모델을 사용하여 정체 상태 변화 예측을 수행할 수 있다. 당해 정체 상태 예측 모델은, 현재 도로망의 실시간 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 환경 특징 데이터를 입력하였을 경우, 각 도로 구간의 미래 예측 통행 기간을 출력할 수 있다.

이해를 쉽게 하기 위해, 먼저, 정체 상태 예측 모델의 트레이닝 과정을 설명한다. 도 3에 도시된 바와 같이, 본 출원의 정체 상태 예측 모델은, 주로, GCN(Graph Convolutional Network, 그래프 컨볼루션 네트워크)과 전연결층을 포함한다.

먼저, 트레이닝 데이터를 획득한다. 트레이닝 데이터는, 도로망 내의 각 도로 구간의 이력 정보로부터 획득할 수 있다. 각 트레이닝 데이터는, 4개의 데이터를 포함하는데, 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터 및 평균 통행 기간을 포함할 수 있다. 제2 타임 슬라이스는 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스이다. 예를 들어, 제2 타임 슬라이스는 제1 타임 슬라이스 후의 첫 번째 타임 슬라이스, 두 번째 타임 슬라이스, 세 번째 타임 슬라이스, 또는 네 번째 타임 슬라이스 등일 수 있다. 설명해야 하는 바로는, 본 출원의 실시예에 관한 "제1", "제2" 등의 한정은 단지 명칭 상에서 2개의 타임 슬라이스를 구별하기 위한 것이고, 순서, 수량, 중요 정도 등의 의미를 가지지 않는 한정이다.

5분을 하나의 타임 슬라이스로 하고 제2 타임 슬라이스가 제1 타임 슬라이스 후의 첫 번째 타임 슬라이스일 경우, 이러면, 이 트레이닝 데이터로 트레이닝된 정체 상태 예측 모델은, 5분 후의 도로 구간 정체 상태 변화 리스크를 예측하는데 사용된다. 제2 타임 슬라이스가 제1 타임 슬라이스 후의 두 번째 타임 슬라이스일 경우, 이러면, 이 트레이닝 데이터로 트레이닝된 정체 상태 예측 모델은, 10분 후의 도로 구간 정체 상태 변화 리스크를 예측하는데 사용된다. 이것으로 유추하여, 복수의 정체 상태 예측 모델을 각각 구축하여 미래의 서로 다른 타임 슬라이스 도로 구간의 정체 상태 변화 리스크를 각각 예측할 수 있다.

제1 타임 슬라이스 교통 유동량 특징 데이터는, 도로 구간의 제1 타임 슬라이스에서의 교통 유동량 통계 데이터, 속도 데이터 및 급감속 횟수를 포함할 수 있다. 도로 속성 특징 데이터는, 도로 구간의 길이 및 도로 등급 등의 정보를 포함할 수 있다. 제2 타임 슬라이스 환경 특징 데이터는, 당해 제2 타임 슬라이스에 대응하는 당해 도로 구간의 날씨, 시간, 공휴일 여부 및 계절 등의 정보를 포함할 수 있다. 계산을 쉽게 하기 위해, 이러한 특징 데이터는, 이산 수치의 형식으로 나타낼 수 있다.

도 3에 도시된 바와 같이, 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩한다. 서로 다른 도로 구간의 사이 관련 관계를 피팅 하기 위해, GCN을 사용하여 관련 관계를 구축하고, 인코딩된 벡터 표현과 도로망 링크 관계 행렬을 GCN에 입력할 수 있다. GCN에 의해 출력된 벡터 표현은, 벡터 표현, 도로 속성 특징 데이터, 및 이력 제2 타임 슬라이스 환경 특징 데이터를 스플라이싱한 후에 전연결층에 입력하여, 전연결층으로부터 당해 도로 구간의 이력 제2 타임 슬라이스에서의 예측 통행 기간을 획득할 수 있다.

트레이닝 타깃에 도달할 때까지, GCN과 전연결층을 트레이닝하고, 트레이닝 타깃은 도로 구간의 예측 통행 기간과 트레이닝 데이터 중의 당해 도로 구간의 평균 통행 기간의 차이를 최소화하고, 다시말하면, 예측 오차를 최소화한다.

트레이닝 종료 후에, 트레이닝된 정체 상태 예측 모델을 사용하여 미래의 어느 타임 슬라이스의 예측을 수행할 때, 도 3에 도시된 바와 같이, 현재 타임 슬라이스에 대응하는 도로망 내의 각 도로 구간의 실시간 교통 유동량 특징 데이터를 인코딩하고, 그 다음에, 인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 GCN에 입력하고, GCN에 의해 출력된 벡터 표현, 도로 속성 특징 데이터, 상술한 미래의 어느 타임 슬라이스의 환경 특징 데이터를 스플라이싱한 후에 전연결층에 입력하여, 전연결층으로부터 당해 도로 구간에 대한 상술한 미래의 어느 타임 슬라이스의 예측 통행 기간을 획득한다.

각 도로 구간의 미래 타임 슬라이스에서의 예측 통행 기간에 따라, 각 도로 구간의 미래 타임 슬라이스에서의 정체 상태 변화를 결정할 수 있다. 예를 들어, 예측된 예측 통행 기간이, 같은 시기의 이력 평균 통행 기간보다 길고, 동시에 폭(amplitude)이 미리 설정된 폭의 역치를 초과할 경우, 정체가 발생한 것으로 간주할 수 있다. 서로 다른 폭의 역치를 설치하여 서로 다른 정도의 정체를 구별할 수도 있다.

2) 사고 발생 예측.

본 출원에서 사고 예측 모델을 사용하여 사고가 발생하는지 여부에 대한 예측을 수행할 수 있다. 당해 사고 예측 모델은, 현재 타임 슬라이스에 대응하는 도로망의 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 타임 슬라이스 환경 특징 데이터를 입력하였을 경우, 각 도로 구간이 상술한 미래 타임 슬라이스에 사고가 발생하는지 여부에 대한 예측을 출력할 수 있다.

이해를 쉽게 하기 위해, 먼저, 사고 예측 모델의 트레이닝 과정을 설명한다. 도 4에 도시된 바와 같이, 정체 상태 예측 모델과 유사하고, 사고 예측 모델은, 주로 GCN과 전연결층을 포함한다.

먼저, 트레이닝 데이터를 획득한다. 트레이닝 데이터는, 도로망 내의 각 도로 구간의 이력 정보로부터 획득할 수 있고, 각 트레이닝 데이터는, 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터, 당해 도로 구간의 이력 제2 타임 슬라이스에서 사고가 발생하였는지 여부의 정보와 같은 4개의 데이터를 포함할 수 있다. 제2 타임 슬라이스는 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스이다.

이력 제1 타임 슬라이스 교통 유동량 특징 데이터는, 이력 제1 타임 슬라이스에서의 도로 구간의 교통 유동량 통계 데이터, 속도 데이터 및 급감속 횟수를 포함할 수 있다. 도로 속성 특징 데이터는, 도로 구간의 길이 및 도로 등급 등의 정보를 포함할 수 있다. 환경 특징 데이터는, 당해 이력 제2 타임 슬라이스에서의 당해 도로 구간에 대응하는 날씨, 시간, 공휴일 여부, 계절 등의 정보를 포함할 수 있다. 계산을 쉽게 하기 위해, 이러한 특징 데이터는, 이산 수치의 형식으로 나타낼 수 있다.

도 4에 도시된 바와 같이, 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩한다. 서로 다른 도로 구간의 사이 관련 관계를 피팅 하기 위해, GCN을 사용하여 관련 관계를 구축하고, 인코딩된 벡터 표현과 도로망 링크 관계 행렬을 GCN에 입력할 수 있다. GCN에 의해 출력된 벡터 표현은, 벡터 표현, 도로 속성 특징 데이터, 및 이력 제2 타임 슬라이스 환경 특징 데이터를 스플라이싱한 후에 전연결층에 입력하여, 전연결층으로부터 당해 도로 구간이 제2 타임 슬라이스에서 사고가 발생하는지 여부에 대한 예측을 획득한다. 전연결층은, 구체적으로, 도로 구간에 사고가 발생하는 확률을 출력할 수 있고, 확률이 미리 설정된 확률의 역치보다 높은지 여부에 따라 사고가 발생하는지 여부를 결정한다. 예를 들어 확률이 미리 설정된 확률의 역치보다 높을 경우, 사고가 발생한다고 결정한다.

트레이닝 타깃에 도달할 때까지, GCN과 전연결층을 트레이닝하고, 트레이닝 타깃은 각 도로 구간에 사고가 발생하는지 여부에 대한 예측 결과를 트레이닝 데이터와 일치하도록 하는 것이며, 다시말하면, 예측 오차를 최소화한다.

트레이닝 종료 후에, 트레이닝된 사고 예측 모델을 사용하여 예측할 때, 도 4에 도시된 바와 같이, 현재 타임 슬라이스에 대응하는 도로망 내의 각 도로 구간의 실시간 교통 유동량 특징 데이터를 인코딩하고, 그 다음에, 인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 GCN에 입력하고, GCN에 의해 출력된 벡터 표현과 도로 속성 특징 데이터 및 미래 타임 슬라이스 환경 특징 데이터를 스플라이싱한 후에 전연결층에 입력하여, 전연결층으로부터 당해 도로 구간이 상술한 미래 타임 슬라이스에서 사고가 발생하는지 여부에 대한 예측을 획득한다. 구체적으로, 전연결층은, 도로 구간에 사고가 발생하는 확률을 출력하고, 확률이 미리 설정된 확률의 역치보다 높은지 여부에 따라 사고가 발생하는지 여부를 결정할 수 있다. 예를 들어, 확률이 미리 설정된 확률의 역치보다 높을 경우, 사고가 발생한다고 결정한다.

3) 통행 가능성 예측.

본 출원에서 수행하는 통행 가능성 예측은, 여러가지 요인으로 인해 차단되는 것이 아니고, 도로 구간이 통행 가능한지 여부를 예측한다. 도로 구간이 통행 불가가 되고, 즉 차단되는 요인은 예를 들어, 도로 공사, 도로 폐쇄, 기타 공사로 인해 막힘 등이며, 본 출원은 이에 대해 한정하지 않는다.

도로 구간의 차단은 독립적으로 발생한 이벤트이며, 도로망 내의 다른 도로 구간과 직접적인 관련이 없기 때문에, GCN을 사용하여 예측하는 것이 아니고, 직접 분류기를 사용하여 모델링 예측을 수행한다.

예측할 때, 각 도로 구간의 현재 유동량 특징을 획득하고, 당해 유동량 특징은, 도로 구간의 교통 유동량, 선행 도로 구간의 교통 유동량 및 후속 도로 구간의 교통 유동량을 포함할 수 있다. 교통 유동량은, 주로, 차량의 유동량을 가리킨다. 하나의 도로 구간에 대해, 그의 선행 도로 구간은 복수일 수 있고, 후속 도로 구간도 복수일 수 있다. 이러면, 상술한 선행 도로 구간의 교통 유동량은, 복수 선행 도로 구간의 평균 교통 유동량일 수 있고, 마찬가지로, 후속 도로 구간의 교통 유동량은, 복수의 후속 도로 구간의 평균 교통 유동량일 수 있다.

그 다음에, 각 도로 구간의 이력 유동량 특징을 획득한다. 당해 이력 유동량 특징은, 현재와 같은 시간 세그먼트에 속하는 이력 유동량 특징일 수 있다. 예를 들어, 현재가 상술한 10:01이라고 가정하면, 이러면, 이력에서의 10:00 내지 10:05의 타임 슬라이스 유동량 특징 데이터를 획득할 수 있다. 이력 유동량 특징은, 일정한 이력 시간 구간의 평균 유동량 특징일 수 있다. 예를 들어, 어제로부터 일주일 전, 일개월 등의 평균 유동량 특징이다.

도로 구간의 현재 유동량 특징과 이력 유동량 특징을 차분한 후에 획득한 특징을 도로 속성 특징을 통행 가능성 예측 모델에 입력하여, 당해 도로 구간이 통행 가능한지 여부에 대한 예측을 획득한다. 그 중, 통행 가능성 예측 모델은, 분류기에 기반하여 미리 트레이닝하여 획득할 수 있고, 분류기는 예를 들어, SVM(Support Vector Machine, 서포트 벡터 머신) 등의 2개의 분류기일 수 있다. 출력하는 것은, 당해 도로 구간의 통행 불가인 확률이며, 확률에 따라 당해 도로 구간이 통행 불가인지 여부를 결정한다. 예를 들어, 통행 불가의 확률이 미리 설정된 확률의 역치보다 높을 경우, 당해 도로 구간이 통행 불가라고 결정한다.

통행 가능성 예측 모델을 트레이닝할 때, 도로 구간이 통행 가능할 경우에 대응하는 시간 세그먼트의 유동량 특징과 당해 시간 세그먼트의 이력 유동량 특징을 획득하고, 획득 도로 구간이 통행 불가일 경우에 대응하는 시간 세그먼트의 교통 고유동량과 당해 시간 세그먼트의 이력 유동량 특징을 획득하고, 트레이닝 데이터로 취급한다. 같은 트레이닝 데이터에 있어서, 2개의 유동량 특징을 차분한 후에 획득한 특징과 같은 도로 구간의 도로 속성 특징을 분류기에 입력하고, 분류기는 당해 도로 구간이 통행 가능한지 여부의 분류 결과를 출력한다. 트레이닝 타깃에 도달할 때까지, 분류기를 트레이닝한다. 분류기의 분류 결과는 트레이닝 데이터 내의 도로 구간이 통행 가능한지 여부의 정보와 일치한다.

4) 교통 규칙 변화 예측.

일부 상황에 따라, 교통 규칙 변화로 인해 사용자가 노선에서 주행할 때에 일부 통행 리스크를 직면하게 된다. 본 출원에 관한 교통 규칙 변화는, 주로, 스티어링 금지(steering prohibition)를 포함한다. 예를 들어 직진 금지, 좌회전 금지, 우회전 금지, 유턴 금지 등이다. 본 출원에서 도로 구간 전후 궤적의 차이를 관찰함으로써 도로 구간에 교통 규칙 변화가 있는지 여부를 마이닝할 수 있다.

구체적으로, 각 도로 구간에서 선행 도로 구간으로부터의 현재 교통 유동량의 비율을 획득하고, 각 도로 구간에서 선행 도로 구간으로부터의 이력 유동량의 비율을 획득할 수 있다. 도로 구간의 이력 유동량의 비율과 비교한 현재 교통 고유동량의 비율의 하강 정도가 미리 설정된 비율의 역치를 초과할 경우, 당해 도로 구간에 교통 규칙 변화가 있는 것으로 예측된다.

예를 들어, 도로 구간 A를 경유하여 도로 구간 B를 통과한다고 가정하면, 이러면, 도로 구간 A는 도로 구간 B의 선행 도로 구간이다. 도로 구간 B의 교통 유동량 내의 도로 구간 A로부터의 교통 유동량이 차지하는 비율을 결정하고, 당해 비율이 이력 유동량의 비율과 비교하여 대폭으로 하강되었을 경우, 당해 도로 구간 B에 교통 규칙 변화가 있는 것으로 예측한다. 이력 유동량의 비율은, 일정한 이력 시간 구간의 평균 유동량의 비율일 수 있다. 예를 들어, 어제로부터 일주일 전, 일개월 등의 평균 유동량 특징이다.

또한, 현재 교통 유동량의 비율과 이력 유동량의 비율을 비교하는 방식 이외에, 또한, 도로 구간의 교통 유동량의 절대치를 결합하며, 즉 동시에 도로 구간의 교통 유동량이 이력 교통 유동량과 비교하여 하강 정도가 미리 설정된 역치를 초과하는 것을 만족하는 경우만, 당해 도로 구간에 교통 규칙 변화가 있는 것으로 예측된다.

5) 도로 품질 악화 예측.

도로 품질 악화 예측은, 주로, 도로 구간의 도로 품질이 이전보다 악화되고 있는지 여부를 예측한다. 노선 품질이 악화되는 요인은, 예를 들어, 도로 파손으로 인한 흔들림, 보행자가 무작위로 통과, 위법 주차, 경사도 변화, 새로운 장애물 등일 수 있고, 본 출원은 이에 대해 한정하지 않는다.

도로 품질 악화 예측을 수행할 때, 각 도로 구간의 현재 속도 데이터 및 급감속 횟수를 획득할 수 있다. 속도 데이터는, 예를 들어, 궤적점 중간(median) 속도, 평균(average)수 등을 포함할 수 있다.

각 도로 구간의 이력 속도 데이터 및 급감속 횟수를 획득한다. 도로 구간의 현재 속도 데이터가 이력 속도 데이터와 비교하여 큰 폭으로 속도가 하강할 경우, 예를 들어, 속도 하강 정도가 미리 설정된 속도의 역치를 초과하고, 동시에 현재 급감속 횟수가 이력 급감속 횟수보다 큰 폭으로 상승하고, 예를 들어, 상승하는 정도가 미리 설정된 횟수의 역치를 초과할 경우, 당해 도로 구간에 도로 품질 악화가 나타나는 것으로 예측된다.

상술한 이력 속도 데이터는, 현재와 같은 시간 세그먼트에 속하는 이력 속도 데이터일 수 있다. 예를 들어, 현재가 상술한 10:01이라고 가정하면, 이러면, 이력에서의 10:00 내지 10:05의 타임 슬라이스 이력 속도 데이터를 획득할 수 있다. 이력 속도 데이터는, 일정한 이력 시간 구간의 평균 속도 데이터일 수 있다. 예를 들어, 어제로부터 일주일 전, 일개월 등의 평균 유동량 특징이다.

상술한 각종 예측 결과를 획득한 후, 각종 예측 결과에 따라 도로 구간의 각종 예측에 대응하는 리스크 계수를 각각 획득하고, 그 다음에, 각 도로 구간에 대해 획득한 각종 예측에 대응하는 리스크 계수에 대해 각각 가중 처리를 수행하고, 각 도로 구간의 상태 변화 리스크 계수를 획득할 수 있다.

예를 들어, 정체 상태 변화에 의해 예측된 도로 구간 i의 예측 통행 기간에 따라, 도로 구간 i의 정체 상태 변화 리스크 계수 R₁을 결정한다. 예측 통행 기간과 이력 평균 통행 기간의 차이가 클 수록, R₁ 값이 커진다.

사고 발생에 의해 예측된 도로 구간 i에 사고가 발생하는지 여부에 따라, 도로 구간 i의 사고 발생 리스크 계수 R₂을 결정한다. 예를 들어, 도로 구간 i에 사고가 발생한다고 예측되었을 경우, 예측된 도로 구간 i에 사고가 발생한 확률에 따라 R₂을 결정할 수 있고, 확률값이 클수록, R₂이 커진다. 사고가 발생할 경우, R₂ 값을 1로 하고, 사고가 발생하지 않을 경우, R₂값을 0으로 하여, 간단하게 설치할 수도 있다.

통행 가능성에 의해 예측된 도로 구간 i가 통행 가능한지 여부에 따라, 도로 구간 i의 통행 가능성 리스크 계수 R₃R_3을 결정한다. 예를 들어, 도로 구간이 통행 불가라고 예측되었을 경우, 예측된 도로 구간의 통행 불가인 확률에 따라, R₃을 결정할 수 있고, 확률값이 클수록, R₃값이 커진다. 통행 불가일 경우, R₃값을 1로 하고, 통행 가능할 경우, R₃값을 0로 하여, 간단하게 설치할 수도 있다.

교통 규칙 변화에 의해 예측된 도로 구간 i에 교통 규칙 변화가 발생한 것인가 아닌가에 따라, 도로 구간 i의 교통 규칙 변화 리스크 계수 R₄을 결정한다. 예를 들어, 도로 구간에 교통 규칙 변화가 발생한다고 예측되었을 경우, 유동량의 비율이 하강되는 정도에 따라 R₄을 결정할 수 있고, 하강되는 정도가 클수록, R₄ 값이 커진다. 교통 규칙 변화가 발생할 경우, R₄ 값을 1로 하고, 교통 규칙 변화가 발생하지 않을 경우, R₄값을 0로 하여, 간단하게 설치할 수도 있다.

도로 품질 악화에 의해 예측된 도로 구간 i에 도로 품질 악화의 의혹이 있는지에 따라, 도로 구간 i의 통행 가능성 리스크 계수 R₅을 결정할 수 있다. 예를 들어, 도로 구간의 도로 품질이 악화하였다고 예측되었을 경우, 속도의 하강 정도 및 급감속 횟수의 상승 정도 중의 적어도 하나에 따라 R₅을 결정한다. 속도의 하강 정도가 클 수록, R₅값이 커지고, 급감속 횟수의 상승 정도가 클 수록, R₅값이 커진다. 도로 구간의 도로 품질이 악화하였을 경우, R5 값을 1로 하고, 도로 품질 악화가 발생하지 않았을 경우, R₅ 값을 0로 하여, 간단하게 설치할 수도 있다.

그 다음에, 하기의 식으로 도로 구간 i의 상태 변화 리스크 계수 R_all을 결정하고,

λ₁*R₁+λ₂*R₂+λ₃*R₃+λ₄*R₄+λ₅*R₅=R_all

λ₁, λ₂, λ₃, λ₄, 및 λ₅은 깊고 두텁게 설치하는 경험 값 또는 실험 값 등을 사용할 수 있다.

유사한 방식을 사용하여 도로망 내의 각 도로 구간의 상태 변화 리스크 계수를 결정할 수 있다.

203에서, 각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행한다.

노선 계획 제품에서, 도로망에서의 모든 도로 구간을 상호의 접속 관계에 따라 하나의 그물 모양의 토폴러지 맵을 구축하고, 당해 토폴러지 맵 내의 노드는 교차로이며, 에지는 도로 구간이다. 종래 기술에서, 정적 도로망 속성과 실시간의 도로 상황 정보에 따라, 도면 위의 각 에지에 가중치를 부여한다. 다시 말하면, 각 도로 구간에 모두 가중치를 부여한다. 사용자가 시작 위치와 종료 위치를 입력하여 노선 계획을 수행할 때, 그래프 검색의 방식을 통해 노선 검색 계산을 수행한다. 노선 검색 프로세스에서, 선택 가능한 복수의 도로 구간에서, 가중치가 높은 도로 구간을 우선적으로 선택한다. 검색된 후보 노선에서, 통행 기간, 거리, 교통 신호기 수 및 도로 등급 등의 복수의 차원 중의 하나 또는 임의의 결합을 고려하여 후보 노선의 정렬을 수행하고, 최종적으로, 사용자에게 추천하는 노선을 결정한다.

본 출원은 노선 검색 과정에 도로 구간의 상태 변화 리스크 정보를 융합할 수 있고, 후보 노선의 정렬 과정에 도로 구간의 상태 변화 리스크 정보를 융합할 수도 있고, 또는 노선 검색과 후보 노선의 정렬 과정에 모두 도로 구간의 상태 변화 정보를 융합할 수도 있다.

노선 검색 과정에 도로 구간의 상태 변화 리스크 정보를 융합하였을 경우, 하기의 처리를 실행할 수 있고,

S11, 각 도로 구간의 상태 변화 리스크 정보를 사용하여 각 도로 구간의 가중치를 업데이트하고, 상태 변화 리스크가 높을수록, 도로 구간 가중치의 하강 정도가 커진다.

다시 말하면, 상태 변화 리스크가 존재하는 도로 구간에 대해, 그의 상태 변화 리스크의 상황을 사용하여 당해 도로 구간의 가중치를 "억제(打壓)"한다.

예를 들어, 업데이트 후의 도로 구간 가중치 weight_{i new} 은, 하기와 같으며,

λ_all*R_all+weight_i=weight_{i new}

weight_i는, 도로 구간의 원래 가중치이며, λ_all은, 가중 계수이며, 일반적으로, 하나의 부의 값에 설치할 수 있고, 구체적인 값은 경험 값 또는 실험 값에 깊고 두텁게 설치할 수 있다.

S12, 업데이트 후의 각 도로 구간의 가중치에 기반하여, 사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득한다.

노선 검색 과정에, 각 도로 구간에 도착하는 예상 시간을 결정하고, 그 다음에, 당해 예상 시간이 위치한 시간 세그먼트에서의 당해 도로 구간의 상태 변화 리스크에 대한 예상을 사용한다. 구체적으로, 어떻게 각 도로 구간에 도착하는 예상 시간을 결정하는 것은, 각 도로 구간을 경유하는 예상 통행 기간을 사용하여 중첩하여 결정할 수 있고, 이 부분의 내용은 여기에서 상세히 설명하지 않는다. 그 다음에, 후보 노선으로부터 사용자에게 추천하는 노선을 결정한다.

S13, 후보 노선으로부터 사용자에게 추천하는 노선을 결정한다.

종래 기술의 정렬 방식을 사용하고, 통행 기간, 거리, 교통 신호기 수 및 도로 등급 등의 복수의 차원 중의 하나 또는 임의의 결합을 고려하여 후보 노선의 정렬을 수행하고, 최종적으로, 사용자에게 추천하는 노선을 결정할 수 있다.

후보 노선의 정렬 과정에 도로 구간의 상태 변화 리스크 정보를 융합하였을 경우, 하기의 처리를 실행할 수 있고,

S21, 사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득한다.

여기에서는 종래 기술의 노선 검색 방식을 사용하고, 각 도로 구간의 상태 변화 리스크가 각 도로 구간의 가중치에 대한 영향을 고려하지 않는다.

S22, 후보 노선 내의 각 도로 구간의 상태 변화 리스크 정보를 융합하여, 각 후보 노선을 정렬한다.

본 단계에서, 후보 노선에 포함되는 각 도로 구간의 상태 변화 리스크 계수를 사용하여, 후보 노선의 상태 변화 리스크 계수를 결정할 수 있고, 예를 들어, 각 도로 구간 상태 변화 리스크 계수를 포함하는 합계, 평균화 등을 수행한다. 그 다음에, 노선의 상태 변화 리스크 계수를 고려하는 기초 상에서, 또한, 통행 기간, 거리, 교통 신호기 수 및 도로 등급 등의 복수의 차원 중의 하나 또는 임의의 결합을 고려하여, 각 후보 노선을 정렬한다.

사용자가 추천 노선에 대한 선택 행위 및 후보 노선의 상태 변화 리스크 특징, 도로 등급, 통행 기간, 거리, 신호기 수, 자동차 유동량 정보 등의 특징에 따라, 정렬 모델을 트레이닝할 수도 있다. 그 다음에, 트레이닝된 정렬 모델을 사용하여 각 추천 노선을 정렬한다.

S23, 정렬 결과에 따라, 사용자에게 추천하는 노선을 결정한다.

정렬 후에, 상위 N개의 노선을 선택하여 사용자에게 추천할 수 있고, N은, 미리 설정된 양의 정수이다. 서로 다른 정렬 전략을 사용하여 각각 배열된 제1 노선을 사용자에게 추천할 수 있다.

204에서, 사용자에게 추천하는 계획 노선을 전시한다.

본 단계에서는 하기의 방식의 동안에 하나 또는 임의의 결합을 사용할 수 있고,

방식 1, 사용자에게 추천하는 계획 노선에 포함되는 각 도로 구간의 상태 변화 리스크 계수의 합계가 가장 낮은 노선에 대해, 당해 노선의 리스크가 가장 낮은 정보를 지시하는 것을 전시한다.

도 5에 도시된 바와 같이, 방안 A로 지시하는 노선은, 라벨 "가장 낮은 리스크"를 전시하고, 사용자가 선택을 쉽게 할 수 있다.

방식 2, 사용자에게 추천하는 노선의 상태 변화 리스크가 미리 설정된 조건을 만족하는 도로 구간에 대해, 당해 도로 구간에 대해 예측한 상태 변화 리스크 정보를 전시한다.

도 5에 도시된 바와 같이, 현재 인터페이스 상에서 전시되는 추천 노선 B에 있어서, 정체 리스크가 높은 하나의 도로 구간 "월천로(月泉路)"가 있기 때문에, 당해 도로 구간에 "월천로는 정체 리스크가 있어, 10분 지연될 수 있습니다

"

라고 지시할 수 있다. 추천 노선 C에 사고 리스크가 있는 하나의 도로 구간 "G6보조 도로

"가 있기 때문에, 당해 도로 구간에 "G6보조 도로에 사고 리스크가 있습니다

"라고 지시할 수 있다. 이러면, 사용자는 각 추천 노선에 존재할 가능성이 있는 리스크를 명확히 파악하고, 상술한 제시 리스크 도로 구간과 리스크 유형의 정보를 전시하여, 사용자가 노선을 선택하거나, 또는 미래의 출행 계획에 대해 정확하게 변화하도록 지원할 수 있다.

방식 3, 상태 변화 리스크로 인해 사용자에게 추천하지 않은 노선에 대해, 당해 노선을 사용자에게 추천하지 않은 원인 정보를 전시한다.

리스크가 높기 때문에 추천하지 않은 노선이 있을 경우, 사용자에게 원인을 제시할 수 있고, 예를 들어, "중산로를 경유하는 노선은 사고 위험이 비교적 높기 때문에 이미 당신을 위해 성공적으로 피하였습니다

"이다

또한, 사용자에게 추천하는 계획 노선에 정체 상태 변화 리스크가 있는 도로 구간을 포함할 경우, 정체 상태 변화 리스크를 포함하는 도로 구간의 예측 통행 기간을 사용하여 노선의 제2 예상 도착 시간을 결정하고, 정체 상태 변화 리스크를 고려하지 않을 때에 결정된 제1 예상 도착 시간과 제2 예상 도착 시간을 사용하여, 당해 노선의 예상되는 도착 시간 구간을 전시할 수 있다.

도 5에 도시된 바와 같이, 방안 B에 대응하는 추천 노선에 대해, 정체 상태 변화 리스크가 있는 월천로(月泉路)를 포함하므로, 정체 상태 예측 모델을 사용하여 월천로의 통행 기간 예측을 수행하고, 방안 B에 대응하는 추천 노선의 제2 예상 도착 시간이 52분인 것을 획득할 수 있다. 그러나, 정체 리스크를 고려하지 않을 경우, 일반적인 방식으로 당해 추천 노선의 제1 예상 도착 시간이 42분인 것이 계산된다. 따라서, 전시되는 예상 도착 시간 구간은 "42-52분"이다.

정보가 구체적인 전시 형식에 대해, 여기에서는 한정하지 않고, 도 5에 내보이는 전시 형식은, 단순한 본 출원의 예다.

이상은 본 출원에 의해 제공되는 방법에 대한 상세한 설명이며, 이하는 실시예를 결합하여 본 출원에 의해 제공되는 장치를 상세히 설명한다.

도 6은 본 출원의 실시예에서 제공되는 장치의 구조도이다. 상기 장치는 서버측에 있는 애플리케이션 프로그램 또는 서버측에 있는 애플리케이션 프로그램의 플러그인 또는 소프트웨어 개발 킷(Software Development Kit, SDK) 등의 기능 유닛일 수 있다. 도 6에 도시된 바와 같이, 당해 장치는, 데이터 획득 유닛(10), 리스크 예측 유닛(20) 및 노선 계획 유닛(30)을 포함할 수 있고, 또한, 포함하는 정체 모델 트레이닝 유닛(40), 사고 모델 트레이닝 유닛(50) 및 전시 유닛(60)을 포함할 수도 있다. 각 구성 유닛의 주요 기능은, 하기와 같다.

데이터 획득 유닛(10)은, 도로망의 실시간 교통 유동량 특징 데이터를 획득하는데 사용된다.

획득된 교통 유동량 특징 데이터는, 각 도로 구간의 교통 유동량 통계 데이터, 속도 데이터 및 급감속 횟수 중의 하나 또는 임의의 결합을 포함할 수 있다. 그 중, 교통 유동량 통계 데이터는, 주로 차의 유동량 통계이다. 속도 데이터는, 예를 들어, 평균 속도, 중간 속도, 가장 빠른 속도, 가장 느린 속도 등 중의 적어도 하나를 포함할 수 있다. 급감속 횟수는, 차량이 도로 구간을 주행할 때에 발생하는 급감속 횟수일 수 있고, 급감속은, 단위 시간 내에 속도가 감소하는 폭이 미리 설정된 역치를 초과하는 것일 수 있다.

리스크 예측 유닛(20)은, 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득하는데 사용된다.

구체적으로, 리스크 예측 유닛(20)은, 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 정체 상태 변화 예측, 사고 발생 예측, 통행 가능성 예측, 교통 규칙 변화 예측 및 도로 품질 악화 예측 중의 적어도 하나를 각각 수행하고, 각종 예측 결과에 따라 각종 예측에 대응하는 리스크 계수를 각각 획득하고, 각 도로 구간에 대해 획득한 각종 예측에 대응하는 리스크 계수에 대해 각각 가중 처리를 수행하여, 각 도로 구간의 상태 변화 리스크 계수를 획득할 수 있다.

리스크 예측 유닛(20)은, 정체 상태 예측 서브 유닛(21), 사고 발생 예측 서브 유닛(22), 통행 가능성 예측 서브 유닛(23), 교통 규칙 변화 예측 서브 유닛(24) 및 도로 품질 예측 서브 유닛(25) 중의 적어도 하나를 포함할 수 있다.

정체 상태 예측 서브 유닛(21)은, 현재 타임 슬라이스에 대응하는 도로망의 실시간 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 타임 슬라이스에 대응하는 환경 특징 데이터를 미리 트레이닝된 정체 상태 예측 모델에 입력하여, 도로망 내의 각 도로 구간의 미래 타임 슬라이스에서의 예측 통행 기간을 획득하고, 각 도로 구간의 미래 타임 슬라이스에서의 예측 통행 기간에 따라, 각 도로 구간의 미래 타임 슬라이스에서의 정체 상태 변화를 결정하는데 사용된다.

이럴 경우, 정체 모델 트레이닝 유닛(40)은, 하기의 방식으로 정체 상태 예측 모델을 미리 트레이닝하여 획득할 수 있고,

트레이닝 데이터를 획득하고, 트레이닝 데이터는, 도로망 내의 각 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터 및 평균 통행 기간을 포함하고, 제2 타임 슬라이스는 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스이며, 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩하고, 인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 그래프 컨볼루션 네트워크(GCN)에 입력하고, 그래프 컨볼루션 네트워크에 의해 출력된 벡터 표현, 도로 속성 특징 데이터, 및 이력 제2 타임 슬라이스 환경 특징 데이터를 스플라이싱한 후에 전연결층에 입력하여, 당해 도로 구간의 제2 타임 슬라이스에서의 예측 통행 기간을 획득하고,

트레이닝 타깃에 도달할 때까지, 그래프 컨볼루션 네트워크라고 전연결층을 트레이닝하고, 트레이닝 타깃은 도로 구간의 예측 통행 기간과 트레이닝 데이터 내의 평균 통행 기간의 차이를 최소화한다.

사고 발생 예측 서브 유닛(22)은, 현재 타임 슬라이스에 대응하는 도로망의 실시간 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 타임 슬라이스에 대응하는 환경 특징 데이터를 미리 트레이닝된 사고 예측 모델에 입력하여, 도로망 내의 각 도로 구간에서 미래 타임 슬라이스에 사고가 발생하는지 여부에 대한 예측을 획득하는데 사용된다.

이럴 경우, 사고 모델 트레이닝 유닛(50)은, 하기의 방식으로 사고 예측 모델을 미리 트레이닝하여 획득하는데 사용되고,

트레이닝 데이터를 획득하고, 트레이닝 데이터는, 도로망 내의 각 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터, 및 사고가 발생하는지 여부를 포함하고, 제2 타임 슬라이스는 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스이며, 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩하고, 인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 그래프 컨볼루션 네트워크(GCN)에 입력하고, 그래프 컨볼루션 네트워크에 의해 출력된 벡터 표현, 도로 속성 특징 데이터, 및 이력 제2 타임 슬라이스 환경 특징 데이터 전연결층에 입력하여, 당해 도로 구간이 제2 타임 슬라이스에서 사고가 발생하는지 여부에 대한 예측을 획득하고, 트레이닝 타깃에 도달할 때까지, 그래프 컨볼루션 네트워크와 전연결층을 트레이닝하고, 트레이닝 타깃은 각 도로 구간에 사고가 발생하는지 여부에 대한 예측 결과를 트레이닝 데이터와 일치하도록 하는 것이다.

통행 가능성 예측 서브 유닛(23)은, 각 도로 구간의 현재 유동량 특징을 획득하고, 유동량 특징은, 도로 구간의 교통 유동량, 선행 도로 구간의 교통 유동량 및 후속 도로 구간의 교통 유동량을 포함하고, 각 도로 구간의 이력 유동량 특징을 획득하고, 도로 구간의 현재 유동량 특징과 이력 유동량 특징을 차분한 후에 획득된 특징과 도로 속성 특징을 통행 가능성 예측 모델에 입력하여, 당해 도로 구간이 통행 가능한지 여부에 대한 예측을 획득하는데 사용되고, 통행 가능성 예측 모델은 분류기에 기반하여 미리 트레이닝하여 획득한다.

교통 규칙 변화 예측 서브 유닛(24)은, 각 도로 구간에서 선행 도로 구간으로부터의 현재 교통 유동량의 비율을 획득하고, 각 도로 구간에서 선행 도로 구간으로부터의 이력 유동량의 비율을 획득하고, 도로 구간의 이력 유동량의 비율과 비교한 현재 교통 고유동량의 비율의 하강 정도가 미리 설정된 비율의 역치를 초과할 경우, 당해 도로 구간에 교통 규칙 변화가 있는 것으로 예측되는데 사용할 수 있다.

도로 품질 예측 서브 유닛(25)은, 각 도로 구간의 현재 속도 데이터 및 급감속 횟수를 획득하고, 각 도로 구간의 이력 속도 데이터 및 급감속 횟수를 획득하고, 도로 구간의 현재 속도 데이터를 이력 속도 데이터와 비교하여 속도 하강 정도가 미리 설정된 속도의 역치를 초과하는 것, 및 현재 급감속 횟수와 이력 급감속 횟수의 상승 정도가 미리 설정된 횟수의 역치를 초과하는 것 중의 적어도 하나가 존재할 경우, 당해 도로 구간에 도로 품질 악화가 나타나는 것으로 예측되는데 사용할 수 있다.

노선 계획 유닛(30)은, 각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행하는데 사용된다.

구체적으로, 노선 계획 유닛(30)은, 각 도로 구간의 상태 변화 리스크 정보를 사용하여 각 도로 구간의 가중치를 업데이트하고, 상태 변화 리스크가 높을 수록, 도로 구간 가중치의 하강 정도가 커지고, 업데이트 후의 각 도로 구간의 가중치에 기반하여, 사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득하고, 상기 후보 노선으로부터 상기 사용자에게 추천하는 노선을 결정할 수 있다.

노선 계획 유닛(30)은, 사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득하고, 상기 후보 노선 내의 각 도로 구간의 상태 변화 리스크 정보를 융합하여, 상기 후보 노선을 정렬하고, 정렬 결과에 따라, 상기 사용자에게 추천하는 노선을 결정할 수도 있다.

전시 유닛(60)은, 하기의 방식 중의 적어도 하나를 사용하여 노선 계획의 결과를 전시하는데 사용되고,

또한, 사용자에게 추천하는 계획 노선에 정체 상태 변화 리스크가 있는 도로 구간이 포함되어 있을 경우, 정체 상태 변화 리스크를 포함하는 도로 구간의 예측 통행 기간을 사용하여 노선의 제2 예상 도착 시간을 결정하고, 정체 상태 변화 리스크를 고려하지 않을 때에 결정된 제1 예상 도착 시간과 상기 제2 예상 도착 시간을 사용하여, 전시 유닛(60)으로 당해 노선의 예상 도착 시간 구간을 전시한다.

본 출원의 실시예에 의하면, 본 출원은 전자 기기 및 판독 가능 저장 매체를 더 제공한다.

도 7에 도시된 바와 같이, 본 출원의 실시예에 따른 노선 계획 방법을 구현하는 전자 기기의 블록도이다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 운영 플랫폼, 개인 정보 단말기, 서버, 블레이드 서버, 대형 컴퓨터, 및 다른 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 의미한다. 전자 기기는 개인 디지털 처리, 셀룰러폰, 스마트폰, 웨어러블 기기 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 이동 장치를 의미할 수도 있다. 본문에서 나타낸 부재, 이들의 연결과 관계, 및 이들의 기능은 단지 예시적인 것으로, 본문에서 설명 및/또는 요구된 본 발명의 구현을 한정하지 않는다.

도 7에 도시된 바와 같이, 상기 전자 기기는, 하나 또는 복수의 프로세서(701), 메모리(702), 및 고속 인터페이스 및 저속 인터페이스를 포함하는 각 부재를 연결하기 위한 인터페이스를 포함한다. 각 부재는 상이한 버스를 이용하여 서로 연결되고, 공통 메인보드에 장착될 수 있거나 필요에 따라 다른 방식으로 장착될 수 있다. 프로세서는, 메모리에 저장되거나 메모리에서 외부 입력/출력 장치(예를 들어, 인터페이스에 커플링된 전시 기기)에 GUI의 그래픽 정보를 전시하는 명령을 포함하는 전자 기기 내에서 실행되는 명령을 처리할 수 있다. 다른 실시형태에서, 필요에 따라 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리와 함께 사용할 수 있다. 마찬가지로, 다수의 전자 기기를 연결할 수 있고, 각 기기는 일부 필요한 동작(예를 들어, 서버 어레이, 한 그룹의 블레이드 서버, 또는 다중프로세서 시스템)을 제공한다. 도 7에서는 하나의 프로세서(701)를 예로 한다.

메모리(702)는 본 출원에서 제공된 비일시적 컴퓨터 판독 가능 저장 매체이다. 여기서, 상기 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어, 상기 적어도 하나의 프로세서가 본 출원에서 제공된 노선 계획 방법을 수행하도록 한다. 본 출원의 비일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 명령을 저장하며, 상기 컴퓨터 명령은 컴퓨터가 본 출원에서 제공된 노선 계획 방법을 수행하도록 한다.

메모리(702)는 비일시적 컴퓨터 판독 가능 저장 매체로서, 본 출원의 실시예에서의 노선 계획 방법에 대응되는 프로그램 명령/모듈과 같은 비일시적 소프트웨어 프로그램, 비일시적 컴퓨터 실행 가능 프로그램 및 모듈을 저장하는데 사용될 수 있다. 프로세서(701)는 메모리(702)에 저장되어 있는 비일시적 소프트웨어 프로그램, 명령 및 모듈을 실행함으로써, 서버의 다양한 기능 애플리케이션 및 데이터 처리를 수행하며, 즉 상기 방법의 실시예에서의 노선 계획 방법을 구현한다.

메모리(702)는 프로그램 저장 영역 및 데이터 저장 영역을 포함할 수 있는 바, 여기서 프로그램 저장 영역은 운영 체제, 적어도 하나의 기능에 필요한 애플리케이션 프로그램을 저장할 수 있고; 데이터 저장 영역은 노선 계획 방법에 따른 전자 기기의 사용에 따라 구축된 데이터 등을 저장할 수 있다. 이밖에, 메모리(702)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 적어도 하나의 자기 디스크 저장 소자, 플래시 소자, 또는 다른 비일시적 솔리드 스테이트 저장 소자와 같은 비일시적 메모리를 더 포함할 수 있다. 일부 실시예에서, 메모리(702)는 프로세서(701)에 대해 원격으로 설치되는 메모리를 선택적으로 포함할 수 있고, 이러한 원격 메모리는 네트워크를 통해 노선 계획 방법을 구현하는 전자 기기에 연결될 수 있다. 상기 네트워크의 구현예는 인터넷, 기업 인트라넷, 근거리 통신망, 이동 통신망, 및 이들의 조합을 포함하지만 이에 한정되지 않는다.

노선 계획 방법의 전자 기기는, 입력 장치(703) 및 출력 장치(704)를 더 포함할 수 있다. 프로세서(701), 메모리(702), 입력 장치(703) 및 출력 장치(704)는 버스 또는 다른 방식을 통해 연결될 수 있고, 도 7에서는 버스를 통한 연결을 예로 한다.

입력 장치(703)는 입력된 숫자 또는 캐릭터 정보를 수신할 수 있고, 노선 계획 방법을 구현하는 전자 기기의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 생성할 수 있으며, 예를 들어 터치 스크린, 키패드, 마우스, 트랙 패드, 터치 패드, 포인팅 스틱, 하나 또는 다수의 마우스 버튼, 트랙볼, 조이스틱 등 입력 장치일 수 있다. 출력 장치(704)는 디스플레이 기기, 보조 조명 장치(예를 들어, LED) 및 촉각 피드백 장치(예를 들어, 진동 모터) 등을 포함할 수 있다. 상기 디스플레이 기기는 LCD(액정 디스플레이 장치), LED(발광 다이오드) 디스플레이 장치 및 플라즈마 디스플레이 장치를 포함할 수 있으나 이에 한정되지 않는다. 일부 실시형태에서, 디스플레이 기기는 터치 스크린일 수 있다.

여기서 설명된 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC(전용 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하나 또는 다수의 컴퓨터 프로그램에서의 구현을 포함할 수 있고, 상기 하나 또는 다수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치, 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신할 수 있으며, 데이터 및 명령을 상기 저장 시스템, 상기 적어도 하나의 입력 장치, 및 상기 적어도 하나의 출력 장치에 전송할 수 있다.

이러한 컴퓨팅 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드라고도 함)은 프로그램 가능 프로세서의 기계 명령을 포함하고, 하이레벨 프로세스 및/또는 객체에 대한 프로그래밍 언어, 및/또는 어셈블리/기계 언어를 이용하여 이러한 컴퓨팅 프로그램을 실행할 수 있다. 본문에서 사용된 바와 같이, 용어 "기계 판독 가능한 매체" 및 "컴퓨터 판독 가능한 매체"는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 컴퓨터 프로그램 제품, 기기, 및/또는 장치(예를 들어, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 로직 장치(PLD))를 의미하고, 기계 판독 가능한 신호인 기계 명령을 수신하는 기계 판독 가능한 매체를 포함한다. 용어 "기계 판독 가능한 신호"는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 의미한다.

사용자와의 인터랙션을 제공하기 위하여, 컴퓨터에서 여기서 설명된 시스템 및 기술을 실시할 수 있고, 상기 컴퓨터는 사용자에게 정보를 전시하기 위한 전시 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 전시 장치) 모니터); 및 키보드 및 지향 장치(예를 들어, 마우스 또는 트랙 볼)를 구비하며, 사용자는 상기 키보드 및 상기 지향 장치를 통해 컴퓨터에 입력을 제공한다. 다른 타입의 장치는 또한 사용자와의 인터랙션을 제공할 수 있는데, 예를 들어, 사용자에게 제공된 피드백은 임의의 형태의 감지 피드백(예를 들어, 시각 피드백, 청각 피드백, 또는 촉각 피드백)일 수 있고; 임의의 형태(소리 입력, 음성 입력, 또는 촉각 입력)로 사용자로부터의 입력을 수신할 수 있다.

여기서 설명된 시스템 및 기술은 백엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버로 사용됨), 또는 미들웨어 부재를 포함하는 컴퓨팅 시스템(예를 들어, 애플리케이션 서버), 또는 프론트 엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 구비하는 사용자 컴퓨터인 바, 사용자는 상기 그래픽 사용자 인터페이스 또는 상기 네트워크 브라우저를 통해 여기서 설명된 시스템 및 기술의 실시형태와 인터랙션할 수 있음), 또는 이러한 백엔드 부재, 미들웨어 부재, 또는 프론트 엔드 부재의 임의의 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 시스템의 부재를 서로 연결시킬 수 있다. 통신 네트워크의 예는, 근거리 통신망(LAN), 광역망(WAN), 인터넷을 포함한다.

컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고 일반적으로 통신 네트워크를 통해 서로 인터랙션한다. 대응되는 컴퓨터에서 실행되고 또한 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램을 통해 클라이언트 및 서버의 관계를 생성한다.

본 출원의 실시예의 기술 방안에 따르면, 본 출원에서 제공되는 방법, 장치, 기기 및 컴퓨터 기록 매체는, 하기의 이점을 구비한다.

1) 본 출원에서 노선 계획에 각 도로 구간의 상태 변화 리스크에 대한 고려를 융합하여, 계획된 노선은 사용자가 각 도로 구간을 통과할 때에 직면하는 가능한 상태 변화 리스크를 총체적으로 고려하여, 계획된 노선 품질 및 사용자 체험을 향상시킨다.

2) 본 출원에서 각 도로 구간의 교통 유동량 통계 데이터, 속도 데이터 및 급감속 횟수, 이러한 풍부한 교통 유동량 특징 데이터를 통해, 도로망 내의 각 도로 구간의 상태 변화 리스크 정보를 예측하여, 높은 예측 정밀도를 구비한다.

3) 본 출원에서 정체 상태 변화 예측, 사고 발생 예측, 통행 가능성 예측, 교통 규칙 변화 예측 및 도로 품질 악화 예측 등의 다차원, 다요인의 예측 방식을 통해, 도로 구간의 상태 변화 리스크 계수를 보다 전면적이고 정확하도록 한다.

4) 본 출원에서 미리 트레이닝된 정체 상태 예측 모델을 사용하여, 미래 타임 슬라이스에서의 각 도로 구간의 통행 기간을 예측하여, 도로 구간의 미래 타임 슬라이스에서의 정체 상태 변화를 결정할 수 있다.

5) 본 출원에서 미리 트레이닝된 사고 예측 모델을 사용하여, 각 도로 구간이 미래 타임 슬라이스에 사고가 발생하는지 여부를 예측할 수 있다.

6) 본 출원에서 각 도로 구간의 현재 유동량 특징과 이력 유동량 특징을 사용하여, 도로 구간이 통행 가능한지 여부에 대한 예측을 구현할 수 있다.

7) 본 출원에서 각 도로 구간에서 선행 도로 구간으로부터의 현재 교통 유동량의 비율과 이력 유동량의 비율을 사용하여, 도로 구간에 교통 규칙 변화가 있는지 여부에 대한 예측을 구현할 수 있다.

8) 본 출원에서 각 도로 구간의 현재 속도 데이터 및 급감속 횟수, 이력 속도 데이터 및 급감속 데이터를 사용하여, 도로 구간에 도로 품질이 악화할 것인가 아닌가의 예측을 구현할 수 있다.

9) 본 출원에서 각 도로 구간의 상태 변화 리스크가 노선 계획에서의 노선 검색에 적용될 수 있고, 후보 노선의 정렬에 적용될 수도 있고, 또는 양자에 모두 적용될 수 있고, 노선 계획 결과가 전체전인 리스크의 최소화를 구현할 수 있다.

10) 본 출원에서 노선 계획의 결과에 대해 여러가지 전시 방식을 제공하고, 전체 리스크의 최소화 노선에 대해, 리스크가 가장 낮은 것을 지시하는 정보를 전시하여, 사용자가 선택을 쉽게 하도록 한다. 사용자에게 추천하는 노선의 상태 변화 리스크가 미리 설정된 조건을 만족하는 도로 구간에 대해, 당해 도로 구간에 대해 예측한 상태 변화 리스크 정보를 전시하여, 사용자가 각 추천 노선에 존재할 가능성이 있는 리스크를 명확히 파악하도록 하고, 사용자가 노선을 선택하거나, 또는 미래의 출행 계획에 대해 정확하게 변화하도록 지원할 수 있다. 상태 변화 리스크로 인해 사용자에게 추천하지 않은 노선에 대해, 당해 노선을 사용자에게 추천하지 않은 원인 정보를 전시하여, 사용자가 노선을 전시하지 않는 원인을 명확히 파악하여, 사용자 체험을 향상시킬 수 있다.

11) 사용자에게 추천하는 계획 노선에 정체 상태 변화 리스크가 있는 도로 구간을 포함할 경우, 당해 노선의 예상되는 도착 시간 구간을 전시하여, 사용자가 당해 노선을 선택하는데 걸리는 시간 비용을 파악하도록 하여, 적확한 결정을 하고, 사용자 체험을 향상시킨다.

위에서 설명된 다양한 형태의 프로세스를 사용하여 단계를 재배열, 추가 또는 삭제할 수 있음을 이해해야 한다. 예를 들어, 본 출원에 기재된 각 단계는 동시에, 순차적으로, 또는 상이한 순서로 수행될 수 있으며, 본 출원에 개시된 기술적 해결수단이 이루고자 하는 결과를 구현할 수 있는 한, 본문은 여기서 한정되지 않는다.

상기 구체적인 실시형태는 본 출원의 보호 범위를 한정하지 않는다. 본 기술분야의 통상의 기술자는, 설계 요구 및 다른 요소에 따라 다양한 수정, 조합, 서브 조합 및 대체를 진행할 수 있음을 이해해야 한다. 본 출원의 정신 및 원칙 내에서 이루어진 임의의 수정, 등가 교체 및 개선 등은 모두 본 출원의 보호 범위 내에 포함되어야 한다.

Claims

노선 계획 방법에 있어서,
도로망의 실시간 교통 유동량 특징 데이터를 획득하는 단계;
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 상기 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득하는 단계; 및
각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행하는 단계;를 포함하는,
노선 계획 방법.
제1항에 있어서,
상기 교통 유동량 특징 데이터는,
각 도로 구간의 교통 유동량 통계 데이터, 속도 데이터 및 급감속 횟수 중의 적어도 하나를 포함하는,
노선 계획 방법.
제1항에 있어서,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 상기 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득하는 단계는,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 정체 상태 변화 예측, 사고 발생 예측, 통행 가능성 예측, 교통 규칙 변화 예측 및 도로 품질 악화 예측 중의 적어도 하나를 각각 수행하고, 각종 예측 결과에 따라 각종 예측에 대응하는 리스크 계수를 각각 획득하는 단계; 및
각 도로 구간에 대해 획득한 상기 각종 예측에 대응하는 리스크 계수에 대해 각각 가중 처리를 수행하여, 각 도로 구간의 상태 변화 리스크 계수를 획득하는 단계;를 포함하는,
노선 계획 방법.
제3항에 있어서,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 정체 상태 변화 예측을 수행하는 단계는,
현재 타임 슬라이스에 대응하는 상기 도로망의 실시간 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 타임 슬라이스에 대응하는 환경 특징 데이터를 미리 트레이닝된 정체 상태 예측 모델에 입력하여, 도로망 내의 각 도로 구간의 상기 미래 타임 슬라이스에서의 예측 통행 기간을 획득하는 단계; 및
각 도로 구간의 상기 미래 타임 슬라이스에서의 예측 통행 기간에 따라, 각 도로 구간의 상기 미래 타임 슬라이스에서의 정체 상태 변화를 결정하는 단계;를 포함하는,
노선 계획 방법.
제4항에 있어서,
상기 정체 상태 예측 모델은, 하기의 단계를 사용하여 미리 트레이닝하여 획득하는,
노선 계획 방법:
트레이닝 데이터를 획득하는 단계 - 상기 트레이닝 데이터는 상기 도로망 내의 각 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터 및 평균 통행 기간을 포함하고, 상기 제2 타임 슬라이스는 상기 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스임 -;
도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩하는 단계;
인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 그래프 컨볼루션 네트워크(Graph Convolutional Network, GCN)에 입력하는 단계;
상기 그래프 컨볼루션 네트워크에 의해 출력된 벡터 표현, 도로 속성 특징 데이터 및 상기 이력 제2 타임 슬라이스 환경 특징 데이터를 스플라이싱한 후에 전연결층에 입력하여, 당해 도로 구간의 상기 제2 타임 슬라이스에서의 예측 통행 기간을 획득하는 단계;
트레이닝 타깃에 도달할 때까지, 상기 그래프 컨볼루션 네트워크와 상기 전연결층을 트레이닝하는 단계 - 상기 트레이닝 타깃은 도로 구간의 예측 통행 기간과 트레이닝 데이터 내의 평균 통행 기간의 차이를 최소화하는 것임 -.
제3항에 있어서,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 사고 발생 예측을 수행하는 단계는,
현재 타임 슬라이스에 대응하는 상기 도로망의 실시간 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 타임 슬라이스에 대응하는 환경 특징 데이터를 미리 트레이닝된 사고 예측 모델에 입력하여, 상기 미래 타임 슬라이스에서 도로망 내의 각 도로 구간에 사고가 발생하는지 여부에 대한 예측을 획득하는 단계를 포함하는,
노선 계획 방법.
제6항에 있어서,
상기 사고 예측 모델은, 하기의 단계를 사용하여 미리 트레이닝하여 획득하는,
노선 계획 방법:
트레이닝 데이터를 획득하는 단계 - 상기 트레이닝 데이터는 상기 도로망 내의 각 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터, 및 사고가 발생하는지 여부를 포함하고, 상기 제2 타임 슬라이스는 상기 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스임 -,
도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩하는 단계;
인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 그래프 컨볼루션 네트워크에 입력하는 단계;
상기 그래프 컨볼루션 네트워크에 의해 출력된 벡터 표현, 도로 속성 특징 데이터 및 상기 이력 제2 타임 슬라이스 환경 특징 데이터를 전연결층에 입력하여, 당해 도로 구간이 상기 제2 타임 슬라이스에서 사고가 발생하는지 여부에 대한 예측을 획득하는 단계; 및
트레이닝 타깃에 도달할 때까지, 상기 그래프 컨볼루션 네트워크와 상기 전연결층을 트레이닝하는 단계- 상기 트레이닝 타깃은 각 도로 구간에 사고가 발생하는지 여부에 대한 예측 결과를 트레이닝 데이터와 일치하도록 하는 것임-.
제3항에 있어서,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 통행 가능성 예측을 수행하는 단계는,
각 도로 구간의 현재 유동량 특징을 획득하는 단계 - 상기 유동량 특징은, 도로 구간의 교통 유동량, 선행 도로 구간의 교통 유동량 및 후속 도로 구간의 교통 유동량을 포함함 -;
각 도로 구간의 이력 유동량 특징을 획득하는 단계; 및
도로 구간의 현재 유동량 특징과 이력 유동량 특징을 차분한 후에 획득된 특징과 도로 속성 특징을 통행 가능성 예측 모델에 입력하여, 당해 도로 구간이 통행 가능한지 여부에 대한 예측을 획득하는 단계 - 상기 통행 가능성 예측 모델은 분류기에 기반하여 미리 트레이닝하여 획득함 -;를 포함하는,
노선 계획 방법.
제3항에 있어서,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 교통 규칙 변화 예측을 수행하는 단계는,
각 도로 구간에서 선행 도로 구간으로부터의 현재 교통 유동량의 비율을 획득하고, 각 도로 구간에서 선행 도로 구간으로부터의 이력 유동량의 비율을 획득하는 단계; 및
도로 구간의 이력 유동량의 비율과 비교한 현재 교통 고유동량의 비율의 하강 정도가 미리 설정된 비율의 역치를 초과할 경우, 당해 도로 구간에 교통 규칙 변화가 있는 것으로 예측되는 단계;를 포함하는,
노선 계획 방법.
제3항에 있어서,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 도로 품질 악화 예측을 수행하는 단계는,
각 도로 구간의 현재 속도 데이터 및 급감속 횟수를 획득하고,
각 도로 구간의 이력 속도 데이터 및 급감속 횟수를 획득하는 단계; 및
도로 구간의 현재 속도 데이터를 이력 속도 데이터와 비교하여 속도 하강 정도가 미리 설정된 속도의 역치를 초과하는 것, 및 현재 급감속 횟수와 이력 급감속 횟수의 상승 정도가 미리 설정된 횟수의 역치를 초과하는 것 중의 적어도 하나가 존재할 경우, 당해 도로 구간에 도로 품질 악화가 나타나는 것으로 예측되는 단계;를 포함하는,
기재된 노선 계획 방법.
제1항에 있어서,
상기 각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행하는 단계는,
각 도로 구간의 상태 변화 리스크 정보를 사용하여 각 도로 구간의 가중치를 업데이트하는 단계 - 상태 변화 리스크가 높을 수록, 도로 구간 가중치의 하강 정도가 커짐 -;
업데이트 후의 각 도로 구간의 가중치에 기반하여, 사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득하는 단계; 및
상기 후보 노선으로부터 상기 사용자에게 추천하는 노선을 결정하는 단계;를 포함하는,
노선 계획 방법.
제1항에 있어서,
상기 각 도로 구간의 상태 변화 리스크 계수를 사용하여, 노선 계획을 수행하는 단계는,
사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득하는 단계;
상기 후보 노선 내의 각 도로 구간의 상태 변화 리스크 정보를 융합하여, 상기 후보 노선을 정렬하는 단계; 및
정렬 결과에 따라, 상기 사용자에게 추천하는 노선을 결정하는 단계;를 포함하는,
노선 계획 방법.
제1항에 있어서,
사용자에게 추천하는 계획 노선에 포함되는 각 도로 구간의 상태 변화 리스크 계수의 합계가 가장 낮은 노선에 대해, 당해 노선의 리스크가 가장 낮은 정보를 지시하는 것을 전시하는 방식;
사용자에게 추천하는 노선의 상태 변화 리스크가 미리 설정된 조건을 만족하는 도로 구간에 대해, 당해 도로 구간에 대해 예측한 상태 변화 리스크 정보를 전시하는 방식;
상태 변화 리스크로 인해 사용자에게 추천하지 않은 노선에 대해, 당해 노선을 사용자에게 추천하지 않은 원인 정보를 전시하는 방식;
중의 적어도 하나의 방식을 사용하여 노선 계획의 결과를 전시하는 단계를 더 포함하는,
노선 계획 방법.
제4항에 있어서,
사용자에게 추천하는 계획 노선에 정체 상태 변화 리스크가 있는 도로 구간이 포함되어 있을 경우, 정체 상태 변화 리스크를 포함하는 도로 구간의 예측 통행 기간을 사용하여 노선의 제2 예상 도착 시간을 결정하는 단계; 및
정체 상태 변화 리스크를 고려하지 않을 때에 결정된 제1 예상 도착 시간과 상기 제2 예상 도착 시간을 사용하여, 당해 노선의 예상 도착 시간 구간을 전시하는 단계;를 더 포함하는,
노선 계획 방법.
노선 계획 장치에 있어서,
도로망의 실시간 교통 유동량 특징 데이터를 획득하기 위한 데이터 획득 유닛;
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 상기 도로망 내의 각 도로 구간의 상태 변화 리스크를 예측하여, 각 도로 구간의 상태 변화 리스크 정보를 획득하기 위한 리스크 예측 유닛; 및
각 도로 구간의 상태 변화 리스크 정보를 사용하여, 노선 계획을 수행하기 위한 노선 계획 유닛; 을 포함하는,
노선 계획 장치.
제15항에 있어서,
상기 리스크 예측 유닛은 구체적으로,
상기 도로망의 실시간 교통 유동량 특징 데이터를 사용하여 각 도로 구간에 대해 정체 상태 변화 예측, 사고 발생 예측, 통행 가능성 예측, 교통 규칙 변화 예측 및 도로 품질 악화 예측 중의 적어도 하나를 각각 수행하고, 각종 예측 결과에 따라 각종 예측에 대응하는 리스크 계수를 각각 획득하고,
각 도로 구간에 대해 획득한 상기 각종 예측에 대응하는 리스크 계수에 대해 각각 가중 처리를 수행하여, 각 도로 구간의 상태 변화 리스크 계수를 획득하는데 사용되는,
노선 계획 장치.
제15항에 있어서,
상기 리스크 예측 유닛은,
현재 타임 슬라이스에 대응하는 상기 도로망의 실시간 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 타임 슬라이스에 대응하는 환경 특징 데이터를 미리 트레이닝된 정체 상태 예측 모델에 입력하여, 도로망 내의 각 도로 구간의 상기 미래 타임 슬라이스에서의 예측 통행 기간을 획득하고, 각 도로 구간의 상기 미래 타임 슬라이스에서의 예측 통행 기간에 따라, 각 도로 구간의 상기 미래 타임 슬라이스에서의 정체 상태 변화를 결정하기 위한 정체 상태 예측 서브 유닛,을 포함하는,
노선 계획 장치.
제17항에 있어서,
당해 장치는 정체 모델 트레이닝 유닛을 더 포함하고,
상기 정체 모델 트레이닝 유닛은, 하기의 방식으로 상기 정체 상태 예측 모델을 미리 트레이닝하여 획득하는데 사용되고, 상기 방식은,
트레이닝 데이터를 획득하고, 상기 트레이닝 데이터는 상기 도로망 내의 각 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터 및 평균 통행 기간을 포함하고, 상기 제2 타임 슬라이스는 상기 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스이며,
도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩하고,
인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 그래프 컨볼루션 네트워크에 입력하고,
상기 그래프 컨볼루션 네트워크에 의해 출력된 벡터 표현, 도로 속성 특징 데이터 및 상기 이력 제2 타임 슬라이스 환경 특징 데이터를 스플라이싱한 후에 전연결층에 입력하여, 당해 도로 구간의 상기 제2 타임 슬라이스에서의 예측 통행 기간을 획득하고,
트레이닝 타깃에 도달할 때까지, 상기 그래프 컨볼루션 네트워크와 상기 전연결층을 트레이닝하고, 상기 트레이닝 타깃은 도로 구간의 예측 통행 기간과 트레이닝 데이터 내의 평균 통행 기간의 차이를 최소화하는,
노선 계획 장치.
제15항에 있어서,
상기 리스크 예측 유닛은, 사고 발생 예측 서브 유닛을 포함하고,
상기 사고 발생 예측 서브 유닛은, 현재 타임 슬라이스에 대응하는 상기 도로망의 실시간 교통 유동량 특징 데이터, 도로 속성 특징 데이터 및 미래 타임 슬라이스에 대응하는 환경 특징 데이터를 미리 트레이닝된 사고 예측 모델에 입력하여, 상기 미래 타임 슬라이스에서 도로망 내의 각 도로 구간에 사고가 발생하는지 여부에 대한 예측을 획득하는데 사용되는,
노선 계획 장치.
제19항에 있어서,
당해 장치는, 사고 모델 트레이닝 유닛을 더 포함하고
사고 모델 트레이닝 유닛은, 하기의 방식으로 상기 사고 예측 모델을 미리 트레이닝하여 획득하는데 사용되고, 상기 방식은,
트레이닝 데이터를 획득하고, 상기 트레이닝 데이터는 상기 도로망 내의 각 도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터, 도로 속성 특징 데이터, 이력 제2 타임 슬라이스 환경 특징 데이터, 및 사고가 발생하는지 여부를 포함하고, 상기 제2 타임 슬라이스는 상기 제1 타임 슬라이스에 상대적인 미래 타임 슬라이스이며,
도로 구간의 이력 제1 타임 슬라이스 교통 유동량 특징 데이터를 인코딩하고,
인코딩 후에 획득된 벡터 표현과 도로망 링크 관계 행렬을 그래프 컨볼루션 네트워크에 입력하고,
상기 그래프 컨볼루션 네트워크에 의해 출력된 벡터 표현, 도로 속성 특징 데이터 및 상기 이력 제2 타임 슬라이스 환경 특징 데이터를 전연결층에 입력하여, 당해 도로 구간이 상기 제2 타임 슬라이스에서 사고가 발생하는지 여부에 대한 예측을 획득하고,
트레이닝 타깃에 도달할 때까지, 상기 그래프 컨볼루션 네트워크와 상기 전연결층을 트레이닝하고, 상기 트레이닝 타깃은 각 도로 구간에 사고가 발생하는지 여부에 대한 예측 결과를 트레이닝 데이터와 일치하도록 하는,
노선 계획 장치.
제15항에 있어서,
상기 리스크 예측 유닛은, 통행 가능성 예측 서브 유닛을 포함하고,
상기 통행 가능성 예측 서브 유닛은, 각 도로 구간의 현재 유동량 특징을 획득하는 단계 - 상기 유동량 특징은, 도로 구간의 교통 유동량, 선행 도로 구간의 교통 유동량 및 후속 도로 구간의 교통 유동량을 포함함 -; 각 도로 구간의 이력 유동량 특징을 획득하고, 도로 구간의 현재 유동량 특징과 이력 유동량 특징을 차분한 후에 획득된 특징과 도로 속성 특징을 통행 가능성 예측 모델에 입력하여, 당해 도로 구간이 통행 가능한지 여부에 대한 예측을 획득하는데 사용되고, 상기 통행 가능성 예측 모델은 분류기에 기반하여 미리 트레이닝하여 획득하는,
노선 계획 장치.
제15항에 있어서,
상기 리스크 예측 유닛은, 교통 규칙 변화 예측 서브 유닛을 포함하고,
상기 교통 규칙 변화 예측 서브 유닛은, 각 도로 구간에서 선행 도로 구간으로부터의 현재 교통 유동량의 비율을 획득하고, 각 도로 구간에서 선행 도로 구간으로부터의 이력 유동량의 비율을 획득하고, 도로 구간의 이력 유동량의 비율과 비교한 현재 교통 고유동량의 비율의 하강 정도가 미리 설정된 비율의 역치를 초과할 경우, 당해 도로 구간에 교통 규칙 변화가 있는 것으로 예측되는데 사용되는,
노선 계획 장치.
제15항에 있어서,
상기 리스크 예측 유닛은, 도로 품질 예측 서브 유닛을 포함하고,
상기 도로 품질 예측 서브 유닛은, 각 도로 구간의 현재 속도 데이터 및 급감속 횟수를 획득하고, 각 도로 구간의 이력 속도 데이터 및 급감속 횟수를 획득하고; 도로 구간의 현재 속도 데이터를 이력 속도 데이터와 비교하여 속도 하강 정도가 미리 설정된 속도의 역치를 초과하는 것, 및 현재 급감속 횟수와 이력 급감속 횟수의 상승 정도가 미리 설정된 횟수의 역치를 초과하는 것 중의 적어도 하나가 존재할 경우, 당해 도로 구간에 도로 품질 악화가 나타나는 것으로 예측되는데 사용되는,
노선 계획 장치.
제15항에 있어서,
상기 노선 계획 유닛은 구체적으로,
각 도로 구간의 상태 변화 리스크 정보를 사용하여 각 도로 구간의 가중치를 업데이트하고 상태 변화 리스크가 높을 수록, 도로 구간 가중치의 하강 정도가 커지며, 업데이트 후의 각 도로 구간의 가중치에 기반하여, 사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득하고, 상기 후보 노선으로부터 상기 사용자에게 추천하는 노선을 결정하거나, 또는,
사용자가 입력한 시작 위치와 종료 위치에 대해 노선 검색을 수행하여, 적어도 하나의 후보 노선을 획득하고, 상기 후보 노선 내의 각 도로 구간의 상태 변화 리스크 정보를 융합하여, 상기 후보 노선을 정렬하고, 정렬 결과에 따라, 상기 사용자에게 추천하는 노선을 결정하는데 사용되는,
노선 계획 장치.
제15항에 있어서,
당해 장치는 전시 유닛을 더 포함하고,
상기 전시 유닛은, 하기 방식 중 적어도 하나의 방식을 사용하여 노선 계획의 결과를 전시하는데 사용되는,
노선 계획 장치:
사용자에게 추천하는 계획 노선에 포함되는 각 도로 구간의 상태 변화 리스크 계수의 합계가 가장 낮은 노선에 대해, 당해 노선의 리스크가 가장 낮은 정보를 지시하는 것을 전시하는 방식;
사용자에게 추천하는 노선의 상태 변화 리스크가 미리 설정된 조건을 만족하는 도로 구간에 대해, 당해 도로 구간에 대해 예측한 상태 변화 리스크 정보를 전시하는 방식; 및
상태 변화 리스크로 인해 사용자에게 추천하지 않은 노선에 대해, 당해 노선을 사용자에게 추천하지 않은 원인 정보를 전시하는 방식.
전자 기기에 있어서,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서에 통신 연결되는 메모리;를 포함하고,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행되어, 상기 적어도 하나의 프로세서에 의해 제1항 내지 제14항 중 어느 한 항의 방법이 수행되도록 하는,
전자 기기.
컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 기록 매체에 있어서,
상기 컴퓨터 명령은 상기 컴퓨터가 제1항 내지 제14항 중 어느 한 항의 방법을 수행하도록 하는,
비일시적 컴퓨터 판독 가능 기록 매체.