KR20220138263A - 교통정보 예측 장치 및 그 방법 - Google Patents

교통정보 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR20220138263A
KR20220138263A KR1020210044210A KR20210044210A KR20220138263A KR 20220138263 A KR20220138263 A KR 20220138263A KR 1020210044210 A KR1020210044210 A KR 1020210044210A KR 20210044210 A KR20210044210 A KR 20210044210A KR 20220138263 A KR20220138263 A KR 20220138263A
Authority
KR
South Korea
Prior art keywords
road
probe data
data generation
probe
traffic information
Prior art date
Application number
KR1020210044210A
Other languages
English (en)
Inventor
김남혁
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 KR1020210044210A priority Critical patent/KR20220138263A/ko
Priority to US17/397,391 priority patent/US20220327918A1/en
Priority to CN202111013216.8A priority patent/CN115171366A/zh
Publication of KR20220138263A publication Critical patent/KR20220138263A/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
    • 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
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 교통정보의 예측 정확도를 향상시킬 수 있는 교통정보 예측 장치 및 그 방법에 관한 것으로, 도로의 특성별로 학습이 완료된 복수의 프로브 데이터 생성 모델을 구비하고, 상기 복수의 프로브 데이터 생성 모델 중에서 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하며, 상기 검출한 프로브 데이터 생성 모델을 기반으로 소정의 프로브 데이터를 생성하고, 상기 생성한 소정의 프로브 데이터와 상기 타겟도로를 주행하는 프로브 차량으로부터 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측함으로써, 교통정보의 예측 정확도를 향상시킬 수 있는 교통정보 예측 장치 및 그 방법을 제공하고자 한다.
이를 위하여, 본 발명은 도로의 특성에 따른 복수의 프로브 데이터 생성 모델을 저장하는 저장부; 타겟도로를 주행하는 프로브 차량으로부터 프로브 데이터를 수신하는 통신부; 및 상기 복수의 프로브 데이터 생성 모델 중에서 상기 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하고, 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 프로브 데이터를 생성하며, 상기 생성한 프로브 데이터와 상기 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측하는 제어부를 포함할 수 있다.

Description

교통정보 예측 장치 및 그 방법{APPARATUS FOR PREDICTING TRAFFIC INRORMATION AND METHOD THEREOF}
본 발명은 프로브 데이터(Probe Data)를 생성하는 학습 모델을 기반으로 도로상의 교통정보를 예측하는 기술에 관한 것이다.
일반적으로, 네비게이션 시스템(navigation system)은 사용자의 요청에 따라 특정지역에 대한 실시간 교통정보 또는 상기 실시간 교통정보를 이용한 목적지까지의 최적경로를 사용자에게 제공한다. 여기서 실시간 교통정보는 사용자의 교통정보요청이 발생된 시점의 교통정보를 말한다.
이러한 교통정보는 시시각각 변화하기 때문에 사용자가 실시간 교통정보를 이용한 최적경로를 주행하여 임의의 지점에 이르렀을 때 그 지점에서의 실시간 교통정보는 교통정보 요청이 발생된 시점과는 달라진다. 따라서 사용자가 초기에 제공받은 교통정보는 그 효용성이 떨어진다.
이를 방지하게 위해, 과거의 교통정보와 실시간 교통정보를 이용하여 사용자가 임의의 지점에 도달할 것으로 예상되는 시점에 상기 임의의 지점에서의 교통정보를 예측하는 방안이 제안되었다.
여기서, 실시간 교통정보(일례로, ETA: Expected Time Arrival)는 도로를 주행하는 프로브 차량으로부터 수신한 프로브 데이터(일례로, GPS 데이터)에 기초하여 예측된다. 이때, 정확한 교통정보(일례로, 도로를 통과하는데 걸리는 시간)를 예측하기 위해서는 기준시간(일례로, 5분) 동안 도로(또는 도로의 기준구간)를 통과한 프로브 차량의 수가 기준치(일례로, 30대)를 초과해야 하지만, 상기 프로브 차량의 수는 한정되어 있다.
결국, 종래의 교통정보 예측 기술은 기준 개수(일례로, 30개) 미만의 프로브 데이터를 이용하여 도로의 교통정보를 예측하기 때문에 정확도가 현저히 떨어지는 문제점이 있다.
이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.
상기와 같은 종래 기술의 문제점을 해결하기 위하여, 본 발명은 도로의 특성별로 학습이 완료된 복수의 프로브 데이터 생성 모델을 구비하고, 상기 복수의 프로브 데이터 생성 모델 중에서 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하며, 상기 검출한 프로브 데이터 생성 모델을 기반으로 소정의 프로브 데이터를 생성하고, 상기 생성한 소정의 프로브 데이터와 상기 타겟도로를 주행하는 프로브 차량으로부터 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측함으로써, 교통정보의 예측 정확도를 향상시킬 수 있는 교통정보 예측 장치 및 그 방법을 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 교통정보 예측 장치는, 도로의 특성에 따른 복수의 프로브 데이터 생성 모델을 저장하는 저장부; 타겟도로를 주행하는 프로브 차량으로부터 프로브 데이터를 수신하는 통신부; 및 상기 복수의 프로브 데이터 생성 모델 중에서 상기 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하고, 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 프로브 데이터를 생성하며, 상기 생성한 프로브 데이터와 상기 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측하는 제어부를 포함할 수 있다.
본 발명의 일 실시예에서, 상기 프로브 데이터는 도로 통과시간일 수 있다.
본 발명의 일 실시예에서, 상기 제어부는 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 도로 통과시간을 생성하고, 상기 생성한 도로 통과시간과 상기 프로브 차량으로부터 수신한 도로 통과시간에 기초하여 상기 타겟도로의 통과시간을 산출할 수 있다.
본 발명의 일 실시예에서, 상기 제어부는 상기 생성한 도로 통과시간과 상기 수신한 도로 통과시간의 평균을 상기 타겟도로의 통과시간으로 산출할 수 있다.
본 발명의 일 실시예에서, 상기 도로의 특성은 상기 프로브 차량의 대수, 도로의 종류, 차선 수, 도로의 길이, 도로의 형상 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에서, 상기 제어부는 상기 타겟도로의 특성을 기준으로 각 도로의 특성과의 유사도를 산출하고, 가장 유사도가 높은 도로의 특성에 상응하는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출할 수 있다.
본 발명의 일 실시예에서, 상기 제어부는 상기 산출한 유사도에 기초하여 상기 타겟도로의 프로브 데이터 생성 모델을 검출하지 못한 경우, 상기 타겟도로의 프로브 차량의 대수와 가장 차이가 적은 프로브 차량의 대수를 도로의 특성으로서 가지는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출할 수 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 교통정보 예측 방법은, 저장부가 도로의 특성에 따른 복수의 프로브 데이터 생성 모델을 저장하는 단계; 통신부가 타겟도로를 주행하는 프로브 차량으로부터 프로브 데이터를 수신하는 단계; 제어부가 상기 복수의 프로브 데이터 생성 모델 중에서 상기 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하는 단계; 및 상기 제어부가 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 프로브 데이터를 생성하고, 상기 생성한 프로브 데이터와 상기 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측하는 단계를 포함할 수 있다.
본 발명의 일 실시예는, 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 도로 통과시간을 생성하고, 상기 생성한 도로 통과시간과 상기 프로브 차량으로부터 수신한 도로 통과시간에 기초하여 상기 타겟도로의 통과시간을 산출하는 단계를 포함할 수 있다.
본 발명의 일 실시예는, 상기 생성한 도로 통과시간과 상기 수신한 도로 통과시간의 평균을 상기 타겟도로의 통과시간으로 산출하는 단계를 포함할 수 있다.
본 발명의 일 실시예는, 상기 타겟도로의 특성을 기준으로 각 도로의 특성과의 유사도를 산출하는 단계; 및 가장 유사도가 높은 도로의 특성에 상응하는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출하는 단계를 포함할 수 있다.
본 발명의 일 실시예는, 상기 산출한 유사도에 기초하여 상기 타겟도로의 프로브 데이터 생성 모델을 검출하지 못한 경우, 상기 타겟도로의 프로브 차량의 대수와 가장 차이가 적은 프로브 차량의 대수를 도로의 특성으로서 가지는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출하는 단계를 더 포함할 수 있다.
상기와 같은 본 발명의 일 실시예에 따른 교통정보 예측 장치 및 그 방법은, 도로의 특성별로 학습이 완료된 복수의 프로브 데이터 생성 모델을 구비하고, 상기 복수의 프로브 데이터 생성 모델 중에서 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하며, 상기 검출한 프로브 데이터 생성 모델을 기반으로 소정의 프로브 데이터를 생성하고, 상기 생성한 소정의 프로브 데이터와 상기 타겟도로를 주행하는 프로브 차량으로부터 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측함으로써, 교통정보의 예측 정확도를 향상시킬 수 있다.
도 1 은 본 발명의 일 실시예에 따른 교통정보 예측 장치에 대한 구성도,
도 2 는 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델의 구조를 나타내는 일예시도,
도 3 은 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델 내 생성기의 동작을 나타내는 일예시도,
도 4 는 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델 내 판별기의 동작을 나타내는 일예시도,
도 5 는 본 발명의 일 실시예에 따른 교통정보 예측 방법에 대한 일 실시예 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.
도 1 은 본 발명의 일 실시예에 따른 교통정보 예측 장치에 대한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 교통정보 예측 장치(100)는, 저장부(10), 통신부(20), 출력부(30), 및 제어부(40)를 포함할 수 있다. 이때, 본 발명의 일 실시예에 따른 교통정보 예측 장치(100)를 실시하는 방식에 따라 각 구성요소는 서로 결합되어 하나로 구현될 수도 있고, 일부의 구성요소가 생략될 수도 있다.
상기 각 구성요소들에 대해 살펴보면, 먼저 저장부(10)는 도로의 특성별로 학습이 완료된 복수의 프로브 데이터 생성 모델을 저장할 수 있다. 이때, 상기 프로브 데이터 생성 모델은 프로브 차량(200)의 실제 도로 통과시간(도로를 통과한 시간)과 잠재적 백터(Latent Vector, z)에 기초하여 가상(fake) 도로 통과시간을 생성하는 모델로서, 일례로 학습이 완료된 CGAN(Conditional Generative Adversarial Networks)로 구현될 수 있다. 여기서, CGAN은 설계자의 의도에 따라 각 도로별로 통과시간을 생성하는 학습을 수행하거나, 더욱 구체적으로 각 도로의 구간별로 통과시간을 생성하는 학습을 수행할 수 있다.
저장부(10)는 상기 복수의 프로브 데이터 생성 모델 중에서 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하며, 상기 검출한 프로브 데이터 생성 모델을 기반으로 소정의 프로브 데이터(기 설정된 개수의 프로브 데이터)를 생성하고, 상기 생성한 소정의 프로브 데이터와 상기 타겟도로를 주행하는 프로브 차량(200)으로부터 수신한 프로브 데이터(일례로, GPS 데이터)에 기초하여 상기 타겟도로의 교통정보(일례로, 타겟도로를 통과하는데 걸리는 시간 또는 타겟도로의 기준구간을 통과하는데 걸리는 시간)를 예측하는 과정에서 요구되는 각종 로직과 알고리즘 및 프로그램을 저장할 수 있다. 여기서, GPS 데이터는 좌표 데이터는 물론 시간 데이터를 포함한다.
이러한 저장부(10)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 마이크로 타입(micro type), 및 카드 타입(예컨대, SD 카드(Secure Digital Card) 또는 XD 카드(eXtream Digital Card)) 등의 메모리와, 램(RAM, Random Access Memory), SRAM(Static RAM), 롬(ROM, Read-Only Memory), PROM(Programmable ROM), EEPROM(Electrically Erasable PROM), 자기 메모리(MRAM, Magnetic RAM), 자기 디스크(magnetic disk), 및 광디스크(optical disk) 타입의 메모리 중 적어도 하나의 타입의 기록 매체(storage medium)를 포함할 수 있다.
통신부(20)는 도로를 주행하는 프로브 차량(200)과의 통신 인터페이스를 제공하는 모듈로서, 상기 프로브 차량(200)으로부터 프로브 데이터를 주기적으로 수신할 수 있다. 이때, 프로브 차량(200)은 차량 단말기로서 텔레매틱스 단말기를 구비할 수 있다.
이러한 통신부(20)는 프로브 차량(200)과 통신하기 위해 이동통신모듈, 무선인터넷모듈, 근거리통신모듈 중 적어도 하나를 포함할 수 있다.
상기 이동통신모듈은 이동통신을 위한 기술 표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTEA(Long Term Evolution-Advanced) 등), 4G(4th Generation mobile telecommunication), 5G(5th Generation mobile telecommunication)에 따라 구축된 이동통신망을 통해 프로브 차량(200)과 통신할 수 있다.
상기 무선인터넷모듈은 무선인터넷 접속을 위한 모듈로서, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등을 통해 프로브 차량(200)과 통신할 수 있다.
상기 근거리통신모듈은 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여 근거리 통신을 지원할 수 있다.
출력부(30)는 제어부(40)에 의해 예측된 타겟도로의 교통정보로서, 일례로 타겟도로를 통과하는데 걸리는 시간 또는 타겟도로의 기준구간을 통과하는데 걸리는 시간 등을 사용자에게 제공할 수 있다.
제어부(40)는 상기 각 구성요소들이 제 기능을 정상적으로 수행할 수 있도록 전반적인 제어를 수행할 수 있다. 이러한 제어부(40)는 하드웨어의 형태로 구현되거나, 또는 소프트웨어의 형태로 구현되거나, 또는 하드웨어 및 소프트웨어가 결합된 형태로 구현될 수 있다. 바람직하게는, 제어부(40)는 마이크로프로세서로 구현될 수 있으나 이에 한정되는 것은 아니다.
특히, 제어부(40)는 도로의 특성별로 학습이 완료된 복수의 프로브 데이터 생성 모델을 구비하고, 상기 복수의 프로브 데이터 생성 모델 중에서 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하며, 상기 검출한 프로브 데이터 생성 모델을 기반으로 소정의 프로브 데이터를 생성하고, 상기 생성한 소정의 프로브 데이터와 상기 타겟도로를 주행하는 프로브 차량(200)으로부터 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측하는 과정에서 각종 제어를 수행할 수 있다. 여기서, 도로의 특성은 프로브 차량(200)의 대수, 도로의 종류, 차선 수, 도로 길이, 도로 형상 등을 포함할 수 있다.
일례로, 제어부(40)는 상기 검출한 프로브 데이터 생성 모델을 기반으로, 기 설정된 개수의 도로 통과시간(도로를 통과한 시간)을 생성하고, 상기 생성한 통과시간과 상기 타겟도로를 주행하는 프로브 차량(200)으로부터 수신한 도로 통과시간에 기초하여 상기 타겟도로 통과시간을 산출할 수 있다. 이때, 제어부(40)는 프로브 데이터 생성 모델을 기반으로 생성한 도로 통과시간과 프로브 차량(200)으로부터 수신한 도로 통과시간의 평균을 상기타겟도로의 통과시간으로 산출할 수 있다.
제어부(40)는 통신부(20)를 통해 프로브 차량(200)으로부터 주기적으로 GPS 데이터(시간 데이터를 포함)를 수신하기 때문에 실시간으로 프로브 차량(200)의 위치를 파악할 수 있다. 따라서, 제어부(40)는 프로브 차량(200)의 타겟도로 또는 타겟도로의 기준구간 진입시점을 알 수 있고, 상기 진입시점과 상기 산출한 타겟도로 통과시간에 기초하여 상기 타겟도로를 통과하는데 걸리는 시간(소요시간) 또는 상기 타겟도로의 기준구간을 통과하는데 걸리는 시간(소요시간)을 교통정보로서 산출할 수 있다.
제어부(40)는 내비게이션 시스템(미도시)과 연동하여 프로브 차량(200)의 위치를 실시간으로 파악할 수 있다. 즉, 제어부(40)는 프로브 차량(200)으로부터 수신한 GPS 데이터에 기초하여 도로상에서 프로브 차량(200)의 위치를 검출할 수 있다.
제어부(40)는 도로의 특성에 상응하는 복수의 프로브 데이터 생성 모델 중에서 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하는 과정에서, 일반적으로 널리 알려진 유사도 산출 알고리즘을 이용할 수도 있다. 즉, 제어부(40)는 타겟도로의 특성을 기준으로 각 도로의 특성과의 유사도를 산출하고, 가장 유사도가 높은 도로의 특성에 상응하는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출할 수 있다. 이때, 제어부(40)는 상기 유사도가 기준치를 초과하는 프로브 데이터 생성 모델이 없는 경우, 타겟도로의 프로브 차량(200)의 수(프로브 차량(200)으로부터 수신한 프로브 데이터의 수)와 가장 유사한(가장 차이가 적은) 프로브 차량(200)의 수를 도로의 특성으로서 가지는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출할 수 있다.
이하, 도 2 내지 도 4를 참조하여 프로브 데이터 생성 모델을 구조와 제어부(40)가 상기 프로브 데이터 생성 모델을 학습시키는 과정에 대해 살펴보기로 한다.
도 2 는 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델의 구조를 나타내는 일예시도이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델은, 일례로 CGAN(Conditional Generative Adversarial Networks)로 구현될 수 있으며, 이러한 CGAN은 생성기(Generator, 210)와 판별기(Discriminator, 220)를 구비할 수 있다. 이때, 판별기(220)가 실제(Real) 프로브 데이터인지 가상(fake) 프로브 데이터인지 판별하기 어렵게 하기 위해 최대한 진짜 같은 가상 프로브 데이터를 생성하려는 생성기(210)와, 실제 프로브 데이터와 가상 프로브 데이터를 정확도 높게 판별하려는 판별기(220)는 서로 적대적으로 학습한다.
제어부(40)는 판별기(220)를 먼저 학습시키고 그 다음에 상기 판별기(220)의 학습결과를 반영하여 생성기(210)를 학습시키는 과정을 반복하는 적대적 학습을 수행한다. 판별기(220)의 학습은 크게 두가지 과정으로 이루어져 있다. 첫 번째는 판별기(220)에 진짜 프로브 데이터를 입력하고 상기 진짜 프로브 데이터를 진짜로 판별하도록 판별기(220)를 학습시키는 과정이고, 두 번째는 생성기(210)가 생성한 가상 프로브 데이터를 입력하고 상기 가상 프로브 데이터를 가짜로 판별하도록 판별기(220)를 학습시키는 과정이다. 이러한 과정을 통해 판별기(220)는 진짜 프로브 데이터를 진짜로, 가상 프로브 데이터를 가짜로 판별할 수 있게 된다. 이렇게 판별기(220)를 학습시킨 다음에는 학습된 판별기(220)를 속이는 방향으로 생성기(210)를 학습시켜야 한다. 즉, 제어부(40)는 판별기(220)가 진짜라고 판별할 만큼 진짜 프로브 데이터와 유사한 가상 프로브 데이터를 생성기(210)가 생성하도록 상기 생성기(210)를 학습시킨다.
이와 같은 학습과정을 반복하면 판별기(220)와 생성기(210)는 서로를 적대적인 경쟁자로 인식하여 모두 발전하게 된다. 결과적으로, 생성기(210)는 진짜 프로브 데이터와 완벽히 유사한 가상 프로브 데이터를 생성할 수 있게 되고, 이에 따라 판별기(220)는 진짜 프로브 데이터와 가상 프로브 데이터를 구분할 수 없게 된다. 즉, 생성기(210)는 판별기(220)의 판별 성공 확률을 낮추려 하고, 판별기(220)는 판별 성공 확률을 높이려 경쟁하면서 서로가 서로를 발전시킨다.
보다 구체적으로, CGAN은 목적함수 V(D,G)를 이용하여 하기의 [수학식 1]과 같이 'minmax problem'을 푸는 방식으로 학습하게 된다.
[수학식 1]
Figure pat00001
여기서, x~pdata(x)는 실제 프로브 데이터에 대한 확률 분포에서 샘플링한 데이터를 의미하고, z~pz(z)는 일반적으로 가우시안분포를 사용하는 임의의 노이즈에서 샘플링한 데이터를 의미하며, z는 잠재적 벡터(잠재 공간에서의 벡터)를 의미한다. D(x|y)는 판별기(220)로서 프로브 데이터가 진짜이면 1, 가짜이면 0이고, D(G(z|y))는 생성기(210)가 생성한 프로브 데이터가 진짜로 판단되면 1, 가짜로 판단되면 0이 된다.
우선 판별기(220)인 D가 V(D,G)를 최대화하는 관점에서 생각해 보면, [수학식 1]을 최대화하기 위해서는 우변의 첫 번째 항과 두 번째 항 모두 최대가 되어야 하므로, log D(x|y)와 log(1-D(G(z|y)))가 모두 최대가 되어야 한다. 따라서, D(x|y)는 1이 되어야 하며 이는 실제 프로브 데이터를 진짜라고 분류하도록 D를 학습하는 것을 의미한다. 마찬가지로 1-D(G(z|y))는 1이 되어야 하므로 D(G(z|y))는 0이어야 하며, 이는 생성기(210)가 생성한 가상 프로브 데이터를 가짜로 판별하도록 판별기(220)를 학습시키는 것을 의미한다. 결국, V(D,G)가 최대가 되도록 D를 학습시키는 것은 판별기(220)가 진짜 프로브 데이터를 진짜로, 가상 프로브 데이터를 가짜로 판별하도록 학습시키는 과정이다.
다음으로 생성기(210)인 G가 V(D,G)를 최소화하는 관점에서 생각해 보면, [수학식 1]의 우변 첫 번째 항에는 G가 포함되어 있지 않으므로, 생성기(210)와 연관이 없어 생략이 가능하다. 두 번째 항을 최소화하기 위해서는 log(1-D(G(z|y))) 가 최소가 되어야 한다. 따라서 log(1-D(G(z|y)))는 0이 되어야 하고 D(G(z|y))는 1이 되어야 한다. 이는 판별기(220)가 진짜로 판별할 만큼 완벽한 가상 프로브 데이터를 생성하도록 생성기(210)를 학습시키는 것을 의미한다. 이처럼 V(D,G)를 최대화하는 방향으로 판별기(220)를 학습시키고, V(D,G)를 최소화하는 방향으로 생성기(210)를 학습시키는 것을 'Minmax problem'이라고 한다.
도 3 은 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델 내 생성기의 동작을 나타내는 일예시도이다.
도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델 내 생성기(210)는, 프로브 차량(200)으로부터 수신한 리얼 프로브 데이터(y)와 잠재적 벡터(z)를 입력받고, 상기 리얼 프로브 데이터(y)의 분포를 따르는 가상 프로브 데이터(G(z|y))를 생성할 수 있다. 이때, 생성기(210)는 복수의 가상 프로브 데이터(G(z|y))를 생성할 수 있다.
도 4 는 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델 내 판별기의 동작을 나타내는 일예시도이다.
도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 교통정보 예측 장치에 이용되는 프로브 데이터 생성 모델 내 판별기(220)는, 프로브 차량(200)으로부터 수신한 리얼 프로브 데이터(y)와 생성기(210)에 의해 생성된 가상 프로브 데이터(G(z|y))를 입력받고, 리얼 프로브 데이터(y)를 진짜로 판단(D(y))하고, 가상 프로브 데이터(G(z|y))를 가짜로 판단(D(G(z|y)))할 수 있다.
도 5 는 본 발명의 일 실시예에 따른 교통정보 예측 방법에 대한 일 실시예 흐름도이다.
먼저, 저장부(10)가 도로의 특성에 따른 복수의 프로브 데이터 생성 모델을 저장한다(501).
이후, 통신부(20)가 타겟도로를 주행하는 프로브 차량으로부터 프로브 데이터를 수신한다(502).
이후, 제어부(40)가 상기 복수의 프로브 데이터 생성 모델 중에서 상기 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출한다(503).
이후, 제어부(40)가 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 프로브 데이터를 생성하고, 상기 생성한 프로브 데이터와 상기 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측한다(504). 이때, 제어부(40)는 상기 타겟도로의 교통정보로서 상기 타겟도로를 통과하는데 소요되는 시간을 예측할 수 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.
10: 저장부
20: 통신부
30: 출력부
40: 제어부

Claims (14)

  1. 도로의 특성에 따른 복수의 프로브 데이터 생성 모델을 저장하는 저장부;
    타겟도로를 주행하는 프로브 차량으로부터 프로브 데이터를 수신하는 통신부; 및
    상기 복수의 프로브 데이터 생성 모델 중에서 상기 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하고, 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 프로브 데이터를 생성하며, 상기 생성한 프로브 데이터와 상기 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측하는 제어부
    를 포함하는 교통정보 예측 장치.
  2. 제 1 항에 있어서,
    상기 프로브 데이터는,
    도로 통과시간인 것을 특징으로 하는 교통정보 예측 장치.
  3. 제 2 항에 있어서,
    상기 제어부는,
    상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 도로 통과시간을 생성하고, 상기 생성한 도로 통과시간과 상기 프로브 차량으로부터 수신한 도로 통과시간에 기초하여 상기 타겟도로의 통과시간을 산출하는 것을 특징으로 하는 교통정보 예측 장치.
  4. 제 3 항에 있어서,
    상기 제어부는,
    상기 생성한 도로 통과시간과 상기 수신한 도로 통과시간의 평균을 상기 타겟도로의 통과시간으로 산출하는 것을 특징으로 하는 교통정보 예측 장치.
  5. 제 1 항에 있어서,
    상기 도로의 특성은,
    상기 프로브 차량의 대수, 도로의 종류, 차선 수, 도로의 길이, 도로의 형상 중 적어도 하나를 포함하는 교통정보 예측 장치.
  6. 제 5 항에 있어서,
    상기 제어부는,
    상기 타겟도로의 특성을 기준으로 각 도로의 특성과의 유사도를 산출하고, 가장 유사도가 높은 도로의 특성에 상응하는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출하는 것을 특징으로 하는 교통정보 예측 장치.
  7. 제 6 항에 있어서,
    상기 제어부는,
    상기 산출한 유사도에 기초하여 상기 타겟도로의 프로브 데이터 생성 모델을 검출하지 못한 경우, 상기 타겟도로의 프로브 차량의 대수와 가장 차이가 적은 프로브 차량의 대수를 도로의 특성으로서 가지는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출하는 것을 특징으로 하는 교통정보 예측 장치.
  8. 저장부가 도로의 특성에 따른 복수의 프로브 데이터 생성 모델을 저장하는 단계;
    통신부가 타겟도로를 주행하는 프로브 차량으로부터 프로브 데이터를 수신하는 단계;
    제어부가 상기 복수의 프로브 데이터 생성 모델 중에서 상기 타겟도로의 특성에 상응하는 프로브 데이터 생성 모델을 검출하는 단계; 및
    상기 제어부가 상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 프로브 데이터를 생성하고, 상기 생성한 프로브 데이터와 상기 수신한 프로브 데이터에 기초하여 상기 타겟도로의 교통정보를 예측하는 단계
    를 포함하는 교통정보 예측 방법.
  9. 제 8 항에 있어서,
    상기 프로브 데이터는,
    도로 통과시간인 것을 특징으로 하는 교통정보 예측 방법.
  10. 제 9 항에 있어서,
    상기 타겟도로의 교통정보를 예측하는 단계는,
    상기 검출한 프로브 데이터 생성 모델을 기반으로 기 설정된 개수의 도로 통과시간을 생성하고, 상기 생성한 도로 통과시간과 상기 프로브 차량으로부터 수신한 도로 통과시간에 기초하여 상기 타겟도로의 통과시간을 산출하는 단계
    를 포함하는 교통정보 예측 방법.
  11. 제 10 항에 있어서,
    상기 타겟도로의 통과시간을 산출하는 단계는,
    상기 생성한 도로 통과시간과 상기 수신한 도로 통과시간의 평균을 상기 타겟도로의 통과시간으로 산출하는 단계
    를 포함하는 교통정보 예측 방법.
  12. 제 8 항에 있어서,
    상기 도로의 특성은,
    상기 프로브 차량의 대수, 도로의 종류, 차선 수, 도로의 길이, 도로의 형상 중 적어도 하나를 포함하는 교통정보 예측 방법.
  13. 제 12 항에 있어서,
    상기 프로브 데이터 생성 모델을 검출하는 단계는,
    상기 타겟도로의 특성을 기준으로 각 도로의 특성과의 유사도를 산출하는 단계; 및
    가장 유사도가 높은 도로의 특성에 상응하는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출하는 단계
    를 포함하는 교통정보 예측 방법.
  14. 제 13 항에 있어서,
    상기 프로브 데이터 생성 모델을 검출하는 단계는,
    상기 산출한 유사도에 기초하여 상기 타겟도로의 프로브 데이터 생성 모델을 검출하지 못한 경우, 상기 타겟도로의 프로브 차량의 대수와 가장 차이가 적은 프로브 차량의 대수를 도로의 특성으로서 가지는 프로브 데이터 생성 모델을 상기 타겟도로의 프로브 데이터 생성 모델로 검출하는 단계
    를 더 포함하는 교통정보 예측 방법.
KR1020210044210A 2021-04-05 2021-04-05 교통정보 예측 장치 및 그 방법 KR20220138263A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210044210A KR20220138263A (ko) 2021-04-05 2021-04-05 교통정보 예측 장치 및 그 방법
US17/397,391 US20220327918A1 (en) 2021-04-05 2021-08-09 Device and method for predicting traffic information
CN202111013216.8A CN115171366A (zh) 2021-04-05 2021-08-31 用于预测交通信息的装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210044210A KR20220138263A (ko) 2021-04-05 2021-04-05 교통정보 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20220138263A true KR20220138263A (ko) 2022-10-12

Family

ID=83476074

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210044210A KR20220138263A (ko) 2021-04-05 2021-04-05 교통정보 예측 장치 및 그 방법

Country Status (3)

Country Link
US (1) US20220327918A1 (ko)
KR (1) KR20220138263A (ko)
CN (1) CN115171366A (ko)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6408770B2 (ja) * 2014-03-03 2018-10-17 株式会社ゼンリン プローブ情報の収集方法、収集装置、そのプログラム、及び、旅行時間算出装置
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services
TWI619036B (zh) * 2016-02-22 2018-03-21 財團法人資訊工業策進會 交通時間預測系統、交通時間預測方法以及交通模型建立方法
US10042055B2 (en) * 2016-04-20 2018-08-07 Here Global B.V. Traffic volume estimation
US11486718B2 (en) * 2017-10-25 2022-11-01 Tata Consultancy Services Limited Predicting vehicle travel time on routes of unbounded length in arterial roads
US20200134494A1 (en) * 2018-10-26 2020-04-30 Uatc, Llc Systems and Methods for Generating Artificial Scenarios for an Autonomous Vehicle

Also Published As

Publication number Publication date
US20220327918A1 (en) 2022-10-13
CN115171366A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
US10990096B2 (en) Reinforcement learning on autonomous vehicles
EP3975053A1 (en) Forecasting with deep state space models
CN115578876A (zh) 一种车辆的自动驾驶方法、系统、设备及存储介质
CN115560771A (zh) 基于采样的路径规划方法及装置、自动行驶设备
KR20220138263A (ko) 교통정보 예측 장치 및 그 방법
CN114116926A (zh) 基于公交站点信息匹配的乘客出行方式识别方法
Alotibi et al. Anomaly detection in cooperative adaptive cruise control using physics laws and data fusion
KR102050426B1 (ko) 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법
KR20150096142A (ko) 교통 정보 수집을 위한 방법, 이를 위한 장치 및 교통 정보 수집 시스템
KR20220150691A (ko) 차량의 위치 보정 장치 및 그 방법
US20240038064A1 (en) Traffic Speed Prediction Device and Method Therefor
CN113868875A (zh) 测试场景自动生成方法、装置、设备和存储介质
KR20230016492A (ko) 내비게이션 경로 탐색 장치 및 그 방법
CN109121116B (zh) 车辆ids检测辅助方法、装置、终端及存储介质
KR20230011810A (ko) 교통정보 예측 장치 및 그 방법
KR20230116534A (ko) 교통정보 예측 장치 및 그 방법
US20240043033A1 (en) System and method for infrastructure dynamic object recognition information convergence processing in autonomous vehicle
US20230230476A1 (en) Apparatus and method for predicting traffic speed
CN113255711B (zh) 对抗检测方法、装置及设备
Lochbihler et al. Misbehaviour Detection of 5G-Connected Vehicles Using Deep Learning
US20240060786A1 (en) System for modelling energy consumption efficiency of an electric vehicle and a method thereof
JP7481654B2 (ja) モデル利用制御システム、モデル利用制御方法、モデル利用制御装置、および、モデル利用制御プログラム
US11869367B2 (en) Device and method for controlling flight of unmanned aerial vehicle
US11493355B2 (en) Adaptive live trip prediction solution
RU2724596C1 (ru) Способ, устройство, центральное устройство и система для распознавания сдвига распределения в распределении данных и/или признаков входных данных

Legal Events

Date Code Title Description
A201 Request for examination