KR20230046090A - Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning - Google Patents
Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning Download PDFInfo
- Publication number
- KR20230046090A KR20230046090A KR1020210129146A KR20210129146A KR20230046090A KR 20230046090 A KR20230046090 A KR 20230046090A KR 1020210129146 A KR1020210129146 A KR 1020210129146A KR 20210129146 A KR20210129146 A KR 20210129146A KR 20230046090 A KR20230046090 A KR 20230046090A
- Authority
- KR
- South Korea
- Prior art keywords
- traffic accident
- accident risk
- road
- real
- data
- Prior art date
Links
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title abstract description 12
- 238000013058 risk prediction model Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 abstract description 5
- 238000007710 freezing Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 10
- 238000013480 data collection Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
Description
본 발명은 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for real-time prediction of traffic accident risk for an icing prediction area using deep learning.
최근 도로 결빙으로 인한 교통사고 심각성이 대두되면서 결빙 구간에 대한 사고 위험 빈도를 경감시키기 위한 노력이 이어지고 있다. 결빙된 노면은 일반 노면 상태에 비해 마찰계수가 낮아 차량의 제동거리가 증가하여 교통사고 유발 가능성을 크게 높인다. 결빙으로 인해 발생한 사고는 차가 미끄러지면서 연쇄적인 교통사고를 야기하기 때문에 한 번 사고가 나면 대형사고로 이어지기 쉽다. 실제 사고 자료를 기반으로 기록이 저장되어 있는 도로교통공단 교통사고분석시스템(TAAS)을 보면 최근 5년(2015~2019년)간 결빙 노면에서 발생한 교통사고의 100건 당 치사율은 3.23%로 일반 노면 상태에서 발생한 교통사고 치사율 대비 1.87배 이상 높다. 이처럼 도로 결빙은 안전운전에 큰 위협을 주기 때문에 이를 예방할 수 있는 방법이 필요하다.Recently, as the severity of traffic accidents due to icy roads has emerged, efforts have been made to reduce the frequency of accidents in icy sections. An icy road surface has a lower coefficient of friction than a normal road surface, so the braking distance of a vehicle increases, greatly increasing the possibility of causing a traffic accident. Accidents caused by freezing cause a chain of traffic accidents as the car slides, so once an accident occurs, it is easy to lead to a major accident. According to the Korea Road Traffic Authority Traffic Accident Analysis System (TAAS), where records are stored based on actual accident data, the fatality rate per 100 cases of traffic accidents that occurred on icy roads over the past five years (2015-2019) was 3.23% on normal roads. It is more than 1.87 times higher than the fatality rate of traffic accidents that occurred while in a state of health. As such, road icing poses a great threat to safe driving, so there is a need for a method to prevent it.
도로에 열선을 설치하거나 제설제를 살포하여 노면에 발생한 결빙을 직접적으로 제거하는 방법으로 교통사고 발생 가능성을 현저하게 낮출 수 있다. 그 외에도 센서 또는 예측 모형을 이용하여 취득한 노면 결빙 정보를 도로전광표지, 방송, 웹, 내비게이션 등을 통해 제공하는 간접적인 방법으로 결빙으로 인한 교통사고를 예방할 수 있다.The possibility of a traffic accident can be significantly reduced by installing a heating wire on the road or spraying snow remover to directly remove the ice on the road surface. In addition, traffic accidents due to freezing can be prevented by an indirect method of providing road surface icing information obtained using a sensor or prediction model through road signs, broadcasting, web, navigation, etc.
따라서 본 발명이 해결하고자 하는 과제는 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템을 제공하는 것이다.Therefore, the problem to be solved by the present invention is to provide a method and system for real-time prediction of traffic accident risk for an icing prediction area using deep learning.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법은 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측하는 단계; 및 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 단계; 를 포함한다.In order to solve the above technical problem, a real-time prediction method for traffic accident risk for an icing prediction region using deep learning according to the present invention predicts a road icing state by inputting real-time weather data of an area of interest to a road icing state prediction model; and inputting an orthoimage corresponding to an area of interest predicted to be in an icy state into a traffic accident risk prediction model to predict a traffic accident risk of the area of interest in real time. includes
상기 교통 사고 위험도 예측 모델은, 미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 출력한다.The traffic accident risk prediction model learns learning data built using orthoimages of a predetermined area and traffic accident data generated in an icy road condition, and outputs a traffic accident risk corresponding to the input orthoimage.
상기 교통 사고 데이터는 상기 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하고 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -, 상기 학습 데이터는 상기 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 상기 교통 사고 데이터를 기초로 상기 복수 개의 구획에 대해 구해지는 마킹값을 상기 분할된 정사영상에 대응시켜서 구축될 수 있다.The traffic accident data includes traffic accident information that occurred in the icy road condition of the predetermined area - the traffic accident information includes the number of accidents and the number of casualties for each accident location during a predetermined period -, the learning data It may be constructed by dividing an orthoimage obtained by capturing a predetermined area into a plurality of sections, and matching marking values obtained for the plurality of sections based on the traffic accident data to the divided orthoimages.
상기 마킹값으로 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하고, 상기 사고 심각도는 사상자수를 사고건수로 나눈 값이며, 상기 교통 사고 위험도 예측 모델은 상기 교통 사고 위험도를 사고건수, 사상자수 또는 사고 심각도를 범주화한 사고 위험 등급으로 출력할 수 있다.At least one of a representative value categorizing the number of accidents, a representative value categorizing the number of casualties, and a representative value categorizing the severity of accidents is used as the marking value, the accident severity is a value obtained by dividing the number of casualties by the number of accidents, and the traffic The accident risk prediction model may output the traffic accident risk as an accident risk grade in which the number of accidents, the number of casualties, or the severity of accidents are categorized.
상기 노면 결빙 상태 예측 모델은, 노면 결빙 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 이용하여 기상 상태에 따른 노면 결빙 상태를 예측하도록 학습될 수 있다.The road icy state prediction model may be trained to predict the icy road state according to weather conditions using learning data obtained by mapping icy road state information to weather data.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템은, 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측하는 노면 결빙 상태 예측부; 및 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 교통 사고 위험도 예측부; 를 포함한다.The real-time traffic accident risk prediction system for the icing prediction region using deep learning according to the present invention to solve the above technical problem is a road surface that predicts the road icing state by inputting real-time meteorological data of the region of interest to the road surface icing state prediction model. an icing state prediction unit; and a traffic accident risk prediction unit inputting an orthoimage corresponding to a region of interest predicted to be in an icy state into a traffic accident risk prediction model and predicting a traffic accident risk of the region of interest in real time. includes
본 발명에 의하면 실시간으로 기상 데이터 기반으로 결빙 지역을 예상하고, 결빙 예상 지역에 대한 교통 사고 발생 예측 결과를 실시간으로 제공함으로써 운전자가 이를 참고하여 안전 운행을 할 수 있고, 도로 관리 주체도 결빙 예측 지역에 우선하여 선제적인 안전 조치를 취할 수 있다.According to the present invention, by predicting an icing area based on meteorological data in real time and providing a traffic accident prediction result for the icing expected area in real time, the driver can refer to it for safe driving, and the road management subject can also predict icing area Priority can be given to preemptive safety measures.
도 1은 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 노면 결빙 상태 예측부의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 교통 사고 위험도 예측부(120)의 구성을 나타낸 블록도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법의 흐름도이다.1 is a block diagram of a traffic accident risk real-time prediction system for an icing prediction area using deep learning according to an embodiment of the present invention.
2 is a block diagram showing the configuration of a road surface icing state prediction unit according to an embodiment of the present invention.
3 is a block diagram showing the configuration of a traffic accident
4 is a flowchart of a real-time prediction method for traffic accident risk for an icing prediction area using deep learning according to an embodiment of the present invention.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.Then, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice the present invention.
도 1은 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템의 구성도이다.1 is a block diagram of a traffic accident risk real-time prediction system for an icing prediction area using deep learning according to an embodiment of the present invention.
도 1을 참조하면, 본 발명에 따른 시스템(100)은 노면 결빙 상태 예측부(110) 및 교통 사고 위험도 예측부(120)를 포함할 수 있다.Referring to FIG. 1 , a
노면 결빙 상태 예측부(110)는 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측할 수 있다.The icy road
교통 사고 위험도 예측부(120)는 노면 결빙 상태 예측부(110)에서 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 해당 관심 지역의 교통 사고 위험도를 실시간 예측할 수 있다.The traffic accident
여기서 교통 사고 위험도 예측 모델은 미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 예측하여 출력할 수 있다.Here, the traffic accident risk prediction model learns learning data built using orthoimages taken in a predetermined area and traffic accident data generated in icy road conditions, predicts and outputs the traffic accident risk corresponding to the input orthoimage. can
도 2는 본 발명의 일 실시예에 따른 노면 결빙 상태 예측부(110)의 구성을 나타낸 블록도이다.2 is a block diagram showing the configuration of a road surface
도 2를 참조하면, 노면 결빙 상태 예측부(110)는 노면 상태 데이터 수집부(111), 기상 정보 수집부(113), 제1 학습 데이터 구축부(115) 및 노면 상태 학습 예측부(117)를 포함할 수 있다.Referring to FIG. 2 , the road surface
노면 상태 데이터 수집부(111)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(111)는 노면 센서와 GNSS 수신부를 포함할 수 있다.The road condition
노면 상태 데이터 수집부(111)를 장착한 도로 정보 수집 차량(도시하지 않음)이 도로를 주행하면서, 노면 센서를 통해 획득되는 도로 노면 상태 정보에 GNSS 수신부로부터 획득되는 GNSS 신호로부터 얻어지는 위치 정보(위도, 경도)와 데이터 수집 시간을 대응시켜 수집할 수 있다. While the road information collection vehicle (not shown) equipped with the road surface
실시예에 따라 노면 상태 데이터 수집부(111) 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.Depending on the embodiment, some of the road surface
노면 센서는 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.The road surface sensor may acquire the road surface condition type of the road in a non-contact manner. Road surface condition types can be simply classified into dry, moist, and wet, and more specifically, slush, ice or snow with water, ice, and snow or frost. (Snow or Hoar Frost) may be further added to distinguish them. The criterion for classifying the road surface type may vary depending on the embodiment.
실시예에 따라 노면 센서는 노면 상태 타입뿐만 아니라 노면 표면 온도, 노면 수막 두께, 외기 온도, 마찰 값 등을 비접촉 방식으로 획득할 수도 있다. 노면 센서를 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.Depending on the embodiment, the road surface sensor may acquire road surface temperature, road water film thickness, outside air temperature, friction value, and the like as well as the type of road surface condition in a non-contact manner. Since a method of obtaining road surface temperature, road surface water film thickness, outside air temperature, road surface condition type, and friction value in a non-contact manner using a road surface sensor is already well known, a detailed description thereof will be omitted.
노면 상태 데이터 수집부(111)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.The road surface condition
본 발명의 경우 노면 결빙 상태를 예측하는 것이므로 노면 상태 데이터 수집부(111)에서 획득된 데이터 중에서 도로 노면 상태가 결빙 상태인 데이터만 이용하고 나머지는 제거할 수 있다. 물론 처음부터 도로 노면 상태가 결빙 상태인 데이터만 수집 획득하도록 구현하는 것도 가능하다.In the case of the present invention, since the road surface condition is predicted, only data in which the road surface condition is frozen among the data acquired by the road surface condition
기상 정보 수집부(113)는 기상청이나 민간 기상 사업자 등이 운영하는 기상 서버(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(113)는 기상청에서 운영 중인 자동기상관측장비(AWS; Automatic Weather System) 등에서 제공하는 기상 데이터를 수집할 수 있다.The weather
제1 학습 데이터 구축부(115)는 노면 상태 데이터 수집부(111)에서 수집된 도로 노면 상태 정보를 기상 정보 수집부(113)에서 수집한 기상 데이터와 맵핑한 형태로 학습 데이터를 생성할 수 있다.The first
노면 상태 학습 예측부(117)는 딥러닝 등과 같은 인공지능 학습이나 기계 학습을 통해 도로 상의 특정 지점에 대응하는 기상 데이터가 입력되면, 그에 대응하는 도로의 노면 결빙 상태를 예측하는 노면 결빙 상태 예측 모델을 학습할 수 있다. 물론 본 발명에 따른 시스템(100)을 운영하면서 추가로 학습 데이터가 발생되면, 그를 반영하여 노면 결빙 상태 예측 모델을 업데이트시킬 수도 있다.When weather data corresponding to a specific point on the road is input through artificial intelligence learning or machine learning such as deep learning, the road surface
여기서 설명한 것 외에 다른 방식으로 학습된 노면 결빙 상태 예측 모델을 이용하여, 특정 지점에 대응하는 기상 데이터를 입력받고 그에 따른 노면 결빙 상태를 출력하도록 구현하는 것도 가능하다.It is also possible to use a road surface icy condition prediction model learned in a different way than described here, to receive meteorological data corresponding to a specific point and output the corresponding road icy condition.
도 3은 본 발명의 일 실시예에 따른 교통 사고 위험도 예측부(120)의 구성을 나타낸 블록도이다. 3 is a block diagram showing the configuration of a traffic accident
도 3을 참조하면, 교통 사고 위험도 예측부(120)는 교통 사고 데이터 획득부(121), 영상 데이터 획득부(123), 제2 학습 데이터 구축부(125) 및 교통 사고 위험도 학습 예측부(127)를 포함할 수 있다.Referring to FIG. 3 , the traffic accident
교통 사고 데이터 획득부(121)는 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득할 수 있다.The traffic accident
경찰청의 교통사고분석시스템(Traffic Accident Analysis System, TAAS)으로부터 교통 사고 데이터를 획득할 수 있다. 예를 들어 TAAS에서 미리 정해진 기간 동안 결빙 노면 상태에서 교통사고가 발생 위치, 사고 발생 위치별 사고건수 및 사상자수 등의 교통 정보를 포함하는 교통 사고 데이터를 획득할 수 있다. 물론 결빙 노면 상태에서 교통사고 발생 위치, 사고건수, 사상자수 등의 정보를 포함하면, TAAS가 아닌 다른 시스템으로부터 교통 사고 데이터를 획득하여도 무방하다. Traffic accident data can be obtained from the Traffic Accident Analysis System (TAAS) of the National Police Agency. For example, it is possible to acquire traffic accident data including traffic information such as the location of a traffic accident on an icy road surface for a predetermined period of time, the number of accidents by accident location, and the number of casualties in TAAS. Of course, it is okay to acquire traffic accident data from systems other than TAAS, as long as information such as the location of traffic accidents, the number of accidents, and the number of casualties in icy road conditions is included.
영상 데이터 획득부(123)는 미리 정해진 지역을 촬영한 정사영상을 획득할 수 있다. 정사영상(Ortho-photo)은 지표면의 비고(比高)에 의하여 발생하는 사진 상의 각 점의 왜곡을 보정하여 동일 축척이 되도록 지도처럼 만든 영상을 말한다. 영상 데이터 획득부(123)는 정사영상을 제공하는 기관이나 시스템으로부 제공받을 수 있다. The image
제2 학습 데이터 구축부(125)는 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할할 수 있다. 예를 들어 정사영상을 동일한 크기를 가지는 N × N 개의 구획으로 분할하고, 각 구획에 대응하는 인덱스 값을 정의할 수 있다. 가령 N × N 개의 구획에 대해서 왼쪽 아래부터 Z 모양의 순서대로 인덱스 값을 정의할 수 있다.The second learning
제2 학습 데이터 구축부(125)는 교통 사고 데이터를 가공하여, 정사영상이 분할된 각 구획에 해당하는 마킹값을 산출할 수 있다. 마킹값은 사고 발생 여부, 사고건수, 사상자수, 사고 심각도, 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용할 수 있다.The second
예를 들어, 교통 사고 데이터 중에서 특정 구획에 속하는 2개의 위치에서 결빙 교통 사고가 발생했고, 사고건수가 각각 1건과 3건이며, 사상자수가 3명과 9명이라고 가정하면, 사고 발생 여부 '참(true)', 사고건수 '4건', 사상자수 '12명'이 해당 구획에 대한 마킹값으로 산출될 수 있다. 사고 심각도는 사상자수를 사고건수로 나눈 값으로 정의할 수 있으며, 이 경우 마킹값은 '3(=12명/4건)'으로 산출될 수 있다. 그리고 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 등을 마킹값으로 산출할 수도 있다. 가령 사고건수에 대해서 1~3 건을 4등급, 4~6 건을 3등급, 7~9 건을 2등급, 10건 이상을 1등급으로 범주화한 경우, 위 경우에서 사고건수를 범주화한 대표값인 2등급을 해당 구획에 대한 마킹값으로 산출할 수 있다.For example, assuming that icing traffic accidents occurred at two locations belonging to a specific section among traffic accident data, the number of accidents is 1 and 3, respectively, and the number of casualties is 3 and 9, whether or not the accident occurred 'true ( true)', the number of accidents '4', and the number of casualties '12' can be calculated as the marking values for the corresponding section. Accident severity can be defined as the number of casualties divided by the number of accidents, and in this case, the marking value can be calculated as '3 (= 12 people/4 cases)'. In addition, a representative value obtained by categorizing the number of accidents and a representative value obtained by categorizing the number of casualties may be calculated as a marking value. For example, for the number of accidents, if 1~3 cases are classified as 4th grade, 4~6 cases as 3rd grade, 7~9 cases as 2nd grade, and 10 or more cases as 1st grade, the representative value of the number of accidents classified in the above case The phosphorus level 2 can be calculated as the marking value for the corresponding section.
사고건수, 사상자수 및 사고 심각도의 범주화 구간은 실시예에 따라 달라질 수 있으며, 교통 사고 데이터를 분석하여 사고 위험 예측에 가장 적합한 범주화 구간을 적용할 수 있다. 범주화 구간 설정은 전문가에 의해 이루어지거나 자동화된 방법으로 이루어질 수 있다.The categorization interval of the number of accidents, the number of casualties, and the severity of accidents may vary depending on the embodiment, and a categorization interval most suitable for predicting accident risk may be applied by analyzing traffic accident data. The setting of the categorization section may be performed by an expert or by an automated method.
한편 교통 사고가 발생하지 않은 구획에 대해서는 사고 발생 여부 '거짓(false)'으로 마킹값이 구해질 수 있다.Meanwhile, for a section in which a traffic accident has not occurred, a marking value may be obtained as 'false' whether or not an accident has occurred.
제2 학습 데이터 구축부(125)는 앞에서 설명한 것과 같이 복수 개의 구획에 대해 구해지는 마킹값을 분할된 정사영상에 대응시켜서 학습 데이터를 구축할 수 있다.As described above, the second
학습 데이터는 사고 발생 가능성 판별 모델을 위한 것과 사고 위험 등급 산출 모델을 위한 것을 구분하여 구축할 수 있다. Learning data can be constructed separately for the accident probability determination model and for the accident risk rating calculation model.
사고 발생 가능성 판별 모델은 관심 지역의 정사영상을 입력받아 사고 발생 가능성을 참(true), 거짓(false)으로 출력하도록 학습될 수 있다. 따라서 사고 발생 가능성 판별 모델을 위한 학습 데이터는 N × N 개의 구획으로 분할된 정사영상 중에서 사고 발생 여부가 '참(true)'으로 마킹된 구획의 정사영상과, '참(true)'으로 마킹된 구획의 정사영상의 수와 동일한 거짓(false)으로 마킹된 구획의 정사영상으로 구축될 수 있다. 한편 사고 위험 등급 산출 모델은 결빙 교통 사고가 실제 발생한 구획들의 정사영상과 마킹값으로만 구축될 수 있다.The accident probability determination model may be trained to receive an orthoimage of a region of interest and output the probability of an accident as true or false. Therefore, the training data for the accident possibility discrimination model is the orthoimage of the section marked as 'true' for the occurrence of an accident among the orthoimages divided into N × N sections, and the orthoimage of the section marked as 'true'. It can be constructed with orthoimages of a segment marked as false equal to the number of orthoimages of that segment. On the other hand, the accident risk rating calculation model can be built only with orthoimages and marking values of compartments in which icing traffic accidents actually occurred.
교통 사고 위험도 학습 예측부(127)는 학습 데이터를 이용하여 교통 사고 발생 가능성 판별 모델과 교통 사고 위험도 예측 모델을 학습하고, 관심 지역의 정사영상을 교통 사고 발생 가능성 판별 모델 및/또는 교통 사고 위험도 예측 모델에 입력하여 교통 사고 발생 가능성 및 교통 사고 위험도를 예측한 결과를 출력할 수 있다.The traffic accident risk
교통 사고 위험도 학습 예측부(127)는 로지스틱 회귀(Logistic Regression), 의사 결정 나무(Decision Tree), SVM(Support Vector Machine), k-NN(k-Nearest Neighbor), 딥 러닝 (Deep Learning) 등의 머신러닝 모델을 이용하여 교통 사고 발생 가능성 판별 모델 및/또는 교통 사고 위험도 예측 모델을 학습할 수 있다.The traffic accident risk
교통 사고 발생 가능성 판별 모델은 사고 발생 여부를 마킹값으로 하는 학습 데이터를 학습하고, 관심 지역의 정사영상이 입력되면 교통 사고 발생 가능성을 출력할 수 있다. 즉 결빙에 의한 교통 사고 발생 가능성을 참 또는 거짓으로 출력할 수 있다.The traffic accident probability determination model learns learning data that has an accident occurrence as a marking value, and can output a traffic accident probability when an orthographic image of an area of interest is input. That is, the possibility of a traffic accident due to icing may be output as true or false.
교통 사고 위험도 예측 모델은 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 마킹값으로 하는 학습 데이터를 학습하여 교통 사고 발생 예측 결과로서 사고 위험 등급을 출력하도록 학습될 수 있다.The traffic accident risk prediction model learns learning data that has at least one of the representative values categorizing the number of accidents, the representative value categorizing the number of casualties, and the representative value categorizing the severity of accidents as a marking value, and predicts the risk of accidents as a result. It can be learned to output a grade.
실시예에 따라서 교통 사고 위험도 학습 예측부(127)는 교통 사고 발생 가능성 판별 모델은 포함하지 않고, 교통 사고 위험도 예측 모델만 포함할 수 있다. 물론 교통 사고 발생 가능성 판별 모델에서 교통 사고 발생 가능성이 있는 것으로 판별된 지역에 대해서만 교통 사고 위험도 예측 모델을 이용하여 교통 사고 위험도를 예측하도록 구성하는 것도 가능하다.Depending on the embodiment, the traffic accident risk
도 4는 본 발명의 일 실시예에 따른 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법의 흐름도이다.4 is a flowchart of a real-time prediction method for traffic accident risk for an icing prediction area using deep learning according to an embodiment of the present invention.
도 4를 참고하면, 먼저 노면 결빙 상태 예측부(110)는 관심 지역의 실시간 기상 데이터를 노면 결빙 상태 예측 모델에 입력하여 노면 결빙 상태를 예측할 수 있다(S410). 단계(S410)에서 입력되는 관심 지역의 실시간 기상 데이터는 차량이 주행하고 있거나 주행 예정인 지역의 기상 데이터이거나, 또는 도로 관리 주체에서 관리하는 지역의 실시간 기상 데이터일 수 있다.Referring to FIG. 4 , first, the icy road
이후 교통 사고 위험도 예측부(120)는 단계(S410)에서 결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 관심 지역의 교통 사고 위험도를 실시간 예측할 수 있다(S420). Thereafter, the traffic accident
단계(S420)에서 차량이 주행하고 있거나 주행 중인 관심 지역에 대해서는 교통 사고 발생 가능성 판별 모델을 적용하지 않고 바로 교통 사고 위험도 예측 모델에 정사영상을 입력하여 교통 사고 위험도를 예측하도록 구현할 수 있다. 반면 도로 관리 주체에 의해 관리되는 지역이 넓은 경우는 실시간으로 교통 사고 위험도를 예측해야 할 지역이 많으므로 먼저 교통 사고 발생 가능성 판별 모델을 적용하여 교통 사고 발생 가능성이 있는 지역을 예측하고, 교통 사고 발생 가능성이 있는 것으로 예측된 지역의 정사영상을 교통 사고 위험도 예측 모델에 입력하여 교통 사고 위험도를 예측할 수도 있다.In step S420, it is possible to predict the risk of a traffic accident by directly inputting the orthoimage to the traffic accident risk prediction model without applying the traffic accident possibility determination model to the area of interest where the vehicle is driving or being driven. On the other hand, if the area managed by the road management entity is wide, there are many areas where the risk of traffic accidents needs to be predicted in real time. So, first, a traffic accident probability determination model is applied to predict areas where a traffic accident is likely to occur, and then a traffic accident occurs It is also possible to predict the risk of a traffic accident by inputting an orthoimage of an area predicted to have a possibility into a traffic accident risk prediction model.
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.The embodiments described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. A processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.
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 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. You can command the device. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.
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.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 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.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.
Claims (9)
결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 단계;
를 포함하고,
상기 교통 사고 위험도 예측 모델은,
미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
predicting an icy road state by inputting real-time meteorological data of a region of interest to a road icy state prediction model; and
inputting an orthoimage corresponding to a region of interest predicted to be in an icy state into a traffic accident risk prediction model and predicting a traffic accident risk of the region of interest in real time;
including,
The traffic accident risk prediction model,
Traffic accident risk for the predicted road icing region that learns the learning data built using the orthoimages taken in a predetermined area and the traffic accident data generated in the icy road condition, and outputs the traffic accident risk corresponding to the input orthoimage. Real-time prediction method.
상기 교통 사고 데이터는 상기 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하고 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -,
상기 학습 데이터는 상기 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 상기 교통 사고 데이터를 기초로 상기 복수 개의 구획에 대해 구해지는 마킹값을 상기 분할된 정사영상에 대응시켜서 구축되는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
In claim 1,
The traffic accident data includes traffic accident information that occurred in the icy road condition of the predetermined area, and the traffic accident information includes the number of accidents and the number of casualties for each accident location during a predetermined period of time.
The learning data is a road surface constructed by dividing an orthoimage obtained by capturing the predetermined area into a plurality of sections, and making marking values obtained for the plurality of sections based on the traffic accident data correspond to the divided orthoimages. Real-time prediction method of traffic accident risk for icing prediction area.
상기 마킹값으로 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하고, 상기 사고 심각도는 사상자수를 사고건수로 나눈 값이며,
상기 교통 사고 위험도 예측 모델은 상기 교통 사고 위험도를 사고건수, 사상자수 또는 사고 심각도를 범주화한 사고 위험 등급으로 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
In paragraph 2,
At least one of a representative value categorizing the number of accidents, a representative value categorizing the number of casualties, and a representative value categorizing the severity of accidents is used as the marking value, and the accident severity is a value obtained by dividing the number of casualties by the number of accidents,
The traffic accident risk prediction model is a real-time traffic accident risk prediction method for a road icing prediction area that outputs the traffic accident risk as an accident risk grade categorizing the number of accidents, the number of casualties, or accident severity.
상기 노면 결빙 상태 예측 모델은,
노면 결빙 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 이용하여 기상 상태에 따른 노면 결빙 상태를 예측하도록 학습되는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법.
In paragraph 3,
The road surface icing state prediction model,
A real-time traffic accident risk prediction method for a road icing prediction area that learns to predict the road icing state according to the weather condition using the learning data mapped with the meteorological data by collecting the road icing state information.
A computer-readable recording medium recording a program for executing one of the methods of claims 1 to 4 in a computer.
결빙 상태로 예측된 관심 지역에 대응하는 정사영상을 교통 사고 위험도 예측 모델에 입력하여 상기 관심 지역의 교통 사고 위험도를 실시간 예측하는 교통 사고 위험도 예측부;
를 포함하고,
상기 교통 사고 위험도 예측 모델은,
미리 정해진 지역을 촬영한 정사영상 및 결빙 노면 상태에서 발생한 교통 사고 데이터를 이용하여 구축된 학습 데이터를 학습하여, 입력된 정사영상에 대응하는 교통 사고 위험도를 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.
an icy road condition predictor for predicting an icy road condition by inputting real-time meteorological data of a region of interest to a road icy condition prediction model; and
a traffic accident risk prediction unit inputting an orthoimage corresponding to a region of interest predicted to be in an icy state into a traffic accident risk prediction model and predicting a traffic accident risk of the region of interest in real time;
including,
The traffic accident risk prediction model,
Traffic accident risk for the predicted road icing region that learns the learning data built using the orthoimages taken in a predetermined area and the traffic accident data generated in the icy road condition, and outputs the traffic accident risk corresponding to the input orthoimage. real-time prediction system.
상기 미리 정해진 지역의 결빙 노면 상태에서 발생한 교통 사고 정보를 포함하는 교통 사고 데이터를 획득하는 교통 사고 데이터 획득부 - 상기 교통 사고 정보는 미리 정해진 기간동안 사고 발생 위치별 사고건수 및 사상자수를 포함함 -;
상기 미리 정해진 지역을 촬영한 정사영상을 획득하는 영상 데이터 획득부;
상기 미리 정해진 지역을 촬영한 정사영상을 복수 개의 구획으로 분할하고, 상기 교통 사고 데이터를 기초로 상기 복수 개의 구획에 대해 구해지는 마킹값을 상기 분할된 정사영상에 대응시켜서 상기 학습 데이터를 구축하는 제2 학습 데이터 구축부; 및
상기 학습 데이터를 이용하여 상기 교통 사고 위험도 예측 모델을 학습하는 교통 사고 위험도 학습 예측부;
를 더 포함하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.
In paragraph 6,
Traffic accident data obtaining unit for acquiring traffic accident data including traffic accident information that occurred on the icy road surface in the predetermined area - The traffic accident information includes the number of accidents and the number of casualties by location during a predetermined period of time - ;
an image data obtaining unit acquiring an orthoimage obtained by photographing the predetermined area;
Constructing the learning data by dividing an orthoimage obtained by capturing the predetermined area into a plurality of sections, and matching a marking value obtained for the plurality of sections based on the traffic accident data to the divided orthoimages. 2 learning data building unit; and
a traffic accident risk learning prediction unit learning the traffic accident risk prediction model using the learning data;
Traffic accident risk real-time prediction system for road surface icing prediction area further comprising.
상기 마킹값으로 사고건수를 범주화한 대표값, 사상자수를 범주화한 대표값 및 사고 심각도를 범주화한 대표값 중 적어도 하나를 이용하고, 상기 사고 심각도는 사상자수를 사고건수로 나눈 값이며,
상기 교통 사고 위험도 예측 모델은 상기 교통 사고 위험도를 사고건수, 사상자수 또는 사고 심각도를 범주화한 사고 위험 등급으로 출력하는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.
In paragraph 7,
At least one of a representative value categorizing the number of accidents, a representative value categorizing the number of casualties, and a representative value categorizing the severity of accidents is used as the marking value, and the accident severity is a value obtained by dividing the number of casualties by the number of accidents,
The traffic accident risk prediction model is a traffic accident risk real-time prediction system for a road icing prediction area that outputs the traffic accident risk as an accident risk grade in which the number of accidents, casualties, or accident severity are categorized.
상기 노면 결빙 상태 예측 모델은,
노면 결빙 상태 정보를 수집하여 기상 데이터와 맵핑한 학습 데이터를 이용하여 기상 상태에 따른 노면 결빙 상태를 예측하도록 학습되는 노면 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 시스템.In paragraph 8,
The road surface icing state prediction model,
A real-time traffic accident risk prediction system for a road icing prediction area that learns to predict road icing conditions according to weather conditions by collecting road surface icing condition information and using meteorological data and mapping learning data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210129146A KR102611727B1 (en) | 2021-09-29 | 2021-09-29 | Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210129146A KR102611727B1 (en) | 2021-09-29 | 2021-09-29 | Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230046090A true KR20230046090A (en) | 2023-04-05 |
| KR102611727B1 KR102611727B1 (en) | 2023-12-08 |
Family
ID=85884297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210129146A KR102611727B1 (en) | 2021-09-29 | 2021-09-29 | Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102611727B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101693784B1 (en) * | 2016-01-19 | 2017-01-06 | 한국국토정보공사 | Method and Device for producing natioal reference map using orthophotograph |
| KR20190057501A (en) * | 2017-11-20 | 2019-05-29 | 디토닉 주식회사 | System and Method for Predicting Riskness of Road According to Weather Conditions |
| KR102244143B1 (en) * | 2020-12-17 | 2021-04-22 | 전남대학교산학협력단 | Apparatus for predicting accident and the control method thereof |
-
2021
- 2021-09-29 KR KR1020210129146A patent/KR102611727B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101693784B1 (en) * | 2016-01-19 | 2017-01-06 | 한국국토정보공사 | Method and Device for producing natioal reference map using orthophotograph |
| KR20190057501A (en) * | 2017-11-20 | 2019-05-29 | 디토닉 주식회사 | System and Method for Predicting Riskness of Road According to Weather Conditions |
| KR102244143B1 (en) * | 2020-12-17 | 2021-04-22 | 전남대학교산학협력단 | Apparatus for predicting accident and the control method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102611727B1 (en) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102173797B1 (en) | System and Method for Predicting Road Surface State | |
| US20150178572A1 (en) | Road surface condition classification method and system | |
| US20130253797A1 (en) | Prediction of driver-specific cruise speed using dynamic modeling | |
| US11620901B1 (en) | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data | |
| JP6971830B2 (en) | Road traffic control device and self-driving vehicle control method | |
| US11300708B2 (en) | Tuning weather forecasts through hyper-localization | |
| CN117173871B (en) | Flood prevention monitoring method and system | |
| KR102517546B1 (en) | System and method for predicting danger during driving of vehicle | |
| CN114902083A (en) | Adaptive prediction method and device for road surface meteorological characteristics of road section | |
| Mahoney III et al. | Predicting weather and road conditions: Integrated decision-support tool for winter road-maintenance operations | |
| CN109712402B (en) | Mobile object running time prediction method and device based on meta-path congestion mode mining | |
| AU2021251818B2 (en) | Road icing condition prediction for shaded road segments | |
| US20240149899A1 (en) | Risk of occurrence calculating apparatus, risk of occurrence displaying system, and risk of occurrence calculating method | |
| Lu | Short-term traffic prediction using rainfall | |
| KR102611727B1 (en) | Real-time Forecasting System and Method for Traffic Accidents Risk Level on Frozen-Predicted Area Using Deep-Learning | |
| Faezi et al. | Saturation Flow Rate of Urban At-Grade Signalized Intersection Under Different Climatic Conditions (Case Study: Sattari-Mokhberi Intersection) | |
| KR101804928B1 (en) | Method for predicting freezing of roads | |
| CN117251722A (en) | Intelligent traffic management system based on big data | |
| KR20220073567A (en) | System for Predicting of Road Surface Condition Using Big Data | |
| KR102611726B1 (en) | Forecasting System and Method for Traffic Accidents on Frozen Roads | |
| KR102309583B1 (en) | Random Forest based Prediction Method and System of Road Surface Condition Using Spatio-Temporal Features | |
| KR102280799B1 (en) | Prediction Method and System of Road Surface Condition Using Processed Multiple Precipitation Information | |
| KR102398029B1 (en) | Method and System for Predicting of Road Surface Condition Using Spatial Clustering | |
| KR102398030B1 (en) | Method and System for Predicting of Road Surface Condition based on Machine Learning | |
| Tanimura et al. | Prediction of deceleration amount of vehicle speed in snowy urban roads using weather information and traffic data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |