KR20230062405A - 열차 운행정보 기반의 열차속도 예측방법 및 장치 - Google Patents

Abstract

본 개시의 일 실시예에 의하면,컴퓨팅 디바이스에서 수행되는 열차의 속도 예측방법에 있어서, 열차의 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터 및 열차속도 데이터를 획득하는 단계; 상기 열차속도 데이터를 기초로 상기 복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터를 열차속도 연관데이터로 결정하는 단계; 상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시키는 단계; 및 학습이 완료된 상기 열차속도 예측모델을 이용하여 상기 열차속도의 예측값을 획득하는 단계를 포함하는 열차의 속도 예측방법을 제공한다.

Description

열차 운행정보 기반의 열차속도 예측방법 및 장치{Method And Apparatus for Predicting Train Speed Based on Train Operation Information}

본 개시는 열차의 속도 예측방법 및 장치에 관한 것으로, 자세하게는 열차의 운행정보를 기초로 열차의 속도를 예측하는 방법 및 장치에 관한 것이다.

이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.

가상편성(virtual coupling train sets) 제어기술은 두 편성 이상의 열차를 기계적 결합 없이 단일 편성으로 운영할 수 있도록 무선통신을 이용하여 열차를 제어하는 기술이다. 가상편성 제어기술을 이용하면,열차의 주행상황에서도 필요에 따라 능동적으로 열차편성간의 가상연결 및 분리가 가능하다. 따라서, 기존의 수동적인 열차편성에 의한 노선 운영방식과 비교하여 노선의 수송량 및 운영효율을 극대화할 수 있다.

이러한 가상편성에 속하는 복수의 열차들은 서로 일정한 거리를 유지하며 마치 물리적으로 연결된 하나의 편성처럼 운행하여야 하므로, 선행 열차와 후행 열차간의 안전거리를 일정하게 유지하도록 열차를 실시간으로 제어하여야 한다.

최근 열차제어에 적용되고 있는 CBTC(communication based train control) 시스템은 지상의 관제센터와 차상의 제어시스템간 무선통신을 통해 운행중인 열차들을 원격제어하는 중앙집중 제어방식이다. 그러나, 해당 방식은 지상 관제센터와 열차간의 무선통신 연결에 의존하므로, 무선통신이 불안정하면 가상편성 열차제어가 문제가 발생할 수 있다. 구체적으로, 가상편성으로 운행중인 복수의 열차들간의 거리를 실시간으로 제어하기 위해서는 지상의 관제센터와 열차간에 실시간으로 열차의 운행정보 및 제어신호의 송수신이 가능하여야 한다. 그러나, 열차가 운행되는 동안 지상의 관제센터와 통신연결을 강건하게 유지하기에는 한계가 있으므로, 선행열차와 후행열차간 무선통신으로 열차간 간격을 제어하는 차상중심 시스템이 제안되고 있다.

종래의 차상중심 시스템에서는 가속도 센서를 이용하여 측정한 차량의 실시간 속도 변화를 기초로 선행열차와의 안전거리를 제어하거나, 레이저, 적외선, 음파 또는 광학신호를 이용하여 소정 거리 내의 선행열차의 속도 및 위치를 감지하여 선후행 열차간 안전거리를 제어하는 방법이 제안되었다.

그러나, 이러한 방법들은 열차차량에 추가적인 센서 시스템을 구성하여야 하므로 열차제어 시스템의 복잡성 및 비용이 증가하는 문제가 있으며, 센서의 성능사양에 따라서 열차간 안전거리 제어범위에 제약이 발생하는 문제가 있다.

일 실시예에 따른 열차속도 예측장치 및 방법은 미리 학습된 열차속도 예측모델을 이용하여 열차의 운행정보 데이터를 기초로 열차의 속도를 예측할 수 있다.

일 실시예에 따른 열차속도 예측장치 및 방법은 열차의 운행 하위시스템으로부터 수집되는 복수의 운행정보 데이터 중에서 열차속도 연관데이터를 결정하고, 열차속도 연관데이터에 해당하는 운행정보 데이터를 이용하여 열차의 속도를 예측할 수 있다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 실시예에 의하면, 컴퓨팅 디바이스에서 수행되는 열차의 속도 예측방법에 있어서, 열차의 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터 및 열차속도 데이터를 획득하는 단계; 상기 열차속도 데이터를 기초로 상기 복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터를 열차속도 연관데이터로 결정하는 단계; 상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시키는 단계; 및 학습이 완료된 상기 열차속도 예측모델을 이용하여 상기 열차속도의 예측값을 획득하는 단계를 포함하는 열차속도 예측방법을 제공한다.

본 개시의 다른 실시예에 따르면, 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하되,상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써, 열차의 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터 및 열차속도 데이터를 획득하고, 상기 열차속도 데이터를 기초로 상기 복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터를 열차속도 연관데이터로 결정하고, 상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시키고, 학습이 완료된 상기 열차속도 예측모델을 이용하여 상기 열차속도의 예측값을 획득하는 열차속도 예측장치를 제공한다.

일 실시예에 의하면, 열차의 속도 예측방법 및 장치는 미리 학습된 열차속도 예측모델을 이용하여 열차의 운행정보 데이터를 기초로 열차의 속도를 예측함으로써, 열차 제어를 위한 통신시스템의 장애가 발생하더라도 열차간 안전거리 제어가 가능한 효과가 있다.

또 다른 실시예에 의하면, 열차의 속도 예측방법 및 장치는 추가적인 시스템의 구성 없이 열차의 운행 하위시스템으로부터 수집되는 복수의 운행정보 데이터 중에서 열차속도 연관데이터에 해당하는 운행정보 데이터를 이용하여 열차의 속도를 예측하므로, 열차제어 시스템의 구축 및 운용비용을 절감할 수 있는 효과가 있다.

도 1은 본 개시의 일 실시예에 따른 열차속도 예측장치의 블록구성도이다.
도 2는 본 개시의 일 실시예에 따른 열차속도 예측장치가 열차속도 연관데이터를 결정하는 과정을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른 열차속도 예측장치가 탑재된 가상편성 열차의 블록구성도이다.
도 4는 본 개시의 일 실시예에 따른 열차속도 예측방법을 설명하기 위한 순서도이다.

이하, 본 개시의 일부 실시예들을 예시적인 도면을 이용해 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면 상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

본 개시에 따른 실시예의 구성요소를 설명하는 데 있어서, 제1, 제2, i), ii), a), b) 등의 부호를 사용할 수 있다. 이러한 부호는 그 구성요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 부호에 의해 해당 구성요소의 본질 또는 차례나 순서 등이 한정되지 않는다. 명세서에서 어떤 부분이 어떤 구성요소를 '포함' 또는 '구비'한다고 할 때, 이는 명시적으로 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 발명에 따른 장치 또는 방법의 각 구성요소는 하드웨어 또는 소프트웨어로 구현되거나, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 각 구성요소의 기능이 소프트웨어로 구현되고 마이크로프로세서가 각 구성요소에 대응하는 소프트웨어의 기능을 실행하도록 구현될 수도 있다.

도 1은 본 개시의 일 실시예에 따른 열차속도 예측장치의 블록구성도이다.

도 1을 참조하면, 일 실시예에 따른 열차속도 예측장치(100)는 통신부(communication unit, 110), 프로세서(processor, 120)및 메모리(memory, 130)를 전부 또는 일부 포함한다. 여기서, 통신부(110), 프로세서(120) 및 메모리(130)는 버스(140)를 통하여 상호 데이터를 전송하는 것이 가능하다.

도 1에 도시된 모든 블록이 열차속도 예측장치(100)의 필수 구성요소는 아니며, 다른 실시예에서 열차속도 예측장치(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다.

통신부(110)는 열차의 운행과 관련된 하위시스템과 통신적으로 연결되어 운행정보 데이터를 수신할 수 있다. 예를 들면, 통신부(110)는 열차차량의 차상에 구비되어 있는 다양한 하위시스템과 유선 또는 무선으로 연결되어 운행정보 데이터를 구성하는 적어도 하나 이상의 파라미터 값을 수신하여 프로세서(120)에 전달하거나, 메모리(130)에 저장할 수 있다.

여기서, 열차의 운행과 관련된 하위시스템은 열차가 동작 및 운행하는데 있어서 필요한 일반적이면서도 공통적인 기능들을 수행하는 시스템을 의미한다. 예를 들면, 열차의 운행과 관련된 하위시스템은 주간제어기(master controller)와 같은 운전석 제어장치, 추진 시스템, 제동 시스템, 팬터그래프(pantograph) 시스템, 무선통신 시스템, 오도메트리(odometry) 장치, 차축 가속도계, 보조전원장치, 출입문 개폐장치, HVAC(Heating, Ventilation, and Air Conditioning)장치, 비상브레이크 장치, 블랙박스 시스템 등을 포함할 수 있다.

이러한 다양한 하위시스템은 열차가 운행하는 과정에서 열차를 제어하는데 필요한 각각의 운행정보 데이터를 수집하고, 통신적으로 연결된 열차차상 컴퓨터에 수집된 데이터를 전송한다. 열차차상 컴퓨터는 해당 운행정보 데이터를 필요로 하는 다양한 제어기나 외부서버, 예를 들면, 열차관제시스템의 서버와 같이 열차 외부에 존재하는 다양한 서버에 해당 데이터를 전송할 수 있다.

통신부(110)는 열차속도의 예측값을 송신할 수 있다. 예를 들면, 통신부(110)는 열차속도 예측모델을 이용하여 획득한 열차속도의 예측값을 해당 열차의 제어에 이용할 수 있도록 열차차상 컴퓨터 또는 지상의 열차관제 시스템에 송신하거나, 후행 열차가 안전거리 제어에 이용할 수 있도록 후행 열차의 통신 시스템에 직접 전송할 수도 있다.

프로세서(120)는 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터 및 열차속도 데이터를 획득한다. 여기서, 복수의 운행정보 데이터 및 열차속도 데이터는 열차가 운행경로 상의 제1 지점에 위치한 시점부터 제2 지점에 위치한 시점까지의 시구간 동안 미리 설정된 주기마다 수집된 시계열 데이터일 수 있다.

운행 하위시스템은 운행에 필요한 다양한 시스템 또는 장치를 포함하고 있으며, 시스템 또는 장비에서 수집되는 운행정보 데이터는 각기 다른 복수의 필드로 구성된 정보를 포함할 수 있다. 예를 들면, 운행정보 데이터는 식별번호정보, 현재시각정보, 전진 또는 후진으로 구분되는 열차진행방향에 관한 정보, 추진 또는 제동 출력값에 관한 정보, 추진 또는 제동상태에 관한 정보, 열차역 정차여부에 관한 정보, 열차운전모드 정보, 제한속도, 최대허가속도와 같은 운전속도조건에 관한 정보, 열차에서 측정된 속도정보, 속도제한지점까지의 거리정보, 주공기압축 상태정보, 마스터시각 정보, 가선전압정보, 다음정차역 ID 또는 종착역 ID와 같은 정차역 식별정보, 목표지점까지의 거리정보, 열차를 구성하는 각 열차차량에서의 제동실린더압력에 관한 정보, 객실내부온도에 관한 정보, 객실외부온도 정보, 편성번호에 관한 정보, 열차길이에 관한 정보 등의 다양한 필드에 속하는 정보를 포함할 수 있다.

프로세서(120)는 열차속도 데이터를 획득한다. 여기서, 열차속도 데이터는 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터를 획득한다. 이러한 다양한 필드에 속하는 정보에 대한 운행정보 데이터는 속도값, 출력값 또는 거리값과 같이 정량적으로 일정한 값을 갖는 파라미터로 구성된 운행정보 데이터일 수 있을 뿐만 아니라, 직접 측정할 수 없거나 정량적으로 일정한 값을 갖는 파라미터로 구성되지 않는 운행정보 데이터일 수 있다.

프로세서(120)는 직접 측정할 수 없거나 정량적으로 일정한 값을 갖는 파라미터로 구성되지 않는 운행정보 데이터의 파라미터 값을 미리 설정된 값으로 치환하여 운행정보 데이터를 생성할 수 있다.

예를 들면, 열차운전모드는 수동, 자동 및 반자동 중 어느 하나가 될 수 있으며, 각각의 운전모드에 대응하는 파라미터 값을 수동은 0, 반자동은 1, 자동은 2로 설정할 수 있다. 또 다른 예를 들면, 열차진행방향에 대한 파라미터는 전진의 경우 1 또는후진의 경우 0의 값으로 설정할 수 있으며, 추진 또는 제동상태에 대한 파라미터는 추진 또는 제동 동작시에는 1, 추진 또는 제동 비동작시에는 0의 값을 갖도록 설정할 수 있다.

또한, 프로세서(120)는 정량적으로 일정한 값을 갖는 파라미터로 구성된 운행정보 데이터를 미리 설정된 범위 내의 값을 갖도록 파라미터의 값을 정규화할 수도 있다. 예를 들면,추진 또는 제동 출력에 대한 파라미터의 값을 +100 내지 -100 범위 내의 값을 가지도록 정규화할 수 있다. 여기서, 추진 출력값의 경우 양의 정수, 제동 출력값의 경우에는 음의 정수, 추진동작 및 제동동작을 하지 않는 경우에는 0의 파라미터 값을 가지도록 설정될 수 있다.

복수의 운행정보 데이터 및 열차속도 데이터는 특정 시구간에서 미리 설정된 복수의 시점에 각각 대응하는 복수의 파라미터 값을 포함하는 시계열 데이터이다. 예를 들면, 열차속도 데이터는 운행 중인 열차의 제1 시점에서 제2 시점 동안 미리 설정된 주기의 시간 경과시마다 측정된 n 개의 열차속도값을 포함할 수 있다. 그리고, 복수의 운행정보 데이터는 상기 n 개의 열차속도값에 대한 측정시점과 동일한 시점에 수집된 n개의 운행정보 파라미터 값을 각각 포함할 수 있다.

프로세서(120)는 열차속도 데이터를 기초로 복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터를 열차속도 연관데이터로 결정한다.

복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터는 열차의 이동과 연관된 운행정보에 관한 데이터일 수 있다. 예를 들면, 제한속도(permitted speed)에 관한 정보, 열차의 위치정보, 열차가 출발지로부터 이동한 거리정보, 노선상의 다음 열차역식별정보, 다음 열차역까지 또는 정차지점까지 잔여거리정보, 열차의 운전모드 정보, 통신 인터페이스 상태정보 등은 열차의 이동상태에 따라 달라질 수 있는 정보로서, 열차의 이동과 상호관련성을 갖는 운행정보이다.

프로세서(120)는 이러한 열차의 이동과 연관된 운행정보에 대응되는 운행정보 데이터를 분석하여 열차의 속도 변화와 연관성을 갖는 운행정보에 관한 데이터를 선별하고, 선별된 데이터를 열차속도 연관데이터로 결정할 수 있다. 여기서, 열차의 속도 변화와의 연관성은 열차속도 데이터를 구성하는 n개의 속도값의 변화와 운행정보 데이터 각각에 포함된 n개의 파라미터 값의 변화를 비교한 결과를 기초로 결정된다.

프로세서(120)는 열차속도 데이터에 대한 시계열적 변동패턴을 획득하고, 복수의 운행정보 데이터 중에서 열차속도 데이터에 대한 시계열적 변동패턴과 연관성이 있는 변동패턴을 갖는 적어도 하나의 운행정보 데이터를 열차속도 연관데이터로 결정한다. 예를 들면, 열차속도 데이터의 속도값이 변화하는 시점과 동일한 시점, 일정시간 이전 시점 또는 일정시간 이후 시점에 파라미터 값이 변하는 경우, 해당 열차속도 데이터를 열차속도 연관데이터로 결정할 수 있다. 여기서, 열차속도 데이터에 대한 시계열적 변동은 열차속도 데이터에 대한 시계열적 변동과 동일한 패턴으로 증가 또는 감소하는 패턴을 가질 수 있으나 이에 한정되는 것은 아니다. 예를 들면, 열차속도 데이터가 증가하는 시점에 열차속도 데이터의 파라미터 값이 감소하고 열차속도 데이터가 감소하는 시점에 열차속도 데이터의 파라미터 값은 증가하는 변동 패턴을 갖거나, 열차속도 데이터가 증가하는 시점 또는 감소하는 시점에만 변동하는 패턴을 갖는 운행정보 데이터를 열차속도 연관데이터로 결정할 수 있다.

프로세서(120)는 열차속도 데이터 및 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시킨다. 여기서, 열차속도 예측모델은 열차속도 연관데이터의 파라미터 값의 변동과 열차속도의 변동간의 상관관계를 학습하고, 열차속도 연관데이터에 해당하는 열차 운행정보의 파라미터 값이 입력되면 그에 대응하는 열차속도 값의 변화를 예측할 수 있다.

프로세서(120)는 열차속도 데이터 및 열차속도 연관데이터를 기초로 열차속도 예측모델의 학습데이터를 생성한다. 여기서, 학습데이터는 임의의 시점 및 적어도 하나 이상의 이전시점에 대응하는 상기 열차속도 연관데이터의 특성값(feature value)을 기초로 생성한 열차속도 예측모델의 입력데이터와, 임의의 시점 및 적어도 하나 이상의 이후 시점에 대응하는 열차속도값을 기초로 생성된 입력데이터에 대한 정답데이터로 구성된 복수의 데이터 셋을 포함한다.

열차속도 예측모델의 입력데이터는 열차속도 연관데이터를 기초로 생성된 특성값을 포함한다. 여기서, 특성값은 기준시점에 대한 특성값, 과거시점에 대한 특성값, 통계적 특성값(Statistical features) 및 교차특성값(crossed feature) 중 적어도 하나를 포함할 수 있다. 여기서, 기준시점은 열차속도의 예측을 실행하는 임의의 시점으로, 열차속도 예측모델은 기준시점 및 그 이전의 과거시점에 대한 시계열 데이터를 기초로 기준시점 이후 시점에 대한 열차속도를 예측하도록 학습될 수 있다.

기준시점에 대한 특성값은 열차속도 연관데이터의 n개의 파라미터 값 중에서 기준시점에 대한 파라미터 값이다. 예를 들면, 기준시점에 대한 특성값은 해당 기준시점에 대한 열차의 제한운전속도, 추진 또는 제동 출력값 또는 추진상태 또는 제동상태 파라미터값일 수 있다.

과거시점에 대한 특성값은 열차속도 연관데이터의 n개의 파라미터 값 중에서 기준시점보다 이전인 적어도 하나의 시점에 대한 파라미터 값이다. 예를 들면, 과거시점에 대한 특성값은 복수의 이전시점 각각에 대한 열차의 제한운전속도, 추진 또는 제동 출력값 또는 추진상태 또는 제동상태 파라미터값일 수 있다.

통계적 특성값은 열차속도 연관데이터의 n개의 파라미터 값 중에서 기준시점에 대한 특성값 및 과거시점에 대한 특성값을 기초로 미리 설정된 시구간별로 생성한 통계값이다. 예를 들면, 통계적 특성값은 상술한 기준시점에 대한 특성값 및 과거시점에 대한 특성값에 대한 평균값 및 표준편차값, 어느 하나의 시점에 대한 특성값과 그 직전 시점에 대한 특성값의 차이값일 수 있다.

교차특성값(crossed feature)은 기준시점에 대한 특성값과 과거시점에 대한 특성값을 합성한 특성값이다. 예를 들면, 교차특성값은 상술한 기준시점에 대한 특성값과 과거시점에 대한 특성값을 곱한 값일 수 있다.

열차속도 예측모델의 정답데이터(ground truth data)는 기준시점 및 적어도 하나 이상의 이후 시점에 대응하는 열차속도값을 포함한다. 열차속도 예측모델은 기준시점 및 기준시점 이전 시점에 대한 데이터 값의 변화 추이로부터 기준시점 및 그 이후 시점에 대한 열차속도값을 예측하므로, 기준시점 및 그 이후 시점에 대한 열차속도의 예측값과 실제값을 비교하며 학습을 수행한다. 따라서, 열차속도 예측모델의 학습데이터는 기준시점 및 기준시점 이전 시점에 대한 입력데이터에 대응하는 기준시점 및 기준시점 이후시점에 대한 정답 데이터를 포함한다. 예를 들면, 열차속도 예측모델의 학습데이터는 기준시점인 t시점과 t-1, t-2 및 t-3 시점에 대한 입력데이터와, t시점과 t+1, t+2 및 t+3 시점에 대한 정답데이터를 포함할 수 있으나 이에 한정되는 것은 아니며, 정답 데이터는 t시점과 t+1, t+2 및 t+3 시점 중 어느 하나의 시점에 대한 정답데이터로 구성될 수 있다.

프로세서(120)는 열차속도 예측모델의 학습데이터를 기초로 열차속도 예측모델을 학습시킨다. 본 개시의 일 실시예에 따르면, 열차속도 예측모델은 각각의 시점별 입력 데이터가 시간적 순서를 고려하여 입력되면, 예측 시점에 대한 열차속도의 예측값을 출력하도록 현재 메모리 셀에 이전 메모리 셀 상태를 반영할지 여부를 결정하는 망각 게이트(Forget Gate)를 포함하는 장단기 메모리(Long Short Term Memory, LSTM) 셀을 포함하는 순환신경망(RNN) 기반의 인공신경망 모델로 구성될 수 있다.

프로세서(120)는 열차속도 예측모델에 학습데이터를 입력한다. 여기서, 열차속도 예측모델의 장단기메모리(LSTM) 신경망에는 학습데이터에 포함된 입력데이터와 정답 데이터가 시간적 순서에 따라 순차적으로 입력된다.

장단기메모리(LSTM) 신경망은 입력데이터를 기초로 매 예측시점에 대한 열차속도의 예측값을 순차적으로 출력한다. 프로세서(120)는 열차속도의 예측값과 그에 대응되는 정답데이터를 비교하여 장단기메모리(LSTM) 신경망의 가중치를 갱신하며 열차속도 예측모델의 학습을 수행한다. 학습이 반복됨에 따라 가중치는 최적화된 값에 가까워지며, 열차속도 예측모델의 예측정확도는 향상된다.

열차속도 예측모델의 학습이 완료되면, 프로세서(120)는 학습이 완료된 열차속도 예측모델을 이용하여 열차속도의 예측값을 획득한다.

프로세서(120)는 학습이 완료된 열차속도 예측모델에 현재시점에 대한 열차속도 연관데이터를 입력한다. 열차속도 예측모델은 입력된 열차속도 연관데이터의 파라미터 값을 기초로 현재시점 이후의 시점인 예측하고자 하는 시점의 열차속도 값을 출력한다. 여기서, 예측하고자 하는 시점은 현재시점으로부터 열차속도 예측모델의 입력데이터 입력주기와 동일한 시간이 도과된 시점일 수 있으나, 이에 한정되는 것은 아니며, 현재시점으로부터 미리 설정된 시간 이후의 시점, 예를 들면 열차속도 예측모델의 입력데이터 입력주기의 a 배 시간 이후의 시점으로 설정될 수 있다(a는 임의의 자연수).

메모리(130)는 열차속도 예측장치(100)에 의해 사용되거나 그에 의해 출력되는 정보를 저장하기 위한 휘발성메모리, 영구, 가상 또는 다른 종류의 메모리를 포함할 수 있다. 예를 들면, 메모리(130)는 랜덤 액세스 메모리(random access memory, RAM) 또는 다이내믹 RAM(dynamic RAM, DRAM)을 포함할 수 있다.

메모리(130)는 열차속도예측장치(100)의 동작을 위한 기본 프로그램, 응용 프로그램, 네트워크 설정정보 등을 저장한다. 그리고, 메모리(130)는 프로세서(120)의 요청에 따라 저장된 정보를 프로세서(120)에 제공할 수 있다

메모리(130)는 프로세서(120)의 처리 또는 제어를 위한 다양한 데이터를 저장할 수 있다. 예를 들면, 메모리(130)에는 복수의 운행정보 데이터, 열차속도 데이터 및 열차속도 연관데이터 설정정보가 저장될 수 있다.

또한, 메모리(130)는 프로세서(120)가 생성한 다양한 데이터를 저장할 수 있다. 예를 들면, 메모리(130)에는 열차속도 예측모델의 학습데이터 및 학습이 완료된 열차속도 예측모델에 관한 데이터가 저장될 수 있다.

도 2는 본 개시의 일 실시예에 따른 열차속도 예측장치가 열차속도 연관데이터를 결정하는 과정을 설명하기 위한 도면이다.

도 2를 참조하면, 열차속도 예측장치는 열차속도 데이터(230) 및 운행정보 데이터(240)를 획득한다. 여기서, 열차속도 데이터(230)는 T의 시간길이를 갖는 시구간(220)에 해당하는

시점에서

시점까지의 시간별 열차속도정보(210)를 기초로 생성될 수 있다. 구체적으로, 열차속도 데이터(230)는

시점에서

시점까지 미리 설정된 주기마다 측정된 열차속도 값을 포함하는 시계열 데이터이다.

운행정보 데이터(240)는 열차의 하위시스템으로부터 수집된 복수의 운행정보 데이터 중에서 어느 하나의 데이터이다. 여기서, 운행정보 데이터(240)는 열차의 추진 또는 제동 출력에 관한 운행정보이며, 추진 또는 제동 출력에 대한 파라미터값이 -10 내지 10 범위 내의 정수 중에서 어느 하나의 정수값을 갖도록 정규화된 데이터이다.

운행정보 데이터(240)는 열차속도 데이터(230)의 열차속도 값에 대응되는 시점과 동일 시점에 대한 열차의 추진 또는 제동 출력에 대한 정규화된 파라미터 값을 포함한다. 구체적으로, 운행정보 데이터(240)는 열차속도 데이터(230)와 마찬가지로

시점에서

시점까지 미리 설정된 주기마다 측정된 열차의 추진 또는 제동 출력에 관한 파라미터 값을 포함하는 시계열 데이터이다.

열차속도 예측장치는 열차속도 데이터(230)에 대한 시계열적 변동패턴과 운행정보 데이터(240)에 대한 시계열적 변동패턴을 분석하여, 두 변동패턴간에 상호 연관성이 나타나는지 여부를 결정한다.

열차속도 데이터(230)를 참조하면, 열차속도값은

시점에서

시점까지의 첫 번째 구간에서는 v로 일정하게 유지된다. 그 이후에,

시점에서

시점까지의 두 번째 구간에서는 열차속도 값이 v에서 1.2v로 증가하고,

시점에서

시점까지의 세 번째 구간에서는 1.2v에서 1.5v로 더 급격히 증가하는 패턴을 보인다.

반면에,

시점에서

시점까지의 네 번째 구간에서는 열차속도 값이 1.5v에서 1.1v로 감소하고,

시점에서

시점까지의 다섯 번째 구간에서는 1.1v에서 0.5v까지 더 급격하게 감소하는 패턴을 보인다.

열차속도 데이터(230)에 대비되는 운행정보 데이터(240)를 참조하면, 열차의 추진 및 제동 출력값은

시점에서

시점까지의 첫 번째 구간에서는 0의 값을 갖는다. 그 이후에,

시점에서

시점까지의 두 번째 구간에서는 출력값이 4로 나타나며,

시점에서

시점까지의 세 번째 구간에서는 출력값이 2로 유지되는 패턴을 보인다. 즉, 첫 번째 구간에서 열차의 추진장치 및 제동장치 중 어느 장치도 동작하지 않고 있으며, 두 번째 구간에서는 가속장치가 4의 강도로 동작하고 있으며, 세 번째 구간에 이르러서는 가속장치가 동작하되 2의 강도로 동작하였음을 알 수 있다.

반면에,

시점에서

시점까지의 네 번째 구간에서는 출력값이 -3로 나타나며,

시점에서

시점까지의 다섯 번째 구간에서는 -4로 나타나는 패턴을 보인다. 즉, 네 번째 구간에서는 감속장치가 3의 강도로 동작하고 있으며, 다섯 번째 구간에 이르러서는 감속장치가 동작하되 4의 강도로 동작하였음을 알 수 있다.

열차속도 데이터(230)에 대한 시계열적 변동패턴과 운행정보 데이터(240)에 대한 시계열적 변동패턴을 비교하면, 열차의 속도에 변화가 없는 첫 번째 구간에서 추진 및 감속장치의 출력도 0의 값을 갖는다. 또한, 열차의 속도가 증가하는 구간인 두 번째 및 세 번째 구간에서 추진 및 감속장치의 출력은 양의 정수값을 가지며, 열차의 속도가 감소하는 구간인 네 번째 및 다섯 번째 구간에서는 추진 및 감속장치의 출력이 음의 정수값을 갖는다. 즉, 열차속도 데이터(230) 및 운행정보 데이터(240)는 서로 연관된 변동패턴을 갖는다고 판단할 수 있다.

또한 다른 실시예에 따라 열차속도 데이터(230)에 대한 시계열적 변동패턴과 운행정보 데이터(240)에 대한 시계열적 변동패턴을 비교하면, 운행정보 데이터(240)의 각 시점에 대한 출력값은 대응되는 시구간에서의 열차속도의 증가량 또는 감소량에 비례하는 패턴을 갖는다. 이는 운행정보 데이터(240)에서의 추진 및 감속장치의 출력값이 결과적으로 열차의 가속도 값과 직접 연관된다는 점을 고려하면 자명한 결과이다. 따라서, 이러한 관점에서도, 열차속도 데이터(230) 및 운행정보 데이터(240)는 서로 연관된 변동패턴을 갖는다고 판단할 수 있다.

상술한 바와 같이 열차속도예측장치는 운행정보 데이터의 파라미터 값이 열차속도값에 따라 직접적으로 변경되는 경우뿐 아니라, 열차속도값의 변화에 따라 변경되는 경우에도 운행정보 데이터가 열차속도 데이터와 밀접하게 연관되어 있다고 판단하고, 운행정보 데이터를 열차속도 예측을 위한 열차속도 연관데이터로 결정한다.

열차속도 예측장치는 복수의 운행정보 데이터 각각에 대하여 열차속도 데이터의 시계열적 변동패턴과의 비교를 수행하여, 복수의 운행정보 데이터 중에서 열차속도의 변화와 밀접하게 연관되어 있는 운행정보 데이터를 식별한다.

도 3은 본 개시의 일 실시예에 따른 열차속도 예측장치가 탑재된 가상편성 열차의 블록구성도이다.

도 3을 참조하면, 열차속도 예측장치(312, 322)는 제1 열차(310) 및 제2 열차(320)에 각각 탑재된다. 여기서, 제1 열차(310) 및 제2 열차(320)는 동일 노선(340)에서 가상편성을 구성하는 선행열차 및 후행열차이며, 해당 가상편성의 운행시, 후행열차인 제2 열차(320)는 선행하는 제1 열차(310)의 속도정보를 기초로 미리 설정된 안전거리를 유지하며 운행한다. 그리고, 제1 열차(310)는 제2 열차(320)에 가상편성의 운행에 필요한 데이터를 무선통신(330)을 이용하여 송신할 수 있다.

제1 열차(310)는 열차를 제어하기 위한 열차차상 컴퓨터(311), 열차의 운행정보를 기초로 열차의 속도를 예측하는 열차속도 예측장치(312), 메모리(313), 열차의 하부시스템에 해당하는 추진제어장치(315), 제동장치(316), 기타 하부장치(317) 및 열차 내 탑재된 시스템 및 장치를 제어하기 위한 열차제어장치(314)가 탑재될 수 있다.

제1 열차(310)의 열차속도 예측장치(312) 열차 내의 하부시스템인 추진제어장치(315), 제동장치(316), 기타 하부장치(317) 및 열차제어장치(314)로부터 획득한 운행정보를 획득하여 열차의 미래 속도를 예측한다. 제1 열차(310)는 무선통신(330)을 이용하여 후행하는 제2 열차(320)에 열차의 미래 속도정보를 직접 전송한다.

제2 열차(320)는 열차를 제어하기 위한 열차차상 컴퓨터(321), 열차의 운행정보를 기초로 열차의 속도를 예측하는 열차속도 예측장치(322) 및 메모리(313)가 탑재될 수 있으나, 이에 한정되는 것은 아니며, 다른 실시예에 따르면, 제1 열차(310)와 마찬가지로 제2 열차(320)의 하부시스템으로부터 운행정보를 수집하기 위한 추가 구성요소가 추가로 탑재될 수 있다.

제2 열차(320)의 열차차상 컴퓨터(321)는 제1 열차(310)의 운행상태에 관한 정보를 기초로 제1 열차(310)와의 안전거리를 실시간으로 계산하고, 열차를 제어한다. 따라서, 제2 열차(320)는 제1 열차(310)로부터 전송된 제1 열차(310)의미래 속도정보와 제2 열차(320)의 현재 속도정보를 이용하여 안전거리를 실시간으로 계산할 수 있다.

또 다른 실시예에 따르면, 제2 열차(320)의 열차차상 컴퓨터(321)는 제1 열차(310)로부터 전송된 제1 열차(310)의 미래 속도정보와 제2 열차(320)의 열차속도 예측장치(322)가 예측한 제2 열차(320)의 미래 속도정보를 기초로 열차의 안전거리를 능동적으로 제어할 수 있다.

여기서, 제2 열차(320)의 열차속도 예측장치(322)는 제1 열차(310)에서 전송된 운행정보 데이터를 기초로 열차속도를 예측할 수 있다. 여기서, 제1 열차(310)에서 전송된 운행정보 데이터는 열차속도 연관데이터로 결정된 데이터일 수 있다. 따라서, 제2 열차(320)는 열차에 추가적인 센서나 부가적인 장비를 구비하지 않더라도 속도의 예측이 가능하다.

일 실시예에 따라, 열차속도 예측장치(312, 322)는 열차의 위치정보와 연계된 운행정보를 기초로 학습된 열차속도 예측모델을 포함할 수 있다. 예를 들면, 열차의 속도 변동 추이는 열차가 운행하는 노선에 따라 서로 달라질 수 있으므로, 어느 특정 노선에서 운행하는 열차의 경우에는 해당 노선에 대하여 학습된 열차속도 예측모델을 적용하여 열차속도의 예측 정확도를 향상시킬 수 있다.

또 다른 실시예에 따라, 열차속도 예측장치(312, 322)는 열차의 차종정보와 연계된 운행정보를 기초로 학습된 열차속도 예측모델을 포함할 수 있다. 예를 들면, 열차의 하부시스템에서 수집된 운행정보 데이터가 동일하다고 하여도 그에 따른 열차의 속도 변동 추이는 열차의 차종에 따라 서로 달라질 수 있다. 따라서, 특정 열차에 탑재되는 열차속도 예측장치에는 동일한 차종의 열차에 대하여 학습된 열차속도 예측모델을 적용하여 열차속도의 예측 정확도를 향상시킬 수 있다.

도 4는 본 개시의 일 실시예에 따른 열차속도 예측방법을 설명하기 위한 순서도이다.

도 4를 참조하면, 열차속도 예측장치는 열차의 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터 및 열차속도 데이터를 획득한다(S410). 여기서, 복수의 운행정보 데이터 및 열차속도 데이터는 열차가 운행경로 상의 제1 지점에 위치한 시점부터 제2 지점에 위치한 시점까지의 시구간 동안 미리 설정된 주기마다 수집된 시계열 데이터일 수 있다.

운행 하위시스템은 운행에 필요한 다양한 시스템 또는 장치를 포함하고 있으며, 시스템 또는 장비에서 수집되는 운행정보 데이터는 각기 다른 복수의 필드로 구성된 정보를 포함할 수 있다.

열차속도 예측장치는 열차속도 데이터를 획득한다. 여기서, 열차속도 데이터는 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터를 획득한다. 이러한 다양한 필드에 속하는 정보에 대한 운행정보 데이터는 속도값, 출력값 또는 거리값과 같이 정량적으로 일정한 값을 갖는 파라미터로 구성된 운행정보 데이터일 수 있을 뿐만 아니라, 직접 측정할 수 없거나 정량적으로 일정한 값을 갖는 파라미터로 구성되지 않는 운행정보 데이터일 수 있다.

열차속도 예측장치는 직접 측정할 수 없거나 정량적으로 일정한 값을 갖는 파라미터로 구성되지 않는 운행정보 데이터의 파라미터 값을 미리 설정된 값으로 치환하여 운행정보 데이터를 생성할 수 있다. 또한, 열차속도 예측장치는 정량적으로 일정한 값을 갖는 파라미터로 구성된 운행정보 데이터를 미리 설정된 범위 내의 값을 갖도록 파라미터의 값을 정규화할 수도 있다.

복수의 운행정보 데이터 및 열차속도 데이터는 특정 시구간에서 미리 설정된 복수의 시점에 각각 대응하는 복수의 파라미터 값을 포함하는 시계열 데이터이다.예를 들면, 열차속도 데이터는 운행 중인 열차의 제1 시점에서 제2 시점 동안 미리 설정된 주기의 시간 경과시마다 측정된 n 개의 열차속도값을 포함할 수 있다. 그리고, 복수의 운행정보 데이터는 상기 n 개의 열차속도값에 대한 측정시점과 동일한 시점에 수집된 n 개의 운행정보 파라미터 값을 각각 포함할 수 있다.

열차속도 예측장치는 열차속도 데이터를 기초로 복수의 운행정보 데이터 중에서 적어도 하나를 열차속도 연관데이터로 결정한다(S420).

복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터는 열차의 이동과 연관된 운행정보에 관한 데이터일 수 있다. 열차속도 예측장치는 이러한 열차의 이동과 연관된 운행정보에 대응되는 운행정보 데이터를 분석하여 열차의 속도 변화와 연관성을 갖는 운행정보에 관한 데이터를 선별하고, 선별된 데이터를 열차속도 연관데이터로 결정할 수 있다. 여기서, 열차의 속도 변화와의 연관성은 열차속도 데이터를 구성하는 n 개의 속도값의 변화와 운행정보 데이터 각각에 포함된 n 개의 파라미터 값의 변화를 비교한 결과를 기초로 결정된다.

열차속도 예측장치는 열차속도 데이터에 대한 시계열적 변동패턴을 획득하고, 복수의 운행정보 데이터 중에서 열차속도 데이터에 대한 시계열적 변동패턴과 연관성이 있는 변동패턴을 갖는 적어도 하나의 운행정보 데이터를 열차속도 연관데이터로 결정한다. 예를 들면, 열차속도 데이터의 속도값이 변화하는 시점과 동일한 시점, 일정시간 이전 시점 또는 일정시간 이후 시점에 파라미터 값이 변하는 경우, 해당 열차속도 데이터를 열차속도 연관데이터로 결정할 수 있다.

여기서, 열차속도 데이터에 대한 시계열적 변동은 열차속도 데이터에 대한 시계열적 변동과 동일한 패턴으로 증가 또는 감소하는 패턴을 가질 수 있으나 이에 한정되는 것은 아니다. 예를 들면, 열차속도 데이터가 증가하는 시점에 열차속도 데이터의 파라미터 값이 감소하고 열차속도 데이터가 감소하는 시점에 열차속도 데이터의 파라미터 값은 증가하는 변동 패턴을 갖거나, 열차속도 데이터가 증가하는 시점 또는 감소하는 시점에만 변동하는 패턴을 갖는 운행정보 데이터를 열차속도 연관데이터로 결정할 수 있다.

열차속도 예측장치는 열차속도 데이터 및 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시킨다(S430). 여기서, 열차속도 예측모델은 열차속도 연관데이터의 파라미터 값의 변동과 열차속도의 변동간의 상관관계를 학습하고, 열차속도 연관데이터에 해당하는 열차 운행정보의 파라미터 값이 입력되면 그에 대응하는 열차속도 값의 변화를 예측할 수 있다.

열차속도 예측장치는 열차속도 데이터 및 열차속도 연관데이터를 기초로 열차속도 예측모델의 학습데이터를 생성한다. 여기서, 학습데이터는 임의의 시점 및 적어도 하나 이상의 이전시점에 대응하는 상기 열차속도 연관데이터의 특성값을 기초로 생성한 열차속도 예측모델의 입력데이터와, 임의의 시점 및 적어도 하나 이상의 이후 시점에 대응하는 열차속도값을 기초로 생성된 입력데이터에 대한 정답데이터로 구성된 복수의 데이터 셋을 포함한다.

열차속도 예측모델의 입력데이터는 열차속도 연관데이터를 기초로 생성된 특성값을 포함한다. 여기서, 특성값은 기준시점에 대한 특성값, 과거시점에 대한 특성값, 통계적 특성값 및 교차특성값 중 적어도 하나를 포함할 수 있다. 여기서, 기준시점은 열차속도의 예측을 실행하는 임의의 시점으로, 열차속도 예측모델은 기준시점 및 그 이전의 과거시점에 대한 시계열 데이터를 기초로 기준시점 이후 시점에 대한 열차속도를 예측하도록 학습될 수 있다.

기준시점에 대한 특성값은 열차속도 연관데이터의 n개의 파라미터 값 중에서 기준시점에 대한 파라미터 값이다. 과거시점에 대한 특성값은 열차속도 연관데이터의 n개의 파라미터 값 중에서 기준시점보다 이전인 적어도 하나의 시점에 대한 파라미터 값이다.

통계적 특성값은 열차속도 연관데이터의 n 개의 파라미터 값 중에서 기준시점에 대한 특성값 및 과거시점에 대한 특성값을 기초로 미리 설정된 시구간 별로 생성한 통계값이다. 예를 들면, 통계적 특성값은 상술한 기준시점에 대한 특성값 및 과거시점에 대한 특성값에 대한 평균값 및 표준편차값, 어느 하나의 시점에 대한 특성값과 그 직전 시점에 대한 특성값의 차이값일 수 있다.

교차특성값은 기준시점에 대한 특성값과 과거시점에 대한 특성값을 합성한 특성값이다. 예를 들면, 교차특성값은 상술한 기준시점에 대한 특성값과 과거시점에 대한 특성값을 곱한 값일 수 있다.

열차속도 예측모델의 정답데이터는 기준시점 및 적어도 하나 이상의 이후 시점에 대응하는 열차속도값을 포함한다. 열차속도 예측모델은 기준시점 및 기준시점 이전 시점에 대한 데이터 값의 변화 추이로부터 기준시점 및 그 이후 시점에 대한 열차속도값을 예측하므로, 기준시점 및 그 이후 시점에 대한 열차속도의 예측값과 실제값을 비교하며 학습을 수행한다. 따라서, 열차속도 예측모델의 학습데이터는 기준시점 및 기준시점 이전 시점에 대한 입력데이터에 대응하는 기준시점 및 기준시점 이후시점에 대한 정답 데이터를 포함한다.

열차속도 예측장치는 열차속도 예측모델의 학습데이터를 기초로 열차속도 예측모델을 학습시킨다. 본 개시의 일 실시예에 따르면, 열차속도 예측모델은 각각의 시점별 입력 데이터가 시간적 순서를 고려하여 입력되면, 예측 시점에 대한 열차속도의 예측값을 출력하도록 현재 메모리 셀에 이전 메모리 셀 상태를 반영할지 여부를 결정하는 망각 게이트(Forget Gate)를 포함하는 장단기 메모리(Long Short Term Memory, LSTM) 셀을 포함하는 순환신경망(RNN) 기반의 인공신경망 모델로 구성될 수 있다.

열차속도 예측장치는 열차속도 예측모델에 학습데이터를 입력한다. 여기서, 열차속도 예측모델의 장단기메모리(LSTM) 신경망에는 학습데이터에 포함된 입력데이터와 정답 데이터가 시간적 순서에 따라 순차적으로 입력된다.

장단기메모리(LSTM) 신경망은 입력데이터를 기초로 매 예측시점에 대한 열차속도의 예측값을 순차적으로 출력한다. 열차속도 예측장치는열차속도의 예측값과 그에 대응되는 정답데이터를 비교하여 장단기메모리(LSTM) 신경망의 가중치를 갱신하며 열차속도 예측모델의 학습을 수행한다. 학습이 반복됨에 따라 가중치는 최적화된 값에 가까워지며, 열차속도 예측모델의 예측정확도는 향상된다.

열차속도 예측장치는 학습이 완료된 열차속도 예측모델을 이용하여 열차속도의 예측값을 획득한다(S440).

본 명세서에 설명되는 시스템들 및 기법들의 다양한 구현예들은, 디지털 전자 회로, 집적회로, FPGA(field programmable gate array), ASIC(application specific integrated circuit), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합으로 실현될 수 있다. 이러한 다양한 구현예들은 프로그래밍가능 시스템 상에서 실행 가능한 하나 이상의 컴퓨터 프로그램들로 구현되는 것을 포함할 수 있다. 프로그래밍가능 시스템은, 저장 시스템, 적어도 하나의 입력 디바이스, 그리고 적어도 하나의 출력 디바이스로부터 데이터 및 명령들을 수신하고 이들에게 데이터 및 명령들을 전송하도록 결합되는 적어도 하나의 프로그래밍가능 프로세서(이것은 특수 목적 프로세서일 수 있거나 혹은 범용 프로세서일 수 있음)를 포함한다. 컴퓨터 프로그램들(이것은 또한 프로그램들, 소프트웨어, 소프트웨어 애플리케이션들 혹은 코드로서 알려져 있음)은 프로그래밍가능 프로세서에 대한 명령어들을 포함하며 "컴퓨터가 읽을 수 있는 기록매체"에 저장된다.

컴퓨터가 읽을 수 있는 기록매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는 기록매체는 ROM, CD-ROM, 자기 테이프, 플로피디스크, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등의 비휘발성(non-volatile) 또는 비일시적인(non-transitory) 매체일 수 있으며, 또한 데이터 전송 매체(data transmission medium)와 같은 일시적인(transitory) 매체를 더 포함할 수도 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.

본 명세서의 흐름도/타이밍도에서는 각 과정들을 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 개시의 일 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것이다. 다시 말해, 본 개시의 일 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 일 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 흐름도/타이밍도에 기재된 순서를 변경하여 실행하거나 각 과정들 중 하나 이상의 과정을 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 흐름도/타이밍도는 시계열적인 순서로 한정되는 것은 아니다.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 열차속도 예측장치
110: 통신부
120: 프로세서
130: 메모리

Claims (10)

1. 컴퓨팅 디바이스에서 수행되는 열차속도 예측방법에 있어서,
   열차의 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터 및 열차속도 데이터를 획득하는 단계;
   상기 열차속도 데이터를 기초로 상기 복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터를 열차속도 연관데이터로 결정하는 단계;
   상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시키는 단계; 및
   학습이 완료된 상기 열차속도 예측모델을 이용하여 상기 열차속도의 예측값을 획득하는 단계
   를 포함하는 열차속도 예측방법.
2. 제1항에 있어서,
   상기 복수의 운행정보 데이터 및 상기 열차속도 데이터는,
   상기 열차가 운행경로 상의 제1 지점에 위치한 시점부터 제2 지점에 위치한 시점까지의 시구간 동안 미리 설정된 주기로 수집된 시계열 데이터인
   열차속도 예측방법.
3. 제1항에 있어서,
   상기 열차속도 데이터를 기초로 상기 복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터를 열차속도 연관데이터로 결정하는 단계는,
   상기 열차속도 데이터에 대한 시계열적 변동패턴을 획득하는 단계; 및
   상기 복수의 운행정보 데이터 중에서 상기 열차속도 데이터에 대한 시계열적 변동패턴과 연관성이 있는 변동패턴을 갖는 적어도 하나의 운행정보 데이터를 결정하는 단계를 포함하는 열차속도 예측방법.
4. 제1항에 있어서,
   상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시키는 단계는,
   상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 상기 열차속도 예측모델의 학습데이터를 생성하는 단계; 및
   상기 학습데이터를 이용하여 상기 열차속도 연관데이터가 입력되면 상기 열차속도의 예측값을 출력하도록 상기 열차속도 예측모델을 딥러닝 알고리즘을 기초로 학습시키는 단계
   를 포함하는 열차속도 예측방법.
5. 제4항에 있어서,
   상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 상기 열차속도 예측모델의 학습데이터를 생성하는 단계는,
   임의의 시점 및 적어도 하나 이상의 이전시점에 대응하는 상기 열차속도 연관데이터의 특성값(feature value)을 기초로 열차속도 예측모델의 입력데이터를 생성하는 단계; 및
   상기 임의의 시점 및 적어도 하나 이상의 이후시점에 대응하는 상기 열차속도 데이터의 속도값을 기초로 상기 입력데이터에 대한 정답데이터를 생성하는 단계를 포함하는 열차속도 예측방법.
6. 하나 이상의 인스트럭션을 저장하는 메모리; 및
   상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하되,
   상기 프로세서는, 상기 하나 이상의 인스트럭션을 실행함으로써,
   열차의 운행 하위시스템으로부터 수집된 복수의 운행정보 데이터 및 열차속도 데이터를 획득하고,
   상기 열차속도 데이터를 기초로 상기 복수의 운행정보 데이터 중에서 적어도 하나 이상의 운행정보 데이터를 열차속도 연관데이터로 결정하고,
   상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 열차속도 예측모델을 학습시키고,
   학습이 완료된 상기 열차속도 예측모델을 이용하여 상기 열차속도의 예측값을 획득하는
   열차속도 예측장치.
7. 제6항에 있어서,
   상기 복수의 운행정보 데이터 및 상기 열차속도 데이터는,
   상기 열차가 운행경로 상의 제1 지점에 위치한 시점부터 제2 지점에 위치한 시점까지의 시구간 동안 미리 설정된 주기로 수집된 시계열 데이터인
   열차속도 예측장치.
8. 제6항에 있어서,
   상기 프로세서는,
   상기 열차속도 데이터에 대한 시계열적 변동패턴을 획득하고,
   상기 복수의 운행정보 데이터 중에서 상기 열차속도 데이터에 대한 시계열적 변동패턴과 연관성이 있는 변동패턴을 갖는 적어도 하나의 운행정보 데이터를 결정하는 열차속도 예측장치.
9. 제6항에 있어서,
   상기 프로세서는,
   상기 열차속도 데이터 및 상기 열차속도 연관데이터를 기초로 상기 열차속도 예측모델의 학습데이터를 생성하고,
   상기 학습데이터를 이용하여 상기 열차속도 연관데이터가 입력되면 상기 열차속도의 예측값을 출력하도록 상기 열차속도 예측모델을 딥러닝 알고리즘을 기초로 학습시키는 열차속도 예측장치.
10. 제9항에 있어서,
    상기 프로세서는,
    임의의 시점 및 적어도 하나 이상의 이전시점에 대응하는 상기 열차속도 연관데이터의 특성값(feature value)을 기초로 열차속도 예측모델의 입력데이터를 생성하고,
    상기 임의의 시점 및 적어도 하나 이상의 이후시점에 대응하는 상기 열차속도 데이터의 속도값을 기초로 상기 입력데이터에 대한 정답데이터를 생성하는 열차속도 예측장치.
    

Images