KR20230097257A - 불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치 - Google Patents

불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치 Download PDF

Info

Publication number
KR20230097257A
KR20230097257A KR1020210186117A KR20210186117A KR20230097257A KR 20230097257 A KR20230097257 A KR 20230097257A KR 1020210186117 A KR1020210186117 A KR 1020210186117A KR 20210186117 A KR20210186117 A KR 20210186117A KR 20230097257 A KR20230097257 A KR 20230097257A
Authority
KR
South Korea
Prior art keywords
time
average
passing
queue
transit time
Prior art date
Application number
KR1020210186117A
Other languages
English (en)
Inventor
유현상
손상규
강아영
이루다
엄재홍
Original Assignee
현대오토에버 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 현대오토에버 주식회사 filed Critical 현대오토에버 주식회사
Priority to KR1020210186117A priority Critical patent/KR20230097257A/ko
Priority to DE102022132629.2A priority patent/DE102022132629A1/de
Priority to US18/083,162 priority patent/US20230206754A1/en
Priority to CN202211648351.4A priority patent/CN116343468A/zh
Publication of KR20230097257A publication Critical patent/KR20230097257A/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
    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical 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
    • G08G1/0125—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
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096811—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard
    • G08G1/096816—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard where the complete route is transmitted to the vehicle at once
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G08G1/096844—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the complete route is dynamically recomputed based on new data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096855—Systems involving transmission of navigation instructions to the vehicle where the output is provided in a suitable form to the driver
    • G08G1/096866—Systems involving transmission of navigation instructions to the vehicle where the output is provided in a suitable form to the driver where the complete route is shown to the driver

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 실시예는 통과시간 예측 장치와 방법 및 이를 이용한 주행시간 예측 방법에 관한 것으로서, 더욱 상세하게는 교차로의 후방에 위치한 대기열구간을 통과하는 차량들의 속도에 대한 정보를 학습된 예측모델에 입력하여 대기열구간 통과시간을 예측하고, 이를 이용하여 사용자가 목적지에 도착하는 데에 소요되는 시간을 보다 정확히 예측하는 기술에 관한 것이다.

Description

불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치{METHOD FO PREDICTING THE PASSAGE TIME OF AN INTERSECTION IN CONSIDERATION OF IRREGULAR ROTATION AND SIGNAL WAITING, AND DEVICE USING THE SAME}
본 실시예는 불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치에 관한 것이다.
교통류(Traffic Flow)란, 단위시간동안 한 지점을 통과하는 차량의 대수를 의미하고, 연속류(Uninterrupted Flow)란, 교통흐름을 통제하는 외부영향이 개입되지 않은 교통류를 의미하며, 단속류(Interrupted Flow)란, 흐름이 연속적이지 못하고 신호등이나 기타 외부영향이 개입되는 교통류를 의미한다.
단속류의 예로는 신호교차로, 비신호교차로, 회전교차로 등이 있을 수 있다. 이와 같은 교차로에서는 교통의 흐름이 정체되는 대기열이 형성될 수 있고, 이는 차량의 회전대기 및 신호대기 등이 원인이 될 수 있다.
대기열은 차량의 주행속도 및 목적지 예측시간에 큰 영향을 미칠 수 있음에도 불구하고, 단속류에 형성되는 대기열은 교통정보에 대한 수집률이 낮다는 문제가 있으며, 이에 따라 목적지에 도착하기 위한 정확한 주행시간을 예측하기 어렵다는 문제가 있었다.
최근 들어, 인공지능에 대한 기술이 각광을 받으면서 이에 대한 연구가 활발히 이루어지고 있는데, 이러한 인공지능에 대한 기술 중 인공 신경망에 대한 기술을 이용한다면 예측하기 어려운 단속류에 대한 교통상황을 비교적 정확히 예측하여 사용자에게 확실한 통과시간 및 목적지 도착시간에 대해 안내가 가능해질 것이라 생각되었다.
이러한 배경에서, 본 실시예의 목적은 교차로에서 차량의 진행방향에 따른 대기열구간 통과시간을 계산하고, 이를 예측모델을 이용하여 미래의 차량의 진행방향 별 예측통과시간을 도출해내어 목적지에 최소의 시간으로 도달할 수 있는 경로를 계산하고 이를 사용자에게 제공하고자 한다.
전술한 목적을 달성하기 위하여, 일 실시예는, 교차로의 후방에 위치한 대기열구간을 통과하는 차량들의 속도를 포함하는 교통정보를 상기 대기열구간에서의 차량의 진행방향들 별로 수집하는 단계; 상기 교통정보와 상기 대기열구간의 길이를 이용하여 상기 대기열구간을 통과하는 차량들의 상기 진행방향들 별 통과시간들을 계산하고, 상기 통과시간들을 이용하여 상기 진행방향들 별 평균통과시간을 계산하는 단계; 미래의 통과시간을 예측하도록 학습된 예측모델에 상기 평균통과시간을 입력하는 단계; 및 상기 학습된 예측모델로부터 상기 진행방향들 별 예측통과시간이 도출되는 단계를 포함하는, 통과시간 예측 방법을 제공할 수 있다.
통과시간 예측 방법에서 상기 평균통과시간은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 상기 통과시간들이 산술평균 방식으로 계산됨으로써 도출될 수 있고, 상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다.
5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
통과시간 예측 방법에서 상기 예측모델은 과거로부터 누적된 평균통과시간들을 입력받아 학습할 수 있고, 상기 과거로부터 누적된 평균통과시간들은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출될 수 있고, 상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있고, 상기 예측통과시간은 상기 진행방향들 별로 실시간으로부터 미래 1시간까지 5분 단위로 나누어져 도출될 수 있다.
통과시간 예측 방법에서 상기 대기열구간은 차량의 진행방향들 별로 다르게 설정될 수 있다.
통과시간 예측 방법에서 상기 학습된 예측모델은 인공 신경망에 기초한 딥러닝(Deep Learning)으로 학습된 모델일 수 있다.
통과시간 예측 방법에서 상기 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 단계를 추가로 포함하고, 상기 학습된 예측모델에 상기 평균통과시간, 상기 대기열구간정보, 및 상기 환경정보가 입력될 수 있다.
전술한 목적을 달성하기 위하여, 다른 실시예는, 교차로의 후방에 위치한 대기열구간을 통과하는 차량들의 속도를 포함하는 교통정보를 상기 대기열구간에서의 차량의 진행방향들 별로 수집하는 수집회로; 상기 교통정보와 상기 대기열구간의 길이를 이용하여 상기 대기열구간을 통과하는 차량들의 상기 진행방향들 별 통과시간들을 계산하고, 상기 통과시간들을 이용하여 상기 진행방향들 별 평균통과시간을 계산하는 연산회로; 및 미래의 통과시간을 예측하도록 학습된 예측모델을 포함하고, 상기 학습된 예측모델에 상기 평균통과시간을 입력하고, 상기 진행방향들 별 예측통과시간이 도출되는 예측회로; 를 포함하는, 통과시간 예측 장치를 제공할 수 있다.
통과시간 예측 장치에서 상기 연산회로는 상기 평균통과시간을 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 상기 통과시간들을 산술평균 방식으로 계산함으로써 도출할 수 있고, 상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다. 5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
통과시간 예측 장치에서 상기 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 관리회로를 추가로 포함할 수 있다.
통과시간 예측 장치에서 상기 예측통과시간을 차량 내비게이션 관리서버로 전송하는 전송회로를 추가로 포함할 수 있다.
통과시간 예측 장치에서 과거로부터 누적된 평균통과시간들을 상기 예측모델에 입력하여 학습시키는 학습회로를 추가로 포함할 수 있고, 상기 과거로부터 누적된 평균통과시간들은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출될 수 있고, 상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다.
전술한 목적을 달성하기 위하여, 다른 실시예는, 각 교차로들의 후방에 위치한 대기열구간들을 통과하는 차량들의 속도를 포함하는 교통정보를 상기 대기열구간들에서의 차량의 진행방향들 별로 수집하는 단계; 상기 교통정보와 상기 대기열구간들의 길이를 이용하여 상기 대기열구간들을 통과하는 차량들의 상기 대기열구간들 별 및 상기 진행방향들 별로 통과시간들을 계산하고, 상기 통과시간들을 이용하여 평균통과시간을 계산하는 단계; 미래의 통과시간을 예측하도록 학습된 예측모델에 상기 평균통과시간을 입력하는 단계; 상기 학습된 예측모델로부터 상기 대기열구간들 별 및 상기 진행방향들 별로 예측통과시간들이 도출되는 단계; 및 목적지에 도달하기 위해 통과할 수 있는 상기 대기열구간들 중 상기 예측통과시간들의 합이 가장 적은 경로를 도출해내는 단계를 포함하는, 주행시간 예측 방법을 제공할 수 있다.
주행시간 예측 방법에서 상기 평균통과시간은 상기 진행방향들 별로 상기 대기열구간들을 통과한 차량들의 도출시점 전후 10분에 해당하는 상기 통과시간들이 상기 진행방향들 별로 상기 대기열구간들 각각에 대해 산술평균 방식으로 계산됨으로써 도출될 수 있고, 상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다. 5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
주행시간 예측 방법에서 상기 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 단계를 추가로 포함하고, 상기 학습된 예측모델은 인공 신경망에 기초한 딥러닝(Deep Learning)으로 학습된 모델이고, 상기 학습된 예측모델에 상기 평균통과시간, 상기 대기열구간정보, 및 상기 환경정보가 입력될 수 있다.
주행시간 예측 방법에서 상기 예측모델은 과거로부터 누적된 평균통과시간들을 입력받아 학습할 수 있고, 상기 과거로부터 누적된 평균통과시간들은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출될 수 있고, 상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있고, 상기 예측통과시간은 상기 진행방향들 별로 실시간으로부터 미래 1시간까지 5분 단위로 나누어져 도출될 수 있다.
이상에서 설명한 바와 같이, 본 실시예에 따르면, 차량이 교차로를 통과하는 시간을 차량의 진행방향 별로 정확히 예측하여, 사용자가 목적지에 도착하는 시간을 정확히 예상할 수 있도록 하는 효과가 있다. 또한, 진행방향 별 교차로를 완전하게 통과하는 차량들에 기반하여 수집되는 속도의 경우 수집률이 낮을 수 있고, 수집률이 낮은 정보를 통해 미래를 예측할 경우 신뢰성이 낮아질 수 있다는 문제를 해결하고, 또한 차량별 교차로 구간내 회전 또는 신호대기의 불규칙적 발생으로 인해 기복이 심한 통과시간에 대해 차량이 체감적으로 신뢰감을 느낄 수 있는 안정적인 진행방향별 대기열 통과시간을 예상할 수 있는 효과가 있다.
도 1은 교차로와 대기열구간과 관련된 본 실시예를 개략적으로 설명하기 위한 도면이다.
도 2은 본 실시예에 따른 통과시간 예측 장치를 설명하기 위한 도면이다.
도 3는 본 실시예에 따른 통과시간 예측 방법을 설명하기 위한 도면이다.
도 4는 본 실시예에 따른 예측모델을 이용하여 도출된 예측통과시간을 설명하기 위한 도면이다.
도 5는 본 실시예에 따른 주행시간 예측 방법을 이용한 주행경로 안내 예시도이다.
이하, 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 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 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. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 1은 교차로와 대기열구간과 관련된 본 실시예를 개략적으로 설명하기 위한 도면이다.
본 실시예에 따른 통과시간 예측 방법에 따르면, 교차로(110)의 후방에 위치한 도로에는 대기열구간(120)이 미리 설정될 수 있다. 교차로(110)를 통과하는 차량들은 교차로에 배치된 신호등에 의해 신호대기로 정지하거나, 좌회전 또는 우회전하기 위해 차량의 속도를 줄임으로써 발생하는 회전대기로 정지하는 등 다양한 이유로 속도를 줄이거나 정지하게 될 수 있는데, 대기열구간(120)은 교차로(110)의 다양한 원인으로 인해 차량이 정지하거나 또는 주행할 수 있는 구간을 의미할 수 있다.
대기열구간(120)은 교차로에서의 차량의 진행방향(좌회전, 우회전, 직진 등)마다 다르게 설정될 수 있고, 이에 따라, 예측모델을 통한 차량의 대기열구간 통과시간 예측 시 차량의 진행방향에 따라 개별적으로 판단하기 때문에 통과시간을 보다 정확히 예측할 수 있다.
대기열구간(120)의 길이, 도로등급, 도로종별, 차로 수, 및 교차로(110)의 신호유형, 요일정보, 시간정보, 행정구역정보 등은 본 실시예에 따른 통과시간 예측 장치의 관리회로 내에 미리 저장되어 있을 수 있다.
대기열구간(120)에 대한 속도정보는 방향 별로 대기열구간(120)에 진입해서 구간을 완전하게 통과한 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수 있다.
교차로(110)에서는 도 1에서 나타난 바와 같이 직진 또는 좌회전 신호를 나타내는 신호등에 의해 생성되는 대기열, 차량들이 회전하기 위해 생성되는 대기열 등 다양한 원인으로 인한 대기열이 생성될 수 있다.
또한, 대기열구간들에서의 차량들의 속도를 이용하여 대기열구간의 통과시간을 계산하고, 이를 평균으로 평활화한 후 이용하여 예측통과시간을 계산할 수 있기 때문에, 예측통과시간에는 교차로(110)에 위치한 신호등에 의한 대기 및 차량들의 회전을 위한 대기 등이 모두 반영된 통과시간일 수 있다.
본 실시예에 따른 교차로는 도 1에 나타난 교차로(110)뿐만 아니라 직진, 좌회전, 우회전, 그리고 대각선 방향으로도 차량이 진행할 수 있는 오거리 이상의 교차로를 포함할 수 있다.
도 2은 본 실시예에 따른 통과시간 예측 장치를 설명하기 위한 도면이다.
본 실시예에 따른 통과시간 예측 장치(200)는 수집회로(210), 연산회로(220), 및 예측회로(230)를 포함할 수 있고, 관리회로(240)를 추가로 포함할 수 있다.
수집회로(210)는 교차로의 후방에 위치한 대기열구간을 통과하는 차량들의 속도를 포함하는 교통정보를 대기열구간에서의 차량들의 진행방향들 별로 수집할 수 있다. 수집회로(210)가 수집하는 교통정보는 측정된 차량들의 교차로에서의 진행방향들 별 속도를 포함할 수 있다. 대기열구간은 차량의 진행방향들 별로 다르게 설정될 수 있다.
수집회로(210)가 수집하는 교통정보는 각 차량에 설치된 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수도 있다.
연산회로(220)는 교통정보와 대기열구간의 길이를 이용하여 대기열구간을 통과하는 차량들의 진행방향들 별 통과시간들을 계산하고, 통과시간들을 이용하여 진행방향들 별 평균통과시간을 계산할 수 있다. 대기열구간의 길이는 통과시간 예측 장치(200) 내에 미리 저장되어있을 수 있는데, 구체적으로 대기열구간의 길이는 통과시간 예측 장치(200)의 연산회로(220) 내에 미리 저장되어있을 수 있고, 통과시간 예측 장치(200)가 관리회로(230)를 추가로 포함하는 경우 관리회로(230) 내에 미리 저장되어 있을 수도 있다.
연산회로(220)는 차량의 진행방향 별로 통과시간을 계산하기 때문에, 차량이 어느 방향으로 진행하는지에 따라 미래의 대기열구간 통과시간을 차량의 진행방향 별로 예측할 수 있고, 차량들의 평활화된 대기열구간 통과시간을 이용할 수 있기 때문에 평균통과시간에는 교차로에서의 신호대기, 회전대기 등의 정보가 모두 반영되어 있다고 볼 수 있다. 또한, 대기열구간들을 통과하는 차량들의 평균통과시간은 산술평균 방식으로 계산되어 도출될 수 있고, 구체적으로 상기 진행방향들 별로 대기열구간들을 통과하는 도출시점 전후 10분에 해당하는 차량들의 대기열구간 통과시간을 산술평균으로 계산하여 평균통과시간을 도출해낼 수 있고, 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있는 것이다. 이와 같이 차량들의 대기열구간 통과시간을 산술평균으로 계산하고 평활화함으로써 교차로에서 불규칙적 신호 및 회전대기에 대해 보다 정확한 통과시간을 예측할 수 있게 된다. 즉, 5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
예측회로(230)는 미래의 통과시간을 예측하도록 학습된 예측모델을 포함하고, 학습된 예측모델에 평균통과시간을 입력할 수 있고, 추가적으로 평균통과시간을 포함한 관리회로(240) 내에 저장된 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 및 신호유형, 요일정보, 시간정보, 행정구역정보 등을 학습된 예측모델에 입력할 수 있으며, 진행방향들 별 예측통과시간을 도출할 수 있다.
예측회로(230)가 도출하는 예측통과시간은 교차로에서 차량들의 진행방향들 별로 생성될 수 있고, 실시간으로부터 미래 1시간까지 5분 단위로 나누어져 생성될 수 있다.
예측회로(230)가 포함하는 학습된 예측모델은 인공 신경망에 기초한 딥러닝(Deep Learning)으로 학습된 모델일 수 있다.
즉, 예측모델은 과거에 생성된 차량들의 진행방향들 별 평균통과시간들을 학습할 수 있고, 통과시간 예측 장치(200)는 예측모델의 학습을 위한 학습회로(미도시)를 추가로 포함할 수 있다.
학습회로는 과거로부터 누적된 평균통과시간들을 예측모델에 입력하여 학습시킬 수 있으며, 과거로부터 누적된 평균통과시간들은 진행방향들 별로 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출될 수 있고, 도출시점은 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다. 즉, 통과시간을 산술평균으로 평활화시킴으로써 불규칙한 신호대기 및 회전대기 등을 고려한 대기열구간 통과시간을 보다 정확하게 예측할 수 있게 되는 것이다. 즉, 5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
통과시간 예측 장치(200)가 학습회로를 추가로 포함하는 경우, 학습회로가 예측모델이 과거 평균통과시간들을 학습하도록 할 수 있고, 예측회로(230)가 학습된 예측모델을 이용하여 예측통과시간을 도출해낼 수 있게 되는 것이다. 또한, 통과시간 예측 장치(200)가 관리회로(240)를 포함한 경우, 학습회로는 연산회로(220)에서 계산된 평균통과시간과 관리회로(240)에서 생성된 대기열구간정보 및 환경정보를 연산한 정보를 학습할 수도 있다. 여기서 과거 평균통과시간들은 상기 진행방향들 별로 대기열구간을 통과하는 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산되어 도출될 수 있고, 학습회로는 이를 학습함으로써, 평균통과시간이 입력되었을 때 보다 정확한 대기열구간 통과시간에 도출될 수 있는 것이다. 관리회로(240)는 차량들의 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성할 수 있다.
관리회로(240)가 생성하는 대기열구간정보 및 환경정보에 대한 기초정보는 관리회로(240) 내에 미리 저장되어 있을 수 있고, 기초정보는 도로를 주행하는 각 차량에 설치된 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수도 있다.
또한, 예측회로(230)는 연산회로(220)로부터 평균통과시간을 전송받고, 관리회로(240)로부터 대기열구간정보 및 환경정보를 전송받고, 평균통과시간, 대기열구간정보, 및 환경정보를 학습된 예측모델에 입력하여 예측통과시간을 도출해낼 수 있다. 평균통과시간, 대기열구간정보, 및 환경정보는 학습된 예측모델에 입력되기 전에 서로 연산될 수 있고, 연산된 정보가 학습된 예측모델에 입력될 수 있다. 이에 따라, 대기열구간 별 및 차량의 진행방향 별 대기열구간의 정보를 포함하고 주행당시의 시간, 요일, 행정구역 정보를 포함하는 예측통과시간이 도출될 수 있다.
본 실시예에 따른 통과시간 예측 장치(200)는 전송회로(미도시)를 추가로 포함할 수 있다. 전송회로는 차량 내비게이션을 관리하는 관리서버로 예측회로(230)에서 생성된 예측통과시간에 대한 정보를 전송할 수 있다. 그리고, 관리서버에서 예측통과시간을 이용하여 사용자가 목적지로 도착하기 위한 최소의 시간이 소요되는 경로를 계산하고 이에 대한 정보를 사용자에게 제공할 수 있다.
도 3는 본 실시예에 따른 통과시간 예측 방법을 설명하기 위한 도면이다.
본 실시예에 따른 통과시간 예측 방법은 교차로의 후방에 위치한 대기열구간을 통과하는 차량들의 속도를 포함하는 교통정보를 대기열구간에서의 차량들의 진행방향들 별로 수집하는 단계(S310)가 수행될 수 있다.
교통정보는 측정된 차량들의 교차로에서의 진행방향들 별 속도를 포함할 수 있다. 대기열구간은 차량의 진행방향들 별로 다르게 설정될 수 있다. 교통정보는 각 차량에 설치된 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수도 있는데, 구체적으로, 대기열구간에 대한 차량의 속도정보는 방향 별로 대기열구간(120)에 진입해서 구간을 완전하게 통과한 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수 있다.
교통정보와 대기열구간의 길이를 이용하여 대기열구간을 통과하는 차량들의 진행방향들 별 통과시간들을 계산하고, 통과시간들을 이용하여 진행방향들 별 평균통과시간을 계산하는 단계(S320)가 수행될 수 있다.
평균통과시간 계산 단계(S320) 에서는 차량의 진행방향 별로 통과시간을 계산하기 때문에, 차량이 어느 방향으로 진행하는지에 따라 미래의 대기열구간 통과시간을 차량의 진행방향 별로 예측할 수 있고, 차량들의 평활화된 평균통과시간을 이용할 수 있기 때문에 평균통과시간에는 교차로에서의 신호대기, 회전대기 등의 정보가 모두 포함되어 있다고 볼 수 있다. 또한, 대기열구간들을 통과하는 차량들의 통과시간 산술평균 방식으로 계산되어 평균통과시간이 도출될 수 있고, 구체적으로 진행방향들 별로 대기열구간들을 통과하는 차량들의 도출시점 전후 10분에 해당하는 대기열구간 통과시간을 산술평균으로 계산하여 평균통과시간을 도출해낼 수 있는 것이다. 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다. 즉, 5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
예측모델이 과거 평균통과시간들을 학습하는 단계(미도시)가 추가로 수행될 수 있다. 구체적으로, 예측모델은 과거로부터 누적된 평균통과시간들이 입력되어 학습될 수 있으며, 과거로부터 누적된 평균통과시간들은 진행방향들 별로 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출될 수 있고, 도출시점은 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다. 즉, 통과시간을 산술평균으로 평활화시킴으로써 불규칙한 신호대기 및 회전대기 등을 고려한 대기열구간 통과시간을 보다 정확하게 예측할 수 있게 되는 것이다.
또한, 예측모델은 평균통과시간, 대기열구간정보, 및 환경정보를 연산한 정보를 학습할 수도 있다. 이에 따라, 예측모델은 실시간의 평균통과시간이 입력되었을 때, 미래의 평균통과시간을 예측하도록 학습될 수 있다. 여기서 과거 평균통과시간들은 상기 진행방향들 별로 대기열구간을 통과하는 도출시점 전후 10분에 해당하는 차량들의 대기열구간 통과시간을 산술평균 방식으로 계산하고 도출될 수 있고, 도출시점은 평균시간이 도출되는 5분 단위의 시점을 나타낼 수 있고, 학습회로는 이를 학습함으로써, 평균통과시간이 입력되었을 때 보다 정확한 대기열구간 통과시간에 도출될 수 있는 것이다.
미래의 통과시간을 예측하도록 학습된 예측모델에 평균통과시간을 입력하고, 학습된 예측모델로부터 진행방향들 별 예측통과시간이 도출되는 단계(S330)가 수행될 수 있다.
학습된 예측모델은 인공 신경망에 기초한 딥러닝(Deep Learning)으로 학습된 모델일 수 있다. 예측통과시간은 차량의 진행방향들 별로 실시간으로부터 미래 1시간까지 5분 단위로 나누어져 도출될 수 있다.
예측통과시간이 도출되는 단계(S330)가 수행되기 전, 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 단계(미도시)가 추가로 수행될 수 있다. 대기열구간정보 및 환경정보에 대한 기초정보는 통과시간 예측 방법을 수행하는 통과시간 예측 장치 내의 관리회로에 미리 저장되어 있을 수 있고, 기초정보는 도로를 주행하는 각 차량에 설치된 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수도 있다.
그리고, 학습된 예측모델에 평균통과시간, 대기열구간정보, 및 환경정보가 입력될 수 있고, 이에 따라, 대기열구간 별 및 차량의 진행방향 별 대기열구간의 정보를 포함하고 주행당시의 시간, 요일, 행정구역 정보를 포함하는 예측통과시간이 도출될 수 있다.
예측통과시간이 도출된 후 예측통과시간에 대한 정보가 차량 내비게이션 관리서버로 전송되는 단계(미도시)가 추가로 수행될 수 있다. 관리서버에서 예측통과시간을 이용하여 사용자가 목적지로 도착하기 위한 최소의 시간이 소요되는 경로를 계산하고 이에 대한 정보를 사용자에게 제공할 수 있다.
도 4는 본 실시예에 따른 예측모델을 이용하여 도출된 예측통과시간을 설명하기 위한 도면이다.
교차로의 후방에 위치한 대기열구간을 통과하기 위한 예측통과시간(450)을 계산하기 위해, 예측모델(440)에 대기열구간을 통과하는 차량들의 평균통과시간(410)이 입력될 수 있고, 도 4에 도시된 바와 같이 평균통과시간(410)과 함께 대기열구간정보(420) 및 환경정보(430)이 입력될 수 있다.
평균통과시간(410)는 대기열구간 별 및 시간 별로 차량의 평균통과시간이 배열된 행렬(Matrix) 형태의 데이터일 수 있고, 대기열구간정보(420) 및 환경정보(430)는 행렬(Matrix) 혹은 벡터(Vector) 형태의 데이터일 수 있다.
평균통과시간(410)은 통과시간 예측 장치에서 대기열구간을 통과하는 차량들의 속도를 포함하는 교통정보를 이용하여 생성될 수 있다. 교통정보는 각 차량에 설치된 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수도 있는데, 구체적으로, 대기열구간에 대한 차량의 속도정보는 방향 별로 대기열구간(120)에 진입해서 구간을 완전하게 통과한 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수 있다.
대기열구간정보(420)는 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함할 수 있고, 환경정보(430)은 요일, 시간, 행정구역에 대한 정보를 포함할 수 있다.
대기열구간정보(420) 및 환경정보(430)는 통과시간 예측 장치 내의 관리회로에 미리 저장된 기초정보를 통해 생성될 수 있다.
도 5는 본 실시예에 따른 주행시간 예측 방법을 이용한 주행경로 안내 예시도이다.
도 5에 나타난 바와 같이 차량이 주행하는 동안 일반적으로 복수의 교차로들을 통과할 수 있다. 따라서, 복수의 교차로들 각각의 후방에 위치한 대기열구간들의 통과시간을 예측할 수 있다면, 차량을 운전하는 사용자가 목적지에 도착하기 위한 소요시간을 더 정확히 파악하고, 최소의 시간이 소요되는 주행경로를 안내할 수 있게 될 것이다.
따라서, 본 실시예에 따른 주행시간 예측 방법은 각 교차로들의 후방에 위치한 대기열구간들을 통과하는 차량들의 속도를 포함하는 교통정보를 대기열구간들에서의 차량의 진행방향들 별로 수집하는 단계가 수행될 수 있다. 대기열구간들은 각 교차로 별 및 차량의 진행방향(직진, 좌회전, 및 우회전 등)에 따라 다르게 설정될 수 있다. 교통정보는 각 차량에 설치된 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수도 있는데, 구체적으로, 대기열구간에 대한 차량의 속도정보는 방향 별로 대기열구간(120)에 진입해서 구간을 완전하게 통과한 프로브 장치에 의해 수집될 수도 있고, 또는 도로에 설치된 프로브 장치에 의해서도 수집될 수 있다. 또한, 교통정보는 차량들의 속도에 대한 정보를 포함할 수 있다.
교통정보와 대기열구간들의 길이를 이용하여 대기열구간들을 통과하는 차량들의 대기열구간들 별 및 진행방향들 별로 통과시간들을 계산하고, 통과시간들을 이용하여 평균통과시간을 계산하는 단계가 수행될 수 있다. 진행방향들 별로 대기열구간들을 통과하는 차량들의 도출시점 전후 10분에 해당하는 대기열구간 통과시간을 산술평균으로 계산하여 평균통과시간을 도출해낼 수 있는 것이다. 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다. 즉, 5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
따라서, 평균통과시간을 계산할 때에 차량들의 대기열구간 통과시간을 평활화하여 이용하여 계산하기 때문에, 평균통과시간에는 교차로에서 신호등에 의한 차량의 신호대기, 차량의 회전에 의한 회전대기 등의 정보가 이미 반영되어 있을 수 있다.
진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 단계가 추가로 수행될 수 있다.
미래의 통과시간을 예측하도록 학습된 예측모델에 평균통과시간을 입력하는 단계가 수행될 수 있다. 학습된 예측모델은 인공 신경망에 기초한 딥러닝(Deep Learning)으로 학습된 모델일 수 있다. 주행시간 예측 방법에 대기열구간정보 및 환경정보가 같이 이용된다면, 학습된 모델에는 평균통과시간, 대기열구간정보, 및 환경정보가 같이 입력될 수 있다. 학습된 모델에 입력되기 전에 평균통과시간, 대기열구간정보, 및 환경정보는 서로 연산될 수 있다.
또한, 학습된 예측모델을 생성하기 위해, 예측모델에 과거 평균통과시간들을 입력하여 학습하는 학습단계가 추가로 수행될 수도 있다. 주행시간 예측 방법에 대기열구간정보 및 환경정보가 같이 이용된다면, 예측모델의 학습에는 평균통과시간, 대기열구간정보, 및 환경정보가 서로 연산된 정보가 입력되어 학습될 수 있다. 여기서 과거 평균통과시간들은 대기열구간을 통과하는 차량들의 도출시점 전후 10분에 해당하는 통과시간을 상기 진행방향들 별로 산술평균 방식으로 계산하고 도출될 수 있고, 여기서 도출시점은 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다.
예측모델은 과거로부터 누적된 평균통과시간들이 입력되어 학습될 수 있으며, 과거로부터 누적된 평균통과시간들은 진행방향들 별로 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출될 수 있고, 도출시점은 평균통과시간이 도출되는 5분 단위의 시점을 나타낼 수 있다. 즉, 통과시간을 산술평균으로 평활화시킴으로써 불규칙한 신호대기 및 회전대기 등을 고려한 대기열구간 통과시간을 보다 정확하게 예측할 수 있게 되는 것이다. 즉, 5분 단위의 수집된 속도는 결측값(Missing Value)을 가질 수 있지만 도출시점 전후 10분의 통과시간들이 산술평균 방식으로 재가공됨에 따라 결측값이 보정되고, 동시에 근접 과거와 미래 교통정보가 동등하게 통합됨으로써 교차로에서의 회전 또는 신호대기에 의한 통과시간의 불규칙적 움직임이 평활화되는 효과를 얻게 된다.
학습된 예측모델로부터 대기열구간들 별 및 진행방향들 별로 예측통과시간들이 도출되는 단계가 수행될 수 있다. 예측통과시간은 실시간으로부터 미래 1시간 범위 내에 5분 단위로 나뉘어져 생성될 수 있다. 이에 따라, 각 교차로에 대한 대기열구간 통과시간을 예측할 수 있을 수 있게 된다.
목적지에 도달하기 위해 통과할 수 있는 대기열구간들 중 예측통과시간들의 합이 가장 적은 경로를 도출해내는 단계가 수행될 수 있다. 사용자가 차량을 주행하여 목적지에 도달하기 위해 통과하여야 할 각 교차로들의 대기열구간들에 대한 예측통과시간의 합을 통해 최소의 시간이 소요되는 주행경로가 도출될 수 있는 것이다.
이를 통해, 정보 수집률이 낮다는 단속류 대기열에 대한 문제점을 해결할 수 있을 것이고, 사용자에게 정확한 목적지 도착 예정시간을 안내할 수 있게 될 것이다.
이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
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.

Claims (15)

  1. 교차로의 후방에 위치한 대기열구간을 통과하는 차량들의 속도를 포함하는 교통정보를 상기 대기열구간에서의 차량들의 진행방향들 별로 수집하는 단계;
    상기 교통정보와 상기 대기열구간의 길이를 이용하여 상기 대기열구간을 통과하는 차량들의 상기 진행방향들 별 통과시간들을 계산하고, 상기 통과시간들을 이용하여 상기 진행방향들 별 평균통과시간을 계산하는 단계;
    미래의 통과시간을 예측하도록 학습된 예측모델에 상기 평균통과시간을 입력하는 단계; 및
    상기 학습된 예측모델로부터 상기 진행방향들 별 예측통과시간이 도출되는 단계;
    를 포함하는, 통과시간 예측 방법.
  2. 제 1 항에 있어서,
    상기 평균통과시간은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 상기 통과시간들이 산술평균 방식으로 계산됨으로써 도출되고,
    상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타내는, 통과시간 예측 방법.
  3. 제 1 항에 있어서,
    상기 예측모델은 과거로부터 누적된 평균통과시간들을 시계열에 따라 입력받아 학습하고,
    상기 과거로부터 누적된 평균통과시간들은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출되고,
    상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타내고,
    상기 예측통과시간은 상기 진행방향들 별로 실시간으로부터 미래 1시간까지 5분 단위로 나누어져 도출되는, 통과시간 예측 방법.
  4. 제 1 항에 있어서,
    상기 대기열구간은 차량의 진행방향들 별로 다르게 설정되는, 통과시간 예측 방법.
  5. 제 1 항에 있어서,
    상기 학습된 예측모델은 인공 신경망에 기초한 딥러닝(Deep Learning)으로 학습된 모델인, 통과시간 예측 방법.
  6. 제 1 항에 있어서,
    상기 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 단계;
    를 추가로 포함하고,
    상기 학습된 예측모델에 상기 평균통과시간, 상기 대기열구간정보, 및 상기 환경정보를 입력하는, 통과시간 예측 방법.
  7. 교차로의 후방에 위치한 대기열구간을 통과하는 차량들의 속도를 포함하는 교통정보를 상기 대기열구간에서의 차량의 진행방향들 별로 수집하는 수집회로;
    상기 교통정보와 상기 대기열구간의 길이를 이용하여 상기 대기열구간을 통과하는 차량들의 상기 진행방향들 별 통과시간들을 계산하고, 상기 통과시간들을 이용하여 상기 진행방향들 별 평균통과시간을 계산하는 연산회로; 및
    미래의 통과시간을 예측하도록 학습된 예측모델을 포함하고, 상기 학습된 예측모델에 상기 평균통과시간을 입력하고, 상기 진행방향들 별 예측통과시간이 도출되는 예측회로;
    를 포함하는, 통과시간 예측 장치.
  8. 제 7 항에 있어서,
    상기 연산회로는 상기 평균통과시간을 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 상기 통과시간들을 산술평균 방식으로 계산함으로써 도출하고,
    상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타내는, 통과시간 예측 장치.
  9. 제 7 항에 있어서,
    상기 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 관리회로;
    를 추가로 포함하는, 통과시간 예측 장치.
  10. 제 7 항에 있어서,
    상기 예측통과시간을 차량 내비게이션 관리서버로 전송하는 전송회로;
    를 추가로 포함하는, 통과시간 예측 장치.
  11. 제 7 항에 있어서,
    과거로부터 누적된 평균통과시간들을 시계열에 따라 상기 예측모델에 입력하여 학습시키는 학습회로;
    를 추가로 포함하고,
    상기 과거로부터 누적된 평균통과시간들은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출되고,
    상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타내는, 통과시간 예측 장치.
  12. 각 교차로들의 후방에 위치한 대기열구간들을 통과하는 차량들의 속도를 포함하는 교통정보를 상기 대기열구간들에서의 차량의 진행방향들 별로 수집하는 단계;
    상기 교통정보와 상기 대기열구간들의 길이를 이용하여 상기 대기열구간들을 통과하는 차량들의 상기 대기열구간들 별 및 상기 진행방향들 별로 통과시간들을 계산하고, 상기 통과시간들을 이용하여 평균통과시간을 계산하는 단계;
    미래의 통과시간을 예측하도록 학습된 예측모델에 상기 평균통과시간을 입력하는 단계;
    상기 학습된 예측모델로부터 상기 대기열구간들 별 및 상기 진행방향들 별로 예측통과시간들이 도출되는 단계; 및
    목적지에 도달하기 위해 통과할 수 있는 상기 대기열구간들 중 상기 예측통과시간들의 합이 가장 적은 경로를 도출해내는 단계;
    를 포함하는, 주행시간 예측 방법.
  13. 제 12 항에 있어서,
    상기 평균통과시간은 상기 진행방향들 별로 상기 대기열구간들을 통과한 차량들의 도출시점 전후 10분에 해당하는 상기 통과시간들이 상기 진행방향들 별로 상기 대기열구간들 각각에 대해 산술평균 방식으로 계산됨으로써 도출되고,
    상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타내는, 주행시간 예측 방법.
  14. 제 12 항에 있어서,
    상기 진행방향들 별 대기열구간의 길이, 도로등급, 도로종별, 차로 수, 상기 교차로의 신호유형을 포함하는 대기열구간정보 및 요일, 시간, 행정구역에 대한 정보를 포함하는 환경정보를 생성하는 단계;
    를 추가로 포함하고,
    상기 학습된 예측모델은 인공 신경망에 기초한 딥러닝(Deep Learning)으로 학습된 모델이고,
    상기 학습된 예측모델에 상기 평균통과시간, 상기 대기열구간정보, 및 상기 환경정보를 입력하는, 주행시간 예측 방법.
  15. 제 12 항에 있어서,
    상기 예측모델은 과거로부터 누적된 평균통과시간들을 시계열에 따라 입력받아 학습하고,
    상기 과거로부터 누적된 평균통과시간들은 상기 진행방향들 별로 상기 대기열구간을 통과한 차량들의 도출시점 전후 10분에 해당하는 통과시간들이 산술평균 방식으로 계산됨으로써 도출되고,
    상기 도출시점은 상기 평균통과시간이 도출되는 5분 단위의 시점을 나타내고,
    상기 예측통과시간은 상기 진행방향들 별로 실시간으로부터 미래 1시간까지 5분 단위로 나누어져 도출되는, 주행시간 예측 방법.


KR1020210186117A 2021-12-23 2021-12-23 불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치 KR20230097257A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210186117A KR20230097257A (ko) 2021-12-23 2021-12-23 불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치
DE102022132629.2A DE102022132629A1 (de) 2021-12-23 2022-12-08 Verfahren zur vorhersage einer kreuzungsdurchfahrtszeit unter berücksichtigung eines ungleichmässigen abbiegens und einer signalwartezeit und vorrichtung, die dieses verfahren anwendet
US18/083,162 US20230206754A1 (en) 2021-12-23 2022-12-16 Method for predicting a passage time of an intersection in consideration of irregular rotation and signal waiting, and device using the same
CN202211648351.4A CN116343468A (zh) 2021-12-23 2022-12-21 预测通过时间的装置和方法以及预测行驶时间的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210186117A KR20230097257A (ko) 2021-12-23 2021-12-23 불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치

Publications (1)

Publication Number Publication Date
KR20230097257A true KR20230097257A (ko) 2023-07-03

Family

ID=86693639

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210186117A KR20230097257A (ko) 2021-12-23 2021-12-23 불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치

Country Status (4)

Country Link
US (1) US20230206754A1 (ko)
KR (1) KR20230097257A (ko)
CN (1) CN116343468A (ko)
DE (1) DE102022132629A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102669601B1 (ko) * 2023-10-26 2024-05-27 서울시립대학교 산학협력단 교차로 관련 신호개방정보를 이용한 경로 갱신 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102669601B1 (ko) * 2023-10-26 2024-05-27 서울시립대학교 산학협력단 교차로 관련 신호개방정보를 이용한 경로 갱신 방법 및 장치

Also Published As

Publication number Publication date
US20230206754A1 (en) 2023-06-29
DE102022132629A1 (de) 2023-06-29
CN116343468A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
US10794720B2 (en) Lane-level vehicle navigation for vehicle routing and traffic management
US11714413B2 (en) Planning autonomous motion
KR102199093B1 (ko) 부분 관측가능한 마르코프 결정 프로세스 모델 인스턴스를 동작시키는 것을 포함하는 자율주행 차량 운용 관리
RU2733015C1 (ru) Оперативное управление автономным транспортным средством
CN110709908B (zh) 用于交通系统的状态预测的计算机系统和方法
US20140058652A1 (en) Traffic information processing
KR20190107169A (ko) 자율주행 차량 운용 관리 제어
CN108180919A (zh) 一种规划路线的优化方法及装置
JP3485774B2 (ja) 交通流シミュレーションシステム
US11210937B2 (en) Method for un-signalized intersection traffic flow management
CN107310550A (zh) 道路交通工具行驶控制方法和装置
CN113327419B (zh) 绿波速度确定方法、装置、电子设备和存储介质
CN103903468A (zh) 道路拥堵时间预警方法及装置
Yang et al. Optimal variable speed limit control system for freeway work zone operations
Aljamal et al. Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data
KR20230097257A (ko) 불규칙적 회전 및 신호대기를 고려한 교차로 통과시간 예측 방법 및 이를 이용한 장치
CN116295496A (zh) 一种自动驾驶车辆路径规划方法、装置、设备及介质
JP6899528B2 (ja) 交通管理装置、交通管理システムおよび交通管理方法
Hegyi et al. Freeway Traffic Management and Control.
CN115503752A (zh) 用于操作车辆的方法和系统
JP2023005015A (ja) 交通状況予測装置、および、交通状況予測方法
Boguto et al. Algorithm of intelligent urban traffic
CN114372382B (zh) 车辆轨迹可靠度评测方法、设备和存储介质
JP4427398B2 (ja) 道路交通制御装置
Wang Simulation and Analysis of Traffic Congestion Prediction and Vehicle Re-Routing Strategy Using Image-Based Surveillance Camera

Legal Events

Date Code Title Description
E902 Notification of reason for refusal