WO2016036024A1 - 교통링크 속도 예측 방법 및 이를 위한 장치 - Google Patents

교통링크 속도 예측 방법 및 이를 위한 장치 Download PDF

Info

Publication number
WO2016036024A1
WO2016036024A1 PCT/KR2015/008575 KR2015008575W WO2016036024A1 WO 2016036024 A1 WO2016036024 A1 WO 2016036024A1 KR 2015008575 W KR2015008575 W KR 2015008575W WO 2016036024 A1 WO2016036024 A1 WO 2016036024A1
Authority
WO
WIPO (PCT)
Prior art keywords
link
vehicle speed
past
value
time
Prior art date
Application number
PCT/KR2015/008575
Other languages
English (en)
French (fr)
Inventor
김영호
박민주
강우진
Original Assignee
한국교통연구원
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
Priority claimed from KR1020140115669A external-priority patent/KR101628014B1/ko
Application filed by 한국교통연구원 filed Critical 한국교통연구원
Priority to CN201580059290.XA priority Critical patent/CN107111941A/zh
Publication of WO2016036024A1 publication Critical patent/WO2016036024A1/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
    • 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

Definitions

  • the present invention is to provide a traffic situation prediction technology that can solve the above problems.
  • node-link system based traffic information (ex: history data, real-time data), designation detection information, and the like may be used as input data.
  • Comparative information (ex: weather, events, construction, and accidents) can also be used as input.
  • the data entered in this way may be processed through a series of processes using medium and long term prediction algorithms and / or short term prediction algorithms.
  • node-link scheme based link speed information may be provided at 15-minute intervals.
  • the K-NN method is applied by mixing the past data history of the event situation and the event situation with 5: 5 and applying the K-NN method when the event occurs. It can be applied to algorithms when events occur in the event / event / construction including real-time impact area analysis algorithm.
  • the first past traffic data set may include data about a first vehicle speed obtained on the same day as the day of the week to which the specific time period belongs.
  • FIG. 3 is a graph showing a history of speed data obtained in the first link of FIG. 1.
  • the average value between the first following vehicle speed sets is equal to the average value of the weighted sets, which is applied to Example 1 as follows.
  • ⁇ Embodiment 2 A method of short-term prediction of future traffic information on a specific link using vehicle speeds obtained from two links including a specific link to be predicted>
  • the following two methods can be used to define a population.
  • K can be selected as a population by selecting K past time periods of the same day as the day of the week corresponding to a specific time period A0.
  • the comparison information (ex: rain is falling in a specific time section A0) related to the specific time section A0 (ex: whether the rain in the past in the first link 11) Population can be defined by further including M past time periods. For example, if it is raining on a specific time interval A0, the M links in the past which have been rained on the first link 11 may be selected and added to the population.
  • the past M time periods may be time periods belonging to various days of the week, such as Monday, Tuesday, and Friday. Since the first link 11, the second link 12, and the third link 13 are spaces adjacent to each other, each comparison communication information may be the same.
  • the parent section may include a total of K + M time periods.
  • K and M are 1 to a natural number, and may be a value determined by a user.
  • the comparative method of 'day of the week' since the comparative method of 'day of the week' has already been used in the first method, the comparative information mentioned in the second method may be excluded from the information on the day of the week mentioned in the first step.
  • N may be a value predetermined by a user.
  • K and M each have a value of '15', and thus the population may include 30 time periods.
  • the current non-traffic information (event) is 'rainy Friday', and N is assumed to be '3'.
  • Comparative information corresponding to past time intervals PB1 to PB5 which are part of the population shown in FIG. 6 may be the same as that of FIG. 4B. It may be assumed that each of the past time periods PB1 to PB5 is equal to the length of the specific time period A0 shown in FIG. 5.
  • Reference numerals 410, 420,..., 450 corresponding to the past time periods PB1 to PB5 indicate first past time series values of the vehicle speed value measured in the first link 11.
  • Reference numerals 310, 320, ..., 350 denote second past time series values of the vehicle speed value measured by the second link 12, and reference numerals 510, 520, ..., 550 denote the third link ( The third past time series values of the vehicle speed value measured in 13) are shown.
  • Example 2-1 A method of predicting future traffic information on a specific link by using vehicle speeds obtained from two links including a specific link to be predicted-when congestion occurs on a specific link>
  • the traffic speed in the first link 11 is lower than the predetermined first value, and thus in the second link 12 upstream of the first link 11. Use traffic data together.
  • Example 2-1 it is assumed that N is 3, and the pair of past time series values ⁇ 320, 420, 330, 430, 350, 450 ⁇ , respectively, is the second past of FIG. Corresponds to the time interval PB2, the third past time interval PB3, and the fifth past time interval PB5.
  • the first link 11 of the first time period 421, 431, 451 for one hour immediately after each past time period PB2, PB3, PB5 corresponding to the three pairs is found.
  • a first follow-up vehicle speed set 422, 432, 452 is obtained.
  • a representative value between the first following vehicle speed sets 422, 432, 452 in the first link 11 is calculated.
  • the representative value in the first link 11 includes three weighted values determined by the distance between the first time series value 210 and the first past time series values 420, 430, and 450. Can be calculated using
  • W f (420), w f (430), and w f (450) are generated by the following equation.
  • w f (x) calculated value of distance between [first past time series (x), second time series]
  • w f (450) [distance difference between the third first time series value 450 and the first time series value 210]
  • a weighted set is obtained as follows using the predetermined weight w b (x) corresponding to w f (x).
  • w b (x) may be a normalized value of w f (x).
  • Second first following vehicle speed set 432 * w b (430) second weighted set
  • the representative value data between the subsequent vehicle speed sets may be the predicted future vehicle speed (time series of future vehicle speed) from the present to the first hour on the first link 11. have.
  • predicting future vehicle speed using multiple links may be more accurate than predicting future vehicle speed using one link.
  • the past traffic data set may be data obtained from a plurality of discontinuous time intervals as a quantity of past data corresponding to a predetermined period (eg, 5 days).
  • a predetermined period eg, 5 days
  • all of the plurality of discontinuous time periods may have the same 'time attribute' as the 'time attribute' of the above-described 'specific time period'.
  • These time attributes may appear periodically.
  • An example of such a population is shown in FIG. 7C.
  • the horizontal axis represents the time axis and the hatched area is set to the population.
  • the population is represented by the sum of a plurality of subsets that are distributed with periodicity on each other on the time axis.
  • the hatched area may correspond to a total of 5 days of time.
  • the specific future short-term period may be, for example, 13:01 to 14:00 today, assuming that the current time point is 13:00 today.
  • 'past time periods' may be, for example, a collection of 23: 31-24: 00 time periods on any past Wednesday.
  • Example 7 of the present invention the vehicle speed predicting the vehicle speed by combining the long-term prediction result derived by any long-term prediction method and the short-term prediction result derived by the short-term prediction method according to the embodiment of the present invention described above. Present a prediction method.
  • the horizontal axis represents the time axis
  • the vertical axis represents the vehicle speed predicted from the current time point t p to the 'short and long time division point' t sl for a specific link.
  • Algorithms for predicting vehicle speed on a specific link may be different for the short-term prediction period and the long-term prediction period.
  • An algorithm for predicting a vehicle speed on a specific link with respect to the short-term prediction period may be described with reference to FIGS. 1 to 7.
  • f2 may be a function of outputting Y2 by using t as an independent variable, or may represent a correspondence relationship of matching Y2 to the value of t by using the predicted Y2 value according to t.
  • the final short-term prediction graph 810 may be generated by weighting the pre-short prediction graph 801 and the long-term prediction graph 802 by a weight ⁇ (t) which changes with time.
  • the value Y3 according to time of the final short-term prediction graph 810 may satisfy Equation 1 below.
  • FIG. 9 is a view for explaining a method of combining a long-term prediction result and a short-term prediction result according to another embodiment.
  • PA1 ⁇ PA5 Past extracted time period

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 현재 도로의 위치에서 미래 차량속도를 예측하는 방법에 관한 것이다. 이를 위하여, 교통수요 변화, 기상변화, 공사, 행사, 돌발상황 등의 미래에 발생할 이벤트가 교통흐름에 미치는 영향을 고려하며, 교통정보생성 단위 링크(link)별 통행속도 정보를 산출하여 제공한다.

Description

교통링크 속도 예측 방법 및 이를 위한 장치
본 발명은 차량속도를 예측하는 기술에 관한 것으로서, 특히 과거로부터 축적된 교통속도 패턴을 이용하여 차량속도를 예측하는 컴퓨터 기술에 관한 것이다.
교통 혼잡으로 인해 막대한 사회/경제적 비용이 발생하는 대도시권에서 도로 인프라의 신설 및 확장은 예산제약과 부지확보 측면에서 한계가 있다. 따라서 도로 인프라의 확충을 대신하여 다양한 교통정보가 제공되고 있다.
한국의 경우, 예컨대 서울시 도시고속도로 공사에서는, 실시간 교통정보(ex: 소통상황, 노선별 구간소요시간, 돌발 상황, 통제정보, 최단경로검색, 공사예정정보, 주요도로 정체구간)와 우회도로정보, 및 소통 통계정보를 제공하고 있다. 그리고 한국도로공사에서는, 실시간 교통정보(ex: 노선 및 정체 구간, 연계정보), 교통예보(ex: 도시 간 예상 소요시간, 주말 교통예보(교통량, 소요시간 정보), 및 월간예보(월별 특정 정체(명절)정보))를 제공하고 있다. 그리고 SK M&C의 T-map이라는 서비스에서는, 실시간 교통정보(ex: 구간별 통행속도, CCTV 정보, 제보(돌발 및 시설물)정보, 부가정보(주변 맛집)), 교통예보, 및 서비스 이용요금 정보를 제공하고 있다. 그러나 공공기관이 제공하는 일부 교통구간에 대한 예측정보와 대도시 요금소 기준 이력 정보는 기초연구 수준에 머물러 있으며, 민간기관이 제공하는 정보는 교통관련 이벤트(ex: 기상변화, 공사, 사고, 행사) 발생 시 교통상황변화 대응이 미흡하다는 한계가 있다.
독일에서는, 실시간 소통정보, 교통상황예측정보(단기, 중장기), 공사 및 사고정보를 제공하고 있으며 특히, 교통상황예측정보는 7일 범위에서 현재시각기준으로 15분, 30분 간격으로 제공되고 있다. 그리고 영국에서는, 독일과 같이 실시간 소통정보, 교통상황예측정보공사 및 사고정보를 제공하고 있으며, 영상정보와 기상정보를 추가로 제공하고 있다. 영국의 교통상황예측정보는 12시간 범위에서 1시간 간격으로 제공되고 있다. 그리고 프랑스에서는, 영국과 같은 주요 정보를 제공하고 있으며, 프랑스의 교통상황예측정보는 5개월 범위에서 1시간 간격으로 제공되고 있다. 그리고 구글에서는 실시간 소통정보, 교통상황예측정보, 기상정보를 전 세계 50여개 국가에 제공하고 있으며, 구글의 교통상황예측정보는 7일 범위에서 15분 간격으로 제공되고 있다.
한편, 미국의 INRIX는 24시간 범위에서, 15분 간격의 정보를 통하여 최적 출발시각 정보를 제공하고 있고, Beat the Traffic은 7일 범위에서 1시간 간격의 교통상황예측정보를 제공하고 있다.
종래 기술에 따르면, 예컨대 금요일 밤 10시를 기준으로, 금요일 밤 10시에서 11시 사이의 교통흐름에 대한 예측을 위하여, 과거 자료 중 금요일 밤 10시에서 11시 사이에 수집된 자료들만을 이용하여 예측할 수 있다. 또한 예컨대, 추석 당일 날 오전 10시에서 12시 사이의 교통흐름을 예측하기 위하여, 과거 자료 중 추석 당일 날 오전 10시에서 12시 사이에 수집된 자료들만을 이용하여 예측할 수 있다. 즉, 교통흐름을 예측하고자 하는 시간대와 '공통적인 시간속성'을 갖는 과거 시간대에 수집된 자료들을 이용한다.
관련 선행기술에 대한 특허로 현대자동차 주식회사가 출원한 특허 KR20080067234A(출원번호), 한국도로공사가 출원한 특허 KR20120125335A(출원번호)가 있다.
상술한 바와 같이 종래기술에서는 교통흐름을 예측하고자 하는 시간대와 공통적인 시간속성을 갖는 과거 시간대에 수집된 자료들을 이용하는데, 그 예측결과의 정확도가 떨어진다는 문제점이 있다.
또한 이러한 기술들은 수 시간 이내의 단기예측결과만을 제공하는데, 장기예측결과로의 전환에 문제가 발생한다. 예컨대 예측시작 시점으로부터 1시간 동안의 단기예측결과를, 다른 알고리즘에 의해 예측한 상기 1시간 이후의 장기예측결과와 결합할 때에, 상기 예측시작 시점으로부터 1시간 후의 시점에서의 두 결과가 서로 다를 수 있다는 문제가 있다.
본 발명에서는 상술한 문제점을 해결할 수 있는 교통상황 예측 기술을 제공하고자 한다.
본 발명에서는 운영자용 교통상황예측 소프트웨어 패키지를 위해 교통연계정보를 이용할 수 있다. 상기 교통연계정보는 사고 데이터, 교통 데이터, 공사 데이터, 기상 데이터, 및 행사 데이터 등을 포함할 수 있다. 상기 소프트웨어 패키지는 데이터베이스 서버, 분석 서버, 및 예측 서버를 위해 사용될 수 있다. 이때, 상기 분석 서버는, 데이터베이스 서버에서 수집된 데이터를 이용하여, 기상에 따른 교통상황 분석, 사고/공사 시 교통상황 분석, 및 평시/이벤트시 교통상환 분석 등을 수행할 수 있다. 그리고 상기 예측 서버는 상기 분석결과를 토대로 단기/중-장기 예측, 예측 정확도 검증, 및 예측 신뢰성 평가를 수행할 수 있다. 상기 분석 서버 또는 예측 서버를 통해 가동된 데이터는 도로 운영자에게 제공될 수 있으며, 그 결과 선제적 교통제어전략 수립을 지원할 수 있다.
본 발명의 일 관점에 따른 교통상황 예측정보 시스템에서는, 입력자료로서 노드-링크 체계 기반 교통정보(ex: 이력자료, 실시간 자료), 지정검지 정보등을 이용할 수 있다. 또한 비교통정보(ex: 기상, 행사, 공사, 및 돌발상황)를 입력자료로서 이용할 수 있다. 이렇게 입력된 자료는, 중장기 예측 알고리듬 및/또는 단기 예측 알고리듬을 이용하는 일련의 과정을 통해 처리될 수 있다. 그 결과 예컨대, 15분 간격으로 노드-링크 체계 기반의 링크 속도 정보를 제공할 수 있다.
이때, 상기 교통상황 예측정보 시스템에 의해 단기 예측 알고리듬이 제공될 수 있다. 상기 단기 예측 알고리듬에서는, 5분 간격으로 집계한 링크별 실시간 속도(교통량) 자료를 활용하여 5분 간격으로 집계한 링크 별 속도 자료를 도출할 수 있다. 이를 위해 K-NN을 적용할 수 있으며, 상기 K-NN을 통해 추출한 정보는 15분 간격으로 제공되고, 현재 시점으로부터 1시간 이내로의 예측된 교통상황 정보를 제공받을 수 있다. 상기 정보는 5분 간격으로 갱신되며, 이벤트 발생 시에는 기상/행사/공사와 돌발, 네 가지 상황에 따라 다른 알고리듬을 적용할 수 있다. 상기 기상/행사/공사의 이벤트가 발생했을 경우, 이벤트가 없을 때의 상황과 이벤트 상황의 과거 데이터 이력을 5:5로 혼합하여 K-NN 방법을 적용하고, 돌발 이벤트가 발생했을 경우, 상기 기상/행사/공사의 이벤트 발생 시의 알고리듬에 실시간 영향권 분석 알고리듬을 포함하여 적용할 수 있다.
본 발명의 일 관점에 따라 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 방법이 제공될 수 있다. 이 방법은, 상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및 상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;를 포함한다.
이때, 상기 제1과거 교통데이터의 집합은 상기 특정 시구간의 시간속성과 동일한 시간속성을 가질 수 있다.
이때, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보는, 상기 찾아낸 N개의 제1과거시계열값에 대응하는 N개의 과거 시구간 직후의 N개의 과거 후속시구간 동안에서의 차량속도에 관한 정보일 수 있다.
이때, 상기 제1과거 교통데이터의 집합은, 상기 특정 시구간이 속한 요일과 동일한 요일에 획득한 제1차량속도에 관한 데이터를 포함할 수 있다.
이때, 상기 상기 제1과거 교통데이터의 집합은, 상기 특정 시구간 동안 발생한 비교통정보 이벤트와 동일한 비교통정보 이벤트가 발생한 것으로 확인된 과거의 시구간들에서 획득한 제1차량속도에 관한 데이터를 포함할 수 있다.
이때, 상기 예측하는 단계는, 상기 N개의 제1과거시계열값에 대응하는 N개의 과거 시구간(PTp, p는 1 내지 N의 자연수) 각각에 대하여, 상기 과거 시구간(PTp) 직후부터 미리 결정된 시간까지의 상기 제1링크에서의 후속차량속도 세트를 획득하는 단계; 및 상기 획득한 후속차량속도 세트들 간의 평균값을 계산하는 단계;를 포함할 수 있다.
이때, 상기 도로 상의 또 다른 두 지점 사이에서 정의되는 제2링크에서의 상기 특정 시구간 동안의 제2차량속도에 관한 제2시계열값을 획득하는 단계를 더 포함하며, 상기 예측하는 단계는, 상기 제1과거 교통데이터의 집합과 상기 제2차량속도에 관한 제2과거 교통데이터의 집합으로부터, 상기 제1시계열값과 상기 제2시계열값에 동시에 매칭되는, 상기 제1링크에 관한 제1과거시계열값과 상기 제2링크에 관한 제2과거시계열값으로 이루어지는 쌍을 N개 찾아내는 단계; 및 상기 찾아낸 N개의 쌍에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 차량속도를 예측하는 단계;를 포함할 수 있다.
이때, 상기 도로 상의 또 다른 두 지점 사이에서 정의되는 제3링크에서의 상기 특정 시구간 동안의 제3차량속도에 관한 제3시계열값을 획득하는 단계를 더 포함하며, 상기 예측하는 단계는, 상기 제1과거 교통데이터의 집합, 상기 제2과거 교통데이터의 집합, 및 상기 제3링크에서의 제3차량속도에 관한 제3과거 교통데이터의 집합으로부터, 상기 제1시계열값, 상기 제2시계열값, 및 상기 제3시계열값에 동시에 매칭되는, 상기 제1링크에 관한 제1과거시계열값, 상기 제2링크에 관한 제2과거시계열값, 및 상기 제3링크에 관한 제3과거시계열값으로 이루어지는 쌍을 N개 찾아내는 단계; 및 상기 찾아낸 N개의 쌍에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 차량속도를 예측하는 단계;를 포함할 수 있다.
이때, 상기 제1링크에서의 교통속도가 미리 결정된 제1값보다 낮다고 판단된 경우 상기 제2링크는 상기 제1링크보다 상류에 존재하고, 상기 제1링크에서의 교통속도가 미리 결정된 제2값보다 높다고 판단된 경우 상기 제2링크는 상기 제1링크보다 하류에 존재할 수 있다.
이때, 상기 제1링크에서의 교통속도가 미리 결정된 제1값과 미리 결정된 제2값 사이의 값을 갖는 경우, 상기 제2링크 및 상기 제3링크는 각각 상기 제1링크보다 상류 및 하류에 존재할 수 있다.
본 발명의 다른 관점에 따라 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 방법이 제공될 수 있다. 이 방법은, 단기예측시구간에서의 상기 제1차량속도에 관한 사전단기예측속도 및 장기예측시구간에서의 상기 제1차량속도에 관한 장기예측속도를 획득하는 단계; 및 상기 사전단기예측속도와 상기 장기예측속도를 시간에 따라 변화하는 가중치에 의해 가중합함으로써 최종단기예측속도를 산출하는 단계;를 포함한다. 이때, 상기 사전단기예측속도를 획득하는 것은, 상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및 상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;를 포함한다.
이때, 상기 단기예측시구간의 종료시점에서 상기 최종단기예측속도와 상기 장기예측속도는 동일한 값을 가질 수 있다.
이때, 상기 사전단기예측속도에 곱해지는 단기가중치는 상기 단기예측시구간의 시작시점에서 1의 값을 갖고 상기 종료시점에서 0의 값으르 가지며, 상기 장기예측속도에 곱해지는 장기가중치는 상기 단기예측시구간의 시작시점에서 0의 값을 갖고 상기 종료시점에서 1의 값을 가질 수 있다.
이때, 상기 사전단기예측속도에 곱해지는 단기가중치는 시간에 따른 감소함수이며, 상기 장기예측속도에 곱해지는 장기가중치는 시간에 따른 증가함수일 수 있다.
이때, 상기 장기예측시구간이 상기 단기예측시구간을 포함하지 않고, 상기 단기예측시구간의 끝난 직후 상기 장기예측시구간이 시작되는 경우, 상기 사전단기예측속도의 마지막 값을 상기 장기예측속도의 시작 값으로 보정하도록 되어 있을 수 있다.
본 발멍의 또 다른 관점에 따라 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 차량속도예측장치가 제공될 수 있다. 이 장치는, 상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및 상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;를 수행하도록 되어 있는 처리부를 포함한다.
본 발명의 또 다른 관점에 따라 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 매체가 제공될 수 있다. 상기 프로그램은 차량속도예측장치로 하여금, 상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및 상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;를 수행하도록 되어 있다.
본 발명에 따르면 적은 양의 과거데이터를 이용하더라도 도로 상의 특정 링크에 대한 미래의 교토흐름에 관한 정보를 효율적이고 정확하게 예측할 수 있는 기술을 제공할 수 있다.
도 1은, 본 발명의 일 실시예에 따라 제공되는 차량속도 예측 방법에 있어서, 차량흐름의 진행방향을 따라 도로를 복수 개의 링크로 구분하고 각 링크에서 감지센서를 이용하여 속도를 측정하는 방법을 설명하기 위한 도면이다.
도 2는 가까운 과거로부터 현재까지의 도 1의 제1링크에서 측정된 차량속도의 대푯값을 시간에 따라 나타낸 그래프의 예시이다.
도 3은 도 1의 제1링크에서 얻은 속도 데이터의 이력을 그래프로 나타낸 것이다.
도 4a는 도 3에서 추출한 각 구간에 해당하는 비교통정보를 표로 나타낸 것이다.
도 4b는 도 6에서 추출한 각 구간에 해당하는 비교통정보를 표로 나타낸 것이다.
도 5는 도 1에서의 제1링크, 제2링크, 제3링크에서 측정된 가까운 과거로부터 현재까지의 차량속도의 대푯값을 시간에 따라 나타낸 그래프이다.
도 6은 도 5에서 나타낸 각 링크별 과거 수년간 확보한 이력데이터 중 모집단의 조건에 따라 얻은 속도 데이터의 이력을 그래프로 나타낸 것이다.
도 7a 내지 도 7c은 본 발명의 다양한 실시예에 따른 모집단 정의 방법을 설명하기 위한 참고도면이다.
도 8은 본 발명의 일 실시예에 따라 차량속도를 예측하는 차량속도 예측방법을 설명하기 위한 도면이다.
도 9는 본 발명의 다른 실시예에 따라 차량속도를 예측하는 차량속도 예측방법을 설명하기 위한 도면이다.
이하, 본 발명의 실시예를 첨부한 도면을 참고하여 설명한다. 그러나 본 발명은 본 명세서에서 설명하는 실시예에 한정되지 않으며 여러 가지 다른 형태로 구현될 수 있다. 본 명세서에서 사용되는 용어는 실시예의 이해를 돕기 위한 것이며, 본 발명의 범위를 한정하고자 의도된 것이 아니다. 또한, 이하에서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다.
<실시예 1 : 예측하고자 하는 특정 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 단기예측하는 방법>
도 1은, 본 발명의 실시예 1에 따라 제공되는 차량속도 예측 방법에 있어서, 도로를 차량흐름의 진행방향을 따라 복수 개의 링크로 나누고 각 링크에서 감지센서를 이용하여 속도를 측정하는 방법을 설명하기 위한 도면이다.
도 1에서 교통흐름은 도로의 상류측(UPSTREAM)에서 하류측(DOWNSTREAM)을 향해 흐르게 된다. 도 1에서 상기 도로는 수평으로 연장된 두 개의 직선 내의 공간에 의해 정의될 수 있다. 이때, 상기 도로는 복수 개의 링크를 포함하는 것으로 간주될 수 있다. 즉, 상기 도로를 복수 개의 링크로 구분하여 분석할 수 있다. 예컨대, 제1링크(11)는 인접한 두 지점(ex: 31, 33)의 사이에 존재하는 도로 공간에 의해 정의될 수 있다. 각 링크(11~15)에는 각 링크(11~15) 내에서의 차량에 관한 정보들을 검출하는 센서(21~25)가 설치되어 있을 수 있다. 상기 센서(21~25)는 각각 차량의 속도를 감지하는 기능을 제공할 수 있다. 각 센서(21~25)는 각 링크(11~15)에서의 차량속도를 측정하도록 되어 있을 수 있다. 상기 차량속도는 각 링크에서 관찰되는 모든 종류의 차량속도의 대표값을 의미할 수 있다.
도 2는, 도 1의 제1링크(11)에서, 가까운 과거로부터 현재까지 측정된 차량속도의 측정값(202)을 시간에 따라 나타낸 그래프의 예를 나타낸다.
도 2에서 x축은 시간의 흐름을 나타내고, y축은 제1링크(11)에서 각 측정시간에 측정된 차량속도(ex: 평균차량속도, 또는 차량들의 속도값들의 대표값)를 나타낸다. 본 발명의 실시예 1에서, 제1링크(11)에서 제1차량속도를 측정하여 제공하는 시간격은 미리 결정된 단위시간(U) 단위로 수행될 수 있다. 이때, 도 2의 그래프에 타나낸 '0'은 현재를 나타낸다. 그리고 U는 사용자가 설정한 특정한 값일 수 있으며, 예컨대 1분, 5분, 10분, 또는 15분 등 다양한 값을 가질 수 있다. 설명의 편의를 위해 도 2에 나타낸 실시예 1에서는 U가 5분인 것으로 가정하며, 상기 가까운 과거로부터 현재까지의 구간 즉, '특정 시구간(A0)'은 과거 20분전부터 현재까지의 시구간인 것으로 가정한다. 또한, 도 2에 표시된 5개의 측정값(202)으로 이루어지는 한 세트는 5분 간격으로 얻은 차량속도의 제1시계열값이고, 그래프(210)는 상기 시계열값을 인터폴레이션하여 얻은 그래프이다. 인터폴레이션 방식에 따라 그래프(210)는 다른 모양으로 제시될 수도 있다. x축에서 +방향은 미래의 시점을 나타내는 방향이고 -x 방향은 과거의 시점을 나타내는 방향이다.
도 3은 도 1의 제1링크(11)에서 얻은 과거 속도 데이터의 이력을 그래프로 나타낸 것으로서, 특히 도 2에 나타낸 특정 시구간(A0)에서의 교통 속도 패턴과 가장 유사하다고 판단된 N개(N=5)의 부분(PA1, PA2, PA3, PA4, PA5) 및 그 직후의 속도 데이터 만을 따로 발췌하여 나타낸 것이다.
도 3의 그래프를 도출하기 위하여 아래의 단계를 거칠 수 있다.
첫째, 도 2에 나타낸 특정 시구간(A0)에서 획득한 교통정보(=교통 데이터)와 비교하기 위한 모집단을 생성하는 단계를 수행할 수 있다. 상기 교통정보는 차량의 속도에 관한 것이며, 예컨대 도 2에 나타낸 바와 같이 차량속도 측정값(202)으로 이루어지는 상술한 제1시계열값일 수 있다.
이하, 본 명세서에서는 '교통정보'와 '비교통정보'는 서로 구분되는 개념이다. '비교통정보'라는 용어는, 차량의 속도와 직접적인 관계가 없는 외적 환경, 예컨대, 요일, 기상상태, 도로 공사 이벤트, 근방의 행사 이벤트 등에 관한 정보를 의미할 수 있다.
상기 '모집단'이란 용어는, 예컨대 도 2에 나타낸 특정 시구간(A0)에서 획득한 제1링크(11)에 관한 교통데이터와 비교하는데 사용하기 위하여, 제1링크(11)에 대하여 과거에 획득한 모든 교통데이터(예컨대 과거 40년 동안의 데이터)로부터 추출한 일정 기간 분량의 '과거 교통데이터의 집합'을 의미할 수 있다.
상기 모집단의 크기가 너무 큰 경우 상기 비교에 소요되는 컴퓨팅 파워가 너무 커지는 단점이 있으며, 모집단의 크기가 너무 작은 경우 예측을 위해 요구되는 비교 데이터가 충분하지 못하게 되는 단점이 있다. 따라서 모집단을 적절히 정의하는 것이 중요하며, 본 발명에서는 아래와 같은 여러 타입의 실시예를 이용하여 다양한 방식으로 모집단을 만들어 낼 수 있다.
첫째, 특정 시구간(A0)에 해당하는 요일과 동일한 요일의 과거 시구간을 K개 선택하여 모집단으로 삼을 수 있다.
둘째, 상기 특정 시구간(A0)에 관련된 비교통정보(ex: 특정 시구간(A0)에는 비가 내리고 있음)와 유사한 비교통정보(ex: 상기 제1링크(11)에서 비가 내렸음을 나태내는 정보)를 갖는 과거 시구간 M개를 더 포함하여 모집단을 정의할 수 있다. 예컨대 상기 특정 시구간(A0)에 비가 내리고 있었다면, 상기 제1링크(11)에서 비가 내린 적이 있던 과거의 M개의 시구간을 선택하여 상기 모집단에 추가할 수 있다. 상기 과거의 M개의 시구간은, 상기 '동일한 요일'에 종속되지 않고, 예컨대 월요일, 화요일, 금요일 등 다양한 요일에 속한 시구간일 수 있다.
따라서 상기 모구간은 총 K+M개의 시구간을 포함하여 이루어질 수 있다. 상기 K와 M은 1 내지 자연수이며, 사용자에 의해 결정된 값일 수 있다. 이때, 상기 첫째 방법에서 이미 '요일'이라는 비교통정보를 이용하였기 때문에 상기 둘째 방법에서 언급한 비교통정보는 첫째 단계에서 언급한 '요일'에 관한 정보를 제외한 정보일 수 있다.
그 다음, 위와 같이 모집단이 정의되면, 상기 모집단 중, 도 2에서 정의된 특정 시구간(A0) 동안에 획득한 상기 제1시계열값(202)에 매칭되는 N개의 과거 시구간들을 찾아내는 단계를 수행할 수 있다. 상기 N은 사용자에 의해 미리 결정된 값일 수 있으며, 상기 '매칭되는'의 의미는, 과거 시구간 동안 상기 제1링크(11)에서 획득한 차량속도의 연속적인 시계열값이 상기 제1시계열값(202)과 유사한 패턴을 갖는다는 것을 의미할 수 있다.
여기서 유사한지 여부는 다양한 알려진 패턴매칭 방법을 이용하여 수행될 수 있다. 예컨대 상기 제1링크(11)에서 획득한 상기 제1시계열값(202)이 20분동안 균일한 시간격으로 획득한 5개의 속도데이터로 구성된다면, 과거에 상기 제1링크(11)에서 획득한 연속적인 5개의 속도데이터로 구성된 임의의 시계열값과 상기 제1시계열값(202) 간의 거리를 산출함으로써 패턴매칭을 할 수 있다. 상기 거리를 산출하는 것은 상기 임의의 시계열값과 상기 제1시계열을 동일한 크기의 벡터로 표현함으로써 수행할 수도 있다.
본 발명의 실시예 1을 설명하기 위한 한 개의 예제에서, K와 M은 각각 '15'의 값을 갖는다고 가정하며, 이에 따라 모집단은 총 30(=15+15)개의 시구간을 포함하여 구성될 수 있다. 또한, 현재의 비교통정보(이벤트)는 '비'가 오는 '금요일'인 것으로 가정할 수 있다. 그리고 상기 N은 '5'인 것으로 가정할 수 있다. 상기 도 3에 나타낸 모집단의 일부인 과거 시구간(PA1 ~ PA5)에 대응하는 비교통정보는 도 4a와 같이 제시될 수 있다. 상기 각 과거 시구간(PA1 ~ PA5)의 길이는 각각 특정 시구간(A0)과 동일함을 가정한다.
도 2와 도 3을 서로 비교하면, 도 2는 예컨대 현재로부터 20분 이전의 과거까지의 짧은 기간 동안 측정된 이력데이터를 나타내고, 도 3은 예컨대 과거 수년간 확보한 이력데이터 중 상술한 방법에 의해 선택된 모집단 중에서 상기 제1시계열값과 가장 유사한 5개의 과거 시구간(PA1 ~ PA5)에서의 과거시계열값 및 상기 과거 시구간(PA1 ~ PA5) 직후의 과거 후속 시구간(101, 111, 121, 131, 141)에서의 과거후속시계열값에 관한 정보를 나타낸다. 여기서 상기 '과거시계열값'은 상기 과거 시구간에서 미리 설정된 시각에서 측정된 복수 개(ex: 5개)의 차량속도에 관한 측정값을 의미하며, 상기 '과거후속시계열값'은 상기 과거 후속 시구간에서 미리 설정된 시각에서 측정된 복수 개(ex: 5개)의 차량속도에 관한 측정값을 의미할 수 있다.
도 3에서 과거 시구간(PA1~PA5) 동안 측정된 차량속도값은 제1시계열값(202)에 가장 가깝게 매칭되는 값을 나타낸 것으로서, 이하, 본 명세서에서 과거 시구간(PA1~PA5)에서의 각 차량속도값(100, 110, 120, 130, 140)은 각각 '제1과거시계열값'으로 지칭될 수 있다.
도 3에서 참조번호 102, 112, 122, 132, 142가 나타내는 그래프는, 상기 5개의 과거 시구간(PA1~PA5) 직후로 정의되는 상기 과거 후속시구간(101, 111, 121, 131, 141)에 측정되어 저장된 차량속도인 상기 과거후속시계열값을 기초로 만들어낸 그래프일 수 있다. 본 명세서에서 그래프(102, 112, 122, 132, 142)가 나타내는 차량속도들의 집합을 '제1후속차량속도 세트'라고 지칭할 수 있다.
도 4a는 도 3에서 추출한 각 구간에 해당하는 비교통정보를 표로 나타낸 것이다. 각 열(column)은 도 3에 나타낸 5개의 '과거 시구간'을 나타낸다.
이하, 도 1 내지 도 4a를 함께 참조하여, 도 1에 나타낸 제1링크(11)에서의 미래의 차량 속도를 예측하는 방법을 설명한다.
본 발명의 실시예 1에 따른 방법은 아래의 단계들을 포함할 수 있다.
도 1과 도 2를 참조하면, 본 발명의 실시예 1에 따른 방법은, 상기 제1링크(11)에서 획득한, 특정 시구간(A0)에서의 차량속도에 관한 제1시계열값(차량속도의 측정값)(202)을 획득하는 단계(S10)를 포함할 수 있다.
그 다음, 본 발명의 실시예 1에 따른 방법은, 상기 획득한 제1시계열값(202)에 가장 근접하게 매칭되는 N(ex: N=5)개의 제1과거시계열값(100, 110, 120, 130, 140) 및 이에 대응하는 N개의 과거 시구간들(PA1~PA5)을 과거 데이터 이력으로부터 형성한 모집단(도3 참조)에서 찾아내는 단계(S20)를 포함할 수 있다.
그 후, 본 발명의 실시예 1에 따른 방법은, 상기 N=5개의 제1과거시계열값(100, 110, 120, 130, 140)을 찾아낸 후, 상기 제1과거시계열값에 대응하는 5개의 과거 시구간(PA1~PA5) 각각에 대하여, 상기 과거 시구간(PA1~PA5) 직후부터 미리 결정된 제1과거 후속시구간(101, 111, 121, 131, 141) 동안의, 상기 제1링크(11)에서의 각각의 제1후속차량속도 세트(102, 112, 122, 132, 142)를 획득하는 단계(S30)를 포함할 수 있다.
본 발명의 실시예 1에서, 상기 미리 결정된 제1과거 후속시구간은 한 시간인 것으로 가정하며, 상기 제1후속차량속도 세트(102, 112, 122, 132, 142)는 일련의 속도값들로 이루어진 것으로서, 상기 5개의 과거 시구간(PA1~PA5) 바로 직후부터 한 시간 이내의 차량속도값(실측값)들의 집합을 의미할 수 있다.
그 후, 본 발명의 실시예 1에 따른 방법은, 5개의 과거 시구간(PA1~PA5)에 대한 각각의 제1후속차량속도 세트(102, 112, 122, 132, 142)를 획득한 후, 상기 제1후속차량속도 세트(102, 112, 122, 132, 142)들 간의 대표값(ex: 평균값)을 계산하는 단계(S40)를 포함할 수 있다.
이때, 상기 대표값은 상기 제1시계열값(202)과 상기 각각의 제1과거시계열값(100, 110, 120, 130, 140) 간의 차이에 의해 결정되는 5개의 가중값을 이용할 수 있다.
상기 제1후속차량차량속도 세트들 간의 평균값 계산과정은 다음과 같을 수 있다.
<첫 번째 단계(S41)>
아래의 식을 통하여 wf(100), wf(110), wf(120), wf(130) wf(140)를 생성한다.
wf(x) = [제1과거시계열값(x), 제1시계열값] 간의 거리를 계산한 값
상기 x는 실시예 1에 따라 예컨대 100, 110, 120, 130, 140 중 어느 하나의 값을 갖는 인덱스일 수 있다.
wf(100) = [첫 번째 제1과거시계열값(100), 제1시계열값(202)] 간의 거리 차
wf(110) = [두 번째 제1과거시계열값(110), 제1시계열값(202)] 간의 거리 차
wf(120) = [세 번째 제1과거시계열값(120), 제1시계열값(202)] 간의 거리 차
wf(130) = [네 번째 제1과거시계열값(130), 제1시계열값(202)] 간의 거리 차
wf(140) = [다섯 번째 제1과거시계열값(140), 제1시계열값(202)] 간의 거리 차
이때, wf(x)의 절대값의 크기가 작을수록 해당 제1과거시계열값에 대한 가중치는 높아질 수 있다.
<두번째 단계(S42)>
상기 wf(x)에 해당하는 미리 정해진 가중치 wb(x)를 이용하여 다음과 같이 가중값 세트를 얻는다. wb(x)는 wf(x)의 정규화된 값일 수 있다.
첫번째 제1후속차량속도 세트(102) * wb(100) = 제1 가중값 세트
두번째 제1후속차량속도 세트(112) * wb(110) = 제2 가중값 세트
세번째 제1후속차량속도 세트(122) * wb(120) = 제3 가중값 세트
네번째 제1후속차량속도 세트(132) * wb(130) = 제4 가중값 세트
다섯번째 제1후속차량속도 세트(142) * wb(140) = 제5 가중값 세트
<세번째 단계(S43)>
제1후속차량속도 세트들 간의 평균값은 가중값 세트들의 평균값과 같으며, 실시예 1에 적용하면 다음과 같다.
제1후속차량속도 세트들 간의 평균값 = (제1 가중값 세트 + 제2 가중값 세트 + 제3 가중값 세트 +　제４ 가중값 세트 + 제5 가중값 세트)/5
예컨대, 상기 제1후속차량차량속도 세트들 간의 평균값은 wb(100)*{첫 번째 제1과거시계열값(100)}+wb(110)*{두 번째 제1과거시계열값(110)}+wb(120)*{세 번째 제1과거시계열값(102)}+wb(130)*{네 번째 제1과거시계열값(130)}+wb(140)*{다섯 번째 제1과거시계열값(140)}으로 주어질 수 있다. 이때, 예컨대 wb(100) + wb(110) + wb(120) + wb(130) + wb(140) = 1일 수 있다.
본 발명의 실시예 1에 따르면, 상기 제1후속차량속도 세트들 간의 평균값 데이터가 제1링크(11)에서의 현재로부터 한 시간까지의 예측된, 미래 차량속도의 시계열값인 것으로 간주될 수 있다.
한편, 상기 대표값은 상기 특정 시구간(A0)과 상기 각각의 과거 시구간(PA1~PA5) 간의 시간 차이에 의해 결정되는 또 다른 5개의 가중값을 이용할 수 있다. 예컨대 과거 시구간(PA1)이 현재로부터 10년 전의 시구간이고 과거 시구간(PA5)은 현재로부터 1년 전의 시구간이라고 가정할 수 있다. 이때, 10년 전의 교통환경은 현재와 많이 다를 수 있기 때문에 10년 전의 첫번째 제1과거시계열값(100)이 제1시계열값(202)와 유사한 것은 우연적인 요소에 의해 발생했을 가능성도 배제할 수 없다. 그런데 1년 전의 교통환경은 현재와 유사할 수 있기 때문에 1년 전의 첫번째 제1과거시계열값(140)이 제1시계열값(202)와 유사한 것은 충분한 이유가 있다고 판단할 수 있다. 따라서 현재로부터 더 떨어진 과거에 대응하는 후속차량속도 세트에는 더 작은 가중치를 주고, 현재로부터 덜 떨어진 과거에 대응하는 후속차량속도 세트에는 더 큰 가중치를 주어 가중평균을 구하는 방법을 이용할 수 있다.
<실시예 2 : 예측하고자 하는 특정 링크를 포함하는 두 개의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 단기예측하는 방법>
이하 본 발명에 따른 실시예 2를 설명한다.
도 5에 나타낸 그래프(211, 221, 231)는 각각, 도 1에서의 제1링크(11), 제2링크(12), 및 제3링크(13)에서 측정된 가까운 과거로부터 현재까지의 차량속도의 측정값(210, 220, 230)을 시간에 따라 나타낸 그래프이다. 그래프(211, 221, 231)는 본 발명의 설명을 위하여 개발된 예시적인 값들이며, 실제로 측정된 값의 추세는 이와 다를 수 있다.
도 5의 x축과 y축이 의미하는 바는 도 2의 x축, y축이 의미하는 바와 같다. 그리고 도 5에 나타낸 그래프(211, 221, 231)는 각각 도 1에 나타낸 링크(11, 12, 13)에서 얻은, 예컨대 가까운 과거 시간(특정 시구간(A0)) 동안의 차량속도에 관한 제1시계열값(210), 제2시계열값(220), 제3시계열값(230)을 인터폴레이션하여 얻은 그래프들이다. 인터폴레이션 방식에 따라 그래프(211, 221, 231)는 다른 모양으로 나타날 수도 있다.
도 6은 도 1에서 나타낸 각 링크에 대하여 과거 수년간 확보한 이력데이터 중 모집단의 조건에 따라 얻은 속도 데이터의 이력을 그래프로 나타낸 것이다.
도 6의 그래프를 도출하기 위하여 아래의 단계를 거칠 수 있다.
첫째, 도 5에 나타낸 특정 시구간(A0)에서 획득한 교통정보(=교통 데이터)와 비교하기 위한 모집단을 생성하는 단계를 수행할 수 있다. 여기서, 상기 '모집단'이란, 상기 특정 시구간(A0)에서 획득한 제1링크(11), 제2링크(12), 및 제3링크(13)에 관하여 얻은 교통데이터와 비교하기 위하여, 상기 제1링크(11), 제2링크(12), 및 제3링크(13) 각각에 대하여 과거에 획득한 모든 교통데이터(예컨대 과거 40년 동안의 데이터)로부터 추출한 과거 교통데이터의 집합(예컨대 총 1개월 분량의 데이터)을 의미할 수 있다.
예컨대, 모집단을 정의하기 위하여 아래의 두 가지 방법을 이용할 수 있다.
첫째, 특정 시구간(A0)에 해당하는 요일과 동일한 요일의 과거 시구간을 K개 선택하여 모집단으로 삼을 수 있다.
둘째, 상기 특정 시구간(A0)에 관련된 비교통정보(ex: 특정 시구간(A0)에는 비가 내리고 있음)와 유사한 비교통정보(ex: 상기 제1링크(11)에서 과거에 비가 내렸는지에 관한 정보)를 가지는 과거 시구간 M개를 더 포함하여 모집단을 정의할 수 있다. 예컨대 특정 시구간(A0)에 비가 내리고 있었다면, 상기 제1링크(11)에서 비가 내린 적이 있던 과거의 M개의 시구간을 선택하여 상기 모집단에 추가할 수 있다. 상기 과거의 M개의 시구간은, 예컨대 월요일, 화요일, 금요일 등 다양한 요일에 속한 시구간일 수 있다. 제1링크(11), 제2링크(12), 및 제3링크(13)은 서로 인접한 공간이므로 각각의 비교통정보가 서로 동일할 수도 있다.
따라서 상기 모구간은 총 K+M개의 시구간을 포함하여 이루어질 수 있다. 상기 K와 M은 1 내지 자연수이며, 사용자에 의해 결정된 값일 수 있다. 이때, 상기 첫째 방법에서 이미 '요일'이라는 비교통정보를 이용하였기 때문에 상기 둘째 방법에서 언급한 비교통정보는 첫째 단계에서 언급한 요일에 관한 정보를 제외한 것일 수 있다.
그 다음, 상기 정의된 모집단으로부터, 제1링크(11), 제2링크(12), 및 제3링크(13)에 대하여, 도 5에서 정의된 특정 시구간(A0) 동안에 획득한 제1시계열값(210), 제2시계열값(220), 및 제3시계열값(230)에 동시에 가장 잘 매칭되는 N개의 과거 시구간들을 찾아내는 단계를 수행할 수 있다. 상기 N은 사용자에 의해 미리 결정된 값일 수 있다. 본 발명의 실시예 2에서, K와 M은 각각 '15'의 값을 갖는다고 가정하며, 이에 따라 모집단은 30개의 시구간을 포함하여 구성될 수 있다. 또한, 현재의 비교통정보(이벤트)는 '비가 오는 금요일'인 것으로 가정하며, N은 '3'인 것으로 가정한다. 상기 도 6에 나타낸 모집단의 일부인 과거 시구간(PB1~PB5)에 대응하는 비교통정보는 도 4b와 같을 수 있다. 상기 각 과거 시구간(PB1~PB5)의 각각의 길이는 도 5에 나타낸 특정 시구간(A0)의 길이와 동일하다고 가정할 수 있다.
도 6의 제1그래프(4100)는 제1링크(11)에 대한 과거 데이터 이력이며, 제2그래프(4200)는 제2링크(12), 그리고 제3그래프(4300)는 제3링크(13)에 대한 과거 데이터 이력이다. 또한 과거 시구간(PB1~PB5)은 과거 데이터 이력에서 추출한 각각의 과거 시구간들을 의미한다.
상기 과거 시구간(PB1~PB5)에 대응하는 참조번호 410, 420, ..., 450은 제1링크(11)에서 측정된 차량속도값의 제1과거시계열값들을 나타낸다. 그리고 참조번호 310, 320, ..., 350은 제2링크(12)에서 측정된 차량속도값의 제2과거시계열값들을 나타내고, 참조번호 510, 520, ..., 550은 제3링크(13)에서 측정된 차량속도값의 제3과거시계열값들을 나타낸다.
이제, 그리고 상기 과거 시구간(PB1~PB5) 직후의 미리 결정된 제1과거 후속시구간(411, 421, ..., 451)의 그래프의 값들로 이루어지는 제1링크(11)에서의 제1후속차량속도 세트(412, 422, ..., 452)들을 정의할 수 있다. 그리고 상기 과거 시구간(PB1~PB5) 직후의 미리 결정된 제2과거 후속시구간(311, 321, ..., 351)의 그래프의 값들로 이루어지는 제2링크(12)에서의 제2후속차량속도 세트(312, 322, ..., 352)들을 정의할 수 있다. 그리고 상기 과거 시구간(PB1~PB5) 직후의 미리 결정된 제3과거 후속시구간(511, 521, ..., 551)의 그래프의 값들로 이루어지는 제3링크(13)에서의 제3후속차량속도 세트(512, 522, ..., 552)들을 정의할 수 있다. 이때, 각각의 상기 과거 시구간의 길이는 20분이라고 가정하고, 상기 미리 결정된 제1과거 후속시구간, 상기 미리 결정된 제2과거 후속시구간, 및 상기 미리 결정된 제3과거 후속시구간은 각각 한 시간인 것으로 가정할 수 있다. 여기서 제1과거 후속시구간(411, 421, ..., 451), 제2과거 후속시구간(311, 321, ..., 351), 제3과거 후속시구간(511, 521, ..., 551)은 서로 같은 것이다.
이하, 도 1, 도 4b, 도 5, 및 도 6을 함께 참조하여, 제1링크(11)에서의 미래의 차량 속도를 예측하는 방법을 설명한다.
<실시예 2-1 : 예측하고자 하는 특정 링크를 포함하는 두 개의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 예측하는 방법 - 특정 링크에서 정체가 발생한 경우>
특정 링크, 예컨대 도 1의 제1링크(11)에서 정체가 발생한 경우, 상기 제1링크(11)에서의 교통속도가 미리 결정된 제1값보다 느릴 수 있다. 제1링크(11)에 정체가 발생한 경우, 이 정체가 해소될지 여부는, 제1링크(11)보다 상류에 존재하는 제2링크(12)에서의 교통데이터로부터 예측할 수 있다.
실시예 2-1에서, 상기 제1링크(11)에서의 교통속도가 미리 결정된 제1값보다 낮다고 가정하며, 따라서 상기 제1링크(11)보다 상류에 존재하는 제2링크(12)에서의 교통데이터를 함께 이용한다.
실시예 2-1에 따른 교통흐름 예측방법은, 제1링크(11)와 제2링크(12)에 관하여, 각각 특정 시구간(A0)에서의 제1시계열값(210) 및 제2시계열값(220)을 획득하는 단계(S110)를 포함할 수 있다.
그 후, 상기 제1링크(11)와 상기 제2링크(12)의 과거데이터(4100, 4200)에 있어서, 상기 획득한 제1시계열값(210)과 제2시계열값(220)에 동시에 가장 가깝게 매칭되는 것으로서, 상기 제1링크(11)에 대한 제1과거시계열값과 상기 제2링크(12)에 대한 제2과거시계열값으로 이루어지는 쌍을 N개 찾아내는 단계(S120)를 포함할 수 있다.
실시예 2-1에서, 상기 N은 3인 것으로 가정하며, 상기 과거 시계열값 3쌍{(320, 420),(330, 430),(350, 450)}은 각각, 도 6의 제2과거 시구간(PB2), 제3과거 시구간(PB3), 및 제5과거 시구간(PB5)에 해당한다. 상기 과거 시계열값 3쌍을 찾아낸 후, 상기 3쌍에 해당하는 각각의 과거 시구간(PB2, PB3, PB5) 직후부터 한 시간 동안(421, 431, 451)의 상기 제1링크(11)에서의 제1후속차량속도 세트(422, 432, 452)를 획득하는 단계를 거친다. 제1링크(11)에서의 현재로부터 앞으로 한 시간 동안의 차량속도를 예측하기 위해선 상기 제1링크(11)에서의 제1후속차량속도 세트들(422, 432, 452)간의 대표값을 계산하는 단계를 거치는데, 이때 제1링크(11)에서의 상기 대표값은 상기 제1시계열값(210)과 상기 제1과거시계열값(420, 430, 450)간의 거리에 의해 결정되는 3개의 가중값을 이용하여 계산할 수 있다.
상기 제1후속차량속도 세트들 간의 평균값 계산과정은 다음과 같을 수 있다.
<첫 번째 단계>
아래의 식을 통하여 wf(420), wf(430), wf(450)을 생성한다.
wf(x) = [제1과거시계열값(x), 제2시계열값] 간의 거리를 계산한 값
상기 x는 실시예 2-1에 따라 420, 430, 450 중 어느 하나의 자연수로 지시되는 인덱스를 의미할 수 있음
wf(420) = [첫 번째 제1과거시계열값(420), 제1시계열값(210)] 간의 거리 차
wf(430) = [두 번째 제1과거시계열값(430), 제1시계열값(210)] 간의 거리 차
wf(450) = [세 번째 제1과거시계열값(450), 제1시계열값(210)] 간의 거리 차
이때, wf(x)의 절대값의 크기가 작을수록 해당 제1과거시계열값에 대한 가중치는 높아질 수 있다.
<두번째 단계>
상기 wf(x)에 해당하는 미리 정해진 가중치 wb(x)를 이용하여 다음과 같이 가중값 세트를 얻는다. wb(x)는 wf(x)를 정규화한 값일 수 있다.
첫번째 제1후속차량속도 세트(422) * wb(420) = 제1 가중값 세트
두번째 제1후속차량속도 세트(432) * wb(430) = 제2 가중값 세트
세번째 제1후속차량속도 세트(452) * wb(450) = 제3 가중값 세트
<세번째 단계>
제1후속차량속도 세트들 간의 대표값은 상기 가중값 세트들의 대표값과 같으며, 실시예에 적용하면 다음과 같다.
제1후속차량속도 세트들 간의 평균값 = (제1 가중값 세트 + 제2 가중값 세트 + 제3 가중값 세트)/3
<실시예 2-2 : 예측하고자 하는 특정 링크를 포함하는 두 개의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 예측하는 방법 - 특정 링크에서의 교통 흐름이 원활한 경우>
특정 링크, 예컨대 도 1의 제1링크(11)에서의 교통흐름이 원활한 경우, 상기 제1링크(11)에서의 교통속도가 미리 결정된 제1값보다 빠를 수 있다. 제1링크(11)에서의 교통흐름이 원활한 경우, 제1링크(11)에서 향후 정체가 발생할지 여부는, 제1링크(11)보다 하류에 존재하는 제3링크(13)에서의 교통데이터로부터 예측할 수 있다.
실시예 2-2에 따른 교통흐름 예측방법은, 실시예 2-1과 동일한 단계들을 포함할 수 있다. 다만, 실시예 2-1에서는 예측하고자 하는 제1링크(11) 및 이보다 상류에 있는 제2링크(12)를 이용하였으나, 실시예 2-2에서는 예측하고자 하는 제1링크(11) 및 이보다 하류에 있는 제3링크(13)를 이용한다는 점이 다르다.
상술한 실시예 2, 실시예 2-1, 및 실시예 2-2에서는, 서로 인접한 두 개의 링크를 이용하는 예를 들었지만, 상기 두 개의 링크가 서로 인접하지 않도록 할 수도 있다. 예컨대 실시예 2-1에서 제1링크(11) 및 이보다 상류에 있는 제2링크(12)를 이용하였으나, 이를 변형하여 제1링크(11) 및 이보다 상류에 있는 제4링크(14)를 이용할 수도 있다. 마찬가지로 실시예 2-2에서 제1링크(11) 및 이보다 하류에 있는 제3링크(13)를 이용하였으나, 이를 변형하여 제1링크(11) 및 이보다 하류에 있는 제5링크(15)를 이용할 수도 있다.
<실시예 3 : 예측하고자 하는 특정 링크를 포함하는 세 개 이상의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 단기예측하는 방법>
상술한 실시예 2에서는 예측하고자 하는 제1링크(11) 및 이와 다른 한 개의 다른 링크를 이용하는 방식으로, 제1링크(11)에서의 미리교통정보를 예측하였다.
이와 달리 실시예 3에서는 예측하고자 하는 제1링크(11) 및 이와 다른 두 개 이상의 다른 링크를 이용할 수 있다. 즉, 실시예 3은 실시예 2의 개념을 확장한 예이다. 예컨대 제1링크(11)에서 교통정체가 발생한 경우, 제1링크(11), 제2링크(12)와 제4링크(14)에서 얻은 교통정보를 함께 이용할 수 있다. 또는, 제1링크(11)에서 교통흐름이 원활한 경우, 제1링크(11), 제3링크(13), 및 제5링크(15)에서 얻은 교통정보를 함께 이용할 수 있다.
본 발명의 실시예에 따라, 상기 후속차량속도 세트들 간의 대표값 데이터가 제1링크(11)에서의 현재로부터 1시간까지의 예측된, 미래 차량속도(미래 차량속도의 시계열값)가 될 수 있다. 또한, 복수 개의 링크를 이용하여 미래의 차량속도를 예측하는 것이 하나의 링크를 이용하여 미래의 차량속도를 예측하는 것보다 더 정확할 수 있다.
<실시예 4, 5, 6: 모집단의 정의방법>
상술한 실시예 1에서 상기 모집단의 정의 방법의 일예를 서술하였다. 그러나 본 발명에서는 이와 다른 다양한 방식으로 상기 모집단을 정의할 수 있다.
이하, 도 7a 내지 도 7c를 각각 참고하여 본 발명의 각 실시예에 따른 모집단의 정의방법에 대하여 서술한다.
본 발명의 실시예 4에서, 상기 과거 교통데이터의 집합은, 과거의 특정 시점(연월일시)로부터 연속하여 일정기간(ex: 5일) 동안 얻은 상기 일정기간 분량의 데이터를 의미할 수 있다. 이러한 모집단의 예는 도 7a에 도시되어 있다. 가로축은 시간축이며 빗금친 영역이 모집단으로 설정된 영역을 나타낸다. 여기서 모집단은 시간축에서 연속되어 있는 한 개의 집합으로 표시된다. 예컨대 빗금친 영역은 총 5일 분량의 시간에 대응할 수 있다.
본 발명의 실시예 5에서, 상기 과거 교통데이터의 집합은, 일정기간(ex: 5일)에 대응하는 분량의 과거데이터로서, 복수 개의 불연속적인 시구간들로부터 얻은 데이터를 의미할 수 있다. 이때, 상기 복수 개의 불연속적인 시구간들에는 특별한 제약조건이 없을 수 있다. 이러한 모집단의 예는 도 7b에 도시되어 있다. 가로축은 시간축이며 빗금친 영역이 모집단으로 설정된 영역을 나타낸다. 여기서 모집단은 시간축에서 서로 분산되어 있는 복수 개의 부분집합들의 합으로 표시된다. 예컨대 빗금친 영역은 총 5일 분량의 시간에 대응할 수 있다.
본 발명의 실시예 6에서, 상기 과거 교통데이터의 집합은, 일정기간(ex: 5일)에 대응하는 분량의 과거데이터로서, 복수 개의 불연속적인 시구간들로부터 얻은 데이터를 의미할 수 있다. 이때, 상기 복수 개의 불연속적인 시구간들은 모두, 상술한 '특정 시구간'의 '시간 속성'과 동일한 '시간 속성'을 가진 것일 수 있다. 이러한 시간속성은 주기적으로 나타날 수 있다. 이러한 모집단의 예는 도 7c에 도시되어 있다. 가로축은 시간축이며 빗금친 영역이 모집단으로 설정된 영역을 나타낸다. 여기서 모집단은 시간축에서 서로 주기성을 갖고 분산되어 있는 복수 개의 부분집합들의 합으로 표시된다. 예컨대 빗금친 영역은 총 5일 분량의 시간에 대응할 수 있다.
예컨대 실시예 6에 관한 본 발명의 실시예 6-1에서 상기 과거 교통데이터의 집합은, 예측하고자 하는 '미래의 특정 단기시구간'의 직전 또는 이전의 상기 '특정 시구간'에 대응하는 '과거 시구간'들 중 상기 '일정기간 분량들을 모아둔 데이터집합'를 의미할 수 있다.
상기 실시예 6-1에서, 상기 '미래의 특정 단기시구간'은, 예컨대 현재 시점이 오늘 13:00이라고 가정하였을 때에, 오늘 13:01 ~ 14:00일 수 있다.
그리고 상기 '특정 시구간'은, 예컨대 오늘 12:31 ~ 13:00일 수 있다.
그리고 상기 '과거 시구간'들은, 임의의 과거의 날짜에서의 12:31 ~ 13:00 시구간들의 집합일 수 있다.
그리고 상기 '일정기간 분량'은, 예컨대 1개월 분량일 수 있다. 그리고 상기 '일정기간 분량을 모아둔 데이터집합'은, 예컨대 과거의 날들 중 미리 결정된 규칙에 의해 선택된 총 240일(=24시간*5일/0.5시간) 분량의 날짜에서의 12:31 ~ 13:00 시구간들에 대하여 모아둔 데이터일 수 있다. 상기 총 240일 분량의 날짜는 주기성을 갖도록 선택된 날짜들일 수도 있다.
예컨대 실시예 6에 관한 본 발명의 실시예 6-2에서 상기 과거 교통데이터의 집합은, 예측하고자 하는 '미래의 특정 단기시구간'의 직전 또는 이전의 상기 '특정 시구간'에 대응하는 '과거 시구간'들 중 상기 '일정기간 분량들을 모아둔 데이터집합'를 의미할 수 있다.
상기 실시예 6-2에서, 상기 '미래의 특정 단기시구간'은, 예컨대 현재 시점을 목요일 00:00라고 가정하였을 때에, 목요일 0:01 ~ 24:00, 즉 특정 요일에 해당하는 하루(one day)일 수 있다.
그리고 상기 '과거 시구간'들은, 예컨대 임의의 과거의 수요일에서의 23:31~24:00 시구간들의 집합일 수 있다.
그리고 '과거 시구간'들은, 예컨대 임의의 과거의 주들(weeks)에서의 수요일에서의 23:31~24:00 시구간들의 집합일 수 있다.
그리고 상기 '일정기간 분량'은, 예컨대 5일 분량일 수 있다. 그리고 상기 '일정기간 분량을 모아둔 데이터집합'은, 예컨대 과거의 날들 중 미리 결정된 규칙에 의해 선택된 총 1,680일(=24시간*7[일]*5일/0.5시간) 분량의 목요일에 대하여 모아둔 데이터일 수 있다.
상술한 실시예 6-1과 6-2를 살펴보면, 본 발명의 실시예 6에서 설명한 상기 '시간 속성'이 의도하는 바를 이해할 수 있을 것이다. 예컨대 모든 날들에 대해서 동일한 길이를 갖는 동일한 시간대는 서로 동일한 시간 속성을 갖는 것으로 이해될 수 있다. 예컨대 모든 주들에 대해서 특정 요일들은 서로 동일한 시간 속성을 갖는 것으로 이해될 수 있다. 예컨대 모든 달(month)들에 대하여 특정 번째의 주들은 서로 동일한 시간 속성을 갖는 것으로 이해될 수 있다. 예컨대 모든 해(year)에 대하여 특정 달들은 서로 동일한 시간 속성을 갖는 것으로 이해될 수 있다. 예컨대 모든 해에 대하여 특정 공휴일들은서로 동일한 시간 속성을 갖는 것으로 이해될 수 있다.
실시예 4, 실시예 5, 및 실시예 6의 개념이 혼재하도록 모집단을 설정할 수도 있다. 즉, 모집단은 시간축에서 연속적으로 정의되는 제1부분집합, 서로 주기성을 갖고 분산되어 있는 복수 개의 제2부분집합들, 및 주기성 없이 분산되어 있는 복수 개의 제3부분집함들 중 적어도 2개의 합집합으로 구성될 수도 있다.
<실시예 7: 장기예측결과와 단기예측결과의 조합방법>
도 1 내지 도 7에서 설명한 실시예 1 내지 실시예 6은 가까운 미래의 제한된 시간, 예컨대 현재부터 한 시간 후까지의 한 시간 동안의 단기예측 방법에 관한 것이다.
상기 한 시간 후 이후의 각 링크에서의 교통상황은 여기에 소개하지 않은 다른 장기예측 방법에 결정될 수 있다.
본 발명의 실시예 7에서는 임의의 장기예측 방법에 의해 도출된 장기예측결과와 상술한 본 발명의 일 실시예에 따른 단기예측 방법에 의해 도출된 단기예측결과를 조합하여 차량속도를 예측하는 차량속도 예측방법을 제시한다.
도 8은 본 발명의 일 실시예에 따라 차량속도를 예측하는 차량속도 예측방법을 설명하기 위한 도면이다.
도 8에서 가로축은 시간축이고 세로축은 특정링크에 대하여 현재시점(tp) 이후에서부터 '장단기 구분시점'(tsl)까지 예측한 차량속도를 나타낸다. 현재시점(tp) 이후에서부터 장단기 구분시점(tsl)까지의 제1시구간(tp =< t <= tsl)을 단기예측시구간(tp =< t <= tsl)이라고 정의할 수 있다. 그리고 장단기 구분시점(tsl) 이후의 제2시구간(tsl =< t)을 포함하는 미래를 장기예측시구간(tp =< t)이라고 정의할 수 있다. 상기 단기예측시구간 및 상기 장기예측시구간 대하여 특정 링크에서의 차량속도를 예측하는 알고리듬은 서로 다른 것을 사용할 수 있다. 상기 단기예측시구간에 대하여 특정 링크에서의 차량속도를 예측하는 알고리듬은 도 1 내지 도 7을 통해 설명한 것일 수 있다.
도 8에 나타낸 '사전단기예측그래프'(801)은 본 발명의 제1알고리듬에 따라 생성한 특정 링크에서의 사전단기예측속도를 나타낸 그래프이다. 여기서 상기 제1알고리듬은 상술한 도 1 내지 도 7을 통해 설명한 특정 링크에서의 미래교통정보를 단기예측하는 방법일 수 있다.
장기예측그래프(802)는 제2알고리듬에 따라 생성한 상기 특정 링크에서의 장기예측속도를 나타낸 그래프이다. 여기서 상기 제2알고리듬은 임의의 방법이거나 또는 상기 제1알고리듬을 변형하여 얻은 것일 수도 있다.
최종단기예측그래프(810)는 본 발명의 실시예 7에 따라 생성한 상기 특정 링크에서의 최종단기예측속도를 나타낸 그래프이다.
도 8을 참조하면, 상기 제1알고리듬과 상기 제2알고리듬은 서로 다르기 때문에 상기 장단기 구분시점(tsl)에서의 사전단기예측그래프(801)의 값과 장기예측그래프(802)의 값은 서로 다를 수 있다. 즉, 장단기 구분시점(tsl)에서 예측데이터의 불연속이 발생한다.
이러한 불연속을 해소하기 위하여 상기 제1시구간에서의 예측데이터, 즉 최종단기예측그래프(810)를 사전단기예측그래프(801)와 장기예측그래프(802)의 가중합을 이용하여 보정할 수 있다.
이를 위해, 사전단기예측그래프(801)를 Y1=f1(t)라고 표현할 수 있다. 여기서 f1은 t를 독립변수로하여 Y1를 출력하는 함수일 수도 있고, 또는 t에 따라 예측된 Y1값을 이용하여 t 값에 Y1를 매칭시키는 대응관계를 나타내는 것일 수도 있다. 사전단기예측그래프(801)는 0 =< t <= tsl에 대해서 생성될 수 있다.
그리고 장기예측그래프(802)는 Y2=f2(t)라고 표현할 수 있다. 여기서 f2은 t를 독립변수로하여 Y2를 출력하는 함수일 수도 있고, 또는 t에 따라 예측된 Y2값을 이용하여 t 값에 Y2를 매칭시키는 대응관계를 나타내는 것일 수도 있다. 장기예측그래프(802)는 0 =< t 에 대해서 생성될 수 있다.
상기 최종단기예측그래프(810)는 사전단기예측그래프(801)와 장기예측그래프(802)를 시간에 따라 변하는 가중치 α(t)에 의해 가중합하여 생성할 수 있다. 이때, 최종단기예측그래프(810)의 시간에 따른 값 Y3는 아래 수식 1을 만족할 수 있다.
[수식 1]
Y3 = f3(t)
= α(t)*f1(t) + [1-α(t)]*f2(t)　 ( 단, tp =< t <= tsl),
= f2(t) ( 단, tsl < t )
단, t=tsl일 때에 α(t)=α(tsl)=0
수식 1에서 t=0일 때에 α(t)=α(0)=1이 될 수도 있다. 그리고 일 실시예에서는 α(t)는 t가 증가할 수록 감소할 수도 있다.
도 9는 또 다른 실시예에 따른 장기예측결과와 단기예측결과의 조합방법을 설명하기 위한 것이다.
도 9의 예에서 참조번호 901은 도 8의 참조번호 801과 동일하다.
도 9의 예에서 장기예측그래프(902)는 장기예측그래프(802)과 동일하지만 장단기 구분시점(tsl) 이전에는 예측값이 존재하지 않는다는 점이 다르다.
도 9의 경우에도 장단기 구분시점(tsl)에서의 사전단기예측그래프(901)의 값과 장기예측그래프(902)의 값은 서로 다를 수 있다. 즉, 장단기 구분시점(tsl)에서 예측데이터의 불연속이 발생한다. 이를 해결하기 위하여 장단기 구분시점(tsl)에서의 사전단기예측그래프(901)의 값을 장단기 구분시점(tsl)에서의 장기예측그래프(902)의 값으로 보정할 수 있다. 즉 제1시구간(tp =< t <= tsl) 동안, 사전단기예측그래프(901)에 시간에 따라 결정되는 값을 갖는 가중치 β(t)를 곱하여 보정된 최종단기예측그래프(910)을 생성할 수 있다. 이때, 만일 장단기 구분시점(tsl)에서의 사전단기예측그래프(901)의 값이 장단기 구분시점(tsl)에서의 장기예측그래프(902)의 값보다 크다면 β(t)는 시간에 따라 감소할 수 있다. 이와 달리, 만일 장단기 구분시점(tsl)에서의 사전단기예측그래프(901)의 값이 장단기 구분시점(tsl)에서의 장기예측그래프(902)의 값보다 작다면 β(t)는 시간에 따라 증가할 수 있다. 그리고 β(t=0)=1일 수 있다.
본 발명에 따르면, 미래에 발생할 교통수요의 급격한 변화, 기상변화, 공사, 행사 등을 고려하여 교통상황을 예측하므로, 미래 교통상황 예측정보에 대한 신뢰도를 향상시킬 수 있으며, 공공부문에서 구축된 교통정보 수집체계를 활용하여 도시부 도로를 포함한 예측정보를 생성하므로 누구나 무상으로 이용하도록 할 수 있다. 또한 도로 운영자의 교통정보 생성 단위로 정보를 생성하여, 도로 운영자가 선제적 교통제어전략 수립에 활용하도록 할 수 있다.
[부호의 설명]
UPSTREAM : 도로의 상류측
DOWNSTREAM : 도로의 하류측
A0~A1: 현재로부터 가까운 과거까지의 특정 시구간
PA1~PA5 : 과거의 추출된 시구간
PB1~PB5 : 과거의 추출된 시구간
11~15 : 도로의 일정간격으로 나눠진 링크
21~25 : 각 구간에 설치된 차량 속도 감지 센서
31~36 : 도로의 링크를 구분 짓는 지점
202, 210 : 제1시계열값(=제1링크에서의 차량속도 측정값)
220 : 제2시계열값(=제2링크에서의 차량속도 측정값)
230 : 제3시계열값(=제3링크에서의 차량속도 측정값)
211 : 가까운 과거부터 현재까지 제1링크(11)에서 얻은 차량속도 그래프
221 : 가까운 과거부터 현재까지 제2링크(12)에서 얻은 차량속도 그래프
231 : 가까운 과거부터 현재까지 제3링크(13)에서 얻은 차량속도 그래프
100, 110, 120, 130, 140 : 도로의 제1링크(11)에 해당하는 과거 데이터 이력 중 추출한 특정 구간
101, 111, 121, 131, 141 : 과거 시구간 직후부터 미리 결정된 시간까지의 범위
102, 112, 122, 132, 142 : 제1~제5 후속차량속도 세트
4100 : 제1링크(11)에서 얻은 과거 차량속도 데이터
4200 : 제2링크(12)에서 얻은 과거 차량속도 데이터
4300 : 제3링크(13)에서 얻은 과거 차량속도 데이터
310, 320, 330, 340, 350 : 도로의 제2링크(12)에 해당하는 과거 데이터 이력 중 추출한 특정 구간
311, 321, 331, 341, 351 : 제2링크(12)에서의 과거 시구간 직후부터 미리 결정된 제2과거 후속시구간까지의 범위
312, 322, 332, 342, 352 : 제2링크(12)의 제2후속차량속도 세트
410, 420, 430, 440, 450 : 도로의 제1링크(11)에 해당하는 과거 데이터 이력 중 추출한 특정 구간
411, 421, 431, 441, 451 : 제1링크(11)에서의 과거 시구간 직후부터 미리 결정된 제1과거 후속시구간까지의 범위
412, 422, 432, 442, 452 : 제1링크(11)의 제1후속차량속도 세트
510, 520, 530, 540, 550 : 도로의 제3링크(13)에 해당하는 과거 데이터 이력 중 추출한 특정 구간
511, 521, 531, 541, 551 : 제3링크(13)에서의 과거 시구간 직후부터 미리 결정된 제3과거시간까지의 범위
512, 522, 532, 542, 552 : 제3링크(13)의 제3후속차량속도 세트

Claims (17)

  1. 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 방법으로서,
    상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및
    상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;
    를 포함하는,
    차량속도 예측방법.
  2. 제1항에 있어서, 상기 제1과거 교통데이터의 집합은 상기 특정 시구간의 시간속성과 동일한 시간속성을 갖는, 차량속도 예측방법.
  3. 제1항에 있어서, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보는, 상기 찾아낸 N개의 제1과거시계열값에 대응하는 N개의 과거 시구간 직후의 N개의 과거 후속시구간 동안에서의 차량속도에 관한 정보인, 차량속도 예측방법.
  4. 제2항에 있어서, 상기 제1과거 교통데이터의 집합은, 상기 특정 시구간이 속한 요일과 동일한 요일에 획득한 제1차량속도에 관한 데이터를 포함하는, 차량속도 예측방법.
  5. 제1항 또는 제4항에 있어서, 상기 상기 제1과거 교통데이터의 집합은, 상기 특정 시구간 동안 발생한 비교통정보 이벤트와 동일한 비교통정보 이벤트가 발생한 것으로 확인된 과거의 시구간들에서 획득한 제1차량속도에 관한 데이터를 포함하는, 차량속도 예측방법.
  6. 제1항에 있어서, 상기 예측하는 단계는,
    상기 N개의 제1과거시계열값에 대응하는 N개의 과거 시구간(PTp, p는 1 내지 N의 자연수) 각각에 대하여, 상기 과거 시구간(PTp) 직후부터 미리 결정된 시간까지의 상기 제1링크에서의 후속차량속도 세트를 획득하는 단계; 및
    상기 획득한 후속차량속도 세트들 간의 평균값을 계산하는 단계;
    를 포함하는,
    차량속도 예측방법.
  7. 제1항에 있어서,
    상기 도로 상의 또 다른 두 지점 사이에서 정의되는 제2링크에서의 상기 특정 시구간 동안의 제2차량속도에 관한 제2시계열값을 획득하는 단계를 더 포함하며,
    상기 예측하는 단계는,
    상기 제1과거 교통데이터의 집합과 상기 제2차량속도에 관한 제2과거 교통데이터의 집합으로부터,
    상기 제1시계열값과 상기 제2시계열값에 동시에 매칭되는, 상기 제1링크에 관한 제1과거시계열값과 상기 제2링크에 관한 제2과거시계열값으로 이루어지는 쌍을 N개 찾아내는 단계; 및
    상기 찾아낸 N개의 쌍에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 차량속도를 예측하는 단계;
    를 포함하는,
    차량속도 예측방법.
  8. 제7항에 있어서,
    상기 도로 상의 또 다른 두 지점 사이에서 정의되는 제3링크에서의 상기 특정 시구간 동안의 제3차량속도에 관한 제3시계열값을 획득하는 단계를 더 포함하며,
    상기 예측하는 단계는,
    상기 제1과거 교통데이터의 집합, 상기 제2과거 교통데이터의 집합, 및 상기 제3링크에서의 제3차량속도에 관한 제3과거 교통데이터의 집합으로부터,
    상기 제1시계열값, 상기 제2시계열값, 및 상기 제3시계열값에 동시에 매칭되는, 상기 제1링크에 관한 제1과거시계열값, 상기 제2링크에 관한 제2과거시계열값, 및 상기 제3링크에 관한 제3과거시계열값으로 이루어지는 쌍을 N개 찾아내는 단계; 및
    상기 찾아낸 N개의 쌍에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 차량속도를 예측하는 단계;
    를 포함하는,
    차량속도 예측방법.
  9. 제7항에 있어서, 상기 제1링크에서의 교통속도가 미리 결정된 제1값보다 낮다고 판단된 경우 상기 제2링크는 상기 제1링크보다 상류에 존재하고, 상기 제1링크에서의 교통속도가 미리 결정된 제2값보다 높다고 판단된 경우 상기 제2링크는 상기 제1링크보다 하류에 존재하는, 차량속도 예측방법.
  10. 제8항에 있어서, 상기 제1링크에서의 교통속도가 미리 결정된 제1값과 미리 결정된 제2값 사이의 값을 갖는 경우, 상기 제2링크 및 상기 제3링크는 각각 상기 제1링크보다 상류 및 하류에 존재하는 것을 특징으로 하는, 차량속도 예측방법.
  11. 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 방법으로서,
    단기예측시구간에서의 상기 제1차량속도에 관한 사전단기예측속도 및 장기예측시구간에서의 상기 제1차량속도에 관한 장기예측속도를 획득하는 단계; 및 상기 사전단기예측속도와 상기 장기예측속도를 시간에 따라 변화하는 가중치에 의해 가중합함으로써 최종단기예측속도를 산출하는 단계;를 포함하며,
    상기 사전단기예측속도를 획득하는 것은,
    상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및
    상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;
    를 포함하는,
    차량속도 예측방법.
  12. 제11항에 있어서, 상기 단기예측시구간의 종료시점에서 상기 최종단기예측속도와 상기 장기예측속도는 동일한 값을 갖도록 되어 있는, 차량속도 예측방법.
  13. 제11항에 있어서, 상기 사전단기예측속도에 곱해지는 단기가중치는 상기 단기예측시구간의 시작시점에서 1의 값을 갖고 상기 종료시점에서 0의 값으르 가지며, 상기 장기예측속도에 곱해지는 장기가중치는 상기 단기예측시구간의 시작시점에서 0의 값을 갖고 상기 종료시점에서 1의 값을 갖는, 차량속도 예측방법.
  14. 제11항에 있어서, 상기 사전단기예측속도에 곱해지는 단기가중치는 시간에 따른 감소함수이며, 상기 장기예측속도에 곱해지는 장기가중치는 시간에 따른 증가함수인 것을 특징으로 갖는, 차량속도 예측방법.
  15. 제11항에 있어서, 상기 장기예측시구간이 상기 단기예측시구간을 포함하지 않고, 상기 단기예측시구간의 끝난 직후 상기 장기예측시구간이 시작되는 경우, 상기 사전단기예측속도의 마지막 값을 상기 장기예측속도의 시작 값으로 보정하도록 되어 있는, 차량속도 예측방법.
  16. 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 차량속도예측장치로서,
    상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및
    상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;
    를 수행하도록 되어 있는 처리부를 포함하는,
    차량속도예측장치.
  17. 도로 상의 두 지점 사이에서 정의되는 제1링크에서의 제1차량속도를 예측하는 프로그램이 기록된 컴퓨터로 읽을 수 있는 매체로서,
    상기 프로그램은 차량속도예측장치로 하여금,
    상기 제1링크에서의 특정 시구간 동안의 제1차량속도에 관한 제1시계열값을 획득하는 단계; 및
    상기 제1링크에서의 제1차량속도에 관한 제1과거 교통데이터의 집합으로부터, 상기 제1시계열값에 매칭되는 N개의 제1과거시계열값을 찾아내어, 상기 찾아낸 N개의 제1과거시계열값에 관한 정보를 기초로 상기 특정 시구간 이후의 상기 제1링크에서의 제1차량속도를 예측하는 단계;
    를 수행하도록 되어 있는,
    컴퓨터로 읽을 수 있는 매체.
PCT/KR2015/008575 2014-09-01 2015-08-18 교통링크 속도 예측 방법 및 이를 위한 장치 WO2016036024A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201580059290.XA CN107111941A (zh) 2014-09-01 2015-08-18 交通链路速度预测方法及用于其的装置

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR1020140115669A KR101628014B1 (ko) 2014-09-01 2014-09-01 교통링크 속도 예측 방법 및 이를 위한 장치
KR10-2014-0115669 2014-09-01
KR1020150107356 2015-07-29
KR10-2015-0107356 2015-07-29

Publications (1)

Publication Number Publication Date
WO2016036024A1 true WO2016036024A1 (ko) 2016-03-10

Family

ID=55440035

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/008575 WO2016036024A1 (ko) 2014-09-01 2015-08-18 교통링크 속도 예측 방법 및 이를 위한 장치

Country Status (2)

Country Link
CN (1) CN107111941A (ko)
WO (1) WO2016036024A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107293118A (zh) * 2017-07-18 2017-10-24 扬州大学 一种交通速度动态区间短时预测方法
CN107331161A (zh) * 2016-04-28 2017-11-07 财团法人资讯工业策进会 车速预测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110782652B (zh) 2018-11-07 2020-10-16 滴图(北京)科技有限公司 速度预测系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11316890A (ja) * 1998-05-01 1999-11-16 Nippon Telegr & Teleph Corp <Ntt> 交通情報予測方法、装置、および交通情報予測プログラムを記録した記録媒体
JP2000067362A (ja) * 1998-08-19 2000-03-03 Nippon Telegr & Teleph Corp <Ntt> 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
JP2004280731A (ja) * 2003-03-19 2004-10-07 Nri & Ncc Co Ltd 渋滞予測システム、渋滞予測方法および補正用データシステム
JP2006039978A (ja) * 2004-07-28 2006-02-09 Hitachi Ltd 交通情報提供装置，交通情報提供方法
KR20100006912A (ko) * 2008-07-10 2010-01-22 현대자동차주식회사 교통정보 예측 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4951188B2 (ja) * 2000-06-26 2012-06-13 ストラテック システムズ リミテッド トラフィック又は関連情報提供方法およびシステム
EP2078841B1 (en) * 2008-01-14 2018-10-31 Delphi International Operations Luxembourg S.à r.l. Monitoring unit and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11316890A (ja) * 1998-05-01 1999-11-16 Nippon Telegr & Teleph Corp <Ntt> 交通情報予測方法、装置、および交通情報予測プログラムを記録した記録媒体
JP2000067362A (ja) * 1998-08-19 2000-03-03 Nippon Telegr & Teleph Corp <Ntt> 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
JP2004280731A (ja) * 2003-03-19 2004-10-07 Nri & Ncc Co Ltd 渋滞予測システム、渋滞予測方法および補正用データシステム
JP2006039978A (ja) * 2004-07-28 2006-02-09 Hitachi Ltd 交通情報提供装置，交通情報提供方法
KR20100006912A (ko) * 2008-07-10 2010-01-22 현대자동차주식회사 교통정보 예측 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107331161A (zh) * 2016-04-28 2017-11-07 财团法人资讯工业策进会 车速预测方法
CN107293118A (zh) * 2017-07-18 2017-10-24 扬州大学 一种交通速度动态区间短时预测方法

Also Published As

Publication number Publication date
CN107111941A (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
WO2016036024A1 (ko) 교통링크 속도 예측 방법 및 이를 위한 장치
Min et al. Real-time road traffic prediction with spatio-temporal correlations
WO2019168297A1 (en) Method of providing detailed map data and system therefor
WO2014142502A2 (en) Navigation system with dynamic update mechanism and method of operation thereof
WO2020075942A1 (ko) 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
WO2015105277A1 (ko) 기상에 따른 알람정보 변경 장치 및 방법
WO2020050498A1 (ko) 이미지 세그멘테이션을 이용한 주변 환경 감지 방법 및 장치
WO2016085172A1 (ko) 설비의 예측 정비 시스템 및 방법
WO2011021899A2 (en) Method and apparatus for generating, managing, and sharing moving path
WO2014007499A1 (ko) 실시간 교통 정보를 고려한 차량의 도착예정 시간 계산 방법과 교통신호 제어 방법 및 이를 적용한 시스템
WO2018199658A1 (ko) 전력설비의 자산관리 방법
WO2019098692A1 (ko) 폭우에 대한 재해취약성 정보 자동처리방법
WO2021230522A1 (ko) 최종가격산정부를 갖는 토지시세 추정시스템 및 추정방법
WO2014017764A1 (ko) 정보 제공 방법, 이를 위한 장치 및 시스템
WO2015190755A1 (ko) 네비게이션 장치의 지도 데이터 제공 방법 및 시스템
WO2014142539A1 (en) Computing system with resource management mechanism and method of operation thereof
WO2019074188A1 (ko) 카드 추천 정보 제공 방법 및 그 디바이스
WO2024005306A1 (ko) 전기차 충전소를 포함하는 드라이브 경로 자동 생성 시스템 및 그 방법
WO2020168606A1 (zh) 广告视频优化方法、装置、设备及计算机可读存储介质
WO2022005053A1 (ko) Adas를 이용한 운전자 평가 방법 및 장치
WO2020138903A2 (ko) 일정 관리 서비스 시스템 및 방법
WO2015105287A1 (ko) 교통 정보 수집 방법, 이를 위한 장치 및 시스템
JPH05238391A (ja) 列車運行管理システム
WO2023163405A1 (ko) 신용평가 모델 업데이트 또는 교체 방법 및 장치
WO2019000463A1 (zh) 出行方式推荐方法、装置、存储介质及终端

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15838313

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15838313

Country of ref document: EP

Kind code of ref document: A1