WO2019045194A1 - 교통정보 예측 장치, 방법 및 서버 - Google Patents

교통정보 예측 장치, 방법 및 서버 Download PDF

Info

Publication number
WO2019045194A1
WO2019045194A1 PCT/KR2017/015487 KR2017015487W WO2019045194A1 WO 2019045194 A1 WO2019045194 A1 WO 2019045194A1 KR 2017015487 W KR2017015487 W KR 2017015487W WO 2019045194 A1 WO2019045194 A1 WO 2019045194A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic information
data
map
map matching
unit
Prior art date
Application number
PCT/KR2017/015487
Other languages
English (en)
French (fr)
Inventor
김태경
유병용
Original Assignee
현대엠엔소프트 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 현대엠엔소프트 주식회사 filed Critical 현대엠엔소프트 주식회사
Publication of WO2019045194A1 publication Critical patent/WO2019045194A1/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • the present invention relates to a traffic information prediction apparatus, a traffic information prediction method, and a server. More particularly, the present invention relates to a traffic information prediction apparatus, a method, and a server for predicting traffic information of a certain day based on daily traffic information.
  • the navigation device recognizes the current position based on the position information of the vehicle received through the GPS (Global Positioning System) satellite, reads the current position data from the built-in or received road database and displays it together with the position of the vehicle, It is a device that helps you to find the destination when you identify the location of the current driving road or when you are driving on the driving road.
  • GPS Global Positioning System
  • the technology for meeting the needs of the user is advanced.
  • traffic information of the route from the departure point to the destination must be accurately predicted so that the technique of guiding the estimated arrival time to the destination or suggesting the detour road can exhibit the optimum effect.
  • a navigation server or a navigation terminal averages the speeds collected on the same day and the same time in each section on the route of a map, (For example, a route desired by the driver or an optimal route having the shortest required time), and estimating and estimating the time required for each route on the route or the route to the final destination.
  • the conventional traffic information prediction system which artificially provides the predicted traffic information to the driver through the pattern speed that is divided by the day of the week and is set in advance, has a limitation in providing more accurate predicted traffic information to the driver.
  • the present invention has been made to solve the above problems and it is an object of the present invention to provide a traffic information prediction method and a traffic information prediction method in a conventional traffic information prediction system, And to provide a traffic information prediction apparatus, method, and server capable of providing more accurate predicted traffic information by improving inaccuracy.
  • a traffic information prediction apparatus including a traffic information collecting unit collecting traffic information, a first map matching unit generating first map matching data by matching traffic information received from the traffic information collecting unit with map data, A second map matching unit for generating second map matching data by matching the position information received from the position information collecting unit with map data, And a prediction model generating unit for generating a prediction model for predicting the traffic information based on the first and second map matching data received from the two map matching units, respectively.
  • the first map matching unit may receive the traffic information of one unit from the traffic information collecting unit and may match the map information with the map data to generate the first map matching data on a daily basis
  • the first map generating unit receives the position information of one unit from the position information collecting unit and matches the map information with the map data to generate the second map matching data on a daily basis, And generates a prediction model for predicting the traffic information of the first day based on the matching data.
  • the second map matching unit may generate the second map matching data by matching final position information of the vehicle finally transmitted from the vehicle with map data.
  • the predictive model generation unit may generate tensor data by fusing the first and second map matching data, and applying a Deep Learning method to the generated tensor data, And generates a prediction model for predicting the traffic information.
  • the present invention is characterized in that traffic information for predicting traffic information of the first day is applied to the first and second map matching data received from the first and second map matching units, respectively, by applying the prediction model generated by the prediction model generating unit And a prediction unit.
  • a traffic information prediction method comprising: a traffic information collecting unit; collecting traffic information; a first map matching unit; matching the traffic information received from the traffic information collecting unit with map data, The second map matching unit generates second map matching data by matching the position information received from the position information collecting unit with the map data. And generating a predictive model for predicting the traffic information based on the first and second map matching data received from the first and second map matching units, respectively, do.
  • a traffic information prediction server collects traffic information, generates first map matching data by matching with map data, collects position information of the vehicle, and matches second map matching data with map data to generate second map matching data And generates a prediction model for predicting the traffic information based on the generated first and second map matching data.
  • traffic information prediction can be improved by predicting traffic information through traffic information prediction learning based on actual traffic information, thereby improving traffic information prediction inaccuracy of a conventional traffic information prediction system, Traffic information can be predicted more accurately by performing learning for predicting the traffic information in consideration of the location information of the vehicle together with the information.
  • FIG. 1 is a block diagram illustrating a traffic information prediction apparatus according to an embodiment of the present invention. Referring to FIG. 1
  • FIG. 2 is an exemplary view showing first and second map matching data, tensor data, and predicted traffic information in a traffic information predicting apparatus according to an exemplary embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating a traffic information prediction method according to an embodiment of the present invention.
  • the vehicle driver since the vehicle driver starts the traffic again from the final position of the vehicle, it is possible to estimate the traffic information thereafter by acquiring the final position information of the vehicle, Information is predicted.
  • the first to fourth days are respectively the holidays of the second day, the holidays, the holidays, the weekdays and the holidays
  • the traffic pattern on the third day is likely to be a normal traffic pattern on weekdays.
  • the traffic pattern on the third day is likely to be a holiday pattern .
  • this embodiment is different from the conventional method of providing uniform traffic information by day of the week, predicting the traffic information of tomorrow on the basis of the last position information of the previous day, The prediction accuracy of the traffic information is improved by predicting the traffic information of the first day in consideration of the actual traffic information.
  • first and second days indicated below refer to the relative posterior concept and do not indicate a specific day.
  • FIG. 1 is a block diagram illustrating a traffic information predicting apparatus according to an embodiment of the present invention.
  • FIG. 2 is a block diagram of a traffic information predicting apparatus according to an embodiment of the present invention. Data and predicted traffic information on the first day.
  • a traffic information predicting apparatus includes a traffic information collecting unit 10, a first map matching unit 20, a location information collecting unit 30, a second map matching unit 40, a prediction model generating unit 50, a traffic information predicting unit 60, and a traffic information providing unit 70.
  • the traffic information collecting unit 10 may collect traffic information.
  • the traffic information collecting unit 10 can collect traffic information on the road in real time from an external remote server such as a traffic information providing server.
  • the traffic information collecting unit 10 includes a communication interface for communicating with an external remote server, a processor for controlling the reception of traffic information through a communication interface, and a memory device (RAM), a hard disk drive (HDD), or a solid state drive (SSD)).
  • RAM random access memory
  • HDD hard disk drive
  • SSD solid state drive
  • the location information collecting unit 30 can collect location information of the vehicle.
  • the position information collecting unit 30 may collect the position information of the vehicle from the positioning system mounted on the vehicle, such as the GPS module of the navigation terminal, so that the position information of the vehicle may include the GPS position coordinates.
  • the position information collecting unit 30 includes a communication interface for communicating with the positioning system of the vehicle, a processor for controlling the reception of the position information through the communication interface, and a memory device (RAM), a hard disk drive (HDD), or a solid state drive (SSD)).
  • RAM random access memory
  • HDD hard disk drive
  • SSD solid state drive
  • the first map matching unit 20 may generate the first map matching data by matching the traffic information received from the traffic information collecting unit 10 with the preset map data.
  • 2 (a) shows an example of the first map matching data, and the first map matching data includes actual traffic information and functions as basic data used to generate a prediction model for traffic information prediction.
  • the first map matching unit 20 receives the traffic information in units of days from the traffic information collecting unit 10 that collects the traffic information of the road in real time, and matches the map information with the map data to obtain the first map matching data It can be created in days (days).
  • the first map matching data generated by the first map matching unit 20 may be used by the prediction model generating unit 50 to generate a prediction model together with second map matching data to be described later, After the prediction model is generated by the traffic information prediction unit 50, it is input to the traffic information prediction unit 60 to be described later and can be used for predicting the traffic information of the bright spot.
  • the first map matching data generated on the first day may be used as learning data for generating a prediction model through the deep learning method as will be described later, and the first map matching data generated on the second day may be used as deep learning Method can be used as target data for generating a predictive model. A detailed description thereof will be described later.
  • the second map matching unit 40 may generate the second map matching data by matching the position information received from the position information collecting unit 30 with the preset map data.
  • 2B shows an example of the second map matching data.
  • the second map matching data includes the position information of the vehicle, thereby supplementing the first map matching data including the actual traffic information, It functions as precision data to improve.
  • the second map matching unit 40 may generate the second map matching data by matching the final position information of the vehicle finally transmitted from the vehicle with the map data. That is, as described above, when the final position information of the vehicle is obtained, the traffic information of the vehicle can be predicted thereafter. Therefore, the second map matching unit 40 can calculate the position trajectory information of the vehicle collected by the position information collecting unit 30 The second map matching data can be generated by matching only the final position information with the map data.
  • the second map matching unit 40 receives the position information in units of days from the position information collecting unit 30 and matches the map information with map data to generate second map matching data in units of days have.
  • the second map matching data generated by the second map matching unit 40 may be input to the prediction model generating unit 50 and used to generate a prediction model.
  • the prediction model generating unit 50 generates a prediction model
  • the traffic information is input to the traffic information predicting unit 60 and can be used for predicting the traffic information of the day.
  • the map data used by the first map matching unit 20 to generate the first map matching data and the map data used by the second map matching unit 40 to generate the second map matching data are the same map data , which is for generating tensor data by fusing the first and second map matching data to apply the deep running method.
  • the prediction model generation unit 50 may generate a prediction model for predicting the traffic information based on the first and second map matching data received from the first and second map matching units 20 and 40, respectively. At this time, the predictive model generation unit 50 generates predictive model information for predicting the traffic information of the first day based on the first and second map matching data generated by the first and second map matching units 20 and 40, A prediction model can be generated.
  • the day of the week means the second day, which is the day after the first day of collecting the traffic information and the vehicle location information
  • the first map matching data generated on the basis of the traffic information collected on the first day and the second map matching data generated on the basis of the first collected location information are combined to generate the tensor data And the location information of the vehicle), it is possible to generate a prediction model for predicting the traffic information of the second day which is the next day of the first day.
  • the predictive model generation unit 50 generates a predictive model based on the first and second predictive models generated by the first and second map matching units 20 and 40, 2 map matching data can be fused to generate tensor data.
  • Fig. 2 (c) shows an example of the tensor data.
  • the tensor data is data that can be mathematically computed by a matrix, and the process of generating tensor data has a meaning of a precondition for applying a matrix-based deep-learning method.
  • the predictive model generating unit 50 may generate a predictive model for predicting traffic information of a certain day by applying a Deep Learning method to the generated tensor data.
  • Deep learning is a set of machine learning algorithms that try to achieve a high level of abstraction (a task that summarizes core content or functions in large amounts of data or complex data) through a combination of several nonlinear transformation techniques. And can be expressed as a field of machine learning that teaches computers to human minds in the broad sense.
  • the predictive model generation unit 50 requires target data to be a prediction target (prediction target), and this target data is stored in the first map-
  • the first map matching data generated by the first map matching unit 20 may be the first map matching data.
  • the first map matching data generated on the second day is data reflecting the actual traffic information of the second day generated by matching the traffic information of the second day collected by the traffic information collecting unit 10 with the map data, It can be the target data to be predicted through the deep learning method.
  • the predictive model generation unit 50 generates the predictive model data (the function of the learning data including the first day's traffic information and the vehicle position information) generated on the first day and the first map matching data (Functioning as target data including traffic information of the second day) and predicting the traffic information of the first day by learning the correlation between the tensor data and the first map matching data generated on the second day through the deep learning method A prediction model can be generated.
  • the predictive model generation unit 50 can use a CNN (Convolutional Neural Network) algorithm among the deep learning methods, extracts characteristics of the image on the tensor data through the composite neural network algorithm, It is possible to generate a prediction model for predicting the traffic information of the first day using the searching method.
  • CNN Convolutional Neural Network
  • the prediction model generating unit 50 may repeatedly perform a process of learning the correlation between the first day's tensor data and the first map matching data generated on the second day through the deep learning method to generate a prediction model ,
  • the number of the first day tensor data used to generate the prediction model and the number of the first map matching data generated on the second day may be designed based on the designer's intention and the experimental result.
  • the traffic information prediction unit 60 predicts the first and second map- It is possible to predict the traffic information of the first day by applying the prediction model to the first and second map matching data received from the first and second map servers 20 and 40, respectively. That is, after the prediction model is generated, the first and second map matching data function as prediction data for predicting the traffic information of the first day rather than functioning as learning data for generating the prediction model, The controller 60 can estimate the traffic information of the first day by applying the prediction model to the first and second map matching data.
  • 2 (d) shows an example of the traffic information of the first day predicted by the traffic information predicting unit 60.
  • the traffic information providing unit 70 may receive traffic information of the expected date from the traffic information predicting unit 60 and transmit the predicted traffic information to the predetermined user terminal so that the expected traffic information may be provided to the vehicle driver.
  • the traffic information providing unit 70 may be implemented with a communication interface including an antenna for transmitting predicted traffic information of a certain day.
  • the traffic information providing unit 70 may transmit the predicted traffic information of the precise day to the terminal carried by the vehicle driver so that the vehicle driver may visually confirm the traffic information of the predicted day of the day or may be transmitted to the navigation terminal mounted on the vehicle So that the optimum path to the destination can be utilized for searching.
  • the first map matching unit 20, the second map matching unit 40, the predictive model generating unit 50 and the traffic information predicting unit 60 described above function as the functions of the respective components 20, 40, 50 and 60 Can be implemented as a microprocessor equipped with the implemented software.
  • the traffic information collecting unit 10 the first map matching unit 20, the position information collecting unit 30, the second map matching unit 40, the predictive model generating unit 50,
  • the traffic information providing unit 60 and the traffic information providing unit 70 are separately configured.
  • the respective components 10-70 may be integrated into a separate remote server.
  • the present embodiment collects traffic information of a road from an external remote server such as a traffic information providing server, generates first map matching data by matching with the map data, collects position information of the vehicle from the positioning system of the vehicle
  • a traffic information prediction server that generates second map matching data by matching with map data and generates a prediction model for predicting the traffic information based on the generated first and second map matching data.
  • the traffic information providing server may generate the tensor data by fusing the first and second map matching data, and generate a prediction model for predicting the traffic information of the first day by applying the deep learning method to the generated tensor data .
  • the traffic information prediction server can predict the traffic information of the first day by applying the generated prediction model to the first and second map matching data generated after the prediction model is generated, Information can be transmitted to the user terminal.
  • FIG. 3 is a flowchart illustrating a traffic information prediction method according to an embodiment of the present invention.
  • the traffic information collection unit 10 collects traffic information (S10).
  • the traffic information collecting unit 10 can collect traffic information on the road in real time from an external remote server such as a traffic information providing server.
  • the first map matching unit 20 generates first map matching data by matching the traffic information received from the traffic information collecting unit 10 to the map data (S20).
  • the first map matching unit 20 receives the traffic information in units of days from the traffic information collecting unit 10 that collects the traffic information of the road in real time, and matches the map information with the map data to obtain the first map matching data It can be created in days (days).
  • the position information collecting unit 30 collects the position information of the vehicle (S30).
  • the position information collecting unit 30 may collect position information of the vehicle from the positioning system mounted on the vehicle, such as the GPS module of the navigation terminal.
  • the second map matching unit 40 generates second map matching data by matching the position information received from the position information collecting unit 30 with the map data (S40).
  • the second map matching unit 40 may generate the second map matching data by matching the final position information of the vehicle finally transmitted from the vehicle to the map data, ) Unit is received and matched with the map data to generate the second map matching data in units of days.
  • steps S10-S20 in which the first map matching data is generated and the steps S30-S40 in which the second map matching data is generated are performed in parallel, independently of each other, rather than in a time- But the present invention is not limited to this.
  • the prediction model generation unit 50 generates a prediction model for predicting the traffic information based on the first and second map matching data received from the first and second map matching units 20 and 40 S50).
  • the prediction model generating unit 50 may generate a prediction model for predicting the traffic information of the first day based on the first and second map matching data generated in one unit.
  • the predictive model generation unit 50 generates tensor data by fusing the first and second map matching data and applies a deep learning method to the generated tensor data to obtain traffic information of a certain date A prediction model for prediction can be generated.
  • the operation of the predictive model generation unit 50 in the step S50 has been described above, and a detailed description thereof will be omitted.
  • the traffic information prediction unit 60 multiplies the first and second map matching data received from the first and second map matching units 20 and 40, respectively.
  • the predictive model generated by the predictive model generating unit 50 is applied to predict the traffic information of the first day (S60).
  • the traffic information providing unit 70 receives the predicted traffic information of the first day from the traffic information predicting unit 60 and transmits the predicted traffic information to the predetermined user terminal so that the expected traffic information is provided to the vehicle driver (S70) .
  • the present embodiment predicts traffic information through traffic information prediction learning based on actual traffic information, improves traffic information prediction inaccuracy of the conventional traffic information prediction system, Traffic information can be predicted more accurately by performing learning for predicting traffic information in consideration of information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)

Abstract

본 발명은 자율 주행 제어 장치 및 방법에 관한 것으로서, 자차량의 주행 도로 영상을 촬영하는 영상 촬영부, 및 영상 촬영부에 의해 촬영된 주행 도로 영상으로부터 자차량의 전방에 차선 없는 도로가 검출된 경우, 차선 없는 도로의 폭에 기초하여 결정된 차로 수 만큼의 가상 차로를 차선 없는 도로 상에 생성하고, 생성된 가상 차로를 주행하도록 자차량의 자율 주행을 제어하는 제어부를 포함하되, 제어부는, 주행 도로 영상으로부터 전방 물체가 검출된 경우, 전방 물체를 회피하여 차선 없는 도로를 주행하도록 자차량의 자율 주행을 제어하는 것을 특징으로 한다.

Description

교통정보 예측 장치, 방법 및 서버
본 발명은 교통정보 예측 장치, 방법 및 서버에 관한 것으로서, 더욱 상세하게는 일 단위의 교통정보에 기초하여 명일의 교통정보를 예측하기 위한 교통정보 예측 장치, 방법 및 서버에 관한 것이다.
내비게이션 장치는 GPS(Global Positioning System) 위성을 통해서 수신받은 차량의 위치 정보를 기반으로 현재 위치를 파악한 후, 내장 또는 수신된 도로 데이터베이스에서 현재의 위치데이터를 읽어 차량의 위치와 함께 디스플레이함으로써, 사용자가 현재 주행하는 도로의 위치를 식별하거나 초행 도로를 주행할 때 목적지를 쉽게 찾을 수 있도록 도와주는 장치이다.
이와 같이 목적지까지의 경로를 안내하는 기술에 있어서는 사용자의 니즈 충족을 위한 기술이 고도화되고 있다. 이때, 목적지까지의 예상 도착시간을 안내하거나 우회 도로를 제안하는 등의 기술이 최적의 효과를 발휘하기 위해서는, 출발지에서 목적지까지 이동하는 경로의 교통정보가 정확하게 예측되어야 한다. 즉, 목적지까지 이동하기 위해 지나쳐야 하는 각각의 링크에서의 교통정보를 정확하게 예측할 수 있어야 교통이 원활한 우회 도로를 제안하거나 예상 도착시간을 안내할 수 있다.
교통정보를 예측하기 위한 방법으로서, 종래에는 내비게이션 서버 또는 내비게이션 단말이 지도의 경로 상의 각 구간별로 같은 요일, 같은 시간대에 수집한 속도를 평균하여 미리 집계해 놓은 패턴 속도를 사용하여 운전자가 원하는 목적지까지의 경로(예컨대, 운전자가 원하는 경로 혹은 소요시간이 가장 짧은 최적 경로)를 탐색하고 탐색한 경로 상의 구간별 소요시간 혹은 최종목적지까지의 소요시간을 산정하여 예측하는 방법이 사용되었다.
다만, 최근에는 여가 시간에 대한 인식의 변화로 인해 주 5일제 근무, 대체 공휴일 및 법정 임시 공휴일 등 각종 공휴일이 증가하고 있으며, 특히 휴일이 집중되어 있는 명절 또는 하계 휴가 기간과 같은 시기에는 주중과 주말의 통행 속도 패턴의 구분이 모호해지고 있다. 따라서, 인위적으로 요일별로 구분하여 미리 설정한 패턴 속도를 통해 운전자에게 예측 교통정보를 제공하는 종래의 교통정보 예측 시스템은 운전자에게 보다 정확한 예측 교통정보를 제공하지 못하는 한계를 갖는다.
본 발명의 배경기술은 대한민국 공개특허공보 제10-2012-0049998호(2012. 05. 18 공개)에 개시되어 있다.
본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 요일별로 구분되어 미리 설정된 패턴 속도를 통해 예측 교통정보를 제공하였던 종래의 교통정보 예측 시스템이 갖는 교통정보 예측 부정확성을 개선하여 보다 정확한 예측 교통정보를 제공할 수 있는 교통정보 예측 장치, 방법 및 서버를 제공하는 것이다.
본 발명의 일 측면에 따른 교통정보 예측 장치는 교통정보를 수집하는 교통정보 수집부, 상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 제1 맵매칭부, 차량의 위치정보를 수집하는 위치정보 수집부, 상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 제2 맵매칭부, 및 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 예측 모델 생성부를 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 제1 맵매칭부는, 상기 교통정보 수집부로부터 일 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 상기 제1 맵매칭 데이터를 일 단위로 생성하고, 상기 제2 맵매칭부는, 상기 위치정보 수집부로부터 일 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 일 단위로 생성하며, 상기 예측 모델 생성부는, 상기 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 한다.
본 발명에 있어 상기 제2 맵매칭부는, 상기 차량으로부터 최종적으로 전송된 상기 차량의 최종 위치 정보를 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 생성하는 것을 특징으로 한다.
본 발명에 있어 상기 예측 모델 생성부는, 상기 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 상기 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 상기 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 한다.
본 발명은 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 상기 예측 모델 생성부에 의해 생성된 예측 모델을 적용하여 상기 명일의 교통정보를 예측하는 교통정보 예측부를 더 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 교통정보 예측 방법은 교통정보 수집부가, 교통정보를 수집하는 단계, 제1 맵매칭부가, 상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 단계, 위치정보 수집부가, 차량의 위치정보를 수집하는 단계, 제2 맵매칭부가, 상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 단계, 및 예측 모델 생성부가, 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 교통정보 예측 서버는 교통정보를 수집하고 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하고, 차량의 위치정보를 수집하고 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하며, 상기 생성된 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 한다.
본 발명의 일 측면에 따르면, 본 발명은 실제 교통정보를 기반으로 진행되는 교통정보 예측 학습을 통해 교통정보를 예측함으로써 종래의 교통정보 예측 시스템이 갖는 교통정보 예측 부정확성을 개선할 수 있고, 실제 교통정보과 함께 차량의 위치정보까지 고려하여 교통정보를 예측하기 위한 학습을 수행함으로써 보다 정확하게 교통정보를 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통정보 예측 장치를 설명하기 위한 블록구성도이다.
도 2는 본 발명의 일 실시예에 따른 교통정보 예측 장치에서 제1 및 제2 맵매칭 데이터, 텐서 데이터 및 예측된 명일의 교통정보를 도시한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 교통정보 예측 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 교통정보 예측 장치, 방법 및 서버의 실시예를 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로, 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
우선, 본 발명의 일 실시예에 따른 교통정보 예측 장치의 기능을 개괄적으로 설명한다.
전술한 것과 같이, 연휴의 증가로 주중과 주말의 통행 속도 패턴의 구분이 모호해짐에 따라, 인위적으로 요일별로 구분하여 미리 설정한 패턴 속도를 통해 운전자에게 예측 교통정보를 제공하는 종래의 시스템은 그 예측 정확성 측면에서 한계를 갖는 실정이다. 이에 본 실시예는, 차량 운전자는 차량의 최종 위치에서부터 다시 통행을 시작하므로, 차량의 최종 위치 정보를 획득하면 그 이후의 통행 정보를 예측할 수 있는 점에 착안하여 차량의 최종 위치 정보를 통해 이후 교통정보를 예측하는 구성을 채용한다. 예를 들어, 제1일 내지 제4일이 각각 휴일, 휴일, 평일 및 휴일로 구성되는 징검다리 연휴인 것으로 가정할 경우, 제2일의 차량의 최종 위치가 대부분 주거지에 집중되어 있다면 평일인 제3일의 통행 패턴은 통상적인 평일의 통행 패턴일 가능성이 높으며, 반대로 제2일의 차량의 최종 위치가 대부분 휴양지 등에 집중되어 있다면 평일인 제3일의 통행 패턴은 휴일의 통행 패턴일 가능성이 높다.
즉, 본 실시예는 요일별로 일률적으로 구분된 교통정보를 제공하는 종래의 방식에서 벗어나, 전일(前日)의 차량의 최종 위치 정보를 토대로 명일(明日)의 교통정보를 예측하고, 이와 함께 전일의 실제 교통정보를 더 고려하여 명일의 교통정보를 예측함으로써 교통정보의 예측 정확성을 향상시키는 것을 특징으로 한다.
이상에서는 본 실시예의 특징을 설명하기 위해 연휴 기간에 적용되는 예시로서 설명하였으나, 이하에서 설명하는 본 실시예는 연휴 기간뿐만 아니라 통상적인 평일의 교통정보를 예측하는 경우에도 적용될 수 있다.
또한, 용어의 명확한 구분을 위해, 이하에서 표기하는 제1일 및 제2일은 상대적인 선후 개념을 지시하는 것이고 특정일을 지시하는 것이 아님을 밝혀둔다.
도 1은 본 발명의 일 실시예에 따른 교통정보 예측 장치를 설명하기 위한 블록구성도이고, 도 2는 본 발명의 일 실시예에 따른 교통정보 예측 장치에서 제1 및 제2 맵매칭 데이터, 텐서 데이터 및 예측된 명일의 교통정보를 도시한 예시도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 교통정보 예측 장치는 교통정보 수집부(10), 제1 맵매칭부(20), 위치정보 수집부(30), 제2 맵매칭부(40), 예측 모델 생성부(50), 교통정보 예측부(60) 및 교통정보 제공부(70)를 포함할 수 있다.
교통정보 수집부(10)는 교통정보를 수집할 수 있다. 교통정보 수집부(10)는 교통정보 제공 서버와 같은 외부의 원격 서버로부터 도로의 교통정보를 실시간으로 수집할 수 있다. 교통정보 수집부(10)는 외부의 원격 서버와 통신하기 위한 통신 인터페이스(Communication Interface), 통신 인터페이스를 통한 교통정보의 수신을 제어하는 프로세서(Processor), 및 수집된 교통정보를 저장하기 위한 메모리 소자(RAM(Random Access Memory), HDD(Hard Disk Drive) 또는 SSD(Solid State Drive))를 포함할 수 있다.
위치정보 수집부(30)는 차량의 위치정보를 수집할 수 있다. 위치정보 수집부(30)는 차량에 탑재된 측위 시스템, 이를테면 내비게이션 단말의 GPS 모듈로부터 차량의 위치정보를 수집할 수 있으며, 이에 따라 차량의 위치정보는 GPS 위치좌표를 포함할 수 있다. 위치정보 수집부(30)는 차량의 측위 시스템과 통신하기 위한 통신 인터페이스(Communication Interface), 통신 인터페이스를 통한 위치정보의 수신을 제어하는 프로세서(Processor), 및 수집된 위치정보를 저장하기 위한 메모리 소자(RAM(Random Access Memory), HDD(Hard Disk Drive) 또는 SSD(Solid State Drive))를 포함할 수 있다.
제1 맵매칭부(20)는 교통정보 수집부(10)로부터 전달받은 교통정보를 미리 설정된 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성할 수 있다. 도 2(a)는 제1 맵매칭 데이터의 예시를 도시하고 있으며, 제1 맵매칭 데이터는 실제 교통정보를 포함함으로써 교통정보 예측을 위한 예측 모델을 생성하는데 사용되는 기초 데이터로 기능한다.
이때, 제1 맵매칭부(20)는 도로의 교통정보를 실시간으로 수집하는 교통정보 수집부(10)로부터 일(日) 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 제1 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
제1 맵매칭부(20)에 의해 생성된 제1 맵매칭 데이터는 예측 모델 생성부(50)로 입력되어 후술할 제2 맵매칭 데이터와 함께 예측 모델을 생성하는데 사용될 수 있으며, 예측 모델 생성부(50)에 의해 예측 모델이 생성된 이후에는 후술할 교통정보 예측부(60)로 입력되어 명일의 교통정보를 예측하기 위해 사용될 수 있다. 또한, 제1일에 생성된 제1 맵매칭 데이터는 후술할 것과 같이 딥 러닝 방식을 통해 예측 모델을 생성하기 위한 학습 데이터로 사용될 수 있고, 제2일에 생성된 제1 맵매칭 데이터는 딥 러닝 방식을 통해 예측 모델을 생성하기 위한 목표 데이터로 사용될 수 있다. 이에 대한 구체적인 설명은 후술한다.
제2 맵매칭부(40)는 위치정보 수집부(30)로부터 전달받은 위치정보를 미리 설정된 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있다. 도 2(b)는 제2 맵매칭 데이터의 예시를 도시하고 있으며, 제2 맵매칭 데이터는 차량의 위치정보를 포함함으로써 실제 교통정보를 포함하는 제1 맵매칭 데이터를 보완하여 예측 모델의 정확도를 향상시키는 정밀 데이터로 기능한다.
이때, 제2 맵매칭부(40)는 차량으로부터 최종적으로 전송된 차량의 최종 위치 정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있다. 즉, 전술한 것과 같이 차량의 최종 위치 정보가 획득되면 그 이후 차량의 통행 정보를 예측할 수 있으므로, 제2 맵매칭부(40)는 위치정보 수집부(30)에 의해 수집된 차량의 위치 궤적 정보 전체가 아닌, 최종 위치 정보만을 전달받아 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있다.
또한, 제2 맵매칭부(40)는 위치정보 수집부(30)로부터 일(日) 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 제2 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
제2 맵매칭부(40)에 의해 생성된 제2 맵매칭 데이터는 예측 모델 생성부(50)로 입력되어 예측 모델을 생성하는데 사용될 수 있으며, 예측 모델 생성부(50)에 의해 예측 모델이 생성된 이후에는 교통정보 예측부(60)로 입력되어 명일의 교통정보를 예측하기 위해 사용될 수 있다.
한편, 제1 맵매칭부(20)가 제1 맵매칭 데이터를 생성하는데 사용하는 지도데이터와, 제2 맵매칭부(40)가 제2 맵매칭 데이터를 생성하는데 사용하는 지도데이터는 동일한 지도데이터로 설정될 수 있으며, 이는 딥 러닝 방식을 적용하기 위해 제1 및 제2 맵매칭 데이터를 융합하여 텐서 데이터를 생성하기 위한 것이다.
예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. 이때, 예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)에 의해 각각 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. 여기서, 용어의 명확한 구분을 위해 '명일'을 정의하면, 명일은 교통정보 및 차량의 위치정보가 수집된 제1일의 다음날인 제2일을 의미하며, 이에 따라 예측 모델 생성부(50)는 제1일 수집된 교통정보를 토대로 생성된 제1 맵매칭 데이터와, 제1일 수집된 위치정보를 토대로 생성된 제2 맵매칭 데이터가 융합되어 생성된 텐서 데이터(즉, 제1일의 교통정보 및 차량의 위치정보를 포함)에 기초하여, 제1일의 다음날인 제2일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
예측 모델 생성부(50)가 예측 모델을 생성하는 과정을 구체적으로 설명하면, 우선 예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성할 수 있다. 도 2(c)는 텐서 데이터의 예시를 도시하고 있다. 텐서 데이터는 수학적으로 매트릭스로 연산될 수 있는 데이터로서, 텐서 데이터를 생성하는 과정은 매트릭스 기반의 딥 러닝 방식을 적용하기 위한 전제 과정의 의미를 갖는다.
예측 모델 생성부(50)는 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
딥 러닝 방식은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 광의의 관점에서는 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야로 표현될 수 있다.
예측 모델 생성부(50)가 텐서 데이터에 딥 러닝 방식을 적용하여 예측 모델을 생성하기 위해서는 예측 대상(예측 목표)이 되는 목표 데이터가 요구되며, 이 목표 데이터는 제2일에 제1 맵매칭부(20)가 생성한 제1 맵매칭 데이터가 될 수 있다. 제2일에 생성된 제1 맵매칭 데이터는 교통정보 수집부(10)가 수집한 제2일의 교통정보가 지도데이터에 매칭되어 생성된, 제2일의 실제 교통정보가 반영된 데이터이기 때문에, 딥 러닝 방식을 통해 예측하고자 하는 목표 데이터가 될 수 있다. 즉, 예측 모델 생성부(50)는 제1일에 생성된 텐서 데이터(제1일의 교통정보 및 차량 위치정보를 포함하며 학습 데이터로 기능)와, 제2일에 생성된 제1 맵매칭 데이터(제2일의 교통정보를 포함하며 목표 데이터로 기능)를 입력받고 텐서 데이터 및 제2일에 생성된 제1 맵매칭 데이터 간의 상관 관계를 딥 러닝 방식을 통해 학습함으로써 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
본 실시예에서 예측 모델 생성부(50)는 딥 러닝 방식 중, 합성곱 신경망(CNN: Convolutional Neural Network) 알고리즘을 이용할 수 있으며, 합성곱 신경망 알고리즘을 통해 텐서 데이터 상의 이미지의 특징을 추출하여 유사점을 찾는 방식을 이용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다.
예측 모델 생성부(50)는 딥 러닝 방식을 통해 제1일의 텐서 데이터 및 제2일에 생성된 제1 맵매칭 데이터 간의 상관 관계를 학습하는 과정을 반복적으로 수행하여 예측 모델을 생성할 수 있으며, 예측 모델을 생성하기 위해 사용되는 제1일의 텐서 데이터 및 제2일에 생성된 제1 맵매칭 데이터의 수는 설계자의 의도 및 실험적 결과에 기초하여 설계될 수 있다.
예측 모델 생성부(50)에 의해 예측 모델 생성이 완료되면, 생성된 예측 모델은 교통정보 예측부(60)로 전달되며, 이에 따라 교통정보 예측부(60)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 예측 모델을 적용하여 명일의 교통정보를 예측할 수 있다. 즉, 예측 모델이 생성된 후, 제1 및 제2 맵매칭 데이터는 예측 모델을 생성하기 위한 학습데이터로 기능하는 것이 아닌, 명일의 교통정보를 예측하기 위한 예측데이터로 기능하며, 교통정보 예측부(60)는 제1 및 제2 맵매칭 데이터에 예측 모델을 적용함으로써 명일의 교통정보를 예측할 수 있다. 도 2(d)는 교통정보 예측부(60)에 의해 예측된 명일의 교통정보의 예시를 도시하고 있다.
교통정보 제공부(70)는 교통정보 예측부(60)로부터 예측된 명일의 교통정보를 전달받아 소정의 사용자 단말로 전송하여 예측된 명일의 교통정보가 차량 운전자에게 제공되도록 할 수 있으며, 이를 위해 교통정보 제공부(70)는 예측된 명일의 교통정보를 송신하기 위한 안테나를 포함하는 통신 인터페이스로 구현될 수 있다. 교통정보 제공부(70)는 예측된 명일의 교통정보를 차량 운전자가 소지한 단말로 전송하여 차량 운전자가 예측된 명일의 교통정보를 육안으로 확인하도록 할 수도 있고, 차량에 탑재된 내비게이션 단말로 전송하여 목적지까지의 최적 경로가 탐색되는데 활용되도록 할 수도 있다.
이상에서 설명한 제1 맵매칭부(20), 제2 맵매칭부(40), 예측 모델 생성부(50) 및 교통정보 예측부(60)는 각 구성(20, 40, 50, 60)의 기능이 구현된 소프트웨어가 탑재된 마이크로프로세서(microprocess)로 구현될 수 있다.
또한, 이상에서는 교통정보 수집부(10), 제1 맵매칭부(20), 위치정보 수집부(30), 제2 맵매칭부(40), 예측 모델 생성부(50), 교통정보 예측부(60) 및 교통정보 제공부(70)를 분리된 구성으로 설명하였으나, 실시예에 따라서는 상기 각 구성(10-70)이 별도의 원격 서버의 형태로 통합된 구성으로 구현될 수도 있다.
즉, 본 실시예는 교통정보 제공 서버와 같은 외부의 원격 서버로부터 도로의 교통정보를 수집하고 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하고, 차량의 측위 시스템으로부터 차량의 위치정보를 수집하고 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하며, 생성된 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 교통정보 예측 서버로 구현될 수도 있다.
즉, 교통정보 제공 서버는 제1 및 제2 맵매칭 데이터를 융합하여 텐서 데이터를 생성하고, 생성된 텐서 데이터에 딥 러닝 방식을 적용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. 예측 모델이 생성된 후, 교통정보 예측 서버는 예측 모델이 생성된 후에 생성되는 제1 및 제2 맵매칭 데이터에 생성된 예측 모델을 적용하여 명일의 교통정보를 예측할 수 있으며, 예측된 명일의 교통정보를 사용자 단말로 전송할 수 있다.
도 3은 본 발명의 일 실시예에 따른 교통정보 예측 방법을 설명하기 위한 흐름도이다.
도 3을 참조하여 본 발명의 일 실시예에 따른 교통정보 예측 방법을 설명하면, 먼저 교통정보 수집부(10)는 교통정보를 수집한다(S10). 교통정보 수집부(10)는 교통정보 제공 서버와 같은 외부의 원격 서버로부터 도로의 교통정보를 실시간으로 수집할 수 있다.
이어서, 제1 맵매칭부(20)는 교통정보 수집부(10)로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성한다(S20). 이때, 제1 맵매칭부(20)는 도로의 교통정보를 실시간으로 수집하는 교통정보 수집부(10)로부터 일(日) 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 제1 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
이어서, 위치정보 수집부(30)는 차량의 위치정보를 수집한다(S30). 위치정보 수집부(30)는 차량에 탑재된 측위 시스템, 이를테면 내비게이션 단말의 GPS 모듈로부터 차량의 위치정보를 수집할 수 있다.
이어서, 제2 맵매칭부(40)는 위치정보 수집부(30)로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성한다(S40). 이때, 제2 맵매칭부(40)는 차량으로부터 최종적으로 전송된 차량의 최종 위치 정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성할 수 있으며, 위치정보 수집부(30)로부터 일(日) 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 제2 맵매칭 데이터를 일(日) 단위로 생성할 수 있다.
제1 맵매칭 데이터가 생성되는 S10-S20 단계와, 제2 맵매칭 데이터가 생성되는 S30-S40 단계는 순차적으로 수행되는 시계열적 구성이 아닌, 독립적으로 수행되는 병렬적 구성으로서 그 동작 순서가 상기한 기재 순서에 한정되지 않는다.
이어서, 예측 모델 생성부(50)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성한다(S50). S50 단계에서 예측 모델 생성부(50)는 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. 그리고, 예측 모델 생성부(50)는 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성할 수 있다. S50 단계에서의 예측 모델 생성부(50)의 동작은 전술한 것이므로 구체적인 설명은 생략한다.
예측 모델 생성부(50)에 의해 예측 모델이 생성되면, 교통정보 예측부(60)는 제1 및 제2 맵매칭부(20, 40)로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 예측 모델 생성부(50)에 의해 생성된 예측 모델을 적용하여 명일의 교통정보를 예측한다(S60).
이어서, 교통정보 제공부(70)는 교통정보 예측부(60)로부터 예측된 명일의 교통정보를 전달받아 소정의 사용자 단말로 전송하여 예측된 명일의 교통정보가 차량 운전자에게 제공되도록 한다(S70).
이와 같이 본 실시예는 실제 교통정보를 기반으로 진행되는 교통정보 예측 학습을 통해 교통정보를 예측함으로써 종래의 교통정보 예측 시스템이 갖는 교통정보 예측 부정확성을 개선할 수 있고, 실제 교통정보과 함께 차량의 위치정보까지 고려하여 교통정보를 예측하기 위한 학습을 수행함으로써 보다 정확하게 교통정보를 예측할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.

Claims (20)

  1. 교통정보를 수집하는 교통정보 수집부;
    상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 제1 맵매칭부;
    차량의 위치정보를 수집하는 위치정보 수집부;
    상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 제2 맵매칭부; 및
    상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 예측 모델 생성부;
    를 포함하는 것을 특징으로 하는 교통정보 예측 장치.
  2. 제1항에 있어서,
    상기 제1 맵매칭부는, 상기 교통정보 수집부로부터 일 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 상기 제1 맵매칭 데이터를 일 단위로 생성하고,
    상기 제2 맵매칭부는, 상기 위치정보 수집부로부터 일 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 일 단위로 생성하는 것을 특징으로 하는 교통정보 예측 장치.
  3. 제2항에 있어서,
    상기 제2 맵매칭부는, 상기 차량으로부터 최종적으로 전송된 상기 차량의 최종 위치 정보를 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 생성하는 것을 특징으로 하는 교통정보 예측 장치.
  4. 제2항에 있어서,
    상기 예측 모델 생성부는, 상기 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 장치.
  5. 제4항에 있어서,
    상기 예측 모델 생성부는, 상기 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 상기 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 상기 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 장치.
  6. 제5항에 있어서,
    상기 예측 모델 생성부는, 제1일에 생성된 텐서 데이터를 학습 데이터로 하고, 상기 제1일의 다음날인 제2일에 생성된 제1 맵매칭 데이터를 목표 데이터로 하여 상기 딥 러닝 방식을 적용함으로써 상기 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 장치.
  7. 제6항에 있어서,
    상기 예측 모델 생성부는, 상기 제1일에 생성된 텐서 데이터 및 상기 제2일에 생성된 제1 맵매칭 데이터 간의 상관 관계를 상기 딥 러닝 방식을 통해 학습하는 과정을 반복적으로 수행하여 상기 예측 모델을 생성하는 것을 특징으로 하는 교통 정보 예측 장치.
  8. 제4항에 있어서,
    상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 상기 예측 모델 생성부에 의해 생성된 예측 모델을 적용하여 상기 명일의 교통정보를 예측하는 교통정보 예측부;를 더 포함하는 것을 특징으로 하는 교통정보 예측 장치.
  9. 교통정보 수집부가, 교통정보를 수집하는 단계;
    제1 맵매칭부가, 상기 교통정보 수집부로부터 전달받은 교통정보를 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하는 단계;
    위치정보 수집부가, 차량의 위치정보를 수집하는 단계;
    제2 맵매칭부가, 상기 위치정보 수집부로부터 전달받은 위치정보를 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하는 단계; 및
    예측 모델 생성부가, 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 단계;
    를 포함하는 것을 특징으로 하는 교통정보 예측 방법.
  10. 제9항에 있어서,
    상기 제1 맵매칭 데이터를 생성하는 단계에서, 상기 제1 맵매칭부는,
    상기 교통정보 수집부로부터 일 단위의 교통정보를 전달받아 지도데이터에 매칭시켜 상기 제1 맵매칭 데이터를 일 단위로 생성하고,
    상기 제2 맵매칭 데이터를 생성하는 단계에서, 상기 제2 맵매칭부는,
    상기 위치정보 수집부로부터 일 단위의 위치정보를 전달받아 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 일 단위로 생성하는 것을 특징으로 하는 교통정보 예측 방법.
  11. 제10항에 있어서,
    상기 제2 맵매칭 데이터를 생성하는 단계에서, 상기 제2 맵매칭부는,
    상기 차량으로부터 최종적으로 전송된 상기 차량의 최종 위치 정보를 지도데이터에 매칭시켜 상기 제2 맵매칭 데이터를 생성하는 것을 특징으로 하는 교통정보 예측 방법.
  12. 제10항에 있어서,
    상기 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
    상기 일 단위로 생성된 제1 및 제2 맵매칭 데이터에 기초하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 방법.
  13. 제12항에 있어서,
    상기 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
    상기 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 상기 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 상기 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 방법.
  14. 제13항에 있어서,
    상기 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
    제1일에 생성된 텐서 데이터를 학습 데이터로 하고, 상기 제1일의 다음날인 제2일에 생성된 제1 맵매칭 데이터를 목표 데이터로 하여 상기 딥 러닝 방식을 적용함으로써 상기 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 방법.
  15. 제14항에 있어서,
    상기 예측 모델을 생성하는 단계에서, 상기 예측 모델 생성부는,
    상기 제1일에 생성된 텐서 데이터 및 상기 제2일에 생성된 제1 맵매칭 데이터 간의 상관 관계를 상기 딥 러닝 방식을 통해 학습하는 과정을 반복적으로 수행하여 상기 예측 모델을 생성하는 것을 특징으로 하는 교통 정보 예측 방법.
  16. 제12항에 있어서,
    교통정보 예측부가, 상기 제1 및 제2 맵매칭부로부터 각각 전달받은 제1 및 제2 맵매칭 데이터에, 상기 예측 모델 생성부에 의해 생성된 예측 모델을 적용하여 상기 명일의 교통정보를 예측하는 단계;를 더 포함하는 것을 특징으로 하는 교통정보 예측 방법.
  17. 교통정보를 수집하고 지도데이터에 매칭시켜 제1 맵매칭 데이터를 생성하고, 차량의 위치정보를 수집하고 지도데이터에 매칭시켜 제2 맵매칭 데이터를 생성하며, 상기 생성된 제1 및 제2 맵매칭 데이터에 기초하여 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 서버.
  18. 제17항에 있어서,
    상기 교통정보 예측 서버는, 상기 생성된 제1 및 제2 맵매칭 데이터를 융합하여 텐서(tensor) 데이터를 생성하고, 상기 생성된 텐서 데이터에 딥 러닝(Deep Learning) 방식을 적용하여 명일의 교통정보를 예측하기 위한 예측 모델을 생성하는 것을 특징으로 하는 교통정보 예측 서버.
  19. 제17항에 있어서,
    상기 교통정보 예측 서버는, 상기 예측 모델이 생성된 후에 생성되는 제1 및 제2 맵매칭 데이터에 상기 생성된 예측 모델을 적용하여 명일의 교통정보를 예측하는 것을 특징으로 하는 교통정보 예측 서버.
  20. 제19항에 있어서,
    상기 교통정보 예측 서버는, 상기 예측된 명일의 교통정보를 사용자 단말로 전송하는 것을 특징으로 하는 교통정보 예측 서버.
PCT/KR2017/015487 2017-08-31 2017-12-26 교통정보 예측 장치, 방법 및 서버 WO2019045194A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0110860 2017-08-31
KR1020170110860A KR102395925B1 (ko) 2017-08-31 2017-08-31 교통정보 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2019045194A1 true WO2019045194A1 (ko) 2019-03-07

Family

ID=65525794

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2017/015487 WO2019045194A1 (ko) 2017-08-31 2017-12-26 교통정보 예측 장치, 방법 및 서버

Country Status (2)

Country Link
KR (1) KR102395925B1 (ko)
WO (1) WO2019045194A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528931A (zh) * 2020-12-22 2021-03-19 北京百度网讯科技有限公司 用于生成位置预测信息的方法、装置以及自动驾驶车辆

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102254765B1 (ko) * 2020-11-10 2021-05-24 한국건설기술연구원 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140059342A (ko) * 2012-11-07 2014-05-16 한국도로공사 교통 예보 제공 시스템 및 제공 방법
KR20140128063A (ko) * 2013-04-26 2014-11-05 한국교통연구원 교통 상황 예측 시스템
KR20150062835A (ko) * 2013-11-29 2015-06-08 현대엠엔소프트 주식회사 교통정보 제공 장치 및 그 방법
KR20160049882A (ko) * 2014-10-28 2016-05-10 현대엠엔소프트 주식회사 교통정보 예측장치 및 그 제어방법
KR101742043B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4762726B2 (ja) * 2006-01-12 2011-08-31 本田技研工業株式会社 ナビサーバおよびナビ装置
KR20060059925A (ko) * 2006-04-19 2006-06-02 주식회사 로티스 교통 정보 가공 방법
KR20120029707A (ko) * 2010-09-17 2012-03-27 현대엠엔소프트 주식회사 교통예측정보 표시방법 및 교통예측정보를 표시하는 내비게이션 장치
KR20160036710A (ko) * 2014-09-25 2016-04-05 주식회사 유투앤 미래 교통 상황 예측 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140059342A (ko) * 2012-11-07 2014-05-16 한국도로공사 교통 예보 제공 시스템 및 제공 방법
KR20140128063A (ko) * 2013-04-26 2014-11-05 한국교통연구원 교통 상황 예측 시스템
KR20150062835A (ko) * 2013-11-29 2015-06-08 현대엠엔소프트 주식회사 교통정보 제공 장치 및 그 방법
KR20160049882A (ko) * 2014-10-28 2016-05-10 현대엠엔소프트 주식회사 교통정보 예측장치 및 그 제어방법
KR101742043B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528931A (zh) * 2020-12-22 2021-03-19 北京百度网讯科技有限公司 用于生成位置预测信息的方法、装置以及自动驾驶车辆
CN112528931B (zh) * 2020-12-22 2024-03-15 阿波罗智联(北京)科技有限公司 用于生成位置预测信息的方法、装置以及自动驾驶车辆

Also Published As

Publication number Publication date
KR20190024154A (ko) 2019-03-08
KR102395925B1 (ko) 2022-05-09

Similar Documents

Publication Publication Date Title
US11335188B2 (en) Method for automatically producing and updating a data set for an autonomous vehicle
KR101500060B1 (ko) 차량 단말 및 군집주행 제어 시스템과 이를 이용한 선행 차량 선택 방법
EP2980533B1 (en) Departure/destination location extraction apparatus and departure/destination location extraction method
CN109725635A (zh) 自动驾驶车辆
CN109767646A (zh) 泊车方法及装置
EP1482278A2 (en) System and method for estimating driving time using road traffic condition information
CN110389580A (zh) 用于规划自动驾驶车辆的路径的漂移校正的方法
CN104819726A (zh) 导航数据处理方法、装置及导航终端
CN111985662B (zh) 网络约车方法、装置、电子设备和存储介质
CN107270925B (zh) 一种用户车辆导航系统、装置及方法
WO2017161588A1 (zh) 一种定位方法及装置
WO2022134365A1 (zh) 车辆调度方法、装置、系统、设备及存储介质
CN108871369A (zh) 车用导航地图显示方法、电子设备、服务器及存储介质
CN110411469A (zh) 导航规划方法、装置、设备和介质
WO2019045194A1 (ko) 교통정보 예측 장치, 방법 및 서버
CN112562388B (zh) 一种车辆连接管理方法、装置及存储介质
JP2020537249A (ja) ルート区間をマッピングする方法
WO2020119578A1 (zh) 打车订单处理
CN110210361B (zh) 一种测试场景的创建方法及装置、车载终端
US20210140772A1 (en) Crowdsourcing map maintenance
CN107449436A (zh) 一种车队导航方法及系统
CN107727092A (zh) 信息提醒方法、装置及电子设备
KR20190094299A (ko) 안내 로봇의 다중 정보 제공 시스템 및 그 방법
CN111480165A (zh) 在考虑对象的特征结构的情况下创建用于车辆的基于特征的定位地图的方法
CN109375622A (zh) 双向行走方法和机器人

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: 17923661

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: 17923661

Country of ref document: EP

Kind code of ref document: A1