WO2020075942A1 - 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 - Google Patents

교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 Download PDF

Info

Publication number
WO2020075942A1
WO2020075942A1 PCT/KR2019/005202 KR2019005202W WO2020075942A1 WO 2020075942 A1 WO2020075942 A1 WO 2020075942A1 KR 2019005202 W KR2019005202 W KR 2019005202W WO 2020075942 A1 WO2020075942 A1 WO 2020075942A1
Authority
WO
WIPO (PCT)
Prior art keywords
speed
traffic information
prediction
link
node
Prior art date
Application number
PCT/KR2019/005202
Other languages
English (en)
French (fr)
Inventor
김일명
정원우
지병석
홍정희
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Publication of WO2020075942A1 publication Critical patent/WO2020075942A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • 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
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Definitions

  • the present invention relates to a method, apparatus and computer program for predicting traffic information.
  • the vehicle navigation system may receive the user's current location information through GPS and shorten the arrival time to the destination by providing the user with a route to the destination.
  • the conventional traffic information providing service predicts future traffic information by applying multidimensional time information such as speed, day of the week, date, and weather to past statistical data. That is, the conventional traffic information providing service does not consider spatial information regarding traffic information of surrounding roads at all.
  • the conventional traffic information providing service relies on historical statistical data even for shadow roads in which speed is difficult to collect.
  • the present invention is intended to solve the above-mentioned problems, and attempts to increase prediction accuracy of future traffic information by considering real-time spatial relationships as well as real-time temporal relationships.
  • a traffic information prediction method, apparatus and computer program that composes traffic information into images reflecting spatial information and time information, and inputs them into a machine learning model to predict future traffic information.
  • a traffic information prediction method, apparatus, and computer for predicting future traffic information for roads on which traffic information is collected and roads that are not collected using a graph model generated based on spatial relationships such as speed of roads and adjacent roads I want to provide a program.
  • an embodiment of the present invention relates to a method for predicting traffic information in a speed collection section and a speed non-collection section, and a machine learning model for an image of a target region where traffic information is expressed
  • constructing a second prediction engine to predict speed information of at least one link, and predicting specific future traffic information based on the first prediction engine and the second prediction engine.
  • Another embodiment of the present invention relates to an apparatus for predicting traffic information in a speed collection section and a speed non-collection section, by inputting an image of a target region in which traffic information is expressed into a machine learning model, and traffic of a specific future in the target region
  • a first predicting specific future traffic information of the target region by inputting an image of the target region where the traffic information is expressed into the machine learning model
  • Build a prediction engine and build a second prediction engine that predicts speed information of at least one link based on a graph model composed of nodes corresponding to the intersection and a plurality of links corresponding to a plurality of roads connected to the intersection.
  • a computer program stored in a medium including a sequence of instructions for predicting traffic information of a specific future.
  • a traffic information prediction method, apparatus, and computer program that composes traffic information into images reflecting spatial information and time information, and inputs them into a machine learning model to predict future traffic information.
  • a traffic information prediction method, apparatus, and computer for predicting future traffic information for roads on which traffic information is collected and roads that are not collected using a graph model generated based on spatial relationships such as speed of roads and adjacent roads Program can be provided.
  • FIG. 1 is a block diagram of an apparatus for predicting traffic information according to an embodiment of the present invention.
  • FIG. 2 is a block diagram of a first prediction engine according to an embodiment of the present invention.
  • 3A to 3G are exemplary views illustrating a process of generating an image by mapping traffic information to a target area of a map according to an embodiment of the present invention.
  • 4A to 4C are exemplary views for explaining a process of expressing time information in an image generated by mapping traffic information to a target area of a map according to an embodiment of the present invention.
  • 5A to 5C are exemplary views for explaining a process of predicting future traffic information of a target area by inputting an image for traffic information into a machine learning model according to an embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating a method of predicting image-based traffic information in a traffic information prediction apparatus according to an embodiment of the present invention.
  • FIG. 7 is a block diagram of a second prediction engine according to an embodiment of the present invention.
  • 8A to 8C are exemplary views for explaining a process of learning a graph model according to an embodiment of the present invention.
  • 9A to 9E are exemplary views for explaining a process of deriving the speed of a shadow link according to an embodiment of the present invention.
  • 10A to 10C are exemplary diagrams for explaining a process of predicting a degree of influence of traffic jam propagation due to an accident occurring in a first link to a second link based on accident information according to an embodiment of the present invention to be.
  • 11A and 11B are exemplary views for explaining a process of predicting traffic information for a virtual road environment by applying a graph model according to an embodiment of the present invention.
  • FIG. 12 is a flowchart illustrating a method for predicting traffic information based on a graph model in a traffic information prediction apparatus according to an embodiment of the present invention.
  • FIG. 13 is a block diagram of a third prediction engine according to an embodiment of the present invention.
  • 14A to 14C are exemplary views for explaining a process of collecting wireless communication access data according to an embodiment of the present invention.
  • 15 is an exemplary diagram for explaining a process of predicting a real-time speed of a road using a speed prediction model according to an embodiment of the present invention.
  • 16A to 16B are diagrams for explaining a process of calculating an access weight weight per base station according to an embodiment of the present invention.
  • 17 is a flowchart illustrating a method of generating traffic information in a traffic information prediction apparatus according to an embodiment of the present invention.
  • FIG. 18 is a flowchart illustrating a method of predicting traffic information in a speed collection section and a speed non-collection section in a traffic information prediction apparatus according to an embodiment of the present invention.
  • 19 is a flowchart for explaining in more detail a method for predicting traffic information in a speed collection section and a speed non-collection section in a traffic information prediction apparatus according to an embodiment of the present invention.
  • unit includes a unit realized by hardware, a unit realized by software, and a unit realized by using both. Further, one unit may be realized by using two or more hardware, and two or more units may be realized by one hardware.
  • Some of the operations or functions described in this specification as being performed by a terminal or device may be performed instead on a server connected to the corresponding terminal or device. Similarly, some of the operations or functions described as being performed by the server may be performed in a terminal or device connected to the corresponding server.
  • 'Node (Node)' may mean an intersection among roads and a 'Link' may mean a plurality of roads connected to an intersection.
  • 'non-shading node' and 'non-shading link' mean intersections and roads belonging to a non-shading section capable of collecting traffic data.
  • 'shading node' and 'shading link' mean intersections and roads belonging to shaded sections (for example, tunnels, underground, etc.) that are difficult to collect traffic data.
  • the traffic information prediction apparatus 100 may include a collection unit 101, a first prediction engine 110, a second prediction engine 120, and a third prediction engine 130.
  • the collection unit 101 may collect the speeds of a plurality of non-shading links connected to non-shading nodes corresponding to the speed collection section. For example, the collection unit 101 may collect the speeds of a plurality of non-shading links connected to a non-shading node from a GPS terminal mounted or attached to a vehicle.
  • the collection unit 101 may collect traffic data.
  • the collection unit 101 may collect traffic data including the vehicle's GPS latitude / longitude coordinates, ascending / descending azimuth and vehicle speed.
  • the collection unit 101 may collect wireless communication access data from a plurality of base stations located within a predetermined radius from the road. A more detailed description of this will be described with the third prediction engine 130 below.
  • the first prediction engine 110 may predict a specific future traffic information of the target region by inputting an image of the target region where the traffic information is expressed into a machine learning model, such as a deep learning model.
  • the first prediction engine 110 may include an image generation unit 111, a first learning unit 112, and a traffic information prediction unit 113.
  • the image generator 111 may divide the target region into a plurality of cells. For example, the image generator 111 may divide a target region into a plurality of cells in a minimum unit by using a decimal unit of a Global Positioning System (GPS).
  • GPS Global Positioning System
  • the image generator 111 may map traffic information to a target region that is at least a part of the map based on the traffic data, and generate an image for the target region in which the mapped traffic information is expressed. At this time, the image generator 111 may map traffic information to each of the plurality of cells. Traffic information may include, for example, vehicle speed, vehicle density and driving direction.
  • the image generator 111 may map location information to each of a plurality of cells based on GPS information.
  • the minimum GPS position of the target area may be used as the start of the image, and [GPS position information for the link-minimum GPS position] may be mapped to the index of the image.
  • the link means a road, and in the following, the road may be expressed as a link.
  • the image generator 111 may generate and store a location information table in which location information for a GPS unit of a link is stored in order to map traffic information to each of a plurality of cells. At this time, the image generation unit 111 may determine which cell each link is included in using a location information table including location information corresponding to a link on the image.
  • the image generator 111 may set the traffic status of each of the plurality of cells as one of the plurality of steps based on the traffic data. For example, the image generator 111 may set the traffic status of each of the plurality of cells to be smooth, normal, or congested.
  • the image generator 111 may express map colors of each of the plurality of cells differently based on traffic information mapped to each of the plurality of cells. For example, the image generator 111 may express red when the section speed of the link is faster than a preset speed and blue when the speed of the link is faster than a preset speed based on traffic information mapped to each of the plurality of cells.
  • the image generator 111 may compress the image. At this time, the image generator 111 may group a plurality of cells (for example, four cells) adjacent to each other (the middle unit cell in FIG. 3D).
  • the image generator 111 may reduce the grouped plurality of cells into one cell having a step of any one traffic condition based on the stage of the traffic condition of each grouped plurality of cells.
  • the image generating unit 111 may reduce the grouped plurality of cells to one cell having a step of any one traffic condition based on the weight of the steps of the traffic condition for each of the grouped cells. For example, the image generator 111 may reduce a plurality of grouped cells to cells having a stage of a traffic condition having the highest weight for each of the grouped cells.
  • the image generating unit 111 may generate an compressed image with an enlarged cell size by reducing an NxN sized image to 1x1 and reconstructing an entire cell.
  • the image can be compressed without maximally losing road information by compressing the image based on the weight of the stage of the traffic status for each grouped plurality of cells without using a conventional image compression technique.
  • the image generator 111 may generate a lost link table for it.
  • the lost link table may include relationship information (road relationship properties in the northwest and southwest directions) with surrounding links of the lost link.
  • the image generator 111 may remap traffic information for the missing link. For example, the image generation unit 111 searches the cell position based on the surrounding link of the lost link from the lost link table between the generated links, and examines the cell in the north-west direction, which is the relationship of the link around the missing link. If the cell around the missing link is an empty cell, traffic information for the missing link can be generated.
  • the image generator 111 may express time information corresponding to traffic information on the image. At this time, the image generator 111 may adjust the brightness value of the image based on the time information. For example, the image generator 111 may select and express an image brightness value from 0 to 256 based on the time information of one day (00: 00 AM to 23: 59 PM). At this time, the time information may be expressed in a cell in which the location information of the link among the plurality of cells is not expressed on the image for the target region.
  • the image generation unit 111 may generate an image in which traffic information at T + 1 time is expressed based on traffic information at T + 1 time output from the traffic information prediction unit 113.
  • the first learning unit 112 may train the machine learning model to predict future traffic information using the generated image.
  • the image used for learning may be an image in which traffic information of the past of the target area is expressed.
  • the first learning unit 112 inputs an image for a T time that is a specific past time point into a machine learning model, and learns to output traffic information of a T + 1 time that is a specific future time point from a specific past time point. You can.
  • the first learning unit 112 generates an image for the T + 1 time based on the traffic information of the T + 1 time, and inputs it to the machine learning model to learn to output the traffic information of the T + 2 time. You can.
  • the first learning unit 112 may perform learning while repeating the above-described process.
  • the traffic information predicting unit 113 may predict a specific future traffic information of the target area by inputting an image into the machine learning model. Thereafter, the traffic information prediction unit 113 may update the image every unit time and input the updated image into the machine learning model.
  • the machine learning model may be a CRNN (Chaotic Recurrent Neural Network) model in which a spatial analysis deep learning model CNN (Convolution Neural Network) and a time series deep learning learning model LSTM (Long-Short Term Memory) are combined.
  • the traffic information prediction unit 113 may input an image representing traffic information at T time into the machine learning model and output traffic information at T + 1 time.
  • the traffic information prediction unit 113 generates an image in which the traffic information at T + 1 time is expressed based on the traffic information at T + 1 time output from the image generator 111, and then T + 1 An image representing traffic information in time can be input to a machine learning model.
  • the traffic information prediction unit 113 may predict traffic information until a desired future time point by repeating this process.
  • 3A to 3G are exemplary views illustrating a process of generating an image by mapping traffic information to a target area of a map according to an embodiment of the present invention.
  • the first prediction engine 110 may collect a map 300 of a target region through a Geographic Information System (GIS).
  • GIS Geographic Information System
  • the map 300 of the target area may include a plurality of links (road, 301).
  • the first prediction engine 110 may divide a target region of the map into a plurality of cells 310a, 310b, 310c, 310d, 310e, and 310f, and map traffic information to each of the plurality of cells. have.
  • each of the plurality of cells 310a, 310b, 310c, 310d, 310e, and 310f may be represented in different ways according to the mapped traffic information.
  • each of the plurality of cells 310a, 310b, 310c, 310d, 310e, and 310f is the first cell 310a, the second cell 310b, and the third according to the mapped traffic information.
  • the first prediction engine 110 may map location information 311 and 312 to each of the plurality of cells 310 based on GPS (Global Positioning System) information. For example, when the latitude coordinates obtained from the vehicle's GPS is '37 .4812 66 'and the longitude coordinates are' 126.9943 68 ', the target area is mapped to each of the plurality of cells based on the starting position of each cell. You can. At this time, the latitude / longitude coordinates obtained from the GPS may be valid up to the fourth decimal place in each coordinate.
  • GPS Global Positioning System
  • the first prediction engine 110 determines the X coordinate of the corresponding image as '112' by subtracting the cell starting position '37 .47 'from the latitude coordinates '37 .482', and from the longitude coordinates '126.9943'
  • the Y coordinate of the corresponding image may be determined as '143' by subtracting the cell starting position '126.98'.
  • one or more cells 310 ⁇ to which location information is mapped among a plurality of cells 310a, 310b, 310c, 310d, 310e, 310f are different from other one or more cells to which location information is not mapped. It can be expressed in a way.
  • the first prediction engine 110 may group 320 a plurality of cells adjacent to each other.
  • the first prediction engine 110 may group 320 cells of the smallest unit into one intermediate cell.
  • the first prediction engine 110 reduces a plurality of cells grouped into one cell having a step of any one traffic condition based on the steps of the traffic condition of each of the plurality of cells grouped. can do.
  • the first prediction engine 110 represents two cells among the plurality of cells grouped 320 as intermediate cells and is represented by parallel diagonal lines, and one cell is represented by cross diagonal lines.
  • the grouped cells 320 may be expressed by an expression method that occupies the largest number of cells.
  • the traffic information prediction apparatus 100 is also illustrated in a parallel diagonal manner that occupies the most cells in a plurality of cells included in the cell grouped 320 as an intermediate cell in FIG. 3D. It is possible to express one grouped cell 330 of 3e.
  • the first prediction engine 110 may store information so that information lost due to the reduction of the cell is recovered based on link relationship. For example, the first prediction engine 110 corrects the cell 340 located to the east of the cell represented by the crossed diagonal lines with a parallel diagonal line, and the cell 341 located to the south of the cell represented by the parallel diagonal lines with a dotted line.
  • the modified parallel diagonal line may be modified, and the cell 342 located to the east of the cell represented by the parallel diagonal line may be stored with information to be corrected in a tile format, and may be re-mapped.
  • the first prediction engine 110 may finally generate an image compressed from an NxN sized cell to a 1x1 sized cell.
  • Reference numeral 350 denotes that four cells are compressed into one cell having a stage of a traffic condition.
  • 4A to 4C are exemplary views for explaining a process of expressing time information in an image generated by mapping traffic information to a target area of a map according to an embodiment of the present invention.
  • FIG. 4A is an exemplary diagram illustrating an image generated by mapping traffic information to a target area of a map according to an embodiment of the present invention.
  • the first prediction engine 110 may divide a target area of the map in units of cells, and express an image 410 for traffic information in units of cells.
  • the first prediction engine 110 may additionally express time information for an image 410 in which traffic information is expressed in units of cells.
  • the first prediction engine 110 may adjust and express the brightness values (0 to 256) of the image 410 based on the time information (00:00 to 23:59). For example, if the current time is 6 PM and the traffic information prediction apparatus 100 wants to express the traffic information at 9 PM based on the time information, the brightness value of the image 410 for 9 PM is set. It can be expressed by adjusting it to '192'.
  • 4C is an exemplary diagram illustrating an image expressed by mixing traffic information and time information according to an embodiment of the present invention.
  • 4A to 4C in the case of a cell in which a diagonal line is expressed in an image 410 in which traffic information and location information are expressed, the first prediction engine 110 leaves the corresponding diagonal line, and the traffic information and location information are expressed.
  • the uncelled cell may be expressed by adjusting the brightness value of the cell corresponding to the time information to '192'.
  • 5A to 5C are exemplary views for explaining a process of predicting future traffic information of a target area by inputting an image for traffic information into a machine learning model according to an embodiment of the present invention.
  • the first prediction engine 110 may generate an image to which traffic information is mapped at the current time T time (eg, 6 PM) and input it into the machine learning model.
  • Traffic information may include, for example, vehicle speed, vehicle density and driving direction.
  • the image may include an image 500 for vehicle speed, an image 510 for vehicle density, and an image 520 for driving direction, and all of these images may be input to a machine learning model. .
  • 5B is an exemplary diagram illustrating predicted traffic information at a first future time from a current time according to an embodiment of the present invention.
  • the first prediction engine 110 inputs an image 530 for the current time T time (for example, 6 PM) into the machine learning model, T + corresponding to the first future time It is possible to output traffic information at 1 hour (for example, 7 pm).
  • the first prediction engine 110 generates an image for T + 1 time that reflects traffic information at T + 1 hour to an image for T time, and inputs it to the machine learning model, thereby providing traffic information at T + 2 time. Can output
  • the first prediction engine 110 inputs an image 540 for the current time T time (for example, 7 pm) into the machine learning model, which is the future time T + Traffic information at 1 hour (eg, 8 PM) may be output, and based on this, an image 550 for T + 1 hour may be generated.
  • the first prediction engine 110 may input the image 550 for the T + 1 time into the machine learning model and output traffic information at the T + 2 time.
  • the first prediction engine 110 may repeat this process to predict traffic information up to T + N time (N is an arbitrary natural number).
  • FIG. 6 is a flowchart of a method for predicting image-based traffic information in the traffic information prediction apparatus 100 according to an embodiment of the present invention.
  • the method for predicting image-based traffic information in the traffic information prediction apparatus 100 illustrated in FIG. 6 includes steps that are time-sequentially processed by the embodiments illustrated in FIGS. 2 to 5C. Therefore, even if it is omitted below, it is also applied to a method of predicting image-based traffic information in the traffic information prediction apparatus 100 according to the embodiment illustrated in FIGS. 2 to 5C.
  • the collection unit 101 may collect traffic data.
  • the first prediction engine 110 may map the traffic information to the target region that is at least a part of the map based on the traffic data, and generate an image of the target region where the mapped traffic information is expressed.
  • the first prediction engine 110 may input a image into the machine learning model to predict traffic information of a specific future area.
  • steps S610 to S630 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present invention.
  • some steps may be omitted if necessary, and the order between the steps may be switched.
  • the second prediction engine 120 may predict speed information of at least one link based on a graph model composed of nodes corresponding to the intersection and a plurality of links corresponding to a plurality of roads connected to the intersection. have.
  • the second prediction engine 120 includes a second learning unit 121, a link speed derivation unit 122, a graph model generation unit 123, a link speed prediction unit 124, and an accident occurrence information receiving unit (125) and the influence may also include a prediction unit (126).
  • the second learning unit 121 may learn the road network using a graph model.
  • the graph model may include a node corresponding to an intersection with respect to a road network and a plurality of links corresponding to a plurality of roads connected to the intersection.
  • the second learning unit 121 may learn a speed prediction model based on the speeds of a plurality of links of the graph model. For example, when the current speeds of the nodes and a plurality of links connected to the nodes are input, the second learning unit 121 may learn a speed prediction model that outputs the speeds after a predetermined time (T + 1). .
  • T + 1). a predetermined time
  • 8A to 8C are exemplary diagrams for explaining a process of learning a speed prediction model according to an embodiment of the present invention.
  • FIG. 8A is an exemplary diagram illustrating a graph model according to an embodiment of the present invention.
  • the second learning unit 121 trains the speed prediction model using a graph model composed of a plurality of nodes 810 and a plurality of links 820 connecting the road network 800 to each node. can do.
  • the second learning unit 121 inputs the speeds of links connected to one central node 831 and a plurality of adjacent nodes 832 adjacent to one T node, which is the current time, T, which is the future time T It can be learned to output the speed 833 of the link of +1 hour.
  • 8C is an exemplary diagram illustrating a data structure of a speed prediction model according to an embodiment of the present invention.
  • the data structures of the speed prediction model include the current speed 851 of a plurality of links connected to the central node, the current speed 852 of a plurality of links connected to the first neighboring node, and the second neighboring node.
  • the speed prediction model is a plurality of connected to the central node at a future time T + 1 time. You can print the speed of the link.
  • the second learning unit 121 may further train the traffic flow prediction model based on the link attribute information.
  • the attribute information may include the presence or absence of a continuous flow, the speed limit, the rider, the speed, and the like.
  • the second learning unit 121 may output the density of the road.
  • the link speed derivation unit 122 may calculate the density of the non-shading nodes based on the speeds of the plurality of non-shading links. For example, the link speed derivation unit 122 may calculate the density of a non-shaded node based on "speed / limit speed * number of lanes".
  • the link speed derivation unit 122 may interpolate the density of the shadow node from the density of the non-shading node, for example, based on the geostatistical interpolation method.
  • the geostatistical interpolation method may be a Kriging interpolation method.
  • Kriging interpolation means a technique for predicting a characteristic value of a point of interest through a linear combination of values of surrounding points in order to find a characteristic value of a point of interest, and the closer the point of interest and the surrounding point, the more weight can be assigned.
  • the link speed derivation unit 122 may derive the speeds of a plurality of shadow links connected to the shadow nodes from the density of the shadow nodes. The process of deriving the speeds of the plurality of shaded links will be described in detail through FIGS. 9A to 9E.
  • 9A to 9E are exemplary views for explaining a process of deriving the speed of a shadow link according to an embodiment of the present invention.
  • FIG. 9A is an exemplary diagram for explaining a process of calculating the density of a non-shading node according to an embodiment of the present invention.
  • the link speed derivation unit 122 is based on the ratio of the current speed (current speed / limit speed) to the speed limit of the non-shading node 900 based on the speeds of the plurality of non-shading links 910. Density can be calculated based on this.
  • the link speed derivation unit 122 is the ratio of the current speed to the speed limit of the first non-shaded link (30/60), and the ratio of the current speed to the speed limit of the second non-shadow link (30/60) ), The ratio of the current speed to the speed limit of the third non-shadow link (40/50), the ratio of the current speed to the speed limit of the fourth non-shadow link (30/80), the speed limit of the fifth non-shadow link.
  • the ratio of the current speed to (40/60) The average of the ratio of the current speed (40/60) to the speed limit of the sixth non-shading link can be calculated to derive the density of the non-shading node as '0.585'.
  • 9B to 9D are exemplary views for explaining a process of interpolating the density of a shadow node corresponding to a speed non-collection section from a density of a non-shaded node based on a geostatistical interpolation method according to an embodiment of the present invention. .
  • the link speed derivation unit 122 may generate a density map for a plurality of nodes by using a ratio of a current rate to a speed limit of a plurality of links connected to a plurality of nodes as a density.
  • the density map may include a plurality of non-shaded nodes and a plurality of shaded nodes 920.
  • the link speed derivation unit 122 may interpolate the density of the shadow node based on the density of a plurality of adjacent nodes adjacent to the shadow node and the distance between the shadow node and the plurality of adjacent nodes.
  • the link speed derivation unit 122 applies a weight to a node having a short distance based on the density and distance of each of the plurality of adjacent nodes 921, 922, and 923 connected to the shadow node (center node, 920). You can interpolate.
  • the link speed derivation unit 122 has a distance between the central node 920 and the first neighboring node 921 of 3 km, a distance between the second neighboring node 922 of 3 km, and a third neighboring node 923.
  • the density of the shadow node 920 may be interpolated by applying a greater weight to the third neighbor node 923 than the first neighbor node 921 and the second neighbor node 922. .
  • the link speed derivation unit 122 may predict the density value of the shadow node 920 as '0.639' in the same manner as above.
  • the link speed derivation unit 122 may derive the current speed of the shadow link 930 connected to the shadow node 920 based on the predicted density value of the shadow node 920. For example, the link speed deriving unit 122 derives the current speed of the shadow link 930 as '31 .95 km / h 'by multiplying the speed limit of the shadow node 920 by the speed limit of the shadow link 930. can do.
  • the prediction accuracy can be increased by predicting the speed of the shadow link from the density of the surrounding non-shaded links and predicting a specific future speed, which will be described later. .
  • the graph model generator 123 may generate a graph model based on the speed of the non-shaded link and the speed of the shaded link.
  • the graph model includes at least one of the speed of at least one link connected to the central node, the speed of at least one link connected to each of a plurality of adjacent nodes adjacent to the central node, and the number of lanes of at least one link connected to the central node. can do.
  • the graph model generator 123 may generate a graph model including the speed of a non-shaded link at T time and the speed of at least one link connected to each of a plurality of adjacent nodes adjacent to the shadow node.
  • the link speed prediction unit 124 may input a graph model into the speed prediction model to predict a specific future speed of a plurality of links.
  • the link speed prediction unit 124 is connected to each of a plurality of adjacent nodes and the speed of a non-shaded link at a future time T + 1 time by inputting a graph model at the current time T time to the speed prediction model.
  • the speed of at least one link can be output.
  • the accident occurrence information receiving unit 125 may receive accident occurrence information for a plurality of links from a traffic management server (not shown). For example, the accident occurrence information receiving unit 125 may receive information related to a traffic accident, road construction, and the like from a traffic management server (not shown). Alternatively, the second prediction engine 120 may directly determine whether an accident has occurred from the output result of the speed prediction model.
  • the impact degree predicting unit 126 inputs attribute information of the first link into the traffic flow prediction model, so that the congestion after the accident occurring in the first link is the second link It is possible to predict the degree of influence propagated by.
  • the attribute information may include the presence or absence of a continuous flow of the road, the speed limit, the number and speed of lanes, and the like. The process of predicting the impact degree will be described in detail with reference to FIGS. 10A to 10C.
  • 10A to 10C are exemplary diagrams for explaining a process of predicting a degree of influence of traffic jam propagation due to an accident occurring in a first link to a second link based on accident information according to an embodiment of the present invention to be.
  • the impact degree predicting unit 126 may calculate a decrease in traffic when the lane is reduced in the first link. For example, if an accident occurs on the first lane of the three-lane road, the three-lane road may have only one lane reduced and only the two-lane road may be used.
  • the impact degree predicting unit 126 may input attribute information of the first link where the accident occurred in the traffic flow prediction model and output the density of the first link.
  • the influence degree prediction unit 126 may calculate the traffic volume based on the density of the output first link. Traffic (q, veh / h) can be derived based on speed (km / h) and link density (veh / km).
  • the traffic volume of the corresponding road was reduced from 70 km / h (1000) to 30 km / h (1010), thereby reducing the speed of the road.
  • the impact prediction unit 126 may calculate a shock wave velocity 1020 in which congestion filtering propagates from the first link to the second link based on the calculated traffic volume and density at the first link. For example, when the first link in which an accident occurs is connected to the second link through the central node, the road congestion generated in the first link may be propagated to the second link, the rear road at the speed of the shock wave, so The prediction unit 126 Based on the shock wave velocity 1020 can be calculated.
  • the influence degree predicting unit 126 may predict a time and a distance at which the congestion after the accident reaches the second link based on the calculated shock wave.
  • the impact degree predicting unit 126 uses a map formed based on a plurality of nodes and a plurality of links connected between the plurality of nodes, and the central node 1040 and the first node connected to the first link 1030 where an accident occurs.
  • the node located in the direction opposite to the driving direction Based on the type of link, the node located in the direction opposite to the driving direction, the attribute information of the plurality of second links 1041 and 1042 connected to the central node 1040 and the shock wave velocity, the congestion after the accident is the second link ( 1041, 1042).
  • 11A and 11B are exemplary views for explaining a process of predicting traffic information for a virtual road environment by applying a graph model according to an embodiment of the present invention.
  • 11A is an exemplary diagram illustrating a current road environment composed of a plurality of nodes and a plurality of links according to an embodiment of the present invention.
  • the second prediction engine 120 may predict traffic information based on a graph model when the central node 1100 is composed of intersections of intersections.
  • FIG. 11B is an exemplary diagram illustrating a virtual road environment composed of a plurality of nodes and a plurality of links according to an embodiment of the present invention.
  • the second prediction engine 120 may transmit traffic information based on a graph model. Predictable. For example, the second prediction engine 120 may predict traffic information in a virtual environment by virtually adding or deleting a link to the central node 1100 at a crossroad.
  • the traffic information prediction method based on the graph model, it is possible to predict traffic information on a newly planned road in advance, or by simulating the addition or deletion of a link through a virtual road environment, traffic on the road can be smoothly performed. It can be reflected in road planning projects or traffic planning projects.
  • FIG. 12 is a flowchart of a method for predicting traffic information based on a graph model in a traffic information prediction apparatus according to an embodiment of the present invention.
  • the method for predicting traffic information based on a graph model in the traffic information prediction apparatus 100 illustrated in FIG. 12 includes steps processed in time series by the embodiments illustrated in FIGS. 7 to 11B. Therefore, even if it is omitted hereinafter, it is also applied to a method for predicting traffic information based on a graph model in the traffic information prediction apparatus 100 according to the embodiment illustrated in FIGS. 7 to 11B.
  • the collection unit 101 may collect the speeds of a plurality of non-shading links connected to non-shading nodes corresponding to the speed collection section.
  • step S1220 the second prediction engine 120 calculates the density of the non-shading node based on the speed of the plurality of non-shading links, and corresponds to a speed non-collection section from the density of the non-shading node based on the geostatistical interpolation method.
  • the density of the shadow nodes can be interpolated, and the speeds of a plurality of shadow links connected to the shadow nodes can be derived from the density of the shadow nodes.
  • the second prediction engine 120 may generate a graph model based on the speed of the non-shaded link and the speed of the shaded link.
  • the second prediction engine 120 may input a graph model into the velocity prediction model to predict a specific future velocity of the plurality of links.
  • steps S1210 to S1240 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present invention.
  • some steps may be omitted if necessary, and the order between the steps may be switched.
  • the third prediction engine 130 collects wireless communication access data from a plurality of base stations located within a predetermined radius from the road in the speed uncollected section, and speeds up the wireless communication access data collected from the plurality of base stations. At least one velocity information may be predicted by inputting the prediction model.
  • FIG. 13 is a block diagram of a third prediction engine 130 according to an embodiment of the present invention.
  • the third prediction engine 130 includes a filtering unit 131, a model generation unit 132, a speed prediction unit 133, a traffic information generation unit 134, and an unexpected situation prediction unit 135. It can contain.
  • the filtering unit 131 may include a first filtering unit 131a and a second filtering unit 131b.
  • the third prediction engine 130 illustrated in FIG. 13 is only one implementation example of the present invention, and various modifications are possible based on the components illustrated in FIG. 13. Hereinafter, FIGS. 14A to 16B will be described together with FIG. 13.
  • the collection unit 101 may collect wireless communication access data from a plurality of base stations located within a predetermined radius from the road. For example, referring to FIG. 14A, the collection unit 101 selects a base station located within a predetermined radius (eg, 200 m) from an intersection where at least two roads meet, as effective base stations 1401, 1403, 1405, and 1047 , Wireless communication access data may be collected from the selected effective base stations 1401, 1403, 1405, and 1047.
  • a predetermined radius eg, 200 m
  • the base station selected as the effective base stations 1401, 1403, 1405, and 1407 may be, for example, a base station having an antenna installed outside the base station while the antenna of the base station is directed toward the road.
  • the collection unit 101 collects wireless communication access data from a plurality of base stations 1401 and 1403 belonging to the first effective base station group selected for the first intersection, and the second selected for the second intersection Wireless communication access data can be collected from a plurality of base stations 1405 and 1407 belonging to the effective base station group.
  • the collection unit 101 is wireless communication access data from the effective base station located within a predetermined radius from the first road (eg, West Coast Highway) and the effective base station located within a predetermined radius from the second road (eg, Yeongdong Expressway) Can be collected.
  • the collected wireless communication access data may include, for example, information about a plurality of user terminals attempting radio access to each effective base station and information about each effective base station (eg, location information of the base station, etc.).
  • the collection unit 101 may distinguish the uplink direction and the downlink direction of the road based on location information of a plurality of base stations and a distribution diagram of wireless communication access amounts to the plurality of base stations. As the collection unit 101 distinguishes the upward and downward directions, it is possible to predict the real-time speed of each of the upward and downward lines, as described later.
  • the collection unit 101 grasps the distribution of access amount of each base station using log data for the S1-AP protocol collected from a plurality of base stations located within a predetermined radius from the first road and , Road directionality (uplink direction and downlink direction) for the first road may be provided through a correlation between the location of each base station and the distribution of access amount.
  • the S1-AP (S1-Application Protocol) protocol is periodically applied even in a state in which a user's terminal subscribed to the LTE network / service accesses the base station (for example, Internet use, phone use, etc.) or is not connected (idle state). It is a protocol that provides a communication connection between a user terminal and a base station so that a communication connection with the base station occurs. Since the log data for the S1-AP protocol is real-time data for the user's terminal periodically connected to the base station through the S1-AP protocol and is standard protocol information for LTE communication, it is special for purposes such as communication quality monitoring. It is data that can be collected unconditionally by a mobile operator without permission.
  • S1-AP Application Protocol
  • the log data for the S1-AP protocol can be utilized to grasp the access amount and access mobility of each base station per hour based on the access time and the location of the base station, so it is suitable for learning the traffic speed learning model. For example, when the access amount of a base station located at a second distance from Seoul (a distance greater than the first distance) is higher than the access amount of a base station located at a first distance from Seoul among a plurality of base stations located within a predetermined radius from the first road, The collection unit 101 may determine that the vehicle flow of the descending line 1410 for the first road is stagnant, and may determine that the vehicle flow of the ascending line 1420 for the first road is a smooth state.
  • the filtering unit 131 may extract wireless communication access data generated in the vehicle located on the road from the collected plurality of wireless communication access data.
  • the filtering unit 131 may extract wireless connection data generated from a terminal (eg, a smart phone, a smart watch, etc.) of a driver or passenger of a vehicle driving a road among collected wireless communication connection data.
  • the first filtering unit 131a may exclude the wireless communication access data collected by the base station over a predetermined number of times per day from the collected plurality of wireless communication access data.
  • the first filtering unit 131a accesses a plurality of wireless communication access data collected due to paging communication that periodically occurs during a predetermined time period (eg, 1 AM to 6 AM). It can be excluded from the data.
  • the paging communication refers to a broadcast communication that periodically wakes the terminal in order to grasp the reception state of the terminal in an undriven state and the approximate location of the terminal. Since the wireless communication access data due to paging communication is not the wireless communication access data generated in the vehicle on the road, it is necessary to exclude it from a plurality of collected wireless communication access data in order to increase the accuracy of prediction on the road speed.
  • the first filtering unit 131a additionally excludes the wireless communication access data of the user terminal (resident or pedestrian terminal) that has access to one base station for a predetermined period of time or more, from the collected plurality of wireless communication access data. can do.
  • a wireless communication access data accessed by a terminal of a pedestrian or a resident who has been staying for a certain period of time (for example, 1 day) in a nearby area of the road (determined as wireless communication access data that has been accessed more than a predetermined number of times by one base station during a certain period) ) Has a high probability that it is not the wireless communication access data generated in the vehicle on the road, so the accuracy of prediction for the road speed can be increased by excluding the corresponding wireless communication access data.
  • the second filtering unit 131b may exclude wireless communication access data for a preset service from a plurality of wireless communication access data collected based on an index value for a service use of the communication protocol.
  • the preset service may be a service that is restricted when driving (eg, streaming video service, etc.).
  • the second filtering unit 131b is a service that is restricted when driving among index values (eg, QCI values) for service usage of the S1-AP protocol (eg, QCI No. 3 of the S1-AP protocol in FIG. 14C). (24) and QCI No. 6 (26, streaming video service, etc.) of the wireless communication access data having an index value can be excluded from the collected plurality of wireless communication access data.
  • index values eg, QCI values
  • QCI No. 6 26, streaming video service, etc.
  • the Q1-T (QualiTy of service Class Index) of the S1-AP protocol is an index value in which priority is expressed as an integer in order to guarantee traffic quality according to the importance of the service.
  • the filtering unit 131 generates wireless communication access data generated in a vehicle from which wireless communication access data collected by the base station and wireless communication access data related to a predetermined service are excluded from a plurality of collected wireless communication access data by a predetermined number of times per day. Only can be extracted.
  • the processing load of the system can be reduced.
  • the prediction accuracy of the road speed can be increased.
  • the model generator 132 may generate a speed prediction model based on past wireless communication access data and road speed data collected from a plurality of base stations.
  • the model generation unit 132 is a first speed prediction model that pairs wireless communication access data at T-1 time, wireless communication access data at T-2 time, and road speed data at T time.
  • Time series based by generating a second speed prediction model that pairs wireless communication access data at T-2 time, wireless communication access data at T-3 time and road speed data at T-1 time Let's generate a speed prediction model.
  • the model generator 132 may input the past wireless communication access data collected from a plurality of base stations into the speed prediction model to learn the speed prediction model so that the speed data of the current road is output.
  • the model generation unit 132 inputs wireless communication access data at T-1 time and wireless communication access data at T-2 time into the first speed prediction model so that the speed data of the road at T time is obtained. You can learn to print.
  • the model generation unit 132 inputs wireless communication access data at T-2 time and wireless communication access data at T-3 time to the second speed prediction model so that the speed data of the road at T-1 time is obtained. You can learn to print.
  • the model generation unit 132 may classify the extracted wireless communication access data into past wireless communication access data by an incoming call and past wireless communication access data by an outgoing call based on an index value for a connection type of a communication protocol. For example, the model generation unit 132 classifies wireless communication access data having an index value for an incoming connection type of the S1-AP protocol among extracted wireless communication access data as past wireless communication access data by incoming call, S1. -Wireless communication access data having an index value for the originating connection type of the AP protocol may be classified as past radio communication access data by origination.
  • the model generation unit 132 may calculate an incoming connection amount based on the past wireless communication access data by the classified call, and calculate an originating connection amount based on the past wireless communication access data by the origination.
  • the model generation unit 132 may generate a speed prediction model based on past incoming traffic, past outgoing traffic, and road speed data.
  • the speed prediction model may be, for example, a Long-ShorT Term Memory (LSTM) model, which is a time-series deep learning learning model.
  • LSTM Long-ShorT Term Memory
  • the model generation unit 132 predicts the first speed based on the incoming and outgoing access amount at T-1 time, the incoming and outgoing access amount at T-2 time, and the road speed data at T time.
  • a second speed prediction model that generates and trains a model, and pairs incoming and outgoing traffic volumes at T-2 time, incoming and outgoing traffic volumes at T-3 time, and road speed data at T-1 time. You can create and learn.
  • the speed predicting unit 133 may input real-time wireless communication access data collected from a plurality of base stations into a speed prediction model to predict the real-time speed of the road. For example, referring to FIG. 15, the speed prediction unit 133 collects real-time wireless communication access data (real-time incoming access amount and real-time outgoing access amount) and date information (day and time) collected from the plurality of base stations 1510 at T time. Information) into a time-series-based speed prediction model to predict the ascending speed and the descending speed of the road at time T, respectively.
  • the speed predicting unit 133 may calculate the impact of radio communication on radio communication at each base station based on antenna angles of a plurality of base stations (base stations selected as effective base stations) or external environment information in a region where the plurality of base stations are located. have.
  • the wireless communication impact degree may be a concept corresponding to a range of wireless communication (intensity of a wireless communication reception signal).
  • the speed predicting unit 133 may calculate a range of a distance from each base station to an area in which a received signal strength indication (RSSI) corresponds to an abnormality of a predetermined signal strength as an impact of wireless communication of each base station. .
  • RSSI received signal strength indication
  • the speed prediction unit 133 may calculate a range of distances from each base station to a region corresponding to a point where it is difficult to distinguish the strength of the radio communication reception signal of each base station as the impact of radio communication of each base station. For example, the greater the angle of the antenna toward the road, the higher the impact of wireless communication on the road is, and the wider the range of wireless communication is, and the smaller the angle of the antenna, the smaller the impact of wireless communication on the road is.
  • the range of wireless communication is narrowed.
  • the wireless communication impact level may vary depending on the topographic map and weather in which the base station is installed.
  • the speed predicting unit 133 may input real-time access amount to a plurality of base stations and radio communication impact on radio communication at each base station into a speed prediction model to predict real-time speed information for each of the uplink direction and the downlink direction of the road. have.
  • the speed predicting unit 133 may calculate the access weight weight for each base station based on the wireless communication impact per base station.
  • the speed predicting unit 133 may affect the radio communication effect from the first base station 610 according to the external environment (eg, weather, terrain, etc.) to the target road and the second base station ( Based on the ratio between the wireless communication impact in 1610), it is possible to calculate the access weight weight of each of the first base station 1610 and the second base station 1620.
  • the external environment e.g, weather, terrain, etc.
  • the access amount weight of the first base station 1610 and the access weight weight of the second base station 1620 may also be calculated at a ratio of 13: 3.
  • the speed prediction unit 133 is a ratio between the wireless communication reception range according to the antenna angle of the first base station 1610 and the wireless communication reception range according to the antenna angle of the second base station 1620 toward the target road Based on this, the access weight weights of the first base station 1610 and the second base station 1620 may be calculated.
  • the speed predicting unit 133 may input real-time access amount to a plurality of base stations, wireless communication impact per base station, and access weights into the speed prediction model to predict real-time speed information for each of the uplink direction and the downlink direction of the road.
  • the present invention by using a time series-based speed prediction model learned based on past wireless communication access data (past incoming access amount, past outgoing access amount), it is applicable even when the road environment is changed, and it is difficult to collect traffic data.
  • the prediction accuracy of the real-time speed for the corresponding road can be increased.
  • the traffic information generating unit 134 may generate traffic information for the road based on the predicted real-time speed on the road. For example, the traffic information generation unit 134 may generate traffic information that sets the traffic condition of the road to smooth, normal, or congestion based on the predicted real-time speed. For example, the traffic information generation unit 134 may display a section in which traffic flow is smooth among green sections of a road in green, and may generate traffic information in which traffic stagnation is displayed in red.
  • the unexpected situation prediction unit 135 may predict an unexpected situation on the road based on the predicted real-time speed information on the road and the pattern speed trend information on the road. For example, the unexpected situation prediction unit 135 continues for a period of time in a state in which the real-time speed information of the predicted road per minute is lower than the pattern speed trend (past pattern speed trend or predicted pattern speed trend) on the road. If possible, it can be determined that an unexpected situation has occurred on the road.
  • the unexpected situation prediction unit 135 may determine that an unexpected situation has occurred on the road. For example, the road speed at T-2 minutes is -5 km / h, the road speed at T-1 minutes is -10 km / h, the road speed at T minutes is -9 km / h, and a preset threshold Assuming that the speed value is 20 km / h, the accumulated amount of real-time speed information (
  • 25 km / h) exceeds the preset threshold speed value If it does, it can be determined that a traffic jam has occurred due to a bottleneck on the road due to an accident on the road.
  • the traffic information generation unit 134 may generate traffic information reflecting the unexpected situation prediction information on the road where the unexpected situation has occurred.
  • the traffic information generation unit 134 includes unexpected information on the road when the unexpected situation (eg, a traffic accident, etc.) on the road is predicted, and guidance information on a smoothly bypassed road. Traffic information.
  • the emergency situation on the road was identified by relying on the citizen report and accident information received from the police agency, but the present invention predicted real-time speed information and pattern speed trend information on the road ( By determining the unexpected situation on the road in consideration of the past pattern speed trend or the predicted pattern speed trend), it is possible to accurately and quickly detect the unexpected situation on the road, and provide a countermeasure to the driver.
  • the filtering unit 131 the first filtering unit 131a, the second filtering unit 131b, the model generation unit 132, the speed prediction unit 133, the traffic information generation unit 134 and unexpected It will be fully understood that each of the situation prediction units 135 may be implemented separately, or one or more of them may be integrated and implemented.
  • FIG. 17 is a flowchart illustrating a method of generating traffic information in a traffic information prediction apparatus according to an embodiment of the present invention.
  • the method for generating traffic information in the traffic information prediction apparatus 100 shown in FIG. 17 includes steps that are time-sequentially processed by the embodiment shown in FIGS. 13 to 16B. Therefore, even if it is omitted below, it is also applied to a method of generating traffic information in the traffic information prediction apparatus 100 according to the embodiment illustrated in FIGS. 13 to 16B.
  • the collection unit 101 may collect wireless communication access data from a plurality of base stations located within a predetermined radius from the road.
  • the third prediction engine 130 may generate a speed prediction model based on past wireless communication access data and road speed data collected from a plurality of base stations.
  • the third prediction engine 130 may predict real-time speed of the road by inputting real-time wireless communication access data collected from a plurality of base stations into a speed prediction model.
  • the third prediction engine 130 may generate traffic information for the road based on the predicted real-time speed.
  • steps S1710 to S1740 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present invention.
  • some steps may be omitted if necessary, and the order between the steps may be changed.
  • FIG. 18 is a flowchart illustrating a method of predicting traffic information in a speed collection section and a speed non-collection section in the traffic information prediction apparatus 100 according to an embodiment of the present invention.
  • the method illustrated in FIG. 18 includes steps processed in time series by the above-described embodiment of the traffic information prediction apparatus 100. Therefore, even if it is omitted below, it is also applied to a method of predicting traffic information of a speed collection section and a speed non-collection section according to an embodiment of the traffic information prediction apparatus 100.
  • step S1810 the traffic information prediction apparatus 100 inputs an image of a target region in which traffic information is expressed into a machine learning model to predict a first future traffic information of a target region ( 110).
  • step S1820 the traffic information prediction apparatus 100 predicts the speed of at least one link based on a graph model consisting of a node corresponding to the intersection and a plurality of links corresponding to a plurality of roads connected to the intersection.
  • Engine 120 can be built.
  • step S1830 the traffic information prediction apparatus 100 collects wireless communication access data from a plurality of base stations located within a predetermined radius from a road in the speed uncollected section, and transmits the wireless communication access data collected from the plurality of base stations to the speed prediction model.
  • a third prediction engine 130 that predicts speed information of at least one link by inputting it may be constructed.
  • the traffic information prediction apparatus 100 may predict traffic information of a specific future based on one or more of the first prediction engine 110, the second prediction engine 120, and the third prediction engine 130. .
  • steps S1810 to S1840 may be further divided into additional steps or combined into fewer steps, according to an embodiment of the present invention.
  • some steps may be omitted if necessary, and the order between the steps may be changed.
  • FIG. 19 is a flowchart for explaining in more detail a method for predicting traffic information of a speed collection section and a speed non-collection section in the traffic information prediction apparatus 100 according to an embodiment of the present invention.
  • the method illustrated in FIG. 19 includes steps processed in time series by the above-described embodiment of the traffic information prediction apparatus 100. Therefore, even if it is omitted below, it is also applied to a method of predicting traffic information of a speed collection section and a speed non-collection section according to an embodiment of the traffic information prediction apparatus 100.
  • the traffic information prediction apparatus 100 may collect traffic information (eg, traffic data) of a target region using the collection unit 101.
  • traffic information eg, traffic data
  • step S1910 when the section for predicting traffic information is a speed collection section, the traffic information prediction apparatus 100 uses the first prediction engine 110 to image the target region where the traffic information is expressed in the machine learning model. By entering, it is possible to predict specific future traffic information of the target area.
  • the section for predicting traffic information is a speed collection section
  • the first prediction engine 110 without the need to predict the speed of at least one link using the second prediction engine 120 and the third prediction engine 130 ), It is possible to predict specific future traffic information.
  • the section for which traffic information is to be predicted includes a speed uncollected section
  • the traffic information (eg, speed) for the speed uncollected section cannot be reflected in the image for the target region, the first prediction engine ( 110) alone cannot predict specific future traffic information in the target area.
  • step S1920 when the section for predicting traffic information is a speed non-collection section, the traffic information prediction apparatus 100 uses the second prediction engine 120 to connect the shadow connected to the shadow node corresponding to the speed non-collection section. After deriving the speed of the link, and using the first prediction engine 110 to generate an image for the target region where the speed of the non-shaded link and the speed of the shadow node are expressed, the generated image is input to the machine learning model It is possible to predict specific future traffic information of the target area.
  • the second prediction engine 120 is used to derive traffic information (eg, speed) for the speed uncollected section, and then the first prediction The engine 110 uses this to predict traffic information of a specific future.
  • traffic information eg, speed
  • the traffic information prediction apparatus 100 uses the third prediction engine 130 when a section for predicting traffic information is a speed not collected section and a plurality of base stations are located within a predetermined radius from a road within the section.
  • the third prediction engine 130 is relatively more accurate than the second prediction engine 120.
  • the traffic information prediction apparatus 100 transmits wireless communication access data collected from a plurality of base stations to a speed prediction model when the speed information of the link predicted from the third prediction engine 130 matches the preset pattern speed. Predict at least one speed information by input, generate an image for the target area expressing the speed of the non-shaded link and the predicted shadow node, and then input the generated image into the machine learning model to identify the target area Future traffic information can be predicted. That is, when a section for which traffic information is to be predicted includes a speed uncollected section, and a plurality of base stations are located within a predetermined radius from a road within the section, the third prediction engine 130 is used to determine the speed uncollected section. After deriving traffic information (eg, speed), the first prediction engine 110 uses this to predict traffic information of a specific future.
  • traffic information eg, speed
  • step S1950 the traffic information prediction apparatus 100 does not match the speed information of the link predicted from the third prediction engine 130 with the preset pattern speed information, and the link speed information is equal to or greater than the preset pattern speed information and threshold value. If there is a difference, it can be judged as the occurrence of Yugo.
  • the pattern speed information may be set based on the accumulated amount of wireless communication access data collected in the past and the estimated speed information of the accumulated link, but is not limited thereto.
  • step S1960 when the traffic information prediction apparatus 100 encounters a yugo situation, the second prediction engine 120 derives a speed of the shadow link connected to the shadow node corresponding to the yugo situation occurrence section, and the first prediction Using the engine 110, after generating an image for the target area where the speed of the non-shaded link and the speed of the shadow node are expressed, the generated image is input to the machine learning model to predict specific future traffic information of the target area. You can.
  • a method of predicting traffic information of a speed collection section and a speed non-collection section in the traffic information prediction apparatus described with reference to FIGS. 1 to 19 includes a computer program stored in a medium executed by a computer or instructions executable by the computer It can also be implemented in the form of a recording medium.
  • a method of predicting traffic information of a speed collection section and a speed non-collection section may be implemented in the form of a computer program stored in a medium executed by a computer. .
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • computer readable media may include computer storage media.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.

Landscapes

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

Abstract

속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 방법은, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하는 단계, 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하는 단계 및 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하는 단계를 포함한다.

Description

교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
본 발명은 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
최근 다양한 교통 정보 제공 서비스가 제공되고 있으며, 대표적인 교통 정보 제공 서비스는 차량용 네비게이션을 통해 제공되고 있다.
차량용 네비게이션은 GPS를 통해 사용자의 현재 위치 정보를 수신하고, 목적지까지의 경로를 사용자에게 제공하여 목적지까지의 도착 시간을 단축시킬 수 있다.
교통 정보 제공 서비스는 보다 정확한 정보(혼잡도, 도착 예정 시간 등)를 제공하기 위해서 미래의 교통 정보의 예측 수준을 높이는 것이 매우 중요하다.
그러나, 종래의 교통 정보 제공 서비스는 속도, 요일, 날짜, 날씨 등의 다차원의 시간 정보를 과거 통계 데이터에 적용하여 미래의 교통 정보를 예측하고 있다. 즉, 종래의 교통 정보 제공 서비스는 주변 도로의 교통 정보에 관한 공간 정보를 전혀 고려하지 않고 있다.
이에 따라, 종래의 교통 정보 제공 서비스에서의 미래의 교통 정보의 정확도는 평균 87%에 불과하다고 알려져 있다.
또한, 종래의 교통 정보 제공 서비스는 속도가 수집되기 어려운 음영 도로에 대해서도 과거 통계 데이터에 의존하고 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로서, 실시간 시간관계성뿐만 아니라 실시간 공간관계성을 고려함으로써, 미래의 교통 정보의 예측 정확도를 높이고자 한다.
구체적으로, 교통 정보를 공간 정보 및 시간 정보를 반영한 이미지로 구성하고, 이를 머신러닝 모델에 입력하여 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.
또한, 도로 및 인접 도로의 속도 등의 공간관계성에 기초하여 생성된 그래프 모델을 이용하여 교통 정보가 수집되는 도로 및 수집되지 않는 도로에 대해 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 방법에 관한 것으로서, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하는 단계, 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하는 단계 및 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하는 단계를 포함하는 교통 정보 예측 방법을 제공할 수 있다.
본 발명의 다른 실시예는, 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 장치에 관한 것으로서, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진 및 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 포함하고, 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보가 예측되는 교통 정보 예측 장치를 제공할 수 있다.
본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하고, 교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하고, 상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하도록 하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 실시간 시간관계성뿐만 아니라 실시간 공간관계성을 고려함으로써, 미래의 교통 정보의 예측 정확도를 높일 수 있다.
구체적으로, 교통 정보를 공간 정보 및 시간 정보를 반영한 이미지로 구성하고, 이를 머신러닝 모델에 입력하여 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
또한, 도로 및 인접 도로의 속도 등의 공간관계성에 기초하여 생성된 그래프 모델을 이용하여 교통 정보가 수집되는 도로 및 수집되지 않는 도로에 대해 미래의 교통 정보를 예측하는 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 제 1 예측 엔진의 구성도이다.
도 3a 내지 도 3g는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 이미지를 생성하는 과정을 설명하기 위한 예시적인 도면이다.
도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지에 시간 정보를 표현하는 과정을 설명하기 위한 예시적인 도면이다.
도 5a 내지 도 5c는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 미래의 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 6은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 이미지 기반 교통 정보를 예측하는 방법을 나타낸 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 제2 예측 엔진의 구성도이다.
도 8a 내지 도 8c는 본 발명의 일 실시예에 따른 그래프 모델을 학습하는 과정을 설명하기 위한 예시적인 도면이다.
[규칙 제91조에 의한 정정 15.05.2019]　
도 9a 내지 도 9e는 본 발명의 일 실시예에 따른 음영 링크의 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다.
도 10a 내지 도 10c는 본 발명의 일 실시예에 따른 사고 정보에 기초하여 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 11a 및 도 11b는 본 발명의 일 실시예에 따른 그래프 모델을 적용하여 가상의 도로 환경에 대한 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 12는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 그래프 모델 기반의 교통 정보를 예측하는 방법을 나타낸 흐름도이다.
도 13은 본 발명의 일 실시예에 따른, 제 3 예측 엔진의 구성도이다.
도 14a 내지 14c는 본 발명의 일 실시예에 따른 무선 통신 접속 데이터의 수집 과정을 설명하기 위한 예시적인 도면이다.
도 15는 본 발명의 일 실시예에 따른 속도 예측 모델을 이용하여 도로의 실시간 속도를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 16a 내지 16b는 본 발명의 일 실시예에 따른 기지국당 접속량 가중치를 계산하는 과정을 설명하기 위한 도면이다.
도 17은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 교통 정보를 생성하는 방법을 나타낸 흐름도이다.
도 18은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 나타낸 흐름도이다.
도 19는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 보다 구체적으로 설명하기 위한 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
본 명세서에 있어서 '노드(Node)'란, 도로(道路) 중 교차로를 의미하는 것일 수 있고, '링크(Link)'란, 교차로에 연결되는 복수의 도로를 의미하는 것일 수 있다. 또한, 본 명세서에 있어서 '비음영 노드' 및 '비음영 링크'는 교통 데이터의 수집이 가능한 비음영 구간에 속하는 교차로 및 도로를 의미한다. 또한, '음영 노드' 및 '음영 링크'는 교통 데이터의 수집이 어려운 음영 구간(속도 미수집 구간으로서 예컨대, 터널, 지하 등)에 속하는 교차로 및 도로를 의미한다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)의 구성도이다. 도 1을 참조하면, 교통 정보 예측 장치(100)는 수집부(101), 제 1 예측 엔진(110), 제 2 예측 엔진(120) 및 제 3 예측 엔진(130)을 포함할 수 있다.
수집부(101)는 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다. 예를 들어, 수집부(101)는 차량에 장착 또는 부착된 GPS 단말로부터 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다.
또한, 수집부(101)는 교통 데이터를 수집할 수 있다. 예를 들어, 수집부(101)는 차량의 GPS 위도/경도 좌표, 상행/하행 방위각 및 차량 속도 등을 포함하는 교통 데이터를 수집할 수 있다.
또한, 수집부(101)는 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집할 수도 있다. 이에 대한 보다 구체적인 설명은, 아래의 제 3 예측 엔진(130)과 함께 설명하기로 한다.
제 1 예측 엔진(110)은 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델, 예컨대 딥러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.
도 2는 본 발명의 일 실시예에 따른 제 1 예측 엔진(110)의 구성도이다. 도 2를 참조하면, 제 1 예측 엔진(110)은 이미지 생성부(111), 제 1 학습부(112) 및 교통 정보 예측부(113)를 포함할 수 있다.
이미지 생성부(111)는 대상 영역을 복수의 셀로 분할할 수 있다. 예를 들어, 이미지 생성부(111)는 GPS(Global Positioning System)의 소수점 단위를 이용하여 대상 영역을 최소 단위의 복수의 셀로 분할할 수 있다.
이미지 생성부(111)는 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 매핑된 교통 정보가 표현된 대상 영역에 대한 이미지를 생성할 수 있다. 이 때, 이미지 생성부(111)는 복수의 셀 각각에 교통 정보를 매핑할 수 있다. 교통 정보는 예를 들어, 차량 속도, 차량 밀도 및 운행 방향 등을 포함할 수 있다.
이미지 생성부(111)는 GPS 정보에 기초하여 복수의 셀 각각에 위치 정보를 매핑할 수 있다. 예를 들어, 대상 영역의 최소 GPS 위치를 이미지의 시작으로 하여 [링크에 대한 GPS 소수점 단위의 위치 정보-최소 GPS 위치]를 이미지의 인덱스로 매핑할 수 있다. 여기서, 링크는 도로를 의미하며, 이하에서는 도로를 링크로 표현하는 경우가 있다.
이 때, 이미지 생성부(111)는 복수의 셀 각각에 교통 정보를 매핑하기 위해 링크의 GPS 소수점 단위에 대한 위치 정보가 저장된 위치 정보 테이블을 생성 및 저장할 수 있다. 이 때, 이미지 생성부(111)는 이미지 상의 링크에 대응하는 위치 정보를 포함하는 위치 정보 테이블을 이용하여 각 링크가 어느 셀에 포함되는지를 파악할 수 있다.
이미지 생성부(111)는 교통 데이터에 기초하여 복수의 셀 각각의 교통 현황을 복수의 단계 중 하나로 설정할 수 있다. 예를 들어, 이미지 생성부(111)는 복수의 셀 각각의 교통 현황을 원활, 정상, 정체 등으로 설정할 수 있다.
이미지 생성부(111)는 복수의 셀 각각에 매핑된 교통 정보에 기초하여 복수의 셀 각각의 지도 색을 다르게 표현할 수 있다. 예를 들어, 이미지 생성부(111)는 복수의 셀 각각에 매핑된 교통 정보에 기초하여 링크의 구간 속도가 기설정된 속도 보다 빠르면 빨간색으로, 설정된 속도 보다 느리면 파란색으로 표현할 수 있다.
이미지 생성부(111)는 이미지를 압축할 수 있다. 이 때, 이미지 생성부(111)는 서로 인접한 복수의 셀(예를 들어, 4개의 셀)을 그룹핑(도 3d에서의 중간 단위 셀)할 수 있다.
이미지 생성부(111)는 그룹핑된 복수의 셀 각각의 교통 현황의 단계에 기초하여 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소할 수 있다.
이미지 생성부(111)는 그룹핑된 복수의 셀 각각에 대한 교통 현황의 단계의 비중에 기초하여 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소할 수 있다. 예를 들어, 이미지 생성부(111)는 그룹핑된 복수의 셀을 그룹핑된 복수의 셀 각각에 대한 가장 비중이 높은 교통 현황의 단계를 가지는 셀로 축소할 수 있다.
즉, 이미지 생성부(111)는 NxN 크기의 이미지를 1x1로 축소하여 전체 셀을 재구성함으로써 셀 크기가 확대된 압축 이미지를 생성할 수 있다.
교통 정보를 공간 정보 및 시간 정보를 반영한 이미지로 구성하기 위해서는 무수히 많은 이미지를 저장 및 관리할 필요가 있고, 이미지의 용량을 줄이고 이미지를 용이하게 관리할 수 있도록 이미지를 압축하는 것이 필요하다.
그러나, 종래의 이미지 압축 기법(예컨대, JPEG, JPG, BMP 등)을 이용하여 이미지를 압축할 경우, 많은 도로 정보의 손실이 발생한다.
이에, 본 발명에서는 종래의 이미지 압축 기법을 이용하지 않고, 그룹핑된 복수의 셀 각각에 대한 교통 현황의 단계의 비중에 기초하여 이미지를 압축함으로써 도로 정보를 최대한 손실시키지 않고 이미지를 압축시킬 수 있다.
이미지 생성부(111)는 이미지를 압축한 후, 이에 대한 손실 링크 테이블을 생성할 수 있다. 손실 링크 테이블은 손실 링크의 주위 링크와의 관계성 정보(동서남북 방향의 도로 관계성 속성)를 포함할 수 있다.
이후, 이미지 생성부(111)는 누락된 링크에 대한 교통 정보를 재매핑할 수 있다. 예를 들어, 이미지 생성부(111)는 생성된 링크 간의 손실 링크 테이블로부터 손실 링크의 주위 관계 링크들을 기준으로 셀 위치를 검색하고, 누락된 링크 주위의 링크의 관계성인 동서남북 방향의 셀을 조사하여 누락된 링크 주위의 셀이 빈 셀일 경우 누락된 링크에 대한 교통 정보를 생성할 수 있다.
이미지 생성부(111)는 이미지에 교통 정보에 대응하는 시간 정보를 표현할 수 있다. 이 때, 이미지 생성부(111)는 시간 정보에 기초하여 이미지의 밝기 값을 조절할 수 있다. 예를 들어, 이미지 생성부(111)는 하루(오전 00시00분~ 오후 23시59분)의 시간 정보에 기초하여 이미지 밝기값을 0~256 중 어느 하나로 선택하여 표현할 수 있다. 이 때, 시간 정보는 대상 영역에 대한 이미지 상에서 복수의 셀 중 링크의 위치 정보가 표현되지 않은 셀에 표현될 수 있다.
이미지 생성부(111)는 교통 정보 예측부(113)에서 출력된 T+1 시간에서의 교통 정보에 기초하여 T+1 시간에서의 교통 정보가 표현된 이미지를 생성할 수 있다.
제 1 학습부(112)는 생성된 이미지를 이용하여 미래의 교통 정보를 예측할 수 있도록 머신러닝 모델을 학습할 수 있다. 여기서, 학습에 이용되는 이미지는 대상 영역의 과거의 교통 정보가 표현된 이미지일 수 있다.
예를 들어, 제 1 학습부(112)는 특정 과거 시점인 T 시간에 대한 이미지를 머신러닝 모델에 입력하고, 특정 과거 시점으로부터의 특정 미래 시점인 T+1 시간의 교통 정보가 출력되도록 학습할 수 있다.
이때, 제 1 학습부(112)는 T+1 시간의 교통 정보에 기초하여 T+1 시간에 대한 이미지를 생성하고, 이를 머신러닝 모델에 입력함으로써 T+2 시간의 교통 정보가 출력되도록 학습할 수 있다. 제 1 학습부(112)는 상술한 과정을 반복하면서 학습을 수행할 수 있다.
교통 정보 예측부(113)는 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다. 이후, 교통 정보 예측부(113)는 이미지를 매 단위 시간마다 업데이트하고, 업데이트된 이미지를 머신러닝 모델에 입력할 수 있다. 여기서, 머신러닝 모델은 공간 분석 딥러닝 모델인 CNN(Convolution Neural Network)와 시계열 딥러닝 학습 모델인 LSTM(Long-Short Term Memory)이 결합된 CRNN(Chaotic Recurrent Neural Network) 모델일 수 있다.
교통 정보 예측부(113)는 T 시간에서의 교통 정보가 표현된 이미지를 머신러닝 모델에 입력하고, T+1 시간에서의 교통 정보를 출력할 수 있다.
이를 통해, 과거 시점의 교통 정보를 이용하여 미래 시점의 교통 정보를 예측할 수 있게 된다.
이후, 교통 정보 예측부(113)는 이미지 생성부(111)에서 출력된 T+1 시간에서의 교통 정보에 기초하여 T+1 시간에서의 교통 정보가 표현된 이미지를 생성한 후, T+1 시간에서의 교통 정보가 표현된 이미지를 머신러닝 모델에 입력할 수 있다. 교통 정보 예측부(113)는 이러한 과정을 반복함으로써, 원하는 미래 시점까지 교통 정보를 예측할 수 있다.
이와 같이, 공간 정보 및 시간 정보를 반영한 이미지를 머신러닝 모델에 입력하여 교통 정보를 예측함으로써 실시간 시간관계성 뿐만 아니라 실시간 공간 관계성을 고려할 수 있게 되어 미래의 교통 정보의 예측 정확도를 높일 수 있다.
도 3a 내지 도 3g는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 이미지를 생성하는 과정을 설명하기 위한 예시적인 도면이다.
도 3a를 참조하면, 제 1 예측 엔진(110)은 GIS(Geographic Information System)를 통해 대상 영역의 지도(300)를 수집할 수 있다. 여기서, 대상 영역의 지도(300)는 복수의 링크(도로, 301)를 포함할 수 있다.
도 3b를 참조하면, 제 1 예측 엔진(110)은 지도의 대상 영역을 복수의 셀(310a, 310b, 310c, 310d, 310e, 310f)로 분할하고, 복수의 셀 각각에 교통 정보를 매핑할 수 있다.
여기서 복수의 셀(310a, 310b, 310c, 310d, 310e, 310f) 각각은 매핑된 교통 정보에 따라 서로 다른 방식으로 표현될 수 있다.
예를 들어, 도 3b를 참조하면, 복수의 셀(310a, 310b, 310c, 310d, 310e, 310f) 각각은 매핑된 교통 정보에 따라 제 1 셀(310a), 제 2 셀(310b), 제 3 셀(310c), 제 4 셀(310d), 제 5 셀(310e) 및 제 6 셀(310f) 등으로 표현될 수 있다.
도 3c를 참조하면, 제 1 예측 엔진(110)은 GPS(Global Positioning System) 정보에 기초하여 복수의 셀(310) 각각에 위치 정보(311, 312)를 매핑할 수 있다. 예를 들어, 차량의 GPS로부터 획득한 위도 좌표가 '37.4812 66'이고, 경도 좌표가 '126.9943 68'인 경우, 각 셀의 시작 위치에 기초하여 대상 영역을 복수의 셀 각각에 위치 정보를 매핑할 수 있다. 이 때, GPS로부터 획득한 위도/경도 좌표는 각각의 좌표에서 소수점 넷째 자리까지가 유효할 수 있다.
예를 들어, 제 1 예측 엔진(110)은 위도 좌표인 '37.482'로부터 셀의 시작 위치인 '37.47'을 차감하여 해당 이미지의 X좌표를 '112'로 결정하고, 경도 좌표인 '126.9943'으로부터 셀의 시작 위치인 '126.98'을 차감하여 해당 이미지의 Y좌표를 '143'으로 결정할 수 있다.
여기서, 도 3c를 참조하면, 복수의 셀(310a, 310b, 310c, 310d, 310e, 310f) 중 위치 정보가 매핑된 하나 이상의 셀(310`)은 위치 정보가 매핑되지 않은 다른 하나 이상의 셀과 다른 방식으로 표현될 수 있다.
도 3d를 참조하면, 제 1 예측 엔진(110)은 서로 인접한 복수의 셀을 그룹핑(320)할 수 있다. 예를 들어, 제 1 예측 엔진(110)은 최소 단위의 4개의 셀을 하나의 중간 단위의 셀로 그룹핑(320)할 수 있다.
도 3d 및 도 3e를 참조하면, 제 1 예측 엔진(110)은 그룹핑된 복수의 셀 각각의 교통 현황의 단계에 기초하여 그룹핑된 복수의 셀을 어느 하나의 교통 현황의 단계를 가지는 하나의 셀로 축소할 수 있다.
여기서, 도 3e의 도면부호 330과 같이, 제 1 예측 엔진(110)은 중간 단위의 셀로 그룹핑(320)된 복수의 셀 중 2개의 셀이 평행사선으로 표현되고, 1개의 셀이 교차사선으로 표현되고, 1개의 셀이 무색으로 표현된 경우, 그룹핑(320)된 셀을 복수의 셀에서 가장 많은 셀을 차지하는 표현 방식으로 표현할 수 있다.
예를 들어, 도 3d 및 3e를 참조하면, 교통 정보 예측 장치(100)는 도 3d에서 중간 단위의 셀로 그룹핑(320)된 셀에 포함되는 복수의 셀에서 가장 많은 셀을 차지하는 평행 사선 방식으로 도 3e의 그룹핑된 하나의 셀(330)을 표현할 수 있다
도 3f를 참조하면, 제 1 예측 엔진(110)은 링크 관계성에 기초하여 셀의 축소로 인해 손실된 정보가 복구되도록 정보를 저장할 수 있다. 예를 들어, 제 1 예측 엔진(110)은 교차사선으로 표현된 셀의 동쪽에 위치한 셀(340)을 평행사선으로 수정하고, 평행사선으로 표현된 셀의 남쪽에 위치한 셀(341)을 점선으로 구성된 평행사선으로 수정하고, 평행사선으로 표현된 셀의 동쪽에 위치한 셀(342)을 타일형식으로 수정되도록 정보를 저장하고, 이를 재매핑할 수 있다.
도 3g를 참조하면, 제 1 예측 엔진(110)은 최종으로 NxN 크기의 셀에서 1x1 크기의 셀로 압축된 이미지를 생성할 수 있다. 도면부호 350은 4개의 셀이 하나의 교통 현황의 단계를 가지는 하나의 셀로 압축된 것을 나타내고 있다.
도 4a 내지 도 4c는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지에 시간 정보를 표현하는 과정을 설명하기 위한 예시적인 도면이다.
도 4a는 본 발명의 일 실시예에 따른 지도의 대상 영역에 교통 정보를 매핑하여 생성된 이미지를 도시한 예시적인 도면이다. 도 4a를 참조하면, 제 1 예측 엔진(110)은 지도의 대상 영역을 셀 단위로 분할하고, 셀 단위로 교통 정보에 대한 이미지(410)를 표현할 수 있다.
도 4b는 본 발명의 일 실시예에 따른 시간 정보가 표현된 이미지를 도시한 예시적인 도면이다. 도 4b를 참조하면, 제 1 예측 엔진(110)은 셀 단위로 교통 정보가 표현된 이미지(410)에 대해 시간 정보를 추가로 표현할 수 있다. 예를 들어, 제 1 예측 엔진(110)은 시간 정보(00:00~23:59)에 기초하여 이미지(410)의 밝기 값(0~256)을 조절하여 표현할 수 있다. 예를 들어, 현재 시각이 오후 6시이고, 교통 정보 예측 장치(100)가 오후 9시의 교통 정보를 시간 정보에 기초하여 표현하고자 하는 경우, 오후 9시에 대한 이미지(410)의 밝기 값을 '192'로 조절하여 표현할 수 있다.
도 4c는 본 발명의 일 실시예에 따른 교통 정보와 시간 정보가 혼합되어 표현된 이미지를 도시한 예시적인 도면이다. 도 4a 내지 도 4c를 참조하면, 제 1 예측 엔진(110)은 교통 정보 및 위치 정보가 표현된 이미지(410)에서 사선이 표현된 셀의 경우 해당 사선은 남겨두고, 교통 정보 및 위치 정보가 표현되지 않은 셀(무색의 셀)은 시간 정보에 대응하는 셀의 밝기 값을 '192'로 조절하여 표현할 수 있다.
도 5a 내지 도 5c는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 미래의 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 5a는 본 발명의 일 실시예에 따른 교통 정보에 대한 이미지가 머신러닝 모델에 입력되는 과정을 설명하기 위한 예시적인 도면이다. 도 5a를 참조하면, 제 1 예측 엔진(110)은 현재 시간인 T 시간(예를 들어, 오후 6시)에서의 교통 정보가 매핑된 이미지를 생성하여 머신러닝 모델에 입력할 수 있다. 교통 정보는 예를 들어, 차량 속도, 차량 밀도 및 운행 방향 등을 포함할 수 있다. 예를 들어, 이미지는 차량 속도에 대한 이미지(500), 차량 밀도에 대한 이미지(510) 및 운행 방향에 대한 이미지(520)를 포함할 수 있고, 이러한 이미지들이 모두 머신러닝 모델에 입력될 수 있다.
도 5b는 본 발명의 일 실시예에 따른 현재 시간으로부터 제 1 미래 시간에서의 예측된 교통 정보를 도시한 예시적인 도면이다. 도 5b를 참조하면, 제 1 예측 엔진(110)은 현재 시간인 T 시간(예를 들어, 오후 6시)에 대한 이미지(530)를 머신러닝 모델에 입력하여 제 1 미래 시간에 해당하는 T+1시간(예를 들어, 오후 7시)에서의 교통 정보를 출력할 수 있다.
제 1 예측 엔진(110)은 T 시간에 대한 이미지에 T+1시간에서의 교통 정보를 반영한 T+1 시간에 대한 이미지를 생성하고, 이를 머신러닝 모델에 입력하여 T+2 시간에서의 교통 정보를 출력할 수 있다.
예를 들어, 도 5c를 참조하면, 제 1 예측 엔진(110)은 현재 시간인 T시간(예를 들어, 오후 7시)에 대한 이미지(540)를 머신러닝 모델에 입력하여 미래 시간인 T+1 시간(예를 들어, 오후 8시)에서의 교통 정보를 출력하고, 이에 기초하여 T+1 시간에 대한 이미지(550)를 생성할 수 있다.
이후, 제 1 예측 엔진(110)은 T+1 시간에 대한 이미지(550)를 머신러닝 모델에 입력하여 T+2 시간에서의 교통 정보를 출력할 수 있다.
제 1 예측 엔진(110)은 이러한 과정을 반복 수행함으로써, T+N 시간(N은 임의의 자연수)까지도 교통 정보를 예측할 수 있다.
도 6은 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법의 순서도이다. 도 6에 도시된 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법은 도 2 내지 도 5c에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 2 내지 도 5c에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 이미지 기반 교통 정보를 예측하는 방법에도 적용된다.
단계 S610에서 수집부(101)는 교통 데이터를 수집할 수 있다.
단계 S620에서 제 1 예측 엔진(110)은 교통 데이터에 기초하여 지도의 적어도 일부인 대상 영역에 교통 정보를 매핑하고, 매핑된 교통 정보가 표현된 대상 영역에 대한 이미지를 생성할 수 있다.
단계 S630에서 제 1 예측 엔진(110)은 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.
상술한 설명에서, 단계 S610 내지 S630은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
다시 도 1로 돌아와서, 제 2 예측 엔진(120)은 교차로에 대응하는 노드 및 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측할 수 있다.
도 7은 본 발명의 일 실시예에 따른 제 2 예측 엔진(120)의 구성도이다. 도 7을 참조하면, 제 2 예측 엔진(120)은 제 2 학습부(121), 링크 속도 도출부(122), 그래프 모델 생성부(123), 링크 속도 예측부(124), 사고 발생 정보 수신부(125) 및 영향도 예측부(126)를 포함할 수 있다.
제 2 학습부(121)는 도로망을 그래프 모델을 이용하여 학습할 수 있다. 여기서 그래프 모델은 도로망에 대해 교차로에 대응하는 노드 및 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성될 수 있다.
제 2 학습부(121)는 그래프 모델의 복수의 링크의 속도에 기초하여 속도 예측 모델을 학습할 수 있다. 예를 들어, 제 2 학습부(121)는 노드 및 노드에 연결된 복수의 링크의 현재 속도가 입력되면, 소정의 시간 뒤(T+1)의 속도를 출력으로 하는 속도 예측 모델을 학습할 수 있다. 속도 예측 모델을 학습하는 과정에 대해서는 도 8a 내지 도 8c를 통해 상세히 설명하도록 한다.
도 8a 내지 도 8c는 본 발명의 일 실시예에 따른 속도 예측 모델을 학습하는 과정을 설명하기 위한 예시적인 도면이다.
도 8a는 본 발명의 일 실시예에 따른 그래프 모델을 도시한 예시적인 도면이다. 도 8a를 참조하면, 제 2 학습부(121)는 도로망(800)을 복수의 노드(810) 및 각 노드 간을 연결하는 복수의 링크(820)로 구성된 그래프 모델을 이용하여 속도 예측 모델을 학습할 수 있다.
도 8b는 본 발명의 일 실시예에 따른 속도 예측 모델을 도시한 예시적인 도면이다. 도 8b를 참조하면, 제 2 학습부(121)는 현재 시간인 T 시간에 대해 하나의 중심 노드(831)와 인접한 복수의 인접 노드(832)에 연결된 링크의 속도를 입력하여, 미래 시간인 T+1 시간의 링크의 속도(833)가 출력되도록 학습할 수 있다.
도 8c는 본 발명의 일 실시예에 따른 속도 예측 모델의 데이터 구조를 도시한 예시적인 도면이다. 도 8b 및 도 8c를 참조하면, 속도 예측 모델의 데이터 구조는 중심 노드에 연결된 복수의 링크의 현재 속도(851), 제 1 인접 노드에 연결된 복수의 링크의 현재 속도(852), 제 2 인접 노드에 연결된 복수의 링크의 현재 속도(853), 제 3 인접 노드에 연결된 복수의 링크의 현재 속도(854), 제 4 인접 노드에 연결된 복수의 링크의 현재 속도(855), 제 5 인접 노드에 연결된 복수의 링크의 현재 속도(856) 및 제 6 인접 노드에 연결된 복수의 링크의 현재 속도(857), 중심 노드(831)에 연결된 각 링크의 차선(858) 및 중심 노드의 ID(859)로 구성되며, 중심 노드(831) 및 복수의 인접 노드(832)와 연결된 복수의 링크의 현재 속도가 속도 예측 모델에 입력되면, 속도 예측 모델은 미래 시간인 T+1 시간에서의 중심 노드에 연결된 복수의 링크의 속도를 출력할 수 있다.
다시 도 7로 돌아와서, 제 2 학습부(121)는 링크의 속성 정보에 기초하여 교통 흐름 예측 모델을 추가로 학습할 수 있다. 여기서, 속성 정보는 연속류 유무, 제한 속도, 차선수, 속도 등을 포함할 수 있다. 예를 들어, 제 2 학습부(121)는 링크의 속성 정보가 입력되면, 도로의 밀도를 출력할 수 있다.
링크 속도 도출부(122)는 복수의 비음영 링크의 속도에 기초하여 비음영 노드의 밀도를 계산할 수 있다. 예를 들어, 링크 속도 도출부(122)는 "속도/제한속도*차선 수"에 기초하여 비음영 노드의 밀도를 계산할 수 있다.
링크 속도 도출부(122)는, 예를 들어 지구통계학적 보간법에 기초하여, 비음영 노드의 밀도로부터 음영 노드의 밀도를 보간할 수 있다. 여기서, 지구통계학적 보간법은 크리깅(Kriging) 보간법일 수 있다. 크리깅 보간법은 관심 지점의 특성치를 알아내기 위해 주위 지점의 값들의 선형 조합을 통해 관심 지점의 특성치를 예측하는 기법을 의미하며, 관심 지점과 주위 지점이 가까울수록 가중치가 부여될 수 있다.
링크 속도 도출부(122)는 음영 노드의 밀도로부터 음영 노드에 연결된 복수의 음영 링크의 속도를 도출할 수 있다. 복수의 음영 링크의 속도를 도출하는 과정에 대해서는 도 9a 내지 도 9e를 통해 상세히 설명하도록 한다.
도 9a 내지 도 9e는 본 발명의 일 실시예에 따른 음영 링크의 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다.
도 9a는 본 발명의 일 실시예에 따른 비음영 노드의 밀도를 계산하는 과정을 설명하기 위한 예시적인 도면이다. 도 9a를 참조하면, 링크 속도 도출부(122)는 복수의 비음영 링크(910)의 속도에 기초하여 비음영 노드(900)의 제한 속도에 대한 현재 속도(현재 속도/제한 속도)의 비율에 기초하여 밀도를 계산할 수 있다. 예를 들어, 링크 속도 도출부(122)는 제 1 비음영 링크의 제한 속도에 대한 현재 속도의 비율(30/60), 제 2 비음영 링크의 제한 속도에 대한 현재 속도의 비율(30/60), 제 3 비음영 링크의 제한 속도에 대한 현재 속도의 비율(40/50), 제 4 비음영 링크의 제한 속도에 대한 현재 속도의 비율(30/80), 제 5 비음영 링크의 제한 속도에 대한 현재 속도의 비율(40/60) 제 6 비음영 링크의 제한 속도에 대한 현재 속도의 비율(40/60)의 평균을 계산하여 비음영 노드의 밀도를 '0.585'로 도출할 수 있다.
도 9b 내지 도 9d는 본 발명의 일 실시예에 따른 지구통계학적 보간법에 기초하여 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하는 과정을 설명하기 위한 예시적인 도면이다.
도 9b를 참조하면, 링크 속도 도출부(122)는 복수의 노드에 연결된 복수의 링크의 제한 속도에 대한 현재 속도의 비율을 밀도로 하여 복수의 노드에 대한 밀도 맵을 생성할 수 있다. 이 때, 밀도 맵은 복수의 비음영 노드 및 복수의 음영 노드(920)를 포함할 수 있다.
도 9c를 참조하면, 링크 속도 도출부(122)는 음영 노드와 인접한 복수의 인접 노드의 밀도 및 음영 노드와 복수의 인접 노드 간의 거리에 기초하여 음영 노드의 밀도를 보간할 수 있다.
예를 들어, 링크 속도 도출부(122)는 음영 노드(중심 노드, 920)와 연결된 복수의 인접 노드(921, 922, 923) 각각의 밀도 및 거리에 기초하여 거리가 가까운 노드에 가중치를 적용하여 보간할 수 있다. 예를 들어, 링크 속도 도출부(122)는 중심 노드(920)와 제 1 인접 노드(921)와의 거리가 3km이고, 제 2 인접 노드(922)와의 거리가 3km이고, 제 3 인접 노드(923)와의 거리가 1km인 경우, 제 1 인접 노드(921) 및 제 2 인접 노드(922)에 비해 제 3 인접 노드(923)에 가중치를 많이 부여하여 음영 노드(920)의 밀도를 보간할 수 있다.
도 9d를 참조하면, 링크 속도 도출부(122)는 위와 같은 방법으로 음영 노드(920)의 밀도값을 '0.639'로 예측할 수 있다.
도 9e를 참조하면, 링크 속도 도출부(122)는 음영 노드(920)의 예측된 밀도값에 기초하여 음영 노드(920)에 연결된 음영 링크(930)의 현재 속도를 도출할 수 있다. 예를 들어, 링크 속도 도출부(122)는 음영 링크(930)의 제한 속도에 예측된 음영 노드(920)의 밀도값을 곱하여 음영 링크(930)의 현재 속도를 '31.95km/h'로 도출할 수 있다.
이와 같이, GPS 단말 등으로부터 속도가 수집되지 않은 도로의 경우, 주변의 비음영 링크의 밀도로부터 음영 링크의 속도를 예측하고, 이로부터 후술하는 특정 미래의 속도를 예측함으로써, 예측 정확도를 높일 수 있다.
다시 도 7로 돌아와서, 그래프 모델 생성부(123)는 비음영 링크의 속도 및 음영 링크의 속도에 기초하여 그래프 모델을 생성할 수 있다. 여기서, 그래프 모델은 중심 노드에 연결된 적어도 하나의 링크의 속도, 중심 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도 및 중심 노드에 연결된 적어도 하나의 링크의 차선 수 중 적어도 하나를 포함할 수 있다. 예를 들어, 그래프 모델 생성부(123)는 T 시간에서의 비음영 링크의 속도 및 음영 노드와 인접한 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 포함하는 그래프 모델을 생성할 수 있다.
종래에는 과거 속도를 기반으로 하는 모델을 주로 이용하였으나, 이는 도로 환경이 변경되는 경우 그대로 이용하기 어렵고, 예측 정확도가 낮다는 문제를 가지고 있었다.
또한, 종래에는 도로의 속도를 예측할 시, 해당 도로만을 고려하여 속도를 패턴화 및 예측하였으나, 이는 낮은 예측 정확도를 제공하였었다.
이에, 본 발명에서는 그래프 모델을 이용함으로써, 도로 환경이 변경된 경우에도 적용 가능하며, 해당 도로 뿐만 아니라 그 도로와 연결된 주변 도로의 속도를 고려하는 등 공간관계성을 고려하여 예측 정확도를 높일 수 있다.
링크 속도 예측부(124)는 그래프 모델을 속도 예측 모델에 입력하여 복수의 링크의 특정 미래의 속도를 예측할 수 있다. 예를 들어, 링크 속도 예측부(124)는 현재 시간인 T 시간에서의 그래프 모델을 속도 예측 모델에 입력하여 미래 시간인 T+1 시간에서의 비음영 링크의 속도 및 복수의 인접 노드 각각에 연결된 적어도 하나의 링크의 속도를 출력할 수 있다.
사고 발생 정보 수신부(125)는 교통 관리 서버(미도시)로부터 복수의 링크에 대한 사고 발생 정보를 수신할 수 있다. 예를 들어, 사고 발생 정보 수신부(125)는 교통 관리 서버(미도시)로부터 교통 사고, 도로 공사 등과 관련된 정보를 수신할 수 있다. 이와 달리, 제 2 예측 엔진(120)이 속도 예측 모델의 출력 결과로부터 사고 발생 여부를 직접 판단할 수도 있다.
영향도 예측부(126)는 복수의 링크 중 제 1 링크에서 사고가 발생한 경우, 제 1 링크의 속성 정보를 교통 흐름 예측 모델에 입력하여 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측할 수 있다. 여기서, 속성 정보는 도로의 연속류 유무, 제한 속도, 차선 수 및 속도 등을 포함할 수 있다. 영향도를 예측하는 과정에 대해서는 도 10a 내지 도 10c를 통해 상세히 설명하도록 한다.
도 10a 내지 도 10c는 본 발명의 일 실시예에 따른 사고 정보에 기초하여 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 10a는 본 발명의 일 실시예에 따른 사고가 발생됨에 따라 병목현상이 발생된 도로를 도시한 예시적인 도면이다. 도 10a를 참조하면, 영향도 예측부(126)는 제 1 링크에서 차선이 감소된 경우, 교통량 감소를 계산할 수 있다. 예를 들어, 3차선 도로 중 1차로에서 사고가 발생된 경우, 3차선 도로는 하나의 차선이 감소되어 2차선 도로만이 이용될 수 있다.
이 때, 영향도 예측부(126)는 사고가 발생된 제 1 링크의 속성 정보를 교통 흐름 예측 모델에 입력하고, 제 1 링크의 밀도를 출력할 수 있다. 영향도 예측부(126)는 출력된 제 1 링크의 밀도에 기초하여 교통량을 계산할 수 있다. 교통량(q, veh/h)은 속도(km/h)와 링크의 밀도(veh/km)에 기초하여 도출될 수 있다.
교통량-도로 밀도의 그래프 변화를 참조하면, 해당 도로의 교통량은 70km/h(1000)에서 30km/h(1010)로 감소하였으며, 이로 인해 도로의 속도가 감소된다는 것을 유추할 수 있다.
도 10b는 본 발명의 일 실시예에 따른 충격파 속도를 도출하는 과정을 설명하기 위한 예시적인 도면이다. 도 10b를 참조하면, 영향도 예측부(126)는 계산된 제 1 링크에서의 교통량 및 밀도에 기초하여 정체 여파가 제 1 링크에서 제 2 링크로 전파되는 충격파 속도(1020)를 계산할 수 있다. 예를 들어, 사고가 발생한 제 1 링크가 중심 노드를 통해 제 2 링크로 연결되는 경우, 제 1 링크에서 발생된 도로 정체는 충격파의 속도로 후방 도로인 제 2 링크로 전파될 수 있으므로, 영향도 예측부(126)는
Figure PCTKR2019005202-appb-I000001
에 기초하여 충격파 속도(1020)를 계산할 수 있다.
도 10c는 본 발명의 일 실시예에 따른 정체 여파가 전파되는 도로를 판단하는 과정을 설명하기 위한 예시적인 도면이다. 도 10c를 참조하면, 영향도 예측부(126)는 계산된 충격파에 기초하여 사고에 따른 정체 여파가 제 2 링크로 도달하는 시간 및 거리를 예측할 수 있다. 예를 들어, 영향도 예측부(126)는 복수의 노드 및 복수의 노드 간에 연결된 복수의 링크에 기초하여 형성된 맵을 이용하여 사고가 발생한 제 1 링크(1030)와 연결된 중심 노드(1040, 제 1 링크의 주행 방향과 반대 방향에 위치한 노드)의 유형, 중심 노드(1040)와 연결된 복수의 제 2 링크(1041, 1042)의 속성 정보 및 충격파 속도에 기초하여 사고에 따른 정체 여파가 제 2 링크(1041, 1042)로 도달하는 시간 및 거리를 예측할 수 있다.
이와 같이, 도로에서 사고가 발생된 경우, 사고 발생으로 인해 해당 도로에서 병목현상이 발생되며, 이로 인해 정체가 발생될 수 있다. 이는, 사고가 발생된 도로로부터 후방 도로까지 정체 여파가 전파될 수 있으므로, 정체 여파가 후방 도로에 미치는 영향을 사전에 판단하여 해당 도로를 주행할 차량에게 예측 정보를 제공하고, 우회 도로에 대한 안내를 제공할 수도 있다.
도 11a 및 도 11b는 본 발명의 일 실시예에 따른 그래프 모델을 적용하여 가상의 도로 환경에 대한 교통 정보를 예측하는 과정을 설명하기 위한 예시적인 도면이다.
도 11a는 본 발명의 일 실시예에 따른 복수의 노드 및 복수의 링크로 구성된 현재의 도로 환경을 도시한 예시적인 도면이다. 도 11a를 참조하면, 제 2 예측 엔진(120)은 중심 노드(1100)가 사거리의 교차로로 구성된 경우, 그래프 모델에 기초하여 교통 정보를 예측할 수 있다.
도 11b는 본 발명의 일 실시예에 따른 복수의 노드 및 복수의 링크로 구성된 가상의 도로 환경을 도시한 예시적인 도면이다. 도 11b를 참조하면, 사거리의 도로 환경에서 링크(1110)가 추가 신설되어 중심 노드(1100)가 오거리의 교차로로 구성될 예정인 경우, 제 2 예측 엔진(120)은 그래프 모델에 기초하여 교통 정보를 예측할 수 있다. 예를 들어, 제 2 예측 엔진(120)은 사거리의 중심 노드(1100)에 가상으로 링크를 추가 또는 삭제함으로써, 가상의 환경에서의 교통 정보를 예측할 수 있다.
이와 같이, 그래프 모델 기반의 교통 정보 예측 방법을 이용함으로써, 신설 예정 도로에 대한 교통 정보를 미리 예측할 수 있으며, 또는 가상의 도로 환경을 통해 링크의 추가 또는 삭제를 시뮬레이션함으로써, 도로에서 교통이 원활하게 이루어지도록 도로 계획 사업 또는 교통 계획 사업 등에 반영되도록 할 수 있다.
도 12는 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 그래프 모델 기반의 교통 정보를 예측하는 방법의 순서도이다. 도 12에 도시된 교통 정보 예측 장치(100)에서 그래프 모델 기반의 교통 정보를 예측하는 방법은 도 7 내지 도 11b에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 7 내지 도 11b에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 그래프 모델 기반의 교통 정보를 예측하는 방법에도 적용된다.
단계 S1210에서 수집부(101)는 속도 수집 구간에 해당하는 비음영 노드에 연결된 복수의 비음영 링크의 속도를 수집할 수 있다.
단계 S1220에서 제 2 예측 엔진(120)은 복수의 비음영 링크의 속도에 기초하여 비음영 노드의 밀도를 계산하고, 지구통계학적 보간법에 기초하여 비음영 노드의 밀도로부터 속도 미수집 구간에 해당하는 음영 노드의 밀도를 보간하고, 음영 노드의 밀도로부터 음영 노드에 연결된 복수의 음영 링크의 속도를 도출할 수 있다.
단계 S1230에서 제 2 예측 엔진(120)은 비음영 링크의 속도 및 음영 링크의 속도에 기초하여 그래프 모델을 생성할 수 있다.
단계 S1240에서 제 2 예측 엔진(120)은 그래프 모델을 속도 예측 모델에 입력하여 복수의 링크의 특정 미래의 속도를 예측할 수 있다.
상술한 설명에서, 단계 S1210 내지 S1240은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
다시 도 1로 돌아와서, 제 3 예측 엔진(130)은 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 속도 정보를 예측할 수 있다.
도 13은 본 발명의 일 실시예에 따른 제 3 예측 엔진(130)의 구성도이다.
도 13을 참조하면, 제 3 예측 엔진(130)은 필터링부(131), 모델 생성부(132), 속도 예측부(133), 교통 정보 생성부(134) 및 돌발 상황 예측부(135)를 포함할 수 있다. 여기서, 필터링부(131)는 제 1 필터링부(131a) 및 제 2 필터링부(131b)를 포함할 수 있다. 다만, 도 13에 도시된 제 3 예측 엔진(130)은 본 발명의 하나의 구현 예에 불과하며, 도 13에 도시된 구성요소들을 기초로 하여 여러 가지 변형이 가능하다. 이하에서는 도 13과 함께 도 14a 내지 16b를 설명하기로 한다.
수집부(101)는 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다. 예를 들어, 도 14a를 참조하면, 수집부(101)는 적어도 둘 이상의 도로가 만나는 교차로로부터 기설정된 반경(예컨대, 200m) 이내에 위치한 기지국을 유효 기지국(1401, 1403, 1405, 1047)으로 선정하고, 선정된 각 유효 기지국(1401, 1403, 1405, 1047)으로부터 무선 통신 접속 데이터를 수집할 수 있다.
이 때, 유효 기지국(1401, 1403, 1405, 1407)으로 선정된 기지국은 예를 들면, 기지국의 안테나가 도로 방향으로 향해 있으면서 기지국 외부에 안테나가 설치되어 있는 기지국일 수 있다.
예를 들면, 수집부(101)는 제 1 교차로에 대하여 선정된 제 1 유효 기지국 그룹에 속하는 복수의 기지국(1401, 1403)으로부터 무선 통신 접속 데이터를 수집하고, 제 2 교차로에 대하여 선정된 제 2 유효 기지국 그룹에 속하는 복수의 기지국(1405, 1407)으로부터 무선 통신 접속 데이터를 수집할 수 있다.
예를 들면, 수집부(101)는 제 1 도로(예컨대, 서해안 고속도로)로부터 기설정된 반경 이내에 위치한 유효 기지국 및 제 2 도로(예컨대, 영동고속도로)로부터 기설정된 반경 이내에 위치한 유효 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다. 여기서, 수집된 무선 통신 접속 데이터는 예를 들면, 각 유효 기지국으로 무선 접속을 시도한 복수의 사용자 단말에 대한 정보 및 각 유효 기지국에 대한 정보(예컨대, 기지국의 위치 정보 등)를 포함할 수 있다.
수집부(101)는 복수의 기지국의 위치 정보 및 복수의 기지국에 대한 무선 통신 접속량의 분포도에 기초하여 도로의 상행선 방향 및 하행선 방향을 구별할 수 있다. 수집부(101)가 상행선 방향 및 하행선 방향을 구별함으로써, 후술하는 바와 같이 상행선 및 하행선 각각의 실시간 속도를 예측하는 것이 가능하다.
예를 들어, 도 14b를 참조하면, 수집부(101)는 제 1 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 수집된 S1-AP 프로토콜에 대한 로그 데이터를 이용하여 각 기지국의 접속량 분포도를 파악하고, 각 기지국의 위치 및 접속량 분포도 간의 상관 관계를 통해 제 1 도로에 대한 도로 방향성(상행선 방향 및 하행선 방향)을 부여할 수 있다.
여기서, S1-AP(S1-Application Protocol) 프로토콜은 LTE 망/서비스에 가입된 사용자의 단말이 기지국에 접속(예컨대, 인터넷 사용, 전화 사용 등) 또는 미접속된 상태(idle 상태)에서도 주기적으로 해당 기지국과의 통신 접속이 발생되도록 사용자 단말과 기지국 간의 통신 연결을 제공하는 프로토콜이다. 이러한, S1-AP 프로토콜에 대한 로그 데이터는 S1-AP 프로토콜을 통해 기지국에 주기적으로 접속된 사용자의 단말에 대한 실시간 데이터인 동시에 LTE 통신을 위한 표준 프로토콜 정보이기 때문에, 통신 품질 모니터링 등의 목적으로 특별한 권한 동의 없이도 통신사에서 무조건적으로 수집할 수 있는 데이터이다. S1-AP 프로토콜에 대한 로그 데이터는 접속 시간 및 기지국의 위치를 근거로 시간당 각 기지국의 접속량 및 접속 이동성을 파악하는데 활용될 수 있으므로 교통 속도 학습 모델을 학습하는데 적합하다. 예를 들면, 제 1 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국 중 서울로부터 제 1 거리에 위치한 기지국의 접속량보다 서울로부터 제 2 거리(제 1 거리보다 먼 거리)에 위치한 기지국의 접속량이 높은 경우, 수집부(101)는 제 1 도로에 대한 하행선(1410)의 차량 흐름이 정체된 상태라고 판단하고, 제 1 도로에 대한 상행선(1420)의 차량 흐름이 원활한 상태라고 판단할 수 있다.
필터링부(131)는 수집된 복수의 무선 통신 접속 데이터로부터 도로 상에 위치한 차량 내에서 발생한 무선 통신 접속 데이터를 추출할 수 있다. 예를 들면, 필터링부(131)는 수집된 무선 통신 접속 데이터 중 도로를 주행하는 차량의 운전자 또는 동승자의 단말(예컨대, 스마트 폰, 스마트 워치 등)에서 발생한 무선 접속 데이터를 추출할 수 있다.
예를 들어, 제 1 필터링부(131a)는 수집된 복수의 무선 통신 접속 데이터에서 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터를 제외시킬 수 있다. 예를 들면, 제 1 필터링부(131a)는 기 설정된 시간 동안(예컨대, 오전 1시~6시)에 주기적으로 발생하는 페이징(paging) 통신으로 인한 무선 통신 접속 데이터를 수집된 복수의 무선 통신 접속 데이터에서 제외할 수 있다. 여기서, 페이징 통신은 구동되지 않은 상태의 단말의 수신 상태, 단말의 대략적인 위치를 파악하기 위해 주기적으로 단말을 깨우는 브로드캐스트 통신을 말한다. 이러한, 페이징 통신으로 인한 무선 통신 접속 데이터는 도로의 차량 내에서 발생하는 무선 통신 접속 데이터가 아니기 때문에 도로 속도에 대한 예측의 정확도를 높이기 위해서는 수집된 복수의 무선 통신 접속 데이터에서 제외시킬 필요가 있다.
또한, 제 1 필터링부(131a)는 일정 기간 동안 하나의 기지국에 기설정된 횟수 이상 접속한 사용자 단말(거주민 또는 보행자의 단말)의 무선 통신 접속 데이터를 수집된 복수의 무선 통신 접속 데이터에서 추가로 제외할 수 있다. 도로의 근처 지역에 일정 기간(예컨대, 1일) 동안 오래 머물러 있는 보행자 또는 거주민의 단말이 접속한 무선 통신 접속 데이터(일정 기간 동안 하나의 기지국에 기설정된 횟수 이상 접속한 무선 통신 접속 데이터로 판단됨)는 도로의 차량 내에서 발생하는 무선 통신 접속 데이터가 아닐 확률이 높기 때문에 해당 무선 통신 접속 데이터를 제외함으로써 도로 속도에 대한 예측의 정확도를 높일 수 있다
제 2 필터링부(131b)는 통신 프로토콜의 서비스 용도에 대한 인덱스 값에 기초하여 수집된 복수의 무선 통신 접속 데이터로부터 기설정된 서비스에 관한 무선 통신 접속 데이터를 제외시킬 수 있다. 여기서, 기설정된 서비스는 운전시 제약이 되는 서비스(예컨대, 스트리밍 동영상 서비스 등)일 수 있다.
이러한 기설정된 서비스는 주로 차량 내에서는 이용되기 어렵기 때문에 도로 속도에 대한 예측의 정확도를 높이기 위해 수집된 복수의 무선 통신 접속 데이터에서 제외시킬 필요가 있다. 예를 들면, 제 2 필터링부(131b)는 S1-AP 프로토콜의 서비스 용도에 대한 인덱스 값(예컨대, QCI 값) 중 운전 시 제약이 되는 서비스(예컨대, 도 14c에서 S1-AP 프로토콜의 QCI 3번(24) 및 QCI 6번(26)의 스트리밍 비디오 서비스 등)에 관한 인덱스 값을 갖는 무선 통신 접속 데이터를 수집된 복수의 무선 통신 접속 데이터에서 제외할 수 있다.
도 14c를 참조하면, S1-AP 프로토콜의 QCI(QualiTy of service Class Index)는 서비스의 중요도에 따라 트래픽 품질을 보장해 주기 위해 우선 순위를 정수로 표현한 인덱스값이다.
필터링부(131)는 수집된 복수의 무선 통신 접속 데이터에서 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터 및 기설정된 서비스에 관한 무선 통신 접속 데이터가 제외된 차량 내에서 발생한 무선 통신 접속 데이터만을 추출할 수 있다.
종래에는 핸드 오버 방식의 속도 측정 방법(수많은 이용자 단위로 연속적으로 핸드 오버된 기지국을 탐색하고, 탐색된 기지국 간의 거리(또는 대상 도로 길이) 및 연속되는 두 기지국간 접속 시간 차이를 실시간으로 조회하여 도로의 속도를 예측함) 또는 GPS 데이터를 이용한 개별 도로의 속도 측정 방법을 이용하였으나, 이러한 방법은 보행자 및 거주민의 단말로부터 접속된 데이터에 따른 오류를 고려하지 않는다는 점과, 사용자 단위 핸드 오버 분석으로 인한 시스템의 과부하 등의 문제를 가지고 있었다.
이에 본 발명에서는 기지국 단위로 실시간으로 수집된 무선 통신 접속 데이터를 이용하여 도로의 속도를 예측하기 때문에 시스템의 처리 부하를 줄일 수 있다.
또한, 도로의 속도 예측에 있어서, 보행자 및 거주민의 단말이 접속한 무선 통신 접속 데이터를 제외한 운전자 또는 동승자의 단말이 접속한 무선 통신 접속 데이터만을 이용하기 때문에 도로 속도의 예측 정확도를 높일 수 있다.
모델 생성부(132)는 복수의 기지국으로부터 수집된 과거의 무선 통신 접속 데이터 및 도로의 속도 데이터에 기초하여 속도 예측 모델을 생성할 수 있다. 예를 들면, 모델 생성부(132)는 T-1 시간에서의 무선 통신 접속 데이터, T-2 시간에서의 무선 통신 접속 데이터 및 T 시간에서의 도로의 속도 데이터를 쌍으로 하는 제 1 속도 예측 모델을 생성하고, T-2 시간에서의 무선 통신 접속 데이터, T-3 시간에서의 무선 통신 접속 데이터 및 T-1 시간에서의 도로의 속도 데이터를 쌍으로 하는 제 2 속도 예측 모델을 생성함으로써 시계열 기반의 속도 예측 모델을 생성할 수 있다.
모델 생성부(132)는 복수의 기지국으로부터 수집된 과거의 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 현재의 도로의 속도 데이터가 출력되도록 속도 예측 모델을 학습할 수 있다.
예를 들면, 모델 생성부(132)는 T-1 시간에서의 무선 통신 접속 데이터 및 T-2 시간에서의 무선 통신 접속 데이터를 제 1 속도 예측 모델에 입력하여 T 시간에서의 도로의 속도 데이터가 출력되도록 학습할 수 있다. 또한, 모델 생성부(132)는 T-2 시간에서의 무선 통신 접속 데이터 및 T-3 시간에서의 무선 통신 접속 데이터를 제 2 속도 예측 모델에 입력하여 T-1 시간에서의 도로의 속도 데이터가 출력되도록 학습할 수 있다.
모델 생성부(132)는 통신 프로토콜의 연결 타입에 대한 인덱스 값에 기초하여 추출된 무선 통신 접속 데이터를 착신에 의한 과거 무선 통신 접속 데이터 및 발신에 의한 과거 무선 통신 접속 데이터로 분류할 수 있다. 예를 들면, 모델 생성부(132)는 추출된 무선 통신 접속 데이터 중 S1-AP 프로토콜의 착신 연결 타입에 대한 인덱스 값을 갖는 무선 통신 접속 데이터를 착신에 의한 과거 무선 통신 접속 데이터로 분류하고, S1-AP 프로토콜의 발신 연결 타입에 대한 인덱스 값을 갖는 무선 통신 접속 데이터를 발신에 의한 과거 무선 통신 접속 데이터로 분류할 수 있다.
모델 생성부(132)는 분류된 착신에 의한 과거 무선 통신 접속 데이터에 기초하여 착신 접속량을 계산하고, 발신에 의한 과거 무선 통신 접속 데이터에 기초하여 발신 접속량을 계산할 수 있다.
모델 생성부(132)는 과거 착신 접속량, 과거 발신 접속량 및 도로의 속도 데이터에 기초하여 속도 예측 모델을 생성할 수 있다. 여기서, 속도 예측 모델은 예를 들면, 시계열 딥러닝 학습 모델인 LSTM(Long-ShorT Term Memory) 모델일 수 있다.
예를 들면, 모델 생성부(132)는 T-1 시간에서의 착신 접속량 및 발신 접속량, T-2 시간에서의 착신 접속량 및 발신 접속량과 T 시간에서의 도로의 속도 데이터에 기초하여 제 1 속도 예측 모델을 생성 및 학습하고, T-2 시간에서의 착신 접속량 및 발신 접속량, T-3 시간에서의 착신 접속량 및 발신 접속량과 T-1 시간에서의 도로의 속도 데이터를 쌍으로 하는 제 2 속도 예측 모델을 생성 및 학습할 수 있다.
속도 예측부(133)는 복수의 기지국으로부터 수집된 실시간 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 도로의 실시간 속도를 예측할 수 있다. 예를 들면, 도 15를 참조하면, 속도 예측부(133)는 복수의 기지국(1510)으로부터 T 시간에 수집된 실시간 무선 통신 접속 데이터(실시간 착신 접속량 및 실시간 발신 접속량) 및 날짜 정보(요일 및 시간 정보)를 시계열 기반의 속도 예측 모델에 입력하여 T 시간에서의 도로의 상행선 속도 및 하행선 속도를 각각 예측할 수 있다.
속도 예측부(133)는 복수의 기지국(유효 기지국으로 선정된 기지국)의 안테나 각도 또는 복수의 기지국이 위치한 지역의 외부 환경 정보에 기초하여 각 기지국에서의 무선 통신에 대한 무선 통신 영향도를 계산할 수 있다. 여기서, 무선 통신 영향도는 무선 통신의 도달 범위(무선 통신 수신 신호의 강도)에 대응되는 개념일 수 있다. 속도 예측부(133)는 각 기지국으로부터 무선 통신 수신 신호의 강도(RSSI, Received signal strength indication)가 기설정된 신호 강도의 이상에 해당되는 영역까지의 거리 범위를 각 기지국의 무선 통신 영향도로 계산할 수 있다. 또는 속도 예측부(133)는 각 기지국으로부터 각 기지국의 무선 통신 수신 신호의 강도에 대한 구분이 어려운 지점에 해당하는 영역까지의 거리 범위를 각 기지국의 무선 통신 영향도로 계산할 수도 있다. 예를 들면, 도로로 향해있는 안테나의 각도가 클수록 해당 도로에 미치는 무선 통신 영향도는 높아지며 무선 통신의 도달 범위는 넓어지게 되고, 안테나의 각도가 작을수록 해당 도로에 미치는 무선 통신 영향도는 작아지고, 무선 통신의 도달 범위는 좁아지게 된다. 이러한, 무선 통신 영향도는 기지국이 설치된 지형도 및 날씨에 따라 달라질 수 있다.
속도 예측부(133)는 복수의 기지국으로의 실시간 접속량 및 각 기지국에서의 무선 통신에 대한 무선 통신 영향도를 속도 예측 모델에 입력하여 도로의 상행선 방향 및 하행선 방향 각각에 대한 실시간 속도 정보를 예측할 수 있다.
속도 예측부(133)는 기지국당 무선 통신 영향도에 기초하여 각 기지국당 접속량 가중치를 계산할 수 있다.
예를 들어, 도 16a를 참조하면, 속도 예측부(133)는 대상 도로에 대한 외부 환경(예컨대, 날씨, 지형 등)에 따른 제 1 기지국(610)에서의 무선 통신 영향도 및 제 2 기지국(1610)에서의 무선 통신 영향도 간의 비율에 기초하여 제 1 기지국(1610) 및 제 2 기지국(1620) 각각의 접속량 가중치를 계산할 수 있다.
제 1 기지국(1610)에서 제공하는 무선 통신에 대한 무선 통신 영향도의 범위 및 제 2 기지국(1620)에서 제공하는 무선 통신에 대한 무선 통신 영향도의 범위가 1:3의 비율을 갖는 경우, 제 1 기지국(1610)의 접속량 가중치 및 제 2 기지국(1620)의 접속량 가중치도 13:3의 비율로 계산될 수 있다.
도 16b를 참조하면, 속도 예측부(133)는 대상 도로를 향한 제 1 기지국(1610)의 안테나 각도에 따른 무선 통신 수신 범위 및 제 2 기지국(1620)의 안테나 각도에 따른 무선 통신 수신 범위 간의 비율에 기초하여 제 1 기지국(1610) 및 제 2 기지국(1620) 각각의 접속량 가중치를 계산할 수 있다.
속도 예측부(133)는 복수의 기지국으로의 실시간 접속량, 기지국당 무선 통신 영향도 및 접속량 가중치를 속도 예측 모델에 입력하여 도로의 상행선 방향 및 하행선 방향 각각에 대한 실시간 속도 정보를 예측할 수 있다.
종래에는 과거 속도 통계치를 기반으로 하는 모델을 주로 이용하였으나, 이는 도로 환경이 변경되는 경우 그대로 이용하기 어렵고, 예측 정확도가 낮다는 문제점을 가지고 있었다.
이에 본 발명에서는 과거의 무선 통신 접속 데이터(과거 착신 접속량, 과거 발신 접속량)에 기초하여 학습된 시계열 기반의 속도 예측 모델을 이용함으로써 도로 환경이 변경된 경우에도 적용 가능하며 교통 데이터의 수집이 어려운 음영 지역과 같은 도로에서도 실시간 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 현재의 도로의 실시간 속도를 예측하기 때문에 해당 도로에 대한 실시간 속도의 예측 정확도를 높일 수 있다.
또한, 종래의 핸드 오버 방식의 경우 일부 이용자(예컨대, 정차 운전자, 아웃라이어 등)에게 편향될 수 있는 속도 측정의 문제를 가지고 있으나, 본 발명은 핸드오버가 일어나지 않는 무선 통신 접속 데이터(과거 착신 접속량, 과거 발신 접속량)에 기초하여 일반화된 속도 예측 모델을 생성하기 때문에 이와 같은 종래의 문제점을 해결할 수 있다.
교통 정보 생성부(134)는 도로 상에서의 예측된 실시간 속도에 기초하여 도로에 대한 교통 정보를 생성할 수 있다. 예를 들면, 교통 정보 생성부(134)는 예측된 실시간 속도에 기초하여 도로의 교통 현황을 원활, 정상, 정체 등으로 설정한 교통 정보를 생성할 수 있다. 예를 들면, 교통 정보 생성부(134)는 도로의 복수의 구간 중 교통 흐름이 원할한 구간을 초록색으로 표시하고, 교통 흐름이 정체된 구간을 빨란색으로 표시한 교통 정보를 생성할 수 있다.
돌발 상황 예측부(135)는 도로 상에서의 예측된 실시간 속도 정보 및 도로 상에서의 패턴 속도 추이 정보에 기초하여 도로에서의 돌발 상황을 예측할 수 있다. 예를 들면, 돌발 상황 예측부(135)는 1분 단위 당 예측된 도로의 실시간 속도 정보가 해당 도로에서의 패턴 속도 추이(과거 패턴 속도 추이 또는 예측 패턴 속도 추이)보다 낮은 상태로 일정 시간 동안 지속되는 경우, 도로에서 돌발 상황이 발생했다고 판단할 수 있다.
돌발 상황 예측부(135)는 도로 상에서 예측된 실시간 속도 정보의 누적량이 기설정된 임계 속도값을 초과하는 경우, 도로에서 돌발 상황이 발생했다고 판단할 수 있다. 예를 들면, T-2 분에서의 도로 속도가 -5km/h이고, T-1 분에서의 도로 속도가 -10km/h이고, T 분에서의 도로 속도가 -9km/h이고, 기설정된 임계 속도값이 20km/h라고 가정할 때, 실시간 속도 정보의 누적량(|-5km/h| + |-10km/h| + |-9km/h| = 25km/h)이 기설정된 임계 속도값을 초과하게 되면, 도로의 사고 발생으로 인해 해당 도로에서 병목현상이 발생하여 교통 정체가 발생되었다고 판단할 수 있다.
교통 정보 생성부(134)는 돌발 상황이 발생한 도로에 대하여 돌발 상황 예측 정보가 반영된 교통 정보를 생성할 수 있다. 예를 들면, 교통 정보 생성부(134)는 도로에서의 돌발 상황(예컨대, 교통 사고 등)이 예측된 경우, 해당 도로에 대한 돌발 상황 예측 정보 및 교통 상황이 원활한 우회 도로에 대한 안내 정보를 포함하는 교통 정보를 생성할 수 있다.
종래에는 도로에서 발생된 돌발 상황 발생에 따른 시민 제보 및 경찰 기관으로부터 접수된 사고 정보에 의존하여 도로에서의 돌발 상황을 파악하였으나, 본 발명은 예측된 실시간 속도 정보 및 도로 상에서의 패턴 속도 추이 정보(과거 패턴 속도 추이 또는 예측 패턴 속도 추이)를 고려하여 도로 상에서의 돌발 상황을 판단함으로써, 도로 상에서의 돌발 상황을 정확하고 신속하게 감지할 수 있고, 이에 대한 대처 방안까지 운전자에게 제공할 수 있다.
한편, 당업자라면, 필터링부(131), 제 1 필터링부(131a), 제 2 필터링부(131b), 모델 생성부(132), 속도 예측부(133), 교통 정보 생성부(134) 및 돌발 상황 예측부(135) 각각이 분리되어 구현되거나, 이 중 하나 이상이 통합되어 구현될 수 있음을 충분히 이해할 것이다.
도 17은 본 발명의 일 실시예에 따른 교통 정보 예측 장치에서 교통 정보를 생성하는 방법을 나타낸 흐름도이다. 도 17에 도시된 교통 정보 예측 장치(100)에서 교통 정보를 생성하는 방법은 도 13 내지 도 16b에 도시된 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 13 내지 도 16b에 도시된 실시예에 따른 교통 정보 예측 장치(100)에서 교통 정보를 생성하는 방법에도 적용된다.
도 17을 참조하면, 단계 S1710에서 수집부(101)는 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집할 수 있다.
단계 S1720에서 제 3 예측 엔진(130)은 복수의 기지국으로부터 수집된 과거의 무선 통신 접속 데이터 및 도로의 속도 데이터에 기초하여 속도 예측 모델을 생성할 수 있다.
단계 S1730에서 제 3 예측 엔진(130)은 복수의 기지국으로부터 수집된 실시간 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 도로의 실시간 속도를 예측할 수 있다.
단계 S1740에서 제 3 예측 엔진(130)은 예측된 실시간 속도에 기초하여 도로에 대한 교통 정보를 생성할 수 있다.
상술한 설명에서, 단계 S1710 내지 S1740은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 18은 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 나타낸 흐름도이다. 도 18에 도시된 방법은 전술한 교통 정보 예측 장치(100)의 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 교통 정보 예측 장치(100)의 일 실시예에 따른 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법에도 적용된다.
도 18을 참조하면, 단계 S1810에서 교통 정보 예측 장치(100)는 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진(110)을 구축할 수 있다.
단계 S1820에서 교통 정보 예측 장치(100)는 교차로에 대응하는 노드 및 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진(120)을 구축할 수 있다.
단계 S1830에서 교통 정보 예측 장치(100)는 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 링크의 속도 정보를 예측하는 제 3 예측 엔진(130)을 구축할 수 있다.
단계 S1840에서 교통 정보 예측 장치(100)는 제 1 예측 엔진(110), 제 2 예측 엔진(120) 및 제 3 예측 엔진(130) 중 어느 하나 이상에 기초하여 특정 미래의 교통 정보를 예측할 수 있다.
상술한 설명에서, 단계 S1810 내지 S1840은 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 19는 본 발명의 일 실시예에 따른 교통 정보 예측 장치(100)에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법을 보다 구체적으로 설명하기 위한 흐름도이다. 도 19에 도시된 방법은 전술한 교통 정보 예측 장치(100)의 실시예에 의해 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 교통 정보 예측 장치(100)의 일 실시예에 따른 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법에도 적용된다.
도 19를 참조하면, 교통 정보 예측 장치(100)는 수집부(101)를 이용하여 대상 영역의 교통 정보(예를 들어, 교통 데이터)를 수집할 수 있다.
단계 S1910에서 교통 정보 예측 장치(100)는 교통 정보를 예측하고자 하는 구간이 속도 수집 구간인 경우, 제 1 예측 엔진(110)을 이용하여 교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.
즉, 교통 정보를 예측하고자 하는 구간이 속도 수집 구간인 경우, 제 2 예측 엔진(120) 및 제 3 예측 엔진(130)을 이용하여 적어도 하나의 링크의 속도를 예측할 필요없이 제 1 예측 엔진(110)을 통해 특정 미래의 교통 정보를 예측하는 것이 가능하다.
그러나, 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간을 포함하는 경우, 대상 영역에 대한 이미지에 속도 미수집 구간에 대한 교통 정보(예컨대, 속도)를 반영시킬 수 없기 때문에, 제 1 예측 엔진(110)만으로 대상 영역의 특정 미래의 교통 정보를 예측할 수 없다.
따라서, 단계 S1920에서 교통 정보 예측 장치(100)는 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간인 경우, 제 2 예측 엔진(120)을 이용하여 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하고, 제 1 예측 엔진(110)을 이용하여 비음영 링크의 속도 및 음영 노드의 속도가 표현된 대상 영역에 대한 이미지를 생성한 후, 생성된 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.
즉, 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간을 포함하는 경우, 제 2 예측 엔진(120)을 이용하여 속도 미수집 구간에 대한 교통 정보(예컨대, 속도)를 도출한 후, 제 1 예측 엔진(110)이 이를 이용하여 특정 미래의 교통 정보를 예측한다.
단계 S1930에서 교통 정보 예측 장치(100)는 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간이고, 구간 내의 도로로부터 기설정된 반경 이내에 복수의 기지국이 위치하는 경우, 제 3 예측 엔진(130)을 이용하여 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 링크의 속도 정보를 예측할 수 있다. 이때, 제 3 예측 엔진(130)을 이용하여 적어도 하나의 링크의 속도 정보를 예측하는 이유는 제 3 예측 엔진(130)이 제 2 예측 엔진(120)보다 비교적 정확하기 때문이다.
단계 S1940에서 교통 정보 예측 장치(100)는 제 3 예측 엔진(130)으로부터 예측된 링크의 속도 정보가 기설정된 패턴 속도와 일치하는 경우, 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 속도 정보를 예측하고, 비음영 링크의 속도 및 예측된 음영 노드의 속도가 표현된 대상 영역에 대한 이미지를 생성한 후, 생성된 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다. 즉, 교통 정보를 예측하고자 하는 구간이 속도 미수집 구간을 포함하고, 구간 내의 도로로부터 기설정된 반경 이내에 복수의 기지국이 위치하는 경우, 제 3 예측 엔진(130)을 이용하여 속도 미수집 구간에 대한 교통 정보(예컨대, 속도)를 도출한 후, 제 1 예측 엔진(110)이 이를 이용하여 특정 미래의 교통 정보를 예측한다.
단계 S1950에서 교통 정보 예측 장치(100)는 제 3 예측 엔진(130)으로부터 예측된 링크의 속도 정보가 기설정된 패턴 속도 정보와 일치하지 않고, 링크의 속도 정보가 기설정된 패턴 속도 정보와 임계값 이상 차이나는 경우, 이를 유고상황 발생으로 판단할 수 있다. 여기서, 패턴 속도 정보는 과거 수집된 누적 무선 통신 접속 데이터량 및 예측된 누적 링크의 속도 정보에 기초하여 설정될 수 있으나, 이에 한정되는 것은 아님에 유의해야 한다.
단계 S1960에서 교통 정보 예측 장치(100)는 유고상황이 발생하는 경우, 제 2 예측 엔진(120)을 이용하여 유고상황 발생 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하고, 제 1 예측 엔진(110)을 이용하여 비음영 링크의 속도 및 음영 노드의 속도가 표현된 대상 영역에 대한 이미지를 생성한 후, 생성된 이미지를 머신러닝 모델에 입력하여 대상 영역의 특정 미래의 교통 정보를 예측할 수 있다.
도 1 내지 도 19를 통해 설명된 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 19를 통해 설명된 교통 정보 예측 장치에서 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (20)

  1. 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 방법에 있어서,
    교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하는 단계;
    교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하는 단계; 및
    상기 제 1 예측 엔진 및 상기 제 2 예측 엔진을 이용하여 특정 미래의 교통 정보를 예측하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  2. 제 1 항에 있어서,
    상기 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 상기 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 링크의 속도 정보를 예측하는 제 3 예측 엔진을 구축하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  3. 제 2 항에 있어서,
    상기 제 3 예측 엔진을 구축하는 단계는,
    상기 수집된 무선 통신 접속 데이터로부터 상기 도로 상에 위치한 차량 내에서 발생한 무선 통신 접속 데이터를 추출하는 단계;
    상기 무선 통신 접속 데이터로부터 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터를 제외시키는 단계; 및
    통신 프로토콜의 서비스 용도에 대한 인덱스 값에 기초하여 상기 무선 통신 접속 데이터로부터 기설정된 서비스에 관한 무선 통신 접속 데이터를 제외시키는 단계
    를 더 포함하는 것인, 교통 정보 예측 방법.
  4. 제 1 항에 있어서,
    상기 제 1 예측 엔진 및 상기 제 2 예측 엔진을 이용하여 특정 미래의 교통 정보를 예측하는 단계는,
    상기 속도 수집 구간에 해당하는 비음영 노드에 연결된 비음영 링크의 속도를 수집하는 단계;
    상기 제 2 예측 엔진을 통해 상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하는 단계; 및
    상기 제 1 예측 엔진을 통해 상기 비음영 링크의 속도 및 상기 음영 노드의 속도가 표현된 상기 대상 영역에 대한 이미지를 생성하고, 상기 대상 영역에 대한 이미지를 상기 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  5. 제 4 항에 있어서,
    상기 속도 미수집 구간에 해당하는 음영 노드의 속도를 도출하는 단계는
    상기 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 링크의 속도를 도출하는 단계; 및
    상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  6. 제 5 항에 있어서,
    상기 음영 링크의 속도를 도출하는 단계는
    상기 비음영 노드의 속도, 제한속도 및 차선 수 중 적어도 하나에 기초하여 상기 비음영 노드의 밀도를 계산하는 단계;
    상기 음영 노드와 인접한 복수의 인접 노드의 밀도 및 상기 음영 노드와 상기 복수의 인접 노드 간의 거리에 기초하여 상기 음영 노드의 밀도를 보간하는 단계; 및
    크리깅(Kriging) 보간법에 기초하여 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  7. 제 1 항에 있어서,
    상기 제 1 예측 엔진을 구축하는 단계는,
    교통 데이터에 기초하여 지도의 적어도 일부인 상기 대상 영역에 상기 교통 정보를 매핑하는 단계; 및
    상기 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  8. 제 7 항에 있어서,
    상기 대상 영역에 대한 이미지를 생성하는 단계는,
    상기 대상 영역을 복수의 셀로 분할하는 단계; 및
    상기 복수의 셀 각각에 교통 정보를 매핑하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  9. 제 1 항에 있어서,
    상기 제 1 예측 엔진을 구축하는 단계는
    상기 이미지를 매 단위 시간마다 업데이트하고, 상기 업데이트된 이미지를 상기 머신러닝 모델에 입력하는 단계
    를 포함하는 것인, 교통 정보 예측 방법.
  10. 제 1 항에 있어서,
    상기 제 2 예측 엔진을 구축하는 단계는,
    교통 관리 서버로부터 상기 복수의 링크에 대한 사고 발생 정보를 수신하는 단계; 및
    상기 복수의 링크 중 제 1 링크에서 사고가 발생한 경우, 상기 제 1 링크의 속성 정보를 교통 흐름 예측 모델에 입력하여 상기 제 1 링크에서 발생된 사고에 따른 정체 여파가 제 2 링크로 전파되는 영향도를 예측하는 단계
    를 더 포함하는 것인, 교통 정보 예측 방법.
  11. 속도 수집 구간 및 속도 미수집 구간의 교통 정보 예측 장치에 있어서,
    교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진; 및
    교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진
    을 포함하고,
    상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보가 예측되는 것인, 교통 정보 예측 장치.
  12. 제 11 항에 있어서,
    상기 속도 미수집 구간 내의 도로로부터 기설정된 반경 이내에 위치한 복수의 기지국으로부터 무선 통신 접속 데이터를 수집하고, 상기 복수의 기지국으로부터 수집된 무선 통신 접속 데이터를 속도 예측 모델에 입력하여 적어도 하나의 속도 정보를 예측하는 제 3 예측 엔진
    을 더 포함하는 것인, 교통 정보 예측 장치.
  13. 제 12 항에 있어서,
    상기 제 3 예측 엔진은 상기 수집된 무선 통신 접속 데이터로부터 상기 도로 상에 위치한 차량 내에서 발생한 무선 통신 접속 데이터를 추출하고, 상기 무선 통신 접속 데이터로부터 일자별 기설정된 횟수 이상 기지국에 의해 수집된 무선 통신 접속 데이터를 제외시키며, 통신 프로토콜의 서비스 용도에 대한 인덱스 값에 기초하여 상기 무선 통신 접속 데이터로부터 기설정된 서비스에 관한 무선 통신 접속 데이터를 제외시키는 것인, 교통 정보 예측 장치.
  14. 제 11 항에 있어서,
    상기 속도 수집 구간에 해당하는 비음영 노드에 연결된 비음영 링크의 속도를 수집하는 수집부
    를 더 포함하고,
    상기 제 2 예측 엔진은 상기 속도 미수집 구간에 해당하는 음영 노드에 연결된 음영 링크의 속도를 도출하고,
    상기 제 1 예측 엔진은 상기 비음영 링크의 속도 및 상기 음영 노드의 속도가 표현된 상기 대상 영역에 대한 이미지를 생성하고, 상기 대상 영역에 대한 이미지를 상기 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 것인, 교통 정보 예측 장치.
  15. 제 14 항에 있어서,
    상기 제 2 예측 엔진은 상기 비음영 링크의 속도에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하고, 상기 음영 노드의 밀도로부터 상기 음영 링크의 속도를 도출하는 링크 속도 예측부; 및
    상기 비음영 링크의 속도 및 상기 음영 링크의 속도에 기초하여 상기 그래프 모델을 생성하는 그래프 모델 생성부
    를 포함하는 것인, 교통 정보 예측 장치.
  16. 제 15 항에 있어서,
    상기 링크 속도 예측부는 상기 비음영 노드의 속도, 제한속도 및 차선 수 중 적어도 하나에 기초하여 상기 비음영 노드의 밀도를 계산하고, 상기 음영 노드와 인접한 복수의 인접 노드의 밀도 및 상기 음영 노드와 상기 복수의 인접 노드 간의 거리에 기초하여 상기 음영 노드의 밀도를 보간하고, 크리깅(Kriging) 보간법에 기초하여 상기 비음영 노드의 밀도로부터 상기 음영 노드의 밀도를 보간하는 것인, 교통 정보 예측 장치.
  17. 제 11 항에 있어서,
    상기 제 1 예측 엔진은 교통 데이터에 기초하여 지도의 적어도 일부인 상기 대상 영역에 상기 교통 정보를 매핑하고, 상기 교통 정보가 표현된 상기 대상 영역에 대한 이미지를 생성하는 이미지 생성부
    를 포함하는 것인, 교통 정보 예측 장치.
  18. 제 17 항에 있어서,
    상기 이미지 생성부는 상기 대상 영역을 복수의 셀로 분할하고, 상기 복수의 셀 각각에 교통 정보를 매핑하는 것인, 교통 정보 예측 장치.
  19. 제 11 항에 있어서,
    상기 제 1 예측 엔진은 상기 이미지를 매 단위 시간마다 업데이트하고, 상기 업데이트된 이미지를 상기 머신러닝 모델에 입력하는 교통 정보 예측부
    를 포함하는 것인, 교통 정보 예측 장치.
  20. 속도 수집 구간 및 속도 미수집 구간의 교통 정보를 예측하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    교통 정보가 표현된 대상 영역에 대한 이미지를 머신러닝 모델에 입력하여 상기 대상 영역의 특정 미래의 교통 정보를 예측하는 제 1 예측 엔진을 구축하고,
    교차로에 대응하는 노드 및 상기 교차로에 연결된 복수의 도로에 대응하는 복수의 링크로 구성되는 그래프 모델에 기초하여 적어도 하나의 링크의 속도 정보를 예측하는 제 2 예측 엔진을 구축하고,
    상기 제 1 예측 엔진 및 상기 제 2 예측 엔진에 기초하여 특정 미래의 교통 정보를 예측하도록 하는 명령어들의 시퀀스를 포함하는, 매체에 저장된 컴퓨터 프로그램.
PCT/KR2019/005202 2018-10-10 2019-04-30 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램 WO2020075942A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180120485A KR102267032B1 (ko) 2018-10-10 2018-10-10 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
KR10-2018-0120485 2018-10-10

Publications (1)

Publication Number Publication Date
WO2020075942A1 true WO2020075942A1 (ko) 2020-04-16

Family

ID=70164956

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/005202 WO2020075942A1 (ko) 2018-10-10 2019-04-30 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램

Country Status (2)

Country Link
KR (1) KR102267032B1 (ko)
WO (1) WO2020075942A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
CN111915059A (zh) * 2020-06-29 2020-11-10 西安理工大学 基于注意力机制的Seq2seq泊位占有率预测方法
CN112750304A (zh) * 2020-12-30 2021-05-04 东南大学 一种基于交通仿真的交叉口数据采集区间确定方法及装置
US20220058944A1 (en) * 2020-08-24 2022-02-24 Quantela Inc Computer-based method and system for traffic congestion forecasting
CN114742280A (zh) * 2022-03-18 2022-07-12 北京百度网讯科技有限公司 路况预测方法及相应的模型训练方法、装置、设备及介质

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11823568B2 (en) * 2019-05-02 2023-11-21 Toyota Motor North America, Inc. Dynamic speed limit for vehicles and autonomous vehicles
KR102254765B1 (ko) * 2020-11-10 2021-05-24 한국건설기술연구원 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법
KR102380599B1 (ko) * 2021-04-14 2022-04-01 렉스젠(주) 교통 정보 분석 시스템 및 그에 관한 방법
KR102546540B1 (ko) * 2021-06-16 2023-06-22 경기대학교 산학협력단 Lstm 기반 교통 혼잡도 예측 방법 및 장치
KR102650126B1 (ko) * 2021-11-08 2024-03-21 세종대학교산학협력단 다중 cctv 비디오를 이용한 교통 정체 전파 패턴 분석 방법 및 장치
JP7462687B2 (ja) * 2022-01-11 2024-04-05 ソフトバンク株式会社 データ生成装置、データ生成プログラム、モデル構築装置、モデル構築プログラム、学習済モデル、車両およびサーバ
KR102590356B1 (ko) * 2023-03-31 2023-10-17 대보정보통신 주식회사 교통 정보 센터의 돌발 이벤트 처리 방법 및 그를 위한 장치
KR102590358B1 (ko) * 2023-03-31 2023-10-17 대보정보통신 주식회사 교통 정보 센터의 관심 영역의 영상 처리 방법 및 그를 위한 장치
KR102590355B1 (ko) * 2023-03-31 2023-10-17 대보정보통신 주식회사 교통 정보 센터의 교통 영상 융합 장치 및 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040050459A (ko) * 2002-12-10 2004-06-16 에스케이 주식회사 교통정보 제공 시스템 및 방법
KR101550731B1 (ko) * 2014-03-11 2015-09-07 주식회사 트라콤 링크구간 통행속도 산출방법 및 시스템
KR101803891B1 (ko) * 2017-03-17 2017-12-28 주식회사 트라콤 셀영역별 교통인수와 객체추적 모듈로 이루어진 하이브리드형 셀영역 기반 교통상황 실시간 통보장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040085357A (ko) * 2003-03-31 2004-10-08 주식회사 케이티 단거리무선통신의 구간별 속도정보 수집 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040050459A (ko) * 2002-12-10 2004-06-16 에스케이 주식회사 교통정보 제공 시스템 및 방법
KR101550731B1 (ko) * 2014-03-11 2015-09-07 주식회사 트라콤 링크구간 통행속도 산출방법 및 시스템
KR101803891B1 (ko) * 2017-03-17 2017-12-28 주식회사 트라콤 셀영역별 교통인수와 객체추적 모듈로 이루어진 하이브리드형 셀영역 기반 교통상황 실시간 통보장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CUI, ZHIYONG ET AL.: "High-Order Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting . arXiv.org > cs", ARXIV:1802.07007V1, February 2018 (2018-02-01) *
LV , ZHONGJIAN ET AL.: "LC-RNN: A Deep Learning Model for Traffic Speed Prediction", TWENTY-SEVENTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE (IJCAI-18), July 2018 (2018-07-01), pages 3470 - 3476, XP055703939 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915059A (zh) * 2020-06-29 2020-11-10 西安理工大学 基于注意力机制的Seq2seq泊位占有率预测方法
CN111915059B (zh) * 2020-06-29 2023-06-30 西安理工大学 基于注意力机制的Seq2seq泊位占有率预测方法
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
CN111882869B (zh) * 2020-07-13 2022-10-04 大连理工大学 一种考虑不良天气的深度学习交通流预测方法
US20220058944A1 (en) * 2020-08-24 2022-02-24 Quantela Inc Computer-based method and system for traffic congestion forecasting
CN112750304A (zh) * 2020-12-30 2021-05-04 东南大学 一种基于交通仿真的交叉口数据采集区间确定方法及装置
CN112750304B (zh) * 2020-12-30 2021-11-23 东南大学 一种基于交通仿真的交叉口数据采集区间确定方法及装置
CN114742280A (zh) * 2022-03-18 2022-07-12 北京百度网讯科技有限公司 路况预测方法及相应的模型训练方法、装置、设备及介质

Also Published As

Publication number Publication date
KR102267032B1 (ko) 2021-06-18
KR20200040501A (ko) 2020-04-20

Similar Documents

Publication Publication Date Title
WO2020075942A1 (ko) 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
WO2012011690A2 (ko) 실내 내비게이션을 수행하는 위치 기반 서비스 시스템 및 방법
WO2019107738A1 (ko) 쓰레기 수거 차량제어 방법, 이를 수행하는 쓰레기 수거 차량제어 장치 및 이를 저장하는 기록매체
KR101909365B1 (ko) 내비게이션 시스템의 노선 플래닝 방법, 장치 및 저장 매체
WO2019098692A1 (ko) 폭우에 대한 재해취약성 정보 자동처리방법
AU2017360650B2 (en) Method and apparatus for analyzing communication environment based on property information of an object
WO2018043820A1 (ko) 기상 정보를 이용한 무인 비행체의 경로 안내 시스템, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체
WO2011021899A2 (en) Method and apparatus for generating, managing, and sharing moving path
WO2019125022A1 (ko) V2x 통신을 위한 장치 및 방법
JP5666669B2 (ja) 交通量の変化を感知して経路を探索する通信型ナビゲーションシステム
WO2016129957A1 (en) Methods and apparatuses for processing ue context of ue
WO2015099387A1 (ko) 지능형 교통 관리 시스템
WO2015190755A1 (ko) 네비게이션 장치의 지도 데이터 제공 방법 및 시스템
WO2020149714A1 (ko) Object 상태 정렬을 이용한 cpm 메시지 분할 방법
WO2020145438A1 (ko) V2x 통신을 위한 장치 및 방법
WO2021045523A1 (en) Electronic device for supporting wireless mobile communication for vehicle and operation method of the same
WO2014119938A1 (en) Server for offering service targeting user and service offering method thereof
WO2020091207A1 (ko) 이미지의 채색 완성 방법, 장치 및 컴퓨터 프로그램과 인공 신경망 학습 방법, 장치 및 컴퓨터 프로그램
WO2020138760A1 (ko) 전자 장치 및 그의 제어 방법
WO2023171981A1 (ko) 감시카메라 관리 장치
WO2020171605A1 (ko) 주행 정보 제공 방법, 차량맵 제공 서버 및 방법
WO2013094865A1 (ko) 경로 계산 방법, 경로 획득 방법 또는 이를 위한 단말
WO2015105287A1 (ko) 교통 정보 수집 방법, 이를 위한 장치 및 시스템
WO2019009624A1 (ko) 무인비행체의 안전 운항을 위한 디지털 무빙 맵 서비스 제공 방법 및 장치
WO2020262716A1 (ko) 자율주행 차량의 주행 방법

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: 19871290

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: 19871290

Country of ref document: EP

Kind code of ref document: A1