WO2022035039A1 - 교통신호 연산 방법 및 이를 수행하기 위한 장치 - Google Patents

교통신호 연산 방법 및 이를 수행하기 위한 장치 Download PDF

Info

Publication number
WO2022035039A1
WO2022035039A1 PCT/KR2021/007584 KR2021007584W WO2022035039A1 WO 2022035039 A1 WO2022035039 A1 WO 2022035039A1 KR 2021007584 W KR2021007584 W KR 2021007584W WO 2022035039 A1 WO2022035039 A1 WO 2022035039A1
Authority
WO
WIPO (PCT)
Prior art keywords
traffic
signal
unit time
intersection
amount
Prior art date
Application number
PCT/KR2021/007584
Other languages
English (en)
French (fr)
Inventor
이희빈
최태욱
김대승
Original Assignee
주식회사 라온로드
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 라온로드 filed Critical 주식회사 라온로드
Publication of WO2022035039A1 publication Critical patent/WO2022035039A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/095—Traffic lights

Definitions

  • the traffic signal calculation method is based on the traffic information collected by one or more traffic information collecting devices installed at the intersection, Calculating the amount of traffic that has passed the intersection for a period of time, estimating the amount of traffic that will pass through the intersection for the next unit time based on the calculated amount of traffic, and based on the predicted amount of traffic, controlling the traffic lights installed at the intersection
  • the method may include generating and transmitting signal control data to be applied to the signal control device during the next unit time.
  • the traffic signal calculating device 100 calculates a traffic volume based on traffic information collected by a traffic information collecting device 200 to be described later as a general information processing device, and uses the calculated traffic amount to be described later.
  • Signal control data to be transmitted to the signal control device 300 to be transmitted is generated.
  • the signal control data is data for controlling a pattern or length of a signal to be displayed through a traffic light (not shown) connected to the signal control device 300 , for example, each display corresponding to a display order by a predetermined display system. It may include information about the time rate of , that is, the display rate.
  • Various types of data such as files or programs may be installed and stored in the storage unit 110 .
  • the control unit 120 to be described later may access and use data stored in the storage unit 110 , or may store new data in the storage unit 110 .
  • the control unit 120 may execute a program installed in the storage unit 110 . Referring to FIG. 1 , a program or data set necessary for calculating a traffic signal may be installed and stored in the storage unit 110 .
  • the traffic amount may be independently calculated for each unit time corresponding to a positive integer multiple of the signal period. For example, when the signal period is 5 minutes, the unit time for calculating the traffic amount may be set to 20 minutes.
  • the control unit 120 uses this to learn the artificial intelligence model.

Landscapes

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

Abstract

교통신호 연산 방법과 이를 수행하는 교통신호 연산 장치를 제시하며, 교통신호 연산 방법은 교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 수집되는 교통정보에 기초하여, 단위 시간 동안에 상기 교차로를 통과한 교통량을 산출하는 단계, 산출된 교통량에 기초하여 다음 단위 시간 동안에 상기 교차로를 통과할 교통량을 예측하는 단계, 그리고 예측된 교통량에 기초하여, 상기 교차로에 설치된 신호등을 제어하는 신호제어장치에 다음 단위 시간 동안에 인가할 신호제어 데이터를 생성하여 전송하는 단계를 포함할 수 있다.

Description

교통신호 연산 방법 및 이를 수행하기 위한 장치
본 명세서에서 개시되는 실시예들은 실시간 교통량을 예측하여 교차로 신호의 각 현시율을 배분하여 교차로 혼잡을 방지하는 교통신호 연산 방법 및 이를 수행하기 위한 장치에 관한 것이다.
본 출원은 2020년 08월 11일에 기초한 우선권을 주장하며, 해당 출원의 명세서 및 도면에 개시된 모든 내용은 본 출원에 원용된다.
도시 과밀화로 인해 도심 내의 교통량이 지속하여 증가하고 있다. 특히 출퇴근 시간 등 러시아워에는 교차로마다 신호 대기 시간이 증가하여 차량 지체 또는 정체가 빈번하게 발생한다. 그에 따라 교차로에서 교통량이 많은 이동 방향의 차로에 상대적으로 긴 시간의 진행 신호를 부여함으로서 정체를 최소화하는 신호 제어 방식이 사용되고 있다.
이를 위해 일반적으로 각 차로의 교통량을 감지하고, 미리 정해진 현시 체계에서, 감지된 교통량에 따라 각 차로에 진행 신호를 부여하는 시간의 비율을 조정한다. 이때 교통량은, 통상적으로 교차로 주변에 설치된 교통정보 수집장치를 통해 차로에 대기중인 차량의 수를 카운트함으로써 감지된다. 이를 통해 실시간으로 특정 차로의 지체나 정체를 감지하고, 해당 차로에 대기 중인 차량의 진행 방향에 대응하는 신호의 현시율을 증가시킬 수 있다.
그러나 이와 같이 특정 차로에 존재하는 차량의 수를 카운트하여 교통량을 감지하기 위해서는, 교차로 주변에 설치되는 교통정보 수집장치가 충분히 넓은 범위 내에서 차량을 감지할 수 있어야 한다. 예를 들어, 특정 이동 방향 차로의 차량이 교통정보 수집장치의 감지 범위를 넘어서서 길게 대기 중인 경우, 해당 차로의 교통량을 명확히 감지할 수 없는 문제가 있다. 이러한 문제를 개선하기 위해 다수의 교통정보 수집장치를 설치해야 하고, 그에 따른 비용 문제가 발생할 수도 있다.
한국등록특허 제10-0564207호 “비매설형 차량감지센서를 이용한 교통신호 제어시스템”에는 예를 들어, 적외선이나 마이크로웨이브를 이용한 비매설형 차량감지센서를 이용하여 정지선 대기 차량을 자동으로 감지하고, 이에 기초하여 교통신호를 자동으로 제어하는 방법이 개시되어 있다.
그러나 이러한 방법에 의하면 상술한 바와 같이 정지선 주변 대기 차량이 차량감지센서의 측정 범위를 넘어설 정도로 길게 늘어선 경우 해당 차로의 교통량이나 혼잡도를 명확히 감지할 수 없다는 문제가 있다.
따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.
한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 명세서에서 개시되는 실시예들은, 교통량에 따라 교통신호의 현시율을 조절함으로써 교통 정체를 최소화할 수 있는 교통신호 연산 방법 및 이를 수행하기 위한 장치를 제시하는데 목적이 있다.
본 명세서에 개시되는 실시예들은, 현재 교차로를 통과하고 있는 차량들의 교통량에 따라 현재의 교통신호를 제어할 수 있는 교통신호 연산 방법 및 이를 수행하기 위한 장치를 제시하는데 목적이 있다.
본 명세서에 개시되는 실시예들은, 교통정보 수집장치의 감지 범위를 넓히지 않고도 이동 방향별 교통량이나 혼잡도를 정확히 산출할 수 있는 교통신호 연산 방법 및 이를 수행하기 위한 장치를 제시하는데 목적이 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 교통신호 연산 장치에 의해 수행되는 교통신호 연산 방법은, 교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 수집되는 교통정보에 기초하여, 단위 시간 동안에 상기 교차로를 통과한 교통량을 산출하는 단계, 산출된 교통량에 기초하여 다음 단위 시간 동안에 상기 교차로를 통과할 교통량을 예측하는 단계, 그리고 예측된 교통량에 기초하여, 상기 교차로에 설치된 신호등을 제어하는 신호제어장치에 다음 단위 시간 동안에 인가할 신호제어 데이터를 생성하여 전송하는 단계를 포함한다.
그리고 일 실시예에 따르면, 교통신호 연산 장치에 의해 수행되는 교통신호 연산 방법은, 교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 N-1 주기 동안에 수집된 교통정보에 기초하여, 상기 N-1주기 동안에 상기 교차로를 통과한 N-1 주기 교통량을 산출하는 단계, 상기 N-1주기의 바로 이전 주기인 N-2주기에 대한 N-2주기 교통량과 상기 N-1주기 교통량을 이용하여 인공지능 모델을 학습시키는 단계, 상기 인공지능 모델에 상기 N-1주기 교통량을 입력하여, 상기 N-1주기의 바로 다음 주기인 N주기에 대해 예상되는 교통량을 나타내는 N주기 예측량을 연산하는 단계, 그리고 상기 N-1주기 교통량을, 상기 N-2주기에 예측된 N-1주기 예측량과 비교하여 예측 오류를 확인하는 단계를 포함할 수 있다.
다른 실시예에 따르면, 교통신호 연산 장치는, 교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 단위 시간 동안에 수집된 교통정보에 기초하여 산출되는 단위 시간별 교통량을 저장하는 저장부, 상기 단위 시간별 교통량에 기초하여 인공신경 모델을 학습시키고, 학습된 인공신경 모델을 이용하여 다음 단위 시간 동안에 상기 교차로를 통과할 교통량에 대응하는 예측량을 산출하고, 상기 예측량을 이용하여 다음 단위 시간 동안에 상기 교차로에 설치된 신호등에 인가될 신호제어 데이터를 생성하는 제어부, 상기 신호제어 데이터를 상기 신호등을 제어하는 신호제어장치로 전송하는 통신부를 포함할 수 있다.
또 다른 실시예에 따르면, 교통신호 연산 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체에서, 교통신호 연산 방법은 교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 수집되는 교통정보에 기초하여, 단위 시간 동안에 상기 교차로를 통과한 교통량을 산출하는 단계, 산출된 교통량에 기초하여 다음 단위 시간 동안에 상기 교차로를 통과할 교통량을 예측하는 단계, 그리고 예측된 교통량에 기초하여, 상기 교차로에 설치된 신호등을 제어하는 신호제어장치에 다음 단위 시간 동안에 인가할 신호제어 데이터를 생성하여 전송하는 단계를 포함할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 교통량에 따라 교통신호의 현시율을 조절함으로써 교통 정체를 최소화할 수 있는 교통신호 연산 방법 및 이를 수행하기 위한 장치를 제시할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 현재 교차로를 통과하고 있는 차량들의 교통량에 따라 현재의 교통신호를 제어할 수 있는 교통신호 연산 방법 및 이를 수행하기 위한 장치를 제시할 수 있다.
전술한 과제 해결 수단 중 어느 하나에 의하면, 교통정보 수집장치의 감지 범위를 넓히지 않고도 이동 방향별 교통량이나 혼잡도를 정확히 산출할 수 있는 교통신호 연산 방법 및 이를 수행하기 위한 장치를 제시할 수 있다.
개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 교통신호 연산 장치, 교통정보 수집장치, 그리고 신호제어장치를 포함하는 신호제어시스템을 도시한 도면이다.
도 2는 일 실시예에 따른 교통신호 연산 장치의 동작을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 교통신호 연산 방법을 단계적으로 도시한 도면이다.
도 4 및 도 5는 교통신호 주기에 따라 일 실시예에 따른 교통신호 연산 방법의 각 단계를 설명하기 위한 도면이다.
아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐 아니라, ‘그 중간에 다른 구성을 사이에 두고 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.
이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.
도 1은 일 실시예에 따른 교통신호 연산 장치, 교통정보 수집장치, 그리고 신호제어장치를 포함하는 신호제어시스템을 도시한 도면이다.
일 실시예에 의한 교통신호 연산 장치(100)는, 통상의 정보처리장치로서 후술할 교통정보 수집장치(200)에 의해 수집된 교통정보에 기초하여 교통량을 산출하고, 산출된 교통량을 이용하여 후술할 신호제어장치(300)에 전송할 신호제어 데이터를 생성한다. 이때 신호제어 데이터는 신호제어장치(300)에 연결된 신호등(미도시)을 통해 표시될 신호의 패턴이나 길이를 제어하기 위한 데이터로서, 예를 들어 미리 정해진 현시 체제에 의한 현시 순서에 대응하여 각 현시의 시간 비율, 즉 현시율에 대한 정보를 포함할 수 있다.
이때 교통신호 연산 장치(100)는 교차로를 통과하는 차량의 수를 교통량으로 산출하여 교통신호의 현시율을 제어할 수 있는데, 실시간으로 신호를 정교하게 제어하기 위해서는 현재의 교통량을 감지하여야 한다. 그러나 교차로를 통과하는 차량의 수는 일정 시간 동안에 누적 카운트되는데, 그에 따라 통과한 차량의 수가 카운트되었을 때에는 이미 해당 교통량은 과거의 교통량이 된다.
즉, 교차로를 통과하는 차량의 수를 이용하여 교통량을 감지하는 경우, 현재 부여되는 신호는 현재 교차로를 통과하고 있는 차량들, 즉 현재의 교통량에 대응하도록 제어되어야 하지만, 이미 교차로를 통과하여 교통량에 반영된 차량은 과거 교통량에 대응하기 때문에, 교통신호를 실시간 교통량에 대응하여 제어하기 어렵다는 문제가 있다.
그에 따라 교통신호 연산 장치(100)는 현재의 교통량을 예측한다. 이를 위해 교통신호 연산 장치(100)는 순환 신경망 등을 포함하는 인공지능 모델을 이용하고, 과거의 교통량을 이용하여 현재의 교통량을 예측한다. 그리고 교통신호 연산 장치(100)는 예측된 현재의 교통량에 근거하여 현재의 신호를 제어한다.
한편 교통정보 수집장치(200)는 교차로 주변 도로에 설치되어 차량을 감지하는 장치로서, 예를 들어 카메라를 포함하는 영상 검지기이거나, 레이더 검지기, 루프 검지기 등이 될 수 있다. 또한 교통정보 수집장치(200)는 수집되는 데이터를 처리하여 필요한 정보를 산출하는 데이터분석장치나 서버 등을 포함하여 구성될 수 있다. 이때 교통정보 수집장치(200)는 교차로를 통과하는 차량 각각을 감지할 수 있다. 그리고 교통정보 수집장치(200)는 상술한 교통신호 연산 장치(100)와 통신하여, 이처럼 교차로를 통과하는 차량을 감지하여 획득되는 데이터, 즉 교통정보를 교통신호 연산 장치(100)로 전송할 수 있다.
한편 신호제어장치(300)는 교차로에 설치되는 하나 이상의 신호등과 통신하여, 신호등에 점멸 신호를 전송함으로써 신호등에 표시되는 신호를 제어하는 장치이다.
나아가 통계DB(400)는 각 교차로의 교통량에 대한 정보를 축적하여 저장함으로써, 각 교차로에 대한 교통량 통계를 산출하고, 교통 신호 운영자 등 관련인이 이용하는 사용자 단말(미도시)에 통계 정보를 전송하는 장치이다. 통계 DB(400)는 통계 정보를 사용자들이 검색하여 열람하기 용이한 그래픽 인터페이스를 통해 사용자 단말에 제공할 수 있다.
한편 교통신호 연산 장치(100)는 저장부(110), 제어부(120), 그리고 통신부(130)를 포함할 수 있다.
저장부(110)에는 파일이나 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 후술할 제어부(120)는 저장부(110)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 저장부(110)에 저장할 수도 있다. 또한, 제어부(120)는 저장부(110)에 설치된 프로그램을 실행할 수도 있다. 도 1을 참조하면, 저장부(110)에는 교통신호를 연산하는데 필요한 프로그램이나 데이터 세트 등이 설치 및 저장될 수 있다.
특히 저장부(110)에는 교통정보 수집장치(200)에서 수집된 교통정보를 이용하여 산출한 교통량 정보가 저장되는 교통량DB가 구축될 수 있다.
또한 저장부(110)에는 교통신호를 연산하는데 이용되는 인공지능 모델이 저장될 수 있다. 저장부(110)에 저장된 인공지능 모델을 제어부(120)가 학습시키고, 동시에 이러한 인공지능 모델을 이용하여 교통량을 예측할 수 있다.
나아가 저장부(110)에는 교차로의 교통량을 산출하거나, 예측된 교통량에 근거하여 교통신호의 현시율을 결정하는데 필요한 알고리즘이 저장될 수 있다.
그에 따라 후술할 제어부(120)는 저장부(110)에 저장된 알고리즘이나 인공지능 모델을 이용하여 교통량의 산출이나 예측, 그리고 교통신호를 제어하기 위한 데이터의 연산을 수행할 수 있다.
제어부(120)는 교통신호 연산 장치(100)의 전체적인 동작을 제어하며, CPU 등과 같은 프로세스를 포함할 수 있다. 제어부(120)는 미리 정해진 바에 따라 교통정보 수집장치(200)로부터 수신한 교통정보를 처리하여 신호제어장치(300)로 전송할 신호제어데이터를 생성할 수 있다.
제어부(120)는 저장부(110)에 저장된 프로그램을 실행시키거나, 저장부(110)에 저장된 알고리즘이나 인공지능 모델을 이용하여 데이터를 연산할 수 있다. 또한 제어부(120)는 처리된 데이터를 다시 저장부(110)에 저장할 수 있다.
한편 통신부(130)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(130)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(Chipset)의 형태로 구현될 수 있다.
통신부(130)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(130)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.
도 2를 참조하여, 상술한 교통신호 연산 장치(100)의 보다 구체적인 동작을 설명한다. 도 2는 일 실시예에 따른 교통신호 연산 장치의 동작을 설명하기 위한 도면이다.
도 2를 참조하면, 교통신호 연산 장치(100)는 하나 이상의 교통정보 수집장치(200)로부터 교통정보를 수신한다. 그리고 교통신호 연산 장치(100)의 제어부(120)는 저장부(110)에 저장된 교통량산출 알고리즘을 이용하여 교통정보로부터 교통량을 산출한다. 이때 교통량산출 알고리즘은 교통정보 수집장치(200)에서 수신되는 교통정보를 분석하여 교차로를 통과하는 차량의 수에 대응하는 교통량을 산출할 수 있다.
다만 실시예에 따라, 교통정보 수집장치(200)에서 수신되는 교통정보가, 이미 교통정보 수집장치(200)에서 분석 완료된 교통량 데이터를 포함하는 경우, 교통신호 연산 장치(100)에서 교통량을 산출하는 동작을 수행하지 않을 수 있다. 이 경우 저장부(110)에도 교통량산출 알고리즘이 따로 저장되지 않을 수 있다.
이때 교통량은 신호 주기마다 독립적으로 산출될 수 있다. 교차로 신호는 서로 다른 이동 방향 차로의 진행을 순차적으로 허여하는 방식으로 하나의 패턴을 형성하는데, 일반적인 현시 체제에서는 미리 정해진 순서에 따라 모든 이동 방향 차로의 진행을 순차적으로 허여한 이후에는 다시 동일한 순서로 신호가 반복될 수 있다. 그에 따라 이와 같이 동일한 순서의 신호가 반복되는 주기가 나타며, 상술한 교통량은 이러한 신호 주기마다 매번 산출될 수 있다.
다른 실시예에 의하면 교통량은 신호 주기의 양의 정수배에 해당하는 단위 시간마다 독립적으로 산출될 수도 있다. 예를 들어, 신호 주기가 5분인 경우 교통량을 산출하는 단위 시간은 20분으로 설정될 수 있다.
또한 교통량은, 각 이동 방향 차로를 통해 교차로를 통과한 차량의 수를 별개로 감지하여 이동 방향별로 따로 산출될 수 있다. 그에 따라 하나의 신호 주기가 경과할 때마다, 이동 방향별 교통량이 산출될 수 있다. 예를 들어, 사지 교차로에서는, 남북, 북남, 동서, 서동 방향의 직진 차량들의 교통량이나, 남서, 서북, 북동, 동남 방향의 좌회전 차량들의 교통량, 그리고 남동, 동북, 북서, 서남 방향의 우회전 차량들의 교통량을 각각 따로 산출할 수 있다. 물론 실시예에 따라 동일한 차로로 진입한 직진 방향과 우회전 방향의 교통량은 통합하여 하나의 교통량으로 산출될 수도 있다.
한편 이미 설명한 바와 같이 교통정보 수집장치(200)가 이처럼 각 신호 주기, 또는 그 정수배에 해당하는 단위 시간마다 각 이동 방향별로 교통량을 따로 산출하거나, 또는 교통신호 연산 장치(100)가 교통정보 수집장치(200)에서 수신되는 교통정보를 분석하여 각 신호 주기 또는 단위 시간마다 각 이동 방향별로 교통량을 산출할 수도 있다.
한편 제어부(120)는 산출된 교통량에 대한 정보를 저장부(110)에 구축된 교통량DB에 저장한다. 그에 따라 교통량DB에는 각 주기의 교통량에 대한 데이터가 축적된다.
그리고 제어부(120)는 교통량의 예측을 위한 인공지능 모델을 학습시킬 수 있다. 이때 인공지능 모델은, N-1주기의 교통량을 입력으로 N주기의 교통량을 출력하는 모델로서, 이전 주기의 교통량에 의해 이번 주기의 교통량을 예측하도록 학습될 수 있다. 이때 인공지능 모델은, 순환 신경망(Recurrent Neural Network)를 포함할 수 있다.
이하에서 설명의 편의를 위해 인공지능 모델에 교통량을 입출력하여 신호를 제어하는 단위 시간을 ‘주기’로 표현하였으나, 상술한 바와 같이 단위 시간은 신호 주기의 정수배일 수 있다.
교차로의 교통량은 시간의 흐름에 따라 변화하는 데이터이므로, 일 실시예에 의한 교통신호 연산 장치(100)는 시계열 데이터를 학습하는데 적합한 순환 신경망을 이용하여 교통량을 예측할 수 있다.
한편 제어부(120)는 매 신호 주기마다 수신되는 교통정보에 기초하여 교통량을 산출하므로, 새로운 신호 주기에 대한 교통량이 산출되면 이를 이용하여 인공지능 모델을 학습시킨다.
그리고 제어부(120)는 이전 주기의 교통량을 인공지능 모델에 입력하여, 그 출력으로 이번 주기의 교통량에 대한 예측값을 얻을 수 있다.
예를 들어, 현재의 신호 주기를 ‘0주기’라고 하고, 직전 주기를 ‘-1주기’, 그 이전 주기를 ‘-2주기’라고 하면, 0주기에 돌입하면 제어부(120)는 -1주기의 교통량을 산출한 후, 이를 인공지능 모델에 대한 출력으로 하고 교통량DB에 저장된 -2주기 교통량을 입력으로 하여 인공지능 모델을 학습시킨다.
그리고 이어서 제어부(120)는 -2주기 교통량을 입력으로, 그리고 -1주기 교통량을 출력으로 하여 학습된 인공지능 모델에 대한 입력에 다시 -1주기 교통량을 입력하여, 0주기 교통량을 예측값으로서 획득할 수 있다. 이때 0주기 교통량의 예측값을 이하에서 ‘0주기 예측량’이라 표현한다.
이어서 제어부(120)는 인공지능 모델에 의해 예측된 0주기 예측량을 이용하여 0주기의 교통신호를 연산할 수 있다. 이를 위해 제어부(120)는 저장부(110)에 저장된 신호연산 알고리즘을 이용하여 0주기 예측량에 적절한 신호의 현시율을 배분할 수 있다.
이때 0주기 예측량은, 교차로의 각 이동 방향별 교통량에 대한 정보를 포함할 수 있다.
교통정보에 기초하여 산출되는 교통량은 각각의 이동 방향에 대한 개별적인 교통량을 포함함은 앞서 설명한 바와 같고, 이를 인공지능 모델의 입력 또는 출력으로 하기 위해 교통량 데이터는 각 이동 방향에 대한 교통량을 성분으로 하는 벡터나 행렬의 형식을 가질 수 있다.
그에 따라 0주기 예측량 또한 벡터나 행렬의 형태로 출력되고, 이러한 0주기 예측량의 각 성분이 각각의 이동 방향에 대한 교통량을 나타낼 수 있다. 그에 따라 제어부(120)는 각 이동 방향에 대한 교통량에 기초하여 각 신호의 현시율을 배분할 수 있다. 예를 들어, 남북 방향 직진 차로의 교통량이 많은 경우 해당 방향의 진행을 허여하는 신호의 현시율을 높일 수 있다.
이를 위해 도 2에 도시된 것처럼 교통신호 연산 장치(100)는 신호연산 알고리즘을 이용할 수 있는데, 이러한 신호연산 알고리즘은 미리 정해진 길이의 신호 주기에 대해, 미리 정해진 신호의 순서의 패턴을 유지하면서, 각 신호의 길이가 전체 신호 주기에 대해 차지하는 현시율만을 달리 배분하는 방식으로 신호 제어 데이터를 생성할 수 있다. 다만 실시예에 따라 신호 주기를 변경하거나 신호 패턴을 달리 변경하도록 설계될 수도 있다.
한편 제어부(120)는 0주기 예측량을 신호연산 알고리즘에 입력하여, 0주기에 대한 신호제어 데이터를 얻을 수 있다. 그리고 통신부(130)는 신호제어 데이터를 신호제어장치(300)로 전달함으로써, 신호제어장치(300)가 통제하는 신호등의 신호가 신호제어 데이터에 따라 조절되도록 할 수 있다.
그리고 제어부(120)는 0주기 동안에, 0주기 예측량에 의한 신호 제어가 이루어지도록 한 후, 다음 주기, 즉 +1주기가 되면 0주기에 수집된 교통정보에 기초하여 0주기 교통량을 산출하여, 0주기 예측량과 0주기 교통량을 비교한다. 그에 따라 예측 오류를 확인할 수 있다.
나아가 제어부(120)는 이와 같이 N주기에, N-1주기 교통량과 N-2주기 교통량을 이용하여 학습을 수행하는 과정을 반복적으로 수행하여, 예측 오류가 일정 수준 이하가 되었을 때 비로소 신호제어장치(300)로 신호제어 데이터를 전송하고, 그 이전에는 단순히 교통량 산출과 예측을 반복하는 동작만을 수행할 수 있다. 그에 따라 신호제어장치(300)가 기 설정된 바에 따라 신호등을 제어하도록 할 수 있다.
즉 제어부(120)는 복수의 신호 주기에 걸쳐 실제 교차로 교통량을 산출하고 예측하며, 예측 오류를 확인하는 과정을 반복 수행함으로써 인공지능 모델이 충분히 학습되어 정확도가 기 설정된 만큼 높아졌을 때 비로소 신호연산 알고리즘에 예측된 교통량을 입력하여 신호제어 데이터를 생성함으로써, 실제 교통량에 대응하는 정교한 신호 제어가 가능하게 한다.
한편 실시예에 따라 제어부(120)는 하나의 교차로에 대한 신호제어 데이터만을 생성할 수도 있고, 복수의 교차로에 설치된 교통정보 수집장치(200)로부터 교통정보를 수집하여 복수의 교차로의 신호등에 대한 신호제어 데이터를 생성할 수도 있다.
이를 위해 제어부(120)는 복수의 교차로에서 수집된 교통정보를 분석하여 복수의 교차로의 이동 방향별 교통량을 산출하고 이를 하나의 행렬로 정리하여 하나의 인공지능 모델을 학습시킬 수 있다. 그리고 그 결과로서 다시 복수의 교차로의 이동 방향별 교통량의 예측값을 획득함으로써 복수의 교차로에 대한 신호제어 데이터를 생성할 수 있다.
이하에서는 도 3 내지 도 5를 참조하여, 상술한 교통신호 연산 장치(100)에서 수행되는 교통신호 연산 방법을 구체적으로 설명한다. 도 3은 일 실시예에 따른 교통신호 연산 방법을 단계적으로 도시한 도면이고, 도 4 및 도 5는 교통신호 주기에 따라 일 실시예에 따른 교통신호 연산 방법의 각 단계를 설명하기 위한 도면이다.
도 3 내지 도 5에 도시된 실시예에 따른 교통신호 연산 방법은 도 에 도시된 교통신호 연산 장치(100)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 내지 도 2에 도시된 교통신호 연산 장치(100)에 관하여 이상에서 기술한 내용은 도 3 내지 도 5에 도시된 실시예에 따른 교통신호 연산 방법에도 적용될 수 있다.
우선 도 3에 도시된 바와 같이 교통신호 연산 장치(100)는 교통정보 수집장치(200)로부터 교통정보를 수신한다(S310). 이때 교통정보 수집장치(200)는 하나 이상의 교차로에 설치된 하나 이상의 차량 감지 장치로서, 예를 들어 영상 검지기, 루프 검지기, 레이저 검지기 등을 포함할 수 있음은 앞서 설명한 바와 같다.
그리고 교통신호 연산 장치(100)는 교통정보를 이용하여 교차로의 교통량을 산출하거나 교통정보에 교통량에 대한 정보를 추출할 수 있다(S320).
이때 교통량은 일정한 단위 시간 동안에 교차로를 통과한 차량의 수에 대한 데이터일 수 있다. 특히 실시예에 따라 상술된 단위 시간은 교차로의 하나의 신호 주기에 대응하는 시간일 수 있다. 나아가 다른 실시예에 의하면, 교통량은 복수의 신호 주기를 하나의 시간 단위로 하여, 각 단위 시간 동안에 교차로를 통과한 차량의 수일 수도 있다.
이어서 교통신호 연산 장치(100)는 산출된 교통량에 기초하여, 다음 교통량을 예측할 수 있다(S330). 이때 다음 교통량은, 이전 단위 시간 동안에 수집한 교통정보에 기초하여 산출된 교통량에 대한, 다음 단위 시간 동안에 교차로를 통과할 것으로 예상되는 교통량을 의미한다.
이때 교통신호 연산 장치(100)는 다음 교통량의 예측을 위해 인공지능 모델을 이용할 수 있다. 우선 교통신호 연산 장치(100)는 S320단계에서 산출된 교통량에 기초하여 인공지능 모델을 우선 학습시킬 수 있다. 이때 교통신호 연산 장치(100)는 S320단계 이전에, 즉 이전 단위 시간에 대해 산출된 교통량과 S320단계에서 산출된 교통량을 함께 이용하여 인공지능 모델을 학습시킬 수도 있다. 그리고 교통신호 연산 장치(100)는 S320단계에서 산출된 교통량을 이용하여 학습된 인공지능 모델을 이용하여 다음 교통량을 예측할 수 있다. 또한 이때 S320단계에서 산출된 교통량은 S330단계에서 인공지능 모델을 학습시킬 때에는 출력으로, 그리고 인공지능 모델을 이용하여 다음 교통량을 예측할 때에는 입력으로 이용될 수 있다. 즉 S330단계에서 사용되는 인공지능 모델은 각 단위 시간마다 순차적으로 산출되는 교통량을 순차적으로 입력과 출력으로 하는 모델로서, 예를 들어 상술한 바와 같이 순환 신경망을 포함할 수 있다.
그리고 교통신호 연산 장치(100)는 예측된 다음 교통량에 기초하여, 다음 단위 시간 동안에 신호제어장치(300)에 제공할 신호제어 데이터를 생성할 수 있다(S340).
예를 들어, 교차로의 신호 주기가 6분이고 단위 시간이 12분인 경우, 교통신호 연산 장치(100)는 이미 지난 12분 동안에 수집된 교통정보에 기초하여 지난 12분 동안에 교차로를 통과한 교통량을 산출하고, 이를 이용하여 앞으로 12분 동안에 교차로를 통과할 것으로 예상되는 교통량을 예측하며, 예측된 교통량에 따라 앞으로 12분 동안에 교차로에 설치된 신호등에 인가할 신호제어 데이터를 생성할 수 있다.
그리고 교통신호 연산 장치(100)는 생성된 신호제어 데이터를 신호제어장치(300)로 전송함으로써(S350), 신호제어장치(300)가 교통신호 연산 장치(100)가 배분한 현시율에 따라 신호등을 제어하도록 할 수 있다.
한편 교통신호 연산 장치(100)는 S320단계에서 교통량이 산출되면, 산출된 교통량을 교통량DB에 축적한다.
그리고 교통신호 연산 장치(100)는 S330단계에서 예측된 다음 교통량도 기록해둔다. 이후 다음 단위 시간이 경과하여 다시 교통량이 산출되면, 교통신호 연산 장치(100)는 예측된 후 기록된 교통량과 동기에 대하여 실제 산출된 교통량을 비교하여 예측 오류를 산출할 수 있다.
그에 따라 교통신호 연산 장치(100)는 선택적으로 예측 오류가 일정 수준 이하가 될 때까지는 신호제어 데이터를 생성하는 S340단계나 신호제어장치(300)에 신호제어 데이터를 전송하는 S350단계의 수행을 생략할 수 있다.
한편 도 4와 5를 참조하여, 단위 시간이 신호 주기와 일치하는 경우 교통신호 연산 장치(100)에 의해 수행되는 교통신호 연산 방법을 구체적으로 살펴본다. 이때 현재 도래된 신호 주기를 ‘N주기’로 설명한다.
도 4에 도시된 바와 같이 교통신호 연산 장치(100)는 N주기가 도래하면, N주기에 대한 교통정보 수집을 개시한다(S410). 이때 교통정보의 수집은 교통정보 수집장치(200)에 의해 수행되며, 교통정보 수집장치(200)에 의해 수집되는 교통정보가 교통신호 연산 장치(100)로 전달되는 방식으로 이루어지되, N주기 동안에 지속적으로 이루어지거나 N주기가 종료될 때에 일시에 이루어질 수 있다.
예를 들어, S410단계는 교통정보 수집장치(200)가 감지되는 원시 신호를 최소한의 가공을 거쳐 실시간으로 교통신호 연산 장치(100)에 공급하는 방식으로 이루어질 수도 있고, 또는 교통정보 수집장치(200)가 N주기 동안에 수집된 데이터를 분석하여 N주기 종료 시에 분석된 데이터를 교통신호 연산 장치(100)로 전송하는 방식으로 이루어질 수도 있다.
도 5에 도시된 바와 같이 교통정보 수집장치(200)는 매 신호 주기마다 교통정보를 수집할 수 있다. 그에 따라 교통신호 연산 장치(100)도 매 신호 주기마다, 적어도 매 신호 주기가 종료할 때 해당 신호 주기에 대응하는 교통정보를 수신할 수 있다.
한편 교통신호 연산 장치(100)는 N주기가 도래한 시점, 즉 시간 TN에, 종료된 N-1주기에 수집된 교통정보를 이용하여, N-1주기의 교통량을 산출할 수 있다(S420). 이때 산출된 N-1주기 교통량은 교통량DB에 축적된다.
그리고 교통신호 연산 장치(100)는 S420단계에서 산출된 N-1주기 교통량과, N-1주기 도래 시에 교통량DB에 기록된 N-2주기 교통량을 이용하여 인공지능 모델, 예를 들어 순환 신경망을 학습시킬 수 있다(S430). 이때 순환 신경망의 학습은, N-2주기 교통량을 입력으로, 그리고 N -1주기 교통량을 출력으로 하여 이루어질 수 있다.
예를 들어, 도 5에 도시된 것처럼 N-1주기가 도래한 시점, 즉 시간 TN-1에는 N-2주기 동안에 수집된 교통정보에 기초하여 N-2주기 교통량이 산출되어 교통량DB에 기록될 수 있다.
그에 따라 교통신호 연산 장치(100)는 S430단계에서 인공지능 모델을 학습시킴에 있어서, 시간 TN-1에 교통량DB에 기록된 N-2주기 교통량을 추출하여 인공지능 모델의 입력으로 하고, 시간 TN에 산출된 N-1주기 교통량을 인공지능 모델의 출력으로 하여 모델을 학습시킬 수 있다.
이어서 교통신호 연산 장치(100)는 S430단계에서 학습된 인공지능 모델에 N-1주기 교통량을 입력하여, N주기 교통량을 출력으로 획득할 수 있다(S440). 즉 교통신호 연산 장치(100)는 N주기에 실제 교통정보를 수집하여 교통량을 측정하지 않고도, N주기의 도래 시점인 TN에 N주기 교통량을 예측할 수 있다.
이때 교통신호 연산 장치(100)는 예측된 N주기 교통량을 예측하여 기록해둔 후, 다음 주기, 즉 N+1주기에 산출된 N주기 교통량과 기록된 예측량을 비교할 수 있도록 할 수 있다.
한편 교통신호 연산 장치(100)는 S420단계에서 산출된 N-1주기 교통량과, N-1주기 동안에 예측된 N-1주기 교통량을 비교하여 예측 오류를 확인할 수 있다(S450). 이때 이전 주기인 N-1주기에 인공지능 모델에 의해 예측된 N-1 주기 예측량이 미리 기록될 수 있고, 이를 N주기에 실제 산출된 N-1주기 교통량과 비교함으로써 지난 주기, 즉 N-1주기의 예측 오류를 확인할 수 있다.
그에 따라 S450단계에서 확인된 예측 오류가 기 설정된 범위 내인지 확인할 수 있다(S460). 여기서 교통신호 연산 장치(100)는 예측 오류가 설정 범위를 벗어나면, 다음 주기의 도래까지 대기한 후 다시 S410단계로 회귀하여 N주기 동작과 동일한 동작을 반복한다(S500). 즉, 실시예에 따라 교통신호 연산 장치(100)는 예측 오류가 설정된 범위 내에 속할 때까지 교통량을 산출하고 인공지능 모델을 학습시키는 과정을 반복할 수 있다. 그에 따라 예측 오류가 설정 범위를 벗어나는 동안에는 후술하는 S470단계와 S480단계의 수행을 생략하고 인공지능 모델의 학습만을 수행할 수 있다.
한편 S460단계에서 예측 오류가 설정 범위 내이면, 교통신호 연산 장치(100)는 예측된 N주기 교통량에 근거하여, N주기 동안에 신호제어장치(300)를 제어하는데 이용될 신호제어 데이터를 생성할 수 있다(S470). S470단계에서 교통신호 연산 장치(100)는 이미 정해진 신호 패턴에서 각 현시의 시간 비율, 즉 현시율을 교통량에 따라 조정 배분하여 신호제어 데이터를 생성할 수 있다.
도 5에 도시된 바와 같이 교통신호 연산 장치(100)는 예측된 N주기 교통량에 근거하여 N주기 동안에 신호 제어에 이용될 신호제어 데이터를 생성할 수 있다.
그리고 교통신호 연산 장치(100)는 이처럼 생성된 신호제어 데이터를 신호제어장치(300)로 전송함으로써, N주기 동안에 신호제어장치(300)가 신호등을 배분된 현시율에 따라 제어하도록 할 수 있다(S480).
이어서 N주기가 종료되면(S490), 교통신호 연산 장치(100)는 다시 S410단계로 회귀하여 N주기 동작과 동일한 동작을 반복한다(S500).
한편 실시예에 따라서 교통신호 연산 장치(100)는 S460단계에서 예측 오류가 한 번 설정범위 내에 진입한 것으로 판단된 이후에는, 이후 주기에는 S450단계와 S460단계의 수행을 생략할 수도 있다.
한편 도 5에 도시된 실시예는 N주기를 중심으로 교통신호 연산 방법을 간략히 설명하기 위해, N주기에 수행되는 연산을 위해 필요한 동작만을 도시한 것이고, 매 주기마다 N주기에 설명된 것과 동일한 동작이 반복 수행될 수 있다.
이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.
구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.
뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.
도 3 내지 도 5를 통해 설명된 실시예에 따른 교통신호 연산 방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 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 포함할 수 있다.예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.
또한 도 3 내지 도5를 통해 설명된 실시예에 따른 교통신호 연산 방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.
따라서 도 3 내지 도 5를 통해 설명된 실시예에 따른 교통신호 연산 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.
여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.
또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.
그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.
상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 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 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.

Claims (14)

  1. 교통신호 연산 장치에 의해 수행되고,
    교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 수집되는 교통정보에 기초하여, 단위 시간 동안에 상기 교차로를 통과한 교통량을 산출하는 단계;
    산출된 교통량에 기초하여 다음 단위 시간 동안에 상기 교차로를 통과할 교통량을 예측하는 단계; 그리고
    예측된 교통량에 기초하여, 상기 교차로에 설치된 신호등에 다음 단위 시간 동안에 인가할 신호제어 데이터를 생성하여 상기 신호등을 제어하는 신호제어장치로 전송하는 단계를 포함하는, 교통신호 연산 방법.
  2. 제1항에 있어서,
    상기 교통량을 예측하는 단계는,
    상기 산출하는 단계에서 산출된 교통량을 출력으로 하여 인공지능 모델을 학습시키는 단계; 그리고
    상기 산출하는 단계에서 산출된 교통량을 상기 인공지능 모델의 입력으로 하여 다음 단위 시간 동안에 상기 교차로를 통과할 교통량을 예측하는 단계를 포함하는, 교통신호 연산 방법.
  3. 제2항에 있어서,
    상기 인공지능 모델은,
    순환 신경망(Recurrent Neural Network)을 포함하는, 교통신호 연산 방법.
  4. 제2항에 있어서,
    상기 산출하는 단계는,
    상기 단위 시간 동안에 상기 교차로를 통과한 교통량을 각 이동 방향별로 산출하는 단계; 그리고
    산출된 교통량을 저장하는 단계를 포함하는, 교통신호 연산 방법.
  5. 제4항에 있어서,
    상기 전송하는 단계는,
    각 이동 방향별 교통량에 대응하여, 상기 신호제어장치의 현시 체계에서 각 신호의 현시율을 조절하는 단계를 포함하는, 교통신호 연산 방법.
  6. 제1항에 있어서,
    상기 단위 시간은,
    상기 신호제어장치의 현시 체계의 신호 주기의 양의 정수배인, 교통신호 연산 방법.
  7. 교통신호 연산 장치에 의해 수행되고,
    교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 N-1 주기 동안에 수집된 교통정보에 기초하여, 상기 N-1주기 동안에 상기 교차로를 통과한 N-1 주기 교통량을 산출하는 단계;
    상기 N-1주기의 바로 이전 주기인 N-2주기에 대한 N-2주기 교통량과 상기 N-1주기 교통량을 이용하여 인공지능 모델을 학습시키는 단계;
    상기 인공지능 모델에 상기 N-1주기 교통량을 입력하여, 상기 N-1주기의 바로 다음 주기인 N주기에 대해 예상되는 교통량을 나타내는 N주기 예측량을 연산하는 단계; 그리고
    상기 N-1주기 교통량을, 상기 N-2주기에 예측된 N-1주기 예측량과 비교하여 예측 오류를 확인하는 단계를 포함하는 교통신호 연산 방법.
  8. 제7항에 있어서,
    상기 교통신호 연산 방법은,
    상기 예측 오류가 미리 설정된 범위 내이면, 상기 N주기 예측량을 이용하여 상기 교차로에 설치된 신호등에 상기 N주기 동안에 인가될 신호제어 데이터를 상기 신호등을 제어하는 신호제어장치에 전송하는 단계; 그리고
    상기 예측 오류가 미리 설정된 범위를 벗어나면, 상기 산출하는 단계로 회귀하여 다음 신호 주기에 동일한 동작을 반복 수행하는 단계를 더 포함하는, 교통신호 연산 방법.
  9. 교통신호 연산 장치에 있어서,
    교차로에 설치된 하나 이상의 교통정보 수집장치에 의해 단위 시간 동안에 수집된 교통정보에 기초하여 산출되는 단위 시간별 교통량을 저장하는 저장부;
    상기 단위 시간별 교통량에 기초하여 인공신경 모델을 학습시키고, 학습된 인공신경 모델을 이용하여 다음 단위 시간 동안에 상기 교차로를 통과할 교통량에 대응하는 예측량을 산출하고, 상기 예측량을 이용하여 다음 단위 시간 동안에 상기 교차로에 설치된 신호등에 인가될 신호제어 데이터를 생성하는 제어부; 그리고
    상기 신호제어 데이터를 상기 신호등을 제어하는 신호제어장치로 전송하는 통신부를 포함하는, 교통신호 연산 장치.
  10. 제9항에 있어서,
    상기 제어부는,
    단위 시간이 경과할 때마다 이전 단위 시간에 대응하는 교통량을 산출하여 상기 인공신경 모델을 학습시키고, 학습된 인공신경 모델을 이용하여 다음 단위 시간에 대한 예측량을 산출하는 과정을 반복하되, 산출된 예측량을 상기 저장부에 저장하고, 이전 단위 시간에 대해 산출된 예측량과 이전 단위 시간에 대응하는 교통량을 비교하여 예측 오류를 확인하는, 교통신호 연산 장치.
  11. 제10항에 있어서,
    상기 제어부는,
    상기 예측 오류가 설정범위 내인 경우에만, 상기 신호제어 데이터를 생성하여 상기 신호제어장치로 전송하는, 교통신호 연산 장치.
  12. 제10항에 있어서,
    상기 제어부는,
    N번째 단위 시간이 도래하면, N-2번째와 N-1번째 단위 시간에 대응하는 교통량을 각각 입력과 출력으로 하여 상기 인공신경 모델을 학습시키고, 학습된 인공신경 모델에 N-1번째 단위 시간에 대응하는 교통량을 입력하여 N번째 단위 시간에 대응하는 예측량을 산출하는, 교통신호 연산 장치.
  13. 제10항에 있어서,
    상기 제어부는,
    단위 시간마다 상기 교차로의 각 이동 방향별 교통량을 산출하여, 다음 단위 시간 동안에 상기 교차로의 통과할 이동 방향별 교통량에 대응하는 예측량을 산출하고, 산출된 예측량에 따라 교통량이 상대적으로 많은 이동 방향의 진행을 허여하는 신호의 현시율을 상대적으로 높이는, 교통신호 연산 장치.
  14. 제 1 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
PCT/KR2021/007584 2020-08-11 2021-06-17 교통신호 연산 방법 및 이를 수행하기 위한 장치 WO2022035039A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200100344A KR102318576B1 (ko) 2020-08-11 2020-08-11 교통신호 연산 방법 및 이를 수행하기 위한 장치
KR10-2020-0100344 2020-08-11

Publications (1)

Publication Number Publication Date
WO2022035039A1 true WO2022035039A1 (ko) 2022-02-17

Family

ID=78232735

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/007584 WO2022035039A1 (ko) 2020-08-11 2021-06-17 교통신호 연산 방법 및 이를 수행하기 위한 장치

Country Status (2)

Country Link
KR (1) KR102318576B1 (ko)
WO (1) WO2022035039A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548298A (zh) * 2022-02-25 2022-05-27 阿波罗智联(北京)科技有限公司 模型训练、交通信息处理方法、装置、设备和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102689239B1 (ko) * 2021-11-24 2024-07-26 동서대학교 산학협력단 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법
KR102660111B1 (ko) * 2023-01-30 2024-04-23 주식회사 인이지 교차로의 신호 제어 방법 및 이를 수행하기 위한 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH064795A (ja) * 1992-06-17 1994-01-14 Hitachi Ltd 交通状況監視方法と装置および交通流監視制御システム
JPH0729087A (ja) * 1993-07-13 1995-01-31 Mitsubishi Electric Corp 交通量予測装置
KR101333498B1 (ko) * 2012-08-24 2013-11-28 서울시립대학교 산학협력단 독립교차로의 통행시간 기반 신호제어 알고리즘
KR101942491B1 (ko) * 2018-11-08 2019-04-11 주식회사 싸인텔레콤 도로교통 상황 모니터링 관제·실시간 교통정보 분석·교통신호제어로 이루어진 인공지능형 cctv통합관제중개제어모듈을 갖는 cctv통합관제센터시스템
JP2020013310A (ja) * 2018-07-18 2020-01-23 パナソニックＩｐマネジメント株式会社 情報処理装置、交通信号制御システムおよび交通信号制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH064795A (ja) * 1992-06-17 1994-01-14 Hitachi Ltd 交通状況監視方法と装置および交通流監視制御システム
JPH0729087A (ja) * 1993-07-13 1995-01-31 Mitsubishi Electric Corp 交通量予測装置
KR101333498B1 (ko) * 2012-08-24 2013-11-28 서울시립대학교 산학협력단 독립교차로의 통행시간 기반 신호제어 알고리즘
JP2020013310A (ja) * 2018-07-18 2020-01-23 パナソニックＩｐマネジメント株式会社 情報処理装置、交通信号制御システムおよび交通信号制御方法
KR101942491B1 (ko) * 2018-11-08 2019-04-11 주식회사 싸인텔레콤 도로교통 상황 모니터링 관제·실시간 교통정보 분석·교통신호제어로 이루어진 인공지능형 cctv통합관제중개제어모듈을 갖는 cctv통합관제센터시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548298A (zh) * 2022-02-25 2022-05-27 阿波罗智联(北京)科技有限公司 模型训练、交通信息处理方法、装置、设备和存储介质

Also Published As

Publication number Publication date
KR102318576B1 (ko) 2021-10-28

Similar Documents

Publication Publication Date Title
WO2022035039A1 (ko) 교통신호 연산 방법 및 이를 수행하기 위한 장치
WO2021085848A1 (ko) 강화학습 기반 신호 제어 장치 및 신호 제어 방법
CN109887281B (zh) 一种监控交通事件的方法及系统
WO2021080107A1 (ko) 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치
WO2019047656A1 (zh) 用于控制无人驾驶车辆的方法和装置
WO2018030772A1 (ko) 감응식 교통 신호 제어 방법 및 그 장치
WO2017164478A1 (ko) 미세 얼굴 다이나믹의 딥 러닝 분석을 통한 미세 표정 인식 방법 및 장치
WO2022055100A1 (ko) 이상 탐지 방법 및 이를 위한 장치
WO2019050108A1 (ko) 데이터 이미지화를 이용한 딥러닝 기반 시스템 이상행위 분석 기술
WO2021153861A1 (ko) 다중 객체 검출 방법 및 그 장치
WO2020141683A1 (ko) 영상 기반의 교통 정보 제공 시스템 및 그 방법
CN113409587B (zh) 异常车辆的检测方法、装置、设备及存储介质
WO2019088335A1 (ko) 지능형 협업 서버, 시스템 및 이의 협업 기반 분석 방법
WO2020032506A1 (ko) 시각 감지 시스템 및 이를 이용한 시각 감지 방법
WO2019045244A1 (ko) 시각 대화를 통해 객체의 위치를 알아내기 위한 주의 기억 방법 및 시스템
US20220351515A1 (en) Method for perceiving event tagging-based situation and system for same
WO2020004749A1 (ko) 동영상 파일을 이용한 설비 학습 장치 및 방법
CN116416208A (zh) 管道缺陷检测方法、装置、电子设备及存储介质
WO2022250970A1 (en) Semi-automatic data collection and association for multi-camera tracking
WO2021133076A1 (ko) 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업단가 관리 방법 및 장치
WO2022080582A1 (ko) 목표 지향적 강화학습 방법 및 이를 수행하기 위한 장치
WO2021015405A1 (ko) 차량번호판 인식률을 모니터링 하는 방법, 장치 및 컴퓨터 판독가능 저장 매체
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
WO2024034748A1 (ko) 심혈관 조영 영상을 이용한 신택스 스코어 산출 방법 및 시스템
WO2016159613A1 (ko) 영상 합성을 위한 객체 추적 방법 및 시스템

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: 21856046

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: 21856046

Country of ref document: EP

Kind code of ref document: A1