[go: up one dir, main page]

KR101602746B1 - 교통 예측 시스템 및 방법 - Google Patents

교통 예측 시스템 및 방법 Download PDF

Info

Publication number
KR101602746B1
KR101602746B1 KR1020140040040A KR20140040040A KR101602746B1 KR 101602746 B1 KR101602746 B1 KR 101602746B1 KR 1020140040040 A KR1020140040040 A KR 1020140040040A KR 20140040040 A KR20140040040 A KR 20140040040A KR 101602746 B1 KR101602746 B1 KR 101602746B1
Authority
KR
South Korea
Prior art keywords
road
adjacent
roads
traffic information
target road
Prior art date
Legal status (The legal status 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 status listed.)
Expired - Fee Related
Application number
KR1020140040040A
Other languages
English (en)
Other versions
KR20150115283A (ko
Inventor
류광렬
Original Assignee
부산대학교 산학협력단
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 부산대학교 산학협력단 filed Critical 부산대학교 산학협력단
Priority to KR1020140040040A priority Critical patent/KR101602746B1/ko
Publication of KR20150115283A publication Critical patent/KR20150115283A/ko
Application granted granted Critical
Publication of KR101602746B1 publication Critical patent/KR101602746B1/ko
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 교통 예측 시스템 및 방법에 관한 것으로, 본 발명의 교통 예측 시스템은 대상 도로를 제공 받아, 상기 대상 도로와의 인접 여부에 따른 인접도로를 선택하는 인접도로 수집부, 상기 수집된 인접도로 중 유의 인접도로를 선별하는 필터부 및 상기 유의 인접도로의 과거 시점의 교통 정보 및 상기 대상 도로의 과거 시점의 교통 정보를 제공 받아, 기계 학습 알고리즘에 의해 상기 대상 도로의 예측 시점의 교통 정보를 생성하는 예측부를 포함한다.

Description

교통 예측 시스템 및 방법{System and Method of traffic forecasting}
본 발명은 교통 예측 시스템 및 방법에 관한 것이다.
빅 데이터(big data)란 데이터의 생성 양, 주기 및 형식 등이 기존 데이터에 비해 너무 크기 때문에, 종래의 방법으로는 수집, 저장, 검색 및 분석이 어려운 방대한 데이터를 말한다. 빅 데이터는 각종 센서와 인터넷의 발달로 인해 나타났다. 컴퓨터 및 처리기술이 발달함에 따라 디지털 환경에서 생성되는 빅 데이터를 기반으로 현상을 관찰하고 예측할 수 있게 되었다.
교통 예측 또한 이러한 빅 데이터를 이용할 수 있다. 방대한 과거의 교통 이력 데이터를 이용하여 교통 정보를 분석하면 미래 시점의 교통 혼잡도를 유추할 수 있고, 주행의 최적 경로 등을 판단할 때 주요하게 사용할 수 있다. 따라서, 교통 정보를 정밀하게 분석하는 시스템 및 방법의 개발이 중요해지는 실정이다.
대한민국공개특허 제 10-2006-0037481 호
본 발명이 해결하고자 하는 과제는 단순히 대상 도로의 교통 정보뿐만 아니라 인접도로의 정보를 부가하여 더욱 정밀한 교통 예측 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는, 단순히 대상 도로의 교통 정보뿐만 아니라 인접도로의 정보를 부가하여 더욱 정밀한 교통 예측 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 교통 예측 시스템은 대상 도로를 제공 받아, 상기 대상 도로와의 인접 여부에 따른 인접도로를 선택하는 인접도로 수집부, 상기 수집된 인접도로 중 유의 인접도로를 선별하는 필터부 및 상기 유의 인접도로의 과거 시점의 교통 정보 및 상기 대상 도로의 과거 시점의 교통 정보를 제공 받아, 기계 학습 알고리즘에 의해 상기 대상 도로의 예측 시점의 교통 정보를 생성하는 예측부를 포함한다.
상기 인접 여부는 상기 대상 도로와의 연결 뎁스(link depth), 상기 대상 도로와의 거리(distance), 상기 대상 도로에 도달하는 시간(travel time) 중 적어도 하나에 의해 판단될 수 있다.
상기 유의 인접도로는 래퍼(wrapper) 방식에 의해 선별될 수 있다.
상기 유의 인접도로는 서포트 벡터 머신(support vector machine, SVM)방식으로 선별될 수 있다.
상기 유의 인접도로는 필터(filter) 방식에 의해 선별될 수 있다.
상기 유의 인접도로는 상관관계 기반 선택(Correlation-based Feature Selection, CFS)방식으로 선별될 수 있다.
상기 유의 인접도로의 과거 시점의 교통 정보, 상기 대상 도로의 과거 시점의 교통 정보 및 상기 대상 도로의 예측 시점의 교통 정보는 평균 속도 정보를 포함할 수 있다.
상기 기계 학습 알고리즘은 k-NN(k-nearest neighbor) 알고리즘, 선형 회귀(linear regression) 또는 M5 모델 트리(M5 model tree) 중 어느 하나일 수 있다.
여기서, 실시간으로 교통 정보를 수집하고, 상기 인접도로 수집부 및 상기 필터부에 상기 실시간 교통 정보를 제공하는 교통 정보 제공부를 더 포함할 수 있다.
상기 다른 과제를 해결하기 위한 본 발명의 일 실시예에 따른 교통 예측 방법은 대상 도로 및 예측 시점을 제공받고, 상기 대상 도로와 인접하는 인접 도로를 수집하고, 상기 인접 도로 중 상기 대상 도로와의 연관성에 따라 유의 인접도로를 선별하고, 과거 시점의 유의 인접도로 교통 정보와 상기 과거 시점의 대상 도로 교통 정보를 제공 받아, k-NN(k-nearest neighbor) 알고리즘에 의해 상기 예측 시점의 대상 도로 교통 정보를 생성하는 것을 포함한다.
상기 인접 도로를 수집하는 것은, 상기 대상 도로와의 연결 뎁스(link depth), 상기 대상 도로와의 거리(distance), 상기 대상 도로에 도달하는 시간(travel time) 또는 그 조합에 따라 인접 여부를 판단하는 것을 포함할 수 있다.
상기 유의 인접도로를 선별하는 것은, 서포트 벡터 머신(support vector machine, SVM)방식에 의해 선별하는 것을 포함할 수 있다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 실시예들에 의하면 적어도 다음과 같은 효과가 있다.
즉, 본 발명의 일 실시예에 따른 교통 예측 시스템 및 방법은 대상 도로뿐만 아니라 인접도로의 정보도 고려하므로 더욱 정밀하게 교통 상황을 예측할 수 있다.
또한, 본 발명의 일 실시예에 따른 교통 예측 시스템 및 방법은 연관성이 낮은 인접도로를 제외하여 정밀도가 높은 교통 예측 시스템 및 방법을 제공할 수 있다.
본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.
도 1은 본 발명의 일 실시예에 따른 교통 예측 시스템의 구조를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 교통 예측 시스템의 인접도로 수집부가 뎁스/스프레드(depth/spread)를 기준으로 인접도로를 선택하는 것을 설명하기 위한 예시도이다.
도 3은 본 발명의 일 실시예에 따른 교통 예측 시스템의 인접도로 수집부가 거리(distance)를 기준으로 인접도로를 선택하는 것을 설명하기 위한 예시도이다.
도 4는 본 발명의 일 실시예에 따른 교통 예측 시스템의 인접도로 수집부가 주행 시간(travel time)을 기준으로 인접도로를 선택하는 것을 설명하기 위한 예시도이다.
도 5는 본 발명의 일 실시예에 따른 교통 예측 시스템의 필터부가 유의 인접도로를 선정하는 방식을 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따른 교통 예측 시스템의 필터부가 유의 인접도로를 선정하기 위해 사용하는 SVM(support vector machine) 방식을 설명하기 위한 예시도이다.
도 7 및 8은 본 발명의 일 실시예에 따른 교통 예측 시스템의 예측부가 기계 학습 알고리즘을 통해 교통 정보를 예측하는 방식을 설명하기 위한 개념도이다.
도 9는 본 발명의 일 실시예에 따른 교통 예측 방법을 설명하기 위한 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
비록 제1, 제2 등이 다양한 소자, 구성요소 및/또는 섹션들을 서술하기 위해서 사용되나, 이들 소자, 구성요소 및/또는 섹션들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자, 구성요소 또는 섹션들을 다른 소자, 구성요소 또는 섹션들과 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자, 제1 구성요소 또는 제1 섹션은 본 발명의 기술적 사상 내에서 제2 소자, 제2 구성요소 또는 제2 섹션일 수도 있음은 물론이다.
소자(elements) 또는 층이 다른 소자 또는 층의 "위(on)" 또는 "상(on)"으로 지칭되는 것은 다른 소자 또는 층의 바로 위뿐만 아니라 중간에 다른 층 또는 다른 소자를 개재한 경우를 모두 포함한다. 반면, 소자가 "직접 위(directly on)" 또는 "바로 위"로 지칭되는 것은 중간에 다른 소자 또는 층을 개재하지 않은 것을 나타낸다.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 소자 또는 구성 요소들과 다른 소자 또는 구성 요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 소자의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 소자를 뒤집을 경우, 다른 소자의 "아래(below 또는 beneath)"로 기술된 소자는 다른 소자의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 소자는 다른 방향으로도 배향될 수 있으며, 이 경우 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
도 1을 참고하여, 본 발명의 일 실시예에 따른 교통 예측 시스템을 설명한다.
도 1은 본 발명의 일 실시예에 따른 교통 예측 시스템의 구조를 설명하기 위한 블록도이다.
도 1을 참고하면, 본 발명의 일 실시예에 따른 교통 예측 시스템은 교통 정보 제공부(210), 인접도로 수집부(220), 필터부(230) 및 예측부(240)를 포함한다.
교통 정보 제공부(210)는 실시간 교통 정보를 수집할 수 있다. 교통 정보 제공부(210)는 여러 출처에서 실시간 교통 정보를 수집할 수 있다. 상기 출처는 예를 들어, DSRC(dedicated short range communication), 택시 및 버스 중 적어도 하나를 포함할 수 있다.
교통 정보 제공부(210)는 실시간 교통 정보를 인접도로 수집부(220) 및 필터부(230)에 전송할 수 있다. 상기 실시간 교통 정보는 일반적으로 미리 설정된 시간 간격 마다 업데이트 될 수 있다. 예를 들어, 상기 시간 간격은 5분, 1시간 또는 4시간일 수 있다.
교통 정보는 여러 가지 정보일 수 있다. 즉, 평균 속도, 최대 속도, 최저 속도 및 주행 시간 등 여러 가지 형태의 정보로 나타날 수 있다. 본 발명의 일 시예에 따른 교통 예측 시스템의 교통 정보는 특히 평균 속도일 수 있다.
인접도로 수집부(220)는 사용자(100)로부터 대상 도로를 제공받을 수 있다. 대상도로란, 사용자(100)가 교통 정보를 원하는 도로를 말한다. 인접도로 수집부(220)는 사용자(100)가 제공한 대상 도로의 인접도로를 수집할 수 있다. 인접도로 수집부(220)는 이렇게 대상 도로 그 자체뿐만 아니라, 인접도로의 교통정보도 고려하므로 더욱 정밀한 교통 예측이 가능할 수 있다.
인접도로 수집부(220)는 교통 정보 제공부(210)로부터 실시간 교통 정보를 전송 받을 수 있다. 인접도로 수집부(220)는 실시간 교통 정보에 따라 인접도로를 선택할 수 있다.
필터부(230)는 인접도로 수집부(220)로부터 선택된 인접도로 중에 유의 인접도로를 선별할 수 있다. 필터부(230)는 인접도로 수집부(220)로부터 인접도로의 정보를 전송 받을 수 있다. 필터부(230)는 또한, 교통 정보 제공부(210)로부터 실시간 교통 정보를 제공 받을 수 있다. 필터부(230)는 상기 실시간 교통 정보를 기초로 하여, 상기 인접도로의 연관성을 판단하고, 이에 따라 연관성이 낮은 인접도로를 제외할 수 있다. 필터부(230)는 이렇게 제외된 인접도로 외의 인접도로를 유의 인접도로로 선별할 수 있다.
예측부(240)는 사용자(100)로부터 대상 도로를 제공받을 수 있다. 예측부(240)는 사용자(100)자로부터 예측 시점도 제공받을 수 있다. 이 때의 예측 시점이란, 사용자(100)가 교통 정보를 원하는 시점을 말한다. 즉, 사용자(100)가 원하는 시점의 원하는 도로의 교통 정보를 예측부(240)가 예측할 수 있다.
예측부(240)는 필터부(230)로부터 유의 인접도로를 제공받을 수 있다. 예측부(240)는 이러한 유의 인접도로의 과거 시점의 교통 정보를 이용하여 대상 도로의 예측 시점의 교통 정보를 예측할 수 있다. 예측부(240)는 물론, 대상 도로의 과거 시점의 교통 정보를 대상 도로의 예측 시점의 교통 정보를 예측하는 데에 사용할 수 있다. 상기 유의 인접도로의 과거 시점의 교통 정보 및 상기 대상 도로의 과거 시점의 교통 정보는 평균 속도를 포함할 수 있다.
예측부(240)는 대상 도로의 예측 시점의 교통 정보를 사용자(100)에게 제공할 수 있다. 상기 대상 도로의 예측 시점의 교통 정보는 평균 속도를 포함할 수 이다.
도 2 내지 도 4를 참고하여, 본 발명의 일 실시예에 따른 교통 예측 시스템의 인접도로 수집부(220)를 세부적으로 설명한다.
도 2는 본 발명의 일 실시예에 따른 교통 예측 시스템의 인접도로 수집부가 뎁스/스프레드(depth/spread)를 기준으로 인접도로를 선택하는 것을 설명하기 위한 예시도이고, 도 3은 본 발명의 일 실시예에 따른 교통 예측 시스템의 인접도로 수집부가 거리(distance)를 기준으로 인접도로를 선택하는 것을 설명하기 위한 예시도이다. 도 4는 본 발명의 일 실시예에 따른 교통 예측 시스템의 인접도로 수집부가 주행 시간(travel time)을 기준으로 인접도로를 선택하는 것을 설명하기 위한 예시도이다.
인접도로 수집부(220)는 대상 도로의 인접도로를 선택할 수 있다. 대상 도로의 인접도로를 선택하는 방식은 특별히 제한되는 것은 아니다. 인접도로 수집부(220)는 예를 들어, 뎁스/스프레드를 기준으로 인접도로를 선정하는 방식, 거리를 기준으로 인접도로를 선정하는 방식 또는 주행 시간을 기준으로 인접도로를 선택하는 방식을 사용할 수 있다.
도 2를 참고하면, 인접도로 수집부(220)는 뎁스/스프레드를 기준으로 인접도로를 선택할 수 있다. 인접도로 수집부(220)는 붉은색의 대상도로에서 직접적으로 연결(link)된 앞 뒤의 모든 도로를 인접도로로 우선 선정할 수 있다(도 2의 [1]의 검은색). 이어서, 앞에서 선정된 인접도로와 직접적으로 연결된 앞 뒤의 모든 도로를 인접도로로 선정할 수 있다(도 2의 [2]). 이어서, 현재까지 선정된 인접도로와 직접적으로 연결된 앞 뒤의 모든 도로를 인접도로로 선정할 수 있다(도 2의 [3]). 뎁스가 1이면 도 2의 [1]에서 그치고, 뎁스가 3이면 도 2의 [3]까지 인접도로를 선정할 수 있다. 따라서, 미리 설정된 뎁스 범위 내에서 인접도로를 선정할 수 있다.
도 3을 참고하면, 인접도로 수집부(220)는 거리를 기준으로 인접도로를 선택할 수 있다. 인접도로 수집부(220)는 붉은 색의 대상도로에서 미리 설정된 일정 거리에 존재하는 모든 도로를 인접도로로 선택할 수 있다. 거리의 측정의 기준은 도로의 중간점을 기준으로 할 수 있다. 도로의 중간점은 도로의 시점과 종점의 중점을 말한다. 즉, 각각의 도로의 중간점을 구하고, 대상 도로의 중간점과 상기 각각의 도로의 중간점의 거리를 기준으로 인접도로를 선택할 수 있다.
상기 미리 설정된 거리는 예를 들어 300m, 500m 또는 1000m일 수 있다. 도 3의 [1]은 상기 미리 설정된 거리가 300m이다. 도 3의 [2]는 상기 미리 설정된 거리가 500m이고, 도 3의 [3]은 상기 미리 설정된 거리가 1000m이다.
도 4를 참고하면, 인접도로 수집부(220)는 주행 시간을 기준으로 인접도로를 선택할 수 있다. 인접도로 수집부(220)는 붉은 색의 대상 도로에서 출발하여 각각의 도로에 도착하는 데에 걸리는 시간 또는 각각의 도로에서 출발하여 붉은 색의 대상 도로로 도착하는 데에 걸리는 시간을 주행 시간으로 정의할 수 있다. 인접도로 수집부(220)는 상기 주행 시간이 미리 설정된 시간 이내인 도로를 인접도로로 선택할 수 있다.
상기 미리 설정된 시간은 예를 들어 1분, 2분 또는 3분일 수 있다. 도 4의 [1]은 상기 미리 설정된 시간이 1분이다. 도 4의 [2]는 상기 미리 설정된 시간이 2분이다. 도 4의 [3]은 상기 미리 설정된 시간이 3분이다.
도 5를 참고하여, 본 발명의 일 실시예에 따른 교통 예측 시스템의 필터부(230)를 세부적으로 설명한다.
도 5는 본 발명의 일 실시예에 따른 교통 예측 시스템의 필터부가 유의 인접도로를 선정하는 방식을 설명하기 위한 예시도이다.
도 5를 참고하면, 필터부(230)는 대상 도로(A)와 인접도로 수집부(220)가 선택한 인접도로(B, C, D)를 후보로 유의 인접도로를 선정할 수 있다(Ⅰ). 각각의 인접도로(B, C, D)는 대상 도로와의 연관성이 있고, 이에 따라 대상 도로와의 연관성을 계산할 수 있다. 도 5에 예시적으로 도시되었듯이, 각각의 인접도로(B, C, D)는 대상 도로(A)와의 연관성을 수치로 표시할 수 있다(Ⅱ).
이어서, 연관성이 낮은 인접도로(C)를 제거할 수 있다. 이 때에, 연관성이 높은 인접도로를 순서대로 배치하여 가장 연관성이 높은 인접도로부터 순차적으로 미리 설정된 개수만큼의 유의 인접도로를 선정할 수 있다. 즉, 제외되는 인접도로의 개수는 특별히 제한되는 것은 아니다.
필터부(230)는 이러한 연관성을 계산하여 유의 인접도로를 선정할 때에 래퍼(wrapper) 방식 또는 필터(filter) 방식을 사용할 수 있다.
래퍼 방식이란, 대상 도로와 인접도로 각각에 대해서, 교통 예측 알고리즘을 각각 수행하고, 각각의 알고리즘에 따라 나온 결과값을 비교하여 가장 우위에 있는 인접도로를 선정하는 방식이다. 이러한 래퍼 방식에 따르면, 정밀하고 오차가 낮은 결과를 얻을 수 있다.
필터 방식이란, 대상 도로와 인접도로 각각에 대해서, 교통 예측 알고리즘을 수행하지는 않고, 단순히 연관성을 나타낼 수 있는 적어도 하나의 파라미터를 비교하여 가장 열위에 있는 인접도로를 제거하는 방식이다. 이러한 필터 방식에 따르면, 연산량이 적어서, 빠르게 결과를 얻을 수 있다.
도 6을 참고하여, 래퍼 방식의 하나인 SVM 방식에 따라 필터부가 유의 인접도로를 선정하는 방식을 설명한다.
도 6은 본 발명의 일 실시예에 따른 교통 예측 시스템의 필터부가 유의 인접도로를 선정하기 위해 사용하는 SVM(support vector machine) 방식을 설명하기 위한 예시도이다.
도 6을 참고하면, 검은색과 흰색을 나누기 위한 여러 가지 선형 분류자(linear separator)를 가질 수 있다(도 6의 (a)). SVM 방식은 이를 나누는 선형 분류자 중에 가장 마진이 큰 선형 분류자로 나누는 것을 의미한다(도 6의 (b)) 즉, 필터부(230)는 여러 인접도로 중에 기계학습 알고리즘에 의한 결과값의 분포를 가장 마진이 크도록 나누어 유의 인접도로를 판단하는 방식을 사용할 수 있다. 이렇게 SVM 방식을 사용하는 경우에는, 필터부(230)는 예측부(240)로부터 예측값을 전송 받을 수 있다.
다시, 도 5를 참고하면, 필터부(230)는 필터 방식으로 유의 인접도로를 선정할 수도 있다. 필터 방식은 상기 래퍼 방식처럼 모든 경우의 수를 다 계산하는 것이 아니라, 순차적으로 유의 인접도로를 선정하는 방식이다. 이러한 필터 방식은 포워드 셀렉션(forward selection), 백워드 셀렉션(backward selection), 제네릭 알고리즘(genetic algorithm) 및 스캐터 서치(scatter search) 중 어느 하나를 포함할 수 있다.
필터부(230)는 포워드 셀렉션 중에 하나인 CFS(correlation-based feature selection) 방식을 사용할 수 있다. 단, 이에 제한되는 것은 아니다. CFS 방식이란, 상관관계(correlation)는 최대로 하고, 중복성(redundancy)은 최소로 하는 방식일 수 있다.
CFS 방식은 각각의 인접도로와 대상 도로와의 상관계수를 계산한다.
[수학식 1]
Figure 112014032222651-pat00001
여기서, X는 대상 도로의 각각의 시간에 따른 평균 속도의 값이고, Y는 인접도로의 각각의 시간에 따른 평균 속도의 값이다. E[X]와 E[Y]는 각각 X와 Y의 기대값이다. 수학식 1의 값은 X와 Y의 공분산(covariance)이다.
공분산이 양수이면 X와 Y가 같이 증가하거나 같이 감소한다는 의미이고, 공분산이 음수이면 X와 Y가 반대 방향으로 움직인다는 의미이다.
[수학식2]
Figure 112014032222651-pat00002
이러한 공분산을 X와 Y의 표준편차를 곱한 값인 수학식 2로 나누면 이를 상관계수라고 하고 -1과 1사이의 값을 가진다.
필터부(230)는 이러한 계산에 의해 상관관계가 최대가 되는 인접도로를 찾아 유의 인접도로를 선정할 수 있다.
도 7 및 도 8을 참고하여, 본 발명의 일 실시예에 따른 교통 예측 시스템의 예측부를 세부적으로 설명한다.
도 7 및 8은 본 발명의 일 실시예에 따른 교통 예측 시스템의 예측부가 기계 학습 알고리즘을 통해 교통 정보를 예측하는 방식을 설명하기 위한 개념도이다.
도 7 및 도 8을 참고하면, 본 발명의 예측부(240)는 기계 학습 알고리즘 중 k-NN방식을 사용할 수 있다. 단, 이에 제한되는 것은 아니고, 선형 회귀(linear regression) 또는 M5 모델 트리(M5 model tree)를 사용할 수 있다. 이하에서는 k-NN 알고리즘을 설명한다.
k-NN 알고리즘이란 복수의 데이터 세트에서 대상 데이터 세트와 연관성이 높은 k개의 데이터 세트를 선정하는 알고리즘이다. 본 발명의 일 실시예에 따른 교통 예측 시스템에서는 대상 도로의 과거시점의 교통 정보와 유의 인접도로의 과거시점의 교통 정보를 비교하여 가장 연관성이 높은 유의 인접도로를 선정한다.
도 7을 참고하면, 현재 시점을 t라고 하면, 과거 시점은 t-n부터 t-1 시점까지 이고, 미래 시점은 t+1부터 t+m 시점까지로 정의할 수 있다. 이 때 사용자(100)가 원하는 대상 도로의 예측 시점은 미래 시점인 t+1부터 t+m 시점 중 어느 하나일 수 있다. 이를 위해서, 유의 인접도로의 과거시점의 교통 정보, 예를 들어, 평균 속도를 이용할 수 있다. 여러 유의 인접도로 중에 i번째 유의 인접 도로의 t-1의 시점의 평균 속도는 Xi ,t-1로 표시할 수 있다. 여기서 X는 평균 속도 등의 교통 정보를 나타내고, i는 도로의 식별 번호 즉, 유의 인접도로 또는 대상 도로를 식별하기 위한 변수이고, t-1은 상술한 바와 같이 시점을 나타낸다.
도 8을 참고하면, 인접도로 수집부(220) 및 필터부(230)가 선정한 유의 인접도로의 데이터 세트(310, 320, 330, 340)와 대상 도로의 데이터 세트(300) 사이에 연관 거리를 측정한다. 여기서 ′연관 거리′란 양 대상이 얼마나 연관성이 있는지를 판단하는 척도로서 하기 수학식 3과 같이 정의된다. 유의 인접도로의 데이터 세트(310, 320, 330, 340)는 서로 다른 유의 인접도로의 데이터 세트일수도 있고, 동일한 유의 인접도로의 다른 날짜의 동일한 시점의 데이터 세트일수도 있다.
[수학식 3]
Figure 112014032222651-pat00003
수학식 3은 대상 도로의 데이터 세트(300)와 각각의 유의 인접도로의 데이터 세트(310, 320, 330, 340)의 연관 거리를 구하는 공식이다. 여기서, Xj는 대상 도로이고, Xq는 유의 인접도로이다. Xj ,i는 i시점의 대상 도로의 교통 정보 즉, 평균 속도이고, Xq ,i는 i시점의 유의 인접도로의 교통 정보 즉, 평균 속도이다. 이 때, q값이 변함에 따라 유의 인접도로의 데이터 세트가 서로 변할 수 있다.
[수학식 4]
Figure 112014032222651-pat00004
수학식 4는 대상 도로의 데이터 세트(300) 와 각각의 유의 인접도로의 데이터 세트(310, 320, 330, 340)의 연관 거리를 노말라이즈(normalize)한 가중치이다. dj는 대상 도로의 데이터 세트(300)와 j번째로 가까운 거리에 있는 유의 인접도로의 데이터 세트(310, 320, 330, 340)와 대상 도로의 데이터 세트(300) 사이의 연관거리이다. k는 미리 설정된 파라미터로서 몇 개의 유의 인접도로의 데이터 세트를 결정하는 파라미터이다. 즉, k=1인 경우 연관거리가 가장 작은 하나의 유의 인접도로의 데이터 세트(320)만을 선정하고, 가중치는 1이 된다. k가 1이상인 경우에는 각각의 거리인 dj와 k번째의 연관거리인 dk를 이용하여 wj를 구할 수 있다.
[수학식 5]
Figure 112014032222651-pat00005
수학식 5와 같이 wi는 노말라이즈(nomalize) 되었으므로, 모든 wi를 합한 값은 1이 된다.
[수학식 6]
Figure 112014032222651-pat00006
수학식 6은 평균 속도 예측치를 나타낸 값이다. yi는 i번째로 연관거리가 가까운 유의 인접도로의 데이터 세트의 평균 속도이다.
즉, 예시적으로 k=3인 경우에는, 대상 도로의 데이터 세트(300)와 연관거리가 가장 가까운 3개의 유의 인접도로의 데이터 세트(310, 320, 330)만을 이용하고, 나머지 유의 인접도로의 데이터 세트(340)는 제외하여 예측 시점의 대상 도로의 교통 정보 즉, 평균 속도를 획득할 수 있다.
각각의 3개의 유의 인접도로의 데이터 세트(310, 320, 330)는 각각의 평균 속도가 75, 70 및 68이고, 각각의 연관거리가 0.4, 0.25 및 0.35이다. 따라서, 도 8의 경우에는 대상도로의 예측 시점의 평균속도는 68*0.35+70*0.25+75*0.4=71.3이다.
즉, 예측부(240)는 상기의 과정을 거쳐서 사용자(100)가 지정한 대상 도로의 예측 시점의 교통 정보 즉, 평균 속도를 예측할 수 있다.
상술한 k-NN 알고리즘은 본 발명의 일 실시예에 따른 교통 예측 시스템의 기계 학습 알고리즘의 한 예시일 뿐이다. 유의 인접도로를 선별할 때, 필터 방식 특히, CFS 방식에 의해 유의 인접도로를 선별한 경우 M5 모델 트리 방식에 의해 예측하는 것이 바람직하다. 단, 이에 제한되는 것은 아니다. 유의 인접도로를 선별할 때, 래퍼 방식 특히, SVM 방식에 의해 유의 인접도로를 선별한 경우 k-NN 방식에 의해 예측하는 것이 바람직하다. 단, 이에 제한되는 것은 아니다.
본 발명의 일 실시예에 따른 교통 예측 시스템은 인접도로의 정보를 이용해서 더욱 정밀한 교통정보를 예측할 수 있다. 나아가, 이러한 인접도로 중에 유의한 인접도로만을 선별하여 정밀성을 한 단계 더 높일 수 있다.
도 1 내지 도 9를 참조하여, 본 발명의 일 실시예에 따른 교통 예측 방법을 설명한다. 상술한 설명과 중복되는 부분은 간략히 하거나 생략한다.
도 1 및 도 9는 본 발명의 일 실시예에 따른 교통 예측 방법을 설명하기 위한 순서도이다.
도 1 및 도 9를 참고하면, 교통 예측 시스템은 대상 도로와 예측 시점을 사용자로부터 수신한다(S100).
예측 시점은 사용자(100)가 예측을 원하는 시점이므로, 미래 시점일 수 있다.
이어서, 도 1 내지 도 4 및 도 9를 참고하면, 인접도로 수집부가 인접도로를 수집한다(S200).
인접도로를 수집하는 방식은 여러 가지가 있다. 예시적으로 대상 도로와 연결되는 뎁스에 따른 방식, 대상 도로와의 거리에 따른 방식 및 대상 도로와의 주행 시간에 따른 방식에 의해 인접도로를 수집할 수 있다.
이어서, 도 1, 도 5, 도 6 및 도 9를 참고하면, 필터부가 유의 인접도로를 선별한다(S300).
유의 인접도로를 선별하는 방식은 래퍼 방식 또는 필터 방식에 의할 수 있다. 래퍼 방식은 SVM 방식을 이용할 수 있고, 필터 방식은 포워드 셀렉션 방식 중 CFS방식을 이용할 수 있다.
이어서, 도 1 및 도 7 내지 도 9를 참고하면, 예측부가 예측 시점의 대상 도로의 교통 정보를 생성한다(S400).
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100: 사용자 200: 교통 예측 시스템
210: 교통 정보 제공부 220: 인접도로 수집부
230: 필터부 240: 예측부

Claims (12)

  1. 대상 도로를 제공 받아, 상기 대상 도로와의 인접 여부에 따른 인접도로를 선택하는 인접도로 수집부;
    상기 수집된 인접도로 중 유의 인접도로를 선별하는 필터부; 및
    상기 유의 인접도로의 과거 시점의 교통 정보 및 상기 대상 도로의 과거 시점의 교통 정보를 제공 받아, 기계 학습 알고리즘에 의해 상기 대상 도로의 예측 시점의 교통 정보를 생성하는 예측부를 포함하되,
    상기 필터부는 래퍼(wrapper) 방식 또는 필터(filter) 방식에 의해 상기 유의 인접도로를 선별하고,
    상기 필터부가 상기 래퍼 방식에 의하는 경우, 상기 기계 학습 알고리즘은 k-NN(k-nearest neighbor) 알고리즘이고,
    상기 필터부가 상기 필터 방식에 의하는 경우, 상기 기계 학습 알고리즘은 M5 모델 트리(M5 model tree)인 교통 예측 시스템.
  2. 제1 항에 있어서,
    상기 인접 여부는 상기 대상 도로와의 연결 뎁스(link depth), 상기 대상 도로와의 거리(distance), 상기 대상 도로에 도달하는 시간(travel time) 중 적어도 하나에 의해 판단되는 교통 예측 시스템.
  3. 삭제
  4. 제1 항에 있어서,
    상기 유의 인접도로는 서포트 벡터 머신(support vector machine, SVM)방식으로 선별되는 교통 예측 시스템.
  5. 삭제
  6. 제1 항에 있어서,
    상기 유의 인접도로는 상관관계 기반 선택(Correlation-based Feature Selection, CFS)방식으로 선별되는 교통 예측 시스템.
  7. 제1 항에 있어서,
    상기 유의 인접도로의 과거 시점의 교통 정보, 상기 대상 도로의 과거 시점의 교통 정보 및 상기 대상 도로의 예측 시점의 교통 정보는 평균 속도 정보를 포함하는 교통 예측 시스템.
  8. 삭제
  9. 제1 항에 있어서,
    실시간으로 교통 정보를 수집하고, 상기 인접도로 수집부 및 상기 필터부에 상기 실시간 교통 정보를 제공하는 교통 정보 제공부를 더 포함하는 교통 예측 시스템.
  10. 대상 도로 및 예측 시점을 제공받고,
    상기 대상 도로와 인접하는 인접 도로를 수집하고,
    상기 인접 도로 중 상기 대상 도로와의 연관성에 따라 래퍼(wrapper) 방식 또는 필터(filter) 방식에 의해 유의 인접도로를 선별하고,
    과거 시점의 유의 인접도로 교통 정보와 상기 과거 시점의 대상 도로 교통 정보를 제공받아, 기계 학습 알고리즘에 의해 상기 예측 시점의 대상 도로 교통 정보를 생성하는 것을 포함하되,
    상기 유의 인접도로를 선별하는 것이 상기 래퍼 방식에 의한 경우, 상기 기계 학습 알고리즘은 k-NN(k-nearest neighbor) 알고리즘이고,
    상기 유의 인접도로를 선별하는 것이 상기 필터 방식에 의하는 경우, 상기 기계 학습 알고리즘은 M5 모델 트리(M5 model tree)인 교통 예측 방법.
  11. 제10 항에 있어서,
    상기 인접 도로를 수집하는 것은, 상기 대상 도로와의 연결 뎁스(link depth), 상기 대상 도로와의 거리(distance), 상기 대상 도로에 도달하는 시간(travel time) 또는 그 조합에 따라 인접 여부를 판단하는 것을 포함하는 교통 예측 방법.
  12. 제10 항에 있어서,
    상기 유의 인접도로를 선별하는 것은,
    서포트 벡터 머신(support vector machine, SVM)방식에 의해 선별하는 것을 포함하는 교통 예측 방법.
KR1020140040040A 2014-04-03 2014-04-03 교통 예측 시스템 및 방법 Expired - Fee Related KR101602746B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140040040A KR101602746B1 (ko) 2014-04-03 2014-04-03 교통 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140040040A KR101602746B1 (ko) 2014-04-03 2014-04-03 교통 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20150115283A KR20150115283A (ko) 2015-10-14
KR101602746B1 true KR101602746B1 (ko) 2016-03-11

Family

ID=54357464

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140040040A Expired - Fee Related KR101602746B1 (ko) 2014-04-03 2014-04-03 교통 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101602746B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827546B (zh) * 2019-11-21 2021-02-26 银江股份有限公司 一种信号交叉口路段短期速度预测方法
KR102254765B1 (ko) * 2020-11-10 2021-05-24 한국건설기술연구원 딥러닝 모델을 이용한 교통데이터 예측 장치 및 방법
CN117854279B (zh) * 2024-01-09 2024-07-26 南京清正源信息技术有限公司 一种基于边缘计算的道路状况预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011076410A (ja) 2009-09-30 2011-04-14 Sumitomo Electric Ind Ltd 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法
JP2011138487A (ja) * 2009-12-28 2011-07-14 Nec (China) Co Ltd 空間−時間関係に基づく交通予測方法およびシステム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100702852B1 (ko) 2004-10-28 2007-04-06 한국도로공사 과거 및 실시간 교통정보를 이용하여 교통상황의 예측 및동적경로 안내를 제공하는 방법 및 시스템
US7698055B2 (en) * 2004-11-16 2010-04-13 Microsoft Corporation Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data
KR101028293B1 (ko) * 2008-07-10 2011-04-11 현대자동차주식회사 교통정보 예측 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011076410A (ja) 2009-09-30 2011-04-14 Sumitomo Electric Ind Ltd 交通情報推定装置、交通情報推定のためのコンピュータプログラム、及び交通情報推定方法
JP2011138487A (ja) * 2009-12-28 2011-07-14 Nec (China) Co Ltd 空間−時間関係に基づく交通予測方法およびシステム

Also Published As

Publication number Publication date
KR20150115283A (ko) 2015-10-14

Similar Documents

Publication Publication Date Title
US8755991B2 (en) Method and structure for vehicular traffic prediction with link interactions and missing real-time data
JP6063237B2 (ja) 渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラム
EP2255349B1 (en) Driving support device, driving support method, and driving support program
EP3035314A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
KR20150072471A (ko) 시공간 확률 모델을 이용한 교통 흐름 예측 시스템
JP2008083908A (ja) 交通状況予測装置
Olayode et al. PREDICTION OF VEHICULAR TRAFFIC FLOW USING LEVENBERG-MARQUARDT ARTIFICIAL NEURAL NETWORK MODEL: ITALY ROAD TRANSPORTATION SYSTEM.
CN104875740B (zh) 用于管理跟随空间的方法、主车辆以及跟随空间管理单元
KR101602746B1 (ko) 교통 예측 시스템 및 방법
CN110363984A (zh) 交通流量预测方法和设备
CN116597649B (zh) 一种基于高速公路收费系统的路网交通流量推演方法
CN109489679A (zh) 一种导航路径中的到达时间计算方法
JP2019079199A (ja) 信号機切替制御装置、信号機切替制御方法及び信号機切替制御プログラム
JP5378002B2 (ja) 車両動作推定装置、車両動作推定方法および車両動作推定プログラム
CN109615851A (zh) 一种在群智感知系统中基于关键路段的感知节点选取方法
Mousavizadeh et al. On the important features for a well-shaped reduced network MFD estimation during network loading and recovery
JP5109865B2 (ja) 交通パラメータ算出装置、コンピュータプログラム、及び交通パラメータ算出方法
KR101574239B1 (ko) 차량 운행 정보 제공 방법 및 장치
JP3975004B2 (ja) 交通流データ予測装置および交通流データ予測方法
JP2018147037A (ja) 交通情報管理システム、交通情報案内システムおよびプログラム
CN115440043B (zh) 基于rfid车辆识别实时路况信息道路监控管理系统
KR20150072470A (ko) 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템
Lakshna et al. Smart traffic: traffic congestion reduction by shortest route* search algorithm
KR101623361B1 (ko) 시공간 교통 흐름 예측 시스템
JP2023005015A (ja) 交通状況予測装置、および、交通状況予測方法

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20140403

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20150810

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20160224

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20160307

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20160308

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
FPAY Annual fee payment

Payment date: 20190226

Year of fee payment: 4

PR1001 Payment of annual fee

Payment date: 20190226

Start annual number: 4

End annual number: 4

FPAY Annual fee payment

Payment date: 20200225

Year of fee payment: 5

PR1001 Payment of annual fee

Payment date: 20200225

Start annual number: 5

End annual number: 5

PC1903 Unpaid annual fee

Termination category: Default of registration fee

Termination date: 20231218