KR101507903B1 - 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법 - Google Patents

운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법 Download PDF

Info

Publication number
KR101507903B1
KR101507903B1 KR20130035501A KR20130035501A KR101507903B1 KR 101507903 B1 KR101507903 B1 KR 101507903B1 KR 20130035501 A KR20130035501 A KR 20130035501A KR 20130035501 A KR20130035501 A KR 20130035501A KR 101507903 B1 KR101507903 B1 KR 101507903B1
Authority
KR
South Korea
Prior art keywords
threshold value
negative
data
event
value
Prior art date
Application number
KR20130035501A
Other languages
English (en)
Other versions
KR20140119596A (ko
Inventor
심재용
나영중
Original Assignee
(주)나노포인트
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 (주)나노포인트 filed Critical (주)나노포인트
Priority to KR20130035501A priority Critical patent/KR101507903B1/ko
Publication of KR20140119596A publication Critical patent/KR20140119596A/ko
Application granted granted Critical
Publication of KR101507903B1 publication Critical patent/KR101507903B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 종래 영상 기록 장치 혹은 이벤트 데이터 레코더(Event Data Recoder) 혹은 주행 기록 장치들의 이벤트 기준 임계값을 설정하기 위한 문제를 해결하기 위한 것으로서, 극한 값의 통계 분포 이론을 적용하여 최소한의 데이터만을 이용하여 운전자의 운전 습관을 정확하게 분석하고 진단할 수 있도록 하는 위험 운전 지수 산출을 위한 이벤트 기준 임계값을 추정하기 위한 장치 및 방법을 제공하기 위한 것으로서, 양과 음의 후보 이벤트 데이터 수와 등록 데이터 이벤트수를 정의하는 초기화부와, 차량으로부터 데이터를 센서들로부터 입력받는 데이터 획득부와, 상기 데이터 획득부에서 입력되는 데이터를 기반으로 일정 시간 동안 관찰된 데이터 중 일정 개수의 양의 최대값들과 음의 최소값들을 구하고 이를 후보 이벤트 데이터 수만큼 양과 음의 후보 이벤트 데이터로 정렬하는 후보 이벤트 데이터 정렬부와, 상기 후보 이벤트 데이터 정렬부에서 정렬된 데이터 중 일정 개수의 양의 최대값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013029600623-pat00153
)와 Scale 변수(
Figure 112013029600623-pat00154
)를 추정하고, 일정 개수의 음의 최소값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013029600623-pat00155
)와 Scale 변수(
Figure 112013029600623-pat00156
)를 추정하는 GPD 변수 추정부와, 상기 후보 이벤트 데이터 정렬부에서 정렬된 데이터로부터 일정 개수의 양의 최대값들 중 최소값을 양의 피크 임계값(
Figure 112013029600623-pat00157
)으로 설정하고, 일정 개수의 음의 최소값들 중 최대값을 음의 피크 임계값(
Figure 112013029600623-pat00158
)으로 설정하는 피크 임계값 추정부와, 상기 추정된 양의 Shape 변수(
Figure 112013029600623-pat00161
) 및 Scale 변수(
Figure 112013029600623-pat00162
)와, 양의 피크 임계값(
Figure 112013029600623-pat00163
)으로부터 추정된 분위수(Quantile) 값을 이용하여 양의 등록 이벤트 기준 임계값을 추정하고, 상기 추정된 음의 Shape 변수(
Figure 112013029600623-pat00164
)와 Scale 변수(
Figure 112013029600623-pat00165
)와, 음의 피크 임계값(
Figure 112013029600623-pat00166
)으로부터 추정된 분위수(Quantile) 값을 이용하여 음의 등록 이벤트 기준 임계값을 추정하는 등록 이벤트 임계값 추정부를 포함하여 구성되는데 있다.

Description

운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법{Apparatus and method for estimating observational reference threshold for the event registration of the driving risk index}
본 발명은 운전자 행동 분석 및 진단 시스템에 관한 것으로, 특히 운전자의 운전 습관을 정확하게 분석하고 진단할 수 있도록 하는 위험 운전 지수 추정을 위한 이벤트 관찰 기준 임계값을 추정하는 장치 및 방법에 관한 것이다.
운전자 행동 분석 및 진단 시스템은 현재 미국 혹은 일본에서 많은 상용 차량들에 장착되어 있는 영상 기록 장치 혹은 이벤트 데이터 레코더(Event Data Recoder) 혹은 주행 기록 장치로부터 얻어지는 급가속, 급감속, 급제동, 급출발, 그리고 과속(Over Speed) 등과 같은 여러 이벤트 데이터(Event Data)를 바탕으로 운전자의 운전 성향을 파악하고 진단하는 장치 및 시스템이다.
이를 위하여 여러 센서(주로 가속 센서)의 데이터들을 수집하고 이 데이터들이 미리 정해진 임계값을 초과할 경우 이벤트로서 등록되고 분석할 수 있도록 하는 텔레매틱스 모니터링을 하고 있다.
이러한 목적을 위하여 이벤트의 등록을 위한 임계값을 추정하고 이 임계값을 초과하는 데이터(이상치; Outlier)들의 초과 횟수를 이용하여 운전 점수를 계산 한다. 예를 들어 미국의 GreenRoad는 이벤트 수에 운행 시간의 가중치를 곱하여 점수화하고 있고, 일본의 YAZAKI METER는 급정거(1.62g 이상) 및 급가속, 급출발 (1.51g 이상) 횟수를 산술적으로 누적 덧셈하여 점수화 한다.
미 교통성 발간 자료(FMCSA-RRR-06-004)는 사고를 Crash(충돌), Near Crash (유사 충돌), 그리고 Critical Incident로 나누어 이벤트 기준 임계값을 권고 하지만 이 역시 차량마다 충격에 대한 반응이 다르므로 정확하다고 볼 수 없다. 따라서 차량 타입 혹은 차량의 상태 별로 충격에 대한 반응이 다르므로 차량마다 이벤트 기준 임계값을 설정하는 캘리브레이션 과정이 반드시 필요하다.
그러나 이벤트의 기준은 교통사고에 해당하는 이상치 정도로서 이는 도 1에서 도시하고 있는 것과 같이 음의 임계값 이하, 양의 임계값 이상으로 발생하기가 매우 어려운 수치이며, 이를 며칠 혹은 몇 주의 시간 동안 통계적으로 관찰이 어려운 상황이므로 신뢰성 있는 이벤트 기준 임계값을 추정하기가 어려운 상황이다.
또한 며칠 혹은 몇 주간의 데이터를 저장하여 분석하는데 네트워크로 연결이 안 되어있는 상황에서는 관리자가 모든 데이터들을 차량으로부터 수거해서 분석을 해야 하는 번거로움이 있다. 그리고 네트워크로 연결이 되어 업로드를 한다고 하더라도 용량 자체가 방대하며 셀룰러 네트워크에서는 효율적이지 못한 실정이다.
본 발명은 종래 영상 기록 장치 혹은 이벤트 데이터 레코더(Event Data Recoder) 혹은 주행 기록 장치들의 이벤트 기준 임계값을 설정하기 위한 문제를 해결하기 위한 것으로서, 극한 값의 통계 분포 이론을 적용하여 최소한의 데이터만을 이용하여 운전자의 운전 습관을 정확하게 분석하고 진단할 수 있도록 하는 위험 운전 지수 산출을 위한 이벤트 기준 임계값을 추정하기 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명이 다른 목적은 운전자의 운전 위험도를 추정하기 위해 한계 임계값을 설정하는 분야에 일반 파레토 분포(General Pareto Distribution)를 이용하여 충돌 사고의 경우와 같이 발생확률이 매우 낮아 단기간에 관찰이 어려운 데이터들을 분석 할 수 있도록 하는 관찰 기준 임계값 추정 장치 및 방법을 제공하는데 있다.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치의 특징은 양과 음의 후보 이벤트 데이터 수와 등록 데이터 이벤트수를 정의하는 초기화부와, 차량으로부터 데이터를 센서들로부터 입력받는 데이터 획득부와, 상기 데이터 획득부에서 입력되는 데이터를 기반으로 일정 시간 동안 관찰된 데이터 중 일정 개수의 양의 최대값들과 음의 최소값들을 구하고 이를 후보 이벤트 데이터 수만큼 양과 음의 후보 이벤트 데이터로 정렬하는 후보 이벤트 데이터 정렬부와, 상기 후보 이벤트 데이터 정렬부에서 정렬된 데이터 중 일정 개수의 양의 최대값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013029600623-pat00001
)와 Scale 변수(
Figure 112013029600623-pat00002
)를 추정하고, 일정 개수의 음의 최소값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013029600623-pat00003
)와 Scale 변수(
Figure 112013029600623-pat00004
)를 추정하는 GPD 변수 추정부와, 상기 후보 이벤트 데이터 정렬부에서 정렬된 데이터로부터 일정 개수의 양의 최대값들 중 최소값을 양의 피크 임계값(
Figure 112013029600623-pat00005
)으로 설정하고, 일정 개수의 음의 최소값들 중 최대값을 음의 피크 임계값(
Figure 112013029600623-pat00006
)으로 설정하는 피크 임계값 추정부와, 상기 추정된 양의 Shape 변수(
Figure 112013029600623-pat00009
) 및 Scale 변수(
Figure 112013029600623-pat00010
)와, 양의 피크 임계값(
Figure 112013029600623-pat00011
)으로부터 추정된 분위수(Quantile) 값을 이용하여 양의 등록 이벤트 기준 임계값을 추정하고, 상기 추정된 음의 Shape 변수(
Figure 112013029600623-pat00012
)와 Scale 변수(
Figure 112013029600623-pat00013
)와, 음의 피크 임계값(
Figure 112013029600623-pat00014
)으로부터 추정된 분위수(Quantile) 값을 이용하여 음의 등록 이벤트 기준 임계값을 추정하는 등록 이벤트 임계값 추정부를 포함하여 구성되는데 있다.
바람직하게 상기 관찰 기준 임계값 추정 장치는 후보 데이터들을 관찰 임계값을 추정하는 서버로 전송하기 위한 송신부와, 상기 서버가 전송한 관찰 임계값을 수신하는 수신부와, 내부 메모리나 저장장치에 서버로부터 수신되는 관찰 임계값을 저장하는 관찰 임계값 저장부를 더 포함하여 구성하는 것을 특징으로 한다.
바람직하게 상기 후보 이벤트 데이터 정렬부는 양의 후보 이벤트 데이터는 내림차순으로 정렬하고, 음의 후보 이벤트 데이터는 오름차순으로 정렬하는 것을 특징으로 한다.
바람직하게 상기 GPD 변수 추정부는 일정 시간 동안 운행한 차량으로부터 양의 한계값을 초과하는 샘플 데이터에서 내림차순으로 정렬된 샘플값들 중 일정 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00015
)의 양의 최대값들과 미리 설정되어 있는 등록 이벤트 수(
Figure 112013028435099-pat00016
)를 통해 일반 파레토 분포의 Shape 변수(
Figure 112013028435099-pat00017
)와 Scale 변수(
Figure 112013028435099-pat00018
)를 추정하고, 일정 시간 동안 운행한 차량으로부터 음의 한계값을 미달하는 샘플에서 오름차순으로 정렬된 샘플값들 중 일정 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00019
)의 음의 최소값들과 미리 설정되어 있는 등록 이벤트 수(
Figure 112013028435099-pat00020
)를 통해 일반 파레토 분포의 Shape 변수(
Figure 112013028435099-pat00021
)와 Scale 변수(
Figure 112013028435099-pat00022
)를 추정하는 것을 특징으로 한다.
바람직하게 상기 등록 이벤트 임계값 추정부는 이용되는 이벤트 수(
Figure 112013028435099-pat00023
)가 저장, 전송 및 관리 비용(cost)의 관점에서 양의 한계값을 초과하는 샘플 데이터에서의 등록되는 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00024
)를 초과할 수 없으며, 또한 음의 한계값을 미달하는 샘플 데이터에서의 등록되는 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00025
)를 초과할 수 없는 것을 특징으로 한다.
바람직하게 상기 등록 이벤트 임계값 추정부는 양의 후보 이벤트 값들의 평균과 양의 피크 임계값의 차이로 양의 운전자 위험 지수(Driver Risk Index : DRI)를 산출하고, 음의 후보 이벤트 값들의 평균과 음의 피크 임계값의 차이의 절대치로 음의 운전자 위험지수(Driver Risk Index : DRI)를 산출하는 것을 특징으로 한다.
바람직하게 상기 등록 이벤트 임계값 추정부는 산출된 운전자 위험지수(Driver Risk Index : DRI)를 T-Score로 변환한 값으로 점수화하고 이를 통해 운전자의 위험 순위를 정하는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법의 특징은 (A) 후보 이벤트 수와 등록 이벤트 수를 초기화하고, 차량으로부터 데이터를 수집하는 단계와, (B) 상기 수집된 데이터 중 일정 개수의 양의 최대값들과 음의 최소값들을 구하고 이를 후보 이벤트 데이터 수만큼 양과 음의 후보 이벤트 데이터로 정렬하는 단계와, (C) 상기 산출된 양의 최대값들과 일정 후보 이벤트(Candidate Event) 개수(
Figure 112013029600623-pat00172
) 와 미리 설정되어 있는 등록 이벤트 수(
Figure 112013029600623-pat00026
)를 기반으로 일반 파레토 분포의 Shape 변수(
Figure 112013029600623-pat00027
)와 Scale 변수(
Figure 112013029600623-pat00028
)를 추정하고, 상기 산출된 음의 최소값들과 일정 후보 이벤트(Candidate Event) 개수(
Figure 112013029600623-pat00173
) 와 미리 설정되어 있는 등록 이벤트 수(
Figure 112013029600623-pat00029
)를 통해 일반 파레토 분포의 Shape 변수(
Figure 112013029600623-pat00030
)와 Scale 변수(
Figure 112013029600623-pat00031
)를 추정하는 단계와, (D) 상기 산출된 양의 최대값 중 최소값을 양의 피크 임계값으로 설정하고, 상기 산출된 음의 최소값들 중 최대값을 음의 피크 임계값으로 설정하는 단계와, (E) 상기 설정된 양의 피크 임계값(
Figure 112013029600623-pat00032
) 및 음의 피크 임계값(
Figure 112013029600623-pat00033
)을 각각 추정하는 단계와, (F) 상기 산출된 양의 Shape 변수(
Figure 112013029600623-pat00034
) 및 Scale 변수(
Figure 112013029600623-pat00035
)와, 양의 피크 임계값(
Figure 112013029600623-pat00174
)을 이용하여 추정된 양의 분위수(Quantile) 값으로부터 양의 등록 이벤트 기준 임계값을 추정하고, 상기 산출된 음의 Shape 변수(
Figure 112013029600623-pat00036
)와 Scale 변수(
Figure 112013029600623-pat00037
)와, 음의 피크 임계값(
Figure 112013029600623-pat00175
)을 이용하여 추정된 음의 분위수(Quantile) 값으로부터 음의 등록 이벤트 기준 임계값을 추정하는 단계를 포함하여 이루어지는데 있다.
바람직하게 상기 (B) 단계는 캘리브레이션 과정에서 양의 후보 이벤트 데이터는 내림차순으로 정렬하고, 음의 후보 이벤트 데이터는 오름차순으로 정렬하는 것을 특징으로 한다.
바람직하게 상기 (F) 단계 이후, (G) 상기 추정된 양, 음의 등록 이벤트 기준 임계값을 기반으로 양, 음의 운전자 위험 지수(Driver Risk Index : DRI)를 산출하는 단계와, (H) 상기 산출된 운전자 위험지수(Driver Risk Index : DRI)에 근무시간을 고려하고 이를 T-Score로 변환한 값으로 점수화하여 운전자 순위를 정하는 단계를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게 상기 추정된 양, 음의 등록 이벤트 기준 임계값과 기존 저장된 과거의 추정된 등록 이벤트 임계값들을 이용하여 일정한 윈도우 사이즈의 이동 평균을 구하는 단계와, 상기 산출된 이동 평균값으로 표현되는 등록 이벤트 임계값을 운전 위험 지수관련 이벤트 등록을 위한 관찰 임계값으로 다시 사용하여 위의 과정을 반복하는 단계를 더 포함하여 이루어지는 것을 특징으로 한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법의 다른 특징은 후보 이벤트 수와 등록 이벤트 수를 초기화하고, 차량으로부터 데이터를 수집하는 단계와, 상기 수집된 데이터 중 일정 개수의 양의 최대값들을 구하고 이를 후보 이벤트 데이터 수만큼 양의 후보 이벤트 데이터로 정렬하는 단계와, 상기 산출된 양의 최대값들과 미리 설정되어 있는 등록 이벤트 수(
Figure 112013029600623-pat00038
)를 기반으로 일반 파레토 분포의 Shape 변수(
Figure 112013029600623-pat00039
)와 Scale 변수(
Figure 112013029600623-pat00040
)를 추정하는 단계와, 상기 산출된 양의 최대값 중 최소값을 양의 피크 임계값으로 설정하는 단계와, 상기 설정된 양의 피크 임계값(
Figure 112013029600623-pat00041
)을 이용하여 VaR(Value at Risk)로 정의되는 분위수(Quantile) 값을 각각 추정하는 단계와, 상기 추정된 양의 분위수(Quantile) 값으로부터 양의 등록 이벤트 기준 임계값을 추정하는 단계를 포함하여 이루어지는데 있다.
이상에서 설명한 바와 같은 본 발명에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법은 다음과 같은 효과가 있다.
첫째, 차량에 장착된 여러 센서 데이터 정보들과 이 정보들 중 최소한의 데이터만을 이용하여 극한 치 확률 분포의 통계 변수들을 구하고 이 통계 변수들을 바탕으로 이벤트 기준 임계값을 정확하게 추정할 수 있다.
둘째, 극한 치 확률 분포의 통계 변수들을 바탕으로 관찰이 어려운 영역에 있는 극단적 한계값을 초과하는 확률을 계산하여 운전자의 운전 위험도를 산출하고 효과적으로 분석할 수 있다.
셋째, 단말과 서버간의 최소한의 데이터는 유/무선 네트워크 통신을 원활하게 하고 캘리브레이션이 필요할 때 신속한 대응이 가능하다.
넷째, 정확한 이벤트 타입 별 기준 임계값을 바탕으로 운전자의 운전 성향 및 상대적인 사고 위험도를 계산하고, 사고율을 예측하며, 또한 이를 진단하는 효율적인 운전자 행동 분석 및 진단을 구현한다.
다섯째, 이벤트의 등록을 위한 기준 임계값은 장치의 부착 위치, 차량의 상태, 차량 운행과 관련한 환경 변수들을 모두 표현하는 데이터들로부터 추정된 값이므로 이를 초과하는 값들은 운전자의 운전 성향을 설명 할 수 있어 전체적인 위험도 예측 및 진단이 가능하다.
도 1 은 일반적인 캘리브레이션 과정을 통한 샘플 확률 밀도함수(sample probability density function) 그래프
도 2 는 본 발명의 실시예에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치의 구성을 나타낸 블록도
도 3 은 본 발명의 실시예에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법을 설명하기 위한 흐름도
도 4 는 도 3에서 산출된 운전자 위험지수를 T-Score한 결과로 NanoIDEA Score와 위험도의 관계를 나타낸 도면
도 5 는 본 발명의 방법을 통해 실제 측정된 데이터를 이용하여 검증한 결과 상대 에러율을 나타낸 그래프
본 발명의 다른 목적, 특성 및 이점들은 첨부한 도면을 참조한 실시예들의 상세한 설명을 통해 명백해질 것이다.
본 발명에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법의 바람직한 실시예에 대하여 첨부한 도면을 참조하여 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록하며 통상의 지식을 가진자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 2 는 본 발명의 실시예에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치의 구성을 나타낸 블록도이다.
도 2와 같이, 관찰 기준 임계값 추정 장치는 초기화부(100)와, 데이터 획득부(200)와, 후보 이벤트 데이터 정렬부(300)와, GPD 변수 추정부(400)와, 피크 임계값 추정부(500)와, 등록 이벤트 임계값 추정부(600)로 구성된다. 이때, 상기 관찰 기준 임계값 추정 장치는 후보 데이터들을 관찰 임계값을 추정하는 서버로 전송하기 위한 송신부가 있으며, 또한 상기 서버가 전송한 관찰 임계값을 수신하는 수신부와, 내부 메모리나 저장장치에 서버로부터 수신되는 관찰 임계값을 저장하는 관찰 임계값 저장부가 추가로 구성된다.
상기 초기화부(100)는 양과 음의 후보 이벤트 데이터 수와 등록 데이터 이벤트수를 정의하고, 상기 데이터 획득부(200)는 차량으로부터 데이터를 센서들로부터 입력 받는다.
상기 후보 이벤트 데이터 정렬부(300)는 데이터 획득부(200)에서 입력되는 데이터를 기반으로 일정 시간 동안 관찰된 데이터 중 일정 개수의 양의 최대값들과 음의 최소값들을 구하고 이를 후보 이벤트 데이터 수만큼 양과 음의 후보 이벤트 데이터로 정렬하여 메모리 혹은 저장 장치에 보관한다. 이때, 상기 후보 이벤트 데이터 정렬부(300)는 양의 후보 이벤트 데이터는 내림차순으로 정렬하여 보관하고, 음의 후보 이벤트 데이터는 오름차순으로 정렬하여 보관한다.
상기 GPD 변수 추정부(400)는 후보 이벤트 데이터 정렬부(300)에서 정렬된 데이터 중 일정 개수의 양의 최대값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013028435099-pat00044
)와 Scale 변수(
Figure 112013028435099-pat00045
)를 추정하고, 일정 개수의 음의 최소값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013028435099-pat00046
)와 Scale 변수(
Figure 112013028435099-pat00047
)를 추정한다.
상기 일반 파레토 분포는 다음 수학식 1과 같이 표현된다.
Figure 112013028435099-pat00048
이때, 상기
Figure 112013028435099-pat00049
는 Shape 변수이고, 상기
Figure 112013028435099-pat00050
는 Scale 변수이며,
Figure 112013028435099-pat00051
일 때,
Figure 112013028435099-pat00052
이면
Figure 112013028435099-pat00053
이며,
Figure 112013028435099-pat00054
이면
Figure 112013028435099-pat00055
인 관계를 만족한다.
이와 같은 수학식 1을 통해 상기 GPD 변수 추정부(400)는 일정 시간 동안 운행한 차량으로부터 양의 한계값을 초과하는 샘플 데이터에서 내림차순으로 정렬된 샘플 값들 중 일정 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00056
)의 양의 최대값들과 미리 설정되어 있는 등록 이벤트 수(
Figure 112013028435099-pat00057
)를 통해 일반 파레토 분포의 Shape 변수(
Figure 112013028435099-pat00058
)와 Scale 변수(
Figure 112013028435099-pat00059
)를 추정한다. 그리고 이와 마찬가지로 일정 시간 동안 운행한 차량으로부터 음의 한계값을 미달하는 샘플에서 오름차순으로 정렬된 샘플값들 중 일정 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00060
)의 음의 최소값들과 미리 설정되어 있는 등록 이벤트 수(
Figure 112013028435099-pat00061
)를 통해 일반 파레토 분포의 Shape 변수(
Figure 112013028435099-pat00062
)와 Scale 변수(
Figure 112013028435099-pat00063
)를 추정한다.
상기 피크 임계값 추정부(500)는 후보 이벤트 데이터 정렬부(300)에서 정렬된 데이터로부터 일정 개수의 양의 최대값들 중 최소값을 양의 피크 임계값(
Figure 112013028435099-pat00064
)으로 설정하고, 일정 개수의 음의 최소값들 중 최대값을 음의 피크 임계값(
Figure 112013028435099-pat00065
)으로 설정한다.
수학식 2는 양의 피크 임계값(
Figure 112013029600623-pat00176
)및 일반 파레토 분포의 Shape 변수(
Figure 112013029600623-pat00177
)와 Scale 변수(
Figure 112013029600623-pat00178
)를 이용하여 추정된 VaR(Value at Risk)로 정의되는 분위수(Quantile) 값을 나타낸다. 그리고 수학식 3은 음의 피크 임계값(
Figure 112013029600623-pat00179
)및 일반 파레토 분포의 Shape 변수(
Figure 112013029600623-pat00180
)와 Scale 변수(
Figure 112013029600623-pat00181
)를 이용하여 추정된 VaR(Value at Risk)로 정의되는 음의 분위수(Quantile) 값을 나타낸다.
Figure 112013028435099-pat00070
Figure 112013028435099-pat00071
이때, 상기
Figure 112013028435099-pat00072
,
Figure 112013028435099-pat00073
는 후보 이벤트 개수이고, 상기
Figure 112013028435099-pat00074
는 등록 이벤트 개수를 나타낸다. 그리고 상기 GPD 변수 추정부(400)와 피크 임계값 추정부(500)는 차량 내 임베디드 장치가 아닌 서버에서 구현될 수도 있다.
상기 등록 이벤트 임계값 추정부(600)는 상기 GPD 변수 추정부(400)에서 추정된 일정 개수의 양의 최대값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013028435099-pat00075
) 및 Scale 변수(
Figure 112013028435099-pat00076
)와, 상기 피크 임계값 추정부(500)에서 추정된 양의 피크 임계값(
Figure 112013028435099-pat00077
)으로부터 추정된 분위수(Quantile) 값을 이용하여 양의 등록 이벤트 기준 임계값을 추정하고, 또한 상기 GPD 변수 추정부(400)에서 설정된 일정 개수의 음의 최소값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
Figure 112013028435099-pat00078
)와 Scale 변수(
Figure 112013028435099-pat00079
)와, 상기 피크 임계값 추정부(500)에서 설정된 음의 피크 임계값(
Figure 112013028435099-pat00080
)으로부터 추정된 분위수(Quantile) 값을 이용하여 음의 등록 이벤트 기준 임계값을 추정한다.
이때, 등록되는 이벤트 수(
Figure 112013028435099-pat00081
)는 저장, 전송 및 관리 비용(cost)의 관점에서 양의 한계값을 초과하는 샘플 데이터에서의 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00082
)를 초과할 수 없다. 따라서 상기 수학식 2와 추정된 변수들(Shape 변수, Scale 변수)을 이용하여 운수 운영업자(fleet carrier)의 비용 증가, 즉 손실로 고려될 수 있는 적자위험(Shortfall Risk)으로 등록 이벤트 기준 임계값을 추정한다. 이는 경제적 용어로서 투자자의 최소 투자 회수금이 보장이 안 될 수 있는 임계값이다. 이 기준을 넘었을 경우 비록 위험 운전은 아니더라도 도로의 팟홀(Pot hall) 등에 의해 강한 충격을 차량이 받았을 경우 이는 차량 정비 관리적인 부분에서 손실을 야기시킬 수 있기 때문이다. 그러므로 운전 위험지수는 운전자에 의해 발생하는 요인과 외부 환경 요소가 같이 함유되어 있다.
이처럼, 본 발명은 이벤트 기준 임계값이 너무 낮아 비용이 증가되지 않도록 하고, 반대적으로 너무 높아 등록되는 이벤트가 없어 통계적 위험도를 산출할 수 없는 경우가 발생하지 않도록 적절한 임계값을 설정하도록 한다. 그리고 이를 위해 다음 수학식 4와 같은 양의 이벤트 등록 기준 추정 함수(Expected Shortfall)를 정의하고 이벤트 기준 임계값을 넘을 경우를 유사 충돌(Near Crash)로 분류하여 등록되도록 한다. 그리고 이 등록된 이벤트만이 관리의 대상이 된다.
Figure 112013028435099-pat00083
또한, 상기 등록 이벤트 수(
Figure 112013028435099-pat00084
)는 음의 한계값을 미달하는 샘플 데이터에서의 후보 이벤트(Candidate Event) 개수(
Figure 112013028435099-pat00085
)를 초과할 수 없다. 따라서 상기 수학식 5와 같은 음의 이벤트 등록 기준 설정 함수(Expected Shortfall)를 정의함으로서 상기 등록 이벤트 임계값 추정부(600)는 이벤트 기준 임계값을 넘을 경우를 유사 충돌(Near Crash)로 분류하여 등록되도록 한다. 그리고 이 등록된 이벤트만이 관리의 대상이 된다.
Figure 112013028435099-pat00086
즉, 이는 하나의 이벤트 타입의 전체 샘플 데이터 수를 m+p 라 할 때 m을 음의 샘플 개수, p를 양의 샘플 개수로 정의하고, 이 샘플들 중 음의 샘플들을 다음 수학식 6과 같이 오름차순으로 정렬하고, 이 샘플 들 중 양의 샘플들을 다음 수학식 7과 같이 내림차순으로 정렬한다.
Figure 112013028435099-pat00087
Figure 112013028435099-pat00088
그리고 다음 수학식 8에서 나타내고 있는 것과 같이, 양의 운전자 위험 지수(Driver Risk Index : DRI)는 양의 후보 이벤트 값들의 평균과 양의 피크 임계값의 차이로 정의하며, 다음 수학식 9에서 나타내고 있는 것과 같이, 음의 운전자 위험지수(Driver Risk Index : DRI)는 음의 후보 이벤트 값들의 평균과 음의 피크 임계값의 차이의 절대치로 정의한다. 이는 피크 임계값을 초과하는 초과량(Overshoot)을 나타내며, 이를 운전자들의 운전 위험 지수로 한다.
Figure 112013028435099-pat00089
Figure 112013028435099-pat00090
이처럼 본 발명은 운전자의 운전 위험도(위험지수)를 추정하기 위해 한계 임계값을 설정하는 분야에 일반 파레토 분포(General Pareto Distribution)를 이용하여 충돌 사고의 경우와 같이 발생확률이 매우 낮아 단기간에 관찰이 어려운 데이터들을 분석 할 수 있도록 한다.
상기 운전자 위험지수(Driver Risk Index : DRI)를 T-Score로 변환한 값으로 점수화하고 이를 통해 운전자의 위험 순위를 정한다. 그러나 이는 이에 한정되지 않으며, 점수화하고 운전자 순위를 정할 때 상기 추정된 운전자 위험지수를 다른 함수에 적용하여 구한 값을 T-Score로 변환하고 점수 채점과 순위 계산에 사용할 수도 있다. 예를 들어 운전 위험 지수의 역수를 T-Score 계산에 사용할 수도 있다.
이와 같이 구성된 본 발명에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치의 동작을 첨부한 도면을 참조하여 상세히 설명하면 다음과 같다. 도 2와 동일한 참조부호는 동일한 기능을 수행하는 동일한 부재를 지칭한다.
도 3 은 본 발명의 실시예에 따른 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법을 설명하기 위한 흐름도이다.
도 3을 참조하여 설명하면, 먼저 초기화부(100)를 통해 후보 이벤트 수와 등록 이벤트 수를 초기화하고, 데이터 획득부(200)를 통해 차량으로부터 데이터를 수집한다(S10).
그리고 후보 이벤트 데이터 정렬부(300)를 통해 수집된 데이터 중 일정 개수의 양의 최대값들과 음의 최소값들을 구하고 이를 후보 이벤트 데이터 수만큼 양과 음의 후보 이벤트 데이터로 정렬하여 메모리 혹은 저장 장치에 보관한다(S20). 이때, 양의 최대값들과 음의 최소값들은 도 1에서 도시하고 있는 캘리브레이션 과정에서 양의 후보 이벤트 데이터는 내림차순으로 정렬하여 보관하고, 음의 후보 이벤트 데이터는 오름차순으로 정렬하여 보관한다.
그리고 GPD 변수 추정부(400)를 통해 상기 산출된 양의 최대값들과 미리 설정되어 있는 등록 이벤트 수(
Figure 112013028435099-pat00091
)를 기반으로 일반 파레토 분포의 Shape 변수(
Figure 112013028435099-pat00092
)와 Scale 변수(
Figure 112013028435099-pat00093
)를 추정한다. 이와 마찬가지로 상기 산출된 음의 최소값들과 미리 설정되어 있는 등록 이벤트 수(
Figure 112013028435099-pat00094
)를 통해 일반 파레토 분포의 Shape 변수(
Figure 112013028435099-pat00095
)와 Scale 변수(
Figure 112013028435099-pat00096
)를 추정한다(S30).
이어 동시에 피크 임계값 추정부(500)를 통해 상기 산출된 양의 최대값 중 최소값을 양의 피크 임계값으로 설정하고, 상기 산출된 음의 최소값들 중 최대값을 음의 피크 임계값으로 설정한다(S40). 그리고 상기 설정된 양의 피크 임계값(
Figure 112013091504647-pat00097
) 및 일반 파레토 분포의 Shape 변수(
Figure 112013091504647-pat00182
)와 Scale 변수(
Figure 112013091504647-pat00183
) 로부터 VaR(Value at Risk)로 정의되는 양의 분위수(Quantile) 값을 추정하고 또한 상기 설정된 음의 피크 임계값(
Figure 112013091504647-pat00184
) 및 일반 파레토 분포의 Shape 변수(
Figure 112013091504647-pat00185
)와 Scale 변수(
Figure 112013091504647-pat00186
) 로부터 VaR(Value at Risk)로 정의되는 음의 분위수(Quantile) 값을 각각 추정한다(S50).
그리고 등록 이벤트 임계값 추정부(600)를 통해 상기 추정된 VaR(Value at Risk)로 정의되는 양의 분위수(Quantile) 값으로부터 양의 등록 이벤트 기준 임계값을 추정한다. 또한 상기 추정된 VaR(Value at Risk)로 정의되는 음의 분위수(Quantile) 값으로부터 음의 등록 이벤트 기준 임계값을 추정한다(S60).
이렇게 추정된 양, 음의 등록 이벤트 기준 임계값을 기반으로 양, 음의 운전자 위험 지수(Driver Risk Index : DRI)를 산출한다(S70). 이는 피크 임계값을 초과하는 초과량(Overshoot)을 나타낸다. 이처럼 산출되는 운전자 위험 지수는 극한치 확률 분포를 적용하여 통계변수들을 추정하고 이를 바탕으로 관찰이 어려운 영역에 있는 극한값을 초과하는 확률을 계산함으로써, 운전자의 운전 위험도를 산출하고 효과적으로 분석할 수 있다.
이어 상기 산출된 운전자 위험지수(Driver Risk Index : DRI)에 근무시간을 고려하고 이를 T-Score로 변환한 값으로 점수화하고 이를 통해 운전자 순위를 정한다(S80).
도 4 는 상기 산출된 운전자 위험지수를 T-Score한 결과로서, NanoIDEA Score와 위험도의 관계를 나타낸 도면으로, 도 4에서 도시하고 있는 것과 같이, 운전자 위험지수가 30점 이하(-2 이하)이면 경고, 30점에서 40점사이이면 주의, 40점에서 60점사이(-1에서 +1사이)이면 평균이며, 60점이상(+2 이상)이면 우수하다고 볼 때, 전 차량 운전자들 모두 평균적인 위험 범위 내에서 운전을 하고 있다.
한편, 상기 추정된 양, 음의 등록 이벤트 기준 임계값들과 기존 저장된 과거의 추정된 등록 이벤트 임계값들의 일정한 윈도우 사이즈의 이동 평균을 구하고 이 이동 평균값을 등록 이벤트 임계값으로 사용하여 자동으로 영상 기록장치 혹은 이벤트 데이터 레코더(Event Data Recoder) 혹은 주행 기록 장치의 메모리나 저장장치에 유, 무선 네트워크를 이용하여 전송 저장하고, 운전 위험 지수관련 이벤트 등록을 위한 관찰 임계값으로 다시 사용하여 위의 과정을 반복함으로써, 업데이트 되는 양, 음의 등록 이벤트 기준 임계값들을 통해 운전자의 운전 습관을 보다 정확하게 분석하고 진단할 수 있도록 한다.
본 발명의 방법을 통해 실제 측정된 데이터를 이용하여 검증한 결과에 따른 효과를 나타내면 다음과 같다.
먼저, 실제 측정된 데이터는 2012년 12월 20일부터 12월 22일 동안 트럭 2대를 이용하여 4개의 이벤트 타입(급가속, 급감속, 급좌회전, 급우회전)에 대하여 실험하였다. Truck-A에서 각 이벤트 타입 별 2,780,021개의 샘플 데이터를 Truck-B로부터 각 이벤트 타입 별 2,387,803개의 샘플 데이터를 수집하여 본 발명의 방법과 실재 데이터의 백분위 수를 이용하여 비교하였다. 그리고 후보 이벤트 수를 100개, 등록 이벤트 수를 5개로 하였다.
다음 표 1은 각 이벤트 타입 별 추정된 양의 Shape 변수(
Figure 112013028435099-pat00103
) 및 Scale 변수(
Figure 112013028435099-pat00104
), 그리고 양의 피크 임계값(
Figure 112013028435099-pat00105
) 및 음의 Shape 변수(
Figure 112013028435099-pat00106
)와 Scale 변수(
Figure 112013028435099-pat00107
), 그리고 음의 피크 임계값(
Figure 112013028435099-pat00108
)을 나타낸다.
Truck-A Truck-B
　 ξ β u ξ β u
ΔVx (Km/h) -0.2984 0.0469 0.2300 -0.1018 0.0256 0.1520
-ΔVx (Km/h) -0.2149 0.0392 -0.2800 0.0918 0.0217 -0.1570
ΔVy (Km/h) -0.3993 0.0468 0.2130 -0.3061 0.0390 0.1730
-ΔVy (Km/h) 0.0152 0.0265 -0.2150 0.0839 0.0235 -0.1520
그리고 다음 표 2는 각 이벤트 타입 별 본 발명의 방법에 의해 추정된 등록 이벤트 임계 값 과 실재 데이터의 백분위 수 및 이 통계수치들간의 차이를 상대 에러율로 비교하였다.
추정 등록 임계 값 실재 백분위 임계 값 상대 오차
　 Truck-A Truck-B Truck-A Truck-B Truck-A Truck-B
ΔVx (Km/h) 0.3374 0.2347 0.3260 0.2310 3.50% 1.58%
-ΔVx (Km/h) -0.3833 -0.2621 -0.3770 -0.2730 1.66% 3.99%
ΔVy (Km/h) 0.3044 0.2614 0.2960 0.2630 2.83% 0.61%
-ΔVy (Km/h) -0.3238 -0.2647 -0.3190 -0.2650 1.50% 0.11%
그리고 다음 수학식 10을 통해 운전 안전 지수 DSI(Driving Safety Index)를 나타낸다. 이때, 실 작업 시간 즉 HOS(Houres of Service)가 높을수록 안전 지수는 감소하는 것으로 나타난다.
Figure 112013028435099-pat00109
따라서 표 3은 같은 작업장의 4대의 차량에 상기 수학식 10의 DSI에 T-Score를 적용한 결과이다.
　 1호 차량 2호 차량 3호 차량 4호 차량
급 가속 59.97 57.04 39.70 43.30
급 감속 62.71 51.51 38.71 47.07
급 우회전 62.71 38.26 49.93 49.11
급 좌회전 60.00 36.30 53.50 50.21
평균 DSI 61.35 45.78 45.46 47.42
상기 표 3의 경우, 도 4에서 도시하고 있는 것과 같이 DSI가 30점 이하(-2 이하)이면 경고, 30점에서 40점사이이면 주의, 40점에서 60점사이(-1에서 +1사이)이면 평균이며, 60점이상(+2 이상)이면 우수하다고 볼 때, 1호 차량 운전자가 가장 안전운전을 하였고, 나머지 차량 운전자들은 평균적으로 비슷한 점수를 보인다.
도 5 는 본 발명의 방법을 통해 실제 측정된 데이터를 이용하여 검증한 결과 상대 에러율을 나타낸 그래프로서, 도 5에서 나타내고 있는 것과 같이 모든 이벤트 타입에서 4%가 넘지 않는 정확성을 보이고 있다.
상기에서 설명한 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 실시예는 그 설명을 위한 것이며 그 제한을 위한 것이 아님을 주의하여야 한다. 또한, 본 발명의 기술적 분야의 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 실시예가 가능함을 이해할 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (12)

  1. 양과 음의 후보 이벤트 데이터 수와 등록 데이터 이벤트수를 정의하는 초기화부와,
    차량으로부터 데이터를 센서들로부터 입력받는 데이터 획득부와,
    상기 데이터 획득부에서 입력되는 데이터를 기반으로 일정 시간 동안 관찰된 데이터 중 일정 개수의 양의 최대값들과 음의 최소값들을 구하고 이를 후보 이벤트 데이터 수만큼 양과 음의 후보 이벤트 데이터로 정렬하는 후보 이벤트 데이터 정렬부와,
    상기 후보 이벤트 데이터 정렬부에서 정렬된 데이터 중 일정 개수의 양의 최대값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
    Figure 112013029600623-pat00110
    )와 Scale 변수(
    Figure 112013029600623-pat00111
    )를 추정하고, 일정 개수의 음의 최소값들로부터 일반 파레토 분포(General Pareto Distribution)의 Shape 변수(
    Figure 112013029600623-pat00112
    )와 Scale 변수(
    Figure 112013029600623-pat00113
    )를 추정하는 GPD 변수 추정부와,
    상기 후보 이벤트 데이터 정렬부에서 정렬된 데이터로부터 일정 개수의 양의 최대값들 중 최소값을 양의 피크 임계값(
    Figure 112013029600623-pat00114
    )으로 설정하고, 일정 개수의 음의 최소값들 중 최대값을 음의 피크 임계값(
    Figure 112013029600623-pat00115
    )으로 설정하는 피크 임계값 추정부와,
    상기 추정된 양의 Shape 변수(
    Figure 112013029600623-pat00118
    ) 및 Scale 변수(
    Figure 112013029600623-pat00119
    )와, 양의 피크 임계값(
    Figure 112013029600623-pat00120
    )으로부터 추정된 VaR(Value at Risk)로 정의되는 양의 분위수(Quantile) 값을 이용하여 양의 등록 이벤트 기준 임계값을 추정하고, 상기 추정된 음의 Shape 변수(
    Figure 112013029600623-pat00121
    )와 Scale 변수(
    Figure 112013029600623-pat00122
    )와, 음의 피크 임계값(
    Figure 112013029600623-pat00123
    )으로부터 추정된 VaR(Value at Risk)로 정의되는 음의 분위수(Quantile) 값을 이용하여 음의 등록 이벤트 기준 임계값을 추정하는 등록 이벤트 임계값 추정부를 포함하여 구성되는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치.
  2. 제 1 항에 있어서, 상기 관찰 기준 임계값 추정 장치는
    후보 데이터들을 관찰 임계값을 추정하는 서버로 전송하기 위한 송신부와,
    상기 서버가 전송한 관찰 임계값을 수신하는 수신부와,
    내부 메모리나 저장장치에 서버로부터 수신되는 관찰 임계값을 저장하는 관찰 임계값 저장부를 더 포함하여 구성하는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치.
  3. 제 1 항에 있어서,
    상기 후보 이벤트 데이터 정렬부는 양의 후보 이벤트 데이터는 내림차순으로 정렬하고, 음의 후보 이벤트 데이터는 오름차순으로 정렬하는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치.
  4. 제 1 항에 있어서, 상기 GPD 변수 추정부는
    일정 시간 동안 운행한 차량으로부터 양의 한계값을 초과하는 샘플 데이터에서 내림차순으로 정렬된 샘플값들 중 일정 후보 이벤트(Candidate Event) 개수(
    Figure 112013028435099-pat00124
    )의 양의 최대값들과 미리 설정되어 있는 등록 이벤트 수(
    Figure 112013028435099-pat00125
    )를 통해 일반 파레토 분포의 Shape 변수(
    Figure 112013028435099-pat00126
    )와 Scale 변수(
    Figure 112013028435099-pat00127
    )를 추정하고, 일정 시간 동안 운행한 차량으로부터 음의 한계값을 미달하는 샘플에서 오름차순으로 정렬된 샘플값들 중 일정 후보 이벤트(Candidate Event) 개수(
    Figure 112013028435099-pat00128
    )의 음의 최소값들과 미리 설정되어 있는 등록 이벤트 수(
    Figure 112013028435099-pat00129
    )를 통해 일반 파레토 분포의 Shape 변수(
    Figure 112013028435099-pat00130
    )와 Scale 변수(
    Figure 112013028435099-pat00131
    )를 추정하는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치.
  5. 제 1 항에 있어서, 상기 등록 이벤트 임계값 추정부는
    이용되는 이벤트 수(
    Figure 112013028435099-pat00132
    )가 저장, 전송 및 관리 비용(cost)의 관점에서 양의 한계값을 초과하는 샘플 데이터에서의 등록되는 후보 이벤트(Candidate Event) 개수(
    Figure 112013028435099-pat00133
    )를 초과할 수 없으며, 또한 음의 한계값을 미달하는 샘플 데이터에서의 등록되는 후보 이벤트(Candidate Event) 개수(
    Figure 112013028435099-pat00134
    )를 초과할 수 없는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치.
  6. 제 1 항에 있어서, 상기 등록 이벤트 임계값 추정부는
    양의 후보 이벤트 값들의 평균과 양의 피크 임계값의 차이로 양의 운전자 위험 지수(Driver Risk Index : DRI)를 산출하고, 음의 후보 이벤트 값들의 평균과 음의 피크 임계값의 차이의 절대치로 음의 운전자 위험지수(Driver Risk Index : DRI)를 산출하는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치.
  7. 제 6 항에 있어서, 상기 등록 이벤트 임계값 추정부는
    산출된 운전자 위험지수(Driver Risk Index : DRI)를 T-Score로 변환한 값으로 점수화하고 이를 통해 운전자의 위험 순위를 정하는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치.
  8. (A) 후보 이벤트 수와 등록 이벤트 수를 초기화하고, 차량으로부터 데이터를 수집하는 단계와,
    (B) 상기 수집된 데이터 중 일정 개수의 양의 최대값들과 음의 최소값들을 구하고 이를 후보 이벤트 데이터 수만큼 양과 음의 후보 이벤트 데이터로 정렬하는 단계와,
    (C) 상기 산출된 양의 최대값들과 미리 설정되어 있는 등록 이벤트 수(
    Figure 112013029600623-pat00135
    )를 기반으로 일반 파레토 분포의 Shape 변수(
    Figure 112013029600623-pat00136
    )와 Scale 변수(
    Figure 112013029600623-pat00137
    )를 추정하고, 상기 산출된 음의 최소값들과 미리 설정되어 있는 등록 이벤트 수(
    Figure 112013029600623-pat00138
    )를 통해 일반 파레토 분포의 Shape 변수(
    Figure 112013029600623-pat00139
    )와 Scale 변수(
    Figure 112013029600623-pat00140
    )를 추정하는 단계와,
    (D) 상기 산출된 양의 최대값 중 최소값을 양의 피크 임계값으로 설정하고, 상기 산출된 음의 최소값들 중 최대값을 음의 피크 임계값으로 설정하는 단계와,
    (E) 상기 설정된 양의 피크 임계값(
    Figure 112013029600623-pat00187
    ) 및 추정된 일반 파레토 분포의 Shape 변수(
    Figure 112013029600623-pat00188
    )와 Scale 변수(
    Figure 112013029600623-pat00189
    ) 로부터 VaR(Value at Risk)로 정의되는 양의 분위수(Quantile) 값을 추정하고 또한 상기 설정된 음의 피크 임계값(
    Figure 112013029600623-pat00190
    ) 및 추정된 일반 파레토 분포의 Shape 변수(
    Figure 112013029600623-pat00191
    )와 Scale 변수(
    Figure 112013029600623-pat00192
    ) 로부터 VaR(Value at Risk)로 정의되는 음의 분위수(Quantile) 값을 각각 추정하는 단계와,
    (F) 상기 추정된 양의 분위수(Quantile) 값으로부터 양의 등록 이벤트 기준 임계값을 추정하고, 상기 추정된 음의 분위수(Quantile) 값으로부터 음의 등록 이벤트 기준 임계값을 추정하는 단계를 포함하여 이루어지는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법.
  9. 제 8 항에 있어서, 상기 (B) 단계는
    캘리브레이션 과정에서 양의 후보 이벤트 데이터는 내림차순으로 정렬하고, 음의 후보 이벤트 데이터는 오름차순으로 정렬하는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법.
  10. 제 8 항에 있어서, 상기 (F) 단계 이후,
    (G) 상기 추정된 양, 음의 등록 이벤트 기준 임계값을 기반으로 양, 음의 운전자 위험 지수(Driver Risk Index : DRI)를 산출하는 단계와,
    (H) 상기 산출된 운전자 위험지수(Driver Risk Index : DRI)에 근무시간을 고려하고 이를 T-Score로 변환한 값으로 점수화하여 운전자 순위를 정하는 단계를 포함하여 이루어지는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법.
  11. 제 8 항에 있어서,
    상기 추정된 양, 음의 등록 이벤트 기준 임계값과 기존 저장된 과거의 추정된 등록 이벤트 임계값들을 이용하여 일정한 윈도우 사이즈의 이동 평균을 구하는 단계와,
    상기 산출된 이동 평균값으로 표현되는 등록 이벤트 임계값을 운전 위험 지수관련 이벤트 등록을 위한 관찰 임계값으로 다시 사용하여 위의 과정을 반복하는 단계를 더 포함하여 이루어지는 것을 특징으로 하는 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 방법.
  12. 삭제
KR20130035501A 2013-04-01 2013-04-01 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법 KR101507903B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20130035501A KR101507903B1 (ko) 2013-04-01 2013-04-01 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20130035501A KR101507903B1 (ko) 2013-04-01 2013-04-01 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20140119596A KR20140119596A (ko) 2014-10-10
KR101507903B1 true KR101507903B1 (ko) 2015-04-07

Family

ID=51991861

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20130035501A KR101507903B1 (ko) 2013-04-01 2013-04-01 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101507903B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102332930B1 (ko) * 2014-12-19 2021-11-30 주식회사 케이티 운행 통합 정보 제공 방법, 서버 및 컴퓨터 프로그램
JP2022541875A (ja) * 2019-06-14 2022-09-28 ボルボトラックコーポレーション 車両モデルの正しさを定量化するための方法
US20220274628A1 (en) * 2019-08-23 2022-09-01 Volvo Truck Corporation A method for quantifying extreme traffic behavior
CN114266091B (zh) * 2021-12-13 2024-06-25 湖南科技大学 改进的超越阈值的极值估计方法、装置、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100879854B1 (ko) 2007-07-09 2009-01-22 에스케이 텔레콤주식회사 분포 적합 자동화 시스템 및 방법
KR20090112327A (ko) * 2008-04-24 2009-10-28 현대자동차주식회사 위험운전 알림 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100879854B1 (ko) 2007-07-09 2009-01-22 에스케이 텔레콤주식회사 분포 적합 자동화 시스템 및 방법
KR20090112327A (ko) * 2008-04-24 2009-10-28 현대자동차주식회사 위험운전 알림 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
오주택 외 3명. "위험운전 유형에 따른 임계값 개발". 한국도로학회 논문집. 2009.3. *
최종원. "극단치 이론을 이용한 VaR의 추정과 검증". 홍익대학교 대학원 학위논문(석사). 2007.2. *

Also Published As

Publication number Publication date
KR20140119596A (ko) 2014-10-10

Similar Documents

Publication Publication Date Title
US10198772B2 (en) Driver assessment and recommendation system in a vehicle
DE102015120991A1 (de) Verfahren und Vorrichtung zur Verschleissschätzung und Wartungsplanung für angeschlossene Fahrzeugsysteme
US9406222B2 (en) Systems and methods for location reporting of detected events in vehicle operation
US9519875B2 (en) Method for determining an expected consumption value of a motor vehicle
KR101507903B1 (ko) 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법
CN104590275A (zh) 一种驾驶行为分析方法
WO2016030699A1 (en) Method and apparatus for monitoring operation of a vehicle braking system
EP3610277B1 (de) System und verfahren zum bestimmen eines zustands einer fahrzeugbatterie
EP3420308B1 (en) Road monitoring method and system
EP3319050A1 (en) Vehicle operation data collection apparatus, vehicle operation data collection system, and vehicle operation data collection method
DE102016223712A1 (de) Ecu-massefehler-isolierung für ein verzögerungssystem
DE102017127028A1 (de) Fahrzeugsensorkalibrierung unter verwendung von mit einem drahtlosen netzwerk verbundenen sensoren
CN113219336B (zh) 电池劣化判断***、方法及存储有程序的非临时性存储介质
CN106828106A (zh) 一种面向动车组牵引电机的故障预警方法
CN114730523A (zh) 确定车辆在道路上的摩擦系数
KR101497988B1 (ko) 안전 운행 지수 산정 시스템에서 차량의 안전 운행 지수 산정 방법, 안전 운행 지수 산정 시스템을 이용한 자동차 보험료 산정 방법, 및 이를 적용한 안전 운행 지수 산정 시스템
CN110809280A (zh) 一种铁路无线网络质量的检测预警方法及装置
CN111259538B (zh) 一种振动报警方法、存储介质和电子设备
US20150367869A1 (en) Method and Device for Monitoring Coupling Elements of a Vehicle
CN116704822A (zh) 基于大数据的通信处理方法及***
CN108920655B (zh) 一种道路天气信息***时空覆盖范围量化方法及装置
CN110667524A (zh) 一种车辆维护方法及云端服务器
CN113727211B (zh) 数据处理方法、装置、服务器、***
CN115743143A (zh) 基于车联网的车辆行驶情况分析方法及***
CN110853182B (zh) 用户与试验场关联时用户道路最少采集里程计算方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
LAPS Lapse due to unpaid annual fee