KR101974495B1 - 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체 - Google Patents

교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체 Download PDF

Info

Publication number
KR101974495B1
KR101974495B1 KR1020180097294A KR20180097294A KR101974495B1 KR 101974495 B1 KR101974495 B1 KR 101974495B1 KR 1020180097294 A KR1020180097294 A KR 1020180097294A KR 20180097294 A KR20180097294 A KR 20180097294A KR 101974495 B1 KR101974495 B1 KR 101974495B1
Authority
KR
South Korea
Prior art keywords
data
time
traffic information
dimensional grid
grid image
Prior art date
Application number
KR1020180097294A
Other languages
English (en)
Inventor
이홍석
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020180097294A priority Critical patent/KR101974495B1/ko
Application granted granted Critical
Publication of KR101974495B1 publication Critical patent/KR101974495B1/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
    • G08G1/0137—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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

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

Abstract

본 발명은 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체에 관한 것이다. 본 발명의 일 실시예는, 도로상의 프로브 차량의 시간에 따른 GPS (global positioning system) 데이터를 2차원 격자 이미지 데이터로 생성하는 단계; 상기 2차원 격자 이미지 데이터를 이용하여 CNN (convolution neutral network)을 연산을 수행하고 상기 수행된 결과 데이터를 풀링(pooling) 연산한 데이터를 전체 연관(fully-connected)하여 특성에 따른 교통정보 데이터를 레이어 데이터로 생성하는 단계; 및 상기 생성한 레이어 데이터를 시간에 따라 사용자에게 제공하는 단계;를 포함하는 교통정보를 예측하는 방법을 제공한다.

Description

교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체{APPARATUS FOR PREDICTING TRAFFIC INFORMATION, METHOD THEREOF AND RECODING MEDIUM FOR PREDICTING TRAFFIC INFORMATION}
본 발명은 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체에 관한 것이다.
대중 교통과 자기 차량을 이용하면서 교통정보에 대한 관심이 높아지고 있다. 교통흐름을 예측하는데 있어서 다양한 방법이 제시되고 있는데, 예를 들면, 도시의 도로에서 2차원 위치에서 속도를 이미지로 표현하고, 그에 따라 도로 구조에 색을 달리하여 표시하는 정도의 수준의 정보를 사용자에게 제공하는 방식이 있다. 그러나, 이와 같은 방식은 교통이 매우 혼잡하거나 이례적인 교통 흐름에 대해서는 예측하기 힘든 단점이 있다. 최근 딥러닝 기술이 발전하면서 이를 이용하여 교통정보를 발전시키는 방법이 제안되고 있으나, 교통 혼잡을 정확히 예측하는 기술은 아직 구현되지 않고 있다.
또한 고속도로의 교통흐름을 DNN(Deep Neural Network), RNN(Recurrent Neural Network), LSTM(Long Short Term Memory)과 같은 기법을 이용하여 예측하는데 이러한 방식들은 부분적인 교통흐름만 예측이 가능하고 도로 전체 구간에 대하여 시간 별 교통혼잡정보를 제공할 수 없었다.
본 발명에 따른 교통정보를 예측하는 장치 및 교통정보를 예측하는 방법은, 교통 흐름을 정확하게 예측하고 사용자에게 제공할 수 있는 교통정보를 예측하는 장치 및 교통정보를 예측하는 방법을 제공한다.
본 발명에 따른 교통정보를 예측하는 장치 및 교통정보를 예측하는 방법은, 교통 흐름이 이례적으로 매우 혼잡한 경우에도 교통 패턴을 추출할 수 있는 맞춤형 교통혼잡 정보를 제공한다.
본 발명에 따른 교통정보를 예측하는 장치 및 교통정보를 예측하는 방법은, 도로 전체 구간에 대하여 시간 별 교통혼잡정보를 제공한다.
본 발명의 일 실시예는, 도로상의 프로브 차량의 시간에 따른 GPS (global positioning system) 데이터를 2차원 격자 이미지 데이터로 생성하는 단계; 상기 2차원 격자 이미지 데이터를 이용하여 CNN (convolution neutral network)을 연산을 수행하고 상기 수행된 결과 데이터를 풀링(pooling) 연산한 데이터를 전체 연관(fully-connected)하여 특성에 따른 교통정보 데이터를 레이어 데이터로 생성하는 단계; 및 상기 생성한 레이어 데이터를 시간에 따라 사용자에게 제공하는 단계;를 포함하는 교통정보를 예측하는 방법을 제공한다.
상기 2차원 격자 이미지 데이터는, 일정 기간에 따라 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들을 포함할 수 있다. 상기 2차원 격자 이미지 데이터는, 상기 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들은 상기 프로브 차량의 속도를 나타내는 정보를 포함할 수 있다. 상기 2차원 격자 이미지 데이터는, 일정 기간에 따라 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들을 포함할 수 있다.
상기 생성한 레이어 데이터는 각 레이어에 특정 시간의 교통 정보 데이터를 나타낼 수 있다.
본 발명의 다른 일 실시예는, 도로상의 프로브 차량의 시간에 따른 GPS (global positioning system) 데이터를 2차원 격자 이미지 데이터로 생성하는 입력부; 상기 2차원 격자 이미지 데이터를 이용하여 CNN (convolution neutral network)을 연산을 수행하고 상기 수행된 결과 데이터를 풀링(pooling) 연산하는 특성추출부; 상기 특성추출부가 추출한 데이터를 전체 연관(fully-connected)하여 특성에 따른 교통정보 데이터를 레이어 데이터로 생성하는 필터처리부; 및 상기 생성한 레이어 데이터를 시간에 따라 사용자에게 제공하는 출력부;를 포함하는 교통정보를 예측하는 장치를 제공한다.
본 발명의 다른 일 실시예는, 도로상의 프로브 차량의 시간에 따른 GPS (global positioning system) 데이터를 2차원 격자 이미지 데이터로 생성하고; 상기 2차원 격자 이미지 데이터를 이용하여 CNN (convolution neutral network)을 연산을 수행하고 상기 수행된 결과 데이터를 풀링(pooling) 연산한 데이터를 전체 연관(fully-connected)하여 특성에 따른 교통정보 데이터를 레이어 데이터로 생성하고;
상기 생성한 레이어 데이터를 시간에 따라 사용자에게 제공하는 프로그램을 저장하는 저장매체를 제공한다.
본 발명에 따르면, 교통 흐름을 정확하게 예측하고 사용자에게 제공할 수 있다.
본 발명에 따르면, 교통 흐름이 이례적으로 매우 혼잡한 경우에도 교통 패턴을 추출할 수 있는 맞춤형 교통혼잡 정보를 제공할 수 있다.
본 발명에 따르면, 도로 전체 구간에 대하여 시간 별 교통혼잡정보를 제공할 수 있다.
도 1은 교통 흐름 정보를 영상 데이터로 변환하는 실시예를 나타낸 도면이다.
도 2는 교통 정보를 2차원 영상 기술로 변환하는 실시예를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 교통정보를 예측하는 장치의 일 실시예와 각 구성부의 기능을 예시한 도면이다.
도 4는 타겟된 날짜의 교통흐름 정보를 얻기 위해 전체 연관된 데이터로부터 레이어 데이터를 얻는 과정을 예시한 도면이다.
도 5는 본 발명에 따른 교통정보를 예측하는 방법이 일 실시예를 나타낸 도면이다.
이하에서 본 발명의 상세한 실시예를 도면을 참조하여 설명한다.
도 1은 본 발명의 일 실시예로서, 교통 흐름 정보를 영상 데이터로 변환하는 실시예를 나타낸다. 본 발명의 일 실시예는 교통 흐름을 정확하게 예측하기 위해 도로 상의 교통 흐름 정보를 영상 데이터로 변환할 수 있다.
예를 들어 고속도로의 GPS (global positioning system) 데이터를 2차원의 이미지로 표현하는 방식이 그 예가 될 수 있다. 도 1의 예에서, 본 발명의 실시예는 고속도록의 프로브(probe) 차량에서 GPS 데이터를 수집하고, 수집된 GPS 데이터를 차량의 위치, 측정시간을 통해 속도를 계산할 수 있다.
이러한 GPS 데이터 수집과 속도 계산은 일정한 시간단위로 이루어질 수 있는데, 도 1의 실시예는 고속도로상에서 하루 단위의 GPS 데이터로부터 시간 데이터, 공간 데이터, 통행 속도 데이터 등의 데이터를 계산하여 2차원이 이미지로 변환하고, 이를 일정한 시간 간격(이 예에서는 1일)에서 표시한 예를 나타낸다.
이와 같이 하면 고속도로와 같은 특정한 도로에서 교통 흐름 정보를 일정한 시간단위의 영상 데이터로 변환할 수 있다.
도 2는 본 발명의 일 실시예로서, 교통 정보를 2차원 영상 기술로 변환하는 실시예를 나타낸 도면이다.
본 발명의 일 실시예는, 도로의 프로브 차량의 GPS 데이터를 2차원 영상으로 변환할 수 있다. 이 도면에서 이미지의 가로축은 고속도로의 시작과 끝의 거리를 나타내고, 이 거리 내에 일정한 거리 단위로 격자를 생성할 수 있다. 세로축은 GPS 데이터를 수집하는 시간 단위로서 예를 들어 이 도면에서는 5분에 1번을 수신하는 예를 도면으로 나타낸 것이다.
차량의 속도가 격자 안에 표시될 수 있는데, 이 실시예는 시속 Km/h의 속도로 계산한 차량의 속도를 격자 안의 0과 1사의 의 값으로 변환하도록 하고, 예를 들어 TPI (traffic performance index)와 같은 지수를 표현할 수도 있다.
이미지를 8비트로 처리할 경우 0 ~ 256 사이의 숫자로 각 격자 값을 표시하거나 이에 대응된 색을 표시할 수 있다. 예를 들어 컬러 이미지를 사용할 경우 RGB (Red, Green, Blue)의 3가지 요소를 조합으로 표시할 수 있다.
이 예에서는 컬러 이미지에 특정 시간 단위, 예를 들면 5분 단위로 수집된 데이터를 하루 288개로 세로축에 표시하고, 경부고속도로 1Km를 균등격자로 분할하여 428Km의 거리를 가로축에 표시하여 288 X 428의 이미지 크기가 차량 통행 속도에 대응되는 색으로 나타내도록 할 수 있다.
교통 흐름을 나타내는 속도는 0~1사이로 표시한 차량 속도에 8비트 이미지로 표시하기 위해 256를 곱하고, 여기에 RGB의 3가지 색으로 표시하기 위한 자유도 3을 곱하여 표시할 수 있다. 이와 같이 도로 상의 교통흐름 정보를 2차원 이미지로 거리와 시간에 따라 속도에 비례하는 색으로 표시할 수 있다.
도 3은 본 발명의 실시예에 따른 교통정보를 예측하는 장치의 일 실시예와 각 구성부의 기능을 예시한 도면이다.
본 발명에 따른 교통정보를 예측하는 장치의 일 실시예는, 입력부(100), 특성추출부(200), 필터처리부(300), 및 출력부(400)를 포함할 수 있다. 이하에서 교통정보를 예측하는 장치의 일 실시예를 설명하면 다음과 같다.
입력부(100)는 교통정보를 생성하기 위해 위에서 설명한 교통흐름 정보의 2차원 이미지 데이터를 특성추출부(200)로 입력할 수 있다. 입력부(100)는 위에서 설명한 예에 따라 교통흐름 정보를 2차원 격자 데이터로 생성하거나 생성된 2차원 격자의 매트릭스 데이터를 수신하여 특성추출부(200)에 제공한다.
특성추출부(200)는 수신된 격자 단위의 2차원 이미지 데이터를 기초로 CNN (Convolution Neutral Network) 처리를 수행할 수 있다. CNN은 Convolution Neutral Network의 한 방식으로 입력 네트워크가 여러 가지 구조를 하고 이을 경우 이를 하나의 데이터로 종합하고 대표하기 위한 컨볼루션 필터를 적용하여 매트릭스 데이터를 컨볼루션할 수 있다.
2차원 매트릭스 이미지로 표현된 데이터가 컨볼루션 필터로 연산되면 컨볼루션한 데이터는 풀링(pooling)이라는 방식으로 요약될 수 있다. 컨볼루션 필터는 2차원 이미지의 매트릭스 데이터를 필터로 스캔(convolve)하는 것을 의미하고, 이에 여러 가지 방식의 함수로 pooling을 적용하면, 각 매트릭스 데이터가 컨볼루션된 데이터가 의미하는 바를 얻을 수 있다.
CNN (Convolution Neutral Network) 연산은 여러 가지 필터가 적용될 수 있다.
예를 들어 2차원 매트릭스 데이터에 필터 1을 적용하여 스캔(convolve)한 데이터를 스캔 1 데이터라고 하면, 이 스캔 1 데이터에 폴링 1 방식을 적용하여 얻은 매트릭스 데이터가 폴링 1 데이터가 된다.
마찬가지로, 2차원 매트릭스 데이터에 필터 2을 적용하여 스캔(convolve)한 데이터를 스캔 2 데이터라고 하면, 이 스캔 2 데이터에 폴링 2 방식을 적용하여 얻은 매트릭스 데이터가 폴링 2 데이터가 된다.
이와 같이 필터 1부터 필터 N까지 적용하면 스캔 1부터 스캔 N 데이터와 풀링 1부터 풀링 N 데이터가 각각 생성될 수 있다.
각 N 개의 데이터 세트는, 필터처리부(300)는 이 N개의 데이터 세트를 수신하고 이를 이용하여 N개 데이터 세트가 관련된 레이어로 출력시키기 위해 전체 관련된 레이어(fully-connected layer)를 통해 N 데이터 세트로부터 데이터의 특성 정보를 처리할 수 있다.
즉, 필터처리부(300)는 특성추출부(200)가 생성하는 N개의 데이터 세트가 서로 어떻게 연관되어 있는지 N개 데이터 세트를 서로 관련시키고, 이로부터 원하는 특성을 가진 레이어 데이터를 뽑아내는 연산을 한다.
이 도면은 교통혼잡이 극심한 날의 교통 정보를 얻기 위해 명절날인 추석날과 설날 등을 특성을 가진 레이어 데이터를 얻는 과정을 예시한다. 이외에 주중날이나 주말날을 특성을 별도의 레이어 데이터로 할 수도 있다.
출력부(400)는 필터처리부(300)가 N개 데이터 세트를 서로 관련시키는 연산을 수행한 데이터로부터 원하는 기간의 교통정보의 특성을 각각의 레이어 데이터로 출력할 수 있다. 이 도면에서 레이어 데이터는 추석, 설날, 주중, 및 주말의 레이어 데이터로 각각 예시한 것이고, 다른 날의 교통정보 특성을 얻기 위해 해당 기간에 대해 별도의 특성을 가진 레이어 데이터를 출력할 수 있다.
이와 같이 수집된 교통정보의 2차원 이미지 데이터로 컨볼루션 신경망 CNN (Convolution Neural Network)로 연산하여 원하는 데이터를 얻고자 하는 기간 (예를 들어 설날, 추석, 주말과 주중 등)의 이미지 패턴을 분류하고 예측할 수 있다.
도 4는 본 발명의 실시예 중 필터처리부(300)의 예가 타겟된 날짜의 교통흐름 정보를 얻기 위해 전체 연관된 데이터로부터 레이어 데이터를 얻는 과정을 예시한 도면이다.
이 도면의 일 실시예는 교통흐름에 특성이 있는 일자의 또는 요일의 데이터를 같은 레벨의 타겟 라벨로 할 수 있는데, 이를 위해 전체 연관된(fully-connected layer) 데이터 세트에 소프트맥스(softmax) 활성함수를 적용할 수 있고, 이를 위해 one-hot 인코딩 벡터를 적용하는 예를 예시한다.
도 4 의 (a)는 타겟 라벨을 추석, 설날, 주중, 주말로 하고, 4X4의 one-hot 인코딩 diagonal 벡터를 적용할 수 있음을 예시한다
반면에 이 도면의 (b)는 타겟 라벨을 각각 추석, 설날과 요일인 일, 월, 화, 수, 목, 금, 토요일로 하고, 9X9의 one-hot 인코딩 diagonal 벡터를 적용할 수 있음을 예시한다
여기서 교통흐름을 추출하고자 하는 일자 또는 시간을 각 라벨 또는 채널로 하여 데이터를 이루는 충에 배치하고 M개의 라벨을 가지는 데이터를 각각 CNN 방식으로 스캔하고, 이를 전체 연관시켜 M개의 레이어를 가지는 데이터 세트를 추출하는 예를 예시한다.
이와 같이 하면 설정한 타겟 라벨의 일자 또는 시간에 교통흐름 정보가 각각 레이어 데이터 세트로 출력될 수 있고 소프트맥스(softmax) 활성함수를 적용할 수 있다.
도 5는 본 발명에 따른 교통정보를 예측하는 방법이 일 예를 나타낸다. 도면을 참조하여 본 발명에 따른 교통정보를 예측하는 방법의 실시예를 설명하면 다음과 같다.
먼저 도로상의 프로브 차량의 시간에 따른 GPS 데이터를 2차원 격자 이미지로 생성한다(S100). 특정 도로의 GPS 데이터를 이용하여 시간, 공간, 속도의 데이터를 일정 시간 간격에 따른 2차원 이미지데이터로 생성할 수 있다.
2차원 격자 이미지 데이터는, 일정 기간에 따라 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들을 포함할 수 있다. 2차원 격자 이미지 데이터는, 상기 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들은 상기 프로브 차량의 속도를 나타내는 정보를 포함할 수 있다.
2차원 격자 이미지 데이터는, 일정 기간에 따라 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들을 포함할 수 있다.
이에 대한 상세한 실시예는 도 1 또는 도 2를 참고할 수 있다.
변환된 2차원 이미지 매트릭스 데이터를 입력 데이터로 하여 CNN (convolution neutral network)을 연산을 수행하고 이를 풀링하여 교통흐름의 데이터의 특성을 추출할 수 있다 (S200). 이에 대한 상세한 예는 도 3에서 예시하였다.
그리고, 교통흐름 데이터의 특성을 추출한 N개의 레이어를 전체 연관시키고 원하는 특성을 얻기 위해 필터를 적용하여 각각의 특성을 가진 레이어 데이터를 출력할 수 있다(S300). 이에 대한 상세한 예는 도 3과 도 4에서 예시하였다.
각각의 특성을 가진 레이어 데이터를 가시화하여 사용자에게 제공한다(S400). 생성한 레이어 데이터는 각 레이어에 특정 시간의 교통 정보 데이터를 나타낼 수 있다.
본 발명의 실시예에 따르면, 교통 흐름이 이례적으로 매우 혼잡한 경우에도 교통 패턴을 추출할 수 있는 맞춤형 교통혼잡 정보를 생성하고 이를 사용자에게 제공할 수 있다. 본 발명의 실시예에 따르면, 교통흐름 정보를 정확하게 예측할 수 있고, 특정 시간에 대한 교통정보의 예측정보를 사용자에게 제공할 수 있다.

Claims (11)

  1. 도로상의 프로브 차량의 시간에 따른 GPS (global positioning system) 데이터를 2차원 격자 이미지 데이터로 생성하는 단계;
    상기 2차원 격자 이미지 데이터를 이용하여 CNN (convolution neutral network)을 연산을 수행하고 상기 수행된 결과 데이터를 풀링(pooling) 연산한 데이터를 전체 연관(fully-connected)하여 특성에 따른 교통정보 데이터를 레이어 데이터로 생성하는 단계; 및
    상기 생성한 레이어 데이터를 시간에 따라 사용자에게 제공하는 단계;를 포함하는 교통정보를 예측하는 방법.
  2. 제 1항에 있어서,
    상기 2차원 격자 이미지 데이터는, 일정 기간에 따라 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들을 포함하는 교통정보를 예측하는 방법.
  3. 제 2항에 있어서,
    상기 2차원 격자 이미지 데이터는, 상기 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들은 상기 프로브 차량의 속도를 나타내는 정보를 포함하는, 교통정보를 예측하는 방법.
  4. 제 3 항에 있어서,

    상기 프로브 차량의 속도를 나타내는 정보는 거리 및 시간에 기반하여 속도에 비례하는 색 정보로 표시되는,
    교통정보를 예측하는 방법.
  5. 제 1항에 있어서,
    상기 생성한 레이어 데이터는 각 레이어에 특정 시간의 교통 정보 데이터를 나타내는, 교통정보를 예측하는 방법.
  6. 도로상의 프로브 차량의 시간에 따른 GPS (global positioning system) 데이터를 2차원 격자 이미지 데이터로 생성하는 입력부;
    상기 2차원 격자 이미지 데이터를 이용하여 CNN (convolution neutral network)을 연산을 수행하고 상기 수행된 결과 데이터를 풀링(pooling) 연산하는 특성추출부;
    상기 특성추출부가 추출한 데이터를 전체 연관(fully-connected)하여 특성에 따른 교통정보 데이터를 레이어 데이터로 생성하는 필터처리부; 및
    상기 생성한 레이어 데이터를 시간에 따라 사용자에게 제공하는 출력부;를 포함하는 교통정보를 예측하는 장치.
  7. 제 6항에 있어서,
    상기 2차원 격자 이미지 데이터는, 일정 기간에 따라 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들을 포함하는 교통정보를 예측하는 장치.
  8. 제 7항에 있어서,
    상기 2차원 격자 이미지 데이터는, 상기 GPS 데이터를 수집한 시간과 거리로 표시되는 격자들은 상기 프로브 차량의 속도를 나타내는 정보를 포함하는, 교통정보를 예측하는 장치.
  9. 제 8 항에 있어서,

    상기 프로브 차량의 속도를 나타내는 정보는 거리 및 시간에 기반하여 속도에 비례하는 색 정보로 표시되는,
    교통정보를 예측하는 장치.
  10. 제 6항에 있어서,
    상기 생성한 레이어 데이터는 각 레이어에 특정 시간의 교통 정보 데이터를 나타내는, 교통정보를 예측하는 장치.
  11. 도로상의 프로브 차량의 시간에 따른 GPS (global positioning system) 데이터를 2차원 격자 이미지 데이터로 생성하고; 상기 2차원 격자 이미지 데이터를 이용하여 CNN (convolution neutral network)을 연산을 수행하고 상기 수행된 결과 데이터를 풀링(pooling) 연산한 데이터를 전체 연관(fully-connected)하여 특성에 따른 교통정보 데이터를 레이어 데이터로 생성하고;
    상기 생성한 레이어 데이터를 시간에 따라 사용자에게 제공하는 프로그램을 저장하는 저장매체.

KR1020180097294A 2018-08-21 2018-08-21 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체 KR101974495B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180097294A KR101974495B1 (ko) 2018-08-21 2018-08-21 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180097294A KR101974495B1 (ko) 2018-08-21 2018-08-21 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체

Publications (1)

Publication Number Publication Date
KR101974495B1 true KR101974495B1 (ko) 2019-05-03

Family

ID=66582850

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180097294A KR101974495B1 (ko) 2018-08-21 2018-08-21 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체

Country Status (1)

Country Link
KR (1) KR101974495B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232820A (zh) * 2019-05-20 2019-09-13 北京世纪高通科技有限公司 一种路况预测模型的建立方法及装置
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111710154A (zh) * 2020-05-15 2020-09-25 湖州师范学院 一种高速公路交通流量预测方法
CN111833605A (zh) * 2020-07-10 2020-10-27 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN112083456A (zh) * 2020-09-14 2020-12-15 电子科技大学 一种货运状态识别方法、装置、设备及存储介质
CN112419710A (zh) * 2020-10-22 2021-02-26 深圳云天励飞技术股份有限公司 交通拥堵数据预测方法、装置、计算机设备及存储介质
KR20210067254A (ko) * 2019-11-29 2021-06-08 주식회사 데이터스트림즈 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법
KR20210096463A (ko) * 2020-01-28 2021-08-05 한국과학기술정보연구원 교통 정보 제공 장치, 교통 정보 제공 방법, 및 교통 정보를 제공하는 프로그램을 저장하는 저장매체
KR20210096464A (ko) * 2020-01-28 2021-08-05 한국과학기술정보연구원 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140050022A (ko) * 2011-06-29 2014-04-28 인릭스 홀딩스 리미티드 교통 데이터를 수집하는 방법 및 시스템
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
KR101742043B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체
KR20180034853A (ko) * 2016-09-28 2018-04-05 에스케이하이닉스 주식회사 합성곱 신경망의 연산 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140050022A (ko) * 2011-06-29 2014-04-28 인릭스 홀딩스 리미티드 교통 데이터를 수집하는 방법 및 시스템
KR20180034853A (ko) * 2016-09-28 2018-04-05 에스케이하이닉스 주식회사 합성곱 신경망의 연산 장치 및 방법
KR101742042B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
KR101742043B1 (ko) * 2016-11-15 2017-05-31 한국과학기술정보연구원 교통수단분담 예측 장치, 방법 및 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
이홍석 외 2. 교통상황 예측 모델을 위한 딥러닝 신경망 네트워크. 한국정보과학회 2016년 동계학술발표회 논문집. 2016.12, pp.558-560. *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232820A (zh) * 2019-05-20 2019-09-13 北京世纪高通科技有限公司 一种路况预测模型的建立方法及装置
KR20210067254A (ko) * 2019-11-29 2021-06-08 주식회사 데이터스트림즈 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법
KR102307506B1 (ko) 2019-11-29 2021-09-30 주식회사 데이터스트림즈 교통 정체 원인도로 분석을 위한 연관 가중치 기반 도로 클러스터링 방법
KR102331746B1 (ko) 2020-01-28 2021-11-26 한국과학기술정보연구원 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체
KR20210096463A (ko) * 2020-01-28 2021-08-05 한국과학기술정보연구원 교통 정보 제공 장치, 교통 정보 제공 방법, 및 교통 정보를 제공하는 프로그램을 저장하는 저장매체
KR20210096464A (ko) * 2020-01-28 2021-08-05 한국과학기술정보연구원 교통 정보 제어 장치, 교통 정보 제어 방법, 및 교통 정보를 제어하는 프로그램을 저장하는 저장매체
KR102296576B1 (ko) 2020-01-28 2021-09-02 한국과학기술정보연구원 교통 정보 제공 장치, 교통 정보 제공 방법, 및 교통 정보를 제공하는 프로그램을 저장하는 저장매체
CN111210633B (zh) * 2020-02-09 2021-01-05 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111710154A (zh) * 2020-05-15 2020-09-25 湖州师范学院 一种高速公路交通流量预测方法
CN111710154B (zh) * 2020-05-15 2022-11-18 湖州师范学院 一种高速公路交通流量预测方法
CN111833605A (zh) * 2020-07-10 2020-10-27 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN111833605B (zh) * 2020-07-10 2022-04-26 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN112083456A (zh) * 2020-09-14 2020-12-15 电子科技大学 一种货运状态识别方法、装置、设备及存储介质
CN112083456B (zh) * 2020-09-14 2023-04-07 电子科技大学 一种货运状态识别方法、装置、设备及存储介质
CN112419710A (zh) * 2020-10-22 2021-02-26 深圳云天励飞技术股份有限公司 交通拥堵数据预测方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
KR101974495B1 (ko) 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체
KR102021992B1 (ko) 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체
CN108805348B (zh) 一种交叉口信号配时控制优化的方法和装置
KR102299378B1 (ko) 변화 검출 기반의 맵 인터페이스 업데이트 시스템
KR20200023697A (ko) 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체
US10482761B2 (en) Lane-level geometry and traffic information
Ashok Estimation and prediction of time-dependent origin-destination flows
EP2427726B1 (en) Methods and systems for creating digital transportation networks
JP6942706B2 (ja) 交通道路の経路ヒートを取得する方法および装置
CN105954040A (zh) 应用于无人驾驶汽车的测试方法和装置
CN107111794A (zh) 预测和利用地图服务中出行时间的可变性
WO2010107394A1 (en) Determining a traffic route using predicted traffic congestion
US20190325739A1 (en) Lane-level geometry and traffic information
Coffey et al. Time of arrival predictability horizons for public bus routes
CN111612489A (zh) 订单量的预测方法、装置及电子设备
Ram et al. SMARTBUS: A web application for smart urban mobility and transportation
WO2022142418A1 (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN107195177A (zh) 基于分布式内存计算框架对城市交通路况的预测方法
CN113053103B (zh) 交通仿真模型生成方法、交通流量预测方法及相关装置
CN112071062A (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN109712402B (zh) 一种基于元路径拥塞模式挖掘的移动对象行驶时间预测方法及装置
CN111127879B (zh) 基于生成式对抗网络的城市交通流量预测方法
CN111380530A (zh) 导航方法及相关产品
KR102545188B1 (ko) 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치
CN116793376B (zh) 一种基于最短路径和历史经验的路径预测方法、装置及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant