KR102310420B1 - Destination prediction server and method based on condition information of vehicle - Google Patents

Destination prediction server and method based on condition information of vehicle Download PDF

Info

Publication number
KR102310420B1
KR102310420B1 KR1020170027106A KR20170027106A KR102310420B1 KR 102310420 B1 KR102310420 B1 KR 102310420B1 KR 1020170027106 A KR1020170027106 A KR 1020170027106A KR 20170027106 A KR20170027106 A KR 20170027106A KR 102310420 B1 KR102310420 B1 KR 102310420B1
Authority
KR
South Korea
Prior art keywords
destination
vehicle
information
departure
situation information
Prior art date
Application number
KR1020170027106A
Other languages
Korean (ko)
Other versions
KR20180100824A (en
Inventor
허민회
방성훈
김보근
Original Assignee
현대자동차 주식회사
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 현대자동차 주식회사 filed Critical 현대자동차 주식회사
Priority to KR1020170027106A priority Critical patent/KR102310420B1/en
Publication of KR20180100824A publication Critical patent/KR20180100824A/en
Application granted granted Critical
Publication of KR102310420B1 publication Critical patent/KR102310420B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G06Q50/30—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

본 발명은 운행을 시작하는 차량의 상황정보에 기초하여 차량의 목적지를 자동으로 예측하는 서버 및 이를 이용한 목적지 예측 방법에 관한 것이며, 본 발명의 일 실시예에 따른 목적지 예측 서버는 다수의 차량에 각각 대응하는 목적지 예측모델을 저장하는 예측모델 데이터베이스, 다수의 차량 중 제1 차량에 위치하는 차량단말로부터 전송되는 제1 차량의 식별정보와 출발상황정보를 수신하는 상황정보 수신부, 그리고 제1 차량의 목적지 예측모델에 기초하여 수신된 출발상황정보에 대응하는 제1 차량의 예상 목적지를 산출하고, 산출된 예상 목적지를 차량단말로 전송하는 목적지 예측부를 포함한다.The present invention relates to a server for automatically predicting a destination of a vehicle based on situation information of a vehicle that starts driving, and a destination prediction method using the same, and the destination prediction server according to an embodiment of the present invention is provided to a plurality of vehicles, respectively. A prediction model database for storing a corresponding destination prediction model, a situation information receiving unit for receiving identification information and departure situation information of the first vehicle transmitted from a vehicle terminal located in a first vehicle among a plurality of vehicles, and a destination of the first vehicle and a destination predictor for calculating an expected destination of the first vehicle corresponding to the received departure situation information based on the predictive model, and transmitting the calculated expected destination to the vehicle terminal.

Figure R1020170027106
Figure R1020170027106

Description

차량의 상황정보를 이용한 목적지 예측 서버 및 방법{DESTINATION PREDICTION SERVER AND METHOD BASED ON CONDITION INFORMATION OF VEHICLE}DESTINATION PREDICTION SERVER AND METHOD BASED ON CONDITION INFORMATION OF VEHICLE}

본 발명은 운행을 시작하는 차량의 상황정보에 기초하여 차량의 목적지를 자동으로 예측하는 서버 및 이를 이용한 목적지 예측 방법에 관한 것이다.The present invention relates to a server for automatically predicting a destination of a vehicle based on context information of a vehicle that starts driving, and a method for predicting a destination using the same.

자동차가 네트워크로 연결되는 커넥티드 카(connected car) 시대가 도래함에 따라 차량 AVN(audio, video, navigation) 단말기를 통해 제공되는 네비게이션의 기능이 점차 고도화되고 있다. 이로 인해, 운전자는 외부 환경에 따라 최적의 교통 안내 서비스를 이용할 수 있으며, 차량 제조사는 다수의 운전자의 목적지 정보를 활용하여 주변 방문지 추천 등의 마케팅 서비스 또는 차량 제어 서비스 등을 시도하고 있다. 이러한 서비스는 운전자로부터 입력되는 목적지 정보를 바탕으로 제공되나, 운전자가 별도의 경로 안내가 필요 없는 익숙한 경로로 차량을 운행하는 경우 또는 스마트폰 등의 별도의 단말기를 통해 네비게이션 기능을 이용하는 경우에는 차량 AVN 단말기를 통해 운전자의 목적지 정보를 확인하기 어렵다.With the advent of the connected car era in which cars are connected through a network, a navigation function provided through a vehicle AVN (audio, video, navigation) terminal is gradually being advanced. For this reason, the driver can use the optimal traffic guidance service according to the external environment, and the vehicle manufacturer is trying to use the destination information of a plurality of drivers to provide a marketing service such as recommendation of a nearby destination or a vehicle control service. These services are provided based on destination information input from the driver, but when the driver drives the vehicle on a familiar route that does not require a separate route guidance, or when using the navigation function through a separate terminal such as a smartphone, the vehicle AVN It is difficult to check the driver's destination information through the terminal.

이와 같은 이유로 최근에는 운전자의 입력 없이 자동으로 운행 목적지를 예측(destination prediction)하는 기술과 관련된 많은 연구가 진행되고 있다. 종래 운행 목적지의 예측은 대부분 차량의 과거 주행 이력 정보를 바탕으로 하며, 과거 주행별 이동 이력(GPS 등)을 기반으로 예측모델을 학습하고 새로운 주행시 과거 가장 비슷한 이동 이력을 고려하여 목적지를 예측한다.For this reason, recently, many studies related to a technology for automatically predicting a driving destination without a driver's input have been conducted. Most of the prediction of the conventional driving destination is based on the vehicle's past driving history information, and the prediction model is learned based on the past driving history (GPS, etc.)

그러나 이러한 방법에 따르면 차량의 과거 주행 경로를 기반으로 목적지를 예측하기 때문에 과거 동일한 주행 경로가 존재하는 경우에만 목적지 예측이 가능하다. 또한, 차량이 미리 설정되어 있는 시간 또는 거리 이상 주행한 후 수집된 위치 데이터를 이용하여 과거 주행 경로를 바탕으로 목적지를 예측하므로 차량이 출발하기 전에는 목적지 예측이 어렵다.However, according to this method, since the destination is predicted based on the vehicle's past driving path, the destination can be predicted only when the same driving path exists in the past. In addition, since the destination is predicted based on the past driving route by using the location data collected after the vehicle has traveled more than a preset time or distance, it is difficult to predict the destination before the vehicle departs.

본 발명의 일 실시예가 해결하려는 과제는 차량으로부터 전송되는 상황정보에 기초하여 차량의 목적지를 자동으로 예측하여 운전자에게 제공하는 서버 및 이를 이용한 목적지 예측 방법을 제공하는 것이다.An object to be solved by an embodiment of the present invention is to provide a server that automatically predicts a destination of a vehicle based on context information transmitted from a vehicle and provides it to a driver, and a method of predicting a destination using the same.

상기 과제 이외에도 구체적으로 언급되지 않은 다른 과제를 달성하는 데 본 발명에 따른 실시예가 사용될 수 있다.In addition to the above problems, the embodiment according to the present invention may be used to achieve other problems not specifically mentioned.

상기 과제를 해결하기 위해 본 발명의 일 실시예는, 다수의 차량에 각각 대응하는 목적지 예측모델을 저장하는 예측모델 데이터베이스, 다수의 차량 중 제1 차량에 위치하는 차량단말로부터 전송되는 제1 차량의 식별정보와 출발상황정보를 수신하는 상황정보 수신부, 그리고 제1 차량의 목적지 예측모델에 기초하여 수신된 출발상황정보에 대응하는 제1 차량의 예상 목적지를 산출하고, 산출된 예상 목적지를 차량단말로 전송하는 목적지 예측부를 포함하는 목적지 예측 서버를 제안한다.In order to solve the above problems, an embodiment of the present invention provides a predictive model database for storing destination predictive models corresponding to a plurality of vehicles, a first vehicle transmitted from a vehicle terminal located in a first vehicle among a plurality of vehicles. A context information receiver for receiving identification information and departure context information, and a destination prediction model of the first vehicle, calculate an expected destination of the first vehicle corresponding to the received departure context information, and transmit the calculated expected destination to the vehicle terminal A destination prediction server including a transmission destination prediction unit is proposed.

여기서, 차량단말로부터 전송되며 출발상황정보에 대응하는 실제 목적지를 수신하는 목적지정보 수신부를 포함할 수 있다.Here, it is transmitted from the vehicle terminal and may include a destination information receiving unit for receiving the actual destination corresponding to the departure situation information.

또한, 수신된 출발상황정보와 수신된 실제 목적지의 상관관계를 학습하여 제1 차량의 목적지 예측모델을 생성하는 예측모델 학습부를 포함할 수 있다.In addition, it may include a predictive model learning unit for generating a destination predictive model of the first vehicle by learning the correlation between the received departure situation information and the received actual destination.

또한, 수신된 출발상황정보에 대응하는 예상 목적지와 실제 목적지의 오차를 산출하고, 산출된 오차에 기초하여 제1 차량의 목적지 예측모델을 업데이트하는 예측모델 학습부를 포함할 수 있다.In addition, it may include a predictive model learning unit that calculates an error between the expected destination and the actual destination corresponding to the received departure situation information, and updates the destination predictive model of the first vehicle based on the calculated error.

또한, 출발상황정보는 제1 차량의 출발시간, 출발위치, 그리고 출발시점의 탑승자정보를 포함할 수 있다.In addition, the departure situation information may include the departure time, departure location, and occupant information of the departure time of the first vehicle.

또한, 제1 차량의 목적지 예측모델의 출력층의 활성함수는 소프트맥스(softmax) 함수일 수 있다.Also, the activation function of the output layer of the destination prediction model of the first vehicle may be a softmax function.

상기 과제를 해결하기 위해 본 발명의 일 실시예는, 예측모델 데이터베이스에 차량별 목적지 예측모델을 저장하는 단계, 상황정보 수신부에서 제1 차량에 위치하는 차량단말로부터 전송되는 식별정보와 출발상황정보를 수신하는 단계, 목적지 예측부에서 제1 차량의 목적지 예측모델과 수신된 출발상황정보를 이용하여 예상 목적지를 산출하고, 산출된 예상 목적지를 차량단말로 전송하는 단계를 포함하는 차량의 상황정보를 이용한 목적지 예측 방법을 제안한다.In order to solve the above problem, an embodiment of the present invention includes the steps of storing a destination prediction model for each vehicle in a prediction model database, identification information and departure situation information transmitted from a vehicle terminal located in the first vehicle in the situation information receiving unit Receiving, using the destination prediction model of the first vehicle and the received departure situation information in the destination prediction unit to calculate the expected destination, and transmit the calculated expected destination to the vehicle terminal using situation information of the vehicle We propose a destination prediction method.

여기서, 목적지정보 수신부에서 차량단말로부터 전송되며 출발상황정보에 대응하는 실제 목적지를 수신하는 단계, 그리고 예측모델 학습부에서 수신된 출발상황정보와 수신된 실제 목적지의 상관관계를 학습하여 제1 차량의 목적지 예측모델을 생성하는 단계를 포함할 수 있다. Here, the destination information receiving unit receives the actual destination that is transmitted from the vehicle terminal and corresponds to the departure situation information, and learns the correlation between the departure situation information received from the predictive model learning unit and the received actual destination, and It may include generating a destination prediction model.

또한, 목적지정보 수신부에서 차량단말로부터 전송되며 출발상황정보에 대응하는 실제 목적지를 수신하는 단계, 그리고 예측모델 학습부에서 수신된 출발상황정보에 대응하는 예상 목적지와 실제 목적지의 오차를 산출하고, 산출된 오차에 기초하여 제1 차량의 목적지 예측모델을 업데이트하는 단계를 포함할 수 있다.In addition, the step of receiving the actual destination transmitted from the vehicle terminal in the destination information receiving unit and corresponding to the departure situation information, and calculating the error between the expected destination and the actual destination corresponding to the departure situation information received in the predictive model learning unit, and calculating It may include updating the destination prediction model of the first vehicle based on the calculated error.

또한, 산출된 예상 목적지를 차량단말로 전송하는 단계는, 출발상황정보를 적용한 제1 차량의 목적지 예측모델의 출력값을 예측확률로 변환하여 차량단말로 전송할 수 있다.In addition, the transmitting of the calculated expected destination to the vehicle terminal may include converting an output value of the destination prediction model of the first vehicle to which the departure situation information is applied into a prediction probability and transmitting the converted value to the vehicle terminal.

본 발명의 실시예에 따르면 운전자에게 예상 목적지 정보를 제공하고, 운전자의 직접적인 입력에 의한 목적지 설정 과정을 생략하여 운전 편의성을 향상시킬 수 있다.According to an exemplary embodiment of the present invention, it is possible to improve driving convenience by providing expected destination information to the driver and omitting the destination setting process by direct input from the driver.

도 1은 본 발명의 일 실시예에 따른 차량의 상황정보를 이용한 목적지 예측 시스템의 구성을 나타낸다.
도 2는 도 1을 이용하여 제1 차량의 목적지를 예측하는 방법을 나타낸다.
도 3은 도 2의 목적지 예측 방법을 나타낸다.
도 4는 본 발명의 일 실시예에 따른 차량단말에서 목적지 후보를 지도형태로 출력한 화면을 나타낸다.
도 5는 본 발명의 일 실시예에 따른 차량단말에서 목적지 후보를 리스트형태로 출력한 화면을 나타낸다.
도 6은 도 2의 예측모델 학습 방법을 나타낸다.1 shows the configuration of a destination prediction system using vehicle context information according to an embodiment of the present invention.
FIG. 2 shows a method of predicting a destination of a first vehicle using FIG. 1 .
3 shows the destination prediction method of FIG. 2 .
4 shows a screen on which a destination candidate is output in the form of a map from the vehicle terminal according to an embodiment of the present invention.
5 shows a screen outputting destination candidates in the form of a list in the vehicle terminal according to an embodiment of the present invention.
6 shows the predictive model learning method of FIG. 2 .

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대해 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으므로 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체에서 동일 또는 유사한 구성요소에 대해서는 동일한 도면부호가 사용되었다. 또한, 널리 알려진 공지기술의 경우 그 구체적인 설명은 생략한다.Hereinafter, with reference to the accompanying drawings, the embodiments of the present invention will be described in detail so that those of ordinary skill in the art can easily implement them. Since the present invention may be embodied in many different forms, it is not limited to the embodiments described herein. In order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and the same reference numerals are used for the same or similar components throughout the specification. In addition, in the case of a well-known known technology, a detailed description thereof will be omitted.

본 명세서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 본 명세서에 기재된 "…부", "…모듈", "…기" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.In the present specification, when a part "includes" a certain component, it means that other components may be further included rather than excluding other components unless otherwise stated. Terms such as “…unit”, “…module”, “…group”, etc. described in this specification mean a unit that processes at least one function or operation, which may be implemented by hardware or software or a combination of hardware and software. have.

도 1은 본 발명의 일 실시예에 따른 차량의 상황정보를 이용한 목적지 예측 시스템의 구성을 나타낸다.1 shows the configuration of a destination prediction system using vehicle context information according to an embodiment of the present invention.

도 1의 목적지 예측 시스템은 목적지 예측 서버(100), 그리고 목적지 예측 서버(100)에 무선통신망을 통해 연결되어 있는 차량단말(200)을 포함한다. 여기서, 차량단말(200)은 각각의 차량에 위치하는 복수개의 차량단말(200-1, 200-2, 200-3, …)을 포함한다.The destination prediction system of FIG. 1 includes a destination prediction server 100 and a vehicle terminal 200 connected to the destination prediction server 100 through a wireless communication network. Here, the vehicle terminal 200 includes a plurality of vehicle terminals 200-1, 200-2, 200-3, ... located in each vehicle.

도 1에서는 설명의 편의를 위해 제1 차량에 위치하는 제1 차량단말(200-1)의 구성만을 상세히 도시하였으나, 제2 차량단말(200-2), 제3 차량단말(200-3), … 등도 제1 차량단말(200-1)과 구성이 동일하다.In FIG. 1, only the configuration of the first vehicle terminal 200-1 positioned in the first vehicle is illustrated in detail for convenience of explanation, but the second vehicle terminal 200-2, the third vehicle terminal 200-3, … The configuration is the same as that of the first vehicle terminal 200 - 1 .

아래에서는 목적지 예측 서버(100)에서 제1 차량단말(200-1)로부터 전송되는 상황정보에 기초하여 제1 차량의 목적지를 예측하는 것을 예로 들어 설명한다.Hereinafter, predicting the destination of the first vehicle based on the context information transmitted from the first vehicle terminal 200 - 1 in the destination prediction server 100 will be described as an example.

도 1의 목적지 예측 서버(100)는 차량단말(200)로부터 전송되는 상황정보에 기초하여 차량의 목적지를 예측하고, 예측된 목적지 후보를 차량단말(200)로 전송한다. 예를 들어, 제1 차량단말(200-1)로부터 전송되는 상황정보에 대응하는 목적지 후보는 제1 차량단말(200-1)로 전송하고, 제2 차량단말(200-2)로부터 전송되는 상황정보에 대응하는 목적지 후보는 제2 차량단말(200-2)로 전송할 수 있다.The destination prediction server 100 of FIG. 1 predicts the destination of the vehicle based on the context information transmitted from the vehicle terminal 200 , and transmits the predicted destination candidate to the vehicle terminal 200 . For example, a destination candidate corresponding to the context information transmitted from the first vehicle terminal 200-1 is transmitted to the first vehicle terminal 200-1 and transmitted from the second vehicle terminal 200-2. The destination candidate corresponding to the information may be transmitted to the second vehicle terminal 200 - 2 .

도 1의 목적지 예측 서버(100)는 상황정보 수신부(110), 목적지정보 수신부(120), 차량정보 데이터베이스(130), 예측모델 학습부(140), 예측모델 데이터베이스(150), 그리고 목적지 예측부(160)를 포함한다.The destination prediction server 100 of FIG. 1 includes a context information receiving unit 110, a destination information receiving unit 120, a vehicle information database 130, a predictive model learning unit 140, a predictive model database 150, and a destination prediction unit. (160).

상황정보 수신부(110)는 차량단말(200)로부터 전송되는 상황정보를 수신한다. 예를 들어, 제1 차량단말(200-1)로부터 전송되는 제1 차량의 상황정보를 수신할 수 있다. 여기서, 제1 차량의 상황정보는 제1 차량의 식별정보, 출발시간정보, 출발위치정보, 그리고 탑승자정보를 포함한다.The context information receiver 110 receives context information transmitted from the vehicle terminal 200 . For example, it is possible to receive context information of the first vehicle transmitted from the first vehicle terminal 200 - 1 . Here, the context information of the first vehicle includes identification information of the first vehicle, departure time information, departure location information, and occupant information.

목적지정보 수신부(120)는 차량단말(200)로부터 전송되는 식별정보와 목적지정보를 수신한다. 이때, 목적지정보는 상황정보 수신부(110)를 통해 수신된 상황정보에 대응하여 해당 차량의 운행이 종료된 위치, 즉 최종 목적지를 의미한다. 예를 들어, 상황정보 수신부(110)를 통해 제1 차량의 제1 상황정보가 수신된 상태에서 제1 차량의 제1 목적지정보가 수신되는 경우 제1 목적지정보는 제1 상황정보에 대응되는 것으로 볼 수 있다.The destination information receiving unit 120 receives identification information and destination information transmitted from the vehicle terminal 200 . In this case, the destination information refers to a location where the operation of the corresponding vehicle is terminated in response to the context information received through the context information receiving unit 110 , that is, the final destination. For example, when the first destination information of the first vehicle is received while the first context information of the first vehicle is received through the context information receiving unit 110, the first destination information is determined to correspond to the first context information. can see.

차량정보 데이터베이스(130)는 차량단말(200)로부터 전송되는 차량정보를 저장한다. 구체적으로, 차량의 식별정보를 기준으로 상황정보 수신부(110)를 통해 수신된 상황정보와 이에 대응하여 목적지정보 수신부(120)를 통해 수신된 목적지정보를 저장한다.The vehicle information database 130 stores vehicle information transmitted from the vehicle terminal 200 . Specifically, the context information received through the context information receiver 110 based on the vehicle identification information and the destination information received through the destination information receiver 120 corresponding thereto are stored.

예측모델 학습부(140)는 차량정보 데이터베이스(130)에 저장되어 있는 차량정보를 학습하여 차량별 목적지 예측모델을 생성한다. 이때, 목적지 예측모델은 신경망 모델을 의미한다. 구체적으로, 차량의 상황정보(출발시간정보, 출발위치정보, 탑승자정보)와 이에 대응하는 목적지정보의 상관관계를 학습한 결과를 바탕으로 차량의 목적지 예측모델을 생성한다. 예를 들어, 제1 차량단말(200-1)로부터 전송되는 상황정보(출발시간정보, 출발위치정보, 탑승자정보)와 이에 대응하는 최종 목적지 사이의 상관관계를 학습하여 제1 예측모델을 생성하고, 제1 예측모델은 제1 차량의 목적지를 예측하는 데에 사용할 수 있다.The predictive model learning unit 140 learns the vehicle information stored in the vehicle information database 130 to generate a destination prediction model for each vehicle. In this case, the destination prediction model means a neural network model. Specifically, a destination prediction model of the vehicle is generated based on the result of learning the correlation between vehicle context information (departure time information, departure location information, occupant information) and destination information corresponding thereto. For example, the first predictive model is generated by learning the correlation between the context information (departure time information, departure location information, occupant information) transmitted from the first vehicle terminal 200-1 and the corresponding final destination, and , the first prediction model may be used to predict the destination of the first vehicle.

예측모델 데이터베이스(150)는 예측모델 학습부(140)를 통해 생성된 차량별 목적지 예측모델을 저장한다.The predictive model database 150 stores the destination predictive model for each vehicle generated through the predictive model learning unit 140 .

목적지 예측부(160)는 예측모델 데이터베이스(150)에 저장되어 있는 차량별 목적지 예측모델(차량 식별정보를 이용하여 선별)을 이용하여 상황정보 수신부(110)를 통해 수신된 상황정보에 대응하는 목적지를 예측하고, 예측 결과를 상황정보를 전송한 차량단말로 전송한다. 구체적으로, 수신된 상황정보를 적용한 결과 예측모델의 출력층을 통해 도출된 값(이하, '출력값'이라고 함)을 예측확률로 변환하여 출력한다. 이때, 예측모델의 출력층의 활성함수는 소프트맥스(softmax) 함수이며, 차량단말로 전송되는 목적지 예측 결과는 복수개의 목적지 후보와 목적지 후보별 확률을 포함한다.The destination prediction unit 160 is a destination corresponding to the situation information received through the situation information receiver 110 using the vehicle-specific destination prediction model (selected using vehicle identification information) stored in the prediction model database 150. predicts and transmits the prediction result to the vehicle terminal that has transmitted the situation information. Specifically, a value derived through the output layer of the prediction model as a result of applying the received context information (hereinafter referred to as an 'output value') is converted into a prediction probability and output. In this case, the activation function of the output layer of the prediction model is a softmax function, and the destination prediction result transmitted to the vehicle terminal includes a plurality of destination candidates and probabilities for each destination candidate.

또한, 예측모델 학습부(140)는 상황정보 수신부(110)에서 수신된 상황정보와 목적지정보 수신부(120)에서 수신된 목적지정보에 기초하여 예측모델을 학습한다. 구체적으로, 상황정보 수신부(110)에서 수신된 상황정보에 기초하여 목적지 예측부(160)를 통해 산출된 예측 목적지와 목적지정보 수신부(120)에서 수신된 목적지정보(실제 목적지)를 비교한다. 이후, 비교 결과에 기초하여 예측모델 데이터베이스(150)에 저장되어 있는 예측모델을 변화시켜 예측 오차를 최소화한다.In addition, the predictive model learning unit 140 learns the predictive model based on the context information received from the context information receiver 110 and the destination information received from the destination information receiver 120 . Specifically, the predicted destination calculated through the destination predictor 160 based on the context information received from the context information receiver 110 is compared with the destination information (actual destination) received from the destination information receiver 120 . Thereafter, the prediction error is minimized by changing the prediction model stored in the prediction model database 150 based on the comparison result.

도 1의 제1 차량단말(200-1)은 상황정보 수집부(210), 상황정보 전송부(220), 목적지정보 전송부(230), 그리고 목적지 후보 출력부(240)를 포함한다.The first vehicle terminal 200 - 1 of FIG. 1 includes a context information collection unit 210 , a context information transmitter 220 , a destination information transmitter 230 , and a destination candidate output unit 240 .

상황정보 수집부(210)는 제1 차량의 운행(출발)이 예상되는 시점의 시간 및 위치를 수집하는 출발정보 수집부(211), 그리고 제1 차량에 탑승하고 있는 운전자 및 동승자의 정보를 수집하는 탑승자정보 수집부(212)를 포함한다. 이때, 제1 차량의 운행이 예상되는 시점은 시동 온(ON), 운전자의 AVN 단말기 조작, 또는 제1 차량의 위치 변화(시간 t-1의 위치 ≠ 시간 t의 위치) 등을 기준으로 한다.The situation information collection unit 210 collects the departure information collection unit 211 that collects the time and location of the time when the operation (departure) of the first vehicle is expected, and collects information of the driver and passengers in the first vehicle. and an occupant information collecting unit 212 that In this case, the time when the driving of the first vehicle is expected is based on the ignition ON, the driver's operation of the AVN terminal, or a change in the position of the first vehicle (position at time t-1 ≠ position at time t).

출발정보 수집부(211)는 제1 차량에 위치하는 GPS(global positioning system) 모듈을 통해 수신되는 GPS 좌표와 이에 대응하는 시간에 기초하여 제1 차량의 출발 위치 및 시간을 수집한다.The departure information collection unit 211 collects the departure position and time of the first vehicle based on GPS coordinates received through a global positioning system (GPS) module located in the first vehicle and a time corresponding thereto.

탑승자정보 수집부(212)는 제1 차량에 위치하는 센서를 이용하여 운전자 및 동승자 관련 정보를 수집한다. 구체적으로, 제1 차량의 내부에 위치하는 다양한 센서의 출력값을 이용하여 운전자 및 동승자 관련 정보를 수집할 수 있다. 이때, 제1 차량단말(200-1)에는 탑승자(운전자와 동승자 포함) 각각에 대응하는 센서의 출력값이 미리 저장되어 있다.The occupant information collection unit 212 collects driver and passenger-related information by using a sensor located in the first vehicle. Specifically, driver and passenger-related information may be collected using output values of various sensors located inside the first vehicle. In this case, the output values of the sensors corresponding to each of the passengers (including the driver and the passenger) are previously stored in the first vehicle terminal 200 - 1 .

예를 들어, 시트에 위치하는 압력센서를 통해 동승자 수와 위치를 산출하거나, 시트에 위치하는 중량센서를 통해 운전자 및 동승자를 식별하거나, 카메라를 통해 촬영된 영상을 분석하여 운전자 및 동승자를 식별하거나, 마이크로폰을 통해 수집된 음성을 분석하여 운전자 및 동승자를 식별하거나, 또는 생체 센서를 통해 수집된 생체정보를 분석하여 운전자 및 동승자를 식별하여 제1 차량에 탑승하고 있는 운전자 및 동승자 관련 정보를 수집할 수 있다. 또한, 제1 차량단말(200-1)과 페어링되는 모바일 단말의 식별정보를 이용하여 운전자 및 동승자를 식별할 수 있다.For example, the number and position of passengers are calculated through a pressure sensor located on the seat, the driver and passengers are identified through a weight sensor located on the seat, or the driver and passengers are identified by analyzing the image captured by the camera. , to identify the driver and passenger by analyzing the voice collected through the microphone, or by analyzing the biometric information collected through the biometric sensor to identify the driver and passenger to collect information related to the driver and passenger in the first vehicle. can In addition, the driver and the passenger may be identified using the identification information of the mobile terminal paired with the first vehicle terminal 200 - 1 .

아래 표 1은 상황정보 수집부(210)를 통해 수집되는 출발정보 및 탑승자정보 예시이다.Table 1 below is an example of departure information and passenger information collected through the context information collection unit 210 .

상황정보situation information 항목item 설명Explanation 출발시간정보



Departure time information



 시간대slot 24시간 중 출발하는 당시의 시간Time at the time of departure in 24 hours 요일Day of the week 월~일요일 중 출발하는 당시의 요일Day of the week at the time of departure from Monday to Sunday 공휴일 여부Whether public holidays 해당 일자가 공휴일인지 여부Whether the date is a public holiday 공휴일 종류Holiday type 공휴일인 경우 공휴일의 종류(설날, 추석, 광복절 등)If it is a public holiday, the type of holiday (New Year’s Day, Chuseok, Liberation Day, etc.) 주(week)차week difference 1년 53개 주(week) 중 출발하는 당시의 주 차Week of departure at the time of departure out of 53 weeks in a year 출발위치정보
Departure location information
 위치location 출발하는 장소의 위치(GPS, 주소)Location of departure point (GPS, address) 날씨weather 출발하는 장소의 날씨(기상상황, 강우량, 적설량, 기상특보, 풍속 등)Weather at the departure location (weather condition, rainfall, snow load, weather warning, wind speed, etc.) 탑승자정보

Passenger information

 운전자 정보Driver information 운전자 식별코드Driver identification code 동승자 수number of passengers 차량 내 동승자 숫자number of passengers in the vehicle 동승자 정보Passenger information 동승자별 식별코드Identification code for each passenger

상황정보 전송부(220)는 상황정보 수집부(210)를 통해 수집된 출발정보 및 탑승자정보를 제1 차량의 식별정보와 함께 목적지 예측 서버(100)로 전송한다. 이때, 제1 차량의 식별정보는 제1 차량의 차대번호(VIN, vehicle identification number) 또는 차량번호를 포함한다.The context information transmission unit 220 transmits the departure information and the occupant information collected through the context information collection unit 210 together with the identification information of the first vehicle to the destination prediction server 100 . In this case, the identification information of the first vehicle includes a vehicle identification number (VIN) or vehicle number of the first vehicle.

목적지정보 전송부(230)는 제1 차량의 운행이 종료되는 지점의 위치정보를 목적지 예측 서버(100)로 전송한다. 여기서, 제1 차량의 운행이 종료되는 지점의 위치정보는 제1 차량의 목적지정보와 동일하다.The destination information transmitter 230 transmits the location information of the point where the operation of the first vehicle ends to the destination prediction server 100 . Here, the location information of the point where the operation of the first vehicle ends is the same as the destination information of the first vehicle.

목적지 후보 출력부(240)는 목적지 예측 서버(100)로부터 전송되는 목적지 후보를 수신하여 출력한다. 구체적으로, 목적지 예측 서버(100)로부터 전송되는 복수개의 목적지 후보와 목적지 후보별 확률을 AVN 단말기를 통해 출력한다.The destination candidate output unit 240 receives and outputs the destination candidate transmitted from the destination prediction server 100 . Specifically, the plurality of destination candidates transmitted from the destination prediction server 100 and the probability of each destination candidate are output through the AVN terminal.

도 2는 도 1을 이용하여 제1 차량의 목적지를 예측하는 방법을 나타낸다.FIG. 2 shows a method of predicting a destination of a first vehicle using FIG. 1 .

제1 차량단말(200-1)은 제1 차량의 시동 온(ON)이 감지되는 경우(S100) 상황정보 수집부(210)를 통해 제1 차량의 상황정보를 수집하고(S120), 상황정보 전송부(220)를 통해 S120 단계에서 수집된 상황정보와 제1 차량의 식별정보를 목적지 예측 서버(100)로 전송한다(S140). 구체적으로, S120 단계에서는 출발정보 수집부(211)를 통해 제1 차량의 시동 온(ON)이 감지된 시간 및 위치를 수집하고, 탑승자정보 수집부(212)를 통해 제1 차량에 탑승하고 있는 운전자 및 동승자의 정보를 수집한다.The first vehicle terminal 200-1 collects the context information of the first vehicle through the context information collecting unit 210 when the start-on of the first vehicle is detected (S100) (S120), and the context information The situation information collected in step S120 and the identification information of the first vehicle are transmitted to the destination prediction server 100 through the transmitter 220 (S140). Specifically, in step S120, the time and location at which the start-up of the first vehicle is sensed is collected through the departure information collecting unit 211, and the passenger is riding in the first vehicle through the occupant information collecting unit 212. Collect driver and passenger information.

목적지 예측 서버(100)는 상황정보 수신부(110)를 통해 S140 단계를 통해 전송되는 상황정보와 식별정보를 수신한다(S160).The destination prediction server 100 receives the context information and identification information transmitted through the context information receiving unit 110 in step S140 (S160).

이후, 목적지 예측부(160)를 통해 S160 단계에서 수신된 상황정보에 대응하는 목적지를 예측하고(S180), 목적지 예측 결과를 제1 차량단말(200-1)로 전송한다(S200). S180 단계의 목적지 예측방법은 아래의 도 3을 통해 상세히 설명한다.Thereafter, a destination corresponding to the situation information received in step S160 is predicted through the destination prediction unit 160 (S180), and the destination prediction result is transmitted to the first vehicle terminal 200-1 (S200). The destination prediction method of step S180 will be described in detail with reference to FIG. 3 below.

도 3은 도 2의 목적지 예측 방법을 나타낸다.3 shows the destination prediction method of FIG. 2 .

먼저, S160 단계에서 수신된 식별정보에 기초하여 예측모델 데이터베이스(150)에서 제1 차량의 예측모델을 검색하고, 검색된 제1 차량의 예측모델에 S160 단계에서 수신된 상황정보를 적용한다(S181). 이후, S181 단계의 출력값(ei)을 소프트맥스 함수를 이용하여 예측확률(

Figure 112017021123078-pat00001
)로 변환하여 제1 차량의 목적지 후보 및 목적지 후보별 확률을 산출한다(S182). 이때, 예측확률
Figure 112017021123078-pat00002
는 아래 수학식 1과 같다.First, the prediction model of the first vehicle is searched for in the prediction model database 150 based on the identification information received in step S160, and the situation information received in step S160 is applied to the searched prediction model of the first vehicle (S181). . Then, the output value (e i ) of step S181 is predicted using the softmax function (
Figure 112017021123078-pat00001
) to calculate a destination candidate of the first vehicle and a probability for each destination candidate (S182). In this case, the predicted probability
Figure 112017021123078-pat00002
is the same as in Equation 1 below.

Figure 112017021123078-pat00003
Figure 112017021123078-pat00003

이때, C는 예측모델을 통해 출력되는 출력값의 개수이다.In this case, C is the number of output values output through the prediction model.

다시 도 2의 설명으로 돌아가서, 제1 차량단말(200-1)은 목적지후보 출력부(240)를 통해 S200 단계에서 전송되는 목적지 후보 및 후보별 확률을 수신하여 출력한다(S220).Returning to the description of FIG. 2 again, the first vehicle terminal 200 - 1 receives and outputs the destination candidate and the probability of each candidate transmitted in step S200 through the destination candidate output unit 240 ( S220 ).

도 4와 도 5는 차량단말의 목적지 후보 출력 화면을 나타낸다.4 and 5 show the destination candidate output screen of the vehicle terminal.

도 4는 목적지 후보와 후보별 확률을 지도상에 표시한 화면으로 확률이 가장 큰 목적지 후보를 다른 목적지 후보와는 다른 색으로 표현할 수 있다.4 is a screen in which a destination candidate and a probability of each candidate are displayed on a map, and a destination candidate with the highest probability may be expressed in a color different from that of other destination candidates.

도 5는 목적지 후보와 후보별 확률을 리스트 형태로 표시한 화면으로 확률이 큰 순서대로 목적지 후보를 나열하여 출력할 수 있다. 5 is a screen in which the destination candidates and the probabilities of each candidate are displayed in the form of a list, and the destination candidates can be output by listing them in the order of the probabilities.

다시 도 2의 설명으로 돌아가서, 제1 차량단말(200-1)은 제1 차량의 시동 오프(OFF)가 감지되는 경우(S240) 목적지정보 전송부(230)를 통해 제1 차량의 현재 위치정보(최종 목적지)를 수집하여 목적지 예측 서버(100)로 전송한다(S260).Returning to the description of FIG. 2 again, the first vehicle terminal 200 - 1 receives the current location information of the first vehicle through the destination information transmission unit 230 when the ignition OFF of the first vehicle is detected (S240). (final destination) is collected and transmitted to the destination prediction server 100 (S260).

목적지 예측 서버(100)는 목적지정보 수신부(120)를 통해 S260 단계에서 전송되는 최종 목적지를 수신한다(S280).The destination prediction server 100 receives the final destination transmitted in step S260 through the destination information receiving unit 120 (S280).

이후, 예측모델 학습부(140)를 통해 S280 단계에서 수신된 최종 목적지와 S200 단계를 통해 제1 차량단말(200-1)로 전송된 목적지 후보를 비교한 결과에 기초하여 제1 차량의 예측모델을 학습하고(S300), 학습결과에 따라 예측모델 데이터베이스(150)에 저장되어 있는 제1 차량의 예측모델을 업데이트한다(S320).Then, based on the result of comparing the final destination received in step S280 through the predictive model learning unit 140 and the destination candidate transmitted to the first vehicle terminal 200-1 through step S200, the predictive model of the first vehicle is learned (S300), and the prediction model of the first vehicle stored in the prediction model database 150 is updated according to the learning result (S320).

도 6은 도 2의 예측모델 학습 방법을 나타낸다.6 shows the predictive model learning method of FIG. 2 .

도 6에서 보면, S300 단계는 실제 목적지(y)와 예측 목적지(

Figure 112017021123078-pat00004
)의 차의 제곱값(
Figure 112017021123078-pat00005
)을 이용하여 예측모델을 통해 산출된 목적지 예측 결과의 오차를 최소화하도록 수행된다. 구체적으로, 실제 목적지와 예측 목적지가 동일한 경우 예측모델의 변화가 적으며, 실제 목적지와 예측 목적지가 다른 경우 예측모델을 통해 산출된 목적지 예측 결과가 실제 목적지와 일치하도록 예측모델을 변화시킨다. 이때, 예측모델의 변화량은 아래 수학식 2에 의해 결정된다.6, step S300 is the actual destination (y) and the predicted destination (
Figure 112017021123078-pat00004
) squared value of the difference (
Figure 112017021123078-pat00005
) is used to minimize the error of the destination prediction result calculated through the prediction model. Specifically, when the actual destination and the predicted destination are the same, the prediction model changes little, and when the actual destination and the predicted destination are different, the prediction model is changed so that the destination prediction result calculated through the prediction model matches the actual destination. At this time, the amount of change in the prediction model is determined by Equation 2 below.

Figure 112017021123078-pat00006
Figure 112017021123078-pat00006

이때, W는 예측모델의 가중치 벡터이다.In this case, W is the weight vector of the prediction model.

본 발명의 실시예에 따르면 과거 주행 경로정보 없이도 상황정보만으로 목적지를 예측할 수 있다. 또한, 운전자에게 예상 목적지 리스트를 제공하고 운전자에 의해 선택된 최종 목적지를 바탕으로 경로정보를 제공하여 운전자의 편의성을 향상시킬 수 있다.According to an embodiment of the present invention, it is possible to predict a destination only with context information without past driving route information. In addition, the driver's convenience can be improved by providing the driver with a list of expected destinations and providing route information based on the final destination selected by the driver.

본 발명의 실시예에 따르면 운전자의 예상 목적지 정보에 기초하여 운전자에게 마케팅 정보를 제공하고, 차량의 주행모드를 최적의 상태로 제어할 수 있다.According to an embodiment of the present invention, marketing information may be provided to the driver based on the driver's expected destination information, and the driving mode of the vehicle may be optimally controlled.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였으나, 본 발명의 권리범위가 이에 한정되는 것은 아니며 본 발명이 속하는 분야에서 통상의 지식을 가진 자가 여러 가지로 변형 및 개량한 형태 또한 본 발명의 권리범위에 속한다.Although the embodiment of the present invention has been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements by those skilled in the art to which the present invention pertains are also rights of the present invention. belong to the scope

100 : 목적지 예측 서버
110 : 상황정보 수신부
120 : 목적지정보 수신부
130 : 차량정보 데이터베이스
140 : 예측모델 학습부
150 : 예측모델 데이터베이스
160 : 목적지 예측부
200-1 : 제1 차량단말
210 : 상황정보 수집부
211 : 출발정보 수집부
212 : 탑승자정보 수집부
220 : 상황정보 전송부
230 : 목적지정보 전송부
240 : 목적지후보 출력부100: destination prediction server
110: situation information receiving unit
120: destination information receiving unit
130: vehicle information database
140: predictive model learning unit
150: predictive model database
160: destination prediction unit
200-1: first vehicle terminal
210: situation information collection unit
211: Departure information collection unit
212: passenger information collection unit
220: situation information transmission unit
230: destination information transmission unit
240: destination candidate output unit

Claims (10)

다수의 차량에 각각 대응하는 목적지 예측모델을 저장하는 예측모델 데이터베이스,
상기 다수의 차량 중 제1 차량에 위치하는 차량단말로부터 전송되는 상기 제1 차량의 식별정보와 출발상황정보를 수신하는 상황정보 수신부,
상기 제1 차량의 목적지 예측모델에 기초하여 수신된 상기 출발상황정보에 대응하는 상기 제1 차량의 예상 목적지를 산출하고, 산출된 예상 목적지를 상기 차량단말로 전송하는 목적지 예측부,
상기 차량단말로부터 전송되며 상기 출발상황정보에 대응하는 상기 제1 차량의 운행이 종료된 실제 목적지를 수신하는 목적지정보 수신부, 및
수신된 상기 출발상황정보와 수신된 상기 실제 목적지의 상관관계를 학습하여 상기 제1 차량의 목적지 예측모델을 생성하는 예측모델 학습부를 포함하되,
상기 예측모델 학습부는 수신된 상기 출발상황정보에 대응하는 상기 예상 목적지와 상기 실제 목적지의 오차를 산출하고, 산출된 오차에 기초하여 상기 제1 차량의 목적지 예측모델을 업데이트하는 차량의 상황정보를 이용한 목적지 예측 서버.A prediction model database that stores a destination prediction model corresponding to each of a plurality of vehicles;
a context information receiver for receiving identification information and departure context information of the first vehicle transmitted from a vehicle terminal located in a first vehicle among the plurality of vehicles;
A destination prediction unit for calculating the expected destination of the first vehicle corresponding to the received departure situation information based on the destination prediction model of the first vehicle, and transmitting the calculated expected destination to the vehicle terminal;
A destination information receiving unit that is transmitted from the vehicle terminal and receives the actual destination where the operation of the first vehicle is terminated corresponding to the departure situation information, and
A predictive model learning unit for generating a destination predictive model of the first vehicle by learning the correlation between the received departure situation information and the received actual destination,
The predictive model learning unit calculates an error between the expected destination and the actual destination corresponding to the received departure situation information, and uses the vehicle context information to update the destination predictive model of the first vehicle based on the calculated error. Destination prediction server. 삭제delete 삭제delete 삭제delete 제1항에서,
상기 출발상황정보는 제1 차량의 출발시간, 출발위치, 그리고 출발시점의 탑승자정보를 포함하는 차량의 상황정보를 이용한 목적지 예측 서버.In claim 1,
The departure situation information is a destination prediction server using the vehicle situation information including the departure time, departure location, and occupant information of the departure time of the first vehicle. 제1항에서,
상기 제1 차량의 목적지 예측모델의 출력층의 활성함수는 소프트맥스(softmax) 함수인 차량의 상황정보를 이용한 목적지 예측 서버.In claim 1,
A destination prediction server using vehicle context information, wherein the activation function of the output layer of the destination prediction model of the first vehicle is a softmax function. 예측모델 데이터베이스에 차량별 목적지 예측모델을 저장하는 단계,
상황정보 수신부에서 제1 차량에 위치하는 차량단말로부터 전송되는 식별정보와 출발상황정보를 수신하는 단계,
목적지 예측부에서 상기 제1 차량의 목적지 예측모델과 수신된 상기 출발상황정보를 이용하여 예상 목적지를 산출하고, 산출된 상기 예상 목적지를 상기 차량단말로 전송하는 단계,
목적지정보 수신부에서 상기 차량단말로부터 전송되며 상기 출발상황정보에 대응하는 상기 제1 차량의 운행이 종료된 실제 목적지를 수신하는 단계, 그리고
예측모델 학습부에서 수신된 상기 출발상황정보와 수신된 상기 실제 목적지의 상관관계를 학습하여 상기 제1 차량의 목적지 예측모델을 학습하는 단계를 포함하되,
상기 예측모델을 학습하는 단계는 상기 출발상황정보에 대응하는 상기 예상 목적지와 상기 실제 목적지의 오차를 산출하고, 산출된 오차에 기초하여 상기 제1 차량의 목적지 예측모델을 업데이트하는 단계를 포함하는 차량의 상황정보를 이용한 목적지 예측 방법.Storing the destination prediction model for each vehicle in the prediction model database,
Receiving the identification information and departure situation information transmitted from the vehicle terminal located in the first vehicle in the situation information receiving unit,
Calculating an expected destination by using the destination prediction model of the first vehicle and the received departure situation information in the destination prediction unit, and transmitting the calculated expected destination to the vehicle terminal;
Receiving the actual destination transmitted from the vehicle terminal by the destination information receiving unit and the operation of the first vehicle corresponding to the departure situation information is terminated, and
Including the step of learning the destination prediction model of the first vehicle by learning the correlation between the received departure situation information and the received actual destination from the predictive model learning unit,
The step of learning the predictive model includes calculating an error between the expected destination and the actual destination corresponding to the departure situation information, and updating the destination predictive model of the first vehicle based on the calculated error. A destination prediction method using the context information of 삭제delete 삭제delete 제7항에서,
상기 산출된 예상 목적지를 상기 차량단말로 전송하는 단계는, 상기 출발상황정보를 적용한 상기 제1 차량의 목적지 예측모델의 출력값을 예측확률로 변환하여 상기 차량단말로 전송하는 차량의 상황정보를 이용한 목적지 예측 방법.In claim 7,
In the step of transmitting the calculated expected destination to the vehicle terminal, the output value of the destination prediction model of the first vehicle to which the departure situation information is applied is converted into a prediction probability, and the destination using the vehicle situation information is transmitted to the vehicle terminal. Prediction method.
KR1020170027106A 2017-03-02 2017-03-02 Destination prediction server and method based on condition information of vehicle KR102310420B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170027106A KR102310420B1 (en) 2017-03-02 2017-03-02 Destination prediction server and method based on condition information of vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170027106A KR102310420B1 (en) 2017-03-02 2017-03-02 Destination prediction server and method based on condition information of vehicle

Publications (2)

Publication Number Publication Date
KR20180100824A KR20180100824A (en) 2018-09-12
KR102310420B1 true KR102310420B1 (en) 2021-10-07

Family

ID=63593173

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170027106A KR102310420B1 (en) 2017-03-02 2017-03-02 Destination prediction server and method based on condition information of vehicle

Country Status (1)

Country Link
KR (1) KR102310420B1 (en)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210143346A (en) * 2019-04-19 2021-11-29 엘지전자 주식회사 Vehicle control device and control method of the device
KR102070120B1 (en) * 2019-05-08 2020-01-28 서울대학교산학협력단 Modeling Method of Route Choice Behaviors for Public Bike-sharing Systems and its Program Implementation and Performance System
US11665281B2 (en) 2020-02-27 2023-05-30 Byung Kwan Jung Call recommendation system and call recommendation method based on artificial intelligence
KR102377402B1 (en) * 2020-02-27 2022-03-22 주식회사 그로비 Call recommendation system and call recommendation method based on artificial intelligence

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006313619A (en) * 2003-06-30 2006-11-16 Matsushita Electric Ind Co Ltd Content-reproducing device and method
US7233861B2 (en) 2003-12-08 2007-06-19 General Motors Corporation Prediction of vehicle operator destinations
KR101543087B1 (en) * 2013-11-06 2015-08-07 현대자동차주식회사 System and method for automatic searching destination of navigation system
JP2016536597A (en) * 2013-11-12 2016-11-24 三菱電機株式会社 Method for predicting destination while moving

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006313619A (en) * 2003-06-30 2006-11-16 Matsushita Electric Ind Co Ltd Content-reproducing device and method
US7233861B2 (en) 2003-12-08 2007-06-19 General Motors Corporation Prediction of vehicle operator destinations
KR101543087B1 (en) * 2013-11-06 2015-08-07 현대자동차주식회사 System and method for automatic searching destination of navigation system
JP2016536597A (en) * 2013-11-12 2016-11-24 三菱電機株式会社 Method for predicting destination while moving

Also Published As

Publication number Publication date
KR20180100824A (en) 2018-09-12

Similar Documents

Publication Publication Date Title
KR102310420B1 (en) Destination prediction server and method based on condition information of vehicle
RU2683902C2 (en) Vehicle, method and system for scheduling vehicle modes using the studied user's preferences
US10126430B2 (en) Automated driving control apparatus and automated driving control method
JP6339326B2 (en) OBE, server, and traffic jam detection system
US20190061771A1 (en) Systems and methods for predicting sensor information
JP4554653B2 (en) Route search method, route search system, and navigation apparatus
JP5076973B2 (en) Parking information provision system, server, information terminal
EP3050770B1 (en) Vehicle state prediction system
US20090082967A1 (en) Route length calculation apparatus, route length calculation method, route length calculation program, automotive air conditioner, and controller for apparatus mounted in mobile object
CN106828370A (en) Set for specific user's personalization vehicle riding comfort
CN108981735B (en) Information processing apparatus and information processing method
US11333509B2 (en) Information processing system and server
CN111497853B (en) System and method for sensor diagnostics
JP7006453B2 (en) Controls, programs, and control methods
KR20150008256A (en) System and method for providing driving information of electric vehicle
JP2019160242A (en) Communication device and method for creating schedule
US11927454B2 (en) Information processing device, information processing system, program, and information processing method
CN111462513B (en) Server, server control method, communication terminal, terminal control method, and computer-readable medium
KR101745144B1 (en) Apparatus for constructing utilization information of sensors and method thereof
CN110941253B (en) Driving evaluation device, driving evaluation system, driving evaluation method, and storage medium
US11301782B2 (en) Method and arrangement for determining a current location speed-limit in a road-vehicle
CN108694461B (en) Information analysis device and information analysis method
WO2023062913A1 (en) Information providing method, information display method, and program
US11650065B2 (en) Systems and methods for using in-vehicle voce recognition, IoT sensors and vehicle state data for augmenting car-generated GPS/location-based data for predicting travel patterns
CN113928246B (en) Information processing device, information processing system, vehicle, and computer-readable medium

Legal Events

Date Code Title Description
A201 Request for examination
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant