KR102448174B1 - 인공지능 기반 교통 안전 관리 방법 - Google Patents
인공지능 기반 교통 안전 관리 방법 Download PDFInfo
- Publication number
- KR102448174B1 KR102448174B1 KR1020220034031A KR20220034031A KR102448174B1 KR 102448174 B1 KR102448174 B1 KR 102448174B1 KR 1020220034031 A KR1020220034031 A KR 1020220034031A KR 20220034031 A KR20220034031 A KR 20220034031A KR 102448174 B1 KR102448174 B1 KR 102448174B1
- Authority
- KR
- South Korea
- Prior art keywords
- area
- traffic
- accident
- information
- traffic accident
- Prior art date
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
Abstract
본 발명은 인공지능 기반 교통 안전 관리 방법에 관한 것으로, 관리 대상 지역을 복수의 단위 영역으로 구획하고, 복수의 단위 영역 별로 미리 수집된 지역 관리 정보를 처리하여 적어도 하나의 특징 정보를 추출하는 단계, 특징 정보를 이용하여 복수의 단위 영역 각각의 교통 사고 발생 가능성을 예측하고, 등급화 하는 단계, 복수의 단위 영역 각각의 특징 정보와 교통 사고 발생 가능성 간의 상관 관계를 분석하여 위험 요인을 검출하는 단계, 및 위험 요인을 분석하여 대처 방안을 추천하는 단계를 포함한다.
Description
본 발명은 인공지능 기반 교통 안전 관리 방법에 관한 것으로, 보다 상세하게는 인공지능을 기반으로 교통 사고 위험 영역의 예측, 원인 분석 및 대처 방안을 제시할 수 있는 교통 안전 관리 방법에 관한 것이다.
자동차는 이동 수단으로서 긍정적인 측면도 많지만, 교통 사고를 일으켜 인명과 재산에 피해를 줄 수 있는 부정적인 측면도 있다. 현대 사회에서 교통 사고는 중요한 사회적 문제로 대두되고 있는 실정이다.
교통 사고는 사람, 도로 및 차량 간의 복합적인 요인으로 인해 발생할 수 있다. 교통 사고를 방지하기 위해 도로 상에 센서를 설치하거나, 도로의 특정 지점에 카메라나 CCTV를 설치하는 등의 다양한 방법을 이용하고 있으나, 교통 사고는 여전히 많이 발생하고 있다.
이에, 교통 사고를 예방 및 예측하기 위한 기술들이 개발되고 있으나, 교통 사고 다발 지역, 도로 시설 위험 지역 등 단순 통계 모형으로만 적용되고 있다. 이는 운전자에게 위험 지점을 알려 주의 운전을 하라는 경각심 유도에 그치고, 교통 사고가 발생한 도로 상의 근본적인 문제점은 개선되지 않기 때문에 교통 사고를 예방하는데 한계가 있다.
또한, 인공지능을 이용한 기술들도 개발되고 있으나, 대부분 교통 흐름이나 자율주행 자동차에 국한되어 있다. 따라서, 사전에 교통 사고를 예방하고, 관리할 수 있는 기술이 필요하다.
본 발명의 일 실시예는 인공지능을 기반으로 교통 사고 위험 영역의 예측, 원인 분석 및 대처 방안을 제시할 수 있는 교통 안전 관리 방법을 제공하고자 한다.
실시예들 중에서, 인공지능 기반 교통 안전 관리 방법은 관리 대상 지역을 복수의 단위 영역으로 구획하고, 상기 복수의 단위 영역 별로 미리 수집된 지역 관리 정보를 처리하여 적어도 하나의 특징 정보를 추출하는 단계; 상기 특징 정보를 이용하여 상기 복수의 단위 영역 각각의 교통 사고 발생 가능성을 예측하고, 등급화 하는 단계; 상기 복수의 단위 영역 각각의 특징 정보와 상기 교통 사고 발생 가능성 간의 상관 관계를 분석하여 위험 요인을 검출하는 단계; 및 상기 위험 요인을 분석하여 대처 방안을 추천하는 단계를 포함한다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 교통 안전 관리 방법은 인공지능을 기반으로 교통 사고 위험 영역의 예측, 원인 분석 및 대처 방안을 제시함으로써 사전 예방 중심으로 교통 안전 관리를 가능하게 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 교통 안전 관리 장치를 도시한 도면이다.
도 2는 도 1에 도시된 교통 안전 관리 장치에서 수행하는 교통 안전 관리 방법을 설명하기 위해 도시한 순서도이다.
도 3은 도 1에 도시된 데이터 전처리부에 의해 구획된 단위 영역을 설명하기 위해 도시한 예시도이다.
도 4는 도 1에 도시된 사고 등급 예측부에서 분류된 등급을 표시한 화면을 설명하기 위해 도시한 예시도이다.
도 5는 도 1에 도시된 대안 추천부에서 작성한 보고서를 설명하기 위해 도시한 예시도이다.
도 2는 도 1에 도시된 교통 안전 관리 장치에서 수행하는 교통 안전 관리 방법을 설명하기 위해 도시한 순서도이다.
도 3은 도 1에 도시된 데이터 전처리부에 의해 구획된 단위 영역을 설명하기 위해 도시한 예시도이다.
도 4는 도 1에 도시된 사고 등급 예측부에서 분류된 등급을 표시한 화면을 설명하기 위해 도시한 예시도이다.
도 5는 도 1에 도시된 대안 추천부에서 작성한 보고서를 설명하기 위해 도시한 예시도이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 교통 안전 관리 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능 기반 교통 안전 관리 시스템(100)은 데이터 전처리부(110), 사고 위험 영역 예측부(120), 사고 등급 예측부(130), 요인 분석부(140), 대안 추천부(150) 및 제어부(160)를 포함할 수 있다. 데이터 전처리부(110)는 관리 대상 지역의 교통 안전을 관리하기 위한 지역 관리 정보를 수신하여 전처리한다. 여기에서, 지역 관리 정보는 교통 사고를 유발할 수 있는 사고 요인과 관련된 정보로서, 미리 수집되어 별도의 데이터베이스(미도시)에 저장될 수 있다.
지역 관리 정보는 인적 정보, 차량 정보, 교통 사고 정보, 환경 정보, 사회 구조 정보 및 교통 제도 정보 등을 포함할 수 있다. 인적 정보는 졸음, 부주의, 위험 운전 행동 등과 같은 운전 행동 특성 및 보행자 수, 분포 등과 같은 보행자 특성 등 사람과 관련된 정보를 포함할 수 있다. 여기에서, 위험 운전 행동은 11가지의 행동, 예를 들어 급 가속, 급 감속, 급 출발, 급 정거, 급 우회전, 급 좌회전, 급 유턴, 급 앞지르기, 급 차선 변경, 과속 및 장기 과속 중 적어도 어느 하나를 포함할 수 있다. 과속은 제한 속도보다 20km/h 초과된 속도로 주행하는 행동일 수 있고, 장기 과속은 3분 이상 과속 상태를 유지하는 행동일 수 있다.
차량 정보는 차량 유형, 통행량, 평균 속도, 첨단 장치 장착 및 불법 튜닝 등 차량과 관련된 정보를 포함할 수 있다. 교통 사고 정보는 선행 교통 사고 발생 횟수 및 심도 등 교통 사고와 관련된 정보를 포함할 수 있다. 여기에서, 심도는 사망, 중상, 경상 등으로 분류될 수 있다.
환경 정보는 교통 시설물의 종류 및 분포, 기상 요인 등 환경과 관련된 정보를 포함할 수 있다. 여기에서, 교통 시설물은 신호 시설물, 노면 시설물, 표지 시설물 등을 포함할 수 있다. 예를 들어, 신호 시설물은 보행자 작동 신호기, 부착대, 신호등, 음향 신호기, 잔여 시간 표시기, 제어기 및 지주 등을 포함할 수 있다. 노면 시설물은 노상 장애물, 문자 표시, 속도 표시, 안전 지대, 정차 금지 지대, 횡단 보도 및 기타 노면 표시, 방향 표시, 차선 등을 포함할 수 있다. 표지 시설물은 안전 표지, 어린이 보호 구역 표지 및 노인 보호 구역 표지 등 48종의 시설물을 포함할 수 있다. 또한, 교통 시설물은 CCTV, 검지기, 교차로 및 시선 유도봉 등 기타 시설물을 포함할 수 있다.
사회 구조 정보는 인구 구조, 인구 밀도, 생활 형태, 도로 면적, 상업 지구 면적 등 사회 구조와 관련된 정보를 포함할 수 있다. 교통 제도 정보는 교통 법규 위반이나 단속 등 교통 제도와 관련된 정보를 포함할 수 있다.
데이터 전처리부(110)는 관리 대상 지역을 복수의 단위 영역으로 구획하고, 복수의 단위 영역 별로 지역 관리 정보를 처리하여 복수의 단위 영역 각각에 대한 적어도 하나의 특징 정보를 추출한다. 데이터 전처리부(110)는 지역 관리 정보를 복수의 단위 영역 별로 분류하고, 복수의 단위 영역 각각의 지역 관리 정보에 대한 특징을 특징 정보로 추출할 수 있다.
사고 위험 영역 예측부(120)는 복수의 단위 영역 각각의 사고 발생 유무를 예측한다. 사고 위험 영역 예측부(120)는 복수의 단위 영역 각각의 특징 정보를 통합하고, 통합 결과에 따라 사고 발생 유무를 예측할 수 있다. 여기에서, 사고 위험 영역 예측부(120)는 인공 지능 모델, 예를 들어 합성곱 신경망 등을 이용하여 사고 발생 유무를 예측할 수 있다.
사고 위험 영역 예측부(120)는 복수의 단위 영역을 그룹화하고, 그룹 단위로 특징 정보의 통합 결과를 비교하여 교통 사고 발생 유무를 예측할 수 있다. 일반적으로 도심 지역이 외곽 지역에 비해 사고 요인이 많기 때문에 도심 지역과 외곽 지역을 구분하지 않을 경우 도심 지역에 위치한 영역은 모두 교통 사고 발생 영역으로 예측될 수 있다.
이에, 본 발명의 일 실시예에 따른 사고 위험 영역 예측부(120)는 복수의 단위 영역을 도심 지역에 위치한 영역과 도심 외 외곽 지역에 위치한 영역으로 분류하여 도심 지역에 위치한 영역들을 도심 지역 그룹으로 그룹화하고, 외곽 지역에 위치한 영역들을 외곽 지역 그룹으로 그룹화한 후, 도심 지역 그룹과 외곽 지역 그룹 단위로 복수의 단위 영역 각각의 교통 사고 발생 유무를 예측하여 예측 정확도를 향상시킬 수 있다. 본 발명의 일 실시예는 이에 한정되지 않고, 사고 위험 영역 예측부(120)는 복수의 단위 영역을 순서대로 임의의 개수만큼 선택하여 하나의 그룹으로 그룹화할 수 있다.
사고 위험 영역 예측부(120)는 추출된 특징 정보 중 교통 사고의 건수에 대해 데이터 증폭(Data Augmentation)을 수행한 후, 교통 사고 발생 유무를 예측할 수 있다. 일반적으로 교통 사고는 비 교통 사고에 비해 상대적으로 적기 때문에, 교통사고 데이터가 비 교통 사고 데이터에 흡수되어 복수의 단위 영역이 모두 교통 사고 미발생으로 예측될 수 있다. 이에, 본 발명의 일 실시예에 따른 사고 위험 영역 예측부(120)는 실제 교통 사고 데이터와 유사한 데이터를 생성하여 교통 사고 건수를 증폭시킨 후, 교통 사고 발생 유무를 예측할 수 있다.
사고 등급 예측부(130)는 복수의 단위 영역 각각에서 추출된 특징 정보를 이용하여 복수의 단위 영역 각각의 교통 사고 발생 가능성을 예측하고, 등급화한다. 사고 등급 예측부(130)는 복수의 단위 영역 각각의 특징 정보를 기반으로 교통 사고 발생 확률을 판단하고, 교통 사고 발생 확률 정도에 따라 교통 사고 발생 가능성을 등급화할 수 있다.
여기에서, 사고 등급 예측부(130)는 교통 사고 발생 확률을 일정 범위로 분류하여 등급을 설정하고, 복수의 단위 영역 각각의 교통 사고 발생 확률에 해당하는 등급으로 교통 사고 발생 가능성을 등급화 할 수 있다. 본 발명의 일 실시예에 따른 교통 사고 발생 가능성은 4개의 등급으로 분류될 수 있다. 예를 들어, 1등급은 교통 사고 발생 확률이 5% 이상 25% 미만이고, 2등급은 교통 사고 발생 확률이 25% 이상부터 50% 미만이고, 3등급은 교통 사고 발생 확률이 50% 이상부터 75% 미만이며, 4등급은 교통 사고 발생 확률이 75% 이상에 해당한다. 즉, 교통 사고 발생 확률이 높을수록 높은 등급으로 분류될 수 있다.
사고 등급 예측부(130)는 인공 지능 모델을 이용하여 교통 사고 발생 확률을 판단하고, 교통 사고 발생 가능성을 등급화할 수 있다. 예를 들어, 사고 등급 예측부(130)는 심층 신경망과 같은 다중의 은닉층을 포함한 다양한 비선형적 관계 학습을 이용할 수 있다. 또한, 본 발명의 일 실시예는 이에 한정되지 않고, 사고 등급 예측부(130)는 복수의 단위 영역 중 교통 사고 발생으로 예측된 단위 영역만 대상으로 하여 교통 사고 발생 가능성을 예측할 수 있다.
요인 분석부(140)는 복수의 단위 영역 각각의 특징 정보와 교통 사고 발생 가능성 간의 상관 관계를 분석하여 위험 요인을 검출할 수 있다. 여기에서, 요인 분석부(140)는 교통사고 위험도의 원인과 대안 제시 기능을 가능하게 하고, 의사 결정 트리를 기반으로 복수의 단위 영역 각각의 특징 정보와 교통 사고 발생 가능성 간의 상관 관계를 분석할 수 있으나, 본 발명의 일 실시예는 이에 한정되지 않는다.
요인 분석부(140)는 복수의 단위 영역 중 교통 사고 발생 가능성이 미리 설정된 위험 등급 이상인 단위 영역 내에 위험 요인이 집중된 영역을 검출하고, 위험 요인 집중 지역(Hot-spot)으로 선정할 수 있다. 여기에서, 위험 등급은 3등급일 수 있다. 즉, 요인 분석부(140)는 복수의 단위 영역 중 교통 사고 발생 가능성이 3등급 및 4등급인 단위 영역을 대상으로 위험 요인 집중 지역을 선정할 수 있다.
요인 분석부(140)는 특정 단위 영역 내에 교통 사고가 발생한 지점이면서 교통 시설물이 집중된 지역을 위험 요인 집중 지역으로 선정할 수 있다. 예를 들어, 요인 분석부(140)는 신호등, 횡단보도, 어린이 보호 구역, 안전 표지, 노인 보호 구역 등 주요 교통 시설물이 집중된 지역임에도 불구하고 교통 사고가 발생한 지역을 위험 요인 집중 지역으로 선정할 수 있다.
대안 추천부(150)는 위험 요인 집중 지역에 대해 검출된 위험 요인을 분석하여 위험 요인을 예방할 수 있는 대처 방안을 추천한다. 대안 추천부(150)는 미리 선정된 사고 요인 유형에 따라 위험 요인을 분류하고, 교통사고 유스케이스(Use-Case)와 연계하여 위험 요인 집중 지역에 대한 위험 요인의 특성을 분석할 수 있다.
여기에서, 사고 요인 유형은 인적 요인, 차량 요인, 교통 사고 요인, 환경 요인, 사회 구조 요인 및 제도 요인으로 분류될 수 있다. 인적 요인은 인적 정보와 관련된 사고 요인이고, 차량 요인은 차량 정보와 관련된 요인이고, 환경 요인은 환경 정보와 관련된 요인일 수 있다. 그리고, 사회 구조 요인은 사회 구조 정보와 관련된 요인이고, 제도 요인은 교통 제도 정보와 관련된 요인일 수 있다.
대안 추천부(150)는 위험 요인 집중 지역에 대한 위험 요인의 특성에 따라 대처 방안을 추천하고, 추천된 대처 방안을 보고서로 작성하여 발행할 수 있다. 대안 추천부(150)는 위험 요인 집중 지역의 위험 요인을 차트 형식으로 작성하고, 위험 요인의 분석 결과 및 대처 방안을 그래프나 텍스트로 기록할 수 있다. 그리고, 대처 방안을 위험 요인 집중 지역의 지도 이미지 상에 중첩하여 작성할 수 있다.
제어부(160)는 교통 안전 관리 시스템(100)의 전체적인 동작을 제어하고, 데이터 전처리부(110), 사고 위험 영역 예측부(120), 사고 등급 예측부(130), 요인 분석부(140) 및 대안 추천부(150) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 2는 도 1에 도시된 교통 안전 관리 시스템에서 수행하는 교통 안전 관리 방법을 설명하기 위해 도시한 순서도이고, 도 3은 도 1에 도시된 데이터 전처리부에 의해 구획된 단위 영역을 설명하기 위해 도시한 예시도이다. 도 4는 도 1에 도시된 사고 등급 예측부에서 분류된 등급을 표시한 화면을 설명하기 위해 도시한 예시도이고, 도 5는 도 1에 도시된 대안 추천부에서 작성한 보고서를 설명하기 위해 도시한 예시도이다.
도 2를 참조하면, 먼저 데이터 전처리부(110)는 관리 대상 지역을 복수의 단위 영역으로 구획한다. 이때, 데이터 전처리부(110)는 관리 대상 지역을 그리드 형태로 구획할 수 있다. 예를 들어, 데이터 전처리부(110)는 도 3에 도시된 바와 같이, 관리 대상 지역(TA)을 일정 크기를 갖는 단위 영역(UA)으로 분할할 수 있다.
데이터 전처리부(110)는 단위 영역 별로 지역 관리 정보를 처리하여 복수의 단위 영역 각각의 특징 정보를 추출한다. 그 다음, 사고 위험 영역 예측부(120)는 추출된 특징 정보를 이용하여 복수의 단위 영역 각각의 교통 사고 발생 유무를 예측한다.
이때, 사고 위험 영역 예측부(120)는 복수의 단위 영역 각각의 특징 정보를 통합하여 교통 사고 발생 유무를 예측할 수 있다. 예를 들어, 복수의 단위 영역 중 특정 단위 영역 내에 위험 운전 행동이 존재하고, 보행자의 수가 많고, 차량의 평균 속도가 높으면 해당 단위 영역을 교통 사고가 발생할 영역으로 예측할 수 있다.
그 다음, 사고 등급 예측부(130)는 복수의 단위 영역 각각에서 추출된 특징 정보를 이용하여 복수의 단위 영역 각각의 교통 사고 발생 가능성을 예측하고, 등급화한다(S110).
예를 들어, 사고 등급 예측부(130)는 복수의 단위 영역 중 교통 사고 발생 확률이 25% 미만인 단위 영역을 1등급으로 분류하고, 교통 사고 발생 확률이 25% 이상이고, 50% 미만인 단위 영역을 2등급으로 분류할 수 있다.
이때, 사고 등급 예측부(130)는 도 4에 도시된 바와 같이, 예측된 교통 사고 발생 가능성에 대한 등급을 서로 다른 색상으로 구분하여 표시하고, 사용자에게 제공할 수 있다. 예를 들어, 사고 등급 예측부(130)는 등급이 높을수록 노란색에서 붉은색으로 변화시켜 표시할 수 있다.
한편, 사고 등급 예측부(130)는 복수의 단위 영역 중 사고 위험 영역 예측부(120)를 통해 교통 사고가 발생할 영역으로 예측된 단위 영역에 대해 교통 사고 발생 가능성을 예측하고, 등급화 할 수 있다.
그 다음, 요인 분석부(140)는 복수의 단위 영역 각각의 특징 정보와 교통 사고 발생 가능성 간의 상관 관계를 분석하여 위험 요인을 검출한다(S120). 예를 들어, 요인 분석부(140)는 특정 단위 영역의 교통 사고 발생 가능성이 4등급으로 예측되고, 해당 단위 영역 내에 방향 표지 시설물이 5개 이하이고, 안전 표지 시설물이 1개 이하이고, 일시 정지선이 없고, 좌회전 표지 시설물이 없으면, 이러한 교통 시설물이 교통 사고 발생 가능성과 상관 관계가 있는 요인으로 분석하고, 해당 교통 시설물에 대한 정보를 위험 요인으로 검출할 수 있다.
또한, 요인 분석부(140)는 복수의 단위 영역 중 교통 사고 발생 가능성이 위험 등급 이상인 단위 영역 내에 위험 요인이 집중된 위험 요인 집중 지역(Hot-spot)을 선정한다. 그러면, 대안 추천부(150)는 위험 요인 집중 지역에 대해 검출된 위험 요인의 특성을 분석하고, 분석된 특성에 따라 위험 요인을 예방할 수 있는 대처 방안을 추천한다(S130).
예를 들어, 대안 추천부(150)는 특정 단위 영역 내에 검출된 위험 요인이 인적 요인 및 환경 요인이고, 해당 단위 영역 내에 과속 및 급가속/급감속 위험이 존재하며, 주유소 진/출입하는 차량 간의 상충 위험성이 높은 것으로 분석 결과가 도출되면 과속/신호 위반 단속 카메라를 설치하고, 제한 속도 하향, 불법 유턴 방지 중앙 분리대 설치 등을 대처 방안으로 추천할 수 있다.
대안 추천부(150)는 위험 요인 집중 지역에 추천된 대처 방안을 보고서로 작성할 수 있다. 예를 들어, 대안 추천부(150)는 도 5에 도시된 바와 같이, 위험 요인 집중 지역의 위험 요인을 차트 형식으로 표시하고, 위험 요인의 분석 결과 및 대처 방안을 그래프나 텍스트로 기록할 수 있다. 그리고, 대처 방안을 위험 요인 집중 지역의 지도 이미지 상에 중첩하여 보고서를 작성할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반 교통 안전 관리 방법은 관리 대상 지역의 교통 사고 위험 영역을 예측하고, 예측된 교통 사고 위험 영역에 대한 위험 요인을 검출하며, 위험 요인에 대한 대처 방안을 추천할 수 있다. 따라서, 사전 예방 중심으로 교통 안전 관리를 주도적으로 수행할 수 있다.
100: 교통 안전 관리 시스템
110: 데이터 전처리부
120: 사고 위험 영역 예측부
130: 사고 등급 예측부
140: 요인 분석부
150: 대안 추천부
160: 제어부
110: 데이터 전처리부
120: 사고 위험 영역 예측부
130: 사고 등급 예측부
140: 요인 분석부
150: 대안 추천부
160: 제어부
Claims (8)
- 관리 대상 지역을 복수의 단위 영역으로 구획하고, 상기 복수의 단위 영역 별로 미리 수집된 지역 관리 정보를 처리하여 적어도 하나의 특징 정보를 추출하는 단계;
상기 특징 정보를 이용하여 상기 복수의 단위 영역 각각의 교통 사고 발생 가능성을 예측하고, 등급화 하는 단계;
상기 복수의 단위 영역 각각의 특징 정보와 상기 교통 사고 발생 가능성 간의 상관 관계를 분석하여 위험 요인을 검출하는 단계; 및
상기 위험 요인을 분석하여 대처 방안을 추천하는 단계를 포함하고,
상기 관리 대상 지역을 복수의 단위 영역으로 구획함에 있어서,
관리 대상 지역을 일정 크기를 갖는 단위 영역으로 분할된 그리드 형태로 구획하고,
상기 지역 관리 정보는
인적 정보, 차량 정보, 교통 사고 정보, 환경 정보, 사회 구조 정보 및 교통 제도 정보 중 적어도 어느 하나를 포함하며,
상기 인적 정보는 졸음, 부주의, 위험 운전 행동을 포함한 운전 행동 특성 및 보행자 수, 분포를 포함한 보행자 특성을 포함하는 사람과 관련된 정보를 포함하고,
상기 교통 사고 정보는 선행 교통 사고 발생 횟수 및 심도를 포함한 교통 사고와 관련된 정보를 포함하며, 상기 심도는 사망, 중상, 경상으로 분류되고,
상기 사회 구조 정보는 인구 구조, 인구 밀도, 생활 형태, 도로 면적, 상업 지구 면적을 포함한 사회 구조와 관련된 정보를 포함하며,
상기 교통 사고 발생 가능성을 예측하는 단계는
상기 복수의 단위 영역을 그룹화하고, 그룹 단위로 특징 정보의 통합 결과를 비교하여 교통 사고 발생 유무를 예측하되,
상기 복수의 단위 영역을 도심 지역에 위치한 영역과 도심 외 외곽 지역에 위치한 영역으로 분류하여 도심 지역에 위치한 영역들을 도심 지역 그룹으로 그룹화하고, 외곽 지역에 위치한 영역들을 외곽 지역 그룹으로 그룹화한 후, 도심 지역 그룹과 외곽 지역 그룹 단위로 복수의 단위 영역 각각의 교통 사고 발생 유무를 예측하고,
추출된 특징 정보 중 교통 사고의 건수에 대해 실제 교통 사고 데이터와 유사한 데이터를 생성하여 교통 사고 건수를 증폭시킨 후, 교통 사고 발생 유무를 예측하며,
상기 특징 정보를 이용하여 상기 복수의 단위 영역 각각의 교통 사고 발생 유무를 예측하되,
상기 복수의 단위 영역 중 특정 단위 영역 내에 위험 운전 행동이 존재하고, 보행자의 수가 많고, 차량의 평균 속도가 높으면 해당 단위 영역을 교통 사고가 발생할 영역으로 예측하고,
상기 복수의 단위 영역 각각의 상기 특징 정보를 이용하여 교통 사고 발생 확률을 판단하며,
상기 교통 사고 발생 가능성을 등급화하는 단계는
상기 교통 사고 발생 확률에 따라 상기 교통 사고 발생 가능성의 등급을 분류하고,
상기 대처 방안을 추천하는 단계는
미리 선정된 사고 요인 유형 및 교통 사고 유스케이스를 기반으로 상기 위험 요인의 특성을 분석하며,
상기 사고 요인 유형은 인적 요인, 차량 요인, 교통 사고 요인, 환경 요인, 사회 구조 요인 및 제도 요인으로 분류되고,
상기 위험 요인을 분석하여 대처 방안을 추천하는 단계는
상기 위험 요인의 집중 지역의 위험 요인을 차트 형식으로 작성하고, 위험 요인의 분석 결과 및 대처 방안을 그래프나 텍스트로 기록하는 인공지능 기반 교통 안전 관리 방법. - 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 복수의 단위 영역 중 상기 사고 발생 가능성이 미리 설정된 위험 등급 이상인 단위 영역을 대상으로 상기 위험 요인이 집중된 지역을 검출하여 위험 요인 집중 지역으로 선정하는 단계를 더 포함하는 인공지능 기반 교통 안전 관리 방법. - 삭제
- 삭제
- 삭제
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220034031A KR102448174B1 (ko) | 2022-03-18 | 2022-03-18 | 인공지능 기반 교통 안전 관리 방법 |
PCT/KR2023/003679 WO2023177277A1 (ko) | 2022-03-18 | 2023-03-20 | 인공지능 기반 교통 안전 관리 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220034031A KR102448174B1 (ko) | 2022-03-18 | 2022-03-18 | 인공지능 기반 교통 안전 관리 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102448174B1 true KR102448174B1 (ko) | 2022-09-28 |
Family
ID=83461106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220034031A KR102448174B1 (ko) | 2022-03-18 | 2022-03-18 | 인공지능 기반 교통 안전 관리 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102448174B1 (ko) |
WO (1) | WO2023177277A1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485334A (zh) * | 2023-04-12 | 2023-07-25 | 天津青果科技有限公司 | 智慧交通技术检验一体化*** |
WO2023177277A1 (ko) * | 2022-03-18 | 2023-09-21 | 한국교통안전공단 | 인공지능 기반 교통 안전 관리 방법 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180071178A (ko) * | 2016-12-19 | 2018-06-27 | 한국건설기술연구원 | 도로의 교통 위험도 제공 장치 및 방법 |
JP2019525301A (ja) * | 2016-06-24 | 2019-09-05 | スイス リインシュランス カンパニー リミテッド | 自動化されたリスク制御システムを含む自律的又は部分的に自律的な自動車及びそれに対応する方法 |
KR20200013274A (ko) * | 2018-07-24 | 2020-02-07 | 주식회사 건영이엔씨 | 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 |
KR102088655B1 (ko) * | 2018-10-08 | 2020-03-13 | 대한민국 | 교통사망사고 예측시스템 및 방법 |
KR102244143B1 (ko) * | 2020-12-17 | 2021-04-22 | 전남대학교산학협력단 | 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법 |
KR20210086381A (ko) * | 2019-12-30 | 2021-07-08 | 계명대학교 산학협력단 | 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법 |
KR20210138367A (ko) * | 2020-05-12 | 2021-11-19 | 광운대학교 산학협력단 | 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102448174B1 (ko) * | 2022-03-18 | 2022-09-28 | 한국교통안전공단 | 인공지능 기반 교통 안전 관리 방법 |
-
2022
- 2022-03-18 KR KR1020220034031A patent/KR102448174B1/ko active IP Right Grant
-
2023
- 2023-03-20 WO PCT/KR2023/003679 patent/WO2023177277A1/ko unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019525301A (ja) * | 2016-06-24 | 2019-09-05 | スイス リインシュランス カンパニー リミテッド | 自動化されたリスク制御システムを含む自律的又は部分的に自律的な自動車及びそれに対応する方法 |
KR20180071178A (ko) * | 2016-12-19 | 2018-06-27 | 한국건설기술연구원 | 도로의 교통 위험도 제공 장치 및 방법 |
KR20200013274A (ko) * | 2018-07-24 | 2020-02-07 | 주식회사 건영이엔씨 | 도로 안전성 평가 방법 및 이를 수행하기 위한 장치 |
KR102088655B1 (ko) * | 2018-10-08 | 2020-03-13 | 대한민국 | 교통사망사고 예측시스템 및 방법 |
KR20210086381A (ko) * | 2019-12-30 | 2021-07-08 | 계명대학교 산학협력단 | 교통 사고 위험을 예측하는 위험 예측 시스템 및 방법 |
KR20210138367A (ko) * | 2020-05-12 | 2021-11-19 | 광운대학교 산학협력단 | 도로 모양 분석을 통한 교통사고 발생 확률 예측 장치 및 방법 |
KR102244143B1 (ko) * | 2020-12-17 | 2021-04-22 | 전남대학교산학협력단 | 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023177277A1 (ko) * | 2022-03-18 | 2023-09-21 | 한국교통안전공단 | 인공지능 기반 교통 안전 관리 방법 |
CN116485334A (zh) * | 2023-04-12 | 2023-07-25 | 天津青果科技有限公司 | 智慧交通技术检验一体化*** |
Also Published As
Publication number | Publication date |
---|---|
WO2023177277A1 (ko) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Beitel et al. | Assessing safety of shared space using cyclist-pedestrian interactions and automated video conflict analysis | |
KR102448174B1 (ko) | 인공지능 기반 교통 안전 관리 방법 | |
CN111402612A (zh) | 一种交通事件通知方法及装置 | |
Lin et al. | A combined M5P tree and hazard-based duration model for predicting urban freeway traffic accident durations | |
Das et al. | Using conditional inference forests to identify the factors affecting crash severity on arterial corridors | |
Chen et al. | Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data | |
Kumar et al. | Analysis of pedestrian conflict with right-turning vehicles at signalized intersections in India | |
KR102453688B1 (ko) | 교통사고의 잠재적 위험도 평가 시스템 및 그 방법 | |
Vedagiri et al. | Traffic safety evaluation of uncontrolled intersections using surrogate safety measures under mixed traffic conditions | |
CN113936465B (zh) | 交通事件检测方法及装置 | |
KR102377044B1 (ko) | 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체 | |
KR102226533B1 (ko) | 일체형 가로등주로 구성된 스마트 도로 조명 시스템 및 그 제어 방법 | |
Thakur et al. | Assessment of pedestrian-vehicle interaction on urban roads: a critical review | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
Ansariyar et al. | Statistical analysis of jaywalking conflicts by a lidar sensor | |
Banerjee et al. | A modern intersection data analytics system for pedestrian and vehicular safety | |
Makarova et al. | Simulation modeling in improving pedestrians’ safety at non-signalized crosswalks | |
Abou-Senna et al. | Categorical principal component analysis (CATPCA) of pedestrian crashes in Central Florida | |
KR102088655B1 (ko) | 교통사망사고 예측시스템 및 방법 | |
Noh et al. | SafetyCube: Framework for potential pedestrian risk analysis using multi-dimensional OLAP | |
KR102307743B1 (ko) | 스쿨존 내에서의 어린이 교통사고 방지 통합 시스템 | |
Agarwal et al. | Components, Technologies, and Market of Road Traffic Management System in Global Scenarios: A Complete Study | |
HUNG | Data-driven understanding of Ai-based traffic signal control and its implications on low-carbon urban transport systems | |
Mendez | Evaluating the effectiveness of Rectangular Rapid Flashing Beacons (RRFB) implementation using a before-after video-based surrogate safety approach | |
KR102603270B1 (ko) | 스마트 어린이보호구역 구축을 위한 인공지능기반 통합안전 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |