KR102545188B1 - 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치 - Google Patents

통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치 Download PDF

Info

Publication number
KR102545188B1
KR102545188B1 KR1020180067707A KR20180067707A KR102545188B1 KR 102545188 B1 KR102545188 B1 KR 102545188B1 KR 1020180067707 A KR1020180067707 A KR 1020180067707A KR 20180067707 A KR20180067707 A KR 20180067707A KR 102545188 B1 KR102545188 B1 KR 102545188B1
Authority
KR
South Korea
Prior art keywords
traffic data
travel time
prediction model
specific area
travel
Prior art date
Application number
KR1020180067707A
Other languages
English (en)
Other versions
KR20190140770A (ko
Inventor
이용주
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020180067707A priority Critical patent/KR102545188B1/ko
Priority to US16/439,243 priority patent/US11430330B2/en
Publication of KR20190140770A publication Critical patent/KR20190140770A/ko
Application granted granted Critical
Publication of KR102545188B1 publication Critical patent/KR102545188B1/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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06Q50/30—
    • 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
    • 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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Operations Research (AREA)

Abstract

본 발명에서는 특정 지역에서의 통행 속도와 관련된 제1 교통 데이터를 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하기 위한 제1 예측 모델을 생성하는 단계와, 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터와 다른 제2 교통 데이터를 이용하여 상기 제1 예측 모델을 수정하여 제2 예측 모델을 생성하는 단계와, 상기 제2 예측 모델을 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하는 단계를 포함하는 통행 시간 예측 모델을 이용한 통행 시간 예측 방법을 제공함으로써, 특정 차량이 특정 구간을 통과하는 통행 시간을 종래보다 정확하게 예측할 수 있고, 예측된 통행 시간 정보를 신속하고 정확하게 사용자에게 제공할 수 있다.

Description

통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치{METHOD FOR PREDICTING TRAVEL TIME USING SPATIO-TEMPORAL MODEL AND APPARATUS THEREOF}
본 발명의 실시예는 차량의 통행 시간을 예측하는 장치 및 방법에 관한 것이다.
최근 들어, 복잡한 도심 환경에서 교통 구간 정보, 혼잡도 가시화 정보 등을 제공하는 다양한 교통 정보가 사용자에게 제공되고 있다. 교통 정보 제공 서비스를 통해 사용자들은 차량의 운행 시간을 줄일 수 있고 차량 운행에 소요되는 비용을 최소화할 수 있다.
이와 같이, 사용자에게 교통 정보를 제공하는 서비스를 통해, 도심에 집중된 교통량을 분산시켜 도로 사용의 효율성을 높일 수 있다. 특히, 주로 특정 경로 상의 차량들의 흐름을 예측하기 위한 예측 시스템이 지속적으로 개발/운용되고 있다.
종래의 통행 시간 예측 시스템의 경우, 검지기 데이터, 프로브(Probe) 차량의 궤적 데이터, CCTV를 활 용한 교통량 데이터 등 다양한 형태의 데이터를 이용하고 있다. 다만, 실제 차량의 통행 시간은 도심의 교차로, 신호 체계에 의해 영향을 받을 뿐만 아니라, 해당 장소에서 시간에 따라 변화하는 시간적 특성 및 장소/공간 마다 서로 다른 공간적 특성에 기인하여 변화할 수 있다. 따라서, 실시간으로 변화하는 시간적 특성 및 공간 별 공간적 특성을 모두 충분히 반영한 예측 시스템이 필요하게 되었다.
예를 들어, 기존의 통행 시간 예측 방법은 과거의 시간적 특성, 즉 과거 시점에서 시간의 변화에 따른 교통 변화량의 통계 데이터를 수집하고, 과거의 통계 데이터를 반영하여 현재 시점의 통행 시간을 통계적으로 예측하는 방법을 이용하였다. 하지만 이러한 기존의 통계적 예측 방법으로는 현재의 예측 시점에서 실시간으로 변하는 다양한 변수를 모두 반영하기가 어려운 것이 실정이다.
따라서, 과거의 시간적 특성 이외에 현재 시점에서 실제 차량의 흐름을 보다 정확히 예측하기 위한 재귀적 통행 시간 예측 모델을 활용한 통행 시간 예측 시스템이 필요하다.
본 발명의 실시예는 다양한 시간적/공간적 특성을 반영한 시간적/공간적 데이터를 이용하여 종래보다 더 정확한 통행 시간을 예측하는 방법 및 장치를 제공하는 데에 그 목적이 있다.
본 발명의 실시예에 따른 통행 시간 예측 모델을 이용한 통행 시간 예측 장치의 통행 시간 예측 방법에 있어서, 특정 지역에서의 통행 속도와 관련된 제1 교통 데이터를 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하기 위한 제1 예측 모델을 생성하는 단계; 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터와 다른 제2 교통 데이터를 이용하여 상기 제1 예측 모델을 수정하여 제2 예측 모델을 생성하는 단계; 및 상기 제2 예측 모델을 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하는 단계를 포함할 수 있다.
상기 제2 교통 데이터는 상기 제1 교통 데이터보다 시간에 따른 변화량이 더 클 수 있다.
상기 제1 교통 데이터는 상기 특정 지역을 통과한 차량들의 통행 속도 이력을 포함할 수 있다.
상기 제1 교통 데이터는 상기 특정 지역의 날씨 정보를 포함할 수 있다.
상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터 및 상기 제2 교통 데이터보다 시간에 따른 변화량이 더 큰 제3 교통 데이터를 이용하여 상기 제2 예측 모델을 수정하여 제3 예측 모델을 생성하는 단계, 그리고 상기 제3 예측 모델을 이용하여 상기 통행 시간을 예측하는 단계를 더 포함할 수 있다.
상기 제3 교통 데이터는 시간대 정보를 포함할 수 있다.
상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터, 상기 제2 교통 데이터 및 상기 제3 교통 데이터보다 시간에 따른 변화량이 더 큰 제4 교통 데이터를 이용하여 상기 제3 예측 모델을 수정하여 제4 예측 모델을 생성하는 단계, 그리고 상기 제4 예측 모델을 이용하여 상기 통행 시간을 예측하는 단계를 더 포함할 수 있다.
상기 제4 교통 데이터는 상기 특정 지역에서 시간의 흐름에 따른 교통량의 변화 정보를 포함할 수 있다.
본 발명의 실시예에 따른 통행 시간 예측 장치는 특정 지역에서의 통행 속도와 관련된 제1 교통 데이터 및 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터와 다른 제2 교통 데이터를 수집하는 데이터 수집부; 상기 제1 교통 데이터를 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하기 위한 제1 예측 모델을 생성하고, 상기 제2 교통 데이터를 이용하여 상기 제1 예측 모델을 수정하여 제2 예측 모델을 생성하는 통행 시간 훈련부; 및 상기 제2 예측 모델을 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하는 통행 시간 예측부를 포함할 수 있다.
상기 제2 교통 데이터는 상기 제1 교통 데이터보다 시간에 따른 변화량이 더 클 수 있다.
상기 제1 교통 데이터는 상기 특정 지역을 통과한 차량들의 통행 속도 이력을 포함할 수 있다.
상기 제1 교통 데이터는 상기 특정 지역의 날씨 정보를 포함할 수 있다.
상기 데이터 수집부는 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터 및 상기 제2 교통 데이터보다 시간에 따른 변화량이 더 큰 제3 교통 데이터를 수집하고, 상기 통행 시간 훈련부는 상기 제3 교통 데이터를 이용하여 상기 제2 예측 모델을 수정하여 제3 예측 모델을 생성하며, 상기 통행 시간 예측부는 상기 제3 예측 모델을 이용하여 상기 통행 시간을 예측할 수 있다.
상기 제3 교통 데이터는 시간대 정보를 포함할 수 있다.
상기 데이터 수집부는 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터, 상기 제2 교통 데이터 및 상기 제3 교통 데이터보다 시간에 따른 변화량이 더 큰 제4 교통 데이터를 수집하고, 상기 통행 시간 훈련부는 상기 제4 교통 데이터를 이용하여 상기 제3 예측 모델을 수정하여 제4 예측 모델을 생성하며, 상기 통행 시간 예측부는 상기 제4 예측 모델을 이용하여 상기 통행 시간을 예측할 수 있다.
상기 제4 교통 데이터는 상기 특정 지역에서 시간의 흐름에 따른 교통량의 변화 정보를 포함할 수 있다.
본 발명의 실시예에 따르면, 통행 시간을 예측하고 사용자에게 제공함에 있어서, 통행 시간 예측을 위해 이용되는 시간적/공간적 데이터들을 충분히 반영함으로써, 특정 차량이 특정 구간을 통과하는 통행 시간을 종래보다 정확하게 예측할 수 있고, 예측된 통행 시간 정보를 신속하고 정확하게 사용자에게 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 혼잡도 데이터를 도시한다.
도 2는 본 발명의 실시예에 따른 교차로를 도시한다.
도 3은 본 발명의 실시예에 따른 교차로 간 통행 시간을 계산하는 방법을 도시한다.
도 4는 본 발명의 실시예에 따른 교차로 별 시간의 변화에 따른 통행 속도 매트릭스를 도시한다.
도 5는 본 발명의 실시예에 따른 특정 지역의 시간의 변화에 따른 날씨 데이터를 도시한다.
도 6은 본 발명의 실시예에 따른 시간대 매트릭스를 도시한다.
도 7은 본 발명의 실시예에 따른 혼잡도(Heatmap) 매트릭스를 도시한다.
도 8은 본 발명의 실시예에 따른 통합 교통 데이터 셋을 생성하는 과정을 도시한다.
도 9는 본 발명의 실시예에 따른 단순 병합 모델을 도시한다.
도 10은 본 발명의 일 실시예에 따른 통행 시간 예측 모델을 생성하는 방법을 나타낸다.
도 11은 본 발명의 다른 일 실시예에 따른 통행 시간 예측 모델을 생성하는 과정을 도시한다.
도 12는 본 발명의 일 실시예에 따른 통행 시간 예측 장치를 도시한다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 본 발명의 실시예에 따른 혼잡도 데이터를 도시한다.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 혼잡도 데이터는 제1 시간의 특정 지역의 제1 혼잡도 정보(101) 제2 시간에서의 동일한 특정 지역의 제2 혼잡도 정보(102)를 포함한다. 도로의 혼잡도는 시간에 따라 변화하는 상대적인 값이다.
예를 들면, 특정 지역에 있어서, 제2 시간은 제1 시간보다 특정 지역 내의 도로의 혼잡도가 더 높은 시간이 될 수 있다. 제2 혼잡도 정보(102)에 나타난 특정 지역 내의 도로의 혼잡도는 제1 혼잡도 정보(101)에 나타난 특정 지역 내의 도로의 혼잡도보다 더 높은 단계의 혼잡도를 나타낼 수 있다.
제1 혼잡도 정보(101) 및 제2 혼잡도 정보(102)는 특정 지역 내의 도심에서 근로하는 근로자들의 평균 출퇴근 시간, 특정 지역 내의 도심에서 발생할 것으로 예정된 행사, 특정 지역 내의 도심에서 발생한 돌발 상황과 같은 다양한 혼잡 요소를 포함할 수 있다. 제1 혼잡도 정보(101) 및 제2 혼잡도 정보(102)에서 볼 수 있듯이, 특정 지역 내의 도심의 도로 중에서 교차로 및 교차로 주변(예를 들면, 실제 거리가 교차로로부터 2km 이내인 도로)이 특정 지역 내의 다른 도로보다 더 혼잡도가 높다.
도 2는 본 발명의 실시예에 따른 교차로를 도시한다.
특정 지역(201)은 교차로 및 도로를 포함하며, 교차로와 도로는 노드와 링크로 연결될 수 있다. 노드는 교차로를 포함하는 특정 지점을 나타낼 수 있다. 링크는 노드와 노드를 연결하는 선으로 구성될 수 있으며, 차량이 주행 가능한 도로를 의미할 수 있다.
본 발명의 실시예에 따른 통행 시간 예측 장치는 노드를 중심으로 다양한 형태의 교통 정보를 제공할 수 있다. 교통 정보의 예로는 도로 상의 차량의 양을 나타내는 교통량 정보, 통행 시간 정보를 포함할 수 있다.
도 3은 본 발명의 실시예에 따른 교차로 간 통행 시간을 계산하는 방법을 도시한다.
도 3에 도시된 바와 같이, 특정 지역(301)에 대한 확대 지도(302)에 있어서, 특정 차량이 특정 지역 내의 소지역(302)에 포함된 제1 교차로(303)와 제2 교차로(304) 사이를 통과한 시간은 제1 교차로(302)를 통과한 제1 시간과 제2 교차로(303)를 통과한 제2 시간 사이의 차이로 구할 수 있다. 제1 교차로(302)와 제2 교차로(303)의 두 교차로 사이의 거리는 두 교차로 각각의 위치의 차이(변위)가 가 될 수 있다.
제1 교차로(302)에서 제2 교차로(303)로 통과하는 차량의 통행 속도 XY(km/h)는 아래와 같이 수학식 1로 표현될 수 있다.
Figure 112018057783834-pat00001
(Tba는 두 교차로 사이의 통과 시간(s), XYba는 두 교차로 사이의 거리(m))
이에 따라, 제1 교차로(302)에서 제2 교차로(303)로 통과하는 차량의 평균 통행 시간과 두 교차로 사이의 거리를 이용하여 앞으로 두 교차로를 통과할 차량의 통행 속도를 예측할 수 있다.
또한, 제1 교차로(302)에서 제2 교차로(303)를 통과하는 차량의 통행 평균 통행 속도와 두 교차로 사이의 거리를 이용하여 앞으로 두 교차로를 통과할 차량의 통행 시간을 예측할 수 있으며, 예측된 통행 시간을 이용하여 제1 교차로(302)와 제2 교차로(303) 사이의 구간을 포함하는 특정 차량의 전체 이동 경로에 대한 통행 시간을 예측할 수 있다.
도 4는 본 발명의 실시예에 따른 교차로 별 시간의 변화에 따른 통행 속도 매트릭스를 도시한다.
도 4에 도시된 바와 같이, 통행 속도 데이터(X1, X2, ..., Xt-1, Xt)(401)는 교차로 각각에서 시간 T가 t=1, 2, ..., t-1, t일 때 통행한 차량들의 통행 속도를 기록한 이력 데이터이다.
통행 속도 매트릭스(403, 404, 405)는 현재 시간 T=t인 경우, T=1에서 기록된 특정 지역의 교차로들(가로 n개, 세로 m개의 교차로들)의 제1 통행 시간 매트릭스(403), T=t-1에서 기록된 교차로들의 제2 통행 시간 매트릭스(404) 및 T=t에서 기록된 교차로들의 제N 통행 시간 매트릭스(405)를 포함할 수 있다.
통행 시간 예측 장치는 지도 상의 특정 지역(402)을 기준으로 시간의 흐름에 따라 수집된 다양한 교차로에 대한 복수의 통행 속도 이력 매트릭스들(403-405)을 생성할 수 있고, 복수의 통행 시간 매트릭스들(403-405)를 이용하여 특정 차량이 특정 교차로 사이를 특정 시간에 통과하는 통행 속도를 예측할 수 있다.
도 5는 본 발명의 실시예에 따른 특정 지역의 시간의 변화에 따른 날씨 데이터를 도시한다.
도 5에 도시된 바와 같이, 날씨 데이터(501)는 시, 군 또는 구를 포함하는 특정 지역(502)에서, 날씨의 종류(예를 들면, 기온, 강수량, 강설량 등)에 관한 정보를 포함할 수 있다.
날씨 이력 매트릭스(503)는 T=1부터 T=t까지 변화한 특정 지역(502)에서의 날씨 종류(기온, 강수량, 강설량 등)(1, 2, 3, ..., n)에 관한 정보를 포함할 수 있다.
도 6은 본 발명의 실시예에 따른 시간대 매트릭스를 도시한다.
도 6에 도시된 바와 같이, 시간대 데이터(501)는 특정 지역에서 시간의 변화(T=1에서 T=t까지)에 따른 시간대 값(예: 요일, 분, 시간, 날짜, 달)을 나타낸다.
시간대 매트릭스(603)는 특정 지역(602)에서 시간의 변화(601)에 따른 시간대 값(예를 들면, 요일, 분, 시간, 날짜, 달)를 나타낼 수 있다. 시간대 매트릭스(603)는 동일 시간대인 경우(T가 동일한 경우) 하나의 시간대 값(예를 들면, 월요일)으로 표현될 수 있다.
도 7은 본 발명의 실시예에 따른 혼잡도(Heatmap) 매트릭스를 도시한다.
도 7에 도시된 바와 같이, 혼잡도 데이터(701, 702, 703)는 각각 특정 지역에서 특정 시간 T에서의 도로의 혼잡 정도가 단계 별로 지도 상에 나타난 형태가 될 수 있다. 혼잡도 데이터(701, 702, 703)는 특정 교차로뿐만 아니라, 도심 전체의 통행 흐름의 형태에 관한 정보를 포함한다.
혼잡도 매트릭스(705)는 이러한 복수의 혼잡도(701-703) 사이의 혼잡 정도의 변화량을 벡터로 나타난 형태가 될 수 있다. 즉, 혼잡도 데이터(705)는 제1 시점에서의 제1 혼잡도 데이터(701)와 제2 시점에서의 제2 혼잡도 데이터(702) 사이의 변화량 및 제2 혼잡도 데이터(702)와 제3 시점에서의 제3 혼잡도 데이터(703)사이의 변화량을 벡터의 형태로 나타낼 수 있다.
도 8은 본 발명의 실시예에 따른 통합 교통 데이터 셋을 생성하는 과정을 도시한다.
통행 시간 예측 장치(805)는 도 4 내지 도 7을 통해 설명한 복수의 교통 매트릭스들을 수집하고, 수집된 복수의 교통 매트릭스들을 하나의 통합 교통 데이터 셋(801)으로 통합할 수 있으며, 통합 교통 데이터 셋(801)을 이용하여 통행 시간 예측 모델을 생성할 수 있다.
통행 시간 예측 모델이 최초 생성된 이후에, 통행 시간 예측 장치(805)는 새로운 입력 데이터(802)를 통행 시간 예측 모델로 입력하고, 입력 데이터(802)에 기반하여 통행 시간 예측 모델로부터 출력되는 출력 데이터(803)를 이용하여, 통행 시간 예측 모델(804)을 훈련시킬 수 있다. 즉, 통행 시간 예측 장치(805)는 통행 시간 예측 모델의 복수의 계수들을 복수의 입력 데이터(802) 및 그에 따른 복수의 출력 데이터(803)를 이용하여 계속하여 수정할 수 있다. 즉, 통행 시간 예측 장치(805)는 복수의 계수를 포함하는 통행 시간 예측 모델(804)을 생성한 이후에, 계속하여 입력 데이터를 입력받고, 입력 데이터에 따라 출력되는 출력 데이터를 이용하여 통행 시간 예측 모델(804)의 기 생성된 복수의 계수를 수정할 수 있다.
도 9는 본 발명의 실시예에 따른 단순 병합 모델을 도시한다.
도 9에 도시된 바와 같이, 도 8에서 설명한 통행 시간 예측 모델에 대한 훈련이 수행되면, 통행 시간 예측 장치는 통행 시간 예측 모델을 이용하여 통행 시간 예측 결과를 출력할 수 있다.
예를 들면, 통행 시간 예측 장치는 통행 속도 매트릭스(901), 날씨 매트릭스(902), 시간대 매트릭스(903), 혼잡도 매트릭스(904)를 모두 통합하여 통행 시간 예측 모델(905)의 계수를 결정하고, 입력 데이터 및 출력 데이터를 이용하여 계수를 수정할 수 있으며, 수정된 통행 시간 예측 모델(905)을 이용하여 통행 시간을 예측하여 출력할 수 있다.
도 10은 본 발명의 일 실시예에 따른 통행 시간 예측 모델을 생성하는 방법을 나타낸다.
도 10에 도시된 바와 같이, 통행 시간 예측 장치는 도 4 내지 도 7의 교통 매트릭스 중 교통 흐름에 따라 비교적 빈번히 변경되는 매트릭스들(예를 들면, 날씨 매트릭스, 시간대 매트릭스, 혼잡도 매트릭스)를 제외한 일부 매트릭스(예를 들면, 통행 시간 매트릭스)(1001)를 이용하여 1차 훈련을 통해 최초 통행 시간 예측 모델(1010)을 생성한 후, 나머지 일부 매트릭스들(날씨 매트릭스, 시간대 매트릭스, 혼잡도 매트릭스)(1002, 1003, 1004)을 이용하여 2차 훈련을 통해 수정된 최종 통행 시간 예측 모델(1020)을 생성할 수 있다.
도 11은 본 발명의 다른 일 실시예에 따른 통행 시간 예측 모델을 생성하는 과정을 도시한다.
도 11에 도시된 바와 같이, 통행 시간 예측 장치는 다수의 매트릭스들을 교통 흐름에 따라 변동성이 작은 매트릭스부터 큰 매트릭스를 순서대로 이용하여 통행 시간 예측 모델에 대한 훈련을 수행할 수 있다.
예를 들면, 통행 시간 예측 장치는 가장 먼저 통행 속도 매트릭스(1101)에 기반하여 1차 훈련을 통해 제1 통행 시간 예측 모델(1102)을 생성하고, 날씨 매트릭스(1103)에 기반하여 2차 훈련을 통해 제1 통행 시간 예측 모델(1102)을 1차 수정한 제2 통행 시간 예측 모델(1104)을 생성하며, 시간대 매트릭스(1105)를 이용하여 3차 훈련을 통해 제2 통행 시간 예측 모델(1104)을 수정한 제3 통행 시간 예측 제3 모델(1106)을 생성하며, 혼잡도 매트릭스(1107)를 이용하여 4차 훈련을 통해 제3 통행 시간 예측 모델(1106)을 수정한 최종 통행 시간 예측 모델(1108)을 생성할 수 있다.
도 12는 본 발명의 일 실시예에 따른 통행 시간 예측 장치를 도시한다.
도 12에 도시된 바와 같이, 본 발명의 일 실시예에 따르면, 통행 시간 예측 장치(100)는 입력부(102), 데이터 수집부(103), 메모리(104), 프로세서(105) 및 출력부(108)를 포함할 수 있다.
입력부(102)는 외부로부터 사용자의 입력 또는 외부 통신 장치와의 데이터 교환을 이용하여 통행 시간 매트릭스, 날씨 매트릭스, 시간대 매트릭스 및 혼잡도 매트릭스를 수신할 수 있다.
데이터 수집부(103)는 입력부(102)를 통해 수신된 통행 시간 매트릭스, 날씨 매트릭스, 시간대 매트릭스 및 혼잡도 매트릭스를 수집하여 메모리(104)에 저장할 수 있다.
메모리(104)는 데이터 수집부(103)를 통해 수집된 통행 시간 매트릭스, 날씨 매트릭스, 시간대 매트릭스 및 혼잡도 매트릭스를 저장하기 위한 저장 공간을 포함할 수 있다.
프로세서(105)는 메모리(104)에 저장된 통행 시간 매트릭스, 날씨 매트릭스, 시간대 매트릭스 및 혼잡도 매트릭스를 획득하여 도 1 내지 도 11을 참조하여 설명한 훈련들을 수행하는 통행 시간 훈련부(106) 및 통행 시간 훈련부(106)를 통해 훈련된 통행 시간 예측 모델을 이용하여 통행 시간을 예측하는 통행 시간 예측부(107)를 포함할 수 있다.
출력부(108)는 프로세서(105)를 통해 생성된 통행 시간 예측 데이터를 외부로 출력할 수 있다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (16)

  1. 통행 시간 예측 모델을 이용한 통행 시간 예측 장치의 통행 시간 예측 방법에 있어서,
    특정 지역에서의 통행 속도와 관련된 제1 교통 데이터를 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하기 위한 제1 예측 모델을 생성하는 단계;
    상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터와 다른 제2 교통 데이터를 이용하여 상기 제1 예측 모델을 수정하여 제2 예측 모델을 생성하는 단계; 및
    상기 제2 예측 모델을 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하는 단계를 포함하고,
    상기 제1 예측 모델을 생성하는 단계는,
    상기 특정 지역을 기준으로 시간의 흐름에 따라 수집된, 복수의 교통 매트릭스를 생성하고, 수집된 복수의 교통 매트릭스를 통합 교통 데이터 셋으로 통합하는 단계를 포함하고,
    상기 제2 예측 모델을 생성하는 단계는,
    상기 제1 예측 모델을 훈련시키기 위해, 새로운 데이터를 상기 제1 예측 모델에 입력하는 단계; 그리고,
    훈련된 제1 예측 모델에서 출력되는 출력 데이터를 이용하여 상기 제1 예측 모델의 복수의 계수를 수정하는 단계를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 제2 교통 데이터는 상기 제1 교통 데이터보다 시간에 따른 변화량이 더 큰
    방법.
  3. 제2항에 있어서,
    상기 제1 교통 데이터는 상기 특정 지역을 통과한 차량들의 통행 속도 이력을 포함하는
    방법.
  4. 제3항에 있어서,
    상기 제1 교통 데이터는 상기 특정 지역의 날씨 정보를 포함하는
    방법.
  5. 제4항에 있어서,
    상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터 및 상기 제2 교통 데이터보다 시간에 따른 변화량이 더 큰 제3 교통 데이터를 이용하여 상기 제2 예측 모델을 수정하여 제3 예측 모델을 생성하는 단계, 그리고
    상기 제3 예측 모델을 이용하여 상기 통행 시간을 예측하는 단계를 더 포함하는
    방법.
  6. 제5항에 있어서,
    상기 제3 교통 데이터는 시간대 정보를 포함하는
    방법.
  7. 제6항에 있어서,
    상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터, 상기 제2 교통 데이터 및 상기 제3 교통 데이터보다 시간에 따른 변화량이 더 큰 제4 교통 데이터를 이용하여 상기 제3 예측 모델을 수정하여 제4 예측 모델을 생성하는 단계, 그리고
    상기 제4 예측 모델을 이용하여 상기 통행 시간을 예측하는 단계를 더 포함하는
    방법.
  8. 제7항에 있어서,
    상기 제4 교통 데이터는 상기 특정 지역에서 시간의 흐름에 따른 교통량의 변화 정보를 포함하는
    방법.
  9. 특정 지역에서의 통행 속도와 관련된 제1 교통 데이터 및 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터와 다른 제2 교통 데이터를 수집하는 데이터 수집부;
    상기 제1 교통 데이터를 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하기 위한 제1 예측 모델을 생성하고, 상기 제2 교통 데이터를 이용하여 상기 제1 예측 모델을 수정하여 제2 예측 모델을 생성하는 통행 시간 훈련부; 및
    상기 제2 예측 모델을 이용하여 상기 특정 지역을 통과할 차량의 통행 시간을 예측하는 통행 시간 예측부를 포함하고,
    상기 통행 시간 훈련부는,
    상기 특정 지역을 기준으로 시간의 흐름에 따라 수집된, 복수의 교통 매트릭스를 생성하고, 수집된 복수의 교통 매트릭스를 통합 교통 데이터 셋으로 통합하고,
    상기 제1 예측 모델을 훈련시키기 위해, 새로운 데이터를 상기 제1 예측 모델에 입력하고, 훈련된 제1 예측 모델에서 출력되는 출력 데이터를 이용하여 상기 제1 예측 모델의 복수의 계수를 수정하는,
    통행 시간 예측 장치.
  10. 제9항에 있어서,
    상기 제2 교통 데이터는 상기 제1 교통 데이터보다 시간에 따른 변화량이 더 큰
    통행 시간 예측 장치.
  11. 제10항에 있어서,
    상기 제1 교통 데이터는 상기 특정 지역을 통과한 차량들의 통행 속도 이력을 포함하는
    통행 시간 예측 장치.
  12. 제11항에 있어서,
    상기 제1 교통 데이터는 상기 특정 지역의 날씨 정보를 포함하는
    통행 시간 예측 장치.
  13. 제12항에 있어서,
    상기 데이터 수집부는 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터 및 상기 제2 교통 데이터보다 시간에 따른 변화량이 더 큰 제3 교통 데이터를 수집하고,
    상기 통행 시간 훈련부는 상기 제3 교통 데이터를 이용하여 상기 제2 예측 모델을 수정하여 제3 예측 모델을 생성하며,
    상기 통행 시간 예측부는 상기 제3 예측 모델을 이용하여 상기 통행 시간을 예측하는
    통행 시간 예측 장치.
  14. 제13항에 있어서,
    상기 제3 교통 데이터는 시간대 정보를 포함하는
    통행 시간 예측 장치.
  15. 제14항에 있어서,
    상기 데이터 수집부는 상기 특정 지역에서의 통행 속도와 관련되며, 상기 제1 교통 데이터, 상기 제2 교통 데이터 및 상기 제3 교통 데이터보다 시간에 따른 변화량이 더 큰 제4 교통 데이터를 수집하고,
    상기 통행 시간 훈련부는 상기 제4 교통 데이터를 이용하여 상기 제3 예측 모델을 수정하여 제4 예측 모델을 생성하며,
    상기 통행 시간 예측부는 상기 제4 예측 모델을 이용하여 상기 통행 시간을 예측하는
    통행 시간 예측 장치.
  16. 제15항에 있어서,
    상기 제4 교통 데이터는 상기 특정 지역에서 시간의 흐름에 따른 교통량의 변화 정보를 포함하는
    통행 시간 예측 장치.
KR1020180067707A 2018-06-12 2018-06-12 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치 KR102545188B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180067707A KR102545188B1 (ko) 2018-06-12 2018-06-12 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치
US16/439,243 US11430330B2 (en) 2018-06-12 2019-06-12 Method for predicting travel time using spatio-temporal model and apparatus thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180067707A KR102545188B1 (ko) 2018-06-12 2018-06-12 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치

Publications (2)

Publication Number Publication Date
KR20190140770A KR20190140770A (ko) 2019-12-20
KR102545188B1 true KR102545188B1 (ko) 2023-06-20

Family

ID=68765308

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180067707A KR102545188B1 (ko) 2018-06-12 2018-06-12 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치

Country Status (2)

Country Link
US (1) US11430330B2 (ko)
KR (1) KR102545188B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992708B (zh) * 2019-12-20 2021-10-01 斑马网络技术有限公司 实时通行速度预测方法、装置及电子设备
CN113487872B (zh) * 2021-09-07 2021-11-16 南通飞旋智能科技有限公司 一种基于大数据和人工智能的公交车通行时间预测方法
CN115565376B (zh) * 2022-09-30 2024-05-03 福州大学 融合graph2vec、双层LSTM的车辆行程时间预测方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110392A1 (en) * 2011-10-28 2013-05-02 At&T Mobility Ii Llc Automatic travel time and routing determinations in a wireless network

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3783525B2 (ja) * 2000-05-18 2006-06-07 株式会社デンソー 平均車速算出装置及び記録媒体
KR100557081B1 (ko) * 2003-12-18 2006-03-03 삼성전자주식회사 복합항법 시스템에서 지.피.에스 수신기의 시간 지연 추정방법 및 그 장치
KR100702852B1 (ko) * 2004-10-28 2007-04-06 한국도로공사 과거 및 실시간 교통정보를 이용하여 교통상황의 예측 및동적경로 안내를 제공하는 방법 및 시스템
KR100865939B1 (ko) * 2006-12-29 2008-10-30 포스데이타 주식회사 교통정보 안내 시스템 및 방법
KR100979724B1 (ko) * 2008-05-29 2010-09-02 (주)제이티 복합검지체계를 가진 교통정보 예측 복합 검지기 및교통정보 예측 방법
KR101244784B1 (ko) 2008-12-22 2013-03-18 한국전자통신연구원 무선 네트워크를 이용한 실시간 도로 교통 정보 제공 시스템 및 그 방법
CN103038117B (zh) * 2010-06-29 2016-01-20 本田技研工业株式会社 堵车预测方法
US20120253648A1 (en) 2011-04-01 2012-10-04 Electronics And Telecommunications Research Institute Apparatus and method for generating traffic information
KR20120126175A (ko) * 2011-05-11 2012-11-21 팅크웨어(주) 전자기기 및 전자기기의 동작 방법
US20150348410A1 (en) 2014-05-30 2015-12-03 Lg Cns Co., Ltd. Method and apparatus for estimating time to arrival of transportation
KR101742042B1 (ko) 2016-11-15 2017-05-31 한국과학기술정보연구원 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체
KR101805846B1 (ko) 2016-11-21 2017-12-08 한국교통연구원 교통링크 속도 예측 방법 및 이를 위한 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110392A1 (en) * 2011-10-28 2013-05-02 At&T Mobility Ii Llc Automatic travel time and routing determinations in a wireless network

Also Published As

Publication number Publication date
US11430330B2 (en) 2022-08-30
KR20190140770A (ko) 2019-12-20
US20190378405A1 (en) 2019-12-12

Similar Documents

Publication Publication Date Title
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
US9417069B2 (en) Familiarity modeling
US9599488B2 (en) Method and apparatus for providing navigational guidance using the states of traffic signal
Yildirimoglu et al. Experienced travel time prediction for congested freeways
JP4547408B2 (ja) 交通状況予測装置，交通状況予測方法
JP2016513805A (ja) 車両ルート指定および交通管理のための車線レベル車両ナビゲーション
Afrin et al. A probabilistic estimation of traffic congestion using Bayesian network
KR102545188B1 (ko) 통행 시간 예측 모델을 이용한 통행 시간 예측 방법 및 통행 시간 예측 장치
JP2011138487A (ja) 空間−時間関係に基づく交通予測方法およびシステム
KR20150072471A (ko) 시공간 확률 모델을 이용한 교통 흐름 예측 시스템
EP4138051A1 (en) Method of collecting data from fleet of vehicles
JP7451303B2 (ja) 交通状況予測装置、および、交通状況予測方法
Abidin et al. Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models
US20190088116A1 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
KR100772511B1 (ko) 교통 예측을 기반으로 하는 최단 경로 검색 방법 및 그장치
Sinha et al. Sustainable time series model for vehicular traffic trends prediction in metropolitan network
Casas et al. Decision Support Systems (DSS) for traffic management assessment: Notes on current methodology and future requirements for the implementation of a DSS
JP3975004B2 (ja) 交通流データ予測装置および交通流データ予測方法
JP2005063034A (ja) 交通情報予測装置、交通情報予測方法及びプログラム
Ahmed Integration of Real-Time Traffic State Estimation and Dynamic Traffic Assignment with Applications to Advanced Traveller Information Systems
KR102332924B1 (ko) 그래프 모델 기반 교통 정보 예측 방법, 장치 및 컴퓨터 프로그램
JP2022087906A (ja) 交通状況予測装置、および、交通状況予測方法
Abdelatif et al. Enhancing Traffic Forecasting Accuracy with Fuzzy Data Fusion Learning
US20240242600A1 (en) Infrastructure Sensor Processing
Bari et al. Use of Toll Transaction Data for Travel Time Prediction on National Highways Under Mixed Traffic Conditions

Legal Events

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