KR102546540B1 - Lstm 기반 교통 혼잡도 예측 방법 및 장치 - Google Patents

Abstract

본 발명은 LSTM 기반 교통 혼잡도 예측 방법에 관한 것으로, 더욱 상세하게는 교통 흐름 데이터에서 시공간 특징을 추출을 활용한 결측 대치 및 LSTM 기반 교통 혼잡도를 예측하는 LSTM 기반 교통 혼잡도 예측 방법 및 장치에 관한 것이다. 본 발명의 실시예에 따르면, LSTM 기반 교통 혼잡도 예측 장치는 순서 또는 시간이라는 측면을 고려하여 교통 데이터의 시계열적인 특성을 학습할 수 있다. 본 발명의 다른 실시예에 따르면, LSTM 기반 교통 혼잡도 예측 장치는 도심 외곽지역이 도심지보다 외부의 방해로 인한 교통 흐름에 영향이 작기 때문에 예측 시 변수 작용을 하는 요인이 줄어들어 정확도가 높은 예측을 제공할 수 있다.

Description

LSTM 기반 교통 혼잡도 예측 방법 및 장치{METHOD AND APPARATUS FOR PREDICTION OF TRAFFIC CONGESTION BASED ON LSTM}

본 발명은 LSTM 기반 교통 혼잡도 예측 방법에 관한 것으로, 더욱 상세하게는 교통 흐름 데이터에서 시공간 특징을 추출을 활용한 결측 대치 및 LSTM 기반 교통 혼잡도를 예측하는 LSTM 기반 교통 혼잡도 예측 방법 및 장치에 관한 것이다.

최근 4차 산업혁명 핵심기술을 기반으로 스마트 자동차가 다양한 형태로 생산되고 있다. 자동차의 역할은 단순한 운송수단이 아닌 생활공간으로 바뀌고, 새로운 편의가치를 제공하는 인포테이먼트 형태로 변화하고 있다. 스마트 자동차 수요가 증가할수록 원활한 도로관리를 위한 교통정보 수집 및 가공은 매우 중요한 영역이기 때문에 단순히 양적인 측면이 아닌 질적인 측면에서 접근이 필요하다. 이를 위해 기존의 교통체계에 IT 기술을 활용한 지능형 교통 시스템(ITS: Intelligent Transportation System)의 연구가 이루어지고 있다.

도로 자원의 수요증가에 따라 발생하는 문제점에 대한 연구는 사용자의 편의를 증진하는 교통 복지의 기반이 되는 주요 연구이다. 교통 복지는 운행비용, 통행시간, 사고비용, 주차비용, 정시성, 접근성 등 다양하게 구성되며 높은 비중을 차지하는 것은 교통 혼잡도이다. 이에 따라 지능형 교통 시스템을 위해 도로 전 구간의 교통정보를 실시간으로 수집하고 혼잡구간, 교통량, 교통사고 현황 등의 다양한 정보를 제공함으로써 도로 교통망의 기능을 향상시키고 있다.

또한, ITS는 실시간 교통정보제공 서비스를 운영한다. 운전자에게 최적의 경로를 제공하여 혼잡한 도로의 혼잡가중을 방지하고 해당 도로의 교통량을 분산시키기 위한 형태로 이용되기 때문에 신속성에 중점을 두어 정확성은 비교적 떨어진다. 따라서 최근에는 이러한 문제점을 해결하기 위한 딥러닝 모델 및 여러 예측 모델을 통한 실시간 교통상황 패턴 예측에 관한 연구가 활발하게 이루어지고 있으며, 시계열 데이터를 기반으로 한 교통량 예측 연구가 이루어지고 있다.

또한, 사물 인터넷 및 센서, 기업의 고객 데이터 트래킹 및 수집 증가, 소셜 네트워크 서비스의 확산으로 인한 비정형 데이터 증가, 저장매체 기술 발전 및 가격하락으로 많은 데이터가 생성되고 있다. 현재 4차 산업혁명의 대표적인 기술 중 데이터가 핵심적인 역할을 하고 있는 빅데이터, 인공지능, 머신러닝, 딥러닝 등의 연구들이 활발해지고 있다. 이와 같은 연구들은 데이터의 양과 질로 모델의 성능이 결정되는데 데이터의 양적인 측면은 해소되고 있지만 현실에서 수집되는 과정에서 일련의 이유로 값이 누락되거나 이상한 값이 저장되는 경우가 많아 데이터의 질적 측면은 떨어진다. 이는 데이터 분석의 어려움, 균형이 맞지 않는 데이터 구조, 모델의 예측 성능감소로 이어진다. 따라서 결측값을 대치하기 위한 알고리즘 적용 및 통계적 방법을 이용한 예측기술이 필요하다.

1. 한국 공개특허공보 제10-2013-0158919호 “시공간 확률 모델을 이용한 교통 흐름 예측 시스템”(공개일자 : 2015년 06월 30일)

본 발명은 교통 데이터에서 시공간특징 추출을 활용한 결측 대치를 통해 교통 데이터의 이상치를 제거하여, 시계열 데이터의 구조에 적합한 LSTM 모델 통해 패턴이 보존된 연속적인 교통데이터를 예측하는 LSTM 기반 교통 혼잡도 예측 방법 및 장치를 제공한다.

본 발명의 일 측면에 따르면, LSTM 기반 교통 혼잡도 예측 장치를 제공한다.

본 발명의 일 실시예에 따른 LSTM 기반 교통 혼잡도 예측 장치는 교통 데이터를 수집하는 데이터 수집부, 수집된 상기 교통 데이터의 대한 보정을 수행하는 데이터 보정부, 보정된 교통데이터에 기초하여 적대적 오토 인코더(AAE) 기반 결측 대치 모델을 수행하는 전처리부 및 전처리된 교통데이터에 기초하여 시계열 기반 딥러닝 모델(LSTM) 기반 교통 혼잡도를 예측하는 예측부를 포함할 수 있다.

본 발명의 일 측면에 따르면, LSTM 기반 교통 혼잡도 예측 방법 및 이를 실행하는 컴퓨터 프로그램을 제공한다.

본 발명의 일 실시 예에 따른 LSTM 기반 교통 혼잡도 예측 방법은 교통 데이터를 수집하는 단계, 수집된 상기 교통 데이터의 대한 데이터 보정을 수행하는 단계, 보정된 교통데이터에 기초하여 적대적 오토 인코더(AAE) 기반 결측 대치 모델에 따라 데이터 전처리를 수행하는 단계 및 전처리된 교통데이터에 기초하여 시계열 기반 딥러닝 모델을 통해 교통 혼잡도를 예측하는 단계를 포함할 수 있다.

본 발명의 실시예에 따르면, LSTM 기반 교통 혼잡도 예측 장치는 순서 또는 시간이라는 측면을 고려하여 교통 데이터의 시계열적인 특성을 학습할 수 있다.

본 발명의 다른 실시예에 따르면, LSTM 기반 교통 혼잡도 예측 장치는 도심 외곽지역이 도심지보다 외부의 방해로 인한 교통 흐름에 영향이 작기 때문에 예측 시 변수 작용을 하는 요인이 줄어들어 정확도가 높은 예측을 제공할 수 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1 은 본 발명의 실시예에 따른 지능형 교통시스템의 프로세스를 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 장치를 도시한 도면이다.
도 3 및 도 4는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 이상치 제거를 설명하기 위한 도면들이다.
도 5 및 도 6은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 공간 추세활용법에 따른 결측 값 보정을 설명하기 위한 도면들이다.
도 7은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 시간 추세활용법에 따른 결측 값 보정을 설명하기 위한 도면이다.
도 8은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 적대적 오토 인코더(AAE) 기반 데이터 결측 대치 모델을 설명하기 위한 도면이다.
도 9는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 시계열 기반 딥러닝 모델을 설명하기 위한 도면이다.
도 10 및 도 11은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 장치를 설명하기 위한 도면들이다.
도 12는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법을 설명하기 위한 흐름도이다.

이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결" 되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결" 되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.

도 1 은 본 발명의 실시예에 따른 지능형 교통시스템(ITS: Intelligent Transport Systems)의 프로세스를 설명하기 위한 도면이다.

도 1을 참조하면, 지능형 교통시스템(ITS)은 기술의 융합을 통해 교통 체계의 운영 및 관리의 과학화, 자동화를 통해 교통의 효율성과 안정성을 향상시키는 교통 시스템이다.

지능형 교통시스템(ITS)은 버스 정류장의 도착 안내시스템, 교차로에서 교통량에 따른 신호처리 시스템, 내비게이션의 실시간 교통정보, 하이패스 등이 있다.

지능형 교통시스템(ITS)은 도로나 도로변 등에 설치된 교통 정보 수집 장치로부터 교통 정보를 수집할 수 있다. 이때, 교통 정보 수집 장치는 CCTV, 차량감지, GPS 및 기상 정보 시스템을 포함할 수 있다. 교통 정보 수집 장치에 의해 수집된 정보는 유선 또는 무선통신을 통해 교통 데이터 관리 센터로 전송될 수 있다.

교통 데이터 관리 센터는 수집된 정보를 교통시설에 사용하기 위해 보안하고 분석하고 처리한다. 분석 처리된 데이터는 교통 관리를 위해 제공될 수 있다. 교통 데이터 관리 센터는 교통 상태를 컨트롤 하고, 사용자에게 정보 전달할 수 있다. 지능형 교통시스템(ITS)은 교통수단과 교통시설에 전자제어 및 통신 등에 첨단 기술을 사용하여 수집하고 교통 정보 및 서비스를 제공할 수 있다

실시예에 따라, 교통 데이터 관리 센터는 인터넷을 통해 교통 정보전광판(VMS: Variable Message Sign)으로 정보를 제공할 수 있다. 교통 데이터 관리 센터는 교통신호 제어기, 휴대기기에 정보를 제공할 수 있다. 또한, 운영/물류 관리를 통해 교통 관리를 수행할 수 있다.

도 2는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 장치를 도시한 도면이다.

도 2를 참조하면, LSTM 기반 교통 혼잡도 예측 장치(100)는 데이터 수집부(110), 데이터 보정부(120), 전처리부(130) 및 예측부(140)를 포함할 수 있다.

데이터 수집부(110)는 사용자에게 교통 상황을 제공을 위한 데이터를 수집할 수 있다. 이때, 교통데이터는 지능형 교통시스템(ITS)에서 제공하는 노드/링크 데이터와 교통 데이터를 포함할 수 있다.

노드/링크 데이터는 도로의 구간이나 도로가 이어지는 지점 데이터를 포함할 수 있다.

교통데이터는 도로나 도로변 등에서 교통 정보 수집 장비를 통해 수집이 이루어질 수 있다. 교통 데이터에는 수집 장비의 오류나 도로에 차가 다니지 않아 생기는 음영지역 발생으로 인한 정보 수집 불가 및 과속으로 인한 이상치가 생성되어 결측 및 이상치가 포함될 수 있다.

실시예에 따라, 교통데이터는 5분마다 수집되며, 수집된 데이터는 해당 5분에 전체 데이터가 수집되지 않는 경우는 간격 결측(Interval Missing), 도로별로 수집이 되지 않는 부분이 있는 경우는 지역적 결측 (Location Missing), 하루 전체가 수집되지 않은 경우인 일별 결측(Days Missing)이 포함될 수 있다.

실시예에 따라, 교통데이터는 결측값은 아니며 도로마다 교통 흐름의 평균이 존재하지만 교통 흐름의 평균에 벗어나 지나치게 작거나 큰 값을 나타내는 이상치를 포함할 수 있다. 즉, 교통 속도 데이터는 교통 평균속도의 흐름을 왜곡시키는 이상치와 수집이 되지 않은 데이터 결측이 존재한다. 이상치는 도로마다 교통 흐름의 평균이 존재하지만 교통 흐름의 평균에 벗어나 지나치게 작거나 큰 값을 나타낸다.

실시예에 따라, 교통데이터는 교통데이터가 5분마다 수집되어야 하지만 5분에 해당하는 전체 데이터가 수집되지 않는 경우는 시간적 결측을 포함할 수 있고, 5분마다 수집은 되었지만 도로별로 수집이 되지 않는 부분이 있는 경우는 공간적 결측이 포함될 수 있다.

데이터 보정부(120)는 이상치와 결측 값을 처리함으로써 딥러닝 모델을 통한 교통 혼잡도 예측을 위한 특징값 추출하기 위한 데이터 전처리를 수행할 수 있다. 이를 위해, 데이터 보정부(120)는 데이터 필터링 통해 데이터의 이상치를 제거할 수 있다. 또한, 데이터 보정부(120)는 시계열적인 특징과 공간적인 특징을 가지는 교통 데이터에서 결측 값을 보정할 수 있다.

실시예에 따라, 데이터 보정부(120)는 전처리된 데이터를 사용하여 딥러닝 모델의 구성 중 입력 데이터는 5분 전 속도와 5분 전 속도 평균, 현재 속도, 인접 상류부 속도 데이터를 사용할 수 있고, 출력 데이터는 5분 후 속도 데이터를 사용할 수 있다.

전처리부(130)는 데이터 결측 보정을 수행할 때, 시간 합성곱 연산(Time Convolution Layer)과 그래프 기반 합성곱 연산(Graph Convolution Layer)을 활용한 적대적 오토 인코더(AAE: Adversarial Auto Encoder) 기반 데이터 결측 대치 모델을 수행할 수 있다.

적대적 오토 인코더(AAE: Adversarial Auto Encoder)은 인코더(Encoder)와 디코더(Decoder)의 구조를 통해 데이터 생성이 가능한 모델인 변분 오토 인코더(VAE; Variational Auto Encoder)와 생성자(Generator)와 판별자(Discriminator)를 포함하는 적대적 생성 신경망(GAN; Generative Adversarial Networks)의 장점을 합쳐 만든 모델일 수 있다.

예측부(140)는 전처리가 완료된 데이터를 가지고 시계열 기반 딥러닝 모델을 통해 교통 혼잡도를 예측할 수 있다. 이때, 시계열 기반 딥러닝 모델은 LSTM(Long Short-Term Memory)이 사용될 수 있다.

도 3 및 도 4는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 이상치 제거를 설명하기 위한 도면들이다.

데이터 보정부(120)는 교통 데이터에서 이상 값과 결측값을 수정하기 위해 이상 값 제거를 먼저 수행할 수 있다. 이상치 제거 방법은 중위절대편차, 절사평균, 윈저화 평균 등이 포함될 수 있다. 데이터 보정부(120)는 각 도로의 특성과 교통 데이터 특성에 따라 적절한 방법을 사용하거나 조합할 수 있다.

데이터 보정부(120)는 이상치 제거를 위해 도 3에 도시된 알고리즘을 이용하여 중위절대편차 방법을 수행할 수 있다. 중위절대편차는 절대 편차의 한 종류로서 수집된 데이터의 중앙값을 사용하여 비정상적으로 크거나 작은 값들을 탐지하는 방법이다. 데이터 보정부(120)는 중위절대편차 방법을 통해 수집된 데이터에서 탐지된 값들을 이상치로 간주하여 제거할 수 있다.

도 4에서 교통 데이터는 이상치 및 각 결측 값을 포함하는 링크-시간 매트릭스 형태의 데이터이다. 교통 데이터 매트릭스의 세로축은 링크아이디(LINK_ID)를 나타내고, 가로축은 시간(TIME)을 나타낸다.

데이터 보정부(120)는 교통 데이터 매트릭스에서 (t2,L4)의 값은 74, (t3,L1)의 값은 80, (t3,L5)의 값은 77이므로, 중앙값을 사용하여 비정상적으로 크다고 판단하여 이상치라고 판단할 수 있다. 이후, 데이터 보정부(120)는 교통 데이터 매트릭스에서 해당 이상치의 값을 제거(NA)할 수 있다.

도 5 및 도 6은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 공간 추세활용법에 따른 결측 값 보정을 설명하기 위한 도면들이다.

데이터 보정부(120)는 도 5에 도시된 알고리즘에 따라 공간 추세 활용법을 이용하여 결측값 보정을 수행할 수 있다. 데이터 보정부(120)는 교통패턴이 유사한 구간, 즉 상류부의 교통의 흐름은 그대로 하류부의 교통의 흐름에 영향이 미친다는 것을 전제하에 결측을 보정할 수 있다. 데이터 보정부(120)는 교통 검지기가 이상이 생겨 데이터가 누락이 발생할 경우, 인접 링크인 근접 교통 검지기로부터 수집한 데이터의 평균을 통해 보정을 수행할 수 있다.

도 6을 참조하면, 데이터 보정부(120)는 교통 데이터 매트릭스에서 공간 결측에 의해 (t2,L4), (t3,L1), (t3,L4), (t3,L5), (t3,L4), (t4,L3), (t4,Ln), (tn,L3), (tn,Ln)의 데이터 값이 NA인 경우 인접한 교통 검지기로부터 수집한 데이터의 평균 값으로 보정할 수 있다.

도 7은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 시간 추세활용법에 따른 결측 값 보정을 설명하기 위한 도면이다.

데이터 보정부(120)는 시간 추세 활용법을 이용한 결측값 보정을 수행할 수 있다. 데이터 보정부(120)는 시간 추세 활용법을 통해 결측이 검지된 데이터의 시점에서 이전 시점으로 n개의 자료를 평균하여 누락된 시점까지의 자료를 추정할 수 있다.

데이터 보정부(120)는 시간 추세를 사용한 보정 방정식을 통해 하기 수학식 1과 같이 누락된 값을 추정할 수 있다.

여기서, Ft는 현재 주기 t의 누락데이터추정치,

은 기간 t-k의 검지 데이터, n은 과거 이용 데이터의 검지 주기수이다.

도 7을 참조하면, 데이터 보정부(120)는 교통 데이터 매트릭스에서 시간 결측에 의해 t1 데이터의 시점이 결측되는 경우, 이전 시점의 자료에 기초하여 누락된 값을 보정할 수 있다.

도 8은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 적대적 오토 인코더(AAE) 기반 데이터 결측 대치 모델을 설명하기 위한 도면이다.

적대적 오토 인코더(AAE)는 교통데이터의 결측 대치를 위해 적대적 오토 인코더(AAE) 모델의 구조를 사용할 수 있다. 전처리부(130)는 인코더와 디코더에 교통데이터의 시공간적 특징들을 학습하기 위해 시간 합성곱 연산층(Time Convolution Layer)과 그래프 기반 합성곱 연산층(Graph Convolution Layer)을 인코더와 디코더에 추가하고, 시간 합성곱 연산층과 그래프 기반 합성곱 연산층에서 각각의 특징을 추출하기 위해 레이어를 쌓아 특징들을 합쳐주는 블록을 통해 연산을 진행할 수 있다.

적대적 오토 인코더(AAE)는 마스크 벡터와 랜덤 노이즈(z) 그리고 결측된 데이터인 벡터(x)를 아다마르 곱 연산할 수 있다. 연산된 값(X)은 인코더에 인풋 데이터로 입력하여 잠재 분포의 매개 변수를 모델링할 수 있다. 디코더는 결측값을 예측하기 위해 잠재공간에서 표본을 추출할 수 있다. 판별자는 대치된 데이터와 관측값을 구분하며 학습을 진행할 수 있다.

즉, 전처리부(130)는 변분 오토 인코더 (VAE)의 인코더 부분이 생성자(Generator) 역할을 하며 데이터 x를 받아서 잠재표현 벡터(Latent vector) z를 샘플링하고, 생성자의 디코더는 이로부터 다시

를 복원한다. 적대적 오토 인코더(AAE)는 연속적인 잠재표현 벡터를 만들기 위해 사전분포 p(z)를 먼저 정의하고 판별자(Discriminator)를 사용하여 학습하고, 잠재표현 벡터 z를 입력으로 받아 사전분포 p(z)와 비교하며 학습을 진행할 수 있다.

도 9는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법에서의 시계열 기반 딥러닝 모델을 설명하기 위한 도면이다.

도 9를 참조하면, LSTM 셀의 구조는 메모리 셀과 게이트로 구성되고 메모리 셀에는 입력된 정보가 저장되고 셀에 저장되는 정보를 제어하기 위해 게이트가 사용될 수 있다.

이때, LSTM 셀의 게이트는 인풋 게이트(

:Input Gate), 포겟 게이트 (

:Forget Gate), 아웃풋 게이트(

:Output Gate)를 포함할 수 있다. 즉, 인풋 게이트는 현재 시간 t에서 받은 입력 데이터를 제어하고, 아웃풋 게이트는 현재 시간 t에서 출력되는 출력 데이터를 제어하고, 포겟 게이트는 현재 시간 t에서 데이터의 보존 여부를 제어할 수 있다. 따라서, LSTM 모델에 기반을 둔 교통 혼잡도 예측 방법은 인풋 게이트를 통해 입력 데이터를 제어하고, 아웃풋 게이트를 통해 출력 데이터를 제어하고, 포겟 게이트를 통해 데이터의 보존 여부를 제어하는 시계열 기반 딥러닝 모델을 통해 교통 혼잡도를 예측할 수 있다.

LSTM 모델에서 LSTM#1은 제1 시간(t-|p|+2)의 데이터 (

,

,···,

)에 기초하여 아웃풋

을 출력할 수 있다. LSTM#2은 제2시간(t-1)의 데이터 (

,

···,

)에 기초하여 아웃풋

을 출력할 수 있다. LSTM#3은 제3시간(t)에 데이터

,

와 이전 LSTM의 출력인

및

에 어텐션(Attention) 메커니즘을 사용하여 예상 아웃풋을 출력할 수 있다.

실시예에 따라, LSTM 모델의 구성 중 입력 데이터는 10분 전 속도와 5분 전 속도 평균, 현재 속도, 인접 상류부 속도 데이터를 사용한다. 출력 데이터는 5분 후 속도 데이터를 사용할 수 있다.

도 10 및 도 11은 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 장치를 설명하기 위한 도면들이다.

도 10에 도시된 바와 같이, 예측 장치는 LSTM 기반 교통 혼잡도 예측을 위한 전처리 과정을 수행할 수 있다.

이를 위해, LSTM 기반 교통 혼잡도 예측 장치(100)는 예측 구간의 전체 구간별 속도데이터를 표로 표시할 수 있다. LSTM 기반 교통 혼잡도 예측 장치(100)는 링크아이디(LINK_ID)가 입력되고 이상치 제거 및 결측 대치 중 적어도 하나의 필요한 전처리 과정이 선택되고, 시작버튼의 동작에 따라 전처리를 수행할 수 있다.

또한, LSTM 기반 교통 혼잡도 예측 장치(100)는 전처리가 완료된 구간의 데이터는 그래프로 나타내고, 전 처리된 데이터는 저장 버튼을 통해 저장도 가능할 수 있다.

도 11을 참조하면, LSTM 기반 교통 혼잡도 예측 장치(100)는 전처리 된 데이터에 기초하여 교통 혼잡도를 예측할 수 있다.

LSTM 기반 교통 혼잡도 예측 장치(100)에서 왼쪽 상단 구간 선택 창에서 구간을 선택할 수 있다. LSTM 기반 교통 혼잡도 예측 장치(100)는 선택한 구간에 대응하여 링크 개요(LINK overview)창에서는 선택한 구간에 대한 설명(LINK_ID, LINK_NAME, Velocity), 자료 수집(Data collection)창에서는 선택한 구간의 날짜별 속도 수집현황을 표시할 수 있다.

LSTM 기반 교통 혼잡도 예측 장치(100)는 Status 창에서 5분 후의 예측이 선택되고, 예측(Predict)버튼이 동작하는 경우, 해당 구간의 전반적인 혼잡도 결과를 표시하며 혼잡도는 원할(초록), 복잡(주황), 매우 복잡(빨강)으로 나타낼 수 있다. 이때, 혼잡도는 원활은 30Km/h 이상, 복잡은 15Km/h~30Km/h, 매우 복잡은 15Km/h 미만의 기준으로 설정될 수 있다. 또한, 혼잡이 예상되는 구간의 수치적인 정보는 표로 표시될 수 있다.

도 12는 본 발명의 실시예에 따른 LSTM 기반 교통 혼잡도 예측 방법을 설명하기 위한 흐름도이다.

도 12를 참조하면, 단계 S10에서, LSTM 기반 교통 혼잡도 예측 장치는 교통 데이터를 수집할 수 있다.

단계 S20에서, LSTM 기반 교통 혼잡도 예측 장치(100)는 수집된 교통데이터의 이상치를 제거할 수 있다.

단계 S30에서, LSTM 기반 교통 혼잡도 예측 장치(100)는 공간추세 활용법, 시간추세 활용법 중 적어도 하나를 이용하여 교통데이터의 결측 값을 보정할 수 있다.

단계 S40에서, LSTM 기반 교통 혼잡도 예측 장치(100)는 보정된 교통데이터에 기초하여 적대적 오토 인코더(AAE) 기반 결측 대치 모델을 수행할 수 있다. LSTM 기반 교통 혼잡도 예측 장치(100)는 교통패턴이 유사한 구간의 데이터를 이용하는 공간추세 활용법과 과거데이터를 통해 현재 값을 보정하는 시간추세 활용법을 수행하여 공간과 시간의 관점을 다르게 두고 데이터에 생기는 결측 값을 상호보완적으로 보정할 수 있다.

단계 S50에서, LSTM 기반 교통 혼잡도 예측 장치(100)는 전처리 된 교통데이터에 기초하여 시계열 기반 딥러닝 모델(LSTM; Long-Term Memory) 기반 교통 혼잡도를 예측할 수 있다.

상술한 LSTM 기반 교통 혼잡도 예측 방법은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 발명의 실시 예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시 예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시 예 들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이제까지 본 발명에 대하여 그 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

100: LSTM 기반 교통 혼잡도 예측 장치
110: 데이터 수집부
120: 데이터 보정부
130: 전처리부
140: 예측부

Claims (11)

1. 교통 데이터를 수집하는 데이터 수집부;
   수집된 상기 교통 데이터의 대한 보정을 수행하는 데이터 보정부;
   보정된 교통데이터에 기초하여 결측 대치 모델을 수행하는 전처리부; 및
   전처리된 교통데이터에 기초하여 시계열 기반 딥러닝 모델(LSTM) 기반 교통 혼잡도를 예측하는 예측부를 포함하되,
   상기 데이터 보정부는
   데이터 필터링을 통해 상기 수집된 교통데이터의 이상치를 제거하고,
   교통패턴이 유사한 구간의 데이터를 이용하는 공간추세 활용법을 이용하여 상기 교통데이터의 결측 값을 보정하고,
   과거 데이터를 통해 현재 값을 보정하는 시간추세 활용법을 이용하여 상기 교통데이터의 결측 값을 보정하고
   상기 결측 대치 모델은
   적대적 오토 인코더 기반 데이터 결측 대치 모델이고,
   시간 합성곱 연산층 및 그래프 기반 합성곱 연산층을 인코더와 디코더에 추가하고, 각각의 특징을 추출하기 위해 레이어를 쌓아 특징들을 합하여 연산을 진행하고,
   마스크 벡터와 랜덤 노이즈 및 결측 된 데이터인 벡터를 아다마르 곱 연산하고, 연산 된 값을 인코더에 입력하여 잠재 분포의 매개 변수를 모델링하고, 디코더는 결측 값 예측을 위해 잠재 공간에서 표본을 추출하고, 판별자는 대치된 데이터와 관측 값을 구분하여 학습을 진행하는 LSTM 기반 교통 혼잡도 예측 장치.
   
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 시계열 기반 딥러닝 모델은
   입력 데이터를 제어하는 인풋 게이트;
   출력 데이터를 제어하는 아웃풋 게이트; 및
   데이터의 보존 여부를 제어하는 포겟 게이트를 포함하되,
   제1시간 및 제2시간의 데이터에 기초하여 각각 아웃풋을 출력하고,
   제3시간의 데이터와 상기 아웃풋에 어텐션 메커니즘을 사용하여 예상 아웃풋을 출력하는 LSTM 기반 교통 혼잡도 예측 장치.
   
6. 교통 데이터를 수집하는 단계;
   수집된 상기 교통 데이터의 대한 데이터 보정을 수행하는 단계;
   보정된 교통데이터에 기초하여 결측 대치 모델에 따라 데이터 전처리를 수행하는 단계; 및
   전처리 된 교통데이터에 기초하여 시계열 기반 딥러닝 모델을 통해 교통 혼잡도를 예측하는 단계를 포함하되,
   상기 데이터 보정을 수행하는 단계는
   데이터 필터링을 통해 상기 교통데이터의 이상치를 제거하는 단계;
   과거 데이터를 통해 현재 값을 보정하는 시간추세 활용법을 이용하여 상기 교통데이터의 결측 값을 보정하는 단계 및
   교통패턴이 유사한 구간의 데이터를 이용하는 공간추세 활용법을 이용하여 상기 교통데이터의 결측 값을 보정하는 단계를 포함하고,
   상기 결측 대치 모델은
   적대적 오토 인코더 기반 데이터 결측 대치 모델이고,
   시간 합성곱 연산층 및 그래프 기반 합성곱 연산층을 인코더와 디코더에 추가하고, 각각의 특징을 추출하기 위해 레이어를 쌓아 특징들을 합하여 연산을 진행하고,
   마스크 벡터와 랜덤 노이즈 및 결측 된 데이터인 벡터를 아다마르 곱 연산하고, 연산 된 값을 인코더에 입력하여 잠재 분포의 매개 변수를 모델링하고, 디코더는 결측 값 예측을 위해 잠재 공간에서 표본을 추출하고, 판별자는 대치된 데이터와 관측 값을 구분하여 학습을 진행하는 LSTM 기반 교통 혼잡도 예측 방법.
   
7. 삭제
8. 삭제
9. 삭제
10. 제6항에 있어서,
    상기 시계열 기반 딥러닝 모델을 통해 교통 혼잡도를 예측하는 단계는
    인풋 게이트를 통해 입력 데이터를 제어하는 단계;
    아웃풋 게이트를 통해 출력 데이터를 제어하는 단계; 및
    포겟 게이트를 통해 데이터의 보존 여부를 제어하는 단계를 포함하되,
    제1시간 및 제2시간의 데이터에 기초하여 각각 아웃풋을 출력하고,
    제3시간의 데이터와 상기 아웃풋에 어텐션 메커니즘을 사용하여 예상 아웃풋을 출력하는 LSTM 기반 교통 혼잡도 예측 방법.
    
11. 제6항 및 제10항 중 어느 하나에 따른 LSTM 기반 교통 혼잡도 예측 방법을 실행하는 컴퓨터가 판독 가능한 기록매체에 기록된 컴퓨터 프로그램.
    
    

Images