KR102604575B1 - Method, computer device, and computer program to predict propagation time delay lag of road congestion using transfer entropy - Google Patents
Method, computer device, and computer program to predict propagation time delay lag of road congestion using transfer entropy Download PDFInfo
- Publication number
- KR102604575B1 KR102604575B1 KR1020210119772A KR20210119772A KR102604575B1 KR 102604575 B1 KR102604575 B1 KR 102604575B1 KR 1020210119772 A KR1020210119772 A KR 1020210119772A KR 20210119772 A KR20210119772 A KR 20210119772A KR 102604575 B1 KR102604575 B1 KR 102604575B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- road
- congestion
- processor
- roads
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 130
- 238000012546 transfer Methods 0.000 title claims abstract description 15
- 238000004590 computer program Methods 0.000 title claims abstract description 10
- 230000001364 causal effect Effects 0.000 claims abstract description 50
- 230000005540 biological transmission Effects 0.000 claims abstract description 31
- 230000000644 propagated effect Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 59
- 238000005070 sampling Methods 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000012066 statistical methodology Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
전송 엔트로피를 이용하여 도로 정체의 전파 지연 시간을 예측하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램이 개시된다. 도로 정체 예측 방법은, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피(transfer entropy)를 이용한 인과관계를 분석하는 단계; 및 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 단계를 포함한다.A method, computer device, and computer program for predicting propagation delay time of road congestion using transmission entropy are disclosed. The road congestion prediction method includes analyzing causal relationships using transfer entropy for a given pair of speed data on two roads; and predicting a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis results of the causal relationship.
Description
아래의 설명은 도로 정체를 예측하는 기술에 관한 것이다.The explanation below is about technology for predicting road congestion.
도로 정체의 발생과 이로 인한 정체 전파는 전 세계 대부분의 대도시에서 겪고 있는 교통 문제 중 하나이다.The occurrence and spread of road congestion is one of the traffic problems experienced in most large cities around the world.
이러한 교통 정체는 크게 반복적으로 발생하는 혼잡(recurrent congestion)과 사고나 기상악화, 집회 등의 유고 정보로 인해 비반복적으로 발생하는 혼잡(non-recurrent congestion)으로 나눌 수 있다.Such traffic congestion can be broadly divided into congestion that occurs repeatedly (recurrent congestion) and congestion that occurs non-recurringly due to accidents, bad weather, or gatherings.
특정 도로의 교통 정체 시점을 예측하는 방식은 주로 도로의 수용 가능한 차량의 대수를 기준으로 예측한다. 도로의 수용 가능한 차량의 대수가 정해져 있고, 수용 가능한 차량의 대수가 한계에 도달하는 경우 해당 도로에 정체 상황이 발생하게 되는데, 해당 도로의 정체 도달 시점부터 차량의 주행 속도가 급격히 저하된다.The method of predicting the timing of traffic congestion on a specific road is mainly based on the number of vehicles that can be accommodated on the road. The number of vehicles that can be accommodated on a road is set, and when the number of vehicles that can be accommodated reaches the limit, congestion occurs on the road, and the driving speed of vehicles decreases rapidly from the point of reaching congestion on the road.
이러한 반복적인 도로의 정체 도달 시점은 통계적으로 예측 가능하며, 이를 활용하여 교통 정체 상황 및 시점 예측이 가능하다.The timing of such repetitive road congestion can be statistically predicted, and using this, it is possible to predict the situation and timing of traffic congestion.
그러나, 유고 정보로 인해 비반복적으로 발생하는 교통 혼잡은 언제 어디서 일어날지 예측이 불가하기 때문에 패턴 분석이나 속도 변화 예측 등에 어려움이 있다.However, since it is impossible to predict when and where traffic congestion that occurs non-recurringly due to accident information will occur, it is difficult to analyze patterns or predict speed changes.
도로 정체의 전파 지연시간을 예측할 수 있는 정량적 방법론을 제공할 수 있다.It can provide a quantitative methodology to predict the propagation delay time of road congestion.
컴퓨터 장치에서 실행되는 도로 정체 예측 방법에 있어서, 상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 도로 정체 예측 방법은, 상기 적어도 하나의 프로세서에 의해, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피(transfer entropy)를 이용한 인과관계를 분석하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 단계를 포함하는 도로 정체 예측 방법을 제공한다.A method for predicting road congestion executed on a computer device, wherein the computer device includes at least one processor configured to execute computer-readable instructions included in a memory, and the method for predicting road congestion is performed by the at least one processor. , analyzing the causal relationship using transfer entropy for a given pair of speed data of two roads; and predicting, by the at least one processor, a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis result of the causal relationship. .
일 측면에 따르면, 상기 분석하는 단계는, 샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 단계를 포함할 수 있다.According to one aspect, the analyzing step may include generating a plurality of similar data pairs from original data pairs consisting of speed time series data of each road through a sampling method.
다른 측면에 따르면, 상기 생성하는 단계는, 상기 속도 시계열 데이터를 추세(trend) 데이터와 잔차(residual) 데이터로 분해하는 단계; 상기 잔차 데이터에 대한 샘플링을 통해 새로운 잔차 데이터를 생성하는 단계; 및 상기 새로운 잔차 데이터를 상기 추세 데이터와 더해서 상기 속도 시계열 데이터와 유사한 새로운 시계열 데이터를 생성하는 단계를 포함할 수 있다.According to another aspect, the generating step includes decomposing the velocity time series data into trend data and residual data; generating new residual data through sampling of the residual data; and adding the new residual data to the trend data to generate new time series data similar to the velocity time series data.
또 다른 측면에 따르면, 상기 분석하는 단계는, 비선형 정규화를 통해 상기 유사 데이터 쌍에 대한 전처리를 수행하는 단계를 더 포함할 수 있다.According to another aspect, the analyzing step may further include performing preprocessing on the similar data pair through non-linear normalization.
또 다른 측면에 따르면, 상기 분석하는 단계는, 속도 분포의 누적 분포함수를 이용하여 상기 유사 데이터 쌍을 정규화하는 단계를 더 포함할 수 있다.According to another aspect, the analyzing step may further include normalizing the similar data pair using a cumulative distribution function of the velocity distribution.
또 다른 측면에 따르면, 상기 분석하는 단계는, 연속적인 데이터를 이산 데이터로 변환하는 인코딩을 통해 상기 유사 데이터 쌍에 대한 전처리를 수행하는 단계를 더 포함할 수 있다.According to another aspect, the analyzing step may further include performing preprocessing on the similar data pair through encoding to convert continuous data into discrete data.
또 다른 측면에 따르면, 상기 예측하는 단계는, 상기 한 도로의 속도 데이터와 상기 다른 도로의 속도 데이터 사이의 시간 간격을 상기 인과관계를 기반으로 예측하는 단계를 포함할 수 있다.According to another aspect, the predicting step may include predicting a time interval between the speed data of the one road and the speed data of the other road based on the causal relationship.
또 다른 측면에 따르면, 상기 예측하는 단계는, 상기 유사 데이터 쌍 각각에 대하여 상기 인과관계를 기반으로 데이터 간의 시간 간격을 예측하는 단계; 및 상기 유사 데이터 쌍 전체의 상기 시간 간격에 대한 통계를 통해 상기 정체 전파 지연 시간을 추정하는 단계를 포함할 수 있다.According to another aspect, the predicting step includes predicting a time interval between data based on the causal relationship for each pair of similar data; and estimating the congestion propagation delay time through statistics on the time interval of all similar data pairs.
또 다른 측면에 따르면, 상기 추정하는 단계는, 상기 시간 간격에 대한 통계적 추론을 통해 상기 유사 데이터 쌍의 평균과 분산을 산출하는 단계; 및 상기 평균을 상기 정체 전파 지연 시간으로 이용하고 상기 분산을 상기 정체 전파 지연 시간에 대한 신뢰도로 이용하는 단계를 포함할 수 있다.According to another aspect, the estimating step includes calculating the average and variance of the similar data pair through statistical inference for the time interval; And it may include using the average as the congestion propagation delay time and using the variance as the reliability for the congestion propagation delay time.
또 다른 측면에 따르면, 상기 도로 정체 예측 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 정체 전파 지연 시간을 이용하여 경로 이동 시간을 예측하거나 우회 도로를 결정하는 단계를 더 포함할 수 있다.According to another aspect, the road congestion prediction method may further include predicting a route travel time or determining a detour road using the congestion propagation delay time, by the at least one processor.
상기 도로 정체 예측 방법을 상기 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.A computer program stored in a computer-readable recording medium is provided to execute the road congestion prediction method on the computer device.
컴퓨터 장치에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피를 이용한 인과관계를 분석하는 과정; 및 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 과정을 처리하는 컴퓨터 장치를 제공한다.A computer device comprising: at least one processor configured to execute computer-readable instructions included in a memory, wherein the at least one processor is configured to analyze a causal relationship using transfer entropy for a given pair of speed data of two roads. procedure; and a computer device that processes a process of predicting a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis results of the causal relationship.
본 발명의 실시예들에 따르면, 전송 엔트로피를 이용하여 정체 시작점을 기준으로 주변 도로의 정체가 시작되는 시점을 예측할 수 있으며, 교통사고나 도로 공사 등 불규칙적인 상황에서 유고 정보에 대한 데이터 없이 각 도로 사이의 인과관계를 이용하여 정체가 전파되는 패턴을 파악할 수 있다.According to embodiments of the present invention, it is possible to predict when congestion on surrounding roads begins based on the congestion start point using transmission entropy, and in irregular situations such as traffic accidents or road construction, it is possible to predict each road without data on accident information. By using the causal relationship between the two, the pattern of identity spread can be identified.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 있어서 도로 네트워크 예시를 도시한 것이다.
도 4는 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 방법의 예를 도시한 순서도이다.
도 5 내지 도 6은 본 발명의 일실시예에 있어서 원본 데이터로부터 유사 데이터를 생성하는 과정을 설명하기 위한 예시 도면이다.
도 7 내지 도 9는 본 발명의 일실시예에 있어서 도로 네트워크에서의 정체 전파 지연 시간을 예측하는 과정을 설명하기 위한 예시 도면이다.1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention.
Figure 2 is a block diagram showing an example of a computer device according to an embodiment of the present invention.
Figure 3 shows an example road network in one embodiment of the present invention.
Figure 4 is a flowchart showing an example of a method that can be performed by a computer device according to an embodiment of the present invention.
Figures 5 and 6 are exemplary diagrams for explaining a process of generating similar data from original data according to an embodiment of the present invention.
Figures 7 to 9 are exemplary diagrams for explaining a process for predicting congestion propagation delay time in a road network according to an embodiment of the present invention.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the attached drawings.
본 발명의 실시예들은 도로 정체를 예측하는 기술에 관한 것이다.Embodiments of the present invention relate to technology for predicting road congestion.
본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 전송 엔트로피를 이용하여 도로 정체의 전파 지연시간을 예측할 수 있고, 이를 통해 보다 정확한 경로 이동 시간을 예측할 수 있고 적절한 상황에서 최적의 우회도로를 결정할 수 있다.Embodiments including those specifically disclosed herein can predict the propagation delay time of road congestion using transmission entropy, thereby predicting more accurate route travel time and determining the optimal detour in appropriate situations. there is.
본 발명의 실시예들에 따른 도로 정체 예측 장치는 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있으며, 본 발명의 실시예들에 따른 도로 정체 예측 방법은 도로 정체 예측 장치에 포함되는 적어도 하나의 컴퓨터 장치를 통해 수행될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 도로 정체 예측 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 도로 정체 예측 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.The road congestion prediction device according to embodiments of the present invention may be implemented by at least one computer device, and the road congestion prediction method according to embodiments of the present invention may be implemented by at least one computer device included in the road congestion prediction device. It can be performed through . At this time, the computer program according to an embodiment of the present invention may be installed and driven in the computer device, and the computer device may perform the road congestion prediction method according to the embodiments of the present invention under the control of the driven computer program. there is. The above-described computer program can be combined with a computer device and stored in a computer-readable recording medium to execute the road congestion prediction method on the computer.
도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.1 is a diagram illustrating an example of a network environment according to an embodiment of the present invention. The network environment in FIG. 1 shows an example including a plurality of
복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.The plurality of
통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들 간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.The communication method is not limited, and may include not only a communication method utilizing a communication network that the
서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 내비게이션 서비스 등)를 제공하는 시스템일 수 있다.Each of the
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.Figure 2 is a block diagram showing an example of a computer device according to an embodiment of the present invention. Each of the plurality of
이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.As shown in FIG. 2, this
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.The
통신 인터페이스(230)는 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.The
입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다.The input/
또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.Additionally, in other embodiments,
이하에서는 전송 엔트로피를 이용하여 도로 정체의 전파 지연 시간을 예측하는 방법 및 장치의 구체적인 실시예를 설명하기로 한다.Hereinafter, a specific embodiment of a method and apparatus for predicting propagation delay time of road congestion using transmission entropy will be described.
도 3은 본 발명의 일실시예에 있어서 도로 네트워크 예시를 도시한 것이다.Figure 3 shows an example road network in one embodiment of the present invention.
일부 도로에서 교통 혼잡(traffic congestion)이 발생하면 해당 도로의 주행 속도가 급격하게 떨어지게 되고, 혼잡이 발생한 도로로 진입하는 유입 도로의 교통량과 속도에도 영향을 미친다.When traffic congestion occurs on some roads, the driving speed on that road drops sharply, and it also affects the traffic volume and speed of inflow roads entering the congested road.
도 3을 참조하면, A 도로에서 정체가 발생하는 경우 시간이 지남에 따라 A 도로로 들어오는 다른 도로 중 적어도 일부 도로로 정체가 이어짐으로써 교통 체증의 전파(Traffic Congestion Propagation)가 일어난다.Referring to FIG. 3, when congestion occurs on Road A, traffic congestion spreads to at least some of the other roads entering Road A over time, resulting in traffic congestion.
예를 들어, 내비게이션 서비스에서 I, F, D, A 도로를 포함하는 경로를 추천한다고 가정한다. 시간 경과에 따라 A 도로의 정체가 D 도로와 F 도로로 전파되는 경우 기존 경로를 유지한다면 해당 경로를 주행하는 사용자의 이동 시간이 크게 지연될 것이다.For example, assume that a navigation service recommends a route including roads I, F, D, and A. If congestion on Road A spreads to Roads D and F over time, if the existing route is maintained, the travel time of users driving on that route will be significantly delayed.
내비게이션 서비스에서 정체가 전파되는 도로를 예측하고 각 도로의 정체가 시작되는 시점을 파악할 수 있다면 사용자에게 교통 체증의 전파가 예상되는 D 도로와 F 도로를 우회하는 최적 경로(예를 들어, I, H, G, A 도로를 포함하는 경로 등)를 추천할 수 있다.If the navigation service can predict the roads on which congestion is propagated and determine when congestion on each road begins, it can provide the user with the optimal route that bypasses D and F roads where traffic jam is expected to spread (e.g., I, H). , routes including roads G, A, etc.) can be recommended.
본 실시예에서는 교통 혼잡 발생 시 주변 도로로 정체가 전파되는 패턴과 각 도로의 정체가 시작되는 시간을 파악하기 위해 전송 엔트로피(transfer entropy, TE)를 이용한 분석 기술을 제안한다.In this embodiment, we propose an analysis technique using transfer entropy (TE) to determine the pattern of congestion spreading to surrounding roads when traffic congestion occurs and the time when congestion begins on each road.
도로 네트워크에서 연결된 도로는 서로 밀접한 연관성을 가지게 된다. 예를 들면, 도로에서 A, B, C 도로가 차례로 연결되어 있다고 가정하자. 만약, A 도로에서 정체가 발생하면 차량의 이동에 제한이 생기게 되고, 연속해서 B와 C 도로에서도 차가 막히기 시작할 것이다. 또한, 교통사고의 처리완료 또는 교통량의 감소로 인해 A 도로의 정체가 해소되기 시작하면 일정 시간 후에 B와 C 도로의 정체도 점차 해소될 것이다.Roads connected in a road network are closely related to each other. For example, let's assume that roads A, B, and C are sequentially connected. If congestion occurs on Road A, vehicle movement will be restricted, and cars will subsequently begin to become blocked on Roads B and C as well. In addition, when the congestion on Road A begins to clear due to the completion of traffic accidents or a decrease in traffic volume, the congestion on Roads B and C will gradually be relieved after a certain period of time.
본 실시예에서는 상기한 예시와 같이 인접한 도로의 차량 속도 데이터는 밀접한 연관성이 있다는 가정 하에 이들의 상관관계를 분석하고, 특히 인과관계를 분석하기 위해 전송 엔트로피 개념을 이용한다.In this embodiment, as in the example above, the correlation between vehicle speed data on adjacent roads is analyzed under the assumption that they are closely related, and in particular, the concept of transmission entropy is used to analyze the causal relationship.
전송 엔트로피는 정보 이론에서 비롯된 엔트로피 측정법으로, 두 개의 변수 사이의 비선형적인 인과관계를 파악하는 접근법이다. 정체가 발생한 A 도로와 인접한 N 도로의 속도 시계열 데이터를 각각 변수 X와 Y라 할 때, 전송 엔트로피를 이용해 두 변수 간의 인과관계를 정량적으로 나타낼 수 있다. 이 방법을 시간 지연(Time Lag)을 가지는 X와 Y에 적용함으로써 A 도로와 N 도로 사이에 얼마만큼의 시간 간격을 두고 정체가 전파되는지 분석할 수 있다.Transmission entropy is an entropy measure derived from information theory and is an approach to identify nonlinear causal relationships between two variables. When the speed time series data of the congested road A and the adjacent road N are referred to as variables X and Y, the causal relationship between the two variables can be expressed quantitatively using transmission entropy. By applying this method to
도 4는 본 발명의 일실시예에 따른 컴퓨터 장치가 수행할 수 있는 방법의 예를 도시한 흐름도이다.Figure 4 is a flowchart showing an example of a method that can be performed by a computer device according to an embodiment of the present invention.
본 실시예에 따른 컴퓨터 장치(200)는 클라이언트를 대상으로 클라이언트 상에 설치된 전용 어플리케이션이나 컴퓨터 장치(200)와 관련된 웹/모바일 사이트 접속을 통해 내비게이션 서비스를 제공할 수 있다. 컴퓨터 장치(200)에는 컴퓨터로 구현된 도로 정체 예측 장치가 구성될 수 있다.The
컴퓨터 장치(200)의 프로세서(220)는 도 4에 따른 도로 정체 예측 방법을 수행하기 위한 구성요소로 구현될 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.The
이러한 프로세서(220) 및 프로세서(220)의 구성요소들은 도 4의 도로 정체 예측 방법이 포함하는 단계들(S410 내지 S440)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다. 예를 들어, 프로세서(220) 및 프로세서(220)의 구성요소들은 메모리(210)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.The
여기서, 프로세서(220)의 구성요소들은 컴퓨터 장치(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.Here, the components of the
프로세서(220)는 컴퓨터 장치(200)의 제어와 관련된 명령이 로딩된 메모리(210)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(220)가 이후 설명될 단계들(S410 내지 S440)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.The
이후 설명될 단계들(S410 내지 S440)은 도 4에 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들(S410 내지 S440) 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.Steps S410 to S440 to be described later may be performed in an order different from the order shown in FIG. 4, and some of the steps S410 to S440 may be omitted or additional processes may be included.
도 4를 참조하면, 단계(S410)에서 프로세서(220)는 주어진 속도 데이터 쌍을 이용하여 복수 개의 샘플 데이터 쌍을 생성할 수 있다. 프로세서(220)는 경로에 포함된 두 도로의 속도 데이터로 이루어진 원본 데이터 쌍으로부터 유사 데이터 쌍을 생성할 수 있다. 프로세서(220)는 컴퓨터 장치(200)와 연동 가능한 시스템이나 플랫폼 등을 통해 도로 상의 차량의 실제 주행 속도로부터 샘플링하여 원본 데이터 쌍을 획득할 수 있다.Referring to FIG. 4, in step S410, the
교통 사고나 도로 공사 등 유고 정보는 한 지점에서 반복해서 발생하는 것이 아니고, 발생 시점도 불규칙적이기 때문에 유고 시점에서 속도가 급격하게 감소하는 정체 패턴 데이터가 많지 않다. 또한, 전송 엔트로피의 값은 시계열 데이터의 길이나 인코딩 방법 등 여러 변수에 대해 변동성이 크기 때문에 하나의 샘플 데이터로 판단하기 어려운 경우가 많다. 이러한 문제를 해결하기 위해 본 실시예에서는 속도 데이터 각각에 샘플링 알고리즘을 적용하여 생성된 샘플을 이용한다.Because traffic accident or road construction information does not occur repeatedly at one point and the time of occurrence is irregular, there is not much data on congestion patterns that show a sharp decrease in speed at the time of an accident. In addition, the value of transmission entropy is often difficult to judge from a single sample data because there is great variability in various variables such as the length of time series data and encoding method. To solve this problem, this embodiment uses samples generated by applying a sampling algorithm to each speed data.
도 5를 참조하면, 프로세서(220)는 샘플링 알고리즘의 일례인 부트스트랩 샘플링(bootstrap sampling) 방식을 이용하여 A 도로의 속도 데이터 X와 N 도로의 속도 데이터 Y로 이루어진 원본 데이터 쌍(501)으로부터 복수 개의 샘플 데이터 쌍(502)을 생성할 수 있다.Referring to FIG. 5, the
부트스트랩 샘플링 방식 중 하나인 마르코프 부트스트랩은 마르코프 연쇄(Markov Chain)에서 적용 가능한 부트스트랩 방법이다. 길이가 L인 마르코프 연쇄 이 있을 때, 마르코프 연쇄의 전이 확률 행렬과 분포를 계산할 수 있는데, 이를 기반으로 길이가 L인 새로운 부트스트랩 샘플을 생성할 수 있다.Markov bootstrap, one of the bootstrap sampling methods, is a bootstrap method applicable to Markov Chain. Markov chain of length L When there is, the transition probability matrix and distribution of the Markov chain can be calculated, and based on this, a new bootstrap sample of length L can be generated.
마르코프 부트스트랩은 균일한 정상 분포 시계열에서 주로 사용하는 샘플링 방식이다. 교통 혼잡 상황에서는 사고 이후 속도가 급격하게 떨어지는 데이터를 다루게 된다. 차량 속도가 급격하게 떨어지는 추세는 정체 상황에서 중요한 정보이기 때문에 본 실시예에서는 데이터의 추세를 그대로 유지하는 새로운 형태의 샘플링 기술을 제안한다.Markov bootstrap is a sampling method commonly used in uniformly distributed time series. In traffic congestion situations, we deal with data that shows a rapid drop in speed after an accident. Since the trend of rapidly decreasing vehicle speed is important information in congestion situations, this embodiment proposes a new type of sampling technique that maintains the data trend.
프로세서(220)는 새로운 샘플링 방법론으로서 길이 L의 정체 속도 데이터 을 추세(trend, T)와 잔차(residual, R)로 분해한다.
[수학식 1][Equation 1]
여기서, 는 한 도로 구간(road segment)에 대해 길이가 L인 속도 시계열 데이터를 나타낸다. 프로세서(220)는 속도 시계열 데이터 를 추세 와 나머지 잔차 로 분해할 수 있다.here, represents speed time series data of length L for one road segment.
추세는 m차 이동 평균을 이용하여 구할 수 있으며, 수학식 2와 같이 이전 m 시점의 데이터 평균을 나타낸다.The trend can be obtained using the mth moving average, which represents the data average of the previous m time points as shown in Equation 2.
[수학식 2][Equation 2]
분해된 잔차 데이터는 마르코프 성질을 가진다고 가정한다. 도 6에 도시한 바와 같이, 잔차 에 마르코프 부트스트랩을 적용하여 새로운 B개의 잔차 를 생성할 수 있다. 다음, 새로 생성된 잔차 를 추세 와 더하여 B개의 리샘플링 데이터 를 생성할 수 있고 이를 도로 정체의 전파 지연 시간 예측에 활용할 수 있다.It is assumed that the decomposed residual data has Markov properties. As shown in Figure 6, the residual Apply Markov bootstrapping to obtain new B residuals. can be created. Next, the newly created residuals trending plus B resampling data can be generated and used to predict propagation delay time of road congestion.
[수학식 3][Equation 3]
부트스트랩 샘플링 방식을 설명하고 있으나, 이에 한정되는 것은 아니며, 속도 데이터 와 유사한 시계열 데이터 를 생성할 수 있는 리샘플링 방식이라면 얼마든지 적용 가능하다.The bootstrap sampling method is described, but is not limited to this, and the rate data Time series data similar to Any resampling method that can generate can be applied.
속도 데이터 에 대해서도 위와 동일한 방식으로 속도 데이터 와 유사한 시계열 데이터 를 생성할 수 있다.speed data Speed data in the same way as above Time series data similar to can be created.
다시 도 4를 참조하면, 단계(S420)에서 프로세서(220)는 비선형 정규화를 통해 단계(S410)에서 생성된 샘플 데이터 쌍을 전처리할 수 있다.Referring again to FIG. 4, in step S420, the
프로세서(220)는 데이터 전처리 과정 중 하나로 비선형 정규화 과정을 적용할 수 있다. 실제 주행 속도나 교통량 데이터는 노이즈가 굉장히 많고, 이러한 노이즈에 대해 전송 엔트로피 값이 민감하게 반응하기 때문에 각 변수 사이의 상관관계가 분명히 존재하는 경우에도 결과가 잘 나타나지 않는 케이스가 존재한다. 따라서, 데이터 전처리를 통해 노이즈를 줄이면 성능을 크게 향상되는 것을 확인할 수 있다. 각 도로의 유형마다 제한 속도와 평균 주행 속도가 다르고, 정체로 인한 속도 감소의 폭도 다르기 때문에 이러한 분포를 일정하게 만들 수 있는 정규화 과정이 필요하다.The
일례로, 프로세서(220)는 속도 분포의 누적 분포함수를 이용하여 샘플 데이터 쌍을 정규화할 수 있다.For example, the
[수학식 4][Equation 4]
여기서, 는 단계(S410)에서 생성된 초기 샘플 데이터이며, 는 각각 t시점까지 의 25%, 50%, 75% 분위 수 값이다. 는 누적 분포함수를 나타내며, 수학식 4를 통해 계산된 가 정규화 과정을 거친 최종 샘플 데이터를 의미한다.here, is the initial sample data generated in step S410, Each is up to time t. These are the 25%, 50%, and 75% quantile values. represents the cumulative distribution function, calculated through Equation 4 refers to the final sample data that has gone through the normalization process.
실시예에 따라서는 제트 스코어(z-score)나 최소-최대(min-max) 정규화 등 다른 정규화 기법을 적용할 수 있다.Depending on the embodiment, other normalization techniques such as z-score or min-max normalization may be applied.
데이터 전처리 과정에서 정규화 이외에도 전송 엔트로피를 계산하기 위해서는 연속적인 데이터를 이산 데이터로 변환하는 인코딩 과정이 필요하다. 예를 들어, 프로세서(220)는 샘플 데이터의 분포에 대해 5%, 95% 분위 수를 기준으로 5% 분위수보다 낮은 경우 0, 5% 분위수와 95% 분위수 사이의 값은 1, 그리고 95% 분위수보다 큰 값은 2로, 총 3단계로 인코딩을 진행할 수 있다.In addition to normalization during data preprocessing, an encoding process that converts continuous data into discrete data is required to calculate transmission entropy. For example,
단계(S430)에서 프로세서(220)는 전처리된 샘플 데이터 쌍 각각에 대하여 전송 엔트로피를 이용한 인과관계를 기반으로 데이터 간의 시간 간격을 예측할 수 있다.In step S430, the
전송 엔트로피는 샤넌 엔트로피(Shannon entropy)를 기초로 하며 두 이산 변수 사이에서 정보의 흐름 방향을 측정하고 인과관계를 분석하는 방법이다.Transmission entropy is based on Shannon entropy and is a method of measuring the direction of information flow between two discrete variables and analyzing causal relationships.
두 시계열 데이터 X, Y가 있을 때, 전송 엔트로피는 특정 t시점의 Y 값이 Y의 이전 값보다 X의 이전 값으로 설명이 더 잘 된다면, X에서 Y 방향으로의 인과관계가 있다고 판단한다. 다시 말해, X에서 Y 방향으로의 전송 엔트로피 값이 크다면, 이는 X에서 Y로 전달되는 정보의 흐름이 많다고 볼 수 있고, 따라서 동일한 방향으로 인과관계가 존재한다고 할 수 있다. 본 실시예에서는 한 도로에서 다른 도로로 정체가 전파되는 경우 두 속도 데이터 사이에 인과관계가 존재한다는 가정 하에서 전송 엔트로피를 적용할 수 있다.When there are two time series data, X and Y, transmission entropy determines that there is a causal relationship from In other words, if the transfer entropy value from X to Y direction is large, this can be seen as a large flow of information being transmitted from In this embodiment, when congestion propagates from one road to another, transmission entropy can be applied under the assumption that a causal relationship exists between the two speed data.
프로세서(220)는 도로 정체의 전파 지연시간 예측에 활용하기 위해 특정 시간 지연(Time Lag)에 따른 전송 엔트로피를 측정한다. 예를 들어, 사고가 발생한 A 도로의 속도 데이터를 X라 하고, A 도로로 진입하는 N 도로의 속도 데이터를 Y라 할 때, A 도로의 정체는 N 도로로 전파되는 양상을 보인다. 따라서, A 도로의 속도가 감소하는 시점으로부터 일정 시간 간격을 두고 N 도로의 속도가 감소하기 시작한다. 프로세서(220)는 A 도로의 속도와 N 도로의 속도 사이의 시간 간격을 인과관계를 기반으로 예측하여 각 유입 도로의 정체가 시작되는 시점을 추정하여 최적 경로 탐색 등에 활용하고자 한다.The
프로세서(220)는 1분부터 25분까지 임의로 정한 특정 시차(Time Lag)에 대해 X에서 Y로 가는 방향의 전송 엔트로피를 계산한 후 가장 높은 엔트로피 값을 가지는 시간 간격 를 구한다. 일례로, 프로세서(220)는 적은 샘플로 인한 오차를 줄이기 위해 기본 전송 엔트로피가 아닌 유효 전송 엔트로피(Effective Transfer Entropy)를 사용한다. 이를 위해서는 연속적인 속도 데이터를 이산 데이터로 인코딩하는 과정이 필요하다. 일례로, 프로세서(220)는 속도 데이터의 분포에 대해 5%, 95% 분위 수를 기준으로 3단계로 인코딩을 진행한다. 인코딩된 속도 데이터는 값에 따라 0, 1, 또는 2로 나타낸 시계열 데이터가 될 것이다. 이렇게 인코딩된 X와 Y를 각각 J와 I로 표현하고, 수학식 5를 통해 데이터 간의 시간 간격 를 구한다.The
[수학식 5][Equation 5]
는 단계(S420)의 전처리 과정을 거친 속도 데이터 J와 I가 있을 때, J에서 I 방향으로의 인과관계가 얼마나 큰지 유효 전송 엔트로피를 이용하여 구하는 수식을 나타낸다. 여기서, u를 1분부터 25분까지 변화시키며 를 구하게 되고 이때, ETE 값이 가장 큰 u를 이라 한다. 가 단계(S430)의 결과값이 되며, A 도로에서 N 도로로 정체가 전파될 때 분의 간격을 두고 정체 전파가 발생했다고 해석할 수 있다. represents a formula for calculating how large the causal relationship from J to I is using effective transmission entropy when there is speed data J and I that have gone through the preprocessing process in step S420. Here, u is varied from 1 minute to 25 minutes. is obtained, and at this time, u with the largest ETE value is It is said. This becomes the result of step A (S430), when congestion propagates from road A to road N. It can be interpreted that congestion propagation occurred at intervals of minutes.
단계(S440)에서 프로세서(220)는 경로에 포함된 두 도로에 대해 생성된 복수 개의 샘플 데이터 쌍을 대상으로 시간 간격에 대한 통계적 추론을 통해 두 도로 사이의 정체 전파 지연 시간을 추정할 수 있다.In step S440, the
프로세서(220)는 샘플링을 통해 생성된 B개의 시계열 데이터 쌍에 대해서 전송 엔트로피를 이용한 예측 과정을 수행함으로써 B개의 예측값 를 생성할 수 있다. 단계(S410)에서 B 개의 샘플 데이터를 생성함에 따라 각각 데이터 쌍에 대해 전송 엔트로피를 이용한 예측 과정을 거치면 예측 값 을 샘플 데이터 쌍의 개수만큼(B개) 얻을 수 있다. 각 는 1분~25분 사이의 값을 가지게 되고 이 예측값들을 정체 전파 지연 시간에 대한 분포로 나타낼 수 있다. 그 후 통계적 추론을 이용하여 해당 샘플 데이터의 평균 과 분산 을 구할 수 있다.The
[수학식 6][Equation 6]
[수학식 7][Equation 7]
[수학식 8][Equation 8]
여기서, 는 예측값 의 평균을 의미하고 는 예측값 의 분산을 의미한다.here, is the predicted value means the average of is the predicted value means the dispersion of
평균 를 A 도로에서 N 도로로의 정체 전파 지연 시간으로 추정한다. 또한, 분산 은 예측에 대한 신뢰도로 정의한다. 만약 부트스트랩 분포의 분산이 작은 경우는 대부분의 부트스트랩 샘플에서 의 엔트로피 값이 매우 높게 나왔다는 것을 의미하고, 이 값은 신뢰할 수 있다. 한편, 분산이 매우 큰 경우에는 모든 시간 간격에 대해 엔트로피 값이 비슷하게 나왔기 때문에 A 도로와 N 도로 사이의 인과관계가 낮은 것으로 해석할 수 있다.average is estimated as the congestion propagation delay time from road A to road N. Also, distributed is defined as the reliability of the prediction. If the variance of the bootstrap distribution is small, most bootstrap samples This means that the entropy value of is very high, and this value is reliable. On the other hand, in cases where the variance is very large, the entropy values were similar for all time intervals, so the causal relationship between Road A and Road N can be interpreted as low.
따라서, 프로세서(220)는 주어진 시계열 데이터 쌍으로부터 샘플링을 통해 많은 수의 유사 데이터 쌍을 만든 후 정규화와 인코딩을 통해 이산 데이터로 변환할 수 있고, 유사 데이터 쌍에 대해 전송 엔트로피를 계산하여 전송 엔트로피 값이 가장 높은 시간 간격을 정체 전파 지연 시간으로 추정할 수 있다.Therefore, the
요컨대, 프로세서(220)는 정보 이론의 하나인 전송 엔트로피를 응용하여 두 도로 사이의 인과관계를 분석하고 도로 네트워크에서의 정체 전파 패턴을 파악할 수 있다. 또한, 프로세서(220)는 시간 간격에 대한 전송 엔트로피를 이용하여 정체가 다른 도로로 전파되는데 걸리는 지연 시간을 예측할 수 있고, 예측 결과를 통해 한 도로에서 정체가 시작되었을 때 다른 유입 도로의 정체 시작 시점을 예측할 수 있다. 이때, 프로세서(220)는 데이터 잡음의 영향을 제거하고 정확한 정보 전달을 분석하기 위해서 비선형적인 데이터 정규화 방법을 이용할 수 있으며, 속도 시계열 데이터 특성에 적합한 샘플링 방식(일례로, 부트스트랩 샘플링 등)을 활용하여 지연 시간에 대한 통계적 추정 방법을 적용할 수 있다.In short, the
도 7 내지 도 9는 본 발명의 일실시예에 있어서 도로 네트워크에서의 정체 전파 지연 시간을 예측하는 과정을 설명하기 위한 예시 도면이다.Figures 7 to 9 are exemplary diagrams for explaining a process for predicting congestion propagation delay time in a road network according to an embodiment of the present invention.
도 7을 참조하면, 교통 사고로 인한 정체 상황을 가정하고 사고 도로 A를 기준으로 B부터 I까지 8개의 도로가 존재하고 A 도로로 유입 가능한 4개의 경로가 존재한다고 가정한다.Referring to FIG. 7, assuming a congestion situation due to a traffic accident, it is assumed that there are eight roads from B to I based on accident road A, and that there are four routes that can flow into road A.
정체가 시작된 A 도로에 대해 K홉까지의 유입 도로를 포함하는 부분 그래프를 만들 수 있다. 각 경로에서 순차적으로 K개의 유입 도로에 대해 A 도로와의 인과관계를 추정할 수 있다.For road A, where congestion began, a partial graph can be created that includes the inflow roads up to K hop. In each route, the causal relationship with A road can be sequentially estimated for K inflow roads.
예를 들어, 도 8에 도시한 바와 같이 4개의 유입 경로 중 I, F, D, A 도로를 포함하는 경로(K=3)에서 D 도로, F 도로, I 도로 각각에 대해 전송 엔트로피를 이용하여 A 도로와의 인과관계를 추정할 수 있다.For example, as shown in FIG. 8, in the path (K=3) including roads I, F, D, and A among the four inflow paths, transfer entropy is used for each of road D, road F, and road I. A causal relationship with the road can be estimated.
두 도로의 속도 데이터 쌍에 대해 샘플링을 진행하기 때문에 도 9에 도시한 바와 같이 D 도로, F 도로, I 도로 각각에 대해 두 도로의 속도 사이의 시간 간격에 대한 분포를 얻을 수 있다. 이를 통해 예를 들어, D 도로, F 도로, I 도로에 대해 각각 8분, 15분, 20분이라는 정체 전파 지연 시간을 예측할 수 있다. 다시 말해, A 도로의 정체가 D 도로로 전파되기까지 걸리는 시간을 8분, F 도로로 전파되기까지 걸리는 시간을 15분, I 도로로 전파되기까지 걸리는 시간을 20분으로 추정할 수 있다.Since sampling is performed on the speed data pairs of the two roads, the distribution of the time interval between the speeds of the two roads can be obtained for each of the D road, F road, and I road, as shown in FIG. 9. Through this, for example, it is possible to predict congestion propagation delay times of 8 minutes, 15 minutes, and 20 minutes for D Road, F Road, and I Road, respectively. In other words, the time it takes for congestion on Road A to propagate to Road D can be estimated as 8 minutes, the time it takes for congestion to propagate to Road F as 15 minutes, and the time it takes for congestion to propagate to Road I as 20 minutes.
심각한 교통 혼잡 상황에서 정체의 전파 패턴을 파악하는 것은 경로 이동시간을 예측하고 가능한 우회 경로를 제공하는 데 필요한 매우 핵심적인 문제이다. 하지만 이러한 정체의 패턴을 모델링하는 것은 시간에 따른 변화뿐만 아니라 각 도로의 지리적인 특성과 날씨 등 다양한 변수를 고려해야 하기 때문에 어려운 문제이다. 또한, 한 도로에서 발생한 교통 체증은 인접한 유입 도로로 전파되기 때문에 시간, 공간적 정보를 모두 포함한 정체의 전파 예측 모델이 필요하다. 본 실시예에서는 정체가 다른 도로로 전파되는 패턴을 분석하고 이때 다른 도로의 정체가 시작되는 시점을 예측할 수 있다.In severe traffic congestion situations, identifying congestion propagation patterns is a critical issue needed to predict route travel times and provide possible detour routes. However, modeling such congestion patterns is a difficult problem because it must take into account not only changes over time but also various variables such as the geographical characteristics of each road and the weather. Additionally, because traffic congestion that occurs on one road spreads to adjacent inflow roads, a congestion propagation prediction model that includes both temporal and spatial information is needed. In this embodiment, the pattern of congestion propagating to other roads can be analyzed and the point in time when congestion on other roads begins can be predicted.
정체 전파의 원인이 되는 루트 도로(root road)는 유입 도로(inflow road)와 선형적인 또는 비선형적인 인과관계가 존재한다는 가정 하에 전송 엔트로피를 이용하여 두 도로의 속도 데이터 간의 인과관계를 정량적으로 표현할 수 있다.Under the assumption that the root road, which causes congestion propagation, has a linear or non-linear causal relationship with the inflow road, the causal relationship between the speed data of the two roads can be quantitatively expressed using transmission entropy. there is.
두 변수에 특정 시차를 주고 전송 엔트로피를 적용함으로써 정량적으로 계산된 값을 그대로 이용하는 것이 아닌, 인과관계가 가장 크다고 예상되는 지연 시차를 분석할 수 있다.By giving a specific time difference to the two variables and applying transmission entropy, it is possible to analyze the delay time difference expected to have the greatest causal relationship, rather than using the quantitatively calculated value as is.
정체 도로를 기준으로 K홉 내의 유입 도로를 포함하는 사고 지역의 네트워크를 생성한 후 모든 K홉 내 유입 도로에 대해 각각 분석하기 때문에 도로 네트워크의 지리적 형태와는 상관없이 모든 도로에 대해 정체 전파 지연 시간을 분석할 수 있다.Since a network of accident areas including inflow roads within K-hops is created based on the congested roads and then each inflow road within all K-hops is analyzed, the congestion propagation delay time is for all roads regardless of the geographical form of the road network. can be analyzed.
원본 데이터로부터 생성된 샘플을 이용한 통계적 추정을 통해 지연 시간에 대한 정량적인 예측을 가능하다. 이때, 통계적 추정에 따른 평균은 각 유입 도로로 정체가 전파되는 지연 시각을 예측하는데 사용되고, 분산은 해당 통계적 추정에 대한 신뢰도로 해석할 수 있다. 또한, 속도 시계열 데이터에 전처리 과정으로 정규화를 적용함으로써 더욱 정확한 예측 결과를 얻을 수 있다.Quantitative prediction of delay time is possible through statistical estimation using samples generated from original data. At this time, the average according to the statistical estimation is used to predict the delay time when congestion is propagated to each inflow road, and the variance can be interpreted as the reliability of the statistical estimation. Additionally, more accurate prediction results can be obtained by applying normalization as a preprocessing process to the speed time series data.
본 실시예에서는 기본적인 통계 방법론과 전송 엔트로피를 이용하여 정체 시작점을 기준으로 모든 주변 도로의 정체가 시작되는 시점을 예측할 수 있다. 이를 통해 내비게이션 서비스에서는 보다 정확한 경로 이동시간을 예측할 수 있으며, 적절한 상황에서 최적의 우회 도로를 결정할 수 있다. 또한, 교통사고나 도로 공사 등 불규칙적인 유고 상황에서 사고 정보에 대한 데이터 없이도 각 도로 사이의 인과관계만으로 정체가 전파되는 패턴을 파악할 수 있다.In this embodiment, it is possible to predict when congestion on all surrounding roads begins based on the congestion start point using basic statistical methodology and transmission entropy. Through this, the navigation service can predict more accurate route travel times and determine the optimal detour route in appropriate situations. In addition, in irregular accidents such as traffic accidents or road construction, it is possible to identify patterns in which congestion is propagated solely through the causal relationship between each road, even without data on accident information.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components. For example, the devices and components described in the embodiments include a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA), and a programmable logic unit (PLU). It may be implemented using one or more general-purpose or special-purpose computers, such as a logic unit, microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software. For ease of understanding, a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include. For example, a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device. The software and/or data may be embodied in any type of machine, component, physical device, computer storage medium or device for the purpose of being interpreted by or providing instructions or data to the processing device. there is. Software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. At this time, the medium may continuously store a computer-executable program, or temporarily store it for execution or download. In addition, the medium may be a variety of recording or storage means in the form of a single or several pieces of hardware combined. It is not limited to a medium directly connected to a computer system and may be distributed over a network. Examples of media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, And there may be something configured to store program instructions, including ROM, RAM, flash memory, etc. Additionally, examples of other media include recording or storage media managed by app stores that distribute applications, sites or servers that supply or distribute various other software, etc.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited examples and drawings, various modifications and variations can be made by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form than the described method, or other components are used. Alternatively, appropriate results may be achieved even if substituted or substituted by an equivalent.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims also fall within the scope of the claims described below.
Claims (20)
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 도로 정체 예측 방법은,
상기 적어도 하나의 프로세서에 의해, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피(transfer entropy)를 이용한 인과관계를 분석하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 정체 전파 지연 시간을 이용하여 경로 이동 시간을 예측하거나 우회 도로를 결정하는 단계
를 포함하는 도로 정체 예측 방법.In a road congestion prediction method executed on a computer device,
The computer device includes at least one processor configured to execute computer-readable instructions contained in a memory,
The road congestion prediction method is,
analyzing, by the at least one processor, a causal relationship using transfer entropy for a given pair of speed data of two roads;
predicting, by the at least one processor, a congestion propagation delay time during which congestion on one of the two roads is propagated to the other road based on the analysis result of the causal relationship; and
Predicting a route travel time or determining a detour using the congestion propagation delay time, by the at least one processor
Road congestion prediction method including.
상기 분석하는 단계는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 단계
를 포함하는 도로 정체 예측 방법.According to paragraph 1,
The analysis step is,
A step of generating a plurality of similar data pairs from the original data pair consisting of speed time series data for each road through a sampling method.
Road congestion prediction method including.
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 도로 정체 예측 방법은,
상기 적어도 하나의 프로세서에 의해, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피(transfer entropy)를 이용한 인과관계를 분석하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 단계
를 포함하고,
상기 분석하는 단계는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 단계
를 포함하고,
상기 생성하는 단계는,
상기 속도 시계열 데이터를 추세(trend) 데이터와 잔차(residual) 데이터로 분해하는 단계;
상기 잔차 데이터에 대한 샘플링을 통해 새로운 잔차 데이터를 생성하는 단계; 및
상기 새로운 잔차 데이터를 상기 추세 데이터와 더해서 상기 속도 시계열 데이터와 유사한 새로운 시계열 데이터를 생성하는 단계
를 포함하는 도로 정체 예측 방법.In a road congestion prediction method executed on a computer device,
The computer device includes at least one processor configured to execute computer readable instructions contained in a memory,
The road congestion prediction method is,
analyzing, by the at least one processor, a causal relationship using transfer entropy for a given pair of speed data of two roads; and
Predicting, by the at least one processor, a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis result of the causal relationship.
Including,
The analysis step is,
A step of generating a plurality of similar data pairs from the original data pair consisting of speed time series data for each road through a sampling method.
Including,
The generating step is,
Decomposing the speed time series data into trend data and residual data;
generating new residual data through sampling of the residual data; and
Adding the new residual data to the trend data to generate new time series data similar to the velocity time series data.
Road congestion prediction method including.
상기 분석하는 단계는,
비선형 정규화를 통해 상기 유사 데이터 쌍에 대한 전처리를 수행하는 단계
를 더 포함하는 도로 정체 예측 방법.According to paragraph 2,
The analysis step is,
Performing preprocessing on the similar data pair through non-linear normalization
A road congestion prediction method further comprising:
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 도로 정체 예측 방법은,
상기 적어도 하나의 프로세서에 의해, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피(transfer entropy)를 이용한 인과관계를 분석하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 단계
를 포함하고,
상기 분석하는 단계는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 단계; 및
속도 분포의 누적 분포함수를 이용하여 상기 유사 데이터 쌍을 정규화하는 단계
를 포함하는 도로 정체 예측 방법.In a road congestion prediction method executed on a computer device,
The computer device includes at least one processor configured to execute computer readable instructions contained in a memory,
The road congestion prediction method is,
analyzing, by the at least one processor, a causal relationship using transfer entropy for a given pair of speed data of two roads; and
Predicting, by the at least one processor, a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis result of the causal relationship.
Including,
The analysis step is,
Generating a plurality of similar data pairs from original data pairs consisting of speed time series data for each road through a sampling method; and
Normalizing the similar data pair using the cumulative distribution function of the velocity distribution.
Road congestion prediction method including.
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 도로 정체 예측 방법은,
상기 적어도 하나의 프로세서에 의해, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피(transfer entropy)를 이용한 인과관계를 분석하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 단계
를 포함하고,
상기 분석하는 단계는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 단계; 및
연속적인 데이터를 이산 데이터로 변환하는 인코딩을 통해 상기 유사 데이터 쌍에 대한 전처리를 수행하는 단계
를 포함하는 도로 정체 예측 방법.In a road congestion prediction method executed on a computer device,
The computer device includes at least one processor configured to execute computer readable instructions contained in a memory,
The road congestion prediction method is,
analyzing, by the at least one processor, a causal relationship using transfer entropy for a given pair of speed data of two roads; and
Predicting, by the at least one processor, a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis result of the causal relationship.
Including,
The analysis step is,
Generating a plurality of similar data pairs from original data pairs consisting of speed time series data for each road through a sampling method; and
Performing preprocessing on the similar data pair through encoding to convert continuous data into discrete data.
Road congestion prediction method including.
상기 예측하는 단계는,
상기 한 도로의 속도 데이터와 상기 다른 도로의 속도 데이터 사이의 시간 간격을 상기 인과관계를 기반으로 예측하는 단계
를 포함하는 도로 정체 예측 방법.According to paragraph 1,
The prediction step is,
Predicting the time interval between the speed data of one road and the speed data of another road based on the causal relationship
Road congestion prediction method including.
상기 컴퓨터 장치는 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
상기 도로 정체 예측 방법은,
상기 적어도 하나의 프로세서에 의해, 주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피(transfer entropy)를 이용한 인과관계를 분석하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 단계
를 포함하고,
상기 분석하는 단계는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 단계
를 포함하고,
상기 예측하는 단계는,
상기 유사 데이터 쌍 각각에 대하여 상기 인과관계를 기반으로 데이터 간의 시간 간격을 예측하는 단계; 및
상기 유사 데이터 쌍 전체의 상기 시간 간격에 대한 통계를 통해 상기 정체 전파 지연 시간을 추정하는 단계
를 포함하는 도로 정체 예측 방법.In a road congestion prediction method executed on a computer device,
The computer device includes at least one processor configured to execute computer-readable instructions contained in a memory,
The road congestion prediction method is,
analyzing, by the at least one processor, a causal relationship using transfer entropy for a given pair of speed data of two roads; and
Predicting, by the at least one processor, a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis result of the causal relationship.
Including,
The analysis step is,
A step of generating a plurality of similar data pairs from the original data pair consisting of speed time series data for each road through a sampling method.
Including,
The prediction step is,
predicting a time interval between data for each pair of similar data based on the causal relationship; and
estimating the congestion propagation delay time through statistics on the time interval of all similar data pairs
Road congestion prediction method including.
상기 추정하는 단계는,
상기 시간 간격에 대한 통계적 추론을 통해 상기 유사 데이터 쌍의 평균과 분산을 산출하는 단계; 및
상기 평균을 상기 정체 전파 지연 시간으로 이용하고 상기 분산을 상기 정체 전파 지연 시간에 대한 신뢰도로 이용하는 단계
를 포함하는 도로 정체 예측 방법.According to clause 8,
The estimation step is,
calculating the average and variance of the similar data pair through statistical inference for the time interval; and
Using the average as the congestion propagation delay time and the variance as the reliability for the congestion propagation delay time.
Road congestion prediction method including.
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피를 이용한 인과관계를 분석하는 과정;
상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 과정; 및
상기 정체 전파 지연 시간을 이용하여 경로 이동 시간을 예측하거나 우회 도로를 결정하는 과정
을 처리하는 컴퓨터 장치.In computer devices,
At least one processor configured to execute computer readable instructions contained in memory
Including,
The at least one processor,
The process of analyzing causal relationships using transmission entropy for a given pair of speed data on two roads;
A process of predicting a congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis results of the causal relationship; and
The process of predicting route travel time or determining a detour using the congestion propagation delay time
A computer device that processes
상기 적어도 하나의 프로세서는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 과정
을 처리하는 컴퓨터 장치.According to clause 12,
The at least one processor,
The process of generating multiple similar data pairs from the original data pair consisting of speed time series data for each road through a sampling method.
A computer device that processes
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피를 이용한 인과관계를 분석하는 과정; 및
상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
상기 속도 시계열 데이터를 추세 데이터와 잔차 데이터로 분해하는 과정;
상기 잔차 데이터에 대한 샘플링을 통해 새로운 잔차 데이터를 생성하는 과정; 및
상기 새로운 잔차 데이터를 상기 추세 데이터와 더해서 상기 속도 시계열 데이터와 유사한 새로운 시계열 데이터를 생성하는 과정
을 처리하는 컴퓨터 장치.In computer devices,
At least one processor configured to execute computer readable instructions contained in memory
Including,
The at least one processor,
The process of analyzing causal relationships using transmission entropy for a given pair of speed data on two roads; and
A process of predicting the congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis results of the causal relationship
Process it,
The at least one processor,
The process of generating multiple similar data pairs from the original data pair consisting of speed time series data for each road through a sampling method.
Process it,
The at least one processor,
Decomposing the speed time series data into trend data and residual data;
A process of generating new residual data through sampling of the residual data; and
A process of adding the new residual data to the trend data to create new time series data similar to the velocity time series data.
A computer device that processes
상기 적어도 하나의 프로세서는,
비선형 정규화를 통해 상기 유사 데이터 쌍에 대한 전처리를 수행하는 과정
을 처리하는 컴퓨터 장치.According to clause 13,
The at least one processor,
The process of performing preprocessing on the similar data pairs through non-linear normalization
A computer device that processes
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피를 이용한 인과관계를 분석하는 과정; 및
상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 과정; 및
속도 분포의 누적 분포함수를 이용하여 상기 유사 데이터 쌍을 정규화하는 과정
을 처리하는 컴퓨터 장치.In computer devices,
At least one processor configured to execute computer readable instructions contained in memory
Including,
The at least one processor,
The process of analyzing causal relationships using transmission entropy for a given pair of speed data on two roads; and
A process of predicting the congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis results of the causal relationship
Process it,
The at least one processor,
A process of generating a plurality of similar data pairs from original data pairs consisting of speed time series data for each road through a sampling method; and
The process of normalizing the similar data pair using the cumulative distribution function of the velocity distribution
A computer device that processes
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피를 이용한 인과관계를 분석하는 과정; 및
상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 과정; 및
연속적인 데이터를 이산 데이터로 변환하는 인코딩을 통해 상기 유사 데이터 쌍에 대한 전처리를 수행하는 과정
을 처리하는 컴퓨터 장치.In computer devices,
At least one processor configured to execute computer readable instructions contained in memory
Including,
The at least one processor,
The process of analyzing causal relationships using transmission entropy for a given pair of speed data on two roads; and
A process of predicting the congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis results of the causal relationship
Process it,
The at least one processor,
A process of generating a plurality of similar data pairs from original data pairs consisting of speed time series data for each road through a sampling method; and
A process of performing preprocessing on the similar data pairs through encoding that converts continuous data into discrete data
A computer device that processes
상기 적어도 하나의 프로세서는,
상기 한 도로의 속도 데이터와 상기 다른 도로의 속도 데이터 사이의 시간 간격을 상기 인과관계를 기반으로 예측하는 과정
을 처리하는 컴퓨터 장치.According to clause 12,
The at least one processor,
A process of predicting the time interval between the speed data of one road and the speed data of another road based on the causal relationship
A computer device that processes
메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서는,
주어진 두 도로의 속도 데이터 쌍에 대해 전송 엔트로피를 이용한 인과관계를 분석하는 과정; 및
상기 인과관계에 대한 분석 결과를 바탕으로 상기 두 도로 중 한 도로의 정체가 다른 도로로 전파되는 정체 전파 지연 시간을 예측하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
샘플링 방식을 통해 각 도로의 속도 시계열 데이터로 이루어진 원본 데이터 쌍으로부터 복수 개의 유사 데이터 쌍을 생성하는 과정
을 처리하고,
상기 적어도 하나의 프로세서는,
상기 유사 데이터 쌍 각각에 대하여 상기 인과관계를 기반으로 데이터 간의 시간 간격을 예측하는 과정; 및
상기 유사 데이터 쌍 전체의 상기 시간 간격에 대한 통계를 통해 상기 정체 전파 지연 시간을 추정하는 과정
을 처리하는 컴퓨터 장치.In computer devices,
At least one processor configured to execute computer readable instructions contained in memory
Including,
The at least one processor,
The process of analyzing causal relationships using transmission entropy for a given pair of speed data on two roads; and
A process of predicting the congestion propagation delay time in which congestion on one of the two roads is propagated to the other road based on the analysis results of the causal relationship
Process it,
The at least one processor,
The process of generating multiple similar data pairs from the original data pair consisting of speed time series data for each road through a sampling method.
Process it,
The at least one processor,
A process of predicting a time interval between data for each pair of similar data based on the causal relationship; and
A process of estimating the congestion propagation delay time through statistics on the time interval of all similar data pairs
A computer device that processes
상기 적어도 하나의 프로세서는,
상기 시간 간격에 대한 통계적 추론을 통해 상기 유사 데이터 쌍의 평균과 분산을 산출하는 과정; 및
상기 평균을 상기 정체 전파 지연 시간으로 이용하고 상기 분산을 상기 정체 전파 지연 시간에 대한 신뢰도로 이용하는 과정
을 처리하는 컴퓨터 장치.According to clause 19,
The at least one processor,
A process of calculating the average and variance of the similar data pair through statistical inference for the time interval; and
Process of using the average as the congestion propagation delay time and the variance as the reliability for the congestion propagation delay time
A computer device that processes
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210119772A KR102604575B1 (en) | 2021-09-08 | 2021-09-08 | Method, computer device, and computer program to predict propagation time delay lag of road congestion using transfer entropy |
JP2022137509A JP7453297B2 (en) | 2021-09-08 | 2022-08-31 | Method, computer device, and computer program for predicting propagation delay time of road congestion using moving entropy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210119772A KR102604575B1 (en) | 2021-09-08 | 2021-09-08 | Method, computer device, and computer program to predict propagation time delay lag of road congestion using transfer entropy |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20230036823A KR20230036823A (en) | 2023-03-15 |
KR102604575B1 true KR102604575B1 (en) | 2023-11-22 |
Family
ID=85512033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210119772A KR102604575B1 (en) | 2021-09-08 | 2021-09-08 | Method, computer device, and computer program to predict propagation time delay lag of road congestion using transfer entropy |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7453297B2 (en) |
KR (1) | KR102604575B1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007179348A (en) * | 2005-12-28 | 2007-07-12 | Xanavi Informatics Corp | Traffic situation prediction method, device therefor and program |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6354192B2 (en) * | 2014-02-14 | 2018-07-11 | オムロン株式会社 | Causal network generation system |
-
2021
- 2021-09-08 KR KR1020210119772A patent/KR102604575B1/en active IP Right Grant
-
2022
- 2022-08-31 JP JP2022137509A patent/JP7453297B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007179348A (en) * | 2005-12-28 | 2007-07-12 | Xanavi Informatics Corp | Traffic situation prediction method, device therefor and program |
Non-Patent Citations (2)
Title |
---|
Hoang Nguyen외 2. Discovering Congestion Propagation Pattern in Spatio-Temporal Traffic Data. IEEE Transactions on Big Data. 제3권 제2호, 2017년 6월, pp169-180. 1부.* |
김진규외 3. 서울 도심 도로의 상호 영향력 분석. 한국컴퓨터종합학술대회 논문집, 제37권 제1(B)호, 2010년, PP. 69-72. 1부.* |
Also Published As
Publication number | Publication date |
---|---|
JP7453297B2 (en) | 2024-03-19 |
KR20230036823A (en) | 2023-03-15 |
JP2023039418A (en) | 2023-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3413284B1 (en) | Computer system and method for state prediction of a traffic system | |
Essa et al. | Full Bayesian conflict-based models for real time safety evaluation of signalized intersections | |
CN109919347B (en) | Road condition generation method, related device and equipment | |
CN110784825B (en) | Method and device for generating vehicle running track | |
Marczak et al. | Merging behaviour: Empirical comparison between two sites and new theory development | |
US8738336B2 (en) | Systems and methods for enhanced cellular automata algorithm for traffic flow modeling | |
US8798897B2 (en) | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models | |
US10073908B2 (en) | Functional space-time trajectory clustering | |
Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
Pan et al. | Forecasting spatiotemporal impact of traffic incidents for next-generation navigation systems | |
Yang et al. | A novel approach for estimation of dynamic from static origin–destination matrices | |
Krese et al. | Analysis of traffic dynamics on a ring road-based transportation network by means of 0–1 test for chaos and Lyapunov spectrum | |
CN116046008A (en) | Situation awareness-based route planning method, system and efficiency evaluation device | |
Priambodo et al. | Traffic flow prediction model based on neighbouring roads using neural network and multiple regression | |
Kharoufeh et al. | Deriving link travel-time distributions via stochastic speed processes | |
Fowe et al. | A microstate spatial-inference model for network-traffic estimation | |
Maripini et al. | Traffic state estimation near signalized intersections | |
KR102604575B1 (en) | Method, computer device, and computer program to predict propagation time delay lag of road congestion using transfer entropy | |
Cao et al. | Real-time queue estimation model development for uninterrupted freeway flow based on shockwave analysis | |
Giuffrè et al. | Exploring the uncertainty in capacity estimation at roundabouts | |
Ng et al. | Development of Macroscopic Cell‐Based Logistic Lane Change Prediction Model | |
KR102608343B1 (en) | Method, computer device, and computer program to predict road congestion propagation using pattern matching | |
Gao et al. | Queue length estimation based defence against data poisoning attack for traffic signal control | |
JP4115373B2 (en) | Traffic jam prediction method, apparatus, traffic jam prediction program, and recording medium | |
Liang et al. | Analysis of traffic conditions in urban region based on data from fixed detectors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |