KR20160036710A

KR20160036710A - 미래 교통 상황 예측 시스템

Info

Publication number: KR20160036710A
Application number: KR1020140128231A
Authority: KR
Inventors: 오승; 백승원
Original assignee: 주식회사 유투앤
Priority date: 2014-09-25
Filing date: 2014-09-25
Publication date: 2016-04-05

Abstract

본 발명에 따라서 소정의 도로 구간을 비롯한 다양한 도로 구간에서의 현재의 교통 상황 정보를 실시간으로 수신하여 저장하도록 구성되고 또 향후 상기 소정의 도로 구간에서 행해지는 공사 정보, 행사 정보 및 기상 데이터의 정보를 포함하는 미래 이벤트 정보 및 돌발상황 정보도 수신하여 저장하도록 구성되어 있는 외부 교통 관제 센터 서버로부터 상기 현재의 교통 상황 정보, 미래 이벤트 정보 및 돌발 상황 정보를 수신하여, 현재로부터 24시간까지 소정의 도로 구간에서의 미래 교통 상황을 예측하기 위한 미래 교통 상황 예측 서버가 제공된다. 상기 서버는 상기 외부 교통 관제 센터 서버로부터 도로 구간별로 현재의 교통 상황 정보, 미래 이벤트 정보 및 돌발 상황 정보를 수신, 가공하여 저장하도록 구성된 데이터베이스 서버와, 상기 미래 교통 상황 예측 서버에서 수행되는 기능들을 사용자 관점에서 제어하고 기능 수행에 따른 결과를 표출하도록 구성되는 사용자 인터페이스 모듈과, 소정의 도로 구간에서 미래 이벤트가 발생하는 경우 교통상황을 예측하고, 예측된 결과를 상기 서버 운영자에게 제공하기 위한 교통상황 예측 시스템으로서, 상기 사용자 인터페이스 모듈을 통해 입력되는 여러 가지 교통 상황 관련 파라미터에 기초하여, 상기 데이터베이스 서버의 데이터를 참조하여, 현재부터 1시간까지의 단기 교통상황 및 상기 1시간후부터 23시간까지의 중장기 교통상황을 분석하여 예측하도록 구성되는 교통상황 예측 시스템을 포함하는 것을 특징으로 한다.

Description

미래 교통 상황 예측 시스템{SYSTEM FOR PREDICTING FUTURE TRAFFIC SITUATIONS}

본 발명은 교통 상황 예측 시스템에 관한 것으로서, 보다 구체적으로는 지방자치 단체 등의 ITS(Intelligent Transportation System) 센터에서 수집되는 교통 정보를 이용하여 미래의 교통 상황을 예측할 수 있는 교통 상황 예측 시스템에 관한 것이다.

현재 교통 혼잡으로 인하여 막대한 사회, 경제적 비용이 발생하는 대도시권에서 도로 인프라의 신설 및 확장은 예산제약과 도로부지 확보 측면에서 현실적으로 불가능하다고 할 수 있다. 이에, 이미 구축된 시설물을 최대한 효율적으로 활용하기 위해서는 교통상황 예측 정보에 기반한 선제적 교통 제어 및 교통 수요 분산 전략이 요구된다.

이와 관련하여, 예컨대 추석 등의 특정 이벤트와 관련하여, 추석 연휴 기간 중 각 도로가 어느 정도 정체될 지를 미리 예측하여 알려주는 시스템이 있다(예컨대, 공개특허 제10-2004-86422). 그러나, 이러한 예측 시스템은 과거, 예컨대 이전이 추석 연휴 기간 중 수집된 속도, 교통량 등 과거의 데이터를 기반으로 미래의 추석 연휴 기간 중 교통 상황을 예측하고 있으며, 미래 이벤트(예컨대, 교통 수요의 변화, 기상의 변화, 특성 도로 구간에서의 도로공사, 행사, 돌발상황 등)를 반영하여 예측하지는 못하고 있다.

이러한 문제점은 특히 수요가 많은 실시간 교통상황 정보 제공 시스템에서도 발생한다. 예컨대, 강변북로 등의 고속화도로에서는 각 구간을 통과하는 데 소요되는 시간 정보(속도 정보)를 제공하여 주는데, 이는 각 구간에 설치되어 있는 검지기를 통한 차량 속도의 감지 등을 통해 이루어진다. 상기 구간에서, 예컨대 원효대교 부근에서 교통사고가 발생한 경우, 성수대교에서 원효대교를 통과하는 시간이 통상의 경우 10분이라면, 예컨대 30분 정도 소요되는 것으로 예측하여 표지판을 통해 운전자에게 제공한다. 그런데, 상기 교통사고가 발생하게 되면, 관계자 등이 현장에 출동한다든지 또는 CCTV를 통하여, 교통사고의 피해 정도, 그러한 사고를 해결하는데 어느 정도 시간이 소요되는 지를 운영자의 경험으로 예측하며, 이러한 정보는 교통상황 시스템의 본부에서 취합 가능하다. 그러나, 현재의 시스템에 따르면, 시스템의 운영자가 과거의 경험에 비추어, 성수대교에서 원효대교를 통과하는 시간이 30분 정도로 늘어날 것으로 예측하고, 그 시간을 표지판을 통해 운전자에게 제공하고 있어, 원효대교를 통과하는 데에 실질상 어는 정도 시간이 소요되는 지에 대한 정확한 시간 정보가 운전자에게 제공되지 않는다.

또한, 예컨대 강남에 있는 어떤 사용자가 올림픽대로를 이용하여 일산까지 가는 데에 걸리는 시간을 인터넷을 통해 검색하는 경우를 상정한다. 그런데, 상기 사용자는 현재 강남에서 출발하는 것이 아니라, 30분 후에 강남에서 출발한다. 이때, 통상적으로 30분이면 일산까지 도착하지만, 현재 성수대교 부근에서 사고가 발생하여, 1시간 정도 소요될 것이라는 정보를 인터넷을 통해 받는다고 가정한다. 그러나, 사용자는 현재 출발하는 것이 아니라, 30분 후에 출발하기 때문에, 30분 후에, 강남에서 일산까지 걸리는 소요 시간에 대한 정보가 필요하다. 그렇지만, 현재의 실시간 교통상황 정보는 현재의 교통 상황 정보만을 제공할 뿐이고, 30분 후에 올림픽 대로의 교통 상황이 어떻게 변화하여 운행 속도가 변화할지에 대한 정보는 제공하지 못한다. 따라서, 사용자는 상기 제공된 정보에 기초하여, 올림픽 대로가 아니라, 강변북로나 대체 도로를 이용할 가능성이 있지만, 30분 후에는 교통사고가 정리되어 평상시의 운행 속도가 회복될 수 있고, 따라서 강변북로나 대체 도로를 이용하여 일산까지 운행할 경우, 예기치 못하게 시간이 더 소요될 수도 있다. 이러한 문제점에 대해서, 기존 교통상황 예측 시스템은 해결책을 제시하지 못하고 있는 바, 이는 기존의 시스템이 과거, 현재 자체의 교통상황에 정보에 기초한 정보만을 제공하는 데에서 비롯되는 필연적인 결과이다. 교통사고를 예로 들었지만, 기상의 변화, 특성 도로 구간에서의 도로공사, 행사 등과 같은 미래의 특정 시점에서 교통상황에 영향을 미치는 이벤트(본 발명에서는, 이를 미래 이벤트라 지칭한다)에 대해서도 기존의 시스템은 고려하지 못하고 있다.

따라서, 기존의 교통상황 예측 시스템에 따르면, 미래 이벤트를 반영하여, 교통을 예측하는 수단이나, 시스템 운영자가 그러한 예측을 할 수 있도록 하는 수단 등도 제공되지 않고 있어, 이를 충족시킬 수 있는 수단이 구비된 교통 상황 예측 시스템에 대한 요구가 있다.

한편, 운전자의 경우, 하루 동안에 자동차를 어느 특정 지역으로 특정 시간대에 운전하고자 하는 계획이 있는 경우가 많다. 즉, 짧게는 현재부터 1시간, 길게는 24시간까지 특정 시간대에 특정 구간의 교통 정보를 알고 싶어하는 경우가 많다. 그러나, 기존의 교통상황 예측 시스템은 이러한 사용자의 요구를 충족시키지 못하고 있다.

본 발명은 상기한 종래 기술에서 나타나는 문제점을 해결하기 위한 것으로서, 미래에 발생할 미래 이벤트가 교통 흐름에 미치는 영향을 예측하여 사용자에게 제공할 수 있는 교통 상황 예측 시스템을 제공하는 것이다.

본 발명의 다른 목적은 외부연계기관, 예컨대 지방자치 단체 등의 ITS 센터에서 수집되는 현재의 교통 정보, 미래 이벤트 정보 및 기상 정보를 수집하여, 이를 토대로 특정 도로에서의 교통 흐름(예컨대, 자동차 속도)을 예측하여 사용자에게 제공할 수 있는 교통 상황 예측 시스템을 제공하는 것이다.

상기 목적을 달성하기 위하여, 본 발명에 따라서 소정의 도로 구간을 비롯한 다양한 도로 구간에서의 현재의 교통 상황 정보를 실시간으로 수신하여 저장하도록 구성되고 또 향후 상기 소정의 도로 구간에서 행해지는 공사 정보, 행사 정보 및 기상 데이터의 정보를 포함하는 미래 이벤트 정보 및 돌발상황 정보도 수신하여 저장하도록 구성되어 있는 외부 교통 관제 센터 서버로부터 상기 현재의 교통 상황 정보, 미래 이벤트 정보 및 돌발 상황 정보를 수신하여, 현재로부터 24시간까지 소정의 도로 구간에서의 미래 교통 상황을 예측하기 위한 미래 교통 상황 예측 서버가 제공된다. 상기 서버는 상기 외부 교통 관제 센터 서버로부터 도로 구간별로 현재의 교통 상황 정보, 미래 이벤트 정보, 기상정보 및 돌발 상황 정보를 수신, 가공하여 저장하도록 구성된 데이터베이스 서버와, 상기 미래 교통 상황 예측 서버에서 수행되는 기능들을 사용자 관점에서 제어하고 기능 수행에 따른 결과를 표출하도록 구성되는 사용자 인터페이스 모듈과, 소정의 도로 구간에서 미래 이벤트가 발생하는 경우 교통상황을 예측하고, 예측된 결과를 상기 서버 운영자에게 제공하기 위한 교통상황 예측 시스템으로서, 상기 사용자 인터페이스 모듈을 통해 입력되는 여러 가지 교통 상황 관련 파라미터에 기초하여, 상기 데이터베이스 서버의 데이터를 참조하여, 현재부터 1시간까지의 단기 교통상황 및 상기 1시간후부터 23시간까지의 중장기 교통상황을 분석하여 예측하도록 구성되는 교통상황 예측 시스템을 포함하는 것을 특징으로 한다.

한 가지 실시예에 있어서, 상기 데이터베이스 서버는 또한 상기 외부 교통 관제 센터 서버로부터 수신되는 도로 구간별 링크 단위 교통 정보 데이터에 기반하여 구간별 차량 속도 패턴을 생성하면서 요일별, 명절, 행사, 공사, 돌발상황, 기상 상황과 관련된 추가 정보를 반영하여 상기 차량 속도 패턴을 수정하여 각 상황에 맞는 속도 패턴 정보를 생성하여 저장하도록 구성될 수 있다.

한 가지 실시예에 있어서, 상기 사용자 인터페이스 모듈은 교통 상황 예측을 위해 필요한 파라미터 정보를 입력하기 위한 파라미터 입력 모듈과, 교통 상황 예측 수행 결과를 확인하고 분석하기 위한 수단으로서 교통 상황 예측 시스템에 의해 예측된 미래 교통상황 결과를 표출하고, 사용자 입력에 따라 시간을 조절하여 그 결과를 표출하며, 이 결과를 토대로 사용자가 교통상황을 분석할 수 있도록 해주는 기능을 갖고 있는 정보 제공 모듈을 포함할 수 있다.

한 가지 실시예에 있어서, 상기 교통상황 예측 시스템은 실시간으로 수집되는 링크별 속도정보, 돌발상황 정보, 공사정보, 행사정보, 기상 정보를 기반으로 DB 서버에 저장된 속도패턴 정보를 이용하여 단기 교통상황 및 중장기 교통상황을 예측하도록 구성된 예측 모듈을 포함할 수 있다.

한 가지 실시예에 있어서, 상기 교통 상황 예측 시스템은 상기 예측 모듈을 통해 예측된 미래 상기 교통상황과 관련하여 시스템 운영자가 그 예측에 이용된 파라미터를 조정하여 교통상황 예측을 시뮬레이션할 수 있도록 하기 위한 분석 모듈을 더 포함할 수 있다.

본 발명에 따르면, 기존에는 이용하지 않았던 교통정보, 예컨대 특정 도로 구간에서의 행사 정보, 도로 공사 정보, 기상 데이터 등 미래 이벤트를 고려하여, 현재부터 예컨대 24시간까지의 특정 도로 구간에서의 교통상황을 예측하여 사용자에게 제공할 수 있다.

도 1은 본 발명의 한 가지 실시예에 따른 교통 상황 예측 서버의 구성을 모식적으로 보여주는 도면이다.
도 2 내지 도 7은 본 발명의 교통 상황 예측 서버에서 차량 속도를 예측할 때 이용할 수 있는 예측 알고리즘을 이용한 차량 속도 예측 방법을 설명하기 위한 도면이다.
도 8 내지 도 12는 본 발명의 교통 상황 예측 서버를 실제로 구현한 경우, 각 단계별로 제공되는 사용자 인터페이스를 예시적으로 보여주는 도면이다.

이하에서는, 첨부 도면을 참조하여 본 발명의 실시 형태를 설명한다. 이하의 설명에 있어서, 실시 형태는 단지 본 발명의 이해를 돕기 위하여 제시되는 예시적인 것이며, 본 발명이 상기 실시 형태에 제한되는 것은 아니다. 예컨대, 후술하는 시스템의 각 구성 요소는 하드웨어 형태로 또는 소프트 웨어 형태로 또는 이들의 조합 형태로 구성할 수 있다. 또한, 지자체 ITS 센터와 협력하여 교통상황을 예측하는 것으로 설명하지만, 반드시 지자체 ITS 센터로 제한되는 것은 아니다. 또한, 교통 상황 예측 서버가 지자체 ITS 센터와 별개인 것으로 설명하지만, 지자체 ITS 센터의 서버에 일체로 구성할 수도 있으며, 이 역시 본 발명의 범위 내에 속하는 것이다.

1. 시스템 구성

도 1에 도시한 바와 같이, 본 발명의 한 가지 실시예에 따른 교통 상황 예측 서버는 지자체 ITS 센터 서버(100)로부터 소정의 데이터를 받아, 이를 가공하여 교통 상황을 예측하도록 구성된 서버이다. 상기 교통 상황 예측 서버는 크게, DB 서버(DB), 교통 상황 예측 시스템(200) 및 사용자 인터페이스 모듈(300)을 포함한다.

DB 서버(DB)는 외부의 연계 기관, 본 실시예에서는 지자체 ITS 센터 서버(100)로부터 현재의 교통 정보 데이터뿐만 아니라, 기상 데이터, 공사 정보, 행사 정보 등과 같은 미래 이벤트, 교통 사고와 같은 돌발 상황 정보를 수신하여, 본 발명의 시스템에서 사용 가능하도록 데이터를 가공하고 저장하기 위한 서버이다. 즉, DB 서버는 지자체 ITS 센터에서 실시간으로 수집되는 링크별 속도 데이터, 교통량 데이터, 돌발상황 정보, 공사 정보, 행사 정보, 기상 정보 등 예측에 요구되는 데이터를 수신하여 저장하도록 구성된다. 또한, DB 서버는 속도 패턴정보를 저장한다. 즉, 도시하지는 않았지만, DB 서버에는 패턴 생성 모듈이 구비되어 있다. 이 패턴 생성 모듈은 외부로부터 제공되는 교통 상황 정보 데이터에 기반하여, 링크별(구간별) 차량 속도의 패턴을 생성하도록 구성된다. 패턴 생성 모듈은 ITS 센터 서버(100)로부터 제공되는 특정 링크에서의 교통 정보 데이터에 기반하여 통상의 속도 패턴을 생성하면서, 요일별, 명절, 행사, 공사, 돌발상황, 기상 상황과 관련된 추가의 정보를 반영하여 상기 속도패턴를 수정하여, 각 상황에 맞는 실시간 속도 패턴 정보를 생성하며, 이러한 속도 패턴 정보가 DB 서버에 저장된다.

한편, 지자체 ITS 센터에는 예컨대, 강변북로나 올림픽 대로와 같은 고속화 도로의 현재의 교통상황 정보가 실시간으로 수신되고, 이러한 정보 외에도, 현재가 아니라 향후, 특정 구간에서 행해지는 공사 정보, 행사 정보, 기상 데이터와 같은 미래 이벤트 정보도 수신되어 저장되며, 또 교통사고와 같은 돌발상황 정보 등도 수신된다. 본 발명의 시스템에서는 이러한 현재 교통 정보뿐만 아니라, 미래 이벤트 정보 및 돌발상황 정보 등을 실시간으로 수신하여, 이를 가공하여 처리함으로써, 현재로부터 예컨대 1시간 내지 24시간까지의 미래 교통 상황을 예측하여 본 발명의 시스템 운영자(및 최종적으로 엔드 유저)에게 제공한다.

사용자 인터페이스 모듈(300)은 본 발명의 시스템에서 수행되는 기능들을 사용자 관점에서 제어하고 기능 수행에 따른 결과를 표출하기 위한 수단으로서, 이용자로부터 교통상황 단기, 중/장기 예측에 요구되는 파라미터를 입력받아, 이를 교통상황 예측 시스템(200)을 전달하고, 예측 수행 결과를 받아 이용자에게 표출하는 기능을 갖고 있으며, 예컨대 도 8 내지 도 12에 도시한 것과 같은 사용자 인터페이스를 시스템 운영자에게 제공한다.

구체적으로, 파라미터 입력 모듈(310)은 예측하고자 하는 특정 날짜, 시간 등 교통상황 예측을 위해 필요한 파라미터 정보를 입력하기 위한 모듈이고, 정보 제공 모듈(320)은 교통 상황 예측 수행 결과를 확인하고 분석할 수 있도록 하기 위한 수단으로서, 교통상황 예측 시스템(200)에 의해 예측된 미래 교통상황 결과를 표출하고, 사용자 입력에 따라 시간을 조절하여 그 결과를 표출하며, 사용자가 이러한 결과를 토대로 교통상황을 분석할 수 있도록 해주는 기능을 수행한다.

사용자 교통상황 예측 시스템(200)은 미래 이벤트가 발생하는 경우 교통상황을 예측하고, 예측된 결과를 이용자에게 전송하기 위한 시스템으로서, 파라미터 입력모듈(310)을 통해 입력된 여러 가지 파라미터에 기초하여, 지자체 ITS 센터 서버(100)로부터 실시간으로 수집되어 저장된 DB 서버의 데이터를 참조하여 단기 및 중/단기 교통상황을 분석하여 예측한다.

구체적으로, 단기예측 모듈(210)은 실시간으로 수집되는 링크별 속도정보, 돌발상황 정보, 공사정보, 행사정보, 기상 정보를 기반으로 현재시간을 기준으로 1시간 후까지를 소정의 예측 알고리즘(후술)을 이용하여 교통상황을 예측하도록 구성된다. 이때, DB 서버에 저장된 속도패턴 정보를 이용하여 교통상황을 예측한다.

중/장기 예측 모듈(220)은 현재시간을 기준으로 1시간 후부터 23시간까지의 링크별 속도를 예측하도록 구성되며, 요일별, 명절, 행사, 공사, 돌발상황, 기상 상황에 따른 생성된 DB 서버 내의 패턴정보를 이용하여 교통상황을 예측한다.

분석 모듈(230)은 시스템 운영자가 교통상황 예측의 정확성 및 신뢰성 향상을 위해 예측에 이용되는 파라미터를 조정하여 교통상황 예측을 시뮬레이션할 수 있도록 하기 위한 모듈로서, 상기 예측모듈에서 이용되는 예측 알고리즘에 사용되는 파라미터에 대한 변경이 가능하며, 요일별, 명절, 행사, 공사, 돌발상황, 기상 상황에 따른 생성된 패턴 정보의 데이터 사용 유무를 입력할 수도 있다. 또한, 예측에 사용된 참조 데이터를 운영자에게 제공하여, 운영자가 예측 결과를 분석할 수 있도록 한다.

출력 모듈(240)은 상기 예측 모듈 및 분석 모듈에 의해 수행된 예측된 교통 상황 결과를 사용자에게 그래프 등의 형태로 제공하기 위한 모듈이다.

2. 차량 속도 예측 방법(예측 알고리즘)

이하에서는, 상기 예측모듈(210, 220)에서 이용할 수 있는 예측 알고리즘의 구체적인 실시형태를 구체적으로 설명한다. 이하의 예측 알고리즘은 하나의 실시예에 불과하며, 본 발명이 이하의 예측 알고리즘에 제한되는 것은 아니다. 즉, 다양한 예측 알고리즘을 본 발명에 적용할 수 있으며, 이러한 알고리즘을 통해 미래의 교통상황(현재부터 1시간 내지 24시간)을 예측하여, 사용자 등에게 제공할 수 있는, 예컨대 도 1에 도시한 것과 같은 구성의 교통 상황 예측 서버를 구축하는 데에 본 발명의 특징이 있는 것이지, 예측 알고리즘 자체에 본 발명이 제한되는 것이 아니라는 것을 이해하여야 한다.

먼저, 예측하고자 하는 특정 링크에서 획득한 차량 속도를 이용하여 그 특정 링크에서의 미래교통 정보를 예측하는 방법을 설명한다.

도 2는 본 발명에 이용 가능한 예측 알고리즘을 이용하여 차량 속도를 예측하는 방법에 있어서, 도로를 차량 흐름의 진행 방향에 따라 복수 개의 링크로 구분하고 각 링크에서 감지 센서를 이용하여 속도를 측정하는 기법을 설명하는 도면이다.

교통 흐름은 도로의 상류측에서 하류측을 향해 흐르며, 도로는 복수 개의 링크를 포함한다. 예컨대, 링크(13)는 인접한 두 지점(33, 34) 사이에 존재하는 도로 공간에 의해 정의될 수 있다. 각 링크에는 센서(21 내지 25)가 설치되어 있다. 각 센서는 각 링크에서의 차량 속도를 측정하도록 구성된다. 이때, 차량 속도는 각 링크에서 측정되는 모든 종류의 차량 속도의 평균값일 수 있다.

도 3은 도 1의 제1 링크(13)에서, 가까운 과거로부터 현재까지 측정된 차량 속도의 측정값(202)을 시간에 따라 나타낸 그래프이다.

도 3에서, x 축은 시간의 흐름을, y축은 제1 링크(13)에서 측정된 차량 속도를 나타낸다(0은 현재를 나타낸다). 상기 예측 알고리즘에서, 제1 링크(13)에서 제1 차량 속도를 측정하여 제공하는 시간격은 미리 정해진 단위시간(U) 단위로 수행될 수 있다. U는 사용자가 설정한 특정한 값일 수 있으며, 예컨대 1분, 5분, 10분 등의 값을 가질 수 있다(도시한 예에서는 5분). 도시한 예에서, 특정 시구간(A0), 즉 가까운 과거로부터 현재까지의 구간은 과거 20분 전부터 현재까지의 시구간인 것으로 가정한다. 도 3에서, 5개의 측정값으로 이루어지는 한 세트는 5분 간격으로 얻은 차량 속도의 제1 시계열값이고, 그래프(210)는 상기 시계열값을 인터폴레이션하여 얻은 그래프이다.

도 4는 도 2의 제 1링크(13)에서 얻은 과거 속도 데이터의 이력을 그래프로

나타낸 것으로서, 특히 도 3에 나타낸 특정 시구간(A0)에서의 교통 속도 패턴과 가장 유사하다고 판단된 N개(N=5)의 부분만을 따로 발췌하여 나타낸 것이다.

도 4의 그래프를 도출하기 위하여 아래의 단계를 거칠 수 있다.

첫째, 도 2에 나타낸 특정 시구간(A0)에서 획득한 교통정보(=교통 데이터)와비교하기 위한 모집단을 생성하는 단계를 수행할 수 있다. 상기 교통정보는 차량의 속도에 관한 것이며, 예컨대 도 2에 나타낸 바와 같이 차량속도 측정값(202)으로 이루어지는 상기 제1 시계열값일 수 있다.

본 명세서에서 사용되는 '비교통정보'라는 용어는, 차량의 속도와 관계 없는 외적 환경, 예컨대, 요일, 기상상태, 도로 공사 이벤트, 근방의 행사 이벤트 등에 관한 정보를 의미할 수 있다. 또한, 상기 '모집단'이란 용어는, 도 3에 나타낸 특정 시구간(A0)에서 획득한 제 1링크(13)에 관한 교통데이터와 비교하기 위하여, 제 1링크(13)에 대하여 과거에 획득한 모든 교통데이터(예컨대 과거 40년 동안의 데이터)로부터 추출한 과거 교통데이터의 집합(예컨대 총 1개월 분량의 데이터)을 의미할 수 있다. 모집단의 크기가 너무 큰 경우 상기 비교에 소요되는 컴퓨팅 파워가 너무 커지는 단점이 있으며, 모집단의 크기가 너무 작은 경우 예측을 위해 요구되는 비교 데이터가 충분하지 못하게 되는 단점이 있다. 따라서 모집단을 적절히 정의할 필요가 있으며, 본 발명에서는 아래와 같은 모집단 추출 방법을 이용할 수 있다.

예컨대, 모집단을 정의하기 위하여 아래의 두 가지 방법을 이용할 수 있다.

첫째, 특정 시구간(A0)에 해당하는 요일과 동일한 요일의 과거 시구간을 K개

선택하여 모집단으로 삼을 수 있다.

둘째, 상기 특정 시구간(A0)에 관련된 비교통정보(ex: 특정 시구간(A0)에는비가 내리고 있음)와 유사한 비교통정보(ex: 상기 제1링크에서 과거에 비가 내렸는

지에 관한 정보)를 가지는 과거 시구간 M개를 더 포함하여 모집단을 정의할 수 있다. 예컨대 상기 특정 시구간(A0)에 비가 내리고 있었다면, 상기 제1링크에서 비가 내린 적이 있던 과거의 M개의 시구간을 선택하여 상기 모집단에 추가할 수 있다. 상기 과거의 M개의 시구간은, 예컨대 월요일, 화요일, 금요일 등 다양한 요일에 속

한 시구간일 수 있다.

따라서 상기 모구간은 총 K+M개의 시구간을 포함하여 이루어질 수 있다. 상기 K와 M은 1 내지 자연수이며, 사용자에 의해 결정된 값일 수 있다. 이때, 상기 첫째 방법에서 이미 '요일'이라는 비교통정보를 이용하였기 때문에 상기 둘째 방법에서 언급한 비교통정보는 첫째 단계에서 언급한 '요일'에 관한 정보를 제외한 정보일 수 있다.

그 다음, 상기 정의된 모집단 중, 도 2에서 정의된 특정 시구간(A0) 동안에 획득한 상기 제1시계열값(202)에 매칭되는 N개의 과거 시구간들을 찾아내는 단계를 수행할 수 있다. 상기 N은 사용자에 의해 미리 결정된 값일 수 있으며, 상기 '매칭되는'의 의미는 '~이 미리 정해진 값의 범위 내에 포함되는 값을 가지는'의 의미를 나타낸다.

본 발명의 상기 방법에서, K와 M은 각각 '15'의 값을 갖는다고 가정하며, 이에 따라 모집단은 30개의 시구간을 포함하여 구성될 수 있다. 또한, 현재의 비교통정보(이벤트)는 '비가 오는 금요일'인 것으로 가정하며, N은 '5'인 것으로 가정한다. 상기 도 4에 나타낸 모집단의 일부인 과거 시구간(PA1 ~ PA5)에 대응하는 비교통정보는 도 5a와 같이 제시될 수 있다. 상기 각 과거 시구간(PA1 ~ PA5)의 길이는 각각 특정 시구간(A0)과 동일함을 가정한다.

도 3과 도 4를 서로 비교하면, 도 3은 예컨대 현재로부터 20분 이전의 과거까지의 짧은 기간 동안 측정된 이력데이터를 나타내고, 도 3은 예컨대 과거 수년간 확보한 이력데이터 중 선택된 모집단의 일부를 나타내는 것이다.

도 4에서 과거 시구간(PA1~PA5)동안 측정된 차량속도값은 제1시계열값(202)에 매칭되는 값을 나타낸 것으로서, 이하, 각 차량속도값(100, 110, 120, 130, 140)은 '제1과거시계열값'으로 지칭될 수 있다.

도 4에서 참조번호 102, 112, 122, 132, 142가 나타내는 그래프는, 상기 5개의 과거 시구간(PA1~PA5) 직후에 측정되어 저장된 차량속도에 대응한다. 본 명세서에서 그래프(102, 112, 122, 132, 142)가 나타내는 차량속도들의 집합은 '후속차량속도 세트'라고 지칭할 수 있다.

도 5a는 도 3에서 추출한 각 구간에 해당하는 비교통정보를 표로 나타낸 것이다. 각 열(column)은 도 4에서의 각 구간의 과거 시구간을 나타낸다.

이하, 도 1 내지 도 4a를 함께 참조하여, 도 1에 나타낸 제1링크(13)에서의 미래의 차량 속도를 예측하는 방법을 설명한다.

본 발명에 이용되는 예측 알고리즘을 통한 차량속도 예측방법은 아래의 단계들을 포함할 수 있다.

도 2와 도 3을 참조하면, 상기 예측 방법은, 상기 제1 링크(13)에서 획득한, 특정 시구간(A0)에서의 차량속도에 관한 제1시계열값(차량속도의 측정값)(202)을 획득하는 단계(S10)를 포함할 수 있다.

그 다음, 상기 방법은, 상기 획득한 제1시계열값(202)에 가장 근접하게 매칭되는 N(ex: N=5)개의 제1과거시계열값(100, 110, 120, 130, 140)을 과거 데이터 이력으로부터 형성한 모집단(도3 참조)에서 찾아내는 단계(S20)를 포함할 수 있다.

그 후, 본 발명의 실시예 1에 따른 방법은, 상기 N=5개의 제1과거시계열값(100, 110, 120, 130, 140)을 찾아낸 후, 상기 제1과거시계열값에 대응하는 5개의 과거 시구간(PA1~PA5) 각각에 대하여, 상기 과거 시구간(PA1~PA5) 직후부터 미리 결정된 시간(101, 111, 121, 131, 141) 동안의, 상기 제1링크(13)에서의 각각의 후속차량속도 세트(102, 112, 122, 132, 142)를 획득하는 단계(S30)를 포함할 수 있다.

상기 방법에서, 상기 미리 결정된 시간은 한 시간인 것으로 가정하며, 상기 후속차량속도 세트(102, 112, 122, 132, 142)는 일련의 속도값들로 이루어진 것으로서, 상기 5개의 과거 시구간(PA1~PA5) 바로 직후부터 한 시간 이내의 차량속도값들의 집합을 의미한다.

그 후, 상기 방법은, 5개의 과거 시구간(PA1~PA5)의 각각의 후속차량속도 세트(102, 112, 122, 132, 142)를 획득한 후, 상기 후속차량 속도 세트(102, 112, 122, 132, 142)들 간의 평균값을 계산하는 단계(S40)를 포함할 수 있다. 이때, 상기 평균값은 상기 제1시계열값(202)과 상기 각각의 제1 과거시계열값(100, 110, 120, 130, 140) 간의 거리에 의해 결정되는 5개의 가중값을 이용할 수 있다.

상기 후속차량차량속도 세트들 간의 평균값 계산과정은 다음과 같을 수 있다.

<첫 번째 단계(S41)>

아래의 식을 통하여 wf(1)~wf(5)를 생성한다.

wf(x) = [제1과거시계열값, 제1시계열값] 간의 거리를 계산한 값

상기 x는 다음의 1~5 중 어느 하나의 자연수를 의미할 수 있음

wf(1) = [첫 번째 제1과거시계열값(100), 제1시계열값(202)] 간의 거리 차

wf(2) = [두 번째 제1과거시계열값(110), 제1시계열값(202)] 간의 거리 차

wf(3) = [세 번째 제1과거시계열값(120), 제1시계열값(202)] 간의 거리 차

wf(4) = [네 번째 제1과거시계열값(130), 제1시계열값(202)] 간의 거리 차

wf(5) = [다섯 번째 제1과거시계열값(140), 제1시계열값(202)] 간의 거리 차

이때, wf(x)의 절대값의 크기가 작을수록 해당 제1과거시계열값에 대한 가중치는 높아질 수 있다.

<두번째 단계(S42)>

상기 wf(x)에 해당하는 미리 정해진 가중치 wb(x)를 이용하여 다음과 같이 가중값 세트를 얻는다.

제1 후속차량속도 세트(102) * wb(1) = 제1 가중값 세트

제2 후속차량속도 세트(112) * wb(2) = 제2 가중값 세트

제3 후속차량속도 세트(122) * wb(3) = 제3 가중값 세트

제4 후속차량속도 세트(132) * wb(4) = 제4 가중값 세트

제5 후속차량속도 세트(142) * wb(5) = 제5 가중값 세트

<세번째 단계(S43)>

후속차량속도 세트들 간의 평균값은 가중값 세트들의 평균값과 같으며, 예컨대 다음과 같다.

후속차량속도 세트들 간의 평균값 = (제1 가중값 세트 + 제2 가중값 세트 + 제3 가중값 세트 +　제４ 가중값 세트 + 제5 가중값 세트)/5

상기 예에서, 상기 후속차량속도 세트들 간의 평균값 데이터가 제1링크(13)에서의 현재로부터 한 시간까지의 예측된, 미래 차량속도로 간주될 수 있다.

이하에서는, 예측하고자 하는 특정 링크를 포함하는 두 개의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 예측하는 방법을 설명한다.

도 6에 나타낸 그래프(221, 231, 241)는 각각, 도 2에서의 제1 링크(13), 제2 링크(12), 제3 링크(14)에서 측정된 가까운 과거로부터 현재까지의 차량속도의측정값(220, 230, 240)을 시간에 따라 나타낸 그래프이다.

도 6의 x축과 y축이 의미하는 바는 도 3과 같으며, 특정 시구간(A1)의 시간격의 단위(U) 또한 특정 시구간(A0)의 시간격의 단위(U)와 동일하게 정의될 수 있다. 도 6에 나타낸 그래프(221, 231, 241)는 각각 도 2에 나타낸 링크(13, 12, 14)에서 얻은, 예컨대 가까운 과거 시간(특정 시구간(A1)) 동안의 차량속도에 관한 시계열값(차량속도의 측정값)(220, 230, 240)을 인터폴레이션하여 얻은 그래프들이다.

도 7은 도 2에서 나타낸 각 링크에 대하여 과거 수년간 확보한 이력데이터중 모집단의 조건에 따라 얻은 속도 데이터의 이력을 그래프로 나타낸 것이다.

도 7의 그래프를 도출하기 위하여 아래의 단계를 거칠 수 있다.

첫째, 도 6에 나타낸 특정 시구간(A1)에서 획득한 교통정보(=교통 데이터)와 비교하기 위한 모집단을 생성하는 단계를 수행할 수 있다. 여기서, 상기 '모집단'이란, 상기 특정 시구간(A1)에서 획득한 제1 링크(13), 제2 링크(12), 및 제3 링크(14)에 관하여 얻은 교통데이터와 비교하기 위하여, 상기 제1 링크(13), 제2 링크(12), 제3 링크(14)에 대하여 과거에 획득한 모든 교통데이터(예컨대 과거 40년 동안의 데이터)로부터 추출한 과거 교통데이터의 집합(예컨대 총 1개월 분량의 데이터)을 의미할 수 있다.

첫째, 특정 시구간(A1)에 해당하는 요일과 동일한 요일의 과거 시구간을 K개선택하여 모집단으로 삼을 수 있다.

둘째, 상기 특정 시구간(A1)에 관련된 비교통정보(ex: 특정 시구간(A1)에는 비가 내리고 있음)와 유사한 비교통정보(ex: 상기 제1링크에서 과거에 비가 내렸는지에 관한 정보)를 가지는 과거 시구간 M개를 더 포함하여 모집단을 정의할 수 있다. 예컨대 특정 시구간(A1)에 비가 내리고 있었다면, 상기 제1링크에서 비가 내린 적이 있던 과거의 M개의 시구간을 선택하여 상기 모집단에 추가할 수 있다. 상기 과거의 M개의 시구간은, 예컨대 월요일, 화요일, 금요일 등 다양한 요일에 속한 시구간일 수 있다.

따라서 상기 모구간은 총 K+M개의 시구간을 포함하여 이루어질 수 있다. 상기 K와 M은 1 내지 자연수이며, 사용자에 의해 결정된 값일 수 있다. 이때, 상기 첫째 방법에서 이미 '요일'이라는 비교통정보를 이용하였기 때문에 상기 둘째 방법에서 언급한 비교통정보는 첫째 단계에서 언급한 요일에 관한 정보를 제외한 것일 수 있다.

그 다음, 상기 정의된 모집단에서, 도 5에서 정의된 특정 시구간(A1) 동안에 획득한 제2시계열값(220), 제3시계열값(230), 및 제4시계열값(240)에 동시에 매칭되는 N개의 과거 시구간들을 찾아내는 단계를 수행할 수 있다. 상기 N은 사용자에 의해 미리 결정된 값일 수 있다. 본 발명의 실시예 2에서, K와 M은 각각 '15'의 값을 갖는다고 가정하며, 이에 따라 모집단은 30개의 시구간을 포함하여 구성될 수 있다. 또한, 현재의 비교통정보(이벤트)는 '비가 오는 금요일'인 것으로 가정하며, N은 '3'인 것으로 가정한다. 상기 도 6에 나타낸 모집단의 일부인 과거 시구간(PB1~PB5)에 대응하는 비교통정보는 도 4b와 같을 수 있다. 상기 각 과거 시구간(PB1~PB5)의 각각의 길이는 도 5에 나타낸 특정 시구간(A1)의 길이와 동일하다고 가정할 수 있다.

도 7의 제1 그래프(300)는 제2 링크(12)에 대한 과거 데이터 이력이며, 제2그래프(400)는 제1 링크(13), 제3 그래프(500)는 제3링크(14)에 대한 과거 데이터 이력이다. 또한 과거 시구간(PB1~PB5)은 과거 데이터 이력에서 추출한 각각의 과거 시구간들을 의미한다.

상기 과거 시구간(PB1~PB5)에 대응하는 참조번호 310, 320, ..., 350은 제2 링크(12)에서 측정된 차량속도값을 나타내고, 참조번호 410, 420, ..., 450은 제1 링크(13)에서 측정된 차량속도값을 나타낸다. 그리고 참조번호 510, 520, ㅇㅇㅇ, 550은 제3 링크(14)에서 측정된 차량속도값을 나타낸다.

이제, 상기 과거 시구간(PB1~PB5) 직후부터 미리 결정된 시간동 안(311, 321, ..., 351)의 그래프의 값들로 이루어지는 후속차량속도 세트(312, 322, ..., 352)들을 정의할 수 있다. 그리고 상기 과거 시구간(PB1~PB5) 직후부터 미리 결정된 시간까지(411, 421, ..., 451)의 그래프의 값들로 이루어지는 후속차량속도 세트(412, 422, ..., 452)들을 정의할 수 있다. 그리고 상기 과거 시구간(PB1~PB5) 직후부터 미리 결정된 시간까지(511, 521, ..., 551)의 그래프의 값들로 이루어지는 후속차량속도 세트(512, 522, ..., 552)들을 정의할 수 있다. 이때, 상기 과거 시구간의 길이는 20분이라고 가정하고, 상기 미리 결정된 시간은 한 시간인 것으로 가정할 수 있다.

이하, 도 2, 도 5b, 도 6, 및 도 7을 참조하여, 제1링크(13)에서의 미래의 차량 속도를 예측하는 방법을 설명한다.

< 예측하고자 하는 특정 링크를 포함하는 두 개의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 예측하는 방법 - 특정 링크에서 정체가 발생한 경우>

특정 링크, 예컨대 도 1의 제1링크(13)에서 정체가 발생한 경우, 상기 제1링크(13)에서의 교통속도가 미리 결정된 제1값보다 느릴 수 있다. 제1링크(13)에 정체가 발생한 경우, 이 정체가 해소될지 여부는, 제1링크보다 상류에 존재하는 제2 링크(12)에서의 교통데이터로부터 예측할 수 있다.

본 경우에 있어서, 상기 제1링크(13)에서의 교통속도가 미리 결정된 제1값보다 낮다고 가정하며, 따라서 상기 제1링크(13)보다 상류에 존재하는 제2링크(12)에서의 교통데이터를 함께 이용한다.

본 경우에 따른 교통흐름 예측방법은, 제1링크(13)와 제2링크(12)에 관하여, 각각 특정 시구간(A1)에서의 제2시계열값(220) 및 제3시계열값(230)을 획득하는 단계(S110)를 포함할 수 있다.

그 후, 상기 제1링크(13)와 상기 제2링크(12)의 과거데이터(300, 400)에 있어서, 상기 획득한 제2시계열값(220)과 제3시계열값(230)에 동시에 매칭되는 것으로서, 상기 제1링크(13)에 대한 제2과거시계열값과 상기 제2링크(12)에 대한 제3 과거 시계열값으로 이루어지는 쌍을 N개 찾아내는 단계(S120)를 포함할 수 있다.

본 경우에 있어서, 상기 N은 3인 것으로 가정하며, 상기 과거 시계열값 3쌍{(320, 420),(330, 430),(350, 450)}은 각각, 도 6의 제2과거 시구간(PB2), 제3 과거 시구간(PB3), 및 제5과거 시구간(PB5)에 해당한다. 상기 과거 시계열값 3쌍을 찾아낸 후, 3쌍에 해당하는 각각의 과거 시구간(PB2, PB3, PB5) 직후부터 한 시간 동안(421, 431, 451)의 상기 제1링크(13)에서의 후속차량 세트(422, 432, 452)를 획득하는 단계를 거친다. 제1 링크(13)에서의 현재로부터 앞으로 한 시간 동안의 차량속도를 예측하기 위해선 상기 제1링크(13)에서의 후속차량속도 세트들(422, 432, 452)간의 평균값을 계산하는 단계를 거치는데, 이때 제1링크(13)에서의 상기 평균값은 상기 제1시계열값(220)과 상기 제1과거시계열값(420, 430, 450)간의 거리에 의해 결정되는 3개의 가중값을 이용하여 계산할 수 있다.

<첫 번째 단계>

아래의 식을 통하여 wf(1)~wf(3)을 생성한다.

wf(x) = [제2과거시계열값, 제2시계열값] 간의 거리를 계산한 값

상기 x는 1~3 중 어느 하나의 자연수를 의미할 수 있음

wf(1) = [첫 번째 제2과거시계열값(420), 제2시계열값(220)] 간의 거리 차

wf(2) = [두 번째 제2과거시계열값(430), 제2시계열값(220)] 간의 거리 차

wf(3) = [세 번째 제2과거시계열값(450), 제2시계열값(220)] 간의 거리 차

이때, wf(x)의 절대값의 크기가 작을수록 해당 제2과거시계열값에 대한 가중치는 높아질 수 있다.

<두번째 단계>

제1 후속차량속도 세트(422) * wb(1) = 제1 가중값 세트

제2 후속차량속도 세트(432) * wb(2) = 제2 가중값 세트

제3 후속차량속도 세트(452) * wb(3) = 제3 가중값 세트

<세번째 단계>

후속차량속도 세트들 간의 평균값은 가중값 세트들의 평균값과 같으며, 실시예에 적용하면 다음과 같다.

후속차량속도 세트들 간의 평균값 = (제1 가중값 세트 + 제2 가중값 세트 + 제3 가중값 세트)/3

< 예측하고자 하는 특정 링크를 포함하는 두 개의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 예측하는 방법 - 특정 링크에서의 교통 흐름이 원활한 경우>

특정 링크, 예컨대 도 1의 제1링크(13)에서의 교통흐름이 원활한 경우, 상기 제1 링크(13)에서의 교통속도가 미리 결정된 제1값보다 빠를 수 있다. 제1 링크(13)에서의 교통흐름이 원활한 경우, 제1링크(13)에서 향후 정체가 발생할지 여부는, 제1 링크보다 하류에 존재하는 제3 링크(14)에서의 교통데이터로부터 예측할 수 있다.

본 경우에 따른 교통흐름 예측방법은, 상기 경우 1과 동일한 단계들을 포함할 수 있다. 다만, 경우 1에서는 예측하고자 하는 제1링크(13) 및 이보다 상류에 있는 제2링크(12)를 이용하였으나, 본 경우에서는 예측하고자 하는 제1 링크(13) 및 이보다 하류에 있는 제3링크(14)를 이용한다는 점이 다르다.

상기한 예들에서는, 서로 인접한 두 개의 링크를 이용하는 예를 들었지만, 상기 두 개의 링크가 서로 인접하지 않도록 할 수도 있다. 예컨대 상기 경우 1에서 제1링크(13) 및 이보다 상류에 있는 제2링크(12)를 이용하였으나, 이를 변형하여 제1링크(13) 및 이보다 상류에 있는 링크(11)를 이용할 수도 있다. 마찬가지로 본 경우에서 제1링크(13) 및 이보다 하류에 있는 제3링크(14)를 이용하였으나, 이를 변형하여 제1링크(13) 및 이보다 하류에 있는 링크(15)를 이용할 수도 있다.

<케이스 3: 예측하고자 하는 특정 링크를 포함하는 세 개 이상의 링크에서 획득한 차량 속도를 이용하여 상기 특정 링크에서의 미래교통정보를 예측하는 방법>

상기 케이스 2에서는 예측하고자 하는 제1링크(13) 및 이와 다른 한 개의 다른 링크를 이용하는 방식으로, 제1링크(13)에서의 미리교통정보를 예측하였다.

이와 달리 케이스 3에서는 예측하고자 하는 제1링크(13) 및 이와 다른 두 개 이상의 다른 링크를 이용할 수 있다. 즉, 케이스 3은 케이스 2의 개념을 확장한 예이다. 예컨대 제1링크(13)에서 교통정체가 발생한 경우, 제1링크(13) 및 링크(11)와 링크(12)에서 얻은 교통정보를 함께 이용할 수 있다. 또는, 제1링크(13)에서 교통흐름이 원활한 경우, 제1링크(13) 및 링크(14)와 링크(15)에서 얻은 교통정보를 함께 이용할 수 있다.

본 케이스에 따라, 상기 후속차량속도 세트들 간의 평균값 데이터가 제1링크(13)에서의 현재로부터 1시간까지의 예측된, 미래 차량속도가 될 수 있다.

또한, 복수 개의 링크를 이용하여 미래의 차량속도를 예측하는 것이 하나의 링크를 이용하여 미래의 차량속도를 예측하는 것보다 더 정확할 수 있다.

3. 구체예

이하에서는, 상기와 같은 구성의 알고리즘에 따라 본 발명의 시스템을 통해 미래 교통 상황을 예측하는 구체예를 설명한다.

(1) 로그인 과정-사용자 인터페이스 모듈

먼저, 본 발명의 시스템에 통신망을 통해 접속하면, 도 8a에 도시한 것과 같은 인터페이스가 제공되고, 소정의 로그인 과정을 거치면, 도 8b에 도시한 것과 같은 인터페이스가 제공되며, 이때 로그인한 기관 정보(①), 스케쥴 등의 정보(②)가 제공된다.

(2) 단기 예측-교통 상황 예측 시스템

사용자 인터페이스 모듈(300)을 통해 제공되는 단기예측 버튼(①)을 선택하면, ②와 같은 파라미터 입력 메뉴가 제공된다(도 9a).

도 9b에 도시한 것과 같이, 단기예측에 필요한 파라미터로서 분석 구간 선택, 현재시각, k 값, time set, historical data start, historical data finish등이 제공되며, 이들 모든 파라미터 값을 입력하여 단기 예측을 수행하도록 한다.

현재시각, historical data start, historical data finish는 달력을 통해 날짜를 지정하거나 '/'를 구분자로 하여 텍스트로 입력할 수도 있다(2014/09/01 등). 시각의 경우 시계를 통해서 또는 텍스트를 통해 입력할 수 있다.

k 값 및 time set는 숫자로 입력한다. 본 발명에서 'k 값'은 상기한 단기예측 분석시(알고리즘 수행시), 현재 교통상황과 가장 비슷한 과거의 교통상황을 k개 찾는다는 의미이고, time set는 현재 시간을 기준으로 time set에 입력한 값 만큼의 연속된 데이터를 1개의 set로 묶어서 처리하는 것을 의미한다(입력값이 높을수록 계산시간 증가).

요일 패턴을 체크하면, 과거데이터 탐색기간 중 같은 요일 데이터만 사용한다는 것을 의미한다.

상기 과정에 따라 파라미터를 입력한 후, 단기예측을 수행하면, 선택된 도로구간을 구성하고 있는 모든 링크들을 연속된 형태로 링크속도를 출력하며(도 10a의 ① 참조), 10a의 ⑤와 같이 전체 구간에 대한 MAPE 값을 표시한다. 시간조절바(③)를 통해 시간의 흐름에 따른 링크별 교통상황(예측된 속도)을 확인할 수 있다. ②와 같이 특정 구간에 마우스 커서를 위치시키면, 그 링크 구간에 대한 세부적인 정보를 확인할 수 있다. 아울러, 특정 링크를 선택하면, 해당 링크 구간에서의 실제 속도와 예측 속도가 비교하여 표시된다. 단기예측에 사용된 데이터는 도 10b와 같이 표시되며, 표시된 데이터는 외부로 export 될 수 있다.

(3) 단기 예측 분석-분석 모듈

상기한 단기예측은 특정 알고리즘의 수행시 이상적인 값에 기반한 예측이라 할 수 있다. 그러나, 사용자가 입력한 값에 따라 예측 결과가 달라질 수 있으므로, 시스템 운영자는 상기한 파라미터의 값들을 변경하여 입력하여, 단기 예측 결과를 분석함으로써, 예측된 교통상황의 정확성 및 신뢰성을 보다 향상시킬 수 있다.

분석구간을 선택하고 단기예측 상세 분석을 선택하면, 이 분석에 요구되는 파라미터 입력 메뉴가 제시된다(도 11a). 파라미터의 종류는 상기 (2)와 동일하고, 시스템 운영자는 값을 달리하여 입력할 수도 있다.

상세분석이 완료되면, 도 11b와 같이 선택된 구간의 모든 링크의 ID가 표시되고, 특정 링크를 선택하면 예컨대, 24시간의 예측 결과가 표시된다. 도시된 예에서는, 선택된 날짜의 선택된 링크에 대한 실측값과 15분, 30분, 45분 및 60분 후의 예측 결과를 보여주고 있다. 운영자는 예측된 소정의 점(예컨대, ④)을 선택하면, 도 11c에 도시한 것과 같이, 선택된 점의 예측값을 산출하기 위해 참조한 모든 k개의 데이터가 그래프로 표시된다. 표시된 그래프는 참조되는 데이터 셋(5분 단위, time set 파라미터)을 기준으로 앞뒤 1시간씩을 표시하여, 참조된 데이터 셋의 교통상황을 보여준다.

(4) 장기예측-중/장기 예측 모듈

도 12a에 도시한 것과 같이, 분석구간 및 장기예측을 선택하면, 단기예측과 같이 장기예측을 위해 필요한 파라미터 입력 메뉴가 표시된다(도 12b). 모든 파라미터 입력 후, 장기예측을 수행하면, 도 12c에 도시한 것과 같은 결과가 표시된다. 실질상 단기 예측과 동일하지만, 현지시각을 기준으로 1시간 후부터 23시간에 대한 예측 결과가 표시된다.

Claims

소정의 도로 구간을 비롯한 다양한 도로 구간에서의 현재의 교통 상황 정보를 실시간으로 수신하여 저장하도록 구성되고 또 향후 상기 소정의 도로 구간에서 행해지는 공사 정보, 행사 정보 및 기상 데이터의 정보를 포함하는 미래 이벤트 정보 및 돌발상황 정보도 수신하여 저장하도록 구성되어 있는 외부 교통 관제 센터 서버로부터 상기 현재의 교통 상황 정보, 미래 이벤트 정보 및 돌발 상황 정보를 수신하여, 현재로부터 24시간까지 소정의 도로 구간에서의 미래 교통 상황을 예측하기 위한 미래 교통 상황 예측 서버로서,
상기 외부 교통 관제 센터 서버로부터 도로 구간별로 현재의 교통 상황 정보, 미래 이벤트 정보, 기상정보 및 돌발 상황 정보를 수신, 가공하여 저장하도록 구성된 데이터베이스 서버와,
상기 미래 교통 상황 예측 서버에서 수행되는 기능들을 사용자 관점에서 제어하고 기능 수행에 따른 결과를 표출하도록 구성되는 사용자 인터페이스 모듈과,
소정의 도로 구간에서 미래 이벤트가 발생하는 경우 교통상황을 예측하고, 예측된 결과를 상기 서버 운영자에게 제공하기 위한 교통상황 예측 시스템으로서, 상기 사용자 인터페이스 모듈을 통해 입력되는 여러 가지 교통 상황 관련 파라미터에 기초하여, 상기 데이터베이스 서버의 데이터를 참조하여, 현재부터 1시간까지의 단기 교통상황 및 상기 1시간후부터 23시간까지의 중장기 교통상황을 분석하여 예측하도록 구성되는 교통상황 예측 시스템
을 포함하는 것을 특징으로 하는 미래 교통 상황 예측 서버.
청구항 1에 있어서, 상기 데이터베이스 서버는 또한 상기 외부 교통 관제 센터 서버로부터 수신되는 도로 구간별 링크 단위 교통 정보 데이터에 기반하여 구간별 차량 속도 패턴을 생성하면서 요일별, 명절, 행사, 공사, 돌발상황, 기상 상황과 관련된 추가 정보를 반영하여 상기 차량 속도 패턴을 수정하여 각 상황에 맞는 속도 패턴 정보를 생성하여 저장하도록 구성되는 것을 특징으로 하는 미래 교통 상황 예측 서버.
청구항 2에 있어서, 상기 사용자 인터페이스 모듈은 교통 상황 예측을 위해 필요한 파라미터 정보를 입력하기 위한 파라미터 입력 모듈과, 교통 상황 예측 수행 결과를 확인하고 분석하기 위한 수단으로서 교통 상황 예측 시스템에 의해 예측된 미래 교통상황 결과를 표출하고, 사용자 입력에 따라 시간을 조절하여 그 결과를 표출하며, 이 결과를 토대로 사용자가 교통상황을 분석할 수 있도록 해주는 기능을 갖고 있는 정보 제공 모듈을 포함하는 것을 특징으로 하는 미래 교통 상황 예측 서버.
청구항 1 내지 청구항 3 중 어느 한 항에 있어서, 상기 교통상황 예측 시스템은 실시간으로 수집되는 링크별 속도정보, 돌발상황 정보, 공사정보, 행사정보, 기상 정보를 기반으로 DB 서버에 저장된 속도패턴 정보를 이용하여 단기 교통상황 및 중장기 교통상황을 예측하도록 구성된 예측 모듈을 포함하는 것을 특징으로 하는 미래 교통 상황 예측 서버.
청구항 4에 있어서, 상기 교통 상황 예측 시스템은 상기 예측 모듈을 통해 예측된 미래 상기 교통상황과 관련하여 시스템 운영자가 그 예측에 이용된 파라미터를 조정하여 교통상황 예측을 시뮬레이션할 수 있도록 하기 위한 분석 모듈을 더 포함하는 것을 특징으로 하는 미래 교통 상황 예측 서버.