KR20200023697A - Apparatus for predicting traffic status information, method thereof and recoding medium for predicting traffic status information - Google Patents
Apparatus for predicting traffic status information, method thereof and recoding medium for predicting traffic status information Download PDFInfo
- Publication number
- KR20200023697A KR20200023697A KR1020180097292A KR20180097292A KR20200023697A KR 20200023697 A KR20200023697 A KR 20200023697A KR 1020180097292 A KR1020180097292 A KR 1020180097292A KR 20180097292 A KR20180097292 A KR 20180097292A KR 20200023697 A KR20200023697 A KR 20200023697A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- traffic
- image data
- state information
- dimensional image
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
본 발명은 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법, 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체에 관한 것이다. The present invention relates to an apparatus for predicting traffic state information, a method for predicting traffic state information, and a storage medium for storing a program for predicting traffic state information.
대중 교통과 자기 차량을 이용하면서 교통정보에 대한 관심이 높아지고 있다. 교통흐름을 예측하는데 있어서 다양한 방법이 제시되고 있다. 그러나 이러한 방법들은 교통에 영향을 미치는 여러 가지 요소들을 감안하여 제공되지 못한다. 예를 들어 날씨, 미세먼지, 요일에 따라 교통상황이 달라지는데, 이러한 영향을 감안하여 교통상태를 예측하지 못하는 문제점이 있었다.Interest in traffic information is increasing with the use of public transport and own vehicles. Various methods have been suggested for predicting traffic flow. However, these methods do not provide for the many factors that affect traffic. For example, traffic conditions vary depending on weather, fine dust, and day of the week. In view of these effects, there is a problem in that traffic conditions cannot be predicted.
딥러닝 기술이 교통상태를 예측하는데 활용되기 시작했으나 교통상황에 미치는 여러 가지 요인, (예를 들면 날씨, 미세먼지 등의 상황이나 일정한 시간 대에 교통상황을 이러한 요인 등과 결합하여 교통상황을 예측하지는 못하였다. 예를 들어 특정 교통 혼잡 지역에서는 도로의 환경(차선, 상가지역인지 여부나 백화점 근처인지 여부 등), 대중 교통에 영향을 미칠 수 있는 미세먼지의 여부, 택시나 자가용 이용이 늘어나는 날씨의 상태, 또는 휴일인지 평일인지에 따른 요일에 따라 교통량이 많이 달라진다. 이러한 복합적인 데이터는 교통 상태를 분석하거나 예측하는데 큰 어려움을 주었다.Although deep learning technology has begun to be used to predict traffic conditions, it is not possible to predict traffic conditions by combining various factors (for example, weather, fine dust, or traffic conditions with these factors at certain times). For example, in certain traffic congestion areas, the road's environment (such as lanes, malls, or near department stores), fine dust that could affect public transportation, or the increased weather in taxis or cars. The amount of traffic varies greatly depending on the day of the week, whether it is a holiday or a weekday, and this complex data has made it difficult to analyze or predict traffic conditions.
본 발명의 목적은 교통상황에 영향을 미칠 수 있는 여러 가지 요인들을 고려하여 교통상황 정보를 제공할 수 있는, 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법, 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체를 제공하는 것이다. SUMMARY OF THE INVENTION An object of the present invention is to provide traffic status information in consideration of various factors that may affect traffic conditions, an apparatus for predicting traffic status information, a method for predicting traffic status information, and predicting traffic status information. To provide a storage medium for storing the program.
본 발명의 다른 목적은, 복합적인 데이터를 이용하여 교통혼잡 등의 교통상태정보를 제공할 수 있는 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법, 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체를 제공하는 것이다.Another object of the present invention is to provide a device for predicting traffic condition information that can provide traffic condition information such as traffic congestion using complex data, a method for predicting traffic condition information, and a program for predicting traffic condition information. It is to provide a storage medium for storing.
본 발명의 일 실시예는, 교통상태에 영향을 미칠 수 있는 독립적인 특성을 가진 데이터를 2차원 이미지 데이터 세트들로 생성하는 단계; 상기 2차원 이미지 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 전체 연관시키는 단계; 및 상기 전체 연관된 데이터를 필터링하여 교통상태 정보를 산출하고, 상기 산출된 교통상태 정보를 사용자에게 제공하는 단계;를 포함하는 교통상태정보를 예측하는 방법을 제공한다. One embodiment of the present invention includes the steps of generating data having independent characteristics that can affect traffic conditions into two-dimensional image data sets; Totally associating the two-dimensional image data sets using a Convolution Neutral Network (CNN) processed neural network; And calculating the traffic state information by filtering the entire associated data, and providing the calculated traffic condition information to a user.
상기 2차원 이미지 데이터 세트들 중 제 1 데이터 세트는, 타겟 지역의 시간과 공간에 따른 차량 속도 정보를 2차원 데이터로 포함할 수 있다.The first data set of the 2D image data sets may include vehicle speed information according to time and space of a target area as 2D data.
상기 독립적인 특성을 가진 데이터는, 타겟 지역의 차량 속도, 차량 방향, 차량의 차선, 요일, 기온, 풍속, 미세먼지, 오존농도, 이산화탄소, 일산화탄소, 아황산가스 중 적어도 하나 이상의 특성을 포함하는 데이터일 수 있다. The data having the independent characteristics may be data including at least one of a vehicle speed, a vehicle direction, a lane of a vehicle, a day of the week, temperature, wind speed, fine dust, ozone concentration, carbon dioxide, carbon monoxide, and sulfur dioxide in a target region. Can be.
상기 산출된 교통상태 정보는 타겟 지역의 교통 상태를 혼잡, 정체, 보통, 원활의 4단계 중 어느 하나로 나타낼 수 있다.The calculated traffic state information may represent the traffic state of the target area in any one of four levels of congestion, congestion, normality, and smoothness.
상기 CNN (Convolution Neutral Network) 처리 신경망은 2차원 필터를 사용하여 상기 2차원 이미지 데이터 세트를 필터링 할 수 있다.The CNN processing neural network may filter the 2D image data set using a 2D filter.
본 발명의 다른 일 실시예는, 교통상태에 영향을 미칠 수 있는 독립적인 특성을 가진 데이터를 2차원 이미지 데이터 세트들로 생성하고 제공하는 레이블링 입력부; 상기 2차원 이미지 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리하는 확장 채널 특성 추출부; 상기 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리된 데이터 세트들을 전체 연관시키고 상기 전체 연관된 데이터를 필터링하여 교통상태 정보를 산출하는 확장 채널 연관부; 및 상기 산출된 교통상태 정보를 사용자에게 제공하는 확장 채널 출력부;를 포함하는 교통상태정보를 예측하는 장치를 제공한다. Another embodiment of the present invention includes a labeling input unit for generating and providing two-dimensional image data sets with data having independent characteristics that may affect traffic conditions; An extension channel feature extractor configured to process the 2D image data sets using a CNN processing neural network; An extended channel association unit for associating all data sets processed using the CNN processing neural network and filtering the related data to calculate traffic state information; And an extended channel output unit configured to provide the calculated traffic state information to a user.
본 발명의 다른 일 실시예는, 교통상태에 영향을 미칠 수 있는 독립적인 특성을 가진 데이터를 2차원 이미지 데이터 세트들로 생성하고 제공하는 레이블링 모듈; 상기 2차원 이미지 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리하는 확장 채널 특성 추출 모듈; 상기 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리된 데이터 세트들을 전체 연관시키고 상기 전체 연관된 데이터를 필터링하여 교통상태 정보를 산출하는 확장 채널 연관 모듈; 및 상기 산출된 교통상태 정보를 사용자에게 제공하는 확장 채널 출력 모듈;을 포함하는 교통상태정보를 예측하는 프로그램을 저장하는 저장매체를 제공한다. Another embodiment of the present invention provides a labeling module for generating and providing data with two-dimensional image data sets having independent characteristics that may affect traffic conditions; An extension channel feature extraction module for processing the two-dimensional image data sets using a CNN (Convolution Neutral Network) processing neural network; An extended channel association module for associating all of the processed data sets using the CNN processing neural network and filtering the entire associated data to calculate traffic state information; And an expansion channel output module for providing the calculated traffic state information to a user.
본 발명에 따르면, 교통상황에 영향을 미칠 수 있는 여러 가지 요인들을 고려하여 교통상황 정보를 제공할 수 있다.According to the present invention, it is possible to provide traffic situation information in consideration of various factors that may affect the traffic situation.
본 발명에 따르면, 교통 상태에 영향을 줄 수 있는 복합적인 데이터를 이용하여 교통혼잡 등의 교통상태정보를 제공할 수 있다.According to the present invention, it is possible to provide traffic state information such as traffic congestion by using complex data that may affect the traffic state.
도 1은 본 발명의 일 실시예에 따라 입력 데이터를 생성하는 예를 나타낸 도면이다.
도 2는 교통상태에 영향을 줄 수 있는 요인들 여러 채널 데이터로 생성하는 예를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 교통상태정보를 예측하는 장치의 일 예를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 교통상태정보를 예측하는 방법의 일 예를 나타낸 도면이다.1 illustrates an example of generating input data according to an embodiment of the present invention.
2 is a diagram illustrating an example of generating various channel data with factors that may affect traffic conditions.
3 is a diagram illustrating an example of an apparatus for predicting traffic state information according to an embodiment of the present invention.
4 is a diagram illustrating an example of a method of predicting traffic state information according to an embodiment of the present invention.
이하에서 본 발명의 상세한 실시예를 도면을 참조하여 설명한다. Hereinafter, a detailed embodiment of the present invention will be described with reference to the drawings.
도 1은 본 발명의 일 실시예에 따라 입력 데이터를 생성하는 예를 나타낸다. 여기서는 교통상황 정보를 예측하기 위해 교통상황 정보의 변동이 있는 있거나 교통혼잡이 있는 구간으로서 백화점, 상가지역, 인구밀집지역 등을 입력데이터 모델화를 위한 대상지역으로 예시한다. 1 illustrates an example of generating input data according to an embodiment of the present invention. In this example, the departments, malls, and densely populated areas are illustrated as the target areas for modeling the input data as the sections in which the traffic situation information changes or the traffic congestion is used to predict the traffic situation information.
이 도면은 이러한 지역의 도로의 예로서 2X2 교차로를 나타내는데, 도면의 왼쪽은 교차로, 방향, 교차로의 순서를, 도면의 오른쪽은 해당 교차로의 교차로 순서(공간)와 시간에 따라 교차로 상의 속도(v)를 색이나 명암으로 표시한 도면이다. This figure shows a 2X2 intersection as an example of a road in this area, with the left side of the figure in the order of intersections, directions, and intersections, and the right side of the figure the order of intersections (spaces) and the speed on the intersection (v) over time. Is a color or contrast diagram.
도면의 왼쪽에서 N, S, E, W은 각각 북, 남, 동, 서쪽 방향을 나타내고, 1, 2, 3, 4, ~, 7, 8 은 왕복도로의 방향에 따른 도로의 번호를 각각 나타낸다.On the left side of the drawing, N, S, E, and W represent north, south, east, and west directions, respectively, and 1, 2, 3, 4, ~, 7, and 8 represent road numbers along the direction of the round trip road, respectively. .
이 도면의 예를 들면, 1번은, 서쪽(W)에서 동쪽(E) 방향의 제 1 도로를 나타내고, 2번은 동쪽(E)에서 서쪽(W) 방향의 제 1 도로를 나타내고, 3번은 서쪽(W)에서 동쪽(E) 방향의 제 2 도로를 나타내고 4번은 동쪽(E)에서 서쪽(W) 방향의 제 2 도로를 나타낼 수 있다. 마찬가지로, 5번은 남쪽(S)에서 북쪽(N) 방향의 제 3도로, 6번은 북쪽(N)에서 남쪽(S) 방향의 제 3도로, 7번은 남쪽(S)에서 북쪽(N)의 제 4도로를, 8번은 북쪽(N)에서 남쪽(S) 방향의 제 4도로를 나타낼 수 있다. For example, in the figure, 1 represents the first road in the west (W) to east (E) direction, 2 represents the first road in the east (E) to west (W) direction, and 3 represents west ( W) may represent the second road in the east (E) direction and
본 발명의 일 실시예는, 교통상태 정보를 제공하기 위해 해당 교차로를 2차원의 시공간 이미지 데이터로 변환할 수 있다. 이를 위해 일 실시예는 교통상태 또는 교통소통의 정보를 해당 도로 상의 프로브 차량의 GPS 데이터를 이용하여 구간 속도로 변환 값을 사용할 수 있다.According to an embodiment of the present invention, the intersection may be converted into two-dimensional space-time image data to provide traffic state information. To this end, an embodiment may use the converted value of the traffic state or traffic information to the section speed using the GPS data of the probe vehicle on the corresponding road.
그러면, 이 도면의 오른쪽과 같이 대상 지역에서 가로축은 차량이 이동하는 도로 방향에 따른 번호를 나타내고, 각 번호에 따라 8개 도로에 대해 차량의 속도로서 구간 소통 정보를 얻을 수 있다. 예를 들어 각 구간별(가로축)에 따라 10개의 속도 데이터를 얻었다면, 2차원 이미지 데이터의 가로방향의 픽셀의 크기는 8 (도로의 개수) * 10 (도로 별 속도 레벨의 데이터)가 될 수 있다. Then, as shown in the right side of the drawing, the horizontal axis in the target area indicates a number according to the direction of the road in which the vehicle moves, and section communication information can be obtained as the speed of the vehicle for eight roads according to each number. For example, if 10 velocity data are obtained for each section (horizontal axis), the size of the horizontal pixel of the 2D image data may be 8 (the number of roads) * 10 (data of the velocity level for each road). have.
본 발명의 일 실시예에 따른 2차원 이미지 데이터는 세로를 시간 축으로 설명하였는데, 이 시간축의 데이터도 일정 시간에 따라 나눌 수 있다. 예를 들어 5분 단위로 도로상 차량 속도 데이터를 수집하였다고 하고 하루의 시간의 다시 일정한 시간 단위로 나눌 수 있다. The two-dimensional image data according to an embodiment of the present invention has been described with the vertical as the time axis, and the data on the time axis can also be divided according to a predetermined time. For example, you may have collected vehicle speed data on the road every five minutes, and then divide it back into a fixed time unit of the day.
예를 들어 하루 24시간의 시간 대를 4시간 간격의 6개 단위로 나눈다고 가정하자. 예로, 0시 ~ 04시를 새벽, 04~08시 이른 아침, 08시 ~ 12시를 오전, 12시 ~ 16시를 오후, 16시 ~ 20시 저녁, 20시 ~ 24시 밤 시간으로 나누어 6개 단위로 나누고, 각 시간단위 별로 5분 단위로 교통 상태 정보를 수집하면, 2차원 이미지 데이터의 세로 방향의 크기는 4시간 단위 * 12 개(시간당 5분 단위 데이터)가 될 수 있다. For example, suppose you divide a 24-hour time zone into six units of four-hour intervals. For example, 0 to 04 o'clock in the morning, 04 to 08 o'clock early morning, 08 to 12 o'clock in the morning, 12 to 16 o'clock in the afternoon, 16 to 20 o'clock in the evening, and 20 to 24 o'clock in the
이와 같이 하면 2차원 이미지 데이터는 80 * 60 픽셀의 2차원 이미지로 표현될 수 있다. 교통정보를 예측 및 분석하는 신경망을 위한 데이터의 수는 6개의 시간 단위 (4시간 단위) * 365 일로 2190 개의 데이터가 확보될 수 있다. 만약 이 데이터를 3년간 확보하였다면 3* 2190으로 6570 개의 데이터가 표현될 수 있다. In this way, the 2D image data may be represented as a 2D image of 80 * 60 pixels. The number of data for the neural network for predicting and analyzing traffic information is 6 time units (4 hours) * 365 days, 2190 data can be secured. If this data has been acquired for three years, 6570 data can be represented with 3 * 2190.
물론 특정 교차로에서 생성하는 2차원 이미지 데이터의 데이터 개수, 데이터 생성 간격, 데이터의 양은 실시예로서 사용자 또는 실시예에 따라 다르게 설정될 수 있다. Of course, the data number, data generation interval, and amount of data of the 2D image data generated at a specific intersection may be set differently according to a user or an embodiment as an embodiment.
이와 같이 본 발명의 실시예는 교통상태 정보를 예측하기 위한 2차원 이미지 데이터를 생성할 수 있다. As described above, the embodiment of the present invention may generate two-dimensional image data for predicting traffic state information.
도 2는 교통상태에 영향을 줄 수 있는 요인들 여러 채널 데이터로 생성하는 예를 나타낸 도면이다. 2 is a diagram illustrating an example of generating various channel data with factors that may affect traffic conditions.
본 발명의 실시예는 교통상태에 영향을 줄 수 있는 여러 가지 요인의 데이터들을 각각의 채널 데이터로 생성하여 복합 데이터를 활용한 확장 채널 기반의 딥러닝을 수행할 수 있다. 즉, 교통상태에 영향을 줄 수 있는 여러 개의 독립적인 특성을 가지는 데이터 세트를 확장 채널로 취급하여 이를 복합적으로 감안한 교통상태 정보를 얻을 수 있다. According to an embodiment of the present invention, data of various factors that may affect traffic conditions may be generated as respective channel data to perform deep channel based deep learning using complex data. That is, a data set having a plurality of independent characteristics that may affect the traffic state can be treated as an expansion channel, and thus traffic state information can be obtained in consideration of this.
이 도면의 실시예에서 위 도면에서 설명한 교통상태 정보로서 교통속도의 2차원 이미지 데이터가 1개의 채널 데이터가 될 수 있다. 이 예는 교통속도의 2차원 이미지 데이터(1)이외에 나머지 채널 데이터로서, 타겟 교차로 상 차량진행 방향 (2), 타겟 교차로의 차선 또는 차선의 수 (3), 요일 (4), 타겟 교차로 날씨 (5), 타겟 교차로의 기온(6), 타겟 교차로 상의 풍속 (7), 타겟 교차로 상의 제 1 미세먼지 (PM 10) (8), 타겟 교차로 상의 제 2 미세먼지 (PM 2.5) (9), 타겟 교차로 상의 오존농도 (10), 타겟 교차로 상의 이산화탄소 농도 (11), 타겟 교차로 상의 일산화탄소 농도(12), 타겟 교차로 상의 아황산가스 농도 (13)를 각각의 채널 데이터로 생성할 수 있다. In the embodiment of this figure, the two-dimensional image data of the traffic speed may be one channel data as the traffic state information described in the above drawings. This example is the remaining channel data in addition to the two-dimensional image data (1) of the traffic speed, including the direction of vehicle travel on the target intersection (2), the number of lanes or lanes of the target intersection (3), the day of the week (4), and the target intersection weather ( 5), the temperature of the target intersection (6), the wind speed on the target intersection (7), the first fine dust (PM 10) on the target intersection (8), the second fine dust on the target intersection (PM 2.5) (9), the target Ozone concentration 10 on the intersection, carbon dioxide concentration 11 on the target intersection, carbon monoxide concentration 12 on the target intersection, and sulfur dioxide concentration 13 on the target intersection can be generated as the respective channel data.
이외에 교통상태에 영향을 미칠 수 있는 다양한 요인들을 채널 데이터로 생성할 수 있으며 이 예에서는 설명한 바와 같이 13개의 채널 데이터를 생성하는 예를 개시한다. 따라서 이 예에서 예시한 채널 데이터 중 도 1에서 예시한 교통속도의 2차원 이미지 데이터가 기본이 되고, 나머지 채널 데이터는 변경될 수도 있다. 그리고 이 예와 같이 동일한 채널 데이터를 사용하더라도 (1)의 채널 데이터와 다르게 다른 일부 채널 데이터는 시공간적으로 매우 적은 변화를 가지는 채널 데이터가 될 수도 있다. In addition, various factors that may affect traffic conditions may be generated as channel data. In this example, an example of generating 13 channel data will be described. Accordingly, two-dimensional image data of the traffic speed illustrated in FIG. 1 is the basic data among the channel data illustrated in this example, and the remaining channel data may be changed. And although the same channel data is used as in this example, some channel data different from the channel data of (1) may be channel data having very little change in space and time.
이와 같이 본 발명의 실시예는 여러 가지 상황과 관련없이 여러 가지 독립적인 특성들을 가지는 데이터를 생성할 수 있고, 이 채널 데이터들의 연관성을 분석하여 타겟 지역의 교통상태 정보를 정확하게 예측할 수 있다. As described above, the embodiment of the present invention can generate data having various independent characteristics regardless of various situations, and can accurately predict traffic state information of the target area by analyzing the correlation of the channel data.
도 3은 본 발명의 일 실시예에 따른 교통상태정보를 예측하는 장치의 일 예를 나타낸 도면이다. 이 도면을 참조하여 본 발명에 따른 교통상태정보를 예측하는 장치의 일 실시예를 설명하면 다음과 같다. 3 is a diagram illustrating an example of an apparatus for predicting traffic state information according to an embodiment of the present invention. Hereinafter, an embodiment of an apparatus for predicting traffic state information according to the present invention will be described with reference to the drawings.
본 발명에 따른 교통상태정보를 예측하는 장치의 일 실시예는 레이블링 입력부(100), 확장 채널 특성 추출부(200), 확장 채널 연관부(300), 확장 채널 출력부(400)를 포함할 수 있다. 확장 채널 특성 추출부(200)는 컨볼루션 모듈 (210) 및 풀링 모듈(220)을 포함할 수 있다. An embodiment of an apparatus for predicting traffic state information according to the present invention may include a
레이블링 입력부(100)는 도 2에서 설명한 바와 같이 독립적인 특성을 가진 채널 데이터들의 세트를 생성할 수 있다. 레이블링 입력부(100)는 도 1에서 예시한 것과 같이 타겟 지역의 교통상태의 2차원 이미지 데이터와 도 2에서 예시한 바와 같이 타겟 지역의 교통상태에 영향을 미칠 수 있는 여러 가지 요인들의 2차원 이미지 데이터를 생성할 수 있다. The
레이블링 입력부(100)는 확장 채널 특성 추출부 (200)에 타겟 교통 상태를 예측할 수 있는 여러 개의 채널 데이터를 제공할 수 있다. 레이블링 입력부(100)는 확장 채널 특성 추출부 (200)가 더 정확한 결과를 생성할 수 있도록 복수의 채널이 2차원 이미지 데이터를, 확장 채널 특성 추출부 (200)의 트레이닝을 위한 제 1 데이터 세트와 테스트를 위한 제 2 데이터 세트로 제공할 수 있다. 예를 들어 레이블링 입력부(100)가 트레이닝을 위한 제 1 데이터 세트와 테스트를 위한 제 2 데이터 세트를 8:2의 비율로 제공하면, 확장 채널 특성 추출부 (200)는 제 1 데이터 세트를 이용하여 신경망을 이용하여 해당 데이터를 학습하고, 신경망 웨이트(weight)의 최적화를 알고리즘을 수행한 후 제 2 데이터 세트에 이를 적용할 수 있다. 이와 같이 레이블링 입력부(100)는 확장 채널 특성 추출부 (200)가 수행하는 데이터 수행의 정확도를 높일 수 있도록 복수의 채널로 구성된 2차원 이미지 데이터를 확장 채널 특성 추출부 (200)에 제공할 수 있다. The
이와 같이 레이블링 입력부(100)는 트레이닝 데이터 세트를 제공함으로써, 이후에 연산에 필요한 웨이트 값을 최적화시키도록 할 수 있고 이를 통해 신경망 학습이 안정화되도록 데이터를 제공할 수 있다.As such, the
확장 채널 특성 추출부(200)는 2차원 이미지 데이터를 기초로 CNN (Convolution Neutral Network) 처리를 수행할 수 있다. CNN은 Convolution Neutral Network의 방식을 지칭하는 데 입력 네트워크가 여러 가지 구조를 하고 있을 경우 이를 하나의 데이터로 종합하고 대표하기 위한 컨볼루션 필터를 적용하여 입력된 매트릭스 형태의 데이터를 컨볼루션할 수 있다.The extended
확장 채널 특성 추출부(200)는 CNN 방식에 따라 입력된 각각의 채널의 2차원 이미지 데이터를 컨볼루션하는 컨볼루션 모듈(210)과 이를 풀링(pooling)하여 필터링하는 풀링 모듈(220)을 포함할 수 있다. 확장 채널 특성 추출부(200)는 풀링 모듈(220)이 연산한 데이터를 ReLu 필터 등을 이용하여 필터링하는 ReLu 필터 모듈(미도시)을 더 포함할 수 있다. The extended channel
확장 채널 특성 추출부(200)가 도 2에서 예시한 채널 별 2차원 이미지 데이터를 제공받는다면, 컨볼루션 모듈(210), 풀링 모듈(220), 및 ReLu 필터 모듈 등은 각각의 13개의 확장 채널에 따라 독립적으로 진행할 수 있다. 확장 채널 특성 추출부(200)는 교통상태에 영향을 미치는 시공간의 특성 데이터인 날씨, 기온, 미세먼지, 온실가스 등이 타겟 지역에서 영향을 미치는 시간과 공간을 파악할 수도 있도록 한다.If the extended channel
확장 채널 연관부(300)는 확장 채널 특성 추출부(200)가 제공한 데이터를 fully-connected 레이어 별로 연결할 수 있도록 CNN 기법의 신경망 하급을 수행한다. 채널 별 또는 레이어 별 데이터가 연관될 경우 소프트맥스(softmax) 활성모듈로 이를 연관시켜 처리할 수 있다. 확장 채널 연관부(300)는 이렇게 N개 데이터 채널 또는 레이어가 관련시켜 전체 관련된 레이어(fully-connected layer)를 통해 N 데이터 세트로부터 데이터의 연관된 특성 정보를 산출할 수 있다. 소프트맥스(softmax) 활성모듈은 N 데이터 레이어들을 연관시키는 방식의 벡터 매트릭스 등이 될 수 있다. The extended
확장 채널 연관부(300)는 연관된 특성 정보에 따라 교통상태 정보를 출력할 수 있다. The extension
본원 발명의 실시예는 3차원 필터를 사용하여 3차원의 딥러닝 기반의 CNN을 수행할 수도 있으나, 위에서 설명한 바와 같이 교통상태에 영향을 미치는 요인들이 타겟 지역에서 변화하지 않는 특성을 가지는 경우 3차원 필터를 사용하지 않고 2차원 필터를 사용하여 정확성을 유지하면서 처리 속도를 높일 수 있다. According to an embodiment of the present invention, a three-dimensional deep learning-based CNN may be performed using a three-dimensional filter, but as described above, when factors influencing traffic conditions do not change in a target region, three-dimensional Instead of using filters, two-dimensional filters can be used to speed up processing while maintaining accuracy.
확장 채널 출력부(400)는 확장 채널 연관부(300)가 출력하는 교통상태 정보를 일정한 원칙에 따라 사용자에게 가시화하여 제공할 수 있다. 이 실시예는 확장 채널 출력부(400)가 타겟 지역의 교통상태를 혼잡, 정체, 보통, 원활의 4가지 상태 정도로 제공하도록 하는 예를 개시한다. 본 발명의 실시예는 이에 한정되지 않고 연관된 레이어 데이터들을 이용하여 교통상태를 더욱 상세하게 나눠 제공할 수도 있다. The extended
본 발명의 실시예는, 날씨와 같은 특성 요인이 교통 상태에 끼치는 영향에 대해 설명할 수 있고 미세먼지나 대기오염 등이 교통 혼잡에 미치는 영향을 설명할 수 있으며 해당 요인의 복합적인 연관관계에서도 타겟 지역에서 반복적인 또는 비반복적인 교통 상태 정보를 제공할 수 있다. Embodiments of the present invention can explain the effects of characteristic factors such as weather on traffic conditions, and explain the effects of fine dust or air pollution on traffic congestion, and also target the complex relationships of the factors. Repetitive or non-repetitive traffic status information can be provided in the area.
도 4는 본 발명의 일 실시예에 따른 교통상태정보를 예측하는 방법의 일 예를 나타낸 도면이다. 이 도면을 참조하여 본 발명에 따른 교통상태정보를 예측하는 방법의 일 실시예를 설명하면 다음과 같다. 4 is a diagram illustrating an example of a method of predicting traffic state information according to an embodiment of the present invention. An embodiment of a method of predicting traffic state information according to the present invention will be described with reference to the drawings.
교통상태에 영향을 미칠 수 있는 독립적인 특성을 가진 2차원 이미지 데이터 세트들로 채널 데이터를 생성한다 (S100). 2 차원 이미지 데이터 세트들 중 제 1 데이터 세트는, 타겟 지역의 시간과 공간에 따른 차량 속도 정보를 2차원 데이터로 포함할 수 있다. Channel data are generated from two-dimensional image data sets having independent characteristics that may affect traffic conditions (S100). The first data set of the 2D image data sets may include vehicle speed information according to time and space of the target area as 2D data.
본 발명의 일 실시예는, 이 단계에서 도 1에서 설명한 것과 타이 타겟 지역의 교통상태의 2차원 이미지 데이터와 도 2에서 예시한 바와 같이 타겟 지역의 교통상태에 영향을 미칠 수 있는 여러 가지 요인들의 2차원 이미지 데이터를 생성할 수 있다. One embodiment of the present invention is, at this stage, the two-dimensional image data of the traffic state of the tie target area and the various factors that may affect the traffic state of the target area as illustrated in FIG. Two-dimensional image data can be generated.
독립적인 특성을 가진 데이터는, 타겟 지역의 차량 속도, 차량 방향, 차량의 차선, 요일, 기온, 풍속, 미세먼지, 오존농도, 이산화탄소, 일산화탄소, 아황산가스 중 적어도 하나 이상의 특성을 포함할 수 있다.The data having independent characteristics may include at least one of vehicle speed, vehicle direction, lane of the vehicle, day of the week, temperature, wind speed, fine dust, ozone concentration, carbon dioxide, carbon monoxide, and sulfur dioxide in a target region.
교통상태에 영향을 미칠 수 있는 독립적인 특성을 가진 2차원 이미지 데이터를 기초로 CNN (Convolution Neutral Network) 처리를 수행한다(S200).A CNN (Convolution Neutral Network) process is performed based on two-dimensional image data having independent characteristics that may affect traffic conditions (S200).
2차원 이미지 데이터 세트는 트레이닝을 위한 제 1 데이터 세트와 테스트를 위한 제 2 데이터 세트로 생성될 수 있다. 트레이닝을 위한 제 1 데이터 세트와 테스트를 위한 제 2 데이터 세트를 일정 비율로 제공하면, 제 1 데이터 세트를 이용하여 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 해당 데이터를 학습하고, 신경망 웨이트(weight)의 최적화를 알고리즘을 수행한 후 제 2 데이터 세트에 이를 적용할 수 있다. The two-dimensional image data set may be generated as a first data set for training and a second data set for testing. If the first data set for training and the second data set for testing are provided at a ratio, the data is trained using a Convolution Neutral Network (CNN) processed neural network using the first data set, and the neural network weight May be applied to the second data set after performing the algorithm.
이 단계는, CNN 방식에 따라 입력된 각각의 채널의 2차원 이미지 데이터를 컨볼루션하고 컨볼루션한 결과 데이터들을 각각 풀링(pooling)하여 필터링할 수 있다. 풀링된 데이터는 ReLu 필터 등을 이용하여 필터링될 수 있다. 위의 예에서는 각각의 13개의 확장 채널에 따른 2차원 이미지 데이터를 독립적으로 컨볼루션, 풀링, ReLu 필터링을 수행하는 예를 개시하였다. In this step, the two-dimensional image data of each channel input according to the CNN method may be filtered by pooling each of convolution result data. The pooled data may be filtered using a ReLu filter or the like. In the above example, an example of performing convolution, pooling, and ReLu filtering on two-dimensional image data according to each of 13 extension channels is independently performed.
실시예에서 CNN (Convolution Neutral Network) 처리 신경망은 2차원 필터를 사용하여 상기 2차원 이미지 데이터 세트를 필터링 할 수 있다.In an embodiment, the CNN processing neural network may filter the 2D image data set using a 2D filter.
위와 같이 CNN (Convolution Neutral Network) 처리를 수행한 데이터를 레이어 별로 전체 연관되도록 한다 (S300). As described above, the data subjected to CNN (Convolution Neutral Network) processing is totally associated with each layer (S300).
채널 별 또는 레이어 별 데이터가 연관될 경우 소프트맥스(softmax) 활성모듈로 이를 연관시켜 처리할 수 있다. 소프트맥스(softmax) 활성모듈은 N 데이터 레이어들을 연관시키고 필터링하는 방식의 벡터 매트릭스 등이 될 수 있다. N개 데이터 채널 또는 레이어가 관련시켜 전체 관련된 레이어(fully-connected layer)를 통해 N 데이터 세트로부터 데이터의 연관된 특성 정보를 산출할 수 있고 이 과정을 통해 전체 연관된 특성 정보에 따른 교통상태 정보를 출력할 수 있다. 본 발명의 실시예는, 교통상태에 영향을 미치는 요인들이 타겟 지역에서 거의 변화하지 않는 특성을 가지는 경우 3차원 필터를 사용하지 않고 2차원 필터를 사용하여 정확성을 유지하면서 처리 속도를 높일 수 있다.If data per channel or layer is related, it can be processed by associating it with softmax active module. The softmax active module may be a vector matrix or the like that associates and filters N data layers. The associated characteristic information of the data can be calculated from the N data sets through the N-channels or layers associated with each other through a fully-connected layer. This process outputs the traffic state information according to the entire associated characteristic information. Can be. According to an embodiment of the present invention, when factors affecting traffic conditions have characteristics that hardly change in the target area, the processing speed may be increased while maintaining accuracy using a two-dimensional filter without using a three-dimensional filter.
출력된 교통상태 정보를 가시화하여 사용자에게 제공한다(S400). 위에서는 타겟 지역의 교통상태를 혼잡, 정체, 보통, 원활의 4가지 상태 정도로 제공하도록 하는 예시하였다. The output traffic state information is visualized and provided to the user (S400). In the above, the traffic conditions of the target area are exemplified to provide four conditions of congestion, congestion, normal, and smooth.
위의 실시예에 프로그램으로 구현될 경우, 본 발명의 실시예는 교통상태에 영향을 미칠 수 있는 독립적인 특성을 가진 데이터를 2차원 이미지 데이터 세트들로 생성하고 제공하는 레이블링 모듈, 상기 2차원 이미지 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리하는 확장 채널 특성 추출 모듈, 상기 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리된 데이터 세트들을 전체 연관시키고 상기 전체 연관된 데이터를 필터링하여 교통상태 정보를 산출하는 확장 채널 연관 모듈, 및 상기 산출된 교통상태 정보를 사용자에게 제공하는 확장 채널 출력 모듈;을 포함하는 교통상태정보를 예측하는 프로그램을 저장하는 저장매체를 제공할 수 있다.When implemented as a program in the above embodiment, an embodiment of the present invention provides a labeling module for generating and providing data having independent characteristics that may affect traffic conditions, as two-dimensional image data sets, the two-dimensional image. Extended channel feature extraction module for processing data sets using a CNN (Convolution Neutral Network) processing neural network, the convolution Neutral Network (CNN) processing by using the CNN processing neural network associating all the data sets and filter the entire associated data An expansion channel association module for calculating state information and an expansion channel output module for providing the calculated traffic state information to a user may provide a storage medium for storing a program for predicting traffic state information.
본 발명의 실시예는, 미세먼지나 대기오염 등이 교통 혼잡에 미치는 영향을 설명할 수 있으며 해당 요인의 복합적인 연관관계에서도 타겟 교통 상태 정보를 제공할 수 있다.Embodiments of the present invention can explain the effects of fine dust and air pollution on traffic congestion, and can provide target traffic state information even in a complex relationship of corresponding factors.
Claims (11)
상기 2차원 이미지 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 전체 연관시키는 단계; 및
상기 전체 연관된 데이터를 필터링하여 교통상태 정보를 산출하고, 상기 산출된 교통상태 정보를 사용자에게 제공하는 단계;를 포함하는 교통상태정보를 예측하는 방법.Generating data with two-dimensional image data sets having independent characteristics that may affect traffic conditions;
Totally associating the two-dimensional image data sets using a Convolution Neutral Network (CNN) processed neural network; And
And calculating the traffic state information by filtering the entire associated data, and providing the calculated traffic state information to a user.
상기 2차원 이미지 데이터 세트들 중 제 1 데이터 세트는, 타겟 지역의 시간과 공간에 따른 차량 속도 정보를 2차원 데이터로 포함하는, 교통상태정보를 예측하는 방법.The method of claim 1,
And a first data set of the two-dimensional image data sets includes vehicle speed information according to time and space of a target area as two-dimensional data.
상기 독립적인 특성을 가진 데이터는, 타겟 지역의 차량 속도, 차량 방향, 차량의 차선, 요일, 기온, 풍속, 미세먼지, 오존농도, 이산화탄소, 일산화탄소, 아황산가스 중 적어도 하나 이상의 특성을 포함하는 데이터인 교통상태정보를 예측하는 방법.The method of claim 1,
The data having independent characteristics may include data including at least one of vehicle speed, vehicle direction, lane of vehicle, day of the week, air temperature, wind speed, fine dust, ozone concentration, carbon dioxide, carbon monoxide, and sulfur dioxide in a target region. How to predict traffic status information.
상기 산출된 교통상태 정보는 타겟 지역의 교통 상태를 혼잡, 정체, 보통, 원활의 4단계 중 어느 하나로 나타내는 교통상태정보를 예측하는 방법.The method of claim 1,
The calculated traffic condition information predicts traffic condition information representing traffic conditions of a target area in any one of four levels: congestion, congestion, normal, and smooth.
상기 CNN (Convolution Neutral Network) 처리 신경망은 2차원 필터를 사용하여 상기 2차원 이미지 데이터 세트를 필터링 하는 교통상태정보를 예측하는 방법.The method of claim 1,
The CNN processing neural network predicts traffic state information filtering the two-dimensional image data set using a two-dimensional filter.
상기 2차원 이미지 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리하는 확장 채널 특성 추출부;
상기 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리된 데이터 세트들을 전체 연관시키고 상기 전체 연관된 데이터를 필터링하여 교통상태 정보를 산출하는 확장 채널 연관부; 및
상기 산출된 교통상태 정보를 사용자에게 제공하는 확장 채널 출력부;를 포함하는 교통상태정보를 예측하는 장치.A labeling input unit for generating and providing data having independent characteristics capable of affecting traffic conditions as two-dimensional image data sets;
An extension channel feature extractor configured to process the 2D image data sets using a CNN processing neural network;
An extended channel association unit for associating all data sets processed using the CNN processing neural network and filtering the related data to calculate traffic state information; And
And an extended channel output unit for providing the calculated traffic state information to a user.
상기 2차원 이미지 데이터 세트들 중 제 1 데이터 세트는, 타겟 지역의 시간과 공간에 따른 차량 속도 정보를 2차원 데이터로 포함하는, 교통상태정보를 예측하는 장치.The method of claim 6,
And a first data set of the two-dimensional image data sets comprises vehicle speed information according to time and space of a target area as two-dimensional data.
상기 독립적인 특성을 가진 데이터는, 타겟 지역의 차량 속도, 차량 방향, 차량의 차선, 요일, 기온, 풍속, 미세먼지, 오존농도, 이산화탄소, 일산화탄소, 아황산가스 중 적어도 하나 이상의 특성을 포함하는 데이터인 교통상태정보를 예측하는 장치.The method of claim 6,
The data having independent characteristics may include data including at least one of vehicle speed, vehicle direction, lane of vehicle, day of the week, air temperature, wind speed, fine dust, ozone concentration, carbon dioxide, carbon monoxide, and sulfur dioxide in a target region. Device for predicting traffic condition information.
상기 산출된 교통상태 정보는 타겟 지역의 교통 상태를 혼잡, 정체, 보통, 원활의 4단계 중 어느 하나로 나타내는 교통상태정보를 예측하는 장치.The method of claim 6,
The calculated traffic state information is a device for predicting traffic state information indicating the traffic state of the target area in any one of four levels of congestion, congestion, normal, and smooth.
상기 CNN (Convolution Neutral Network) 처리 신경망은 2차원 필터를 사용하여 상기 2차원 이미지 데이터 세트를 필터링하는 교통상태정보를 예측하는 장치.The method of claim 6,
The CNN processing neural network is a device for predicting traffic state information filtering the two-dimensional image data set using a two-dimensional filter.
상기 2차원 이미지 데이터 세트들을 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리하는 확장 채널 특성 추출 모듈;
상기 CNN (Convolution Neutral Network) 처리 신경망을 이용하여 처리된 데이터 세트들을 전체 연관시키고 상기 전체 연관된 데이터를 필터링하여 교통상태 정보를 산출하는 확장 채널 연관 모듈; 및
상기 산출된 교통상태 정보를 사용자에게 제공하는 확장 채널 출력 모듈;을 포함하는 교통상태정보를 예측하는 프로그램을 저장하는 저장매체.
A labeling module for generating and providing data with two-dimensional image data sets having independent characteristics that may affect traffic conditions;
An extension channel feature extraction module for processing the two-dimensional image data sets using a CNN (Convolution Neutral Network) processing neural network;
An extended channel association module for associating all of the processed data sets using the CNN processing neural network and filtering the entire associated data to calculate traffic state information; And
And an expansion channel output module for providing the calculated traffic state information to a user.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180097292A KR20200023697A (en) | 2018-08-21 | 2018-08-21 | Apparatus for predicting traffic status information, method thereof and recoding medium for predicting traffic status information |
| PCT/KR2019/007048 WO2020040411A1 (en) | 2018-08-21 | 2019-06-12 | Device for predicting traffic state information, method for predicting traffic state information, and storage medium for storing program for predicting traffic state information |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180097292A KR20200023697A (en) | 2018-08-21 | 2018-08-21 | Apparatus for predicting traffic status information, method thereof and recoding medium for predicting traffic status information |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200023697A true KR20200023697A (en) | 2020-03-06 |
Family
ID=69592505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180097292A KR20200023697A (en) | 2018-08-21 | 2018-08-21 | Apparatus for predicting traffic status information, method thereof and recoding medium for predicting traffic status information |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20200023697A (en) |
| WO (1) | WO2020040411A1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240917A (en) * | 2021-05-08 | 2021-08-10 | 林兴叶 | Traffic management system applying deep neural network to intelligent traffic |
| KR102328592B1 (en) * | 2021-07-29 | 2021-11-17 | 유문삼 | Traffic impact assessment analysis method and system |
| KR102614118B1 (en) | 2022-11-24 | 2023-12-13 | 중앙대학교 산학협력단 | Apparatus and method for traffic flow prediction |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723739A (en) * | 2020-06-19 | 2020-09-29 | 艾索信息股份有限公司 | Congestion state monitoring method in bus based on convolutional neural network |
| CN112668797B (en) * | 2020-12-31 | 2023-06-16 | 中山大学 | Long-short-period traffic prediction method |
| CN112633602B (en) * | 2020-12-31 | 2023-03-03 | 深圳云天励飞技术股份有限公司 | Traffic congestion index prediction method and device based on GIS map information |
| CN114360242B (en) * | 2021-12-10 | 2023-04-07 | 重庆邮电大学 | Urban short-term traffic flow prediction method and system based on hybrid convolution LSTM |
| CN115050177B (en) * | 2022-05-11 | 2023-04-25 | 杭州像素元科技有限公司 | Expressway congestion prediction method based on space-time multi-head attention mechanism |
| CN114743379B (en) * | 2022-06-13 | 2022-09-06 | 广东邦盛北斗科技股份公司 | Beidou-based urban large-area road network traffic sensing method and system and cloud platform |
| CN117437792B (en) * | 2023-12-20 | 2024-04-09 | 中交第一公路勘察设计研究院有限公司 | Real-time road traffic state monitoring method, device and system based on edge calculation |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000057475A (en) * | 1998-08-05 | 2000-02-25 | Nippon Telegr & Teleph Corp <Ntt> | Method and device for predicting traffic situation and recording medium storing its control |
| US9552726B2 (en) * | 2009-08-24 | 2017-01-24 | Here Global B.V. | Providing driving condition alerts using road attribute data |
| CN105628951B (en) * | 2015-12-31 | 2019-11-19 | 北京迈格威科技有限公司 | The method and apparatus of speed for measurement object |
| KR101821494B1 (en) * | 2016-08-10 | 2018-01-24 | 중앙대학교 산학협력단 | Adaptive traffic signal control method and apparatus |
| KR101742042B1 (en) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | Apparatus and method for traffic flow prediction |
-
2018
- 2018-08-21 KR KR1020180097292A patent/KR20200023697A/en not_active Application Discontinuation
-
2019
- 2019-06-12 WO PCT/KR2019/007048 patent/WO2020040411A1/en active Application Filing
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240917A (en) * | 2021-05-08 | 2021-08-10 | 林兴叶 | Traffic management system applying deep neural network to intelligent traffic |
| CN113240917B (en) * | 2021-05-08 | 2022-11-08 | 广州隧华智慧交通科技有限公司 | Traffic management system applying deep neural network to intelligent traffic |
| KR102328592B1 (en) * | 2021-07-29 | 2021-11-17 | 유문삼 | Traffic impact assessment analysis method and system |
| KR102614118B1 (en) | 2022-11-24 | 2023-12-13 | 중앙대학교 산학협력단 | Apparatus and method for traffic flow prediction |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020040411A1 (en) | 2020-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200023697A (en) | Apparatus for predicting traffic status information, method thereof and recoding medium for predicting traffic status information | |
| KR102021992B1 (en) | Apparatus for controling a trafic signal, method for controling a trafic signal, and recoding medium for controling a tarfic signal | |
| CN111696355A (en) | Dynamic graph convolution traffic speed prediction method | |
| KR101974495B1 (en) | Apparatus for predicting traffic information, method thereof and recoding medium for predicting traffic information | |
| CN111160753B (en) | Road network node importance assessment method based on knowledge graph | |
| US8532965B2 (en) | Method and system for traffic simulation of road network | |
| CN107103754A (en) | A kind of road traffic condition Forecasting Methodology and system | |
| CN105954040A (en) | Testing method and device for driverless automobiles | |
| CN110310474A (en) | A kind of vehicle flowrate prediction technique and device based on space-time residual error network | |
| Balakrishna et al. | Time-dependent origin-destination estimation without assignment matrices | |
| CN112017436B (en) | Method and system for predicting urban traffic travel time | |
| CN112071062B (en) | Driving time estimation method based on graph convolution network and graph attention network | |
| CN112633602B (en) | Traffic congestion index prediction method and device based on GIS map information | |
| Savrasovs et al. | Methodology of OD matrix estimation based on video recordings and traffic counts | |
| CN114360239A (en) | Traffic prediction method and system for multilayer space-time traffic knowledge map reconstruction | |
| Kanoh et al. | Short-term traffic prediction using fuzzy c-means and cellular automata in a wide-area road network | |
| CN110220527B (en) | Path planning method and device based on public activity prediction | |
| Wei et al. | Learning to simulate on sparse trajectory data | |
| CN109712402B (en) | Mobile object running time prediction method and device based on meta-path congestion mode mining | |
| Choi et al. | Dynamic origin–destination estimation using dynamic traffic simulation model in an urban arterial corridor | |
| CN115063976A (en) | Vehicle conflict risk assessment and prediction method based on multi-channel convolutional neural network | |
| CN114495486A (en) | Microscopic traffic flow prediction system and method based on hierarchical reinforcement learning | |
| CN111524354B (en) | Method, system, medium and device for predicting urban traffic network path selection behavior based on language model | |
| Jayakrishnan et al. | A simulation-based framework for the analysis of traffic networks operating with real-time information | |
| JP7294383B2 (en) | Parameter estimation device, route-based population estimation device, parameter estimation method, route-based population estimation method and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E601 | Decision to refuse application |