KR20230076535A - 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법 - Google Patents

인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20230076535A
KR20230076535A KR1020210163585A KR20210163585A KR20230076535A KR 20230076535 A KR20230076535 A KR 20230076535A KR 1020210163585 A KR1020210163585 A KR 1020210163585A KR 20210163585 A KR20210163585 A KR 20210163585A KR 20230076535 A KR20230076535 A KR 20230076535A
Authority
KR
South Korea
Prior art keywords
traffic
lane
index
congestion
vehicle
Prior art date
Application number
KR1020210163585A
Other languages
English (en)
Other versions
KR102689239B1 (ko
Inventor
박승민
이승용
서부원
유성운
심준영
조수빈
Original Assignee
동서대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 동서대학교 산학협력단 filed Critical 동서대학교 산학협력단
Priority to KR1020210163585A priority Critical patent/KR102689239B1/ko
Priority claimed from KR1020210163585A external-priority patent/KR102689239B1/ko
Publication of KR20230076535A publication Critical patent/KR20230076535A/ko
Application granted granted Critical
Publication of KR102689239B1 publication Critical patent/KR102689239B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—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

본 발명은 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법에 관한 것으로, 보다 구체적으로 사거리의 일정 지점에 설치되어 차량 존재여부, 차선별 교통량, 차량 속도 및 차량 점유율 중 적어도 하나를 포함하는 교통상황 데이터를 수집하는 차량 감지기(VDS), 상기 교통상황 데이터를 이용하여 차로체증지수(J)와 차로포화지수(F)를 연산하는 연산부, 상기 차로체증지수(J)와 차로포화지수(F) 중 적어도 하나를 이용하여 교통체증, 차로체증, 교통정상 중 적어도 하나로 교통상황을 판단하는 판단부, 상기 차로체증지수(J)가 최대일 경우 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 이용하여 일정한 교통량을 유지할 수 있도록 교통신호를 예측하는 예측부 및 상기 예측부로부터 예측된 예측결과에 따라 사거리의 교통신호를 직접적으로 제어하는 제어부를 포함하는 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법에 관한 것이다.

Description

인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법 {Intersection Traffic Jam Prediction System and Method based on Artificial Intelligence Technology}
본 발명은 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법에 관한 것으로, 보다 구체적으로 교통상황 데이터를 획득한 후 차로체증지수(J)와 차로포화지수(F)를 연산하여 교통상황을 판단하고, 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 이용하여 일정한 교통량을 유지할 수 있도록 사거리 교통신호의 제어신호를 생성하는 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법에 관한 것이다.
일반적으로 차량소통이 많은 교차로에서는 교통신호대기로 인해 차량의 흐름이 단절되고 있다. 이에 따라, 주행속도는 저하되고 교통체증이 빈번하게 유발되므로 막대한 교통혼잡비용이 발생되어 경제적인 손실이 초래한다. 또한, 교차로에서 교통체증으로 인한 난폭운전사고, 차량의 꼬리물기로 인한 다중추돌사고, 보복운전은 오늘까지 문제가 되고 있는 실정이다.
이를 해결하기 위하여, 관련문헌 1은 교통체증 완화를 위한 도로에 관한 것으로, 교차되는 도로의 지하에 좌회전과 유턴이 가능한 로터리도로를 형성하여 지상차로에서는 직진과 우회전만 이루어짐으로 원활한 교통흐름을 제공할 수 있으나, 기존에 형성된 사거리를 교체하는 시공, 추가 도로를 설치해야하는 어려움이 있다.
관련문헌 2는 차량-대-차량 인터페이스를 통해 교통 체증의 종료에 관한 유용한 정보를 생성하는 장치, 방법 및 컴퓨터 프로그램에 관한 것으로, 차량-대-차량 통신링크를 통해 하나 이상의 다른 차량으로부터 교통체증의 여부를 확인하여 기준이 되는 차량 주변의 교통체증 여부를 파악하기에는 용이하나 차량이 서로 마주보고 신호에 따라 움직이는 사거리에서 교통체증을 예측하기에는 기술적 한계가 존재한다.
KR 10-1153913 KR 10-2099745
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로 사거리의 교통체증을 해소하기 위하여 별도의 교체시공 및 추가도로를 설치하지 않고, 사거리에 각 차로에 교통량을 동시에 확인하면서 교통량을 일정하게 유지할 수 있도록 교통상황 데이터를 획득한 후 차로체증지수(J)와 차로포화지수(F)를 연산하여 교통상황을 판단하고, 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 이용하여 일정한 교통량을 유지할 수 있도록 사거리 교통신호의 제어신호를 생성하는 인공지능 기술기반 사거리 교통체증 예측 시스템 및 방법을 얻고자 하는 것을 목적으로 한다.
상기 목적을 달성하기 위하여, 본 발명의 인공지능 기술기반의 사거리 교통체증 예측 시스템은 사거리의 일정 지점에 설치되어 차량 존재여부, 차선별 교통량, 차량 속도 및 차량 점유율 중 적어도 하나를 포함하는 교통상황 데이터를 수집하는 차량 감지기(VDS); 상기 교통상황 데이터를 이용하여 차로체증지수(J)와 차로포화지수(F)를 연산하는 연산부; 상기 차로체증지수(J)와 차로포화지수(F) 중 적어도 하나를 이용하여 교통체증, 차로체증, 교통정상 중 적어도 하나로 교통상황을 판단하는 판단부; 상기 차로체증지수(J)가 최대일 경우 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 이용하여 일정한 교통량을 유지할 수 있도록 교통신호를 예측하는 예측부; 및 상기 예측부로부터 예측된 예측결과에 따라 사거리의 교통신호를 직접적으로 제어하는 제어부;를 제공한다.
상기 목적을 달성하기 위하여, 본 발명의 인공지능 기술기반의 사거리 교통체증 예측 방법은 차량 감지기(VDS)에 의하여, 차량 존재여부, 차선별 교통량, 차량 속도 및 차량 점유율 중 적어도 하나를 포함하는 교통상황 데이터가 수집되는 교통상황 데이터 수집단계; 연산부에 의하여, 사거리에서 차량이 신호대기상태인 경우 상기 교통상황 데이터가 이용되어 차로체증지수(J)와 차로포화지수(F)가 연산되는 연산단계; 판단부에 의하여, 상기 차로체증지수(J)와 차로포화지수(F) 중 적어도 하나가 이용되어 교통체증, 차로체증, 교통정상 중 적어도 하나로 교통상황이 판단되는 판단단계; 예측부에 의하여, 상기 차로체증지수(J)가 최대일 경우 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델이 이용되어 일정한 교통량을 유지할 수 있도록 교통신호가 예측되는 예측단계; 및 제어부에 의하여, 상기 예측단계로부터 예측된 예측결과에 따라 사거리의 교통신호가 직접적으로 제어되는 제어단계;를 제공한다.
이상과 같이 본 발명에 의하면 교통상황 데이터를 획득한 후 차로체증지수(J)와 차로포화지수(F)를 연산하여 교통상황을 판단하고 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 이용하여 일정한 교통량을 유지할 수 있도록 사거리 교통신호의 제어신호를 생성함으로써, 별도의 교체시공 및 추가도로를 설치하지 않고 사거리에 각 차로에 교통량이 동시에 확인하면서 교통량을 일정하게 유지하여 사거리의 교통체증을 해소할 수 있는 효과가 있다.
도 1은 본 발명의 인공지능 기술기반의 사거리 교통체증 예측 시스템 구성도이다.
도 2는 본 발명의 일실시예에 따른 사거리를 표시한 도면이다.
도 3은 본 발명의 일실시예에 따른 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 표시한 전체 구조도이다.
도 4는 본 발명의 일실시예에 따른 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델 내 LSTM의 구조도이다.
도 5는 본 발명의 일실시예에 따라 차로체증지수(J)를 기준으로 하는 인공지능 기술기반의 사거리 교통체증 예측 방법 흐름도이다.
도 6은 본 발명의 일실시예에 따라 차로포화지수(F)를 기준으로 하는 인공지능 기술기반의 사거리 교통체증 예측 방법 흐름도이다.
본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
다르게 정의되지 않는 한 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
인공지능 기술기반의 사거리 교통체증 예측 시스템
이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 1은 본 발명의 인공지능 기술기반의 사거리 교통체증 예측 시스템 구성도이다. 도 2는 본 발명의 일실시예에 따른 사거리를 표시한 도면이다. 도 3은 본 발명의 일실시예에 따른 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 표시한 전체 구조도이다.도 4는 본 발명의 일실시예에 따른 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델 내 LSTM의 구조도이다.
우선 도 1을 보면 본 발명의 인공지능 기술기반의 사거리 교통체증 예측 시스템은 차량 감지기(VDS)(100), 연산부(200), 판단부(300), 예측부(400) 및 제어부(500)를 포함한다.
보다 구체적으로, 상기 차량 감지기(Vehicle Detection System; VDS)(100)는 사거리의 일정 지점에 설치되어 차량 존재여부, 차선별 교통량, 차량 속도 및 차량 점유율 중 적어도 하나를 포함하는 교통상황 데이터를 수집한다. 추가적으로 상기 차량 감지기(VDS)(100)는 차선별 통행량 측정, 차량별 속도 측정, 오토바이, 승용차, 화물차를 포함하는 차종 분류, 역주행 감지 등을 수행할 수 있다.
그리고 도 2와 같은 사거리의 A, B, C, D 차로에서 각 차로의 a, b 위치에 상기 차량 감지기(VDS)(100)가 각각 설치되는 것이 가장 바람직하다. 이는, 각 차로의 교통상황을 복합적으로 확인하기 위함이다.
다음으로, 상기 연산부(200)는 상기 교통상황 데이터를 이용하여 차로체증지수(J)와 차로포화지수(F)를 연산한다. 우선, 상기 연산부(200)는 하기 [수학식 1]로 상기 차로체증지수(J)를 연산할 수 있다. 상기 차로체증지수(J)는 사거리 내 4개의 차로 각각에 대해서 상기 차량 감지기(VDS)(100)가 설치된 a지점과 b지점 사이에 유동하는 차량을 확인하기 위해 연산될 수 있다.
Figure pat00001
여기서, Cl은 중형차의 평균길이, an, bn는 사거리 각 차로의 a, b 위치에 설치된 차량 감지기(VDS)(100)에 감지되는 차량의 개수, Rl는 차로의 길이, t는 교통신호 주기이다.
예컨대, 도 2에서 a위치와 b위치 사이의 차로의 길이가 83m, 교통신호 주기가 1분, 차로에서 a-b간 간격에 차량이 12대라고 했을 때, 상기 차로체증지수(J)를 연산하면, (4.9m*12대)/(83m*1분) 식으로 상기 차로체증지수(J)가 70%로 연산될 수 있다.
또한, 상기 연산부(200)는 하기 [수학식 2]로 상기 차로포화지수(F)를 연산할 수 있다. 상기 차로포화지수(F)는 사거리 전체에 차량의 유동을 확인하기 위해 연산될 수 있다.
Figure pat00002
여기서, Cl은 중형차의 평균길이, Cn는 사거리 각 차로에서 유입되는 차량의 개수의 총합이고, Rl는 차로의 길이, t는 교통신호 주기이다.
다음으로, 상기 판단부(300)는 상기 차로체증지수(J)와 차로포화지수(F) 중 적어도 하나를 이용하여 교통체증, 차로체증, 교통정상 중 적어도 하나로 교통상황을 판단한다.
또한, 상기 판단부(300)는 상기 차로체증지수(J)가 70% 이상 내지 100% 미만이면 상기 교통체증으로 상기 교통상황을 판단하고, 상기 차로체증지수(J)에 따라 교통신호 주기를 변경할 수 있도록 제어신호를 상기 제어부(500)에 전송할 수 있다.
가장 바람직하게, 상기 판단부(300)는 상기 차로체증지수(J)가 70%이면 상기 교통신호 주기에 30초를 추가할 수 있도록 상기 제어신호를 전송할 수 있고, 상기 차로체증지수(J)가 80%이면 상기 교통신호 주기에 45초를 추가할 수 있도록 상기 제어신호를 전송할 수 있고, 상기 차로체증지수(J)가 90%이면 상기 교통신호 주기에 60초를 추가할 수 있도록 상기 제어신호를 전송할 수 있다.
예컨대, 상기 판단부(300)는 상기 차로체증지수(J)가 70%이면 상기 교통신호 주기에 30초를 추가할 수 있고, 이에 따라, 상기 차로체증지수(J)는 상기 연산부(200)로부터 (4.9m*12대)/(83m*1.5분) 식으로 연산되어 47%가 되고, 기존 70%에서 지수가 약 23%가 낮아지고, 이에 따라 상기 판단부(300)는 교통체증이 경감된 것으로 판단할 수 있다. 즉, 상기 제어부(500)는 상기 제어신호를 수신한 후 교통신호의 주기를 직접적으로 제어할 수 있고, 차로의 a-b 구간 내 일정한 교통량이 발생할 수 있도록 하는 현저한 효과가 있다.
또한, 상기 판단부(300)는 상기 차로포화지수(F)가 교통신호 주기 동안에 70% 이상이면 상기 차로체증으로 상기 교통상황을 판단하고, 상기 차로포화지수(F)가 교통신호 주기 동안 50% 이하로 경감될 때까지 상기 차로체증지수(J)에 따라 교통신호 주기를 변경할 수 있도록 제어신호를 상기 제어부(500)에 전송할 수 있다.
다음으로, 상기 예측부(400)는 상기 차로체증지수(J)가 최대일 경우 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 이용하여 일정한 교통량을 유지할 수 있도록 교통신호를 예측한다.
즉, 상기 차로체증지수(J)가 최대인 경우는 100%인 것으로, 이는 교통량이 정체가 매우 심각함으로, 상기 [수학식 1] 내지 [수학식 2]를 통한 단순 연산으로 해결하기 어려운 경우에 해당한다. 따라서 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델에 상기 차량 감지기(VDS)(100)로부터 수집된 상기 교통상황 데이터를 입력하여 상기 교통신호를 예측할 수 있다.
우선, 상기 예측부(400)는 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델에 상기 차량 감지기(VDS)(100)로부터 수집된 상기 교통상황 데이터를 입력하여 현재시점으로부터 기 설정된 시간 이후의 교통량을 예측하고자 한다.
도 3을 보면, 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델의 입력값은 상기 차량 감지기(VDS)(100)로부터 수집된 상기 교통상황 데이터 중 사거리 각 차로에서 유입되는 차량의 개수의 총합(Cn)과 상기 연산부(200)로부터 현재시점에서 연산된 차로포화지수(F)일 수 있다. 출력값은 현재시점으로부터 기 설정된 시간 이후의 교통량을 예측한 값일 수 있다.
도 4를 보면, 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델 내 LSTM의 데이터 처리방식은 다음과 같다. 우선, 벡터로 표현된 상기 차로포화지수(F)가 입력될 수 있다. 입력된 상기 차로포화지수(F)는 순서(Time step)에 따라 이전상태(Old Hidden state)(ht-1)와 함께 현재상태(Hidden state)(ht)에 저장되기에 앞서 기억상태(Cell state)가 참전하는 처리과정을 거칠 수 있다. 우선, 4개의 게이트(i, f, o, g)가 기억상태(Cell state)의 활성화 여부를 결정한다. f ⊙ Ct-1 처리과정은 f 게이트를 사용하여 이전상태(ht-1)의 차로포화지수(F)를 현재상태(ht)에 저장할 수 있다.
i ⊙ g 처리과정은 i 게이트와 g 게이트를 사용하여 이전상태(ht-1)의 차로포화지수(F)를 현재상태(ht)에 저장 및 비교할 수 있다. (f ⊙ Ct-1) + (i ⊙ g) 처리과정은 두 처리과정으로부터 출력된 출력값을 합산할 수 있다. o ⊙ tanh(Ct) 처리과정은 최종적으로 연산된 차로포화지수(F)가 현재상태(ht)에 얼마나 영향을 줄 것인가에 대한 연산을 할 수 있다. 이에 따라, 가중치(W)가 반복해서 업데이트되면서 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델 내 LSTM이 발전할 수 있다.
이때, 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델은 3차원 벡터로 연산되는 합성곱으로 이루어지는 것이 가장 바람직하다. 이는 종래 2차원 벡터로 연산되는 합성곱을 갖는 신경망 모델과 분명한 차이가 있다.
또한, 상기 예측부(400)는 기 설정된 시간 이후의 교통량을 사거리 각 차로에서 유입되는 차량의 개수의 총합(Cn)으로 하여 현재시점으로부터 기 설정된 시간 이후의 상기 차로포화지수(F)를 연산할 수 있고, 상기 차로포화지수(F)가 교통신호 주기 동안에 70% 이상이면 상기 차로체증으로 상기 교통상황을 예측하고, 상기 차로포화지수(F)가 교통신호 주기 동안 50% 이하로 경감될 때까지 상기 차로체증지수(J)에 따라 교통신호 주기를 변경할 수 있도록 제어신호를 상기 제어부(500)에 전송할 수 있다. 이에 따라, 본원발명은 사거리 내 심각한 정체상황에서 현재시점으로부터 기 설정된 시간 이후의 교통량을 미리 예측한 후 교통체증을 미리 해소할 수 있는 현저한 효과가 있다.
다음으로, 상기 제어부(500)는 상기 예측부(400)로부터 예측된 예측결과에 따라서 사거리의 교통신호를 직접적으로 제어한다. 즉, 상기 예측부(400)로부터 전송된 제어신호에 따라서 사거리의 신호등의 색깔별 점등간격, 점등시간 등을 제어할 수 있다.
따라서 본 발명에 따르면, 사거리의 교통체증을 해소하기 위하여 별도의 교체시공 및 추가도로를 설치하지 않고, 사거리에 각 차로에 교통량을 동시에 확인하면서 교통량을 일정하게 유지할 수 있는 현저한 효과가 있다.
인공지능 기술기반의 사거리 교통체증 예측 방법
이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 5는 본 발명의 일실시예에 따라 차로체증지수(J)를 기준으로 하는 인공지능 기술기반의 사거리 교통체증 예측 방법 흐름도이다. 도 6은 본 발명의 일실시예에 따라 차로포화지수(F)를 기준으로 하는 인공지능 기술기반의 사거리 교통체증 예측 방법 흐름도이다.
도 4 내지 도 5를 보면, 본 발명의 인공지능 기술기반의 사거리 교통체증 예측 방법은 데이터 수집단계(S100), 연산단계(S200), 판단단계(S300), 예측단계(S400) 및 제어단계(S500)를 포함한다.
보다 구체적으로, 상기 데이터 수집단계(S100)는 차량 감지기(VDS)(100)에 의하여, 차량 존재여부, 차선별 교통량, 차량 속도 및 차량 점유율 중 적어도 하나를 포함하는 교통상황 데이터가 수집된다. 추가적으로 상기 데이터 수집단계(S100)는 차선별 통행량 측정, 차량별 속도 측정, 오토바이, 승용차, 화물차를 포함하는 차종 분류, 역주행 감지 등을 감지할 수 있다.
그리고 도 2와 같은 사거리의 A, B, C, D 차로에서 a, b 위치에 상기 차량 감지기(VDS)(100)가 각각 설치되는 것이 가장 바람직하다. 이는, 상기 데이터 수집단계(S100)로부터 각 차로의 교통상황을 복합적으로 수집하기 위함이다.
다음으로, 상기 연산단계(S200)는 연산부(200)에 의하여, 사거리에서 차량이 신호대기상태인 경우 상기 교통상황 데이터가 이용되어 차로체증지수(J)와 차로포화지수(F)가 연산된다.
우선, 상기 연산단계(S200)는 상기 [수학식 1]로 상기 차로체증지수(J)가 연산될 수 있다. 예컨대, 도 2에서 a위치와 b위치 사이의 차로의 길이가 83m, 교통신호 주기가 1분, 차로에서 a-b간 간격에 차량이 12대라고 했을 때, 상기 차로체증지수(J)를 연산하면, (4.9m*12대)/(83m*1분) 식으로 상기 차로체증지수(J)가 70%로 연산될 수 있다.
또한, 상기 연산단계(S200)는 상기 [수학식 2]로 상기 차로포화지수(F)가 연산될 수 있다.
다음으로, 상기 판단단계(S300)는 판단부(300)에 의하여, 상기 차로체증지수(J)와 차로포화지수(F) 중 적어도 하나가 이용되어 교통체증, 차로체증, 교통정상 중 적어도 하나로 교통상황이 판단된다.
보다 구체적으로, 도 5를 보면, 상기 판단단계(S300)는 상기 차로체증지수(J)가 70% 이상 내지 100% 미만이면 상기 교통체증으로 상기 교통상황이 판단되고, 상기 차로체증지수(J)에 따라 교통신호 주기가 변경될 수 있도록 제어신호가 상기 제어부(500)에 전송될 수 있다.
가장 바람직하게, 상기 판단단계(S300)는 상기 차로체증지수(J)가 70%이면 상기 교통신호 주기에 30초가 추가될 수 있도록 상기 제어신호가 전송될 수 있고, 상기 차로체증지수(J)가 80%이면 상기 교통신호 주기에 45초가 추가될 수 있도록 상기 제어신호가 전송될 수 있고, 상기 차로체증지수(J)가 90%이면 상기 교통신호 주기에 60초가 추가될 수 있도록 상기 제어신호가 전송될 수 있다.
예컨대, 상기 판단단계(S300)는 상기 차로체증지수(J)가 70%이면 상기 교통신호 주기에 30초가 추가될 수 있고, 상기 연산단계(S200)로 회귀되어 상기 차로체증지수(J)가 (4.9m*12대)/(83m*1.5분) 식으로 다시 연산되어 47%가 되고, 기 판단단계(S300)는 기존 70%에서 지수가 약 23%가 낮아진 것이 확인됨에 따라 교통체증이 경감된 것으로 판단될 수 있다. 그리고 상기 제어단계(S500)는 상기 판단단계(S300)로부터 전송된 상기 제어신호가 수신된 후 교통신호의 주기가 직접적으로 제어될 수 있고, 이에 따라 차로의 a-b 구간 내 일정한 교통량이 발생될 수 있는 현저한 효과가 있다.
또한, 도 6를 보면, 상기 판단단계(S300)는 상기 차로포화지수(F)가 교통신호 주기 동안에 70% 이상이면 상기 차로체증으로 상기 교통상황이 판단되고, 상기 차로포화지수(F)가 교통신호 주기 동안 50% 미만으로 경감될 때까지 상기 차로체증지수(J)에 따라 교통신호 주기가 변경될 수 있도록 제어신호가 상기 제어부(500)에 전송될 수 있다.
다시 도 5를 보면 다음으로, 상기 예측단계(S400)는 예측부(400)에 의하여, 상기 차로체증지수(J)가 최대일 경우 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델이 이용되어 일정한 교통량을 유지할 수 있도록 교통신호가 예측된다.
여기서, 상기 차로체증지수(J)가 최대인 경우는 100%인 것으로, 이는 교통량이 정체가 매우 심각함으로, 상기 [수학식 1] 내지 [수학식 2]를 통한 단순 연산으로 해결하기 어려운 경우에 해당한다. 따라서 상기 예측단계(S400)는 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델에 상기 데이터 수집단계(S100)로부터 수집된 상기 교통상황 데이터가 입력되어 상기 교통신호가 예측될 수 있다.
상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델의 입력값은 상기 데이터 수집단계(S100)로부터 수집된 상기 교통상황 데이터 중 사거리 각 차로에서 유입되는 차량의 개수의 총합(Cn)과 상기 연산단계(S200)로부터 현재시점에서 연산된 차로포화지수(F)일 수 있다. 출력값은 현재시점으로부터 기 설정된 시간 이후의 교통량을 예측한 값일 수 있다. 이때, 상기 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델은 3차원 벡터로 연산되는 합성곱으로 이루어지는 것이 가장 바람직하다. 이는 종래 2차원 벡터로 연산되는 합성곱을 갖는 신경망 모델과 분명한 차이가 있다.
또한, 상기 예측단계(S400)는 기 설정된 시간 이후의 교통량을 사거리 각 차로에서 유입되는 차량의 개수의 총합(Cn)으로 하여 현재시점으로부터 기 설정된 시간 이후의 상기 차로포화지수(F)가 연산될 수 있고, 상기 차로포화지수(F)가 교통신호 주기 동안에 70% 이상이면 상기 차로체증으로 상기 교통상황이 예측되고, 상기 차로포화지수(F)가 교통신호 주기 동안 50% 이하로 경감될 때까지 상기 차로체증지수(J)에 따라 교통신호 주기가 변경될 수 있도록 제어신호가 상기 제어부(500)에 전송될 수 있다. 이에 따라, 본원발명은 사거리 내 심각한 정체상황에서 현재시점으로부터 기 설정된 시간 이후의 교통량을 미리 예측한 후 교통체증을 미리 해소할 수 있는 현저한 효과가 있다.
다음으로, 상기 제어단계(S500)는 제어부(500)에 의하여, 상기 예측단계(S400)로부터 예측된 예측결과에 따라 사거리의 교통신호가 직접적으로 제어된다. 즉, 상기 예측단계(S400)로부터 전송된 제어신호에 따라서 사거리의 신호등의 색깔별 점등간격, 점등시간 등이 제어될 수 있다.
따라서 본 발명에 따르면, 사거리의 교통체증을 해소하기 위하여 별도의 교체시공 및 추가도로를 설치하지 않고, 사거리에 각 차로에 교통량이 동시에 확인되면서 교통량이 일정하게 유지될 수 있는 현저한 효과가 있다.
실시예들은 하드웨어, 소프트웨어, 펌웨어, 미들웨어, 마이크로코드, 하드웨어 기술 언어, 또는 이들의 임의의 조합에 의해 구현될 수 있다. 소프트웨어, 펌웨어, 미들웨어 또는 마이크로코드로 구현되는 경우, 필요한 작업을 수행하는 프로그램 코드 또는 코드 세그먼트들은 컴퓨터 판독 가능 저장 매체에 저장되고 하나 이상의 프로세서에 의해 실행될 수 있다.
그리고 본 명세서에 설명된 주제의 양태들은 컴퓨터에 의해 실행되는 프로그램 모듈 또는 컴포넌트와 같은 컴퓨터 실행 가능 명령어들의 일반적인 맥락에서 설명될 수 있다. 일반적으로, 프로그램 모듈 또는 컴포넌트들은 특정 작업을 수행하거나 특정 데이터 형식을 구현하는 루틴, 프로그램, 객체, 데이터 구조를 포함한다. 본 명세서에 설명된 주제의 양태들은 통신 네트워크를 통해 링크되는 원격 처리 디바이스들에 의해 작업들이 수행되는 분산 컴퓨팅 환경들에서 실시될 수도 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈들은 메모리 저장 디바이스들을 포함하는 로컬 및 원격 컴퓨터 저장 매체에 둘 다에 위치할 수 있다.
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 으로 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.
그러므로 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100.. 차량 감지기(VDS)
200.. 연산부
300.. 판단부
400.. 예측부
500.. 제어부

Claims (6)

  1. 사거리의 일정 지점에 설치되어 차량 존재여부, 차선별 교통량, 차량 속도 및 차량 점유율 중 적어도 하나를 포함하는 교통상황 데이터를 수집하는 차량 감지기(VDS);
    상기 교통상황 데이터를 이용하여 차로체증지수(J)와 차로포화지수(F)를 연산하는 연산부;
    상기 차로체증지수(J)와 차로포화지수(F) 중 적어도 하나를 이용하여 교통체증, 차로체증, 교통정상 중 적어도 하나로 교통상황을 판단하는 판단부;
    상기 차로체증지수(J)가 최대일 경우 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델을 이용하여 일정한 교통량을 유지할 수 있도록 교통신호를 예측하는 예측부; 및
    상기 예측부로부터 예측된 예측결과에 따라 사거리의 교통신호를 직접적으로 제어하는 제어부;를 포함하는 인공지능 기술기반의 사거리 교통체증 예측 시스템.
  2. 제 1항에 있어서,
    상기 연산부는,
    하기 [수학식 1]로 상기 차로체증지수(J)를 연산하는 것을 특징으로 하는 인공지능 기술기반의 사거리 교통체증 예측 시스템.
    [수학식 1]
    Figure pat00003

    여기서, Cl은 중형차의 평균길이, an, bn는 사거리 각 차로의 a, b 위치에 설치된 차량 감지기(VDS)에 감지되는 차량의 개수, Rl는 차로의 길이, t는 교통신호 주기이다.
  3. 제 1항에 있어서,
    상기 연산부는,
    하기 [수학식 2]로 상기 차로포화지수(F)를 연산하는 것을 특징으로 하는 인공지능 기술기반의 사거리 교통체증 예측 시스템.
    [수학식 2]
    Figure pat00004

    여기서, Cl은 중형차의 평균길이, Cn는 사거리 각 차로에서 유입되는 차량의 개수의 총합, Rl는 차로의 길이, t는 교통신호 주기이다.
  4. 제 1항에 있어서,
    상기 판단부는,
    상기 차로체증지수(J)가 70% 이상 내지 100% 미만이면 상기 교통체증으로 상기 교통상황을 판단하고, 상기 차로체증지수(J)에 따라 교통신호 주기를 변경할 수 있도록 제어신호를 상기 제어부에 전송하는 것을 특징으로 하는 인공지능 기술기반의 사거리 교통체증 예측 시스템.
  5. 제 1항에 있어서,
    상기 판단부는,
    상기 차로포화지수(F)가 교통신호 주기 동안에 70% 이상이면 상기 차로체증으로 상기 교통상황을 판단하고, 상기 차로포화지수(F)가 교통신호 주기 동안 50% 이하로 경감될 때까지 상기 차로체증지수(J)에 따라 교통신호 주기를 변경할 수 있도록 제어신호를 상기 제어부에 전송하는 것을 특징으로 하는 인공지능 기술기반의 사거리 교통체증 예측 시스템.
  6. 차량 감지기(VDS)에 의하여, 차량 존재여부, 차선별 교통량, 차량 속도 및 차량 점유율 중 적어도 하나를 포함하는 교통상황 데이터가 수집되는 교통상황 데이터 수집단계;
    연산부에 의하여, 사거리에서 차량이 신호대기상태인 경우 상기 교통상황 데이터가 이용되어 차로체증지수(J)와 차로포화지수(F)가 연산되는 연산단계;
    판단부에 의하여, 상기 차로체증지수(J)와 차로포화지수(F) 중 적어도 하나가 이용되어 교통체증, 차로체증, 교통정상 중 적어도 하나로 교통상황이 판단되는 판단단계;
    예측부에 의하여, 상기 차로체증지수(J)가 최대일 경우 컨볼루션-장단기 기억(Conv-LSTM) 신경망 모델이 이용되어 일정한 교통량을 유지할 수 있도록 교통신호가 예측되는 예측단계; 및
    제어부에 의하여, 상기 예측단계로부터 예측된 예측결과에 따라 사거리의 교통신호가 직접적으로 제어되는 제어단계;를 포함하는 인공지능 기술기반의 사거리 교통체증 예측 방법.
KR1020210163585A 2021-11-24 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법 KR102689239B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210163585A KR102689239B1 (ko) 2021-11-24 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210163585A KR102689239B1 (ko) 2021-11-24 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20230076535A true KR20230076535A (ko) 2023-05-31
KR102689239B1 KR102689239B1 (ko) 2024-07-26

Family

ID=

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101153913B1 (ko) 2009-09-14 2012-06-07 김재훈 교통체증 완화를 위한 도로
KR102099745B1 (ko) 2015-09-17 2020-04-10 폭스바겐 악티엔 게젤샤프트 차량-대-차량 인터페이스를 통해 교통 체증의 종료에 관한 유용한 정보를 생성하는 장치, 방법 및 컴퓨터 프로그램

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101153913B1 (ko) 2009-09-14 2012-06-07 김재훈 교통체증 완화를 위한 도로
KR102099745B1 (ko) 2015-09-17 2020-04-10 폭스바겐 악티엔 게젤샤프트 차량-대-차량 인터페이스를 통해 교통 체증의 종료에 관한 유용한 정보를 생성하는 장치, 방법 및 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
Lebacque et al. Introducing buses into first-order macroscopic traffic flow models
Talebpour et al. Influence of connected and autonomous vehicles on traffic flow stability and throughput
Boel et al. A compositional stochastic model for real time freeway traffic simulation
CN103927887B (zh) 结合离散速度模型的阵列式fpga交通状态预测及控制***
Zhang et al. An optimization model and traffic light control scheme for heterogeneous traffic systems
Geroliminis et al. Prediction of arrival profiles and queue lengths along signalized arterials by using a Markov decision process
Evans et al. Probability of breakdown at freeway merges using Markov chains
Dell et al. REALBAND: An approach for real-time coordination of traffic flows on networks
CN112185124B (zh) 一种全路网交通状态预测方法及装置
CN108198441A (zh) 一种快速智能交通***及方法
JP2007122584A (ja) 交通信号制御システム、および交通信号制御システムの制御方法
CN112767683B (zh) 一种基于反馈机制的路径诱导方法
Lee et al. Group-based hierarchical adaptive traffic-signal control Part II: Implementation
JPH10124791A (ja) 旅行時間予測方法および装置
Sheikh et al. A game theory-based controller approach for identifying incidents caused by aberrant lane changing behavior
Gressenbuch et al. Predictive monitoring of traffic rules
CN106960572A (zh) 一种基于延迟时间系数的高速公路行程时间可靠性计算方法
Hawas et al. Optimized multistage fuzzy-based model for incident detection and management on urban streets
CN113593221A (zh) 信息价值评估式驾驶***、网联车辆***和数据传输方法
KR20230076535A (ko) 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법
KR102689239B1 (ko) 인공지능 기술기반의 사거리 교통체증 예측 시스템 및 방법
Drew et al. Multilevel approach to the design of a freeway control system
JP2007122359A (ja) 交通情報処理装置及び交通情報処理方法
Zhang et al. Modelling and traffic signal control of heterogeneous traffic systems
Kim et al. Reinforcement learning approach to develop variable speed limit strategy using vehicle data and simulations

Legal Events

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