1 |
1
도로를 다수의 도로 상태들 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장하고 있는 도로 상태 값 저장부;상기 도로에 사전 설정된 간격으로 설치된 다수의 레이더들로부터 사전 설정된 시간 간격으로 측정 데이터 세트 - 상기 측정 데이터 세트는 상기 다수의 레이더들 각각으로부터의 측정 데이터를 포함함 - 를 수신하는 도로 정보 수신부;상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 도로 상태 유사도 산출부; 및현재 수신 시점 및 상기 현재 수신 시점으로부터 t - 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수임 - 번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별하는 도로 상태 식별부를 포함하는 도로 상태 식별 장치
|
2 |
2
제1항에 있어서,상기 도로 상태 식별부는 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균하여 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하는도로 상태 식별 장치
|
3 |
3
제2항에 있어서,상기 도로 상태 식별부는 상기 현재 수신 시점에 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에 - 상기 는 0 초과 및 1 이하의 실수임 - 를 곱하고, 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에 를 곱한 후 다수의 도로 상태들 각각하다 합산함으로써 가중 평균하는도로 상태 식별 장치
|
4 |
4
제3항에 있어서,상기 도로 상태 식별부는 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값 중 가장 큰 값을 가지는 도로 상태 식별 값에 대응하는 도로 상태를 상기 현재 수신 시점의 도로 상태로 식별하는도로 상태 식별 장치
|
5 |
5
제4항에 있어서,상기 도로 상태 유사도 산출부는 논-러닝(Non-learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는도로 상태 식별 장치
|
6 |
6
제5항에 있어서,상기 논-러닝(Non-learning) 방식은 코사인(Cosine) 기반 유사도를 이용한 논-러닝 방식인도로 상태 식별 장치
|
7 |
7
제4항에 있어서,상기 도로 상태 유사도 산출부는 파라메트릭 러닝(Parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 도로 상태 식별 장치
|
8 |
8
제7항에 있어서,상기 파라메트릭 러닝(Parametric learning) 방식은 나이브-베이시안(Naive-Bayesian) 기반 유사도를 이용한 파라메트릭 러닝 방식인도로 상태 식별 장치
|
9 |
9
제4항에 있어서,상기 도로 상태 유사도 산출부는 논-파라메트릭 러닝(Non-parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는도로 상태 식별 장치
|
10 |
10
제9항에 있어서,상기 논-파라메트릭 러닝(Non-parametric learning) 방식은 서포트 벡터 머신(Support Vector Machine) 기반 유사도를 이용한 논-파라메트릭 러닝 방식인도로 상태 식별 장치
|
11 |
11
도로를 다수의 도로 상태들 중 하나의 도로 상태로 식별하기 위한 다수의 도로 상태 값들을 저장하고 있는 도로 상태 값 저장부를 유지하는 단계;상기 도로에 사전 설정된 간격으로 설치된 다수의 레이더들로부터 사전 설정된 시간 간격으로 측정 데이터 세트 - 상기 측정 데이터 세트는 상기 다수의 레이더들 각각으로부터의 측정 데이터를 포함함 - 를 수신하는 단계;상기 다수의 도로 상태 값들과 측정 데이터 세트 수신 시점마다의 측정 데이터 세트를 이용하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 단계; 및현재 수신 시점 및 상기 현재 수신 시점으로부터 t - 상기 t는 1 이상 및 T 이하의 정수이고, T는 1 이상의 정수임 - 번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 이용하여 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하고, 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 이용하여 상기 다수의 도로 상태들 중 하나를 현재 수신 시점의 도로 상태로 식별하는 단계를 포함하는 도로 상태 식별 장치의 동작 방법
|
12 |
12
제11항에 있어서,상기 도로 상태를 식별하는 단계는 상기 현재 수신 시점 및 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들을 가중 평균하여 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값을 연산하는도로 상태 식별 장치의 동작 방법
|
13 |
13
제12항에 있어서,상기 도로 상태를 식별하는 단계는 상기 현재 수신 시점에 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에 - 상기 는 0 초과 및 1 이하의 실수임 - 를 곱하고, 상기 현재 수신 시점으로부터 t번 전의 수신 시점들 각각마다 산출된 다수의 도로 상태들 각각에 대한 도로 상태 유사도들에 를 곱한 후 다수의 도로 상태들 각각하다 합산함으로써 가중 평균하는도로 상태 식별 장치의 동작 방법
|
14 |
14
제13항에 있어서,상기 도로 상태를 식별하는 단계는 상기 현재 수신 시점의 다수의 도로 상태들 각각에 대한 도로 상태 식별 값 중 가장 큰 값을 가지는 도로 상태 식별 값에 대응하는 도로 상태를 상기 현재 수신 시점의 도로 상태로 식별하는도로 상태 식별 장치의 동작 방법
|
15 |
15
제14항에 있어서,상기 도로 상태 유사도를 산출하는 단계는 논-러닝(Non-learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는도로 상태 식별 장치의 동작 방법
|
16 |
16
제15항에 있어서,상기 논-러닝(Non-learning) 방식은 코사인(Cosine) 기반 유사도를 이용한 논-러닝 방식인도로 상태 식별 장치의 동작 방법
|
17 |
17
제14항에 있어서,상기 도로 상태 유사도를 산출하는 단계는 파라메트릭 러닝(Parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는 도로 상태 식별 장치의 동작 방법
|
18 |
18
제17항에 있어서,상기 파라메트릭 러닝(Parametric learning) 방식은 나이브-베이시안(Naive-Bayesian) 기반 유사도를 이용한 파라메트릭 러닝 방식인도로 상태 식별 장치의 동작 방법
|
19 |
19
제14항에 있어서,상기 도로 상태 유사도를 산출하는 단계는 논-파라메트릭 러닝(Non-parametric learning) 방식에 기초하여 상기 다수의 도로 상태들 각각에 대한 도로 상태 유사도를 산출하는도로 상태 식별 장치의 동작 방법
|
20 |
20
제19항에 있어서,상기 논-파라메트릭 러닝(Non-parametric learning) 방식은 서포트 벡터 머신(Support Vector Machine) 기반 유사도를 이용한 논-파라메트릭 러닝 방식인도로 상태 식별 장치의 동작 방법
|