1 |
1
교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하는 선형화모듈;상기 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 다항로짓모듈; 및상기 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 딥러닝모듈; 을 포함하는 교통수단분담 예측 장치
|
2 |
2
제 1 항에 있어서, 상기 교통수단분담 예측 장치는 상기 선형화된 제 1 정보 또는 상기 제 2 정보를 수신하는 하이브리드 입력모듈을 더 포함하는 교통수단분담 예측장치
|
3 |
3
제 1 항에 있어서, 상기 교통수단분담 예측 장치는 역전파 알고리즘을 사용하여 최적화된 웨이트(가중치) 값 또는 상기 웨이트 값을 기반으로 교통수단별 분담률의 분포 값을 추출하는 추출모듈을 더 포함하는 교통수단분담 예측장치
|
4 |
4
제 3 항에 있어서, 상기 교통수단분담 예측 장치는 상기 최적화된 웨이트 값을 저장하는 저장모듈을 더 포함하는 교통수단분담 예측장치
|
5 |
5
제 4 항에 있어서, 상기 교통수단분담 예측 장치는 상기 저장된 웨이트 값을 기반으로 상기 교통 수단별 통행비용에 대한 정보를 최적화하는 하는 교통수단분담 예측장치
|
6 |
6
제 1 항에 있어서, 상기 제 1 정보는 교통 수단별 통행시간에 대한 정보 또는 교통 수단별에 대한 비용정보인 교통수단분담 예측장치
|
7 |
7
선형화모듈이 교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하는 단계;다항로짓모듈이 상기 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하는 단계; 및딥러닝모듈이 상기 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하는 단계; 를 포함하는 교통수단분담 예측방법
|
8 |
8
제 7 항에 있어서, 상기 교통수단분담 예측 방법은 상기 선형화된 제 1 정보 또는 상기 제 2 정보를 수신하는 단계를 더 포함하는 교통수단분담 예측방법
|
9 |
9
제 7 항에 있어서, 상기 교통수단분담 예측 방법은 역전파 알고리즘을 사용하여 최적화된 웨이트(가중치) 값 또는 상기 웨이트 값을 기반으로 교통수단별 분담률의 분포 값을 추출하는 단계를 더 포함하는 교통수단분담 예측방법
|
10 |
10
제 9 항에 있어서, 상기 교통수단분담 예측 방법은 상기 최적화된 웨이트 값을 저장하는 단계를 더 포함하는 교통수단분담 예측방법
|
11 |
11
제 10 항에 있어서, 상기 교통수단분담 예측 방법은 상기 저장된 웨이트 값을 기반으로 상기 교통 수단별 통행비용에 대한 정보를 최적화하는 교통수단분담 예측 방법
|
12 |
12
제 7 항에 있어서, 상기 제 1 정보는 교통 수단별 통행시간에 대한 정보 또는 교통 수단별에 대한 비용정보인 교통수단분담 예측방법
|
13 |
13
교통 DB로부터 교통 수단별 통행비용에 대한 정보인 제 1 정보를 수신하여 선형화하고, 상기 선형화된 제 1 정보를 수신하여 교통수단별 분담률의 확률밀도인 제 2 정보를 추출하고, 상기 제 1 정보 및 제 2 정보를 지도 학습(Supervised Learning) 에 기반하여 처리하고, 상기 선형화된 제 1 정보 또는 상기 제 2 정보를 수신하고, 역전파 알고리즘을 사용하여 최적화된 웨이트(가중치) 값 또는 상기 웨이트 값을 기반으로 교통수단별 분담률의 분포 값을 추출하고, 상기 최적화된 웨이트 값을 저장하고, 상기 저장된 웨이트 값을 기반으로 상기 교통 수단별 통행비용에 대한 정보를 최적화하여 교통수단분담 예측을 위한 프로그램을 저장하는 저장매체
|