1 |
1
미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집하는 단계;상기 수집된 데이터를 가공하는 단계;상기 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 상기 차량의 운전 패턴을 예측하는 단계;상기 운전 패턴에 기초하여, 상기 차량 중 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)의 교차로 통과 시간을 예측하는 단계;상기 예측된 교차로 통과 시간에 기초하여, 상기 RLR의 안전 시간을 계산하는 단계; 및상기 안전 시간에 기초하여, 전체 적색 신호 종료 시간을 연장하는 단계를 포함하는 교통 신호 제어 방법
|
2 |
2
제1항에 있어서,상기 차량의 데이터를 수집하는 단계는데이터 수집 구간인지 여부를 판단하는 단계; 및상기 데이터 수집 구간에 해당할 경우, 미리 정해진 시간 간격 마다 상기 차량의 속도, 가속도, 위치 정보 및 교차로의 지도 정보 중 적어도 하나를 수집하는 단계를 포함하는, 교통 신호 제어 방법
|
3 |
3
제2항에 있어서,상기 데이터 수집 구간은노란 신호 시작 시간 이후, 전체 적색 신호 시작 시간 이전에 해당하는 구간에 포함되는 미리 정해진 제1 구간을 포함하는, 교통 신호 제어 방법
|
4 |
4
제2항에 있어서,상기 수집된 데이터를 가공하는 단계는상기 차량의 위치 정보와 상기 교차로의 지도 정보에 기초하여, 상기 차량의 교차로 정지선까지의 거리를 획득하는 단계; 및상기 차량의 교차로 정지선까지의 거리에 기초하여, 앞 차량과의 거리를 획득하는 단계를 포함하는, 교통 신호 제어 방법
|
5 |
5
제1항에 있어서,상기 미리 학습된 인공 신경망은MC-DCNN(Multi-Channel Deep Convolutional Neural Network)을 포함하는, 교통 신호 제어 방법
|
6 |
6
제1항에 있어서,상기 운전 패턴은교차로에서 정지하는 케이스, 적색 신호에서 교차로를 통과하는 케이스 및 노란 신호에서 교차로를 통과하는 케이스로 분류될 수 있고,각각의 케이스는노란 신호에 대한 반응 패턴에 따라 분류되는, 교통 신호 제어 방법
|
7 |
7
제1항에 있어서,상기 운전 패턴을 예측하는 단계는상기 RLR을 판별하는 단계; 및상기 RLR의 노란 신호에 대한 반응 패턴을 예측하는 단계를 포함하는, 교통 신호 제어 방법
|
8 |
8
제1항에 있어서,상기 교차로 통과 시간을 예측하는 단계는상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 통과 시간 예측 모델을 결정하는 단계; 및상기 RLR의 속도, 가속도, 교차로 정지선까지의 거리를 상기 통과 시간 예측 모델에 입력하여, 상기 교차로 통과 시간을 예측하는 단계를 포함하는, 교통 신호 제어 방법
|
9 |
9
제8항에 있어서,상기 통과 시간 예측 모델은Hougen-Watson 회귀모델을 포함하는, 교통 신호 제어 방법
|
10 |
10
제1항에 있어서,상기 안전 시간을 계산하는 단계는상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 안전 시간 예측 모델을 결정하는 단계; 및상기 안전 시간 예측 모델에 기초하여, 상기 안전 시간을 예측하는 단계를 포함하고,상기 안전 시간 예측 모델은 통과 시간 예측 모델에 기초하여 생성되는, 교통 신호 제어 방법
|
11 |
11
제10항에 있어서,상기 안전 시간 예측 모델은Quadratic polynomial 회귀모델을 포함하는, 교통 신호 제어 방법
|
12 |
12
제1항에 있어서,상기 전체 적색 신호 종료 시간을 연장하는 단계는상기 안전 시간이 가장 큰 RLR의 안전 시간과 상기 전체 적색 신호 종료 시간을 비교하는 단계; 및상기 비교결과, 상기 안전 시간이 가장 큰 RLR의 안전 시간이 상기 전체 적색 신호 종료 시간보다 늦을 경우, 상기 안전 시간이 가장 큰 RLR의 안전 시간까지 상기 전체 적색 신호 종료 시간을 연장하는 단계를 포함하는, 교통 신호 제어 방법
|
13 |
13
하드웨어와 결합되어 제1항 내지 제12항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램
|
14 |
14
미리 정해진 영역을 통과하는 하나 이상의 차량의 데이터를 수집하는 데이터 수집부; 및프로세서를 포함하고,상기 프로세서는상기 수집된 데이터를 가공하고,상기 가공된 데이터를 미리 학습된 인공 신경망에 입력하여, 상기 차량의 운전 패턴을 예측하고,상기 운전 패턴에 기초하여, 상기 차량 중 적색 신호에서 교차로를 통과하는 하나 이상의 차량(Red Light Runner; RLR)의 교차로 통과 시간을 예측하고,상기 예측된 교차로 통과 시간에 기초하여, 상기 RLR의 안전 시간을 계산하고,상기 안전 시간에 기초하여, 전체 적색 신호 종료 시간을 연장하는 교통 신호 제어 장치
|
15 |
15
제14항에 있어서,상기 데이터 수집부는차량 데이터 수집 시스템(Vehicle Data Collection System ; VDCS)을 포함하고,상기 차량 데이터 수집 시스템은수집 범위 결정 모듈, 움직임 탐지 모듈, 추적 모듈, 카메라 칼리브레이션 모듈, 신호 탐지 모듈 및 파라미터 추출 모듈을 포함하는, 교통 신호 제어 장치
|
16 |
16
제14항에 있어서,상기 프로세서는데이터 수집 구간인지 여부를 판단하고,상기 데이터 수집부는상기 데이터 수집 구간에 해당할 경우, 미리 정해진 시간 간격 마다 상기 차량의 속도, 가속도, 위치 정보 및 교차로의 지도 정보 중 적어도 하나를 수집하는, 교통 신호 제어 장치
|
17 |
17
제16항에 있어서,상기 프로세서는상기 차량의 위치 정보와 상기 교차로의 지도 정보에 기초하여, 상기 차량의 교차로 정지선까지의 거리를 획득하고,상기 차량의 교차로 정지선까지의 거리에 기초하여, 앞 차량과의 거리를 획득하는, 교통 신호 제어 장치
|
18 |
18
제14항에 있어서,상기 운전 패턴은교차로에서 정지하는 케이스, 적색 신호에서 교차로를 통과하는 케이스 및 노란 신호에서 교차로를 통과하는 케이스로 분류될 수 있고,각각의 케이스는노란 신호에 대한 반응 패턴에 따라 분류되는, 교통 신호 제어 장치
|
19 |
19
제14항에 있어서,상기 프로세서는상기 RLR을 판별하고,상기 RLR의 노란 신호에 대한 반응 패턴을 예측하는, 교통 신호 제어 장치
|
20 |
20
제14항에 있어서,상기 프로세서는상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 통과 시간 예측 모델을 결정하고,상기 RLR의 속도, 가속도, 교차로 정지선까지의 거리를 상기 통과 시간 예측 모델에 입력하여, 상기 교차로 통과 시간을 예측하는, 교통 신호 제어 장치
|
21 |
21
제14항에 있어서,상기 프로세서는상기 운전 패턴을 예측하는 단계에서 예측한 상기 RLR의 노란 신호에 대한 반응 패턴에 대응하는 안전 시간 예측 모델을 결정하고,상기 안전 시간 예측 모델에 기초하여, 상기 안전 시간을 예측하며,상기 안전 시간 예측 모델은 통과 시간 예측 모델에 기초하여 생성되는, 교통 신호 제어 장치
|
22 |
22
제14항에 있어서,상기 프로세서는상기 안전 시간이 가장 큰 RLR의 안전 시간과 상기 전체 적색 신호 종료 시간을 비교하고,상기 비교결과, 상기 안전 시간이 가장 큰 RLR의 안전 시간이 상기 전체 적색 신호 종료 시간보다 늦을 경우, 상기 안전 시간이 가장 큰 RLR의 안전 시간까지 상기 전체 적색 신호 종료 시간을 연장하는, 교통 신호 제어 장치
|