1 |
1
어느 시점에서 특정 도로를 통행하는 차량 흐름의 속도인 도로 속도를 예측하는 방법에서, 도로 속도를 예측하고자 하는 도로(이하 '타겟 도로'라 함)의 도로 환경 데이터를 실시간으로 수집하는 단계;수집된 도로 환경 데이터를 정규화하여 도로 속도 예측에 필요한 예측 데이터 집합을 생성하는 단계; 생성된 예측 데이터 집합을 입력 데이터로 하는 신경망 학습 모델을 통해 1차 예측 속도를 예측하는 단계;상기 타겟 도로의 일반적인 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 상기 타겟 도로의 과거 평균 속도를 적용하는 단계;상기 타겟 도로에서 발생하는 이벤트에 의해 급변하는 차량 흐름을 반영하기 위해, 상기 1차 예측 속도에 이벤트 가중치를 적용하는 단계; 및상기 이벤트 가중치와 상기 과거 평균 속도를 적용하는 오류 보정을 통해 최종 예측 속도를 예측하는 단계를 포함하는 도로 속도 예측 방법
|
2 |
2
청구항 1에 있어서, 상기 신경망 학습 모델은 LSTM(Long Short-Term Memory) 학습 모델인 것임을 특징으로 하는 도로 속도 예측 방법
|
3 |
3
청구항 2에 있어서, 상기 예측 데이터 집합은 타겟 도로의 속도 데이터와, 이웃 도로의 속도 데이터와, 날씨 데이터를 포함하는 것을 특징으로 하는 도로 속도 예측 방법
|
4 |
4
청구항 3에 있어서, 은 도로 R에서 수집한 전체 속도 데이터, 는 도로 R에서 수집한 t시간의 속도라고 할 때, (1)의 수학식을 이용하여 속도 데이터를 정규화하는 것을 특징으로 하는 도로 속도 예측 방법
|
5 |
5
청구항 4에 있어서, 는 타겟 도로가 속한 지역의 t시간 동안의 강우량이라고 할 때, (2)의 수학식을 이용하여 날씨 데이터를 정규화하는 것을 특징으로 하는 도로 속도 예측 방법
|
6 |
6
청구항 5에 있어서, 는 특정 요일의 과거 평균 속도 변화량, 는 특정 요일, t시간으로부터 15분 전의 과거 평균 속도, 는 특정 요일, t시간의 속도라고 할 때, (4)의 수학식으로 나타낼 수 있고, 는 특정 요일, 특정 시간의 1차 예측 속도, 는 과거 평균 속도 적용 과정을 수행한 예측 속도라고 할 때, (5)의 수학식으로 나타낼 수 있고, 여기서, 과거 평균적으로 속도가 감소하는 시간대에 예측한 가 보다 크면 로 1차 예측 속도를 대체하고, 그렇지 않으면 1차 예측 속도를 그대로 사용하는 방식으로, 상기 1차 예측 속도에 상기 타겟 도로의 과거 평균 속도를 적용하는 단계를 수행하는 것을 특징으로 하는 도로 속도 예측 방법
|
7 |
7
청구항 6에 있어서, 상기 1차 예측 속도에 이벤트 가중치를 적용하는 단계에서, 타겟 도로의 도로 속도가 급격히 감소되는 구간인 속도 감소 구간과, 급격히 감소된 속도가 회복되는 구간인 속도 회복 구간을 정의하고, 상기 속도 감소 구간에서 상기 1차 예측 속도에 감소 가중치를 적용하고, 상기 속도 회복 구간에서 상기 1차 예측 속도에 회복 가중치를 적용하는 것을 특징으로 하는 도로 속도 예측 방법
|
8 |
8
청구항 7에 있어서, 수집된 도로 환경 데이터를 정규화하여, LSTM 학습 모델을 생성하기 위해 필요한 학습 데이터 집합을 생성하는 단계;생성된 학습 데이터 집합을 입력으로 하는 LSTM 모델을 수행하는 단계; 및LSTM 모델을 통해 최적의 가중치를 업데이트하여 LSTM 학습 모델을 생성하는 단계를 더 포함하는 것을 특징으로 하는 도로 속도 예측 방법
|
9 |
9
청구항 1 내지 청구항 8 중 어느 한 청구항의 방법을 컴퓨터로 실행시킬 수 있는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
|