1 |
1
노면 상태 및 노면 상태가 수집된 지점의 좌표 정보를 포함하는 노면 상태 데이터를 수집하는 단계,미리 정해진 지역의 강수 정보 및 온도 정보를 포함하는 기상 데이터를 수집하는 단계,상기 노면 상태 데이터에 포함된 좌표 정보를 미리 정해진 색인 값으로 변환하는 단계,좌표 정보가 미리 정해진 색인 값으로 변환된 상기 노면 상태 데이터와 상기 기상 데이터를 이용하여 구축되는 학습 데이터를 이용하여 노면 상태 예측 모델을 학습하는 단계, 그리고상기 노면 상태 예측 모델을 이용하여 노면 상태 예측 지점의 노면 상태를 예측하는 단계를 포함하고,상기 미리 정해진 지역을 일정 크기로 나눈 격자에 대응하는 색인 값으로 상기 좌표 정보를 변환하며,상기 강수 정보는, 기준 시점을 기준으로 역추적하여 구해지는 강수 구간의 누적 강수량을 시적 거리로 나눈 값으로 가공되며,상기 시적 거리는 상기 기준 시점부터 강수 구간의 강수 발생 시점까지의 시간 차이인 도로 노면 상태 예측 방법
|
2 |
2
제 1 항에서,상기 색인 값은 모톤 코드(Morton Code)를 사용하는 도로 노면 상태 예측 방법
|
3 |
3
제 1 항에서,상기 강수 정보는, 상기 기준 시점을 기준으로 역추적하여 구해지는 각 강수 구간의 누적 강수량을 각 강수 구간의 시적 거리로 나눈 값들의 합으로 가공되어 상기 노면 상태 예측 모델의 설명 변수로 사용되는 도로 노면 상태 예측 방법
|
4 |
4
제 1 항에서,상기 온도 정보는,기준 시점과 강수 발생 시점 사이의 온도 값의 평균, 표준 편차, 1사 분위, 3사 분위, 최솟값, 최댓값으로 가공되어 상기 노면 상태 예측 모델의 설명 변수로 사용되는 도로 노면 상태 예측 방법
|
5 |
5
제 1 항, 제 2 항 및 제 4 항 중 어느 한 항에서,상기 노면 상태 예측 모델은 랜덤 포레스트 기반 머신러닝 모델을 사용하는 도로 노면 상태 예측 방법
|
6 |
6
미리 정해진 지역의 강수 정보 및 온도 정보를 포함하는 기상 데이터를 수집하는 기상 데이터 수집부,노면 상태 및 노면 상태가 수집된 지점의 좌표 정보를 포함하는 노면 상태 데이터를 수집하는 노면 상태 데이터 수집부,상기 노면 상태 데이터에 포함된 좌표 정보를 미리 정해진 색인 값으로 변환하는 데이터 가공부,좌표 정보가 미리 정해진 색인 값으로 변환된 상기 노면 상태 데이터와 상기 기상 데이터를 이용하여 구축되는 학습 데이터를 이용하여 노면 상태 예측 모델을 학습하는 학습부, 그리고상기 노면 상태 예측 모델을 이용하여 노면 상태 예측 지점의 노면 상태를 예측하는 노면 상태 예측부를 포함하고,상기 미리 정해진 지역을 일정 크기로 나눈 격자에 대응하는 색인 값으로 상기 좌표 정보를 변환하며,상기 강수 정보는, 기준 시점을 기준으로 역추적하여 구해지는 강수 구간의 누적 강수량을 시적 거리로 나눈 값으로 가공되며, 상기 시적 거리는 상기 기준 시점부터 강수 구간의 강수 발생 시점까지의 시간 차이인 도로 노면 상태 예측 시스템
|
7 |
7
제 6 항에서,상기 색인 값은 모톤 코드(Morton Code)를 사용하는 도로 노면 상태 예측 시스템
|
8 |
8
제 6 항에서,상기 강수 정보는, 상기 기준 시점을 기준으로 역추적하여 구해지는 각 강수 구간의 누적 강수량을 각 강수 구간의 시적 거리로 나눈 값들의 합으로 가공되어 상기 노면 상태 예측 모델의 설명 변수로 사용되는 도로 노면 상태 예측 시스템
|
9 |
9
제 6 항에서,상기 온도 정보는,기준 시점과 강수 발생 시점 사이의 온도 값의 평균, 표준 편차, 1사 분위, 3사 분위, 최솟값, 최댓값으로 가공되어 상기 노면 상태 예측 모델의 설명 변수로 사용되는 도로 노면 상태 예측 시스템
|
10 |
10
제 6 항, 제 7 항 및 제 9 항 중 어느 한 항에서,상기 노면 상태 예측 모델은 랜덤 포레스트 기반 머신러닝 모델을 사용하는 도로 노면 상태 예측 시스템
|