| 1 |
1
학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성하는 학습 데이터 분할부;상기 학습 세그먼트 데이터에 미리 설정된 교통수단 레이블(Lable)을 매칭하는 교통수단 레이블부;상기 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출하는 학습특성정보 추출부;상기 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 이용하여, 상기 미리 설정된 교통수단 레이블에 대응하게 분류되도록 하는 교통수단 추정모델을 지도학습(Supervised Learning)하는 지도학습부; 및상기 교통수단 추정모델에 실시간 GPS 데이터를 입력하여, 상기 실시간 GPS 데이터의 교통수단을 추정하는 추정부;를 포함하는 교통수단 추정 장치
|
| 2 |
2
제1항에 있어서,상기 지도학습부는,상기 학습 세그먼트 데이터 중 미리 설정된 테스트용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 상기 교통수단 추정모델에 입력하여, 상기 교통수단 추정모델의 교통수단 추정 정확도를 검증하는 테스트부;를 포함하는 교통수단 추정 장치
|
| 3 |
3
제1항에 있어서,상기 추정부는,상기 실시간 GPS 데이터를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성하는 실시간 데이터 분할부;상기 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출하는 실시간특성정보 추출부; 및상기 실시간 세그먼트 데이터 및 상기 추출된 복수 개의 실시간특성정보를 상기 교통수단 추정모델에 입력하고, 상기 실시간 세그먼트 데이터에 대응하는 상기 교통수단 레이블을 매칭하여 상기 교통수단을 추정하는 교통수단 추정부;를 포함하는 교통수단 추정 장치
|
| 4 |
4
제3항에 있어서,상기 교통수단 추정부는,상기 실시간 세그먼트 데이터의 실시간특성정보와 가장 높은 유사도를 보이는 상기 교통수단 레이블을 상기 실시간 GPS 데이터의 교통수단으로 추정하는 교통수단 추정 장치
|
| 5 |
5
제1항에 있어서,상기 지도학습부는,CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 상기 학습 GPS 데이터 또는 상기 실시간 GPS 데이터를 입력 값으로 하고, 상기 교통수단을 출력 값으로 하는 상기 교통수단 추정모델을 생성하는 추정모델 생성부;를 포함하는 교통수단 추정 장치
|
| 6 |
6
제1항에 있어서,상기 학습 세그먼트 데이터 또는 상기 복수 개의 학습특성정보에 대해 데이터 평활화를 적용하여 오류값을 보정하는 오류값 보정부;를 더 포함하는 교통수단 추정 장치
|
| 7 |
7
제1항에 있어서,상기 학습특성정보는,속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함하는 교통수단 추정 장치
|
| 8 |
8
학습 GPS 데이터를 미리 설정된 시간 단위로 분할하여 학습 세그먼트 데이터를 생성하는 단계;상기 학습 세그먼트 데이터에 미리 설정된 교통수단 레이블(Lable)을 매칭하는 단계;상기 학습 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 학습특성정보를 추출하는 단계;상기 학습 세그먼트 데이터 중 미리 설정된 학습용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 이용하여, 상기 미리 설정된 교통수단 레이블에 맞게 분류되도록 하는 교통수단 추정모델을 지도학습(Supervised Learning)하는 단계; 및상기 교통수단 추정모델에 실시간 GPS 데이터를 입력하여, 상기 실시간 GPS 데이터의 교통수단을 추정하는 단계;를 포함하는 교통수단 추정 방법
|
| 9 |
9
제8항에 있어서,상기 지도학습하는 단계는,상기 학습 세그먼트 데이터 중 미리 설정된 테스트용 데이터, 상기 매칭된 교통수단 레이블 및 상기 추출된 복수 개의 학습특성정보를 상기 교통수단 추정모델에 입력하여, 상기 교통수단 추정모델의 교통수단 추정 정확도를 검증하는 단계;를 포함하는 교통수단 추정 방법
|
| 10 |
10
제8항에 있어서,상기 추정하는 단계는,상기 실시간 GPS 데이터를 미리 설정된 시간 단위로 분할하여 실시간 세그먼트 데이터를 생성하는 단계;상기 실시간 세그먼트 데이터에 포함된 복수 개의 포인트 데이터 간의 연산을 통해 복수 개의 실시간특성정보를 추출하는 단계; 및상기 실시간 세그먼트 데이터 및 상기 추출된 복수 개의 실시간특성정보를 상기 교통수단 추정모델에 입력하고, 상기 실시간 세그먼트 데이터에 대응하는 상기 교통수단 레이블을 매칭하여 상기 교통수단을 추정하는 단계;를 포함하는 교통수단 추정 방법
|
| 11 |
11
제10항에 있어서,상기 추정하는 단계는,상기 실시간 세그먼트 데이터의 실시간특성정보와 가장 높은 유사도를 보이는 상기 교통수단 레이블을 상기 실시간 GPS 데이터의 교통수단으로 추정하는 교통수단 추정 방법
|
| 12 |
12
제8항에 있어서,상기 지도학습하는 단계는,CNN(Convolutional Neural Network) 및 LSTM(Long-Short Term Memory)로 구성된 LRCN(Long-term Recurrent Convolutional Networks) 모델을 이용하여, 상기 학습 GPS 데이터 또는 상기 실시간 GPS 데이터를 입력 값으로 하고, 상기 교통수단을 출력 값으로 하는 상기 교통수단 추정모델을 생성하는 단계;를 포함하는 교통수단 추정 방법
|
| 13 |
13
제8항에 있어서,상기 학습 세그먼트 데이터 또는 상기 복수 개의 학습특성정보에 대해 데이터 평활화를 적용하여 오류값을 보정하는 단계;를 더 포함하는 교통수단 추정 방법
|
| 14 |
14
제8항에 있어서,상기 학습특성정보는,속도(Velocity), 가속도(Acceleration), 저크(Jerk) 또는 베어링 레이트(Bearing Rate) 중 적어도 하나를 포함하는 교통수단 추정 방법
|
