| 1 |
1
차량 모듈로부터 차량 위치 데이터와 여행 데이터를, 그리고 트래픽 감지기로부터 도로 구간별 트래픽 데이터를 실시간으로 수신하는 관제 서버에 있어서:상기 차량 위치 데이터와 상기 여행 데이터를 저장하고, 상기 트래픽 데이터를 실시간 트래픽 데이터와 과거 트래픽 데이터로 저장하는 데이터베이스;상기 과거 트래픽 데이터에 대한 딥러닝 학습을 통해 제 1 가중치를 생성하고, 상기 제 1 가중치를 상기 실시간 트래픽 데이터에 적용하여 상기 도로 구간별 미래 속도를 예측하는 트래픽 예측 모듈; 그리고상기 과거 트래픽 데이터에 대한 강화학습을 적용하여 제 2 가중치를 생성하고, 상기 제 2 가중치를 상기 차량 위치 데이터, 상기 여행 데이터, 그리고 상기 도로 구간별 미래 속도를 적용하여 경로 안내 데이터를 생성하는 트래픽 예측 라우팅 모듈을 포함하되,상기 트래픽 예측 라우팅 모듈은 거리 보상, 시간 보상, 예측 보상, 그리고 최종 보상을 포함하는 보상 함수를 적용하여 상기 강화학습을 수행하며, 상기 거리 보상은 목적지와 차량 위치의 유클리드 거리에 따라 '0' 이상 및 '1' 이하의 보상값을, 상기 시간 보상은 출발지로부터 상기 목적지로의 이동 시간에 따라 '-1' 이상 및 '1' 이하의 보상값을, 그리고 상기 예측 보상은 예상 이동 시간과 실제 이동 시간 사이의 갭이 허용 가능한지에 따라 '-1' 이상 및 '1' 이하의 보상값을, 그리고 최종 보상은 상기 차량 위치가 도로망의 목적지 링크에 위치하는 지의 여부에 따라 양의 보상 또는 음의 보상값으로 제공되는 관제 서버
|
| 2 |
2
제 1 항에 있어서,상기 트래픽 감지기는 C-ITS 검출기와 ITS 검출기를 포함하는 하이브리드형 트래픽 감지기에 대응하는 관제 서버
|
| 3 |
3
제 1 항에 있어서,상기 트래픽 예측 모듈은:상기 과거 트래픽 데이터를 전처리하여 데이터 세트를 구성한 후 딥러닝 모델을 학습하여 상기 제 1 가중치를 생성하는 제 1 일괄 프로세스와, 상기 제 1 가중치를 기반으로 예측 지평선(Prediction horizon)에 대한 상기 도로 구간별 미래 속도를 예측하는 제 1 실시간 프로세스를 포함하되, 상기 제 1 실시간 프로세스는 그래프 웨이브넷(Graph WaveNet)을 예측 모델로 사용하는 관제 서버
|
| 4 |
4
제 3 항에 있어서,상기 트래픽 예측 라우팅 모듈은:상기 과거 트래픽 데이터를 시뮬레이션 데이터 세트로 구성한 후 강화학습 모델을 학습하여 상기 제 2 가중치를 생성하는 제 2 일괄 프로세스와, 상기 제 2 가중치를 기반으로 상기 도로 구간별 미래 속도와 상기 차량 위치 데이터, 상기 여행 데이터를 강화학습 기반의 트래픽 예측 차량 라우팅 알고리즘에 적용하여 상기 경로 안내 데이터를 생성하는 제 2 실시간 프로세스를 포함하는 관제 서버
|
| 5 |
5
제 4 항에 있어서,상기 경로 안내 데이터를 생성하는 상기 트래픽 예측 차량 라우팅 알고리즘은, 에이전트(Agent), 동작(Action), 상태(State) 및 상기 보상 함수(Reward function)를 적용하여 상기 강화학습을 실행하는 관제 서버
|
