KR20170062178A

KR20170062178A - Server and method for predicting traffic conditions

Info

Publication number: KR20170062178A
Application number: KR1020150167673A
Authority: KR
Inventors: 여화수; 탁세현; 오시몬; 김성훈
Original assignee: 한국과학기술원
Priority date: 2015-11-27
Filing date: 2015-11-27
Publication date: 2017-06-07
Anticipated expiration: 2035-11-27
Also published as: KR101747848B1

Abstract

본 발명에 따르면, 도로 구간별 교통 특성을 고려한 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 한다.According to the present invention, in a traffic situation prediction considering traffic characteristics for each road segment, time-series data collected from various sensors installed on the road and measuring traffic conditions are converted into matrix data form composed of time and space, It performs pattern matching based on the data to predict the future traffic situation. It also divides the entire road section, which requires prediction, into a hierarchical structure such as a wide area area and a unit area, By predicting the traffic situation, it is possible to increase the speed and accuracy of forecasting the traffic situation.

Description

TECHNICAL FIELD [0001] The present invention relates to a server and method for predicting a traffic situation,

본 발명은 교통 상황 예측 시스템에 관한 것으로, 특히 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 하는 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버 및 교통 상황 예측 방법에 관한 것이다.
The present invention relates to a traffic situation prediction system, and more particularly, to a traffic situation prediction system for estimating a traffic situation by converting time series data collected from various sensors installed on a road and measuring a traffic situation into a matrix data form composed of time and space, It performs pattern matching based on the data to predict the future traffic situation. It also divides the entire road section, which requires prediction, into a hierarchical structure such as a wide area area and a unit area, And more particularly, to a traffic situation forecasting server and a traffic situation predicting method considering the traffic characteristics for each road section, which can increase the predicted speed and accuracy of the traffic situation by predicting the traffic situation.

근래에 들어, 급증하는 교통 수요에 따라 도로의 효율적인 운영 및 관리를 위해 기초자료인 교통량을 정확하게 측정하는 것이 중요해지고 있으며, 또한, 이러한 교통량 측정에 기반하여 고속도로 등에서의 구간별 통행 속도 및 목적지까지의 통행 소요 시간 등을 예측하는 것이 중요해지고 있다.In recent years, it has become increasingly important to accurately measure the amount of traffic, which is a basic data, in order to efficiently manage and manage roads according to rapidly increasing traffic demand. In addition, based on such traffic volume measurement, It is becoming important to predict the time required to travel.

한편, 이러한 도로 구간별 통행 속도 및 통행 소요 시간의 예측을 위해 종래에는 예를 들어 고속도로의 경우 영업소별 차량의 인(in)/아웃(out) 검출을 통한 통행 시간의 산출 등을 통해 해당 구간의 미래의 통행 속도 및 목적지까지의 통행 소요 시간 등의 교통 정보에 대한 예측을 수행하고 있다. In order to predict the traveling speed and the travel time of each road section, conventionally, for example, in the case of a highway, the travel time of the vehicle is calculated by detecting the in / out of the vehicle by the office, Traffic information such as the speed of the future traffic and the time required to travel to the destination are predicted.

그러나, 위와 같은 종래 예측 방법의 경우 교통상황의 다양한 변화를 실시간으로 반영할 수 없어 정확도가 현저히 떨어지는 문제점이 있었으며, 이와 함께 예측 구간에 따라 많게는 4시간이상의 예측시간 지연(delay)이 발생하는 문제점이 있었다. 즉, 예를 들어 서울∼부산 구간의 경우 오후 2시에 정체가 발생하였다고 하면, 종래 예측 방법에서는 6시 이후에 정체가 반영된 통행 소요 시간이 예측되는 등 예측시간 지연이 발생할 수 있다.However, the conventional prediction method as described above has a problem in that it can not reflect various changes of the traffic situation in real time and thus the accuracy is remarkably decreased. In addition, there is a problem in that a predicted time delay of more than 4 hours occurs there was. That is, for example, if a congestion occurs at 2:00 pm in the Seoul-Busan section, a predicted time delay may occur in the conventional prediction method, for example, the time required for traffic congestion after 6:00 is predicted.

또한, 종래 패턴 매칭 기반의 예측 방법의 경우 각각의 센서에서 발생하는 교통 데이터를 각각 패턴 매칭하는 방식을 사용하고 있다. 이에 따라, 예를 들어 100개의 센서데이터를 매칭하는 경우 100번의 패턴 매칭을 실시하여야 함에 따라 목적지까지의 통행 소요 시간 예측의 예측 범위가 5∼15분 이내로 제한되고, 정확성 또한 이 시간 범위안에서만 보장할 수 있었다. 또한, 이와함께 차량의 통행 시간 매칭에 필요한 컴퓨터 부하를 동반하고 있어 실시간 통행 시간 예측이 불가능한 문제점이 있었다.In the case of the conventional pattern matching based prediction method, pattern matching is used for each traffic data generated by each sensor. Accordingly, for example, when 100 sensor data are matched, 100 pattern matching must be performed. Therefore, the prediction range of the travel time prediction to the destination is limited to 5 to 15 minutes, and the accuracy is guaranteed only within the time range I could. In addition, there is a problem that it is impossible to predict the real-time travel time because the computer load required for matching the travel time of the vehicle is accompanied.

또한, 종래의 통행 속도 및 목적지까지의 통행 소요 시간 예측 방법의 경우 사고 및 공사 구간의 발생 등과 같은 돌발 상황에 대한 예측능력이 없으며, 특히 정체 현상의 발생, 지속 시간 등에 대한 예측능력이 없어 돌발 상황이 발생했을 경우 예측에 대한 신뢰도가 현저히 떨어지게 되는 문제점이 있었다.In addition, the conventional traveling speed and the travel time predicting method to the destination do not have an ability to predict an unexpected situation such as an accident and a construction section. Especially, There is a problem that the reliability of the predictions is remarkably deteriorated.

또한, 종래 도로에서 수집되는 교통 데이터의 경우 구간에 따라 데이터의 손실된 상태가 심각한 경우가 많으며, 예를 들어, 10개 이상의 연속된 교통 데이터의 수집이 안되어 있는 경우가 발생한다. 이러한 경우 패턴 매칭 혹은 통행 소요 시간 예측 이전에 데이터의 상태를 보정시킬 수 있는 방법이 필요하지만 종래의 예측 방법에서는 데이터의 완벽한 상태를 가정하여 교통 상황에 대한 예측을 수행하도록 구성되어 있어 실제 적용에 한계가 있는 문제점이 있었다.In the case of traffic data collected on a conventional road, the lost state of the data is often severe depending on the interval. For example, there is a case where 10 or more consecutive traffic data are not collected. In this case, a method that can correct the state of the data before pattern matching or travel time estimation is required, but the conventional prediction method is configured to perform the prediction of the traffic situation assuming the perfect state of the data, .

또한, 종래 통행 속도 및 통행 시간을 표출하는 시스템의 경우 단순 예측 정보만을 보여주는 것에 국한되어 있는 반면, 사용자는 미래의 전반적인 변화추세 및 최적 출발 시간 등 사용자의 편의에 최적화된 서비스를 요구하고 있는 상태이다. 따라서, 종래의 시스템을 이용하여서는 위와 같은 최적화된 서비스를 요청하는 사용자의 요구를 만족시킬 수 없어 실제 사용자의 요구와 괴리가 발생하는 문제점이 있었다.
In addition, the conventional system for expressing the traffic speed and the travel time is limited to showing only simple prediction information, while the user is required to optimize the service for the convenience of the user such as the overall change trend of the future and the optimal departure time . Therefore, there is a problem that the conventional system can not satisfy the request of the user requesting the above-mentioned optimized service, which causes a disagreement with the demand of the actual user.

(특허문헌)(Patent Literature)

대한민국 공개특허번호 10-2010-0125160호(공개일자 2010년 11월 30일)
Korean Patent Publication No. 10-2010-0125160 (Published Date November 30, 2010)

따라서, 본 발명에서는 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 하는 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버 및 교통 상황 예측 방법을 제공하고자 한다.
Accordingly, in the present invention, in the traffic situation prediction, time-series data collected from various sensors installed on the road and measuring traffic conditions are converted into matrix data form composed of time and space, and pattern matching is performed based on matrix data And predicts the future traffic situation. Also, it divides the entire road section which requires prediction into hierarchical structure such as wide area section and unit area, and predicts the traffic situation by each section through the division of the matrix data pattern matching, The present invention provides a traffic situation forecasting server and a traffic situation predicting method considering the traffic characteristics for each road section that can improve the prediction speed and accuracy.

상술한 본 발명은 교통 상황 예측 서버로서, 도로 상 설치된 복수의 센서를 통해 수집되는 상기 도로를 통행하는 차량과 관련된 교통 데이터를 수신하고, 상기 교통 데이터를 기설정된 길이의 시간 정보와 공간 정보로 구성되는 매트릭스 데이터로 가공하는 데이터 전처리부와, 상기 매트릭스 데이터 중 상기 도로 상 광역구역으로 구분된 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제1 매트릭스 데이터 조합을 생성하는 광역구역 매칭부와, 상기 제1 도로 구간상 단위구역으로 구분된 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제2 매트릭스 데이터 조합을 생성하는 단위구역 매칭부와, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측 정보를 산출하고, 제2 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측 정보를 산출하는 교통 상황 예측부를 포함한다.According to the present invention, there is provided a traffic situation prediction server, which receives traffic data related to a vehicle traveling on the road collected through a plurality of sensors installed on the road, and compares the traffic data with time information and spatial information of a predetermined length A wide area section matching unit for extracting matrix data corresponding to a first road section divided by the wide area area on the road to generate a first matrix data combination of the matrix data; A unit zone matching unit for extracting matrix data corresponding to a second road section divided by a unit zone on the first road section to generate a second matrix data combination; and a unit area matching unit for using the matrix data included in the first matrix data combination Area-by-zone traffic situation prediction information, and the second matrix data combination Using the matrix data including parts includes predictive traffic conditions for calculating the unit area based traffic situation prediction information.

또한, 상기 광역구역 매칭부는, 상기 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도가 기설정된 기준값 이상인 매트릭스 데이터를 선택하여 상기 제1 매트릭스 데이터 조합을 생성하는 것을 특징으로 한다.The wide area area matching unit may extract the matrix data corresponding to the first road section, calculate the similarity degree through pattern matching between the extracted matrix data, select the matrix data having the similarity value equal to or greater than a predetermined reference value, 1 < / RTI > matrix data combination.

또한, 상기 단위구역 매칭부는, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 상기 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도가 상기 기준값 이상인 매트릭스 데이터를 선택하여 상기 제2 매트릭스 데이터 조합을 생성하는 것을 특징으로 한다.The unit area matching unit may extract the matrix data corresponding to the second road section of the matrix data included in the first matrix data combination, calculate the similarity through pattern matching between the extracted matrix data, Selects the matrix data having the reference value or more and generates the second matrix data combination.

또한, 상기 교통 상황 예측부는, 상기 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도에 기초하여 상기 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 상기 예측된 매트릭스 데이터를 기반으로 상기 광역구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.The traffic condition predicting unit may extract the matrix data for each predetermined time unit of the first matrix data combination and perform pattern matching between the extracted matrix data for the predetermined time unit and the most recent matrix data for the predetermined period unit Estimating matrix data according to a time corresponding to the plurality of first intervals based on the degree of similarity and calculating the traffic situation prediction information for each wide area based on the predicted matrix data, do.

또한, 상기 교통 상황 예측부는, 상기 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하며, 상기 유사도에 기초하여 상기 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 상기 예측된 매트릭스 데이터를 기반으로 상기 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.The traffic situation predicting unit may extract the matrix data for each predetermined time unit of the second matrix data combination, and perform pattern matching between the extracted matrix data for each predetermined time unit and the matrix data for the most recent predetermined period unit Estimating matrix data according to a time corresponding to the plurality of second intervals based on the degree of similarity and calculating the traffic situation prediction information for each unit zone based on the predicted matrix data, do.

또한, 상기 데이터 전처리부는, 각 센서에서 상기 교통 데이터가 측정된 시각을 상기 시간 정보로 생성하고, 상기 도로상 배치된 기설정된 수의 센서의 식별번호를 상기 공간 정보로 생성하여 상기 매트릭스 데이터로 가공하는 것을 특징으로 한다.The data preprocessing unit generates the time at which the traffic data is measured by each sensor as the time information, generates an identification number of a predetermined number of sensors disposed on the road as the spatial information, .

또한, 상기 데이터 전처리부는, 매트릭스 데이터별 데이터 손실율을 산출하고, 상기 도로 상 데이터가 손실된 구간에 대해서는 DSRC와 VDS로부터 생성된 교통 데이터를 융합하여 보정을 수행하는 것을 특징으로 한다.The data preprocessing unit may calculate a data loss rate for each of the matrix data and perform correction by fusing the traffic data generated from the DSRC and the VDS with respect to the segment in which the road data is lost.

또한, 상기 광역구역 매칭부는, 상기 제1 도로 구간에 대응되는 매트릭스 데이터 중 상기 데이터 손실율이 기설정된 기준값 이하인 매트릭스 데이터를 유효한 데이터로 선택하여 상기 유사도를 산출하는 것을 특징으로 한다.The wide area section matching unit may select the matrix data having the data loss rate less than a predetermined reference value among the matrix data corresponding to the first road section as valid data and calculate the similarity.

또한, 상기 서버는, 상기 도로 상 사고를 포함하는 돌발 상황 발생 시 상기 돌발 상황 발생으로 인해 증가되는 통행 시간 정보를 산출하는 시뮬레이션부를 더 포함하는 것을 특징으로 한다.In addition, the server may further include a simulation unit for calculating travel time information that is increased due to the occurrence of the unexpected situation when an unexpected situation including the road-related accident occurs.

또한, 상기 교통 상황 예측부는, 상기 돌발 상황 발생에 따라 증가된 도로 구간별 통행 시간 정보를 반영하여 상기 광역구역별 또는 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.In addition, the traffic situation predicting unit may calculate the traffic situation prediction information by the wide area zone or the unit zone by reflecting the increased travel time information of each road section according to the occurrence of the unexpected situation.

또한, 상기 서버는, 상기 매트릭스 데이터를 요일과 날씨를 기준으로 분류하는 날짜 목록 관리부를 더 포함하는 것을 특징으로 한다.The server may further include a date list management unit for classifying the matrix data based on day of the week and weather.

또한, 상기 센서는, DSRC, VDS 또는 TCS를 위해 상기 도로 상에 설치되어 상기 차량의 통행 속도 또는 통행 시간을 포함하는 상기 교통 데이터를 생성하는 것을 특징으로 한다.In addition, the sensor generates the traffic data, which is installed on the road for DSRC, VDS, or TCS, and includes the traveling speed or the traveling time of the vehicle.

또한, 상기 유사도는, 상기 매트릭스 데이터간 유클리디안 거리값인 것을 특징으로 한다.The similarity degree is an Euclidean distance value between the matrix data.

또한, 본 발명은 교통 상황 예측 방법으로서, 도로상 설치된 복수의 센서를 통해 수집되는 상기 도로를 통행하는 차량과 관련된 교통 데이터를 수신하는 단계와, 상기 교통 데이터를 기설정된 길이의 시간 정보와 공간 정보로 구성되는 매트릭스 데이터로 가공하는 단계와, 상기 매트릭스 데이터 중 상기 도로상 광역구역으로 구분된 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제1 매트릭스 데이터 조합을 생성하는 단계와, 상기 제1 도로 구간상 단위구역으로 구분된 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하여 제2 매트릭스 데이터 조합을 생성하는 단계와, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측 정보를 산출하는 단계와, 제2 매트릭스 데이터 조합내 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측 정보를 산출하는 단계를 포함한다.According to another aspect of the present invention, there is provided a method of predicting a traffic situation, comprising the steps of: receiving traffic data related to a vehicle traveling on the road collected through a plurality of sensors installed on the road; A step of generating a first matrix data combination by extracting matrix data corresponding to a first road section divided by the road-wide area section among the matrix data; The method comprising: generating a second matrix data combination by extracting matrix data corresponding to a second road section divided into a plurality of sections on a segment basis, generating a second matrix data combination by using the matrix data included in the first matrix data combination, Calculating a matrix of the second matrix data combination, And estimating traffic situation prediction information for each unit zone by using the data.

또한, 상기 제1 매트릭스 데이터 조합을 생성하는 단계는, 상기 매트릭스 데이터 중 상기 도로상 광역구역으로 구분된 제1 도로 구간에 대응되는 매트릭스 데이터를 추출하는 단계와, 상기 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도가 기설정된 기준값 이상인 매트릭스 데이터를 선택하여 상기 제1 매트릭스 데이터 조합을 생성하는 단계를 포함하는 것을 특징으로 한다. The generating of the first matrix data combination may include extracting matrix data corresponding to a first road section divided by the wide area section on the road among the matrix data and performing pattern matching between the extracted matrix data And generating the first matrix data combination by selecting the matrix data whose similarity is equal to or greater than a preset reference value.

또한, 상기 제2 매트릭스 데이터 조합을 생성하는 단계는, 상기 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 상기 제2 도로 구간에 대응되는 매트릭스 데이터를 추출하는 단계와, 상기 추출된 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도가 상기 기준값 이상인 매트릭스 데이터를 선택하여 제2 매트릭스 데이터 조합을 생성하는 단계를 포함하는 것을 특징으로 한다.The generating of the second matrix data combination may include extracting matrix data corresponding to the second road section of the matrix data included in the first matrix data combination, And generating a second matrix data combination by selecting the matrix data whose similarity is equal to or greater than the reference value.

또한, 상기 광역 구역별 교통 상황 예측 정보를 산출하는 단계는, 상기 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하는 단계와, 상기 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도에 기초하여 상기 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하는 단계와, 상기 예측된 매트릭스 데이터를 기반으로 상기 광역구역별 교통 상황 예측 정보를 산출하는 단계를 포함하는 것을 특징으로 한다.The step of calculating the traffic condition prediction information by the wide area may include the steps of extracting matrix data for each predetermined time unit of the first matrix data combination, A step of calculating similarity through pattern matching between matrix data of a predetermined period, a step of predicting matrix data according to a time corresponding to the plurality of first intervals based on the degree of similarity, And estimating the traffic condition prediction information by the wide area zone.

또한, 상기 단위 구역별 교통 상황 예측 정보를 산출하는 단계는, 상기 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하는 단계와, 상기 추출된 상기 소정시간 단위별 매트릭스 데이터와 가장 최근의 상기 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출하는 단계와, 상기 유사도에 기초하여 상기 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하는 단계와, 상기 예측된 매트릭스 데이터를 기반으로 상기 단위구역별 교통 상황 예측 정보를 산출하는 단계를 포함하는 것을 특징으로 한다.The calculating of the traffic condition prediction information for each unit area may include extracting matrix data for each predetermined time unit of the second matrix data combination, A step of calculating similarity through pattern matching between matrix data of a predetermined period, a step of predicting matrix data according to a time corresponding to the plurality of second intervals based on the degree of similarity, And calculating the traffic situation prediction information for each unit area.

또한, 상기 교통 상황 예측 정보를 산출하는 단계에서, 상기 도로 상 돌발 상황 발생에 따라 증가된 도로 구간별 통행 시간 정보를 반영하여 상기 광역구역별 또는 단위구역별 교통 상황 예측 정보를 산출하는 것을 특징으로 한다.In the calculating of the traffic condition prediction information, the traffic condition prediction information for each wide area or unit area is calculated by reflecting the travel time information for each road section according to the occurrence of the unexpected situation on the road. do.

또한, 상기 매트릭스 데이터는, 각 센서에서 상기 교통 데이터가 측정된 시각이 상기 시간 정보로 구성되고, 상기 도로상 배치된 기설정된 수의 센서의 식별번호가 상기 공간 정보로 구성되는 것을 특징으로 한다.The matrix data is characterized in that the time at which the traffic data is measured by each sensor is made up of the time information, and the identification number of the predetermined number of sensors arranged on the road is the space information.

또한, 상기 매트릭스 데이터는, 상기 도로 상 데이터가 손실된 구간에 대해서는 DSRC와 VDS로부터 생성된 교통 데이터가 융합되어 보정되는 것을 특징으로 한다.
Also, the matrix data is characterized in that traffic data generated from DSRC and VDS are merged and corrected for a section in which the road data is lost.

본 발명에 따르면, 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있는 이점이 있다.According to the present invention, in predicting a traffic situation, time-series data collected from various sensors installed on the road and measuring traffic conditions are converted into a matrix data form composed of time and space, and pattern matching is performed based on matrix data And predicts future traffic conditions, thereby improving the speed and accuracy of traffic forecasting.

또한, 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있는 이점이 있다.In addition, we can divide the whole road section requiring prediction into a hierarchical structure such as a wide area section and a unit area and predict the traffic situation by each section through the division of the matrix data pattern matching, thereby improving the speed and accuracy of the traffic situation prediction .

또한, 본 발명에서는 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행함에 있어서 도로 상 사고 발생 등의 돌발 상황 발생하는 경우 돌발 상황 발생에 따라 증가된 통행 시간 정보가 교통 상황 예측에 반영되도록 함으로써 보다 정확한 교통 상황 예측이 가능한 이점이 있다.In addition, in the present invention, in predicting the traffic situation by the wide area area and the unit area, when an unexpected situation such as an accident occurs on the road, the travel time information increased according to the occurrence of the unexpected situation is reflected in the traffic situation prediction There is an advantage that more accurate traffic situation prediction can be done.

또한, 본 발명에서는 광역구역별, 단위구역별로 통행 속도를 보여줌으로써 사용자로 하여금 보다 쉽게 교통 상황을 인지할 수 있도록 하며, 이와 함께 예측에 대한 정확성을 함께 표출함으로써 시스템의 신뢰도를 높일 수 있는 이점이 있다.In addition, according to the present invention, it is possible to easily recognize the traffic situation by showing the speed of traffic by the wide area area and the unit area, and the reliability of the system can be improved by expressing the accuracy of the prediction together with the traveling speed have.

또한, 각각의 목적지 별로 3개 이상의 경로를 제안하고 이와 함께 6시간 이내에서 최적 출발 시간이 언제인지에 관한 정보를 표출하여 사용자가 출발지에서의 최적출발시간을 판단하기 쉽도록 함으로써 사용상 편리성을 높일 수 있는 이점이 있다.In addition, three or more routes are proposed for each destination, and information about when the optimum departure time is displayed within 6 hours is easily displayed, thereby making it easy for the user to determine the optimum departure time at the departure point, thereby enhancing ease of use There is an advantage to be able to.

또한, 예측을 위한 데이터 취득부터 표출까지의 통합 솔루션을 제공함으로 손쉬운 사용이 가능하도록 하며, 기존 예측 방법과 비교하여 예측 속도를 9배 이상 향상시킬 수 있고, 패턴 매칭을 기반으로 한 실시간 교통 상황 예측이 가능하게 되는 이점이 있다.
In addition, it provides an integrated solution from predictive data acquisition to display, making it easy to use. It can improve the prediction speed more than 9 times compared with existing prediction method, and it can predict real-time traffic situation based on pattern matching This has the advantage of being able to do this.

도 1은 본 발명의 실시예에 따른 도로 구간별 특성을 고려한 교통 상황 예측 시스템의 네트워크 구성도,
도 2는 본 발명의 실시예에 따른 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버의 상세 블록 구성도,
도 3은 종래 시계열적 교통 데이터 구조 예시도,
도 4는 본 발명의 실시예에 따른 시간/공간 정보로 구성되는 매트릭스 데이터 구조 예시도,
도 5는 본 발명의 실시예에 따른 도로 상 광역구역, 단위구역 분할 예시도,
도 6은 본 발명의 실시예에 따른 손실된 데이터의 융합 보정 개념도,
도 7은 본 발명의 실시예에 따른 속도 예측 화면 예시도,
도 8은 본 발명의 실시예에 따른 통행 시간 예측 화면 예시도,
도 9는 본 발명의 실시예에 따른 교통 상황 예측 서버에서의 교통 상황 예측에 대한 속도 및 정확성 그래프,
도 10은 본 발명의 실시예에 따른 도로 구간별 실시간 교통 상황을 예측하는 동작 제어 흐름도.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a network configuration diagram of a traffic situation prediction system considering characteristics of road sections according to an embodiment of the present invention;
FIG. 2 is a detailed block diagram of a traffic situation prediction server considering traffic characteristics for each road section according to an embodiment of the present invention; FIG.
FIG. 3 is an exemplary view of a conventional clock thermal traffic data structure,
4 is a diagram illustrating an example of a matrix data structure including time / space information according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating an example of division of a wide area area, a unit area,
FIG. 6 is a conceptual diagram illustrating convergence correction of lost data according to an embodiment of the present invention,
7 is a diagram illustrating an example of a speed prediction screen according to an embodiment of the present invention,
8 is a diagram illustrating an example of a travel time prediction screen according to an embodiment of the present invention,
FIG. 9 is a graph showing a speed and accuracy graph for predicting a traffic situation in a traffic situation prediction server according to an embodiment of the present invention,
10 is a flowchart of an operation control for predicting a real-time traffic situation for each road section according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 동작 원리를 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.Hereinafter, the operation principle of the present invention will be described in detail with reference to the accompanying drawings. In the following description of the present invention, detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear. The following terms are defined in consideration of the functions of the present invention, and these may be changed according to the intention of the user, the operator, or the like. Therefore, the definition should be based on the contents throughout this specification.

도 1은 본 발명의 실시예에 따른 도로 구간별 특성을 고려한 교통 상황 예측 시스템의 네트워크 구성을 도시한 것이다.1 illustrates a network configuration of a traffic situation prediction system considering characteristics of road sections according to an embodiment of the present invention.

교통 정보 제공장치(100)는 도로 정보 수집기(102)를 통해 도로 구간별 해당 도로를 통행하는 차량의 통행 속도나 통행 시간 등의 교통 데이터를 수집하고, 수집된 도로 구간별 교통 데이터를 제공하는 장치를 말한다. The traffic information providing apparatus 100 collects traffic data such as a traffic speed and a travel time of a vehicle passing through a corresponding road by a road section through a road information collector 102 and provides traffic data for the collected road sections .

이때, 이러한 교통 정보 제공장치(100)는 예를 들어 도로 정보 수집기(102)에 포함되는 DSRC(dedicated short range communication), VDS(vehicle detection system), TCS(toll collection system) 등의 다양한 교통 센서로부터의 수집된 교통 데이터를 기반으로 다양한 교통 정보를 가공하는 도로 공사 서버 등이 될 수 있으며, 도로 정보 수집기(102)는 예를 들어 위와 같은 DSRC, VDS, TCS 등의 센서를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 이때, DSRC는 차량과 도로를 쌍방향 통신으로 결합시키는 시스템으로서, 도로 상에 기설정된 일정 간격으로 이격 설치되는 무선 송수신 장치를 이용하여 차량에 설치된 하이패스 단말기 등과 통신을 수행함으로써 차량의 도로 통행 여부를 검출하는 센서를 말할 수 있다. 또한, VDS는 차량 검출 장치로서 루프 검출기(loop detector) 등을 말할 수 있으며, 도로상에 기설정된 간격으로 설치되는 차량 검출용 루프(loop)를 이용하여 차량의 통행을 검출하거나 카메라 등을 통해 차량의 통행을 검출할 수 있으나 이에 한정되는 것은 아니다. 또한, TCS는 고속도로 상에 톨게이트(toll gate) 등에 설치되어 차량의 인(in)/아웃(out)을 검출하는 장치를 말할 수 있다. Here, the traffic information providing apparatus 100 may include various traffic sensors such as a dedicated short range communication (DSRC), a vehicle detection system (VDS), and a toll collection system (TCS) included in the road information collector 102 And a road construction server that processes various traffic information based on the collected traffic data of the road information collector 102. The road information collector 102 may include sensors such as DSRC, VDS, and TCS as described above, But is not limited thereto. In this case, the DSRC is a system for combining a vehicle and a road in two-way communication, and communicates with a high-pass terminal installed in the vehicle using a wireless transmitting / receiving device spaced at a predetermined interval on the road, And a sensor for detecting whether or not it is possible. The VDS may be a loop detector or the like as a vehicle detection device. It may detect a passage of the vehicle by using a loop for detecting a vehicle installed at predetermined intervals on the road, The present invention is not limited thereto. The TCS is a device installed on a toll gate or the like on a highway to detect a vehicle in / out.

교통 상황 예측 서버(130)는 교통 정보 제공장치(100)로부터 제공되는 도로 구간별 교통 데이터를 기반으로 도로 구간별 교통 특성을 고려한 실시간 통행 속도 및 목적지별 통행 소요 시간 등의 교통 상황을 예측하고, 예측된 교통 상황에 대한 정보를 유/무선 통신망을 통해 연결되는 모바일(mobile) 단말(150) 또는 웹서비스(web service) 단말(170) 등으로 제공할 수 있다.The traffic situation prediction server 130 predicts the traffic conditions such as the real-time traffic speed considering the traffic characteristics for each road section and the travel time per destination based on the traffic data for each road section provided from the traffic information providing apparatus 100, Information on the predicted traffic situation can be provided to a mobile terminal 150 or a web service terminal 170 connected via a wired / wireless communication network.

이때, 교통 상황 예측 서버(130)는 위와 같은 교통 상황을 예측함에 있어서, 도로에 설치되는 DSRC, VDS, TCS 등의 센서로부터 수집되는 교통 데이터를 수신하고, 이러한 다수의 센서로부터 수집된 교통 데이터에 대해 시간과 공간으로 이루어지는 매트릭스 데이터(matrix) 형태로 가공한 후, 도로 구간별 과거 매트릭스 데이터 중 유사도가 가장 높은 기설정된 수의 매트릭스 데이터를 추출한다. 이어, 교통 상황 예측 서버(130)는 유사도 높은 것으로 매칭된 매트릭스 데이터를 이용하여 도로 구간별 미래의 교통 상황을 예측할 수 있다. 이때, 이와 같이 예측되는 교통 상황에 대한 정보는 도로 구간별 통행 속도 또는 목적지까지의 통행 소요 시간 등의 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다. 한편, 위와 같은 매트릭스 데이터의 상세한 구조 및 이를 이용한 교통 상황 예측의 상세한 동작에 대해서는 교통 상황 예측 서버의 상세 블록 구성을 도시한 도 2를 참조하여 상세히 후술하기로 한다. At this time, the traffic situation prediction server 130 receives the traffic data collected from sensors such as DSRC, VDS, and TCS installed on the road in predicting the above traffic situation, And a predetermined number of matrix data having the highest similarity among the past matrix data for each road section is extracted. Next, the traffic situation prediction server 130 can predict future traffic conditions for each road section using the matched data having high similarity. At this time, the information on the predicted traffic situation may include information such as a traffic speed per road section or a travel time to a destination, but the present invention is not limited thereto. The detailed structure of the matrix data and the detailed operation of the traffic situation prediction using the matrix data will be described later in detail with reference to FIG. 2 showing the detailed block configuration of the traffic situation prediction server.

또한, 교통 상황 예측 서버(130)는 위와 같이 예측된 도로 구간별 교통 상황에 대한 정보를 유/무선 통신망을 통해 연결되는 모바일 단말(150) 또는 웹서비스 단말(170)로 제공하며, 특히 모바일 단말(130)에 대해서는 해당 모바일 단말(130)의 사용자가 교통 상황 예측 서비스에 가입된 경우 해당 모바일 단말(130)의 위치 정보 또는 사용자의 개인 특성 정보에 기반한 개인 특성화 정보를 가공하여 제공할 수도 있다.In addition, the traffic situation prediction server 130 provides the predicted traffic condition information for each road section to the mobile terminal 150 or the web service terminal 170 connected through a wired / wireless communication network. In particular, When the user of the mobile terminal 130 is subscribed to the traffic situation prediction service, the mobile terminal 130 may process the personalization information based on the location information of the mobile terminal 130 or the personal characteristics information of the user.

모바일 단말(150)은 휴대폰, 스마트폰, 테블릿 PC 등 무선 통신망을 통해 교통 상황 예측 서버(130)와 접속하여 데이터 송수신을 수행할 수 있는 이동통신 단말을 의미할 수 있으며, 교통 상황 예측 서버(130)에 접속하는 경우 교통 상황 예측 서버(130)로부터 도로 구간별 통행 속도 및 목적지까지의 통행 소요 시간 등의 교통 상황 정보를 수신할 수 있다. 또한, 모바일 단말(150)의 위치 정보 또는 사용자의 개인 특성 정보에 기반한 개인 특성화 정보를 수신할 수도 있다. The mobile terminal 150 may refer to a mobile communication terminal capable of performing data transmission / reception by accessing a traffic situation prediction server 130 through a wireless communication network such as a mobile phone, a smart phone, and a tablet PC. 130, it can receive the traffic situation information such as the traffic speed for each road section and the travel time from the traffic situation prediction server 130 to the destination. It may also receive personalization information based on the location information of the mobile terminal 150 or the user ' s personal characteristics information.

웹 서비스 단말(170)은 인터넷망을 포함한 유/무선 통신망에 접속되는 데스크탑 PC, 노트북 등의 컴퓨팅 단말을 의미할 수 있으며, 교통 상황 예측 서버(130)에 접속하는 경우 교통 상황 예측 서버(130)로부터 도로 구간별 통행 속도 및 목적지까지의 통행 소요 시간 등의 교통 상황 정보를 수신할 수 있다. The web service terminal 170 may be a computing terminal such as a desktop PC or a notebook connected to a wired / wireless communication network including the Internet network. When accessing the traffic situation prediction server 130, Such as the traffic speed of each road section and the time required to travel to the destination.

도 2는 본 발명의 실시예에 따른 도로 구간별 교통 특성을 고려한 교통 상황 예측 서버의 상세 블록 구성을 도시한 것으로, 데이터 전처리부(200), 기상 데이터 매칭부(202), 날짜 목록 관리부(204), 실시간 데이터 처리부(206), 시뮬레이션부(208), 광역구역 매칭부(210), 단위구역 매칭부(212), 교통 상황 예측부(214) 등을 포함할 수 있다. FIG. 2 shows a detailed block configuration of a traffic situation prediction server considering traffic characteristics for each road section according to an embodiment of the present invention. The data preprocessing unit 200, the weather data matching unit 202, the date list management unit 204 A real time data processing unit 206, a simulation unit 208, a wide area area matching unit 210, a unit area matching unit 212, a traffic situation predicting unit 214, and the like.

이하, 도 2를 참조하여 본 발명의 교통 상황 예측 서버(130)의 각 구성요소에서의 동작을 상세히 설명하기로 한다.Hereinafter, the operation of each component of the traffic situation prediction server 130 of the present invention will be described in detail with reference to FIG.

먼저, 데이터 전처리부(200)는 TCS, VDS, DSRC 등으로부터 수집되는 도로 구간별 교통 데이터를 교통 정보 제공장치(100)로부터 수신하고, 이러한 교통 데이터를 본 발명의 실시예에 따른 시간/공간의 정보로 구성되는 매트릭스(matrix) 데이터 형태로 변환하는 작업을 수행한다.First, the data preprocessing unit 200 receives traffic data for each road section collected from TCS, VDS, DSRC, etc. from the traffic information providing apparatus 100, and stores the traffic data in a time / Information is converted into a matrix data form.

이때, 교통 정보 제공장치(100)에서 수집되는 교통 데이터는 일반적으로 측정된 시간별 통행 속도나 통행 시간 등의 정보로 구성되는 시계열적인 데이터 형태로 수집될 수 있다. 즉, 예를 들어 TCS를 통해 수집되는 교통 데이터는 도 3의 (a)에 도시된 바와 같이 데이터 테이블상 가로축에는 출발지(서울)와 목적지(부산) 정보, 해당 도로 구간에서의 차량의 통행 속도, 목적지까지의 통행 소요 시간 등이 기록되며, 세로축에는 각각의 정보가 측정된 시간 정보가 기록되는 형태로서 시계열적인 데이터 형태로 제공되는 것이 일반적이다. 또한, DSRC, VDS 등으로부터 수집되는 교통 데이터 또한, 도 3의 (b)에서 보여지는 바와 같이 가로축에는 도로상 설치된 차량 검출용 루프의 아이디(ID)와 해당 루프에서 측정된 차량의 통행 속도 등이 기록되며, 세로축에는 통행 속도가 측정된 시간 정보가 기록되는 형태로서 시계열적인 데이터 형태로 제공되고 있다.At this time, the traffic data collected by the traffic information providing apparatus 100 may be collected in the form of time series data, which is generally composed of the measured traffic speed and travel time. That is, for example, as shown in FIG. 3 (a), the traffic data collected through the TCS includes, on the data table, the starting point (Seoul) and destination (Busan) information on the horizontal axis, the traveling speed of the vehicle in the corresponding road section, And the time required to travel to the destination are recorded, and on the vertical axis, each piece of information is provided in the form of time-series data in which measured time information is recorded. Also, as shown in FIG. 3 (b), traffic data collected from DSRC, VDS, and the like also includes an ID (ID) of a vehicle detection loop installed on the road and a travel speed of the vehicle measured in the loop And on the vertical axis, the measured time information is recorded in the form of time-series data.

이에 따라, 데이터 전처리부(200)에서는 이러한 시계열적인 교통 데이터에 대해 도 4에서와 같이 시간/공간의 정보로 구성되는 매트릭스 데이터 형태로 가공한다. Accordingly, the data preprocessing unit 200 processes the time-series traffic data into a matrix data form including time / space information as shown in FIG.

즉, 도 4에서 보여지는 바와 같이, 하나의 루프 아이디에 대한 시간별 속도 정보가 아니라, 데이터 테이블상 가로축에는 다수의 루프 아이디(ID#1, ID#2, ID#3, ID#n)에서 측정된 차량의 통해 속도 정보가 기록되고, 세로축에는 통행 속도가 측정된 시간 정보가 기록되는 형태의 시간과 공간 정보로 이루어지는 매트릭스 데이터 형태로 가공하는 것이다.In other words, as shown in FIG. 4, not only the velocity information for one loop ID but also the loop IDs (ID # 1, ID # 2, ID # 3, ID # Speed data is recorded on the vehicle, and the vertical axis is processed into a matrix data form including time and spatial information in which the measured time information is recorded.

위와 같이 교통 데이터에 대해 전처리를 통해 매트릭스 데이터 형태로 가공함으로써, 종래와 같이 루프 아이디 하나 하나씩 유사한 패턴의 과거 데이터를 이용하여 도로 상 특정 지점에서의 미래의 교통 상황을 예측하는 것이 아니라, 본 발명의 실시예에서는 매트릭스 데이터별 유사도 산출을 통해 유사한 패턴의 과거 매트릭스 데이터를 이용하여 도로 구간별 보다 정확한 교통 상황 예측이 가능하게 된다.By processing the traffic data in the form of matrix data through preprocessing as described above, it is possible not to predict the future traffic situation at a specific point on the road using past data of a similar pattern by loop IDs one by one as in the past, In the embodiment, it is possible to predict the traffic situation more accurately for each road segment by using the past matrix data of a similar pattern through the calculation of the similarity for each matrix data.

즉, 종래에는 예를 들어 VDS 교통 데이터를 이용한 교통 상황 예측에 있어서, 루프 아이디 각각에 대해 수집된 과거 교통 데이터에 대한 유사도 산출을 통해 비슷한 패턴의 교통 데이터를 추출하여 미래의 교통 상황을 예측함에 따라 정확한 교통상황 예측이 불가능하였다. 그러나, 본 발명에서는 도로 구간별 설치된 다수개의 루프 아이디에 대해 수집된 교통 데이터를 매트릭스 데이터 형태로 구성하고, 매트릭스 데이터에 대한 유사도 산출을 통해 비슷한 패턴의 매트릭스 데이터를 추출하여 미래의 교통 상황을 예측하는 것이다. 이에 따라, 유사도 산출 계산 속도도 높일 수 있고, 유사한 패턴을 검출하는 정확도도 높일 수 있으며, 도로 구간별로 교통 상황 또한 보다 정확히 예측할 수 있게 된다.That is, conventionally, for example, in the traffic situation prediction using the VDS traffic data, traffic data of a similar pattern is extracted through calculation of similarity of past traffic data collected for each loop ID, It was impossible to predict the exact traffic situation. However, in the present invention, the traffic data collected for a plurality of loop IDs installed for each road segment are configured as matrix data, and matrix data of a similar pattern is extracted through calculation of similarity of the matrix data to predict future traffic conditions will be. Accordingly, the calculation speed of the similarity calculation can be increased, the accuracy of detecting similar patterns can be increased, and the traffic situation can be predicted more accurately for each road section.

또한, 데이터 전처리부(200)는 위와 같은 매트릭스 데이터를 구성함에 있어서, 도 5에서 보여지는 바와 같이 교통 예측을 수행하는 전체 도로 구간을 광역구역(global section)(500)과 단위구역(local section)(502)으로 설정하고, 광역구역별 매트릭스 데이터와 단위구역별 매트릭스 데이터를 구성할 수도 있다. 이때, 광역구역이라 함은 예를 들어 고속도로의 경우 양재 IC-대전 IC 구간, 대전 IC-북대구 IC 등으로 설정할 수 있으며, 단위구역이라 함은 광역구역내에 위치하는 일부 분기점(JC) 구간으로 판교 JC-신갈 JC, 안성 JC-남이 JC 등으로 설정할 수 있다. 이때, 광역구역(500)을 설정함에 있어서는 예를 들어 서울에서 부산까지의 구간에서 중간에 교통 흐름이 크게 바뀌는 구간으로 설정할 수 있고, 단위구역(502)을 설정함에 있어서는 광역구역(500)내에서 교통 흐름이 크게 바뀌는 구간으로 설정할 수 있다.5, the data preprocessing unit 200 may include a global section 500 and a local section for all road segments for performing traffic prediction, as shown in FIG. 5, (502), and may constitute matrix-wise matrix data for each zone and matrix-wise matrix data for each zone. In this case, the wide area area can be set as Yangjae IC-Daejeon IC area, Daejeon IC-North Daegu IC, etc. in the case of the expressway, and the unit area is a part of a branch point (JC) - Shingal JC, Anseong JC - Namyang JC and so on. In setting the wide area 500, for example, it may be set as a period in which the traffic flow changes significantly in the middle of the interval from Seoul to Busan. In setting the unit area 502, It can be set as a section where the traffic flow changes greatly.

이때, 데이터 전처리부(200)는 광역구역(500)에 대해서는 TCS 교통 데이터를 이용하여 여러 가지 형태의 매트릭스 데이터를 구성할 수 있다. 예를 들어 해당 광역구역(500)내로 들어오는 차량에 대한 인(in) 매트릭스 데이터와 광역구역을 빠져나가는 차량에 대한 아웃(out) 매트릭스 데이터를 구성할 수 있으며, 단위 시간당 차량 수(number of vehicle / hour)의 매트릭스 데이터 등을 구성할 수 있다. 이러한 매트릭스 데이터는 데이터 베이스(data base)(201)상에 저장될 수 있다.At this time, the data preprocessing unit 200 may configure various types of matrix data using the TCS traffic data for the wide area 500. For example, in matrix data for a vehicle entering the corresponding wide area 500 and out matrix data for a vehicle exiting the wide area may be configured and the number of vehicles / hour), and so on. Such matrix data may be stored on a database (data base) 201.

또한, 데이터 전처리부(200)는 단위구역(502)에 대해서는 VDS, DSRC의 교통 데이터를 이용하여 단위구역(502)의 VDS에 기반한 차량의 통행 속도 데이터와 VDS의 점유율(occupancy)에 대한 각각의 매트릭스 데이터를 구성할 수 있으며, DSRC에 기반한 통행 속도 데이터에 대한 매트릭스 데이터를 구성할 수 있다. 이러한 매트릭스 데이터 또한 데이터 베이스(201)상에 저장될 수 있다.In addition, the data preprocessing unit 200 uses the VDS and DSRC traffic data for the unit area 502 to calculate the vehicle speed data of the vehicle based on the VDS of the unit area 502 and the occupancy of the VDS Matrix data can be constructed, and matrix data for the traffic speed data based on the DSRC can be constructed. Such matrix data can also be stored on the database 201. [

또한, 데이터 전처리부(200)는 각각의 매트릭스 데이터별로 평균적으로 얼마만큼의 데이터 손실이 있는지를 산출하고, 광역구역별 또는 단위구역별로 손실율을 계산할 수 있으며, 데이터가 손실된 구간(600, 602, 604)에 대해서는 DSRC와 VDS 교통 데이터를 융합하여 보정을 수행할 수 있다. 이때 데이터가 손실된 구간(600, 602, 604)에 대한 보정에 있어서는 예를 들어 도 6에서 보여지는 바와 같이 손실되지 않은 부분에 대해서는 DSRC 데이터를 쓰고, 손실된 부분(600, 602, 604)은 vds 교통 데이터의 평균값을 통해서 보정하는 등의 방식으로 보정함으로써, 매트릭스 데이터에 대한 전체적인 데이터 품질을 높인 후에 교통 상황 예측이 수행될 수 있도록 한다. 이에 따라 교통 상황 예측의 신뢰성을 보다 높일 수 있다.In addition, the data preprocessing unit 200 calculates how much data loss is on average for each matrix data, calculates a loss ratio for each wide area or unit area, 604), the DSRC and the VDS traffic data may be merged to perform the correction. 6, the DSRC data is written for the portions not lost, and the lost portions 600, 602, and 604 are used for the correction of the portions 600, 602, and 604 where the data is lost vds traffic data, so that the traffic condition prediction can be performed after increasing the overall data quality of the matrix data. Accordingly, the reliability of the traffic situation prediction can be further improved.

기상 데이터 매칭부(202)는 데이터 전처리부(200)에서 구성된 시간/공간 데이터인 매트릭스 데이터에 대해 비슷한 날씨 정보를 가지는 매트릭스 데이터를 선정하여 추출한다. 이와 같이 선정된 매트릭스 데이터는 날짜 목록 관리부(204)로 제공될 수 있다. 날짜 목록 관리부(204)는 데이터 전처리부(200)로부터 가공된 매트릭스 데이터를 요일과 날씨를 기준으로 필터링(filtering)하고, 필터링된 매트릭스 데이터를 광역구역 매칭부(210)로 제공한다. The weather data matching unit 202 selects and extracts matrix data having similar weather information with respect to the matrix data which is time / space data formed in the data preprocessing unit 200. The thus selected matrix data may be provided to the date list management unit 204. [ The date list management unit 204 filters the processed matrix data from the data preprocessing unit 200 on the basis of day of the week and weather and provides the filtered matrix data to the wide area area matching unit 210.

실시간 데이터 처리부(206)는 데이터 전처리부(200)로부터 입력되는 매트릭스 데이터에 대해 실시간 데이터로 처리하여 실시간 매트릭스 데이터를 광역구역 매칭부(210)로 제공한다. 시뮬레이션부(208)는 도로 상 사고를 포함하는 돌발 상황 발생 시 돌발 상황 발생으로 인해 증가되는 통행 시간 정보를 산출하고, 이와 같이 산출된 통행 시간 정보를 교통 상황 예측부(214)로 제공한다.The real-time data processing unit 206 processes the matrix data input from the data preprocessing unit 200 as real-time data and provides the real-time matrix data to the wide-area area matching unit 210. The simulation unit 208 calculates travel time information that is increased due to the occurrence of an unexpected situation when an unexpected situation including an accident on the road occurs and provides the travel time information thus calculated to the traffic situation prediction unit 214. [

광역구역 매칭부(210)는 날짜 목록 관리부(204)를 통해 요일, 날씨 등으로 필터링된 매트릭스 데이터를 수신하고, 수신된 매트릭스 데이터 중 광역구역(500)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출함으로써 광역구역별 매칭되는 제1 매트릭스 데이터 조합을 생성할 수 있다. 이때, 유사도를 산출함에 있어서 매트릭스 데이터간 유클리디안 거리를 산출하고, 산출된 유클리디안 거리값을 유사도 값으로 사용할 수 있으나, 이에 한정되는 것은 아니다.The wide area area matching unit 210 receives the matrix data filtered by day of the week, the weather, and the like through the date list management unit 204, extracts matrix data corresponding to the wide area 500 among the received matrix data, And calculates the degree of similarity with respect to the matrix data. Then, the similarity calculated as described above is compared with a predetermined similarity reference value, and a predetermined number of matrix data having a similarity degree equal to or greater than the reference value is extracted, thereby generating a first matrix data combination matched by the wide area area. At this time, in calculating the similarity, the Euclidean distance between the matrix data may be calculated, and the calculated Euclidean distance value may be used as the similarity value, but the present invention is not limited thereto.

단위구역 매칭부(212)는 광역구역 매칭부(210)로부터 생성되는 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 각각의 광역구역(500)내 포함되는 단위구역(502)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출함으로써 단위구역별 매칭되는 제2 매트릭스 데이터 조합을 생성할 수 있다. The unit area matching unit 212 matches the matrix data corresponding to the unit area 502 included in each wide area 500 among the matrix data included in the first matrix data combination generated from the wide area area matching unit 210 And the degree of similarity is calculated with respect to the extracted matrix data. Then, the calculated similarity is compared with a preset similarity reference value, and a predetermined number of matrix data having similarity to the reference value or more is extracted, thereby generating a second matrix data combination matched for each unit area.

교통 상황 예측부(214)는 광역구역 매칭부(210)와 단위구역 매칭부(212)를 통해 매칭된 제1 매트릭스 데이터 조합과 제2 매트릭스 데이터 조합을 수신하고, 이러한 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행하게 된다. The traffic situation predicting unit 214 receives the first matrix data combination and the second matrix data combination matched through the wide area area matching unit 210 and the unit area matching unit 212 and outputs the matrix data included in the combination And the traffic situation of each zone is analyzed.

이때, 광역구역별 교통 상황에 대한 예측에 있어서, 교통 상황 예측부는 제1 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출한다. 또한, 유사도에 기초하여 복수의 제1 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 이와 같이 예측된 매트릭스 데이터를 기반으로 광역구역별 교통 상황 예측 정보를 산출할 수 있다.In this case, in predicting the traffic situation by wide area, the traffic situation predicting unit extracts the matrix data for each predetermined time unit of the first matrix data combination, and extracts the extracted matrix data for each predetermined time unit and the matrix The degree of similarity is calculated through pattern matching between data. In addition, it is possible to predict matrix data according to a time corresponding to a plurality of first intervals based on the degree of similarity, and to calculate the traffic situation prediction information by wide area based on the predicted matrix data.

또한, 단위구역별 교통 상황에 대한 예측에 있어서, 교통 상황 예측부는 제2 매트릭스 데이터 조합 중 소정시간 단위별로 매트릭스 데이터를 추출하고, 추출된 소정시간 단위별 매트릭스 데이터와 가장 최근의 소정기간 단위의 매트릭스 데이터간 패턴 매칭을 통해 유사도를 산출한다. 또한, 유사도에 기초하여 복수의 제2 구간에 대응되는 시간에 따른 매트릭스 데이터를 예측하고, 이와 같이 예측된 매트릭스 데이터를 기반으로 단위구역별 교통 상황 예측 정보를 산출할 수 있다.In addition, in predicting the traffic situation by unit area, the traffic situation predicting unit extracts matrix data for each predetermined time unit of the second matrix data combination, and extracts the matrix data for each predetermined time unit and the matrix The degree of similarity is calculated through pattern matching between data. In addition, it is possible to predict matrix data according to a time corresponding to a plurality of second intervals based on the similarity, and to calculate the traffic situation prediction information for each unit zone based on the predicted matrix data.

또한, 교통 상황 예측부(214)는 광역구역별 교통 상황 예측에 있어서는 요일과 날씨 등으로 필터링된 매트릭스 데이터 중 광역구역을 기반으로 차량의 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴(pattern)이 매칭(matching)되는 매트릭스 데이터를 찾아 교통 상황을 예측함으로써 요일과 날씨가 반영된 장기적인 교통 상황 예측을 수행할 수 있으며, 예측의 범위를 최대 8시간까지 증가시킬 수 있다.In predicting the traffic situation by the wide area, the traffic situation predicting unit 214 predicts the pattern of the traffic data such as the traffic time and the traffic speed of the vehicle based on the wide area of the matrix data filtered by the day of the week and the weather By predicting the traffic situation by matching matched data, it is possible to predict the long-term traffic situation that reflects the day and the weather, and the prediction range can be increased up to 8 hours.

또한, 교통 상황 예측부(214)는 단위구역별 교통 상황 예측에 있어서는 교통 상황의 보다 세밀한 변화를 탐지하기 위해 설정한 단위구역(502)을 기반으로 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴이 매칭되는 매트릭스 데이터를 찾아 교통 상황을 예측한다. 따라서, 위와 같은 광역구역(500)과 단위구역(502)으로 구분되는 계층적 구조 및 매칭의 구역 분할을 통하여 기존 예측 방법과 비교하여 예측 속도는 9 배이상, 장기 예측 정확도는 2배 이상 향상시킬 수 있다.In addition, the traffic situation predicting unit 214 estimates the traffic situation of each unit zone based on the unit zone 502 set for detecting a finer change of the traffic situation, such as the traffic time and the traffic speed, Find matched matrix data to predict traffic conditions. Therefore, through the hierarchical structure divided into the wide area 500 and the unit area 502 as described above and the division of the matching, the prediction speed is improved to 9 times or more and the long term prediction accuracy is improved more than 2 times .

또한, 교통 상황 예측부(214)는 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행함에 있어서 시뮬레이션부(208)로부터 도로 상 사고 발생 등의 돌발 상황 발생에 따라 증가된 통행 시간 정보를 제공받는 경우 돌발 상황 발생에 따라 증가된 통행 시간 정보를 광역구역별, 단위구역별 교통 상황 예측에 반영하여 돌발 상황이 반영된 보다 정확한 교통 상황 예측을 수행할 수 있도록 한다.In addition, the traffic condition predicting unit 214 may provide increased travel time information from the simulation unit 208 in response to the occurrence of an unexpected situation such as an accident on the road, in predicting the traffic conditions by wide area and unit area In case of receipt, it is possible to predict more accurate traffic situation reflecting the unexpected situation by reflecting the increased travel time information according to the occurrence of the unexpected situation to the traffic situation prediction by the wide area area and the unit area.

도 7은 본 발명의 실시예에 따른 속도 예측 화면 예시도이다. 7 is a view illustrating a speed prediction screen according to an embodiment of the present invention.

위 도 7을 참조하면, 도로 구간별 통행 속도 예측의 경우 광역구역별로 통행 속도의 현재 상황 및 예측 상황을 보여주는 것을 알 수 있다.Referring to FIG. 7, it can be seen that, in the case of predicting the traffic speed per road section, the current state and the predicted state of the traffic speed are shown by the wide area.

즉, 종래 시스템에서는 센서의 링크별로 상태를 표출하고 있어 실제 사용자가 도로의 상태를 예측하고 출발시간을 정하기에는 불편한 점이 있었으나, 본 발명에서는 광역구역별, 단위구역별로 통행 속도를 보여줌으로써 사용자로 하여금 보다 쉽게 교통 상황을 예측할 수 있도록 한다. 예를 들어, 본 발명의 실시예에서는 도 7에서 보여지는 바와 같이 서울∼대전 구간의 경우 5개의 링크만으로 상태를 확인 할 수 있어 사용자가 보다 쉽게 교통 상황을 인지할 수 있으며, 이와 함께 예측에 대한 정확성을 함께 표출함으로써 시스템의 신뢰도를 높일 수 있다. That is, in the conventional system, since the state of each link of the sensor is displayed, it is inconvenient for an actual user to predict the state of the road and to set the departure time. However, in the present invention, by showing the traveling speed for each wide area and unit area, Making it easier to predict traffic conditions. For example, in the embodiment of the present invention, as shown in FIG. 7, in the case of the Seoul-Daejon section, the status can be confirmed by only five links, so that the user can more easily recognize the traffic situation, By expressing the accuracy together, the reliability of the system can be increased.

도 8은 본 발명의 실시예에 따른 통행 시간 예측 화면 예시도이다. 8 is a diagram illustrating an example of a travel time prediction screen according to an embodiment of the present invention.

위 도 8을 참조하면, 도로 구간별 통행 시간 예측의 경우 각각의 목적지 별로 3개 이상의 경로를 제안하고, 이와 함께 6시간 이내에서 최적 출발 시간이 언제인지에 관한 정보가 함께 표출되고 있는 것을 알 수 있다. 이에 따라, 예를 들어 6시간의 예측시간 중 차량의 통행량이 가장 적은 통행 시간과 예측 시간대의 통행 시간의 비율을 표출함으로써 초행자도 최적출발시간을 판단하기 쉬운 구조로 데이터를 표출할 수 있다.Referring to FIG. 8, in the case of predicting the travel time for each road segment, three or more routes are suggested for each destination, and information indicating when the optimal departure time is within 6 hours is displayed together have. Accordingly, for example, by expressing the ratio of the travel time of the vehicle with the smallest traffic amount to the travel time of the predicted time zone during the prediction time of 6 hours, the data can be displayed in a structure in which the starter can easily determine the optimal departure time.

도 9는 본 발명의 실시예에 따른 교통 상황 예측 서버에서의 교통 상황 예측에 대한 속도 및 정확성 그래프를 도시한 것이다.FIG. 9 is a graph showing speed and accuracy of traffic situation prediction in a traffic situation prediction server according to an embodiment of the present invention.

위 도 9에서 보여지는 바와 같이 본 발명의 실시예에 따른 교통 상황 예측을 통해 종래 방법과 비교하여 교통 상황 예측 속도가 9배 이상 향상된 것을 알 수 있으며, 교통 상황 예측의 정확도는 2배 이상 향상된 것을 알 수 있다.As shown in FIG. 9, it can be seen that the traffic situation prediction speed is improved by 9 times or more compared to the conventional method through the traffic situation prediction according to the embodiment of the present invention, and the accuracy of the traffic situation prediction is improved more than 2 times Able to know.

도 10은 본 발명의 실시예에 따른 교통 상황 예측 서버에서 도로 구간별 실시간 교통 상황을 예측하는 동작 제어 흐름을 도시한 것이다.10 is a flowchart illustrating an operation control process for predicting real-time traffic conditions for each road segment in the traffic situation prediction server according to an embodiment of the present invention.

먼저, 교통 상황 예측 서버(130)는 TCS, VDS, DSRC 등으로부터 수집되는 도로 구간별 교통 데이터를 교통 정보 제공장치(100)로부터 수신한다(S100).First, the traffic situation prediction server 130 receives traffic data for each road segment collected from TCS, VDS, DSRC, and the like, from the traffic information providing apparatus 100 (S100).

이어, 교통 상황 예측 서버(130)는 교통 정보 제공장치(100)로부터 수신 받은 교통 데이터를 데이터 전처리 작업을 통해 본 발명의 실시예에 따른 시간/공간의 매트릭스 데이터 형태로 변환한다(S102).Next, the traffic situation prediction server 130 converts the traffic data received from the traffic information providing apparatus 100 into a time / space matrix data form according to an embodiment of the present invention through a data preprocessing operation (S102).

이때, 교통 정보 제공장치(100)에서 수집되는 교통 데이터는 일반적으로 측정된 시간별 통행 속도나 통행 시간 등의 정보로 구성되는 시계열적인 데이터 형태로 수집될 수 있다. 이에 따라, 교통 상황 예측 서버(130)는 데이터 전처리 작업을 통해 이러한 시계열적인 교통 데이터에 대해 도 4에서와 같이 시간/공간의 데이터로 구성되는 매트릭스 데이터 형태로 가공한다. At this time, the traffic data collected by the traffic information providing apparatus 100 may be collected in the form of time series data, which is generally composed of the measured traffic speed and travel time. Accordingly, the traffic situation prediction server 130 processes the time-series traffic data into a matrix data form composed of time / space data as shown in FIG. 4 through a data preprocessing operation.

즉, 교통 상황 예측 서버(130)는 예를 들어, DSRC, VDS 등으로부터 발생된 교통 데이터의 경우, 도 4에서 보여지는 바와 같이 데이터 테이블상 가로축에는 다수의 루프 아이디에서 측정된 차량의 통행 속도 정보가 기록되고, 세로축에는 통행 속도가 측정된 시간 정보, 즉 통행 시간 정보가 기록되는 형태의 시간과 공간 정보로 이루어지는 매트릭스 데이터 형태로 가공하는 것이다.That is, in the case of traffic data generated from, for example, DSRC, VDS, and the like, the traffic situation prediction server 130 displays traffic speed information of vehicles measured in a plurality of loop IDs And on the vertical axis, processing is performed in the form of matrix data consisting of time and space information in which the traveling speed is measured, that is, travel time information is recorded.

또한, 교통 상황 예측 서버(130)는 위와 같은 매트릭스 데이터로의 데이터 전처리 작업에 있어서, 도 5에서 보여지는 바와 같이 교통 예측을 수행하는 전체 도로 구간을 광역구역(500)과 단위구역(502)으로 설정하고, 광역구역별 매트릭스 데이터와 단위구역별 매트릭스 데이터로 구분하여 생성할 수도 있다. 이때, 광역구역(500)이라 함은 전술한 바와 같이 예를 들어 고속도로의 경우 양재 IC-대전 IC 구간, 대전 IC-북대구 IC 등으로 설정할 수 있으며, 단위구역(502)이라 함은 광역구역(500)내에 위치하는 일부 JC 구간으로 판교 JC-신갈 JC, 안성 JC-남이 JC 등으로 설정할 수 있다. 또한, 광역구역(500)을 설정함에 있어서는 예를 들어 서울에서 부산까지의 구간에서 중간에 교통 흐름이 크게 바뀌는 구간을 선택하여 설정할 수 있고, 단위구역(502)을 설정함에 있어서는 광역구역(500)내 교통 흐름이 크게 바뀌는 구간을 선택하여 설정할 수 있다.In the data preprocessing operation for the matrix data as described above, the traffic situation predicting server 130 may include a wide area 500 and a unit area 502 as a whole road section for performing traffic prediction as shown in FIG. 5 And may be generated by dividing the data into meta data by wide area and meta data by unit area. For example, in the case of a highway, the wide area 500 may be set as a cadastral IC-Daejeon IC section, a Daejeon IC-a North Daegu IC, and the unit area 502 may be a wide area 500 JC-Shingal JC, Anseong JC-Namyu JC, and so on. In setting the wide area 500, it is possible to select and set an interval in which the traffic flow is significantly changed in the middle of the interval from Seoul to Busan. In setting the unit area 502, It is possible to select and set the section where the traffic flow greatly changes.

이어, 교통 상황 예측 서버(130)는 위와 같이 데이터 전처리 작업을 통해 생성한 매트릭스 데이터에 대해 요일과 날씨를 기준으로 필터링을 수행한다(S104).Next, the traffic situation prediction server 130 performs filtering based on the day of the week and the weather on the matrix data generated through the data preprocessing operation as described above (S104).

그런 후, 교통 상황 예측 서버(130)는 요일 과 날씨를 기준으로 필터링이 수행되어 출력된 매트릭스 데이터에 대해 광역구역(500)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 교통 상황 예측 서버(130)는 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출하여 광역구역별 매칭되는 제1 매트릭스 데이터 조합을 생성한다(S106). 이어, 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 광역구역별 교통 상황 예측을 수행한다(S108).Then, the traffic situation prediction server 130 extracts the matrix data corresponding to the wide area 500 from the output matrix data by filtering based on the day of the week and the weather, and calculates the similarity with respect to the extracted matrix data do. Next, the traffic situation prediction server 130 compares the calculated similarity with the predetermined similarity reference value, and extracts a predetermined number of matrix data having a degree of similarity equal to or greater than the reference value to generate a first matrix data combination matched by the wide area area (S106). Next, the traffic condition prediction for the wide area is performed using the matrix data included in the first matrix data combination (S108).

이때, 교통 상황 예측부(130)는 광역구역별 교통 상황 예측에 있어서는 요일과 날씨 등으로 필터링된 매트릭스 데이터 중 광역구역(500)을 기반으로 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴이 매칭되는 매트릭스 데이터를 찾아 교통 상황을 예측함으로써 요일과 날씨가 반영된 장기적인 교통 상황 예측을 수행할 수 있으며, 예측의 범위를 최대 8시간까지 증가시킬 수 있다.At this time, the traffic situation predicting unit 130 predicts the traffic situation of the wide area by matching the pattern of the traffic data such as the travel time and the traveling speed based on the wide area 500 among the matrix data filtered by the day of the week and the weather By predicting the traffic situation by searching the matrix data, it is possible to predict the long-term traffic situation that reflects day and weather, and the range of prediction can be increased up to 8 hours.

위와 같이 광역구역별 교통 상황 예측을 수행한 후, 교통 상황 예측 서버(130)는 제1 매트릭스 데이터 조합에 포함된 매트릭스 데이터 중 각각의 광역구역(500)내 포함되는 단위구역(502)에 해당하는 매트릭스 데이터를 추출하고, 추출된 매트릭스 데이터에 대해 유사도를 산출한다. 이어, 위와 같이 산출된 유사도를 기설정된 유사도 기준값과 비교하여 기준값 이상의 유사도를 가지는 기설정된 수의 매트릭스 데이터를 추출하여 단위구역별 매칭되는 제2 매트릭스 데이터 조합을 생성한다(S110). 이어, 제2 매트릭스 데이터 조합에 포함된 매트릭스 데이터를 이용하여 단위구역별 교통 상황 예측을 수행한다(S112). After predicting the wide area traffic situation prediction, the traffic situation prediction server 130 calculates the traffic data corresponding to the unit area 502 included in each wide area 500 among the matrix data included in the first matrix data combination Extracts the matrix data, and calculates the degree of similarity with respect to the extracted matrix data. Next, the similarity calculated as described above is compared with a predetermined similarity reference value, and a predetermined number of matrix data having a degree of similarity equal to or greater than a reference value is extracted to generate a second matrix data combination matched for each unit area (S110). Next, the traffic condition prediction for each unit zone is performed using the matrix data included in the second matrix data combination (S112).

이때, 교통 상황 예측부(130)는 단위구역별 교통 상황 예측에 있어서는 교통 상황의 보다 세밀한 변화를 탐지하기 위해 설정한 단위구역(502)을 기반으로 통행 시간 및 통행 속도와 같은 교통 데이터의 패턴이 매칭되는 매트릭스 데이터를 찾아 교통 상황을 예측한다. 따라서, 위와 같은 광역구역(500)과 단위구역(502)으로 구분되는 계층적 구조 및 매칭의 구역 분할을 통하여 기존 예측 방법과 비교하여 예측 속도는 9 배이상, 장기 예측 정확도는 2배 이상 향상시킬 수 있다.At this time, the traffic situation predicting unit 130 estimates the traffic situation of each unit zone based on the unit zone 502 set to detect a finer change of the traffic situation, such as a pattern of traffic data such as traffic time and traffic speed Find matched matrix data to predict traffic conditions. Therefore, through the hierarchical structure divided into the wide area 500 and the unit area 502 as described above and the division of the matching, the prediction speed is improved to 9 times or more and the long term prediction accuracy is improved more than 2 times .

또한, 교통 상황 예측부(130)는 광역구역별, 단위구역별 교통 상황에 대한 예측을 수행함에 있어서 시뮬레이션부(208)로부터 도로 상 사고 발생 등의 돌발 상황 발생에 따라 증가된 통행 시간 정보를 제공받는 경우 돌발 상황 발생에 따라 증가된 통행 시간 정보를 광역구역별, 단위구역별 교통 상황 예측에 반영하여 돌발 상황이 반영된 보다 정확한 교통 상황 예측을 수행할 수 있도록 한다.In addition, the traffic condition predicting unit 130 may provide increased travel time information from the simulation unit 208 in response to the occurrence of an unexpected situation such as an accident on the road, in predicting the traffic conditions by wide area and unit area In case of receipt, it is possible to predict more accurate traffic situation reflecting the unexpected situation by reflecting the increased travel time information according to the occurrence of the unexpected situation to the traffic situation prediction by the wide area area and the unit area.

상기한 바와 같이, 본 발명에 따르면, 도로 구간별 교통 특성을 고려한 교통 상황 예측에 있어서, 도로상 설치되어 교통 상황을 측정하는 다양한 센서들로부터 수집되는 시계열적 데이터를 시간과 공간으로 구성되는 매트릭스 데이터 형태로 변환하고 매트릭스 데이터를 기반으로 패턴 매칭을 수행하여 미래의 교통 상황을 예측하며, 또한 예측이 필요한 전체 도로 구간을 광역구역과 단위구역 등의 계층적 구조로 구분하고 매트릭스 데이터 패턴 매칭의 구역 분할을 통하여 각 구역별 교통 상황을 예측함으로써 교통 상황 예측 속도와 정확성을 높일 수 있도록 한다.As described above, according to the present invention, in the traffic situation prediction considering the traffic characteristics for each road section, the time-series data collected from various sensors installed on the road and measuring the traffic situation are stored in matrix data And pattern matching based on the matrix data to predict future traffic conditions. Also, the entire road section requiring prediction is divided into a hierarchical structure such as a wide area area and a unit area, and the area division of the matrix data pattern matching To predict the traffic conditions of each zone and to increase the speed and accuracy of traffic forecasting.

한편 상술한 본 발명의 설명에서는 구체적인 실시예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시될 수 있다. 따라서 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
While the invention has been shown and described with reference to certain preferred embodiments thereof, it will be understood by those skilled in the art that various changes and modifications may be made without departing from the spirit and scope of the invention. Accordingly, the scope of the invention should not be limited by the described embodiments but should be defined by the appended claims.

100 : 교통 정보 제공장치 130 : 교통 상황 예측 서버
150 : 모바일 단말 170 : 웹 서비스 단말
200 : 데이터 전처리부 202 : 기상 데이터 매칭부
204 : 날짜 목록 관리부 206 : 실시간 데이터 처리부
208 : 시뮬레이션부 210 : 광역구역 매칭부
212 : 단위구역 매칭부 212 : 교통 상황 예측부100: traffic information providing device 130: traffic situation prediction server
150: mobile terminal 170: web service terminal
200: data preprocessing unit 202: weather data matching unit
204: date list management unit 206: real time data processing unit
208: Simulation unit 210: Wide area area matching unit
212: unit area matching unit 212: traffic situation predicting unit

Claims

A data preprocessing unit for receiving traffic data related to a vehicle passing through the road collected through a plurality of sensors installed on the road and processing the traffic data into matrix data composed of time information and spatial information of a predetermined length,
A wide area area matching unit for extracting matrix data according to time corresponding to a plurality of first road sections divided by the wide area area on the road to generate a first matrix data combination,
A unit zone matching unit for generating a second matrix data combination by extracting matrix data according to time corresponding to a plurality of second road sections divided into unit zones on each first road section,
A traffic information calculation unit for calculating the traffic situation prediction information for each zone by using the matrix data included in the first matrix data combination and calculating the traffic situation prediction information for each zone using the matrix data included in the second matrix data combination, The situation predicting unit
Wherein the traffic forecast server comprises:

The method according to claim 1,
The wide-
Calculating a degree of similarity through pattern matching between the extracted matrix data, and selecting the matrix data having the degree of similarity equal to or greater than a predetermined reference value to generate the first matrix data combination Traffic forecasting server that features.

The method according to claim 1,
Wherein the unit zone matching unit comprises:
Extracting matrix data corresponding to the second road section from the matrix data included in the first matrix data combination, calculating the similarity through pattern matching between the extracted matrix data, selecting the matrix data having the similarity degree equal to or higher than the reference value, And generates the second matrix data combination based on the second matrix data.

The method according to claim 1,
The traffic situation predicting unit predicts,
Extracting matrix data for each predetermined time unit of the first matrix data combination, calculating a similarity degree through pattern matching between the extracted matrix data of the predetermined time unit and the matrix data of the most recent unit of the predetermined period, Estimates matrix data according to a time corresponding to the plurality of first intervals based on the predicted matrix data, and calculates the traffic situation prediction information for each wide area based on the predicted matrix data.

The method according to claim 1,
The traffic situation predicting unit predicts,
Extracting matrix data for each predetermined time unit of the second matrix data combination, calculating a similarity degree by pattern matching between the extracted matrix data of the predetermined time unit and the matrix data of the most recent unit of the predetermined period, Estimates matrix data according to a time corresponding to the plurality of second sections based on the predicted matrix data, and calculates the traffic situation prediction information for each unit zone based on the predicted matrix data.

The method according to claim 1,
The data pre-
Wherein each of the sensors generates the time when the traffic data is measured as the time information and generates an identification number of a predetermined number of sensors disposed on the road as the spatial information to process the traffic data into the matrix data Prediction server.

The method according to claim 1,
The data pre-
Calculates a data loss rate for each of the matrix data, and performs correction by merging the traffic data generated from the DSRC and the VDS with respect to the section in which the road data is lost.

8. The method of claim 7,
The wide-
And selects the matrix data having the data loss rate equal to or less than a preset reference value among the matrix data corresponding to the first road section as valid data to calculate the similarity.

The method according to claim 1,
The server comprises:
Further comprising a simulation unit for calculating travel time information which is increased due to the occurrence of an unexpected event when an unexpected event including the road accident occurs.

10. The method of claim 9,
The traffic situation predicting unit predicts,
And estimates traffic condition prediction information for each zone or unit zone by reflecting the increased traffic time information for each road section according to the occurrence of the unexpected situation.

Comprising the steps of: receiving traffic data related to a vehicle passing through the road collected through a plurality of sensors installed on the road;
Processing the traffic data into matrix data composed of time information and spatial information of a predetermined length;
Generating a first matrix data combination by extracting matrix data corresponding to a plurality of first road sections separated by the wide-area zone on the road among the matrix data;
Generating a second matrix data combination by extracting matrix data corresponding to a plurality of second road sections divided into unit zones on each first road section,
Calculating the traffic condition forecast information for each zone by using the matrix data included in the first matrix data combination;
Calculating the traffic situation prediction information for each unit zone using the matrix data included in the second matrix data combination
And a traffic forecasting method.

12. The method of claim 11,
Wherein generating the first matrix data combination comprises:
Extracting matrix data corresponding to a first road section divided into the wide area sections on the road,
Calculating a degree of similarity through pattern matching between the extracted matrix data,
Selecting the matrix data whose similarity is equal to or greater than a preset reference value to generate the first matrix data combination
And estimating a traffic condition of the vehicle.

12. The method of claim 11,
Wherein generating the second matrix data combination comprises:
Extracting matrix data corresponding to the second road section from among the matrix data included in the first matrix data combination;
Calculating a degree of similarity through pattern matching between the extracted matrix data,
Generating a second matrix data combination by selecting the matrix data whose similarity is equal to or greater than the reference value
And estimating a traffic condition of the vehicle.

12. The method of claim 11,
The method of claim 1,
Extracting matrix data for each predetermined time unit of the first matrix data combination,
Calculating the similarity through pattern matching between the extracted matrix data of the predetermined time unit and the matrix data of the most recent unit of the predetermined period,
Estimating matrix data according to a time corresponding to the plurality of first intervals based on the degree of similarity;
Estimating the traffic condition prediction information by wide area based on the predicted matrix data
And a traffic forecasting server for estimating traffic conditions.

12. The method of claim 11,
The step of calculating the traffic situation prediction information for each unit area comprises:
Extracting matrix data for each predetermined time unit of the second matrix data combination,
Calculating the similarity through pattern matching between the extracted matrix data of the predetermined time unit and the matrix data of the most recent unit of the predetermined period,
Estimating matrix data according to a time corresponding to the plurality of second intervals based on the degree of similarity;
Calculating the traffic situation prediction information for each unit zone based on the predicted matrix data
And a traffic forecasting server for estimating traffic conditions.

12. The method of claim 11,
In the step of calculating the traffic situation prediction information,
Wherein the traffic condition prediction information for each wide area or per unit area is calculated by reflecting travel time information of the increased road section according to the incidence of the road accident.

12. The method of claim 11,
The above-
Wherein the time at which the traffic data is measured at each sensor is made up of the time information, and the identification number of the predetermined number of sensors arranged on the road is the space information.

12. The method of claim 11,
The above-
And the traffic data generated from the DSRC and the VDS are merged and corrected for the section in which the road data is lost.