用于预测交通信息的设备和方法与流程

用于预测交通信息的设备和方法
1.相关申请的交叉引用
2.本技术要求于2020年10月26日提交的韩国专利申请no.10-2020-0139673的优先权和权益，其全部内容通过引用合并于本文中。
技术领域
3.本发明涉及一种用于预测交通信息的设备和方法，更具体地说，涉及一种基于密度估算技术的用于预测交通信息的设备和方法。


背景技术：

4.当前提供的交通信息对应于基于过去模式速度预测的信息。也就是说，基于在一天的同一时间区间内将产生相似的速度的假设，利用现有的速度模式得出当前的交通信息(例如，速度信息)。
5.在利用过去一周的同一天和同一时间区间的交通信息的情况下，例如，利用2月3日星期一上午9:00至9:05的速度和2月10日星期一上午9:00至9:05的速度来预测3月2日星期一上午9:00至9:05的速度。
6.然而，在基于过去模式的速度的情况下，可能会在相应的时间点出现异常特征，例如，诸如天气、季节等变量可能会发生不同的变化，交通量可能会随时间变化，从而导致由此产生的不恰当数据被用于速度预测。即，在相同的时间区间内将保持相似的速度的假设可能会增加预测交通信息时发生错误的概率。
7.在一个示例中，还进行关于车辆探测器(probe)(以下称为探测器)的操作量的变化是否影响交通的研究，以预测交通信息。在这种情况下，可以根据gps发生时间点宏观预测拥堵时间，但是由于探测器样本数量的限制，在微观方面的预测存在限制，例如链路单元(所要预测的道路)的每个时间区间的速度预测。
8.因此，当利用过去模式速度时，可能需要利用类似交通状况中的速度，而不是简单的相同时间区间中的速度。在一个示例中，与车辆密度相对应的密度被称为交通工程中最客观地确定交通状况的有效度量。
9.与密度估计相关的研究具有以下优点：拍摄道路的有限路段的图像以计算相应路段中的车辆的平均数量，并通过图像拍摄识别实际道路上的车辆总数，但是当需要恒定密度数据(如交通预测)时，在确保数据方面存在限制。
10.因此，可能需要确保可用于速度预测的附加变量，并开发基于密度的行驶速度预测技术。


技术实现要素：

11.本发明的一方面提供了用于预测交通信息的设备和方法，其能够通过车辆之间的车辆间距数据客观地确定交通状况，并生成可以用于速度预测的附加变量(密度)。
12.本发明的另一方面提供了用于预测交通信息的设备和方法，其能够基于统计技术
进行可靠的密度估算。
13.本发明的另一方面提供了用于预测交通信息的设备和方法，其能够通过提供基于密度的模式速度来推导出相同交通状况下的行驶速度。
14.本发明的另一方面提供了用于预测交通信息的设备和方法，其能够基于当前密度状态确定交通状况的连续性并开发用于未来交通信息的预测模型。
15.本发明构思要解决的技术问题不限于上述问题，本发明所属领域的技术人员从以下描述中将清楚地理解本文中未提及的任何其他技术问题。
16.根据本发明的一个方面，一种用于预测交通信息的设备包括数据计算装置和预测装置，所述数据计算装置利用安装在车辆上的多个传感器推导出车辆间距、车头间距和车辆密度；所述预测装置推导出与车辆密度对应的行驶速度数据并预测交通信息。
17.在一种实施方案中，数据计算装置可以包括车辆间距获取装置、车头间距计算装置和密度计算装置，所述车辆间距获取装置从车辆的前部传感器和后部传感器获取至前车和后车的各自的车辆间距；所述车头间距计算装置基于车辆间距和车辆摄像头获取的前车或后车的长度计算车头间距；所述密度计算装置基于车头间距计算车辆密度。
18.在一种实施方案中，车头间距计算装置可以从一个探测器计算三个探测器的两个车头间距数据。
19.在一种实施方案中，车头间距计算装置可以通过将车辆至前车的车辆间距与前车的车辆长度相加，计算车辆与前车之间的车头间距，通过将车辆至后车的车辆间距与车辆的车辆长度相加，计算车辆与后车之间的车头间距。
20.在一种实施方案中，密度计算装置可以基于n个车头间距样本估算总体的平均车头间距，并计算特定路段的车辆密度。
21.在一种实施方式中，密度计算装置可以基于以下数学公式计算特定路段的车辆密度。
22.[数学公式1]
[0023][0024]
其中，k是特定路段的车辆密度，l是特定路段的长度，a是总体的车头间距μ的最小值，b是总体的车头间距μ的最大值。
[0025]
在一种实施方案中，预测装置可以包括速度推导装置，其将关于车辆密度的密度数据添加至与特定时间区间相对应的速度数据，构建表示与车辆密度相对应的至少一个速度数据的密度-速度模式数据，推导出代表每个车辆密度的至少一个速度数据的代表性速度。
[0026]
在一种实施方案中，预测装置可以包括速度预测装置，其基于密度-速度模式数据、预先构建的时间-密度模式和预先构建的时间-速度模式预测当前时间点的车辆速度。
[0027]
在一种实施方案中，速度预测装置可以在实时测量的实时密度不符合时间-密度模式时，基于密度-速度模式数据推导出与不符合时间-密度模式的第一时间点的第一实时密度相对应的第一车辆速度，从时间-速度模式中推导出对应于第一车辆速度的第二时间点，以及通过计算第二时间点与第一时间点之间的差值，对时间-速度模式进行平移。
[0028]
在一种实施方案中，速度预测装置可以包括用于执行确定车辆密度和车辆速度之
间的关系的深度学习建模算法。
[0029]
根据本发明的另一方面，一种用于预测交通信息的方法包括利用安装在车辆上的多个传感器导出车辆间距、车头间距和车辆密度的数据计算操作，以及推导与车辆密度对应的行驶速度数据并预测交通信息的交通信息预测操作。
附图说明
[0030]
通过以下结合附图的详细描述，本发明的上述及其他目的、特征和优点将更加明显：
[0031]
图1是本发明的一种实施方案的交通信息预测设备的控制框图；
[0032]
图2为用于示出本发明一种实施方案的车辆间距的示意图；
[0033]
图3a和图3b是用于示出本发明的一种实施方案的车头间距的示意图；
[0034]
图4是示出根据示例的基于t分布的统计量的曲线图；
[0035]
图5为用于示出本发明一种实施方案的速度-密度关系的示意图；
[0036]
图6a、图6b、图6c和图6d为示出本发明的一种实施方案的基于密度来预测速度的方法的曲线图；以及
[0037]
图7为示出本发明的一种实施方案的交通信息预测方法的控制流程图。
具体实施方式
[0038]
下面将参考示例性附图详细描述本发明的一些实施方案。在给每幅图的组件添加附图标记时，应当注意，即使相同的或等同的组件在其他附图上显示，也以相同的附图标记标引。此外，在描述本发明的一些实施方案时，当确定其妨碍了对本发明的实施方案的理解时，将省略对相关已知配置或功能的详细描述。
[0039]
在描述本发明的一些实施方案时，可以使用如第一、第二、a、b、(a)、(b)等术语。这些术语仅用于将组件与其他组件区分开来，这些术语并不限制组件的性质、顺序或次序。除非在说明书中另外指出，本文使用的包括技术和科学术语在内的所有术语具有与本发明所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解，例如在常用词典中定义的术语的术语应被解释为具有与其在相关领域的上下文中的含义一致的含义，并且不以理想化或过于正式的含义解释，除非在此明确定义。
[0040]
在下文中，将参照图1至图7详细描述本发明的实施方案。
[0041]
图1是本发明一些实施方案的交通信息预测设备的控制框图。
[0042]
如上所述，在利用过去模式速度来预测速度的情况下，交通环境可能根据每个时段的特性而改变，并且在相同时间区间将保持相似速度的假设成为了增加发生错误的概率的因素。因此，在交通工程中，有必要利用密度，这是一个最客观地确定交通状况的新变量。
[0043]
根据本发明的交通信息预测设备可以基于车辆感测技术和图像数据估计车辆密度，并基于估计的车辆密度提高交通信息的预测精度。如图所示，本发明的一些实施方案的交通信息预测设备可以包括数据计算装置100和利用由数据计算装置100计算的信息来预测交通信息的预测装置200。这种交通信息预测设备可以与车辆的传感器、附接到车辆内部或外部的摄像头等通信，或者可以与以有线或无线方式控制这些传感器的控制模块通信。交通信息预测设备可以实现为能够与车辆通信的外部服务器，或者可以作为终端实现，在
该终端上执行能够实现下面描述的预测方法的应用程序。
[0044]
数据计算装置100可以利用安装在车辆上的多个传感器来得出车辆间距、车头间距和车辆密度，并且为此，数据计算装置100可以包括车辆间距获取装置110、车头间距计算装置120，以及密度计算装置130。
[0045]
预测装置200可以推导出与车辆密度对应的行驶速度数据并预测交通信息，例如速度。为此，预测装置200可以包括速度推导装置210和速度预测装置220。
[0046]
为了便于描述，组件在功能上彼此区分。一个或多个组件可以实现为一个模块或芯片，并且可以通过实现功能的物理组件之间的电子通信来发送/接收数据。
[0047]
在下文中，将参照图2至图6d描述基于密度的速度预测方法。
[0048]
图2是用于示出本发明的一些实施方案的车辆间距的示意图。
[0049]
车辆间距获取装置110可以从车辆的前部和后部传感器获取至前车和后车的各自的车辆间距。车辆间距获取装置110可以从车辆传感器获取关于车辆间距的信息，并且可以实现为车辆传感器本身或包括车辆传感器的组件。
[0050]
如图2所示，在车辆1的情况下，与前车的车辆间距为60m，与后车的车辆间距为50m。在车辆2的情况下，与前车的车辆间距为40m，与后车的车辆间距为30m。
[0051]
在本发明的一些实施方案中，可以获取从一个车辆(即，一个探测器)到前车和后车的间距信息。也就是说，可以通过一个车辆间距信息来识别三个车辆的状态。这种车辆间距可用于推导出车头间距。位于三个车辆中间的车辆(即，提供关于车辆间距的信息的车辆)可以称为参考车辆。
[0052]
根据另一示例，可以从两个车辆中的一个车辆的车辆传感器获取关于车辆间距的信息，或者可以从单个车辆获取关于车辆间距的信息。当从多个传感器得出的车辆间距信息重叠时，可以得出平均值作为车辆间距。
[0053]
图3a和图3b是用于示出本发明的一些实施方案的车头间距的示意图。
[0054]
数据计算装置100中的车头间距计算装置120可以基于由车辆的摄像头获取的前车或后车(图中未显示)的长度和车辆间距计算车头间距。
[0055]
如图3a所示，车辆的摄像头可以对前车进行拍摄，并且摄像头或车头间距计算装置120可以从拍摄的图像中得出前车或后车的长度。
[0056]
当如上所述得出前车的车辆长度时，车头间距计算装置120可以利用参考车辆与前车之间的车辆间距和参考车辆与后车之间的车辆间距推导出参考车辆到前车的车头间距以及参考车辆到后车的车头间距。
[0057]
如图3b所示，参考车辆与前车之间的车头间距可以推导为前车或后车的长度与参考车辆到前车的车辆间距的总和，而参考车辆与后车之间的车头间距可以推导为参考车辆的长度与参考车辆到后车的车辆间距的总和。参考车辆的长度可以是不需要由传感器获取的车辆本身的默认信息。这种车头间距可用作用于推导特定路段内的车辆密度的直接数据。
[0058]
并且，在车头间距的情况下，可以利用从一个参考车辆推导出的信息获取与前车和后车相关联的多个信息。即，从一个探测器获取与三个探测器相对应的信息，从而可以利用n个探测器获取总体车辆中的n
×
3个车辆的n(n
×
2)个车头间距信息。
[0059]
当如上所述计算车头间距时，密度计算装置130基于车头间距推导出车辆密度。密
度计算装置130利用n个车头间距样本估算总体平均车头间距，并估算车辆密度。车辆密度可以表示为服务水平(service level)或los。
[0060]
当车头间距的样本数为n时，n个车头间距样本的平均值为e(x)，n个车头间距样本的标准差为s，总体的平均车头间距μ可以表示为服从t分布的统计量t。统计量t可以用数学公式表示，如下所示。
[0061]
[数学公式1]
[0062][0063]
数学公式1可以表示为描述服从t分布的统计量的曲线图，如图4所示。
[0064]
当自由度为n-1且95％置信水平的极限值为α时，t可表示为关于α的数学公式2。就此而言，总体的平均车头间距μ可以表示为数学公式3，其范围为a至b。
[0065]
[数学公式2]
[0066]-α≤t≤α
[0067]
[数学公式3]
[0068]
a≤μ≤b
[0069]
当如数学公式3所示推导出总体的平均车头间距μ时，密度计算装置130可以推导出具有特定长度的特定路段的密度k。
[0070]
[数学公式4]
[0071][0072]
l表示特定路段的长度，a表示总体的平均车头间距μ的最小值，b表示总体的平均车头间距μ的最大值。
[0073]
当如数学公式4所示推导出特定路段的车辆密度时，可以估算多个路段的车辆密度，如下表所示。表1显示了对应于车辆密度的服务水平。
[0074]
[表1]
[0075][0076]
可以对应于车辆密度推导出不同的服务水平，从表1可以看出，交通量随着密度的降低而降低。
[0077]
尽管密度指标是用于识别交通状况的最客观的量度，但是存在不能在道路现场直接收集的限制。然而，在本发明的一些实施方案中，基于车头间距可以容易地实时测量车辆
密度。
[0078]
当这样估算车辆密度时，预测装置200利用估算的车辆密度来预测交通信息，即速度。
[0079]
为此，速度推导装置210将关于车辆密度的密度数据添加到与特定时间区间对应的速度数据中，构建表示与车辆密度相对应的至少一个速度数据的密度-速度模式数据，并推导出代表每个车辆密度的至少一个速度数据的代表性速度。
[0080]
如表2所示，速度推导装置210可以针对特定路段的过去的一周中的同一天和时间区间生成速度和密度数据。
[0081]
[表2]
[0082][0083][0084]
此外，除了如表3所示的现有的时间-速度模式之外，速度推导装置210还可以构建密度-速度模式数据，并计算每个服务水平的代表性速度。代表性速度可以计算为属于特定服务水平的速度的平均值。
[0085]
[表3]
[0086][0087]
如表3所示，基于速度推导装置210构建的数据，可以计算与密度相对应的速度，而不是现有的每个时间区间的速度，从而可以预测出基于车辆密度的速度。
[0088]
表3的密度-速度模式数据可以用图形表示。
[0089]
图5是用于示出本发明的一些实施方案的速度-密度关系的示意图。
[0090]
如图所示，当密度为服务水平d时，到前车的距离可以是60m，而当密度是服务水平b时，到前车的距离可以是100m。在如上所述的不同密度的情况下，当车辆速度为60km/h时，即使速度相同，交通情况也可能不同。由于速度偏差较大，且基于驾驶员的倾向产生速度差异，所以仅凭速度信息无法确定交通状况。然而，即使驾驶员以相同速度行驶，也可以基于车辆密度来识别交通状况，并且可以针对特定路段推导出与密度相对应的代表性速度。
[0091]
图6a、图6b、图6c和图6d为示出本发明的一些实施方案的基于密度来预测速度的方法的曲线图。
[0092]
速度预测装置220可以通过利用由速度推导装置210计算出的代表性速度来校正现有速度，更准确地预测特定时间区间中的速度。速度预测装置220可以基于预先构建的时间-密度模式、预先构建的时间-速度模式，以及密度-速度模式数据来预测当前时间点的车辆速度。
[0093]
图6a示出了现有的相同时间的时间-速度模式曲线图，其使用相同时间区间的模式速度，因此可能会出现与实时速度和过去模式速度之间的差异一样大的误差，该误差如图6a中的斜线部分所示。
[0094]
为防止这种情况，速度预测装置220可以从图6b中的预先构建的时间-密度模式推导出密度与过去模式的密度不同的实时时间点tl，以及与实时时间点tl相对应的密度kl。即，如图所示，可以看出在实时时间点t1基于过去模式的密度为19，但密度实际上为25。
[0095]
速度预测装置220可以利用如图6c所示的密度-速度模式曲线图推导出与密度25相对应的速度v1。如图6c中的密度-速度曲线图所示，可以识别出，当密度等于或小于14时，交通状况是平稳的，当密度在15和29之间时，交通状况是缓慢的，当密度等于或大于29时，交通状况是拥堵的。
[0096]
当推导出与实时密度相对应的速度时，速度预测装置220可以推导出与从图6d所示的时间-速度模式曲线图中推导出的速度相对应的修改的时间点，从而通过将时间-速度曲线图平移当前时间点与修改的时间点之间的差值δt来校正速度。由于时间-速度曲线图平移了δt，可以使现有误差最小化。可以看出，密度与现有密度不同的时间点的速度从56.7校正为43.8。
[0097]
综上所述，当实时测量的实时密度不符合时间-密度模式时，速度预测装置220可以基于密度-速度模式数据推导出与不符合时间-密度模式的第一时间点t1的第一实时密度kl相对应的第一车辆速度vl，从时间-速度模式推导出对应于第一车辆速度v1的第二时间点t2，并且将时间-速度模式平移第二时间点t2与第一时间点t1之间的差值。因为曲线图移动到与反映当前车辆密度的速度相对应的时间，所以更准确的速度预测成为可能。
[0098]
根据示例，这种速度预测装置220可以包括用于执行识别车辆密度与车辆速度之间的关系的深度学习建模的算法。即，速度预测装置220可以用能够通过识别密度与速度之间的关系来校正时间-速度模式的深度学习算法来实现。
[0099]
图7是示出本发明的一些实施方案的交通信息预测方法的控制流程图。结合图7，将本发明的一些实施方案的交通信息预测方法总结如下。
[0100]
首先，数据计算装置100可以利用安装在车辆上的多个传感器来推导出车辆间距、车头间距和车辆密度(s710)。
[0101]
车辆间距获取装置110可以从车辆的前部和后部传感器获取至前车和后车的各自
的车辆间距，车头间距计算装置120可以基于由车辆的摄像头获取的前车或后车的长度和车辆间距，计算到前车和后车的车头间距。
[0102]
车头间距计算装置120可以通过将到前车的车辆间距与前车的车辆长度相加来计算参考车辆与前车之间的车头间距，并且可以通过将到后车的车辆间距与参考车辆的车辆长度相加来计算参考车辆与后车之间的车头间距。
[0103]
在本发明的一些实施方案中，从一个探测器计算三个探测器的两个车辆间距数据和两个车头间距数据。
[0104]
此后，密度计算装置130可以基于车头间距计算车辆密度。
[0105]
具体地，密度计算装置130基于n个车头间距样本估算总体的平均车头间距，并计算特定路段的车辆密度。
[0106]
当推导出车辆密度时，速度推导装置210可以将关于车辆密度的密度数据添加到与特定时间区间相对应的速度数据，构建表示与车辆密度相对应的至少一个速度数据的密度-速度模式数据，并推导出代表每个车辆密度的至少一个速度数据的代表性速度(s720)。
[0107]
速度预测装置220可以基于预先构建的时间-密度模式、预先构建的时间-速度模式，以及密度-速度模式数据来预测当前时间点的车辆速度(s730)。
[0108]
当实时测量的实时密度不符合时间-密度模式时，速度预测装置220可以基于密度-速度模式数据推导出与不符合时间-密度模式的第一时间点的第一实时密度相对应的第一车辆速度。此后，速度预测装置220可以从时间-速度模式推导出对应于第一车辆速度的第二时间点，并将时间-速度模式平移第二时间点与第一时间点之间的差值，从而预测反映密度的速度。
[0109]
如上所述，本发明综述了通过车辆传感技术生成能够预测交通状况的密度数据的可能性，并提出了一种基于生成的密度来克服当前交通信息预测的局限性的方法。为此，基于车辆前部/后部传感器的车辆探测器数据构建密度数据，搜索具有相同密度的模式速度，并开发和应用模式校正逻辑。
[0110]
以上描述仅是对本发明的技术思想的说明，本领域技术人员可以在不脱离本发明的本质特征的情况下进行各种修改和改变。
[0111]
因此，本发明的一些实施方案并非旨在限制本发明的技术思想而是为了说明本发明，并且本发明的技术思想的范围不受本发明的实施方案限制。本发明的范围应理解为包含在所附权利要求的范围内，所有落入权利要求范围内的技术思想都应理解为包含在本发明的范围内。
[0112]
在本发明的一些实施方案中，提供了用于预测交通信息的设备和方法，其能够通过车辆之间的车辆间距数据客观地确定交通状况，并生成可以用于速度预测的附加变量(密度)。
[0113]
此外，在本发明的一些实施方案中，提供了用于预测交通信息的设备和方法，其能够基于统计技术进行可靠的密度估算。
[0114]
此外，在本发明的一些实施方案中，提供了用于预测交通信息的设备和方法，其能够通过提供基于密度的模式速度来推导出相同交通状况下的行驶速度。
[0115]
此外，在本发明的一些实施方案中，提供了用于预测交通信息的设备和方法，其能够基于当前密度状态确定交通状况的连续性并开发用于未来交通信息的预测模型。
[0116]
因此，可以利用深度学习模型来识别密度和速度之间的关系，而不是通过简单计算相同密度的行驶速度，基于实时密度数据预测行驶速度的技术可以利用每个交通状况的密度的客观性进行改进。
[0117]
此外，可以提供通过本文件直接或间接识别的各种效果。
[0118]
在上文中，虽然通过本发明的一些实施方案和附图对本发明进行了描述，但本发明不限于此，而是可以由本发明所属领域的技术人员在不脱离所附权利要求所要求保护的本发明的精神和范围的情况下进行各种修改和改变。