本发明涉及一种基于交通数据分析的交通状态模式预测系统及其预测方法，尤其是一种以各道路区段的历史交通数据为基础修正所估计出来的交通量数据后以最佳方式预测未来交通状态模式的系统及其预测方法。
背景技术：
在背景技术中记载的事项用于增进对发明背景的理解，其可能会包括下列事项，亦即，该事项不是该技术所属领域中具备通常知识者所知的现有技术。
现有的交通信息供应系统是一种用于收集特定交通信息的设备装置，其利用各种仪器，例如，让电流经过埋设于道路上的圆形导线后车辆移动时根据磁束变化量所导致的剩余量掌握车辆速度的电磁式车辆检测器、安装在道路上的闭路电视(cctv)镜头或安装在道路上的速度探测器等。现有的交通信息供应系统利用通过上述仪器收集的交通信息控制信号灯或者以无线或有线方式为用户提供道路上的信息，并且实时收集交通信息后传递给用户。
而且，近来随着携带移动通信终端的用户增加而出现了利用移动通信终端的各种内容服务。该内容服务中的一项服务是从行驶中车辆内部所具备的移动通信终端接收出发地及目的地信息后以无线方式告知从出发地到目的地的最短路径。例如，用户以语音或短信形态把出发地名及目的地名输入移动通信终端或独立的导航仪终端后，生成从出发地到目的地的路径信息并且以语音、短信、信号音之类的方式提供给驾驶人。
但是现有的交通疏通信息供应服务无法以各道路区段的历史交通数据为基础准确地实时预测特定时点的特定道路的交通状态。而且，不仅无法优化各道路区段的信号周期，更不能优化多个道路区段所隶属的都市区域单位的信号周期。
现有技术文献
专利文献1：韩国公开专利公报第2006-0037481号(2007.03.28.公告)
技术实现要素：
本发明旨在解决上述现有技术的问题，本发明的目的是提供一种交通状态模式预测系统及其预测方法，其能够在特定时点以存储在云服务器的各道路区段的历史交通数据为基础准确地实时预测特定道路的交通状态。
而且，本发明的另一个目的是提供一种交通状态模式预测系统及其预测方法，其不仅优化各道路区段的信号周期，还能进一步优化多个道路区段所隶属的都市区域单位的信号周期。
根据本发明一个实施例的基于交通数据分析的交通状态模式预测系统包括：排队长度估计单元，从云服务器接收安装在第一交叉路上的第一信标(beacon)或能够测出第一交叉路上等候中车辆的排队长度的传感器或者安装在邻近第一交叉路的第二交叉路上的第二信标或能够测出第二交叉路上等候中车辆的排队长度的传感器所测量的第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息，根据第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息针对进入第一交叉路后还没有经过第二交叉路的车辆的排队长度进行估计；交通量估计单元，利用估计出来的排队长度求得第一交叉路与第二交叉路之间的各道路区段的交通量密度后估计交通量；交通量修正单元，以存储在云服务器的各道路区段的历史交通数据为基础修正所估计出来的交通量数据；及交通状态信息运算单元，针对修正的交通量数据适用数据挖掘及模式匹配法算出各时段各道路区段的交通状态模式及交通量分流率。
在此，第一信标或能够测出第一交叉路上等候中车辆的排队长度的传感器及第二信标或能够测出第二交叉路上等候中车辆的排队长度的传感器通过和车辆内的搭乘人员便携式终端的无线通信检测车辆经过第一交叉路或第二交叉路的时间及经过第一交叉路或第二交叉路的车辆的速度。
而且，排队长度估计单元针对车辆速度从预设速度以上降低到低于预设速度的道路区段的特定地点进行识别后估计车辆排队长度。
而且，历史交通数据是根据特定时段与特定道路区段的行驶速度及行驶时间。
而且，交通量修正单元分析历史交通数据的模式，对于没有收集的道路区段及没有收集的时段的交通数据以该道路区段及时段的历史交通数据加以修正。
而且，交通状态信息运算单元从计算出来的各道路区段的交通状态模式及交通量分流率求得基于机器学习的第一交叉路或第二交叉路的实时信号周期。
而且，交通量分流率是相对于流入各道路区段的交通量的右转交通量比率、左转交通量比率及直行交通量比率。
而且，交通量修正单元凭借着估计出来的交通量数据与各道路区段的历史交通数据的模式匹配以相似度最高的各道路区段的历史交通数据修正所估计出来的交通量数据。
而且，交通量修正单元算出估计出来的交通量数据与各道路区段的历史交通数据之间的欧氏距离，再以计算出来的欧氏距离算出相似度的值。
根据本发明一个实施例的基于交通数据分析的交通状态模式预测方法，其为利用基于交通数据分析的交通状态模式预测系统的交通状态模式预测方法，包括下列步骤：安装在第一交叉路上的第一信标或能够测出第一交叉路上等候中车辆的排队长度的传感器或者安装在邻近第一交叉路的第二交叉路上的第二信标或能够测出第二交叉路上等候中车辆的排队长度的传感器测量第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息后发送给云服务器；从云服务器接收第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息后针对进入第一交叉路后还没有经过第二交叉路的车辆的排队长度进行估计；利用估计出来的排队长度求得第一交叉路与第二交叉路之间的各道路区段的交通量密度后估计交通量；以存储在云服务器的各道路区段的历史交通数据为基础修正所估计出来的交通量数据；及针对修正的交通量数据适用数据挖掘及模式匹配法后算出各时段各道路区段的交通状态模式及交通量分流率。
根据本发明，能够在特定时点以存储在云服务器的各道路区段的历史交通数据为基础准确地实时预测特定道路的交通状态。
根据本发明，其不仅优化各道路区段的信号周期，还能进一步优化多个道路区段所隶属的都市区域单位的信号周期。
附图说明
图1是用来说明根据本发明一个实施例的基于交通数据分析的交通状态模式预测系统的道路状况概略图。
图2是根据本发明一个实施例的基于交通数据分析的交通状态模式预测系统的组织图。
图3是用来说明根据本发明一个实施例的欧氏距离计算的概略图。
图4是示出根据本发明一个实施例的道路区段及历史交通数据的画面。
图5是示出根据本发明一个实施例的相对于时间的车辆速度画面。
图6是用来说明根据本发明一个实施例的交通量分流率的概略图。
图7是示出根据本发明一个实施例的以网为单位的多重交叉路交通数据的画面。
图8是根据本发明一个实施例的基于交通数据分析的交通状态模式预测方法的流程图。
附图标记的说明
10：第一信标或能够测出第一交叉路上等候中车辆的排队长度的传感器
20：第二信标或能够测出第二交叉路上等候中车辆的排队长度的传感器
30：云服务器
100：排队长度估计单元
200：交通量估计单元
300：交通量修正单元
400：交通状态信息运算单元
具体实施方式
结合附图详细说明的后述实施例将有助于明确了解本发明的优点、特征及其实现方法。但，本发明不限于下面所揭示的实施例，本发明可以通过各种互不相同的形态实现，本实施例只是有助于本发明的完整揭示，其主要目的是向本发明所属领域中具有通常知识者完整地说明本发明的范畴，本发明的范畴只能由权利要求书定义。
图1是用来说明根据本发明一个实施例的基于交通数据分析的交通状态模式预测系统的道路状况概略图。
本发明一个实施例的交通状态模式指的是诸如交通混杂与危险类型及危险率。
请参阅图1，道路上有第一交叉路与第二交叉路，在第一交叉路与第二交叉路之间则有车辆经过或排队等候。而且，第一交叉路与第二交叉路各自配置第一信标或能够测出第一交叉路上等候中车辆的排队长度的传感器10与第二信标或能够测出第二交叉路上等候中车辆的排队长度的传感器20，第一信标或传感器10与第二信标或传感器20以无线通信连接云服务器30cloudserver，云服务器30则以无线通信方式连接到交通状态模式预测系统，因此交通状态模式预测系统可以从云服务器30接收第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息。
为了和第一信标或能够测出第一交叉路上等候中车辆的排队长度的传感器10或者第二信标或能够测出第二交叉路上等候中车辆的排队长度的传感器20进行无线通信而需要在便携式终端安装交通状态模式预测应用程序app。便携式终端可以使用诸如智能手机、平板电脑、pc等任何便携式终端。
车辆的搭乘人员携带便携式终端，当车辆经过第一交叉路后经过第二交叉路的话，第一信标10或传感器通过和车辆内的搭乘人员便携式终端的无线通信检测车辆经过第一交叉路的时间及经过第一交叉路的车辆的速度。而且，第二信标20或传感器通过和车辆内的搭乘人员便携式终端的无线通信检测车辆经过第二交叉路的时间及经过第二交叉路的车辆的速度。
车辆没有经过第二交叉路而等待时第二信标20或传感器无法检测车辆经过第二交叉路的时间及经过第二交叉路的车辆的速度。此时，可以针对车辆等候时的排队长度进行估计，排队长度则可以从第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息估计出来。车辆在经过第二交叉路之前等候的话速度会逐渐降低，车辆速度信息可用于排队长度的估计。图1的x表示和第一交叉路的间隔距离，v表示车辆的速度。从图1可知，车辆经过第一交叉路后速度急剧降低并且在特定地点a的速度减少率缓和。
图2是根据本发明一个实施例的基于交通数据分析的交通状态模式预测系统的组织图。请参阅图1及图2，基于交通数据分析的交通状态模式预测系统可以包括排队长度估计单元100、交通量估计单元200、交通量修正单元300及交通状态信息运算单元400。
排队长度估计单元100从云服务器30接收安装在第一交叉路上的第一信标或能够测出第一交叉路上等候中车辆的排队长度的传感器10或者安装在邻近第一交叉路的第二交叉路上的第二信标或能够测出第二交叉路上等候中车辆的排队长度的传感器20所测量的第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息。在此，第一信标10或传感器及第二信标20或传感器通过和车辆内的搭乘人员便携式终端的无线通信检测车辆经过第一交叉路或第二交叉路的时间及经过第一交叉路或第二交叉路的车辆的速度。第一信标10或传感器或者第二信标20或传感器通过v2i(车辆与基础设施之间的通信：vehicletoinfrastructure)通信从便携式终端接收车辆经过时间信息并且通过m2c通信从便携式终端接收车辆速度信息。
而且，排队长度估计单元100根据第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息估计进入第一交叉路后还没有经过第二交叉路的车辆的排队长度。此时，排队长度估计单元100识别出车辆速度从预设速度以上降低到低于预设速度的道路区段的特定地点(图1的a)后估计车辆的排队长度。排队长度的估计方式不限于此。
交通量估计单元200利用排队长度估计单元100所估计出来的排队长度求得第一交叉路与第二交叉路之间的各道路区段的交通量密度后估计交通量。
交通量修正单元300以存储在云服务器的各道路区段的历史交通数据大数据为基础修正交通量估计单元200所估计出来的交通量数据。如前所述地以历史交通数据为基础修正所估计出来的交通量数据的理由在于，需要把气象之类的外部影响(externalforce)及数据收集硬件(hardware)的非完整性所导致的交通数据反映到所估计出来的交通量数据上。凭此，能够对没有获取的道路特定地点及特定时段的交通数据进行修正。历史交通数据包括特定时段与特定道路区段的行驶速度及行驶时间，但不限定于此。
而且，云服务器30所储存的各道路区段的历史交通数据大数据会随着时间经过而日益变成庞大的数据，因此能更加准确地修正所估计出来的交通量数据。如前所述地能够更加准确地修正所估计数据的理由在于利用了云服务器30，其解决了无法储存庞大数据的现有问题。
交通量修正单元300分析诸如交通混杂与危险类型及危险率之类的历史交通数据的模式，对于没有收集的道路区段及没有收集的时段的交通数据以该道路区段及时段的历史交通数据加以修正。具体地说，交通量修正单元300凭借着估计出来的交通量数据与各道路区段的历史交通数据的模式匹配以相似度最高的各道路区段的历史交通数据修正所估计出来的交通量数据。此时，交通量修正单元300算出所估计出来的交通量数据与各道路区段的历史交通数据之间的欧氏距离(euclideandistance)，再以计算出来的欧氏距离算出相似度的值。
交通状态信息运算单元400对于交通量修正单元300所修正的交通量数据适用数据挖掘(datamining)及模式匹配法(patternmatchingmethod)后算出各时段各道路区段的交通状态模式及交通量分流率。而且，交通状态信息运算单元400从计算出来的各道路区段的交通状态模式及交通量分流率求得基于机器学习(machinerunning)的第一交叉路或第二交叉路的实时信号周期。机器学习是一种针对数据生成、量、周期、形式等庞大的大数据进行分析后预测未来的技术，由于其属于已知方式，因此这里将省略其详细说明。实时信号周期是蓝色信号灯亮灯后蓝色信号灯重新亮灯为止的周期或者红色信号灯亮灯后红色信号灯重新亮灯为止的周期。交通量分流率是相对于流入各道路区段的交通量的右转交通量比率、左转交通量比率及直行交通量比率。
图3是用来说明根据本发明一个实施例的欧氏距离计算的概略图。请参阅图3，可以得知从表示主题数据(subjectdata)的估计出来的交通量数据与各道路区段的历史交通数据(historicaldata)算出欧氏距离的方法。
主题数据及各道路区段的历史交通数据中显示成“x”的部分是估计出来的交通量数据的缺失数据(missingdata)。欧氏距离对于主题数据或各道路区段的历史交通数据中显示成“x”的部分以“x”显示。图3显示了两种案例(case1，case2)，可以得知其按照该原理计算了欧氏距离。
图4是示出根据本发明一个实施例的道路区段及历史交通数据的画面。请参阅图4，图4显示了道路区段与历史交通数据。
左边图形中以直角形显示的部分是相邻的2个交叉路之间的道路区段，右边数据是具有基于特定时段(time_period)与特定道路区段(linknumber)的行驶速度(linkspeed(km/h))及行驶时间(linktravel_time(s))的历史交通数据。特定时段预设为以5分钟为单位，但不限定于此。道路区段划分成1～6等6个，左边的图形把各个道路区段划分成link(区段)1、link2、link3、link4、link5、link6。
8点30分～8点35分中在1号道路区段的行驶速度为19km/h而行驶时间则是28(s)。这里虽然把特定时段设定为以5分钟作为单位，但并不限定于此。
图5是示出根据本发明一个实施例的相对于时间的车辆速度画面。请参阅图5，可以得知特定道路区段中随着时间经过而发生的车辆速度变化。
红色表示车辆速度预测值，蓝色则表示实测值。
图6是用来说明根据本发明一个实施例的交通量分流率的概略图。请参阅图6，显示了道路区段(连接道路(roadlink))1、2、3处的流入交通量、右转交通量比率a、左转交通量比率β及直行交通量比率γ。
由图可知，道路区段1中流入交通量是1000，右转交通量比率a、左转交通量比率β及直行交通量比率γ各为0.3、0.2、0.5，道路区段2中流入交通量是800，右转交通量比率a、左转交通量比率β及直行交通量比率γ各为0.7、0.1、0.2，道路区段3中流入交通量是500，右转交通量比率a、左转交通量比率β及直行交通量比率γ各为0.5、0.3、0.2。
因此，右转交通量比率a在道路区段2最高，左转交通量比率β在道路区段3最高，直行交通量比率γ则在道路区段1最高。
图7是示出根据本发明一个实施例的以网(network)为单位的多重交叉路交通数据的画面。请参阅图7，各个交叉路以不同颜色显示，各自显示了车辆速度。
由图可知，从绿色越靠近红色，车辆速度越高。凭此，车辆驾驶人能够迅速掌握车辆速度顺畅的路径后朝所需目的地行驶。
如前所述的以网为单位的道路中一个网可以设定成多个子网，子网可以由多个交叉路构成。以高速公路为例，子网可以设定为良才ic-大田ic区段、大田ic-北大邱ic等交通流动变化较大的区段。
图8是根据本发明一个实施例的基于交通数据分析的交通状态模式预测方法的流程图。请参阅图1、图2及图8，基于交通数据分析的交通状态模式预测方法利用图2的交通状态模式预测系统而且该方法如下所述。关于各步骤的详细说明将参阅上述图1及图2。
首先，安装在第一交叉路上的第一信标10或能够测出第一交叉路上等候中车辆的排队长度的传感器或者安装在邻近第一交叉路的第二交叉路上的第二信标20或能够测出第二交叉路上等候中车辆的排队长度的传感器测量第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息(s100)后发送给云服务器30(s100′)。
在步骤(s100′)之后，云服务器30储存收自第一信标10或传感器或者第二信标20或传感器的第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息(s200)。
在步骤(s2oo)之后，排队长度估计单元100从云服务器30接收第一交叉路或第二交叉路的车辆经过时间信息及车辆速度信息(s200′)，然后针对进入第一交叉路后还没有经过第二交叉路的车辆的排队长度进行估计(s300)。
在步骤(s300)之后，交通量估计单元200接收排队长度估计单元100所估计出来的排队长度(s300′)，利用估计出来的排队长度求得第一交叉路与第二交叉路之间的各道路区段的交通量密度后估计交通量(s400)。
在步骤(s400)之后，交通量修正单元300接收交通量估计单元200所估计出来的交通量数据(s400')，然后以云服务器30所储存的各道路区段的历史交通数据为基础修正所估计出来的交通量数据(s500)。
在步骤(s500)之后，交通状态信息运算单元400接收交通量修正单元300所修正的交通量数据(s500′)，在修正的交通量数据上适用数据挖掘及模式匹配法而算出各时段各道路区段的交通状态模式及交通量分流率(s600)。
前文为了增进了解而结合附图所示实施例详细说明了本发明的实施例，但其仅为例示，本发明所属领域中具有通常知识者当知，可由此实行各种变化及等值范围的其它实施例。因此，本发明的真正技术保护范围应该由权利要求书界定。