车辆速度预测装置及利用该装置的预测方法与流程

车辆速度预测装置及利用该装置的预测方法
1.与相关申请的交叉引用
2.本技术要求于2020年12月8日在韩国知识产权局提出的韩国专利申请no.10-2020-0170853的权益，其全部内容通过引用纳入本文中。
技术领域
3.本发明涉及一种车辆速度预测装置及利用该装置的预测方法，更具体地，涉及一种基于深度学习的每个车道的车辆速度预测装置和利用该装置的车辆速度预测方法。


背景技术：

4.通常，可以通过利用相应点(空间范围)过去直到“a”分钟(时间范围)的速度数据来预测未来“b”分钟后的速度值的方式来预测交通速度。在本说明书中，交通速度是指车辆在道路上行驶的速度，可以通过利用探测器(车辆)穿过一般路段(道路区间，其为道路的最小单位)的平均速度来收集交通速度。也就是说，可以通过穿过路段的所有探测器的行驶时间和行驶距离来计算交通速度。
5.另一方面，当拥堵持续的连续的一般路段称为每个车道的路段时，由于路段的长度较长，可能会频繁出现仅穿过路段一部分的探测器，并且难以为每个车道以每个车道的路段为单位收集速度。换句话说，拥堵持续的每个车道的速度具有比一般路段速度更低的探测器收集率，因此可靠性降低。
6.当每个车道的路段速度不是这样生成时，利用过去相同时间段内收集的模式速度来预测速度。然而，因为过去的模式速度不能反映当前的交通状况，所以由于实时性较低而准确性较低。这会导致不准确的到达时间预测并且降低用户满意度。
7.相应地，需要在没有收集到每个车道的速度时，提高反映实际交通状况的预测每个车道的速度和预测到达时间的准确性。


技术实现要素：

8.本发明的一个方面提供了一种用于每个车道的车辆速度预测装置和车辆速度预测方法，其能够有效地为每个车道预测反映实时交通状况的准确车辆速度。
9.本发明的一个方面提供了一种用于每个车道的车辆速度预测装置和车辆速度预测方法，其通过利用没有归类为出口车道的车道速度的实时速度来应用深度学习模型，该深度学习模型配置为学习每个出口车道的速度关系。
10.本发明的一个方面提供了一种用于每个车道的车辆速度预测装置和车辆速度预测方法，其执行将表示交通状况的不同类型的数据转换成适合于深度学习模型的数据的预处理。
11.本发明所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通过以下描述将清楚地理解本文中未提及的任何其他技术问题。
12.根据本发明的一个方面，一种车辆速度预测装置包括数据预处理器和深度学习建
模装置，数据预处理器对用于深度学习的正确答案数据和输入数据执行预处理，深度学习建模装置配置为基于每个路段的代表速度、收集到的探测器数量和收集时间来学习对于每个出口车道的车道速度的关系。
13.在一个实施方案中，深度学习建模装置可以配置为利用全连接模型进行学习，该模型可以包括一个或更多个输入层、一个或更多个隐藏层以及一个或更多个输出层，可以将与每个路段的代表速度、收集到的探测器数量和收集时间相关联的向量输入到一个或更多个输入层，并且一个或更多个输出层可以输出在同一时间点行驶在每个车道的路段的探测器的速度。
14.在一个示例中，一个或更多个隐藏层可以由通过优化过程获得的预定单元组成，并且深度学习建模装置可以对每层应用归一化过程，用于调整构成单元的值的比例。
15.在一个示例中，深度学习建模装置可以对每层以预定的比率应用丢弃技术，用于将单元的一些信息降至“0”。
16.在一个示例中，代表要学习的每个车道的区间的每个车道的路段可以包括：无方向性的队列路段、出口车道之前的起始路段以及多个出口路段(终止路段1、终止路段2
……
)，每个路段的代表速度可以包括队列路段的速度和起始路段的速度，每个出口车道的车道速度可以包括每个出口路段的速度。
17.在一个示例中，数据预处理器可以包括正确答案数据预处理器和输入数据预处理器，正确答案数据预处理器将在出口时间收集到的、通过在每个车道的所有路段行驶而获得的探测器轨迹数据转换为基于入口时间的数据，并且以预设的参考时间单位对转换后的数据执行调和平均处理，输入数据预处理器以预设的参考时间单位对每个路段的代表速度执行调和平均处理。
18.在一个示例中，正确答案数据预处理器可以根据一天除以预设的参考时间单位的时间段，基于在一个时间段内行驶的所有探测器的行驶距离的总和以及行驶时间的总和来获得每个车道的代表速度。
19.在一个示例中，输入数据预处理器可以以时间段为单位执行每个路段的代表速度的调和平均处理，并且可以以时间段为单位获得经调和平均处理后的每个路段的代表速度。
20.在一个示例中，数据预处理器可以对每个路段的代表速度、收集到的探测器数量、收集时间以及每个出口车道的车道速度的比例执行最小值-最大值归一化处理。
21.在一个示例中，当关于每个路段的代表速度、收集到的探测器数量和收集时间的数据缺失时，数据预处理器可以利用预设值作为缺失的数据，并且关于每个路段的代表速度的缺失的数据可以包括第一特定值，关于收集到的探测器数量的缺失的数据可以包括第二特定值，以及关于收集时间的缺失的数据可以包括预设的参考时间的索引信息。
22.根据本发明的一个方面，一种车辆速度预测方法包括数据预处理步骤和深度学习建模步骤，数据预处理步骤对用于深度学习的正确答案数据和输入数据执行预处理，深度学习建模步骤基于每个路段的代表速度、收集到的探测器数量和收集时间来学习对于每个出口车道的车道速度的关系。
附图说明
23.通过随后结合附图所呈现的详细描述，本发明的以上和其它目的、特征以及优点将更显然，其中：
24.图1是根据本发明的实施方案的车辆速度预测装置的控制框图；
25.图2a和图2b是示出根据本发明的实施方案的深度学习建模的示意图，其中，图2a示出深度学习结构，图2b示出用于深度学习的每个车道预测问题；
26.图3是示出根据本发明的实施方案的每个车道的路段的示意图；
27.图4是示出根据本发明的实施方案的用于验证深度学习建模的目标区域的示意图；
28.图5是比较根据本发明的实施方案的深度学习建模与现有的模式速度替换方法之间的误差的表图，其中，
①
广文高十字路口(三个方向的转弯)，
②
新沙站十字路口(极端拥堵区间)，
③
东部炼钢入口十字路口(许多队列路段)，
④
沙平-大路盘浦ic入口区间(高速公路入口)；
29.图6是比较根据本发明的实施方案的深度学习建模与现有的模式速度替换方法之间的收集率的表图，其中，
①
广文高十字路口(三个方向的转弯)，
②
新沙站十字路口(极端拥堵区间)，
③
东部炼钢入口十字路口(许多队列路段)，
④
沙平-大路盘浦ic入口区间(高速公路入口)；
30.图7a和图7b是比较根据本发明的实施方案的深度学习建模与现有的模式速度替换方法之间的行驶预测时间的表图；以及
31.图8是根据本发明的实施方案的车辆速度预测方法的控制流程图。
具体实施方式
32.应当理解，本文所使用的术语“车辆”或“车辆的”或其它类似术语一般包括机动车辆，例如包括运动型多用途车辆(suv)、大客车、大货车、各种商用车辆的乘用车辆，包括各种舟艇、船舶的船只，航空器等，并且包括混合动力车辆、电动车辆、插电式混合动力电动车辆、氢动力车辆以及其它替代性燃料车辆(例如，源于非石油能源的燃料)。如本文所提到的，混合动力车辆是具有两种或更多动力源的车辆，例如汽油动力和电力动力两者的车辆。
33.本文所使用的术语仅为了描述特定实施方案的目的，并不旨在限制本发明。如本文所使用的，单数形式“一”、“一个”和“所述”旨在也包括复数形式，除非上下文另有清楚的说明。还将理解，当在本说明书中使用术语“包括”和/或“包括了”时，指明存在所述特征、数值、步骤、操作、元件和/或组件，但是不排除存在或加入一种或更多种其它的特征、数值、步骤、操作、元件、组件和/或其群组。如本文所使用的，术语“和/或”包括一种或多种相关列举项目的任何和所有组合。在整个说明书中，除非明确地相反描述，否则词语“包括”和变化形式例如“包括有”或“包括了”应被理解为暗示包含所述元件但是不排除任何其它元件。此外，在说明书中描述的术语“单元”、“器件”、“部件”和“模块”意为用于处理至少一个功能和操作的单元，并且可以由硬件组件或者软件组件以及它们的组合来实现。
34.此外，本发明的控制逻辑可以实施为计算机可读介质上的非易失性计算机可读介质，其包含由处理器、控制器等执行的可执行程序指令。计算机可读介质的示例包括但不限于rom、ram、光盘(cd)-rom、磁带、软盘、闪盘驱动器、智能卡和光学数据存储装置。计算机可
读介质还可以分布在网络联接的计算机系统中，使得计算机可读介质例如通过远程信息处理服务器或控制器局域网络(controller area network，can)以分布方式存储和执行。
35.在下文中，将通过附图对本发明的一些实施方案进行详细描述。在给每幅图的元件添加附图标记时，应当注意的是，即使它们在不同的附图上被指示，相同的元件也尽可能被分配相同的附图标记。此外，在描述本发明的实施方案时，如果确定出相关已知的配置或功能的详细描述会干扰对本发明的实施方案的理解，那么将省略对其的详细描述。
36.在描述本发明的实施方案的组件时，可以使用诸如第一、第二、a、b、(a)、(b)等术语。这些术语仅仅用于将元件与其它元件区分开，并且这些术语不限制元件的本质、顺序或次序。此外，除非另有定义，否则本文利用的所有术语，包括技术术语或科学术语，都具有与本发明所属领域的技术人员通常所理解的相同的含义。诸如在常用词典中定义的那些术语应该解释为具有与其在相关技术的语境中的含义一致的含义，并且将不应解释为理想化的或过于正式的含义，除非在本技术中明确定义。
37.在下文中，将参考图1至图8详细描述本发明的实施方案。
38.本发明涉及一种深度学习模型，当在提供指定车道的路段的速度的过程中缺失速度时，该深度学习模型通过学习实时速度、收集数量和具有高收集率的一般路段提供的时间的关系来预测每个车道的准确速度。下面将参考附图描述用于执行这样的深度学习建模的速度预测装置和利用该装置的方法。
39.图1为根据本发明的实施方案的车辆速度预测装置的控制框图。
40.如图1所示，车辆速度预测装置可以包括数据预处理器100和深度学习建模装置200，数据预处理器100对用于深度学习的正确答案数据和输入数据进行预处理，深度学习建模装置200基于每个路段的代表速度、收集到的探测器数量以及收集时间来学习每个出口车道的车道速度的关系。
41.车辆速度预测装置可以包括具有一个或更多个隐藏层的深度神经网络，即能够执行深度学习建模的算法，如图2a至图2b所示，并且车辆速度预测装置可以用能够执行算法的装置来实现。
42.具体地，根据本实施方案的车辆速度预测装置试图通过利用最近在各个领域呈现出色性能的深度学习(见图2a)来解决对每个车道的预测问题。深度学习可以利用深度神经网络来学习输入数据和输出数据之间的非线性关系，利用深度神经网络容易地同时输入各种类型的数据。因为模型可以自己学习每个数据的关系，因此深度学习可以有效地获得用户所期望的预测值。
43.根据一个示例，深度学习建模装置200可以利用全连接模型进行学习，并且该模型可以包括一个或更多个输入层、一个或更多个隐藏层(例如，6个隐藏层)以及一个或更多个输出层。
44.在另一方面，图3是示出根据本发明的实施方案的每个车道的路段的示意图。
45.如所示，每个车道的路段指示作为学习对象的每个车道的区间，每个车道的路段可以包括具有无方向性的队列路段(queue link)、出口车道(exit lane)之前的起始路段(from link)以及多个出口路段(exit links)(“终止路段1(to link 1)”、“终止路段2(to link 2)
”……
)。
46.在一个实施方案中，通过深度学习建模为每个出口路段(“终止路段1”、“终止路段2”……
)预测车辆速度，并且包括每个路段速度的车辆速度可以定义为每个车道的速度或每个出口车道的速度。
47.如图2b所示，可以将每个路段的代表速度(实时代表速度)、收集到的探测器数量(收集到的样本数量)和收集时间输入到输入层，并且对于每个车道在同一时间处探测器在路段上行驶的速度(即，每个车道的实时速度)可以从输出层获得。
48.具体地，输入层设计为具有(队列路段 起始路段的数量)
×
3的维度，并且关于每个路段的代表速度、收集到的探测器数量和收集时间的向量，例如，每个一般路段的向量[路段速度，探测器收集数量，入口时间]可以添加到一行中以形成输入向量。
[0049]
路段速度是基于队列路段和起始路段的速度，收集数量可能意味着进入相应的时间段(time slot)的探测器数量。
[0050]
此外，根据一个示例，通过实验优化过程，隐藏层可以由[64、128、128、128、64、32]组成。
[0051]
深度学习建模装置200可以对每层应用批归一化(batch normalization)，调整各个隐藏层的值的比例，使其不向任一侧倾斜，并且可以对每层应用丢弃(drop out)技术，在学习过程中，以预定的比率将单元的一些信息降至“0”，这样学习就不会集中在学习数据上。预定的比率可以设置为大约15％。
[0052]
此外，深度学习建模装置200可以设计建模以将广泛使用的relu函数应用为激活函数，并且可以使用adam优化器作为优化算法来执行模型优化。
[0053]
相应地，深度学习建模装置200可以同时接收队列路段和起始路段中每个路段的代表速度、收集到的探测器数量以及收集到的时间的信息，并且可以预测每个车道的速度。
[0054]
因为如上所述每个车道的速度是根据出口车道生成的，所以通过利用不具有方向性的每个队列路段的代表速度，可以设计为学习直行(主车道)、右转(出口车道1)和左转(出口车道2)之间的关系。深度学习建模装置200可以学习每个车道的速度、收集数量、入口时间和每个车道的速度之间的关系。
[0055]
另一方面，根据本实施方案的数据预处理器100可以包括正确答案数据预处理器120和输入数据预处理器110，正确答案数据预处理器120将在出口时间收集到的、通过在每个车道的所有路段行驶而获得的探测器轨迹数据转换为基于入口时间的数据，并且以预设的参考时间单位对转换后的数据执行调和平均处理(例如，聚合)，输入数据预处理器110以预设的参考时间单位对每个路段的代表速度执行调和平均处理。
[0056]
正确答案数据预处理器120可以根据一天除以预设的参考时间单位的时间段，基于在一个时间段内行驶的所有探测器的行驶距离的总和以及行驶时间的总和，获得每个车道的代表速度。
[0057]
正确答案数据可以利用通过行驶每个车道的所有路段收集到的探测器轨迹数据来获得，并且这样的探测器轨迹数据可以收集作为对应于路段的实际行驶距离和所需时间。因为基于出口时间记录所有收集到的数据，所以正确答案数据预处理器120可以通过从出口时间减去所需时间，将收集到的数据转换为与入口时间对应的数据。
[0058]
例如，因为通过将每天1440分钟除以5分钟的增量来设置288个时间段，并且基于入口时间，通过将在一个时间段内行驶的所有探测器的行驶距离的总和除以行驶时间的总和以获得调和平均数，可以计算每个出口路段的代表速度，即每个车道(每个转弯方向)的
代表速度。计算出的代表速度作为相应时间段的正确答案数据。
[0059]
输入数据预处理器110可以以时间段为单位执行每个路段的代表速度的调和平均处理，并且可以以时间段为单位获得经调和平均处理后的每个路段的代表速度。
[0060]
在一个实施方案中，可以利用构成每个车道的路段的一般路段的实时速度路段来获得输入数据。一般路段的实时速度是通过以一分钟为单位、以在相应的区间内行驶的探测器的中值进行计算校正后收集到的速度。输入数据预处理器110以与5分钟对应的时间段为单位对收集到的信息进行调和平均处理，并获得每个时间段的代表速度。
[0061]
数据预处理器100可以对每个路段的代表速度、收集到的探测器数量、收集时间以及每个出口车道的车道速度的比例执行最小值-最大值归一化。
[0062]
因为作为输入数据输入到学习层的三种类型数据(即，速度、样本数量和入口时间)的比例不同，所以需要进行归一化处理。数据预处理器100利用用于输入数据/正确答案数据的所有速度数据的最大值和最小值，以相同比例对于最小值-最大值进行归一化，并且可以通过利用已进入相应时间段的所有探测器数量的最大值和最小值对收集数量执行最小值-最大值归一化。此外，入口时间信息可以转换为对应时间的288个时间段的索引，并且可以进行最小值-最大值归一化处理。
[0063]
可以基于这样预处理的输入数据和输出数据来配置学习数据，并且本实施方案通过实验优化选择批尺寸(batch size)为32。
[0064]
全部数据集被随机混合并且验证为5-交叉验证集，以及最大迭代次数(epoch)值被选择为1000。
[0065]
另一方面，根据本实施方案的数据预处理器100可以在关于每个路段的代表速度、收集到的探测器数量和收集时间的数据缺失时利用预设值作为缺失的数据。
[0066]
可以仅在收集正确答案数据(探测器轨迹数据)时配置学习数据，并且可以在收集正确答案数据时通过对输入数据缺失的值的处理来配置学习数据，除了缺失了任何输入数据(一般路段的实时速度)。通过对缺失的数据补偿，可以确保更多的学习数据，并且可以提高学习的准确性。
[0067]
与每个路段的代表速度相关联的缺失的数据可以设置为第一特定值。
[0068]
作为一个具体的示例，当输入数据缺失时，通过将缺失的速度值选择为-1、-9999和0作为实验的结果，因为-1的学习结果具有最高的学习准确性，所以根据一个示例，与每个路段的代表速度相关联的缺失的数据可以设置为-1。
[0069]
数据预处理器100可以通过利用-1的一般路段速度值、0的探测器收集的数量以及与缺失的输入数据相关联的相应入口时间段索引信息来配置输入数据。
[0070]
在下文中，将描述用于验证根据本实施方案的深度学习建模的有效性的实验示例。
[0071]
将与每个车道的路段探测器相关联的收集速度数据和一般路段的实时代表速度数据设置为利用数据，将首尔的四个空间限制为空间范围，将从2020年1月10日到2020年3月31日的时间限制为时间范围。5分钟聚合可以学习到的样本数为23616个。
[0072]
为了验证建模，将全部数据一分为五，分为训练集和测试集，并利用五次交叉验证来评估每个测试集的准确率平均值。
[0073]
此外，可以通过在epoch中应用早停函数(early stop function)来缩短学习时
间，其中，通过利用训练集的一部分作为验证集来保证验证集的准确性。
[0074]
图4是示出根据本发明的实施方案的用于验证深度学习建模的目标区域的示意图。
[0075]
如图4所示，为了验证预测模型，选择了全部4个区间：1.新沙站十字路口(江南区新沙洞)、2.广文高十字路口(江东区高德洞)、3.东部炼钢入口十字路口(九老区梧柳洞)以及4.沙平-大路盘浦ic入口区间(瑞草区盘浦洞)。
[0076]
每个区间可以包括道路的特殊性，例如，新沙站十字路口具有极端拥堵频繁发生的区域的特征，广文高十字路口具有包括直行、左转和右转三个转弯的队列区间的特征，东部炼钢入口十字路口具有许多一般路段(11)的队列区间的特征，以及沙平-大路盘浦ic入口区间具有可以设置高速公路入口区间的特征。
[0077]
图5是比较根据本发明的实施方案的深度学习建模与现有的模式速度替换方法之间的误差的表图，并且当利用深度学习建模而不是现有的模式速度替换方法(基线)时，图5表示相对误差(平均绝对百分比误差；mape)的改善程度。
[0078]
现有的模式速度替换方法是利用过去同时收集到的模式速度来替代预测速度的方法，并且因为其不能反映当前的交通状况，所以由于低实时性而存在准确性低的限制。
[0079]
如图5所示，在深度学习建模的情况下，可以看出相对误差(mape)比现有的模式替换方法有所改善。即，随着相对误差值的减小，车辆速度预测的准确性提高。
[0080]
在因为收集率比较低经常出现到站时间误差的
②
新沙站十字路口的情况下，可以看出直行和右转都具有大约20％的相对误差。另外，在为高速公路的入口车道的
④
沙平-大路盘浦ic入口区间的情况下，尽管直行车道的收集率很高，但是可以看出准确性提高了大约12％。
[0081]
此外，在
④
沙平-大路盘浦ic的右转出口车道的情况下，利用现有的模式替换方法时存在50.48％的误差，但是利用深度学习预测时，出现26.88％的误差，将误差率改善了大约46％以上。
[0082]
通过图5，可以看出与现有的模式替换方法相比，应用深度学习建模时准确率提高了至少8％，以及至多50％。
[0083]
图6为比较根据本发明的实施方案的深度学习建模与现有的模式速度替换方法之间的收集率的表图。
[0084]
如图6所示，根据现有(按原样(当利用每个车道的数据时))方法，在
②
新沙站十字路口的情况下，它显示10％或更少的收集率。在这种情况下，对于没有收集到用于速度预测的大约90％或更多，只能利用具有25％(图5中的24.08％和23.87％)的误差的现有模式速度来预测速度。
[0085]
相比之下，当使用利用深度学习的预测方法时，在占总数的大约75％或更多的区间内，能够预测出更准确的值，误差大约为20％(图5中的19.95％和20.01％)。
[0086]
此外，在
④
沙平-大路盘浦ic区间和
③
具有许多队列路段的东部炼钢入口十字路口的情况下，由于收集率大约为99％，所以可以看出几乎没有利用模式速度。
[0087]
这样，当使用利用深度学习的预测方法时，可以通过补充缺失的数据来提高数据收集率，也可以提高速度预测的准确性。
[0088]
图7a和图7b是比较根据本发明的实施方案的深度学习建模的行驶预测时间与现
有的模式速度替换方法之间的行驶预测时间的表图，并且示出了在新沙站十字路口行驶的探测器在实际的特定时间(2020年2月14日大约18:00)进行实验的结果。
[0089]
图7a示出了在18:05和18:13搜索到的至到达点的路线，以及图7b在基于模式和深度学习预测的表图中示出了预测速度。
[0090]
当基于现有的模式预测速度时，因为当在18:05尝试路线搜索时缺少每个车道的速度，所以利用7.12公里/小时的现有的模式速度。此后，在18:13，实际车辆速度为2.02公里/小时，但是在利用现有的模式速度7.12公里/小时进行预测时，预测误差高达252.48％。换言之，预期到达时间增加，导致到达时间误差大。
[0091]
相比之下，在利用深度学习的情况下，当在18:05搜索时，每个车道的速度预测为2.08公里/小时，18:13时的车辆速度为2.02公里/小时，所以可以确认误差率显著改善(252.48％
→
2.97％)。
[0092]
即，因为现有的模式速度不反映实时交通状况，所以到达时间误差主要发生在单一情况下。相比之下，当使用利用实时速度预测的深度学习时，可以更准确地预测到达时间。
[0093]
图8是根据本发明的实施方案的车辆速度预测方法的控制流程图。
[0094]
根据本实施方案的车辆速度预测方法可以参考图8总结如下。
[0095]
首先，车辆速度预测装置的数据预处理器100可以对用于深度学习的正确答案数据和输入数据执行预处理(s810)。
[0096]
数据预处理器100通过对用于学习的数据进行缩放和归一化来执行数据预处理。
[0097]
具体地，数据预处理器100可以以参考时间为单位对每个路段的代表速度执行调和平均处理，可以将在出口时间收集到的、通过在每个车道的所有路段行驶而获得的探测器轨迹数据转换成基于入口时间的数据，并且可以以预设的参考时间单位对转换后的数据执行调和平均处理。
[0098]
用于车辆速度预测的每个车道的速度应该基于每个车道的路段入口时间来输出，但是因为用作正确答案数据的探测器轨迹数据是基于出口时间来收集的，所以需要转换基于入口时间的探测器轨迹数据。数据预处理器100可以通过以预设的参考时间单位(例如，参考5分钟单位)对入口时间进行调和平均处理(聚合)来生成正确答案数据。
[0099]
此外，数据预处理器100可以通过对以1分钟为参考时间单位、以5分钟为参考时间单位收集到的构成每个车道的路段的一般路段的代表速度执行调和平均处理(聚合)来生成输入数据。
[0100]
根据一个示例，数据预处理器100根据一天除以参考时间单位的时间段，基于在一个时间段内行驶的所有探测器的行驶距离的总和以及行驶时间的总和获得每个车道的代表速度(即，正确答案数据)，可以以时间段为单位对每个路段的代表速度执行调和平均处理，可以以时间段为单位获得经调和平均处理后的每个路段的代表速度(即，输入数据)。
[0101]
此外，数据预处理器100可以执行对正确答案数据和输入数据进行归一化并且插入缺失的数据的预处理(s820)。
[0102]
因为三种类型数据的比例(即，速度、样本数量和入口时间)不同，所以需要进行归一化处理，并且数据预处理器100可以对每个路段的代表速度、收集到的探测器数量、收集时间以及每个出口车道的车道速度(即，输入数据和正确答案数据的比例)执行最小值-最
大值归一化处理。
[0103]
数据预处理器100可以通过利用关于输入数据和正确答案数据的速度数据的最大值和最小值来应用调整到相同比例的最小值-最大值归一化，可以通过利用所有探测器收集的最大值和最小值，对于表示进入相应时间段的探测器数量的探测器数量应用最小值-最大值归一化，可以类似地对于转换为对应时间的288个时间段的索引之后的入口时间信息应用最小值-最大值归一化。
[0104]
另一方面，在数据预处理步骤中，当与每个路段的代表速度、收集到的探测器数量和收集时间相关联的数据缺失时，可以利用预设值作为缺失的数据。
[0105]
例如，关于每个路段的代表速度的缺失的数据可以利用第一特定值(例如，-1)，关于收集到的探测器数量的缺失的数据可以利用第二特定值(例如，0)，关于收集时间的缺失的数据可以利用预设的参考时间的索引信息。因为学习数据中包括这种缺失的情况，所以可以提高学习准确性。
[0106]
当对这样的数据进行预处理并执行学习时，可以执行深度学习建模，其用于基于每个路段的代表速度、收集到的探测器数量和收集时间来学习对于每个出口车道的车道速度的关系(s830)。
[0107]
深度学习建模步骤可以利用全连接模型进行学习。在这种情况下，用于学习的模型可以包括一个或更多个输入层、一个更或多个隐藏层(例如，6个隐藏层)以及一个或更多个输出层。根据示例，可以将作为输入数据的每个路段的代表速度、收集到的探测器数量和收集时间的向量输入到输入层，并且输出层可以输出在同一时间行驶在每个车道的路段上的探测器的速度。
[0108]
此外，根据示例，隐藏层可以由通过优化过程获得的预定单元组成，例如，作为[64、128、128、128、64、32]的单元。
[0109]
此外，在深度学习建模步骤中，调整构成单元的值的比例的归一化过程可以应用于每层。
[0110]
此外，在深度学习建模步骤中，可以通过将用于使单元的一些信息降至“0”的丢弃技术以预定的比率应用于每层来校正建模算法，使得学习不集中在学习数据上。
[0111]
通过这样的学习建模，可以预测每个车道的速度或者预测到达时间，并且与现有的方法相比，可以同时提高准确性和收集率。
[0112]
如上所述，本发明涉及一种深度学习模型，其用于在每个车道的路段的速度缺失时通过利用形成缺失的一般路段的实时交通信息来预测每个车道的速度；当由于现有的收集率低而没有为每个车道提供合适的速度时，可以利用具有高收集率的一般路段的实时速度来预测每个车道的速度；并且可以通过提供有关收集数量和入口时间以及速度数据的信息来预测更复杂的每个车道的速度。本发明能够通过反映实时交通状况而不是在现有的方法中缺失每个车道的速度时使用的模式速度来提供比现有的替换方法更高的预测准确性。
[0113]
根据本发明的实施方案，用于每个车道的车辆速度预测装置和车辆速度预测方法可以有效地为每个车道预测反映实时交通状况的准确速度。
[0114]
根据本发明的实施方案，用于每个车道的车辆速度预测装置和车辆速度预测方法可以通过利用参照没有归类为出口车道的车道速度的实时速度来应用深度学习模型，所述深度学习模型用于学习每个出口车道的速度关系。
[0115]
根据本发明的实施方案，用于每个车道的车辆速度预测装置和车辆速度预测方法可以执行将表示交通状况的不同类型的数据转换为适合于深度学习模型的数据的预处理。
[0116]
此外，根据本发明的实施方案，用于每个车道的车辆速度预测装置和车辆速度预测方法可以当没有收集到实时交通信息并且没有生成每个车道的速度时应用深度学习模型，所述深度学习模型输出反映实时的每个车道的预测速度而不是模式速度。
[0117]
由此，与模式速度不同，通过利用对每个车道反映实时交通信息的速度预测，可以同时提高准确性和收集率，并且可以对提供给用户的到达时间显著补充。
[0118]
除此之外，可以提供通过本文档直接或间接识别的各种效果。
[0119]
以上描述仅是说明本发明的技术思想，本发明所属领域的普通技术人员将能够在不脱离本发明的本质特征的情况下做出各种修改和变化。
[0120]
因此，本发明中公开的实施方案并非旨在限制本发明的技术思想，而是用于解释技术思想，并且本发明的技术思想的范围不受这些实施方案的限制。本发明的保护范围应以所附权利要求书来解释，并且在其同等的范围内的所有技术思想应当解释为包括在本发明的范围内。