< 연구결과 요약 >

(1)

< 연구결과 요약 >

과 제 명

신호등 주기예측을 통한 Eco-Drive의 실현

연구목표

1. 신호등 주기 예측을 할 수 있는 시스템을 개발하여 운전자로 하여금 불필요한 브 레이크 조작을 줄일 수 있게 한다.

2. 급격한 속도 변화로 인해 발생하는 안전 문제와 매연의 과다 배출 문제로 인한 환 경 문제를 해결할 수 있게 하여 Eco-Drive를 실현할 수 있게 한다.

연구방법

1. 연구에 필요한 이론적 배경 이해 가. 패턴인식에 대한 이해

1) 책 『패턴인식』 - 오일석 저 | 교보문고 (2008)

2) 책 『패턴인식 개론』 - 한학용 저 | 한빛아카데미 (2014) 나. 아두이노 프로그래밍에 대한 이해

1) Arduino 공식 사이트 - http://www.arduino.cc

2) 책 『아두이노 프로그래밍 다지기』 - 황희수 저 | 홍릉과학출판사 (2013) 2. 연구 실행을 위한 사전 데이터 수집

가. 자동차에 부착한 GPS를 이용한 GPS 데이터 (위도, 경도, 속도) 수집 나. 신호등 인접 구간에서의 GPS 데이터 분류

다. 대표 속도 변화 패턴 설정 및 운전자의 주행 형태 탐구 3. 그래프 패턴 인식 및 마르코프 모델 설정

가. GPS 데이터에 기초한 도시되는 속도 기울기를 일정한 값으로 분류

나. 특정 기울기가 나올 확률 및 그 다음에 특정 기울기가 나올 확률을 계산하여 마르코프 모델 설정

4. 유사도 판정의 정확도

가. 마르코프 모델 입력 및 각 유형과의 유사도를 출력 및 비교하는 프로그램 구현 나. 유사도 판정 및 유사도 판정에 적합한 모델 설정

5. 거리 측정

가. 두 지점의 위도, 경도 값이 주어졌을 때 그 두 지점 간의 거리를 근사적으로 계산 나. 거리의 실제 값, 근사 값의 비교를 통해 거리 근사의 신뢰도 판정

6. 신호등 주기 예측 및 Arduino를 이용한 시스템 제작

가. ‘빨간 불 + 초록 불’ 지속시간을 계산하여 그 시간 간격의 배수인 시각인 신호등의 주기를 예측

나. 신호등까지 남은 거리 및 추천 속도를 계산하는 시스템을 Arduino를 이용하여 제작 7. 실제주행에 시스템을 적용

가. 차량에 직접 제작한 시스템을 부착 한 뒤 프로그램을 작동시켜 실제 신호등의 주기와 일치하는지 확인한다.

연구성과

1. 대표 마르코프 모델을 설정 할 수 있고 이를 바탕으로 베이지안 룰과 마르코프 체인 을 이용하여 임의의 데이터 유형을 파악 할 수 있다.

2. 기울기 분류기준을 증가시킬수록 더욱더 정밀하게 유형을 분류 할 수 있다.

3. 주행 데이터 패턴을 통해서 신호등 주기예측이 가능하고 주행을 많이 함으로써 더욱더 정밀한 신호등 주기가 완성할 수 있다.

4. Arduino를 이용해 제작한 시스템을 자동차에 부착하고 주행하여 개발 시스템의 높은 정확도를 확인할 수 있었는데, 실제 신호등의 주기를 정확하게 파악할 수 있어 신호등의 변화에 미리 대비함으로써 급정거를 방지 하고 이를 통해 Eco-Drive를 실현 할 수 있다.

주요어

(Key words) 신호주기, Eco-Drive, 마르코프 모델

(2)

1. 개요

□ 연구 동기 및 목적

○ 도로 주행 시 운전자들은 수많은 신호등과 마주하게 되고, 그들은 이 신호등에 의존하여 주행 형태를 조절하여야 한다. 그러나 운전자가 신호 주기를 운전 상황에서 예측할 수 없기 때문에 주행 형태를 즉각적 으로, 확실히 결정할 수 없게 된다. 이러한 문제는 안전사고의 위험을 높이며, 매연이 일반적인 주행의 경우보다 많이 방출되어 환경적인 면에서도 부정적인 영향을 미친다.

해당 연구를 통해 신호가 변경되는 주기를 파악하고, 이를 GPS 와 연동시켜 자동차에 알맞은 속도를 결정 및 가시화하는 시스템 을 구상한다면, 운전자들이 자신의 주행 형태를 용이하게 결정할 수 있어 스스로 친환경 운전, 안전 운전, 경제 운전의 행동을 최 적화하여 배기가스 감축, 자동차의 수명연장, 에너지 절약을 실천 하는 에코 드라이브(Eco-Drive)를 할 수 있다. 뿐만 아니라 안전 사고 예방 등 앞에서 언급한 범사회적 문제해결에 대한 긍정적 효과를 기대할 수 있다.

□ 연구범위 ○ 연구 분야

- 우리는 확률론을 바탕으로 GPS의 실제 주행 데이터를 이용해 신호등 주기를 예측하고, 추천속도 계산과정을 프로그램화 시키고 아두이노 를 이용해 가시화 시켜 궁극적으로 운전자로 하여금 에코 드라이브를 실천할 수 있게 하여 에너지를 절약 할 수 있게 한다.

○ 진행단계

- 사전에 신호등을 지날 때의 주행 데이터를 수집한다.

- 수집한 데이터들을 분석 하여 대표적인 유형을 나누어 분류한다.

- 확률에 기반 하여 각 유형들을 대표할 만한 모델을 만든다.

- 패턴인식을 통해 임의의 데이터와 대표모델들의 유사도를 계산한다.

- 기존에 분류한 데이터들로 패턴인식 과정의 신뢰성을 검증한다.

(3)

- 추천속도 계산을 위한 거리를 측정할 방법을 모색한다.

- 거리계산법의 신뢰성을 검증한다.

- 앞서 연구한 내용을 아두이노를 통해 가시화 시킨다.

2. 연구 수행 내용

□ 이론적 배경 및 선행연구

○ 마르코프 체인 (Markov Chain)

- 마르코프 연쇄는 메모리가 없는 과정을 나타낸다. 과거의 상태가 알려져 있더라도, 이는 미래 상태의 조건부 기댓값에 영향을 미치지 않는다. 이러한 성질을 마르코프 성질이라고 한다.

○ 베이지안 룰 (Bayes' Theorem)

그림 3. 베이지안 룰

- 전에 알고 있는 정보를 염두에 두고, 특정 사건이 일어날 확률을 계산하는 이론이다. 예를 들어, 사건이 →→→순으로 발생한 다면 베이지안 룰을 다음과 같은 형태로 적용할 수 있다.

모델에 먼저 적용, ^ ×^ ×^

×^ ->  모델에도 적용해서 확률 값이 가 장 큰 것을 채택한다.

□ 연구주제의 선정

○ 에너지 절약의 이슈화

- 텔레비전을 틀어보거나 인터넷 서핑을 해보면 여기 저기 할 것 없이 에너지 문제에 대한 이야기들이 많다. 한정된 석유자원들은 다양한

(4)

분야에 활용되기 때문에 사람들은 대체 에너지를 갈구하고 있다. 대체 에너지에 대한 연구는 계속해서 진행 될 것이고, 우리는 안정적인 대체 에너지가 자리 잡기 전까지 한정된 자원을 아껴 쓸 방안을 모색 할 필요가 있다.

○ 오늘날의 사회에 자리 잡고 있는 자동차의 문제점과 해결방안 - 우리는 석유자원을 주 연료로 사용하고 사람들이 자주 사용하는 것에

서부터 에너지 절약을 실천하면 고효율을 낼 수 있을 것이라 생각했다.

따라서 길 어디에서나 볼 수 있을 뿐만 아니라 우리학교 선생님들께서 매일 출퇴근에 이용하시는 자동차만큼 좋은 주제거리가 없었다.

- 실제로, 기름 값 1,900원을 기준으로 봤을 때, 1년 동안 급제동을 하지 않는다면 절약되는 금액은 무려 121,600원이다. 이를 통해 ‘자동 차 자체의 성능을 변화시켜 연비를 늘리기 보다는 운전자의 좋지 않은 습관을 고치면 어떨까?‘라는 생각을 자연스레 가지게 된다.

- 무엇이 운전자로 하여금 급제동과 급정거를 하게 만들까? 도로에서 운전자의 주행을 결정짓는 것은 당연 신호등이다. 신호등의 신호가 언제 파란불로 바뀌고 다시 빨간불이 되는 지만 확실히 규명 지을 수 있다면 불필요한 조작을 줄여 에너지 절약에 한 발 더 가까이 다가갈 수 있을 것이라 생각해 본 연구의 주제를 선정하였다.

□ 연구 방법

○ 대표 마르코프 모델

그림 1. 마르코프 체인 : k=2 그림 2. 마르코프 체인 : k=3

- 다음과 같이 모델에서 사건들이 일어날 확률과 사건과 사건사이의

(5)

관계를 모두 나타내는 것을 대표 마르코프 모델이라 하고 이 모델은 그 유형을 대표한다고 할 수 있다.

○ 패턴인식

- 임의의 데이터가 다음과 같이 입력되었을 때 기존에 제작되어있는 대표 마르코프 모델을 바탕으로 유사도를 판정해 가장 유사한 모델을 찾는 과정이다. 우리는 본 연구에서 이를 활용해 임의의 속도데이터를 분석하려 한다.

□ 연구 활동 및 과정 ○ 데이터 수집

- 학교 주위에 위치한 특정 경로를 결정한 뒤, 이 경로 내에 위치한 신호등 3개를 선택한다. 지도 검색에서 제공되는 그 신호등의 위도와 경도를 조사한다.

- GPS를 부착한 자동차를 앞에서 설정한 경로에서 주행하게 되면, 초 단위로 날짜, 시간 별 위도, 경도, 속도, 고도가 GPS 데이터로써 표시되 는데, 주행을 여러 번 주행하여 보다 더 일반화 된 데이터를 얻는다.

○ GPS 데이터를 이용한 속도 패턴 분석 - GPS 데이터 정리 및 분류

- 전 단계에서 수집한 신호등의 위도, 경도 정보를 바탕으로 전체 데이 터 중 신호등 구간에서의 데이터를 분류한다. 데이터 분류 시 GPS 데이터가 정확히 연동되지 않았을 가능성을 감안하여 주행 시 미리

교차로 길성교차로 진성교차로 무촌교차로

그림

위도 35.1378654 35.1882883 35.1868763

경도 128.3260625 128.2538195 128.2244000 표 1. 신호등 설정 및 데이터 수집

(6)

설치해 두었던 블랙박스 영상과 GPS 데이터를 대조하여 정확한 데이 터 범위를 찾는다.

- 패턴 분류

- 분류 데이터 중 해당 연구에 사용할 것은 시간, 속도의 정보로써 이 데이터를 이용하여 시간에 따른 속도 그래프를 그릴 수 있다. 시간- 속도 그래프의 속도 변화 패턴을 통해 운전자가 신호등 앞을 지나갈 당시 주행 형태를 어떻게 조작하였는지 확인할 수 있었다.

- 이러한 속도 패턴은 두 가지의 대표적 모델로 설정할 수 있는데, 이는 속도가 증가하는 경우와 속도가 감소하는 경우, 2가지 경우로 분류할 수 있었고, 이 2가지 상황에 대하여 운전자가 어떠한 사고 과정 에서 주행 형태를 결정하였을지 분석하였다.

1) 속도가 증가하는 경우

그림 3. 속도가 증가하는 경우

속도 곡선의 기울기가 완만하게 증가하는 양상을 보이는 것으로 보아 운전자가 신호등 앞에서 초록불이 표시되었음을 인지하고 가속 하였음을 알 수 있다.

2) 속도가 감소하는 경우

그림 4. 속도가 감소하는 경우

그래프에서 가파른 기울기로 속도가 급격하게 감소하는 구간에서

(7)

운전자는 초록 불일 때 바로 통과하기 위해 지속적으로 속도를 유지 하다가 신호등 바로 앞에서 빨간 불로 변경되었음을 인지하고 급브레 이크를 밟게 되었다는 것을 알 수 있다.

○ 그래프 패턴 인식 및 마르코프 모델 설정 - 패턴 인식 기준 설정

1) 신호등 구간에서의 GPS 데이터를 30초 구간으로 한정한다.

2) 초당 기울기에 일정한 값을 부여하였을 때 나타나는 29개의 값을 배열한다.

3) 마르코프 체인, 베이지안 룰의 확률 이론을 이용하여 각 기울 기 값의 다음에 나올 기울기 값에 대한 조건부 확률을 계산하 여 속도 변화 패턴을 결정한다.

- 기울기 분류 기준 설정

그림 5. 기울기 분류 기준 (3개, 5개, 6개, 9개)

기울기에 특정 값을 대응할 때에는 제일 위에 있는 것부터 시계 방향 으로 순서대로 대응시킨다. 기울기를 3개로 분류할 때, 기울기 5개로 분류할 때, 기울기 6개로 분류할 때 , 그리고 기울기를 9개로 분류한 경우로 나누어 각각에 대해 연구를 진행하였다.

- 마르코프 모델 설정

전 과정에서 설정한 4개의 기울기 분류 기준을 바탕으로 각 기울기 별 추출 확률과, 특정 기울기 다음에 어떤 기울기가 나올 확률을 각각 계산하였고, 확률을 계산하기 위해 일련의 코드를 개발하였는데, 이

(8)

코드의 주요 처리 과정은 다음과 같다.

1) 특정 구간의 속도를 입력 값으로 받는다.

2) 그래프 기울기를 앞에서 결정한 패턴 인식의 방법으로 분석한다.

3) 초당 기울기를 차례로 배열한 뒤, 특정 기울기가 나올 확률과 그 다음에 특정 기울기가 나올 확률을 유형 별로 각각 추출한다.

- 유사도 판정의 정확도

- 각 유형별 기울기 추출 확률을 대입하였을 때 속도 패턴을 결정할 수 있는 또 다른 코드를 개발하였다. 전 과정에서 속도 기울기의 분류 기준을 결정할 수 없었고, 또한 그것을 결정하기 위한 기준이 없었으 나, 유사도 판정을 위한 코드에 확률 (마르코프 모델)을 대입하였을 때 실제 속도 패턴과 비교해 보았을 때 가장 유사도 판정에 효과적인 기울기 분류 기준을 선정할 것이다. 분류 기준 결정을 위해 전 과정에서 조사한 GPS 데이터 중에서 속도가 증가하는 경우의 표본 11개, 속도가 감소하는 경우의 표본 15개를 선정하였다.

유사도 판별과정은 다음과 같다.

1) 마르코프 모델을 입력한다.

2) 각 유형과의 유사도를 특정 값으로 출력하고, 두 유사도를 서로 비교한다.

3) 유사도가 가장 큰 유형을 적절한 속도 패턴으로 결정한다.

4) 채택된 유형들을 신호 주기 예측을 위한 다음 과정들에 활용 할 수 있다.

○ 거리측정

자동차가 신호등으로부터 떨어져 있는 거리를 계산할 수 있어야 자동 차에게 알맞은 추천 속도를 계산할 수 있다. 알고 있는 값이 현재위치 와 신호등의 위치뿐이므로 이 값들로 거리를 측정할 수 있어야 한다.

- 거리 계산의 수학적 원리 탐구

(9)

그림 6. 위도, 경도 그림 7. 호도법 그림 8. 두 지점 설정

- 거리를 측정하기 위해서는 먼저 두 지점을 지정해야 한다. <그림 8>에서 보듯이 두 지점을 A, B라고 하고, A 지점의 위도와 경도를 좌표 값으로  _, B 지점의 위도와 경도를 _라 한다. 두 지점 간 거리를 산출하기 위해서는 <그림 7>과 같이 ∠_{를 라디안으로} 계산한 뒤, 여기에 지구의 반지름을 곱하여야 한다.

먼저, ∠_위도 _ _가 되고, ∠_경도 _ _ 이 되는 이들은 60분법을 이용한 각거리 값이다. 지구가 반지름 6400km인 완전한 구라 가정했을 때 길이를 라디안으로 환산하면 _위도 

×  

 ×  

 ×  _경도  ×  

 ×  

 × 가 되 는데 이를 피타고라스의 정리를 이용해 두 지점 사이의 거리를 구하면^



^^^^위도^^{ }^^경도^^{가 된다.}

- 거리근사

그림 9. 실제 거리 그림 10. 근사 거리

- 실제 거리는 왼쪽 그림과 같이 주행을 하면서 다닌 길을 잘게 나눠 위의 수학적 원리와 함께 계산을 해야 한다. 하지만 우리가 알고 있는

(10)

값은 현재 위치와 도착지점 밖에 없기 때문에 왼쪽 그림처럼 길을 잘게 나누어 계산을 할 수 없다.

- 따라서 본 연구에서는 오른쪽 그림과 같이 처음 지점과 도착지점의 길이를 계산하는 방법을 사용 하였다. 본 연구에서는 장거리 주행을 가정으로 두고 있기 때문에 골목길은 많이 없다는 가정이 전제되어 있다.

○ 신호등 주기 예측

그림 11. 데이터 1 그림 12. 데이터 2

○ 우선 신호등 주기를 예측하기 위해서는 신호등을 지나가기 30초 전부 터의 데이터를 분석해야 한다. 앞에서 연구한 내용을 바탕으로 신호등 을 지나가기 30초전부터 지나가기까지의 속도 데이터를 분석한다.

처음 주행에서 <그림 11>와 같은 데이터를 받고, 다른 시간에 <그림 12>과 같은 데이터를 받게 된다고 하자.

그림 13. 신호등 주기 예측 방법

두 개의 속도 데이터를 분석한 결과 둘 다 감소하는 유형으로 나오게 된다면 각각 기울기가 급격히 변하는 구간이 존재한다.

그 두 구간은 하루를 86400초로 나누었을 때 각각 어느 특정한 시각을 나타낼 것이다. 그 시각은 빨간불이 시작되는 시각을 의

(11)

미한다. 그렇다면 그 두 구간 사이의 시간은 ^^×(빨간불의 지속시 간+초록불의 지속시간) 이 된다. 우리는 (빨간불의 지속시간+초록 불의 지속시간)의 값 즉, N=1일 때의 값을 원하므로 많은 주행을 통해 더 정밀히 측정이 가능하다.

결론적으로 (빨간불의 지속시간+초록불의 지속시간)을 알게 되면 하루 동안 그려지는 신호등의 주기를 완성 시킬 수 있다. 왜냐하 면 하루의 시작은 0초이므로 이 (빨간불의 지속시간＋초록불의 지속시간)의 배수가 되는 시각에 빨간불이 시작 된다는 것을 의 미하기 때문이다. 이 연구에서 봐서 알 수 있듯이 만약 증가하는 유형으로 분석이 되는 데이터들은 신호등 주기를 예측하는데 별 로 의미 있는 데이터들이 아니다. 우리가 원하는 데이터는 감소 하는 유형이고 이를 통해 앞서 소개한 바와 같이 신호 주기를 예 측할 수 있다.

○ 신호등까지 남은 거리 및 추천 속도 계산

그림 14. 빨간 불 + 초록 불 지속시간 그림 15. 신호등 주기 예측

<그림 13>과 같은 상황에 놓이게 된다면 다음과 같이 신호등 주 기를 그릴 수 있다. 신호등의 위치와 현재 위치를 알고 있으므로 신호등으로부터 떨어진 거리를 거리근사를 통해 계산 할 수 있다.

거리와 시간의 값을 알고 있기 때문에 거리 속도×시간의 등속도 식을 통해 신호등까지 남은 시간 내에 도착하기 위해 가져야 할 추천 속도를 계산할 수 있다.

3. 연구 결과 및 시사점

(12)

□ 연구 결과

○ 유사도 판정의 정확도

- 기울기를 3개로 분류한 경우 1) 속도가 증가하는 경우

표본/유사도 증가하는 유형 감소하는 유형 유사한 유형

표본1 1.32E+22 1.61E+18 증가하는 유형

표본2 1.6E+18 3.16E+14 증가하는 유형

표본3 3.29E+16 1.9E+17 감소하는 유형

표본4 5.05E+22 6.05E+16 증기하는 유형

표본5 2.48E+21 4.62E+19 증가하는 유형

표본6 6.53E+23 2.94E+18 증가하는 유형

표본7 3.5E+16 1.33E+13 증가하는 유형

표본8 1.18E+18 7.87E+15 증가하는 유형

표본9 4.95E+15 5.01E+13 증가하는 유형

표본10 3.57E+14 3.93E+12 증가하는 유형

표본11 1.79E+14 1.65E+11 증가하는 유형

표 2. 속도 증가 - 3개

표본1 2.58682E+19 3.9648E+22 감소하는 유형 표본2 3.87328E+18 1.41316E+22 감소하는 유형 표본3 1.20746E+18 2.07766E+21 감소하는 유형 표본4 5.4823E+18 4.21131E+21 감소하는 유형 표본5 3.42959E+18 1.51464E+22 감소하는 유형 표본6 5.27283E+16 4.28514E+19 감소하는 유형 표본7 1.16826E+17 2.30161E+19 감소하는 유형 표본8 3.37895E+20 1.8539E+22 감소하는 유형 표본9 1.79579E+19 4.88181E+22 감소하는 유형 표본10 9.82553E+15 8.25415E+17 감소하는 유형 표본11 8.40153E+16 1.25963E+18 감소하는 유형 표본12 8.5441E+14 9.80925E+16 감소하는 유형 표본13 58156630016 36964990976 증가하는 유형 표본14 5.96884E+15 1.48349E+18 감소하는 유형 표본15 1.26217E+14 1.49961E+17 감소하는 유형 표 3. 속도 감소 - 3개

(13)

표본/유사도 증가하는 유형 감소하는 유형 유사한 유형 표본1 3.08554E+18 7.99779E+13 증가하는 유형

표본2 25337706496 0 증가하는 유형

표본3 9.51353E+13 0 증가하는 유형

표본4 2.87332E+18 1.63461E+12 증가하는 유형 표본5 1.95695E+19 6.68461E+16 증가하는 유형

표본6 2.31402E+20 1.4344E+17 증가하는 유형

표본7 2.832E+11 292047360 증가하는 유형

표본8 2.14607E+14 0 증가하는 유형

표본9 16244534272 0 증가하는 유형

표본10 862681856 0 증가하는 유형

표본11 674191552 0 증가하는 유형

표본1 1.14667E+16 2.5001E+21 감소하는 유형

표본2 5.81234E+15 1.58816E+19 감소하는 유형

표본3 4.89298E+16 8.56711E+20 감소하는 유형

표본4 1.09989E+13 2.2914E+16 감소하는 유형

표본5 2.41936E+15 4.32148E+20 감소하는 유형

표본6 3.32951E+13 6.40239E+16 감소하는 유형

표본7 4286374400 5.42137E+13 감소하는 유형

표본8 6.00983E+17 1.38392E+21 감소하는 유형

표본9 4.91322E+14 3.89303E+19 감소하는 유형

표본10 9.20318E+14 1.15143E+13 증가하는 유형 표본11 3.31874E+14 4.99817E+15 감소하는 유형 표본12 17102792704 1.80277E+12 감소하는 유형

표본13 154502.2969 3162026.5 감소하는 유형

표본14 3468695296 2.13347E+13 감소하는 유형

표본15 156978400 2.119E+13 감소하는 유형

표 5. 속도 감소 - 5개

(14)

표본1 4.34E+16 42370.53 증가하는 유형

표본2 9.15E+10 39156.46 증가하는 유형

표본3 8.65E+09 8.7E+10 감소하는 유형

표본4 2.35E+16 474092 증가하는 유형

표본5 8.46E+14 3040455 증가하는 유형

표본6 3.12E+17 8.03E+11 증가하는 유형

표본7 39290864 0 증가하는 유형

표본8 1.93E+10 0 증가하는 유형

표본10 50228900 0 증가하는 유형

표본11 2.11E+08 0 증가하는 유형

표본1 1.36E+13 1.13E+19 감소하는 유형

표본2 1.06E+12 9.09E+18 감소하는 유형

표본3 1.64E+12 6.24E+19 감소하는 유형

표본4 1.4E+11 2.89E+17 감소하는 유형

표본5 4.11E+11 1.99E+17 감소하는 유형

표본6 0 1.07E+15 감소하는 유형

표본7 5.45E+08 3.23E+13 감소하는 유형

표본8 8.05E+13 7.57E+20 감소하는 유형

표본9 3.61E+12 1.21E+19 감소하는 유형

표본10 2.28E+09 7.37E+14 감소하는 유형

표본11 2.1E+10 2.54E+12 감소하는 유형

표본12 0 6.67E+10 감소하는 유형

표본13 1.615006 6.349727 감소하는 유형

표본14 9.02E+08 1.58E+11 감소하는 유형

표본15 0 3.89E+11 감소하는 유형

(15)

표본3 2576620 0 증가하는 유형

표본4 1.83E+15 88679.98 증가하는 유형

표본5 2.05E+13 9.63E+09 증가하는 유형

표본6 8.02E+15 6.37E+08 증가하는 유형

표본7 219401.3 0 증가하는 유형

표본8 4163172 0 증가하는 유형

표본9 18540.69 0 증가하는 유형

표본10 412173.5 0 증가하는 유형

표본11 7625.372 0 증가하는 유형

표본2 3.89E+08 2.76E+15 감소하는 유형

표본5 1.51E+09 1.37E+17 감소하는 유형

표본8 1.02E+12 5.04E+19 감소하는 유형

표본10 234.4576 41261816 감소하는 유형

표본11 1516472 2.68E+10 감소하는 유형

표본12 0 7263914 감소하는 유형

표본13 0 1.301515 감소하는 유형

표본15 0 107433.3 감소하는 유형

2) 3가지 기울기 분류 기준으로 유사도 판정을 실시한 결과, 기울기 분류를 보다 더 많이 세분화 하는 것이 좋다는 것이다. 기울기 분류를 무한히 세분화한다면 더욱더 좋은 결과를 도출해낼 수 있다는 것이 사실이지만 본 연구에서는 아두이노의 메모리를 고려했을 때 9개로 나눈 경우를 채택하였다.

(16)

○ 거리 근사의 정확도

GPS 데이터 거리 단위 (m), 오차 단위 (%)

데이터 1 실제거리 648.9725

계산 값 645.0303

오차율 0.60745

데이터 2 실제거리 502.1442

계산 값 500.8879

오차율 0.250186

데이터 3 실제거리 580.9963

계산 값 576.5135

오차율 0.771567

데이터 4

실제거리 525.3266

계산 값 524.099

오차율 0.233689

데이터 5 실제거리 237.3939

계산 값 232.1474

오차율 2.210045

데이터 6 실제거리 290.2712

계산 값 279.7723

오차율 3.616928

데이터 7

실제거리 281.2731

계산 값 276.4351

오차율 2.803456

데이터 8 실제거리 283.3795

계산 값 275.4351

오차율 2.803456

데이터 9 실제거리 328.3446

계산 값 325.3694

오차율 0.906108

표 10. 다른 표본의 거리 근사 신뢰도 판정

○ GPS를 통해 받은 신호등을 지나가기 30초 전까지의 임의의 데이터들 을 바탕으로 거리 근사를 시켜 보았을 때 위와 같이 낮은 오차율을 보였다.

○ 아두이노를 이용한 시스템 제작 - 구성품

그림 19. 아두이노 MEGA 그림 20. GPS 수신기 그림 21. Character LCD

(17)

그림 22.

브레드보드

그림 23.

GPS Shield

그림 24.

SD Card Shield

그림 25.

SD Card

- 완성된 시스템

그림 26. 완성된 시스템

CHARACTER LCD

S P E E D R E C O M T I M E 5 7 . 3 4 2 . 4 1 5 s

그림 27. 표시 정보

- 지금까지 제시한 연구내용을 아두이노에 적용하여 Character LCD에 위와 같이 왼쪽에서부터 현재속도(SPEED, 소수점 첫째자리까지 표시, km/h), 추천속도(RECOM, 소수점 첫째자리까지 표시, km/h), 신호등이 바뀌기까지 남은 시간(TIME, sec)을 출력할 수 있다.

○ 결론

- 대표 마르코프 모델을 설정할 수 있다.

- 대표 마르코프 모델을 설정할 수 있고, 패턴인식을 통해 새로운 데이 터의 유형을 파악할 수 있다. 자동차의 주행 형태는 도로 상황, 운전자 의 운전 방식 등의 여러 요인들에 의해 다양화 될 수 있다. 즉, 해당 연구에 설정한 속도 패턴인 증가, 감소 이외에도 여러 가지 유형이 존재 할 수 있다는 점이다.

- 그러나 이번 연구에서 속도 패턴을 인식한 방식은 다량의 연속된

속도 데이터가 주어졌을 때 그것의 속도 그래프에서 도시되는 기울기 를 이용하여 그것의 기울기가 추출될 확률에 따라 유형을 파악하는 것을 기본으로 하였다. 그러므로 이러한 아이디어는 더 많은 유형에 따른 다양한 속도 패턴을 인식하는 것에 일반화하여 사용할 수 있으며

(18)

각 유형의 대표적인 마르코프 모델을 만들 수 있게 된다.

- 임의의 데이터의 유형을 파악할 수 있다.

- 각 유형별로 만든 마르코프 모델을 바탕으로 새로운 데이터를 받았을 때 베이지안 룰과 마르코프 체인 룰을 적용시켜 계산해 가장 유사한 모델을 채택할 수 있는 프로그램을 구현함으로써 주행 하면서 받을 데이터의 유형을 분류 할 수 있다.

- 유형 분석 과정을 정밀화 시킬 수 있다.

- 임의의 데이터를 받았을 때 어느 유형에 가까운지 판단하는 과정이 본 연구에서 가장 중요한 부분을 차지하고 있다. 연구 내용에서 알 수 있듯이 기울기 분류 개수를 증가시키면 그에 따라 분석 결과가 정밀해 짐을 알 수 있는데 본 연구에서 임의의 분류개수에 따른 분석이 가능한 프로그램을 만들어 메모리가 적당량 주어져 있다면 얼마든지 정밀한 분석이 가능하다.

- 신호 주기를 예측 할 수 있다.

- 패턴인식을 통해 파악한 데이터의 분석을 통해 본 연구 내용에 따라 빨간 불의 지속시간과 초록 불의 지속시간을 알 수 있다. 하루는 86400 초로 구성되어 있고 신호등은 매일 0초마다 초기화 되므로 빨간 불이 시작되는 시각들은 (빨간 불의 지속시간+초록 불의 지속시간)의 배수 들이 나타내는 시각임은 명백하다. 따라서 한 신호등에 대한 신호 주기 를 예측할 수 있다.

- 꾸준한 주행을 통해 정밀한 주기가 파악된다.

- 우리가 알아내고자 하는 값은 빨간 불사이의 간격이다. 본 연구를 통해 이 값을 알기 위해서는 다른 시각에 같은 신호등을 지나가야한다.

따라서 연속적인 주행을 통해 정밀한 신호 주기를 파악할 수 있고, 결론적으로 이상적인 Eco-Drive가 실현이 가능하다.

(19)

□ 시사점 ○ 학습효과

- 본 연구를 진행 하면서 다양한 분야에 접할 수 있었다. 그래프 유형을 분석하고, 패턴인식을 하는 데에 필요한 확률론, 코딩을 통한 공학적 지식 그리고 거리계산과 추천속도를 계산 그리고 회로를 구성 하는데 물리적인 사고까지 할 수 있었다. 심지어 이 모든 것을 보기 좋게 가시 화하는 데에 예술적 요소까지 첨가하면서 융⦁복합적 사고를 할 수 있는 안목을 가질 수 있었다.

○ 개선점

- 확률론의 활용을 통한 연구는 충분히 많은 자료를 수집하면 할수록 연구 결과의 신뢰성이 더 높아 지기 마련이다. 더 많은 자료를 수집하고 한 사람의 주행 데이터가 아닌 다양한 사람들 데이터를 수집할 필요성 이 있다.

- 본 연구는 이상적인 상황을 고려해서 진행하였다. 실제 주행에서는 이상적인 상황보다 변수가 많이 발생한다. 그 예로는 신호대기 상황이 있다. 앞에 정차된 차의 개수에 따라 신호대기 위치가 제각각이기 마련 이기 때문에 통계학적 지식을 활용해 수정 보완해야 한다. 뿐만 아니라 도로 상황에서 발생하는 변수를 고려하면 할수록 완성도 높은 시스템 이 구축될 것으로 예상된다.

4. 홍보 및 사후 활용 □ 후속연구 추진

○ 주행하는 스타일을 더 정밀히 분석하여 증가하는 유형과 감소하는 유형 이외에 운전자의 주행 스타일을 세분화 하여 연구를 진핼 하고 자 한다.

○ 아두이노 언어가 아닌 안드로이드 언어를 사용하여 어플리케이션 개발 등 좀 더 넓은 범위로 확장할 예정이다.

○ 구현시킨 아이디어를 실제로 사람들에게 사용해 보게끔 하여 사회

(20)

과학적인 분석을 해보고자 한다.

□ 사후 활용 방안

○ 기존에 구축되어있는 네비게이션 시스템에 본 연구의 이론을 프래그 램화 시켜 입력시킨다면 거리를 근사할 필요도 없고 보다 더 효율적 인 길 찾기 및 신호주기 예측을 통한 에코드라이브의 실현이 가능 할 것으로 보인다.

5. 참고문헌

□ 패턴인식 관련

○ 오일석 (2008). 『패턴인식』. 교보문고.

○ 한학용 (2014). 『패턴인식 개론』. 한빛아카데미.

□ 아두이노 관련

○ 네이버 카페 『아두이노 배우기』(http://cafe.naver.cm/studyonardui no)

○ 아두이노 공식 사이트 (http://www.arduino.cc)

○ 황희수 (2013). 『아두이노 프로그래밍 다지기』. 홍릉과학출판사.