버스의 잔여좌석을 예측하여 제공하는 버스 잔여좌석 예측 시스템에 있어서,상기 버스 잔여좌석 예측 시스템을 구성하는 버스 잔여좌석 예측 서버는,버스 운행 간격 및 승객의 승하차 정보를 포함하는 버스 운행정보가 저장되는 버스정보 제공서버 및 버스 운행 지역의 정류장별 날씨정보가 저장되는 날씨정보 제공서버에 연결되어, 상기 버스정보 제공서버에서 제공되는 버스 운행정보와 상기 날씨정보 제공서버에서 제공되는 날씨정보를 각각 전송받아 저장하고,상기 저장된 버스 운행정보 및 날씨정보를 기반으로 버스의 운행일자, 요일, 시간 및 실시간 날씨정보와 실시간 버스위치에 기반한 앞차와의 시간 간격을 변수로 하는 시계열적 빅데이터 분석을 통해 예측대상 버스의 정류장별 승하차 예측인원을 산출하여,상기 예측대상 버스의 정류장별 잔여좌석을 예측하여 제공하는 것을 특징으로 하는 버스 잔여좌석 예측 시스템.

제 1항에 있어서,상기 버스 잔여좌석 예측 서버는,복수의 광역버스의 배차간격, 정류장별 도착시간, 정류장별 승하차 정보, 실시간 버스위치, 실시간 버스 간의 운행간격 및 실시간 잔여좌석 정보를 포함하는 버스 운행정보를 축적하여 저장하는 버스 운행정보 데이터베이스와;복수의 광역버스 운행경로 상의 정류장별 날씨정보를 축적하여 저장하는 날씨정보 데이터베이스; 및상기 버스 운행정보 데이터베이스 및 날씨정보 데이터베이스에 각각 축적된 버스 운행정보 및 정류장별 날씨정보를 취합하여, 버스의 운행일자, 요일, 시간 및 실시간 날씨정보와 실시간 버스위치에 기반한 앞차와의 시간 간격을 변수로 하는 시계열적 빅데이터 분석을 통해 예측대상 광역버스의 정류장별 승하차 예측인원을 산출하고, 상기 정류장별 승하차 예측인원 산출값을 이용하여 상기 예측대상 광역버스의 정류장별 잔여좌석을 예측하는 잔여좌석 예측부;를 포함하여 구성되는 것을 특징으로 하는 버스 잔여좌석 예측 시스템.

제 2항에 있어서,상기 잔여좌석 예측부에서는,인공신경망(Neural Networks), 서포트 백터머신(Support Vector Machine, SVM), 자기회귀누적이동평균법(autoregressive integrated moving average, ARIMA) 또는 계절성-자기회귀누적이동평균법(Seasonal-ARIMA) 중 어느 하나의 머신러닝 모델을 이용한 시계열적 빅데이터 분석을 수행하도록 구성되는 것을 특징으로 하는 버스 잔여좌석 예측 시스템.

제 1항에 있어서,상기 버스 잔여좌석 예측 서버는,온라인 웹 서비스나 또는 전용 애플리케이션이 설치된 개인 단말기와 통신망을 통해 연동하여, 상기 개인 단말기를 통해 버스 이용자에게 이용하고자 하는 광역버스의 잔여좌석 예측정보를 제공하는 것을 특징으로 하는 버스 잔여좌석 예측 시스템.

버스의 잔여좌석을 예측하는 방법에 있어서,버스 운행 간격 및 승객의 승하차 정보를 포함하는 버스 운행정보 및 버스 운행 지역의 정류장별 날씨정보를 취합하여 저장하고,상기 저장된 버스 운행정보 및 날씨정보를 기반으로 버스의 운행일자, 요일, 시간 및 실시간 날씨정보와 실시간 버스위치에 기반한 앞차와의 시간 간격을 변수로 하는 시계열적 빅데이터 분석을 통해 예측대상 버스의 정류장별 승하차 예측인원을 산출하여,상기 예측대상 버스의 정류장별 잔여좌석을 예측하는 것을 특징으로 하는 버스 잔여좌석 예측 방법.

제 5항에 있어서,상기 버스 운행정보는,복수의 광역버스의 배차간격, 정류장별 도착시간, 정류장별 승하차 정보, 실시간 버스위치, 실시간 버스 간의 운행간격 및 실시간 잔여좌석 정보를 포함하는 것을 특징으로 하는 버스 잔여좌석 예측 방법.

제 5항에 있어서,상기 시계열적 빅데이터 분석을 수행함에 있어서는,인공신경망(Neural Networks), 서포트 백터머신(Support Vector Machine, SVM), 자기회귀누적이동평균법(autoregressive integrated moving average, ARIMA) 또는 계절성-자기회귀누적이동평균법(Seasonal-ARIMA) 중 어느 하나의 머신러닝 모델을 이용한 시계열적 빅데이터 분석을 수행하는 것을 특징으로 하는 버스 잔여좌석 예측 방법.