KR101088651B1 - Method and apparatus for context estimating - Google Patents

Method and apparatus for context estimating Download PDF

Info

Publication number
KR101088651B1
KR101088651B1 KR1020090092780A KR20090092780A KR101088651B1 KR 101088651 B1 KR101088651 B1 KR 101088651B1 KR 1020090092780 A KR1020090092780 A KR 1020090092780A KR 20090092780 A KR20090092780 A KR 20090092780A KR 101088651 B1 KR101088651 B1 KR 101088651B1
Authority
KR
South Korea
Prior art keywords
situation
similarity
scenario
information
sample
Prior art date
Application number
KR1020090092780A
Other languages
Korean (ko)
Other versions
KR20110035171A (en
Inventor
이건창
이종만
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020090092780A priority Critical patent/KR101088651B1/en
Publication of KR20110035171A publication Critical patent/KR20110035171A/en
Application granted granted Critical
Publication of KR101088651B1 publication Critical patent/KR101088651B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

상황 예측 시스템은 사용자들의 과거 상황 정보를 시간 순서에 따라 나열한 샘플 시나리오를 관리하는 샘플 시나리오 관리부, 서비스 대상 사용자의 특정 기간 동안의 상황 정보를 시간 순서에 따라 나열한 입력 시나리오를 관리하는 입력 시나리오 관리부, 상기 각 시나리오 관리부를 통해 독출한 상기 샘플 시나리오와 상기 입력 시나리오의 유사도에 기초하여 상기 입력 시나리오에 연결될 미래 상황 정보를 산출하여 추천하는 상황 추천부 및 상기 샘플 시나리오 및 입력 시나리오를 저장하는 데이터베이스를 포함하되, 상기 상황 추천부는 상기 데이터베이스에 저장된 전체 상황 각각에 대하여 상기 유사도에 기초한 기본 확률값을 산출하고, 상기 산출된 기본 확률값로부터 D-S(Dempster-Shafer) 이론에 따라 상기 전체 상황 각각에 대한 신뢰도 값을 산출하고, 상기 신뢰도 값이 가장 큰 상황을 추천한다.

Figure R1020090092780

상황 정보, 유비쿼터스, D-S 이론

The situation prediction system includes a sample scenario management unit that manages a sample scenario in which user's past situation information is listed in chronological order, an input scenario manager that manages an input scenario in which the situation information of a service target user is listed in chronological order; It includes a situation recommending unit for calculating the future situation information to be connected to the input scenario based on the similarity between the sample scenario and the input scenario read through each scenario management unit and a database for storing the sample scenario and the input scenario, The situation recommender calculates a basic probability value based on the similarity level for each of the entire situations stored in the database, and calculates a reliability value for each of the entire situations according to the theory (Dempster-Shafer) from the calculated default probability value. , This is the confidence value is recommended for most situations.

Figure R1020090092780

Contextual Information, Ubiquitous, DS Theory

Description

상황 예측 장치 및 방법{METHOD AND APPARATUS FOR CONTEXT ESTIMATING}Context prediction device and method {METHOD AND APPARATUS FOR CONTEXT ESTIMATING}

본 발명은 상황 예측 장치 및 방법에 관한 것이다.The present invention relates to a situation prediction apparatus and method.

사용자가 소유한 각종 전자기기를 이용하여, 언제 어디서나 정보를 검색할 수 있도록 하거나, 상황 판단이 가능하도록 하기 위한 유비쿼터스 응용 기술에 대한 연구가 활발하게 진행 중이다. 여기서 상황이란, 사람이나 그가 소유한 전자기기 등 주체(entity)의 현재 상태를 나타낸다. 한편, 사용자의 현 상황을 인식하여 가장 적절한 서비스를 자동적으로 추천하고, 알려진 현재 상황을 수정하고 적응해 나가는 방법에 대한 응용 기술을 상황 인지(context-awareness)라고 한다. 상황 인지란, 상황 정보를 이용할 수 있음을 의미하는 것으로, 특정 주체가 현재의 상황 관련 정보를 검색하고 처리하여, 자신의 기능을 현 상황에 맞게 변경하여 적응할 수 있음을 의미한다. 이를 위해서는 사람이나 전자기기가 있는 장소 및 현재 상황을 효율적으로 정확하게 인식하는 것이 필요하다. Research on ubiquitous application technology for enabling information retrieval at any time, anywhere, or situation determination using various electronic devices owned by a user is being actively conducted. Here, the situation refers to the current state of an entity such as a person or an electronic device owned by him. On the other hand, context-awareness is an application technique for recognizing the user's current situation and automatically recommending the most appropriate service and modifying and adapting the known current situation. Situational awareness means that contextual information is available, which means that a particular subject can retrieve and process current contextually relevant information and adapt its function to the current context. To do this, it is necessary to efficiently and accurately recognize where people and electronic devices are and the current situation.

이러한 상황 인지 또는 상황 예측을 위해, 사용자의 다음 상황을 예측하거나 적절한 다음 서비스를 추천하는 알고리즘에 대해 많은 연구가 진행되고 있다. 즉, 과거의 누적 데이터를 분석하고 사용자 선호도와 현재의 상황정보를 반영하여, 현 상태에서 최적의 전략적인 의사 결정을 지원한다. 이러한 상황 예측 및 서비스의 추천을 위해서 규칙 기반의 추론 시스템, 인과 관계 추론 시스템, 퍼지 추론 시스템, 인공신경망 또는 기타 확률 통계적인 방법 등을 사용하여 왔다. In order to recognize the situation or predict the situation, many researches have been conducted on an algorithm for predicting the user's next situation or recommending an appropriate next service. In other words, it analyzes past cumulative data and reflects user preferences and current situation information to support optimal strategic decision making. Rule-based reasoning systems, causal reasoning systems, fuzzy inference systems, artificial neural networks, or other probabilistic statistical methods have been used to recommend such situations.

본 발명의 일부 실시예는 과거의 누적 데이터를 분석하고 사용자 선호도와 현재의 상황정보를 반영하여, 미래 상황을 예측하는 상황 예측 장치 및 방법을 제공한다.Some embodiments of the present invention provide a situation prediction apparatus and method for predicting future situations by analyzing past cumulative data and reflecting user preferences and current situation information.

또한, 본 발명의 일부 실시예는 전체 상황에 대하여 산출된 기본 확률값에 대하여, D-S 이론을 적용하여 각 상황에 대한 신뢰도값을 산출하여, 미래 상황을 예측하는 상황 예측 장치 및 방법을 제공한다.In addition, some embodiments of the present invention provide a situation prediction apparatus and method for predicting a future situation by calculating a reliability value for each situation by applying a D-S theory to a basic probability value calculated for the entire situation.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 제 1 측면에 해당하는 상황 예측 시스템은 사용자들의 과거 상황 정보를 시간 순서에 따라 나열한 샘플 시나리오를 관리하는 샘플 시나리오 관리부, 서비스 대상 사용자의 특정 기간 동안의 상황 정보를 시간 순서에 따라 나열한 입력 시나리오를 관리하는 입력 시나리오 관리부, 상기 각 시나리오 관리부를 통해 독출한 상기 샘플 시나리오와 상기 입력 시나리오의 유사도에 기초하여 상기 입력 시나리오에 연결될 미래 상황 정보를 산출하여 추천하는 상황 추천부 및 상기 샘플 시나리오 및 입력 시나리오를 저장하는 데이터베이스를 포함하되, 상기 상황 추천부는 상기 데이터베이스에 저장된 전체 상황 각각에 대하여 상기 유사도에 기초한 기본 확률값을 산출하고, 상기 산출된 기본 확률값로부터 D-S(Dempster-Shafer) 이론에 따라 상기 전체 상황 각각에 대한 신뢰도 값을 산출하고, 상기 신뢰도 값이 가장 큰 상황을 추천한다.As a technical means for achieving the above-described technical problem, the situation prediction system according to the first aspect of the present invention is a sample scenario management unit for managing a sample scenario in which the past situation information of the users in chronological order, the specific of the service target user An input scenario manager configured to manage an input scenario in which the situation information for the period is arranged in chronological order, and calculate future situation information to be connected to the input scenario based on the similarity between the sample scenario and the input scenario read out through each scenario manager; And a database for storing the recommended situation and the sample scenario and the input scenario, wherein the situation recommender calculates a basic probability value based on the similarity for each of the entire situations stored in the database. Calculating a confidence value for the whole situation, respectively in accordance with the D-S (Dempster-Shafer) from probability theory, and like this the credit value most circumstances.

또한, 본 발명의 제 2 측면에 따른 상황 예측 방법은 추천 가능한 전체 상황을 가설로 설정하는 단계, 사용자들의 과거 상황 정보를 시간 순서에 따라 나열한 샘플 시나리오와 서비스 대상 사용자의 특정 기간 동안의 상황 정보를 시간 순서에 따라 나열한 입력 시나리오에 대하여 각 상황 정보 별로 유사도를 산출하는 단계, 상기 산출된 유사도를 기본 확률값으로 설정하는 단계, 상기 설정된 기본 확률값에 기초하여, D-S(Dempster-Shafer) 이론에 따라 상기 전체 상황 각각에 대한 신뢰도 값을 산출하는 단계 및 상기 산출된 신뢰도 값이 가장 큰 상황에 해당하는 가설을 미래 상황으로서 추천하는 단계를 포함한다.In addition, the situation prediction method according to the second aspect of the present invention comprises the steps of setting the hypothesized overall situation as a hypothesis, sample scenarios that list the past situation information of the users in chronological order and the situation information for a specific time period of the service target user Calculating similarity for each situation information with respect to the input scenarios arranged in chronological order, setting the calculated similarity as a default probability value, and based on the set default probability value, the total according to the Dempster-Shafer (DS) theory Calculating a reliability value for each situation and recommending a hypothesis corresponding to the situation where the calculated reliability value is the largest as a future situation.

전술한 본 발명의 과제 해결 수단에 의하면, 과거의 누적 데이터를 분석하고 사용자 선호도와 현재의 상황정보를 반영하여, 미래 상황을 미리 예측할 수 있다. 특히, 전체 상황에 대하여 산출된 기본 확률값에 대하여, D-S 이론을 적용하여 각 상황에 대한 신뢰도값을 산출하여, 미래 상황을 예측하므로, 불확실성을 충분히 제거할 수 있는 장점이 있다.According to the problem solving means of the present invention described above, it is possible to predict the future situation by analyzing the cumulative data of the past and reflecting the user preferences and the current situation information. In particular, with respect to the basic probability values calculated for the entire situation, applying the D-S theory to calculate the reliability value for each situation, and predicts the future situation, there is an advantage that can sufficiently eliminate the uncertainty.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.DETAILED DESCRIPTION Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art may easily implement the present invention. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. In the drawings, parts irrelevant to the description are omitted in order to clearly describe the present invention, and like reference numerals designate like parts throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part is "connected" to another part, this includes not only "directly connected" but also "electrically connected" with another element in between. . In addition, when a part is said to "include" a certain component, which means that it may further include other components, except to exclude other components unless otherwise stated.

도 1은 본 발명의 일 실시예에 따른 상황 예측 장치를 이용한 유비쿼터스 시스템을 도시한 도면이다.1 is a diagram illustrating a ubiquitous system using a situation prediction apparatus according to an embodiment of the present invention.

유비쿼터스 시스템(100)은 사용자가 겪고 있는 상황 정보를 수집하는 하나 이상의 상황 정보 수집부(110, 112), 상황 예측부(120) 및 응용 서비스 제공부(130)를 포함한다.The ubiquitous system 100 includes one or more situation information collecting units 110 and 112, a situation predicting unit 120, and an application service providing unit 130 for collecting situation information that a user is experiencing.

참고로, 본 발명의 실시예에 따른 도 1에 도시된 구성 요소들은 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 하드웨어 구성 요소를 의미하며, 소정의 역할들을 수행한다.For reference, the components shown in FIG. 1 according to an embodiment of the present invention mean software components or hardware components such as a field programmable gate array (FPGA) or an application specific integrated circuit (ASIC), and perform predetermined roles. .

그렇지만 '구성 요소들'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아 니며, 각 구성 요소는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.However, the terms 'components' are not limited to software or hardware, and each component may be configured to be in an addressable storage medium or may be configured to play one or more processors.

따라서, 일 예로서 구성 요소는 소프트웨어 구성 요소들, 객체지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.Thus, as an example, a component may include components such as software components, object-oriented software components, class components, and task components, and processes, functions, properties, procedures, and subs. Routines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables.

구성 요소들과 해당 구성 요소들 안에서 제공되는 기능은 더 작은 수의 구성 요소들로 결합되거나 추가적인 구성 요소들로 더 분리될 수 있다.Components and the functionality provided within those components may be combined into a smaller number of components or further separated into additional components.

상황 정보 수집부(110, 112)는 사용자의 각종 활동 공간에서 사용자의 위치 정보 및 사용자의 위치가 확인된 지점에서의 시간 정보 등과 같은 각종 상황 정보를 수집한다. 예를 들면, 집, 사무실, 학교, 각종 건물, 각종 쇼핑몰 또는 놀이시설 등의 공간 내에서, 방, 거실, 주방, 현관입구, 식당, 사무실 또는 회의실 등 사용자가 위치하는 구체적인 지점의 위치 정보를 수집한다. 한편, 위치를 얼마나 상세히 분류할 것인가는 본 발명이 사용되는 응용분야에 따라 달라질 수 있다.The contextual information collecting units 110 and 112 collect various contextual information such as location information of the user and time information at a point where the location of the user is confirmed in various activity spaces of the user. For example, in a space such as a house, office, school, various buildings, various shopping malls or amusement facilities, collect location information of a specific point where a user is located, such as a room, a living room, a kitchen, an entrance, a restaurant, an office, or a conference room. do. On the other hand, how detailed to classify the location may vary depending on the application in which the present invention is used.

또한, 상황 정보 수집부(110, 112)는 수집된 사용자의 상황 정보를 각 사용자별 식별 정보와 연계하여 상황 예측부(120)로 전송한다. 이러한 상황 정보는 데이터베이스(127)와 같은 각종 저장 장치에 저장될 수 있다. 이를 위해, 사용자가 활동하는 장소에 설치된 각종 센서를 통해 상황 정보를 수집할 수 있다. 또는, 사용자가 휴대하는 RFID 태그를 이용하여 사용자를 식별하고, 각 사용자의 상황 정보 를 수집할 수 있다. 예를 들면, GPS 모듈이나 블루투스 모듈이 탑재된 휴대용 단말기를 이용하여 사용자가 위치하는 지점의 좌표 정보를 획득하고, 각 좌표 정보와 위치 정보를 매칭시킨 테이블을 탐색하여 상기 위치 정보를 확인할 수 있다. 또는, 특정 위치에 RFID 판독기를 배치시키고, 사용자가 휴대하는 RFID 태그를 이용하여 사용자를 식별하고, 사용자의 위치 정보를 수집할 수 있다. 이와 같이 한정된 공간 내에 배치되는 하나 이상의 상황 정보 수집부와 사용자가 휴대하는 휴대용 단말 또는 RFID등의 식별 장치를 통해 사용자의 상황 정보를 수집할 수 있다.In addition, the context information collection unit 110 and 112 transmits the collected context information of the user to the context prediction unit 120 in association with identification information for each user. Such situation information may be stored in various storage devices such as the database 127. To this end, situation information may be collected through various sensors installed at a place where the user is active. Alternatively, a user may be identified using an RFID tag carried by the user, and context information of each user may be collected. For example, by using a portable terminal equipped with a GPS module or a Bluetooth module, coordinate information of a location where a user is located may be obtained, and the location information may be checked by searching a table in which each coordinate information and location information are matched. Alternatively, the RFID reader may be disposed at a specific location, the user may be identified using an RFID tag carried by the user, and the location information of the user may be collected. As described above, the user's context information may be collected through at least one situation information collecting unit disposed in the limited space and an identification device such as a portable terminal or RFID.

도 2a는 본 발명의 일 실시예에 따른 상황 정보 수집대상이 되는 위치의 정보를 계층적으로 도시한 도면이고, 도 2b는 본 발명의 일 실시예에 따라 수집된 상황 정보를 도시한 테이블이다.FIG. 2A is a diagram hierarchically showing information of a location to be collected subject to situation information according to an embodiment of the present invention, and FIG. 2B is a table showing situation information collected according to an embodiment of the present invention.

도시된 바와 같이, 대학교에 있는 각종 건물을 기준으로 위치를 분류할 수 있다. 또한, 각 건물들의 용도에 기초하여 각 건물을 대분류할 수 있다. 즉, 강의실, 식당, 운동장, 책, 매점, 기숙사, 문 등과 같이 용도를 기준으로 각종 건물들을 분류할 수 있다. 추후 설명하겠지만, 같은 대분류에 포함된 건물들끼리는 유사도가 높은 것으로 판단한다. 이와 같이 각 건물에 대하여 상황 정보 수집부(110, 112)를 설치하는 방식으로 각 건물에 대한 사용자의 상황 정보를 수집할 수 있다.As shown, locations may be classified based on various buildings in a university. It is also possible to classify each building based on the purpose of each building. That is, various buildings can be classified based on their use, such as lecture rooms, restaurants, playgrounds, books, canteens, dormitories, and doors. As will be explained later, the buildings in the same category are considered to have high similarity. As described above, the situation information collecting units 110 and 112 may be installed in each building to collect the situation information of the user for each building.

도 2b를 참조하면, 사용자 별로 상황 정보를 저장하고 있는 테이블을 볼 수 있다. 즉, 특정 공간에 대한 정보와 해당 공간에 위치하였던 시간 정보를 같이 연계하여 저장한다. 이와 같은 상황 정보는 상황 정보 수집부(110, 112)를 통하여 수집되고, 상황 예측부(120)로 전송된다. 또한, 이러한 상황 정보는 누적되어 학습 데이터로서 기능하는 샘플 시나리오로 생성되거나, 미래 상황을 예측하기 위한 입력 시나리오로서 사용된다.Referring to FIG. 2B, a table that stores contextual information for each user can be viewed. That is, information about a specific space and time information that were located in the space are linked together and stored. Such situation information is collected through the situation information collecting units 110 and 112 and transmitted to the situation predicting unit 120. In addition, such situation information is generated as a sample scenario that accumulates and functions as learning data, or is used as an input scenario for predicting a future situation.

다시 도 1을 참조하면, 상황 예측부(120)는 샘플 시나리오 관리부(121), 입력 시나리오 관리부(123), 상황 추천부(125), 데이터베이스(127)를 포함한다.Referring back to FIG. 1, the situation predictor 120 includes a sample scenario manager 121, an input scenario manager 123, a situation recommender 125, and a database 127.

샘플 시나리오 관리부(121)는 사용자가 처할 수 있는 여러 상황을 조합하여 생성한 샘플 시나리오를 관리한다. 또는, 상황 정보 수집부(110, 112)를 통해 수집한 상황 정보에 기초하여 생성된 샘플 시나리오를 관리한다. 이러한 샘플 시나리오는 데이터베이스(127)에 저장되고, 샘플 시나리오 관리부(121)를 통해 독출될 수 있다.The sample scenario manager 121 manages a sample scenario generated by combining various situations that a user may face. Alternatively, the sample scenario generated based on the situation information collected through the situation information collecting units 110 and 112 is managed. Such a sample scenario may be stored in the database 127 and read out through the sample scenario manager 121.

샘플 시나리오는 사용자가 위치했던 장소에 대한 정보를 시간 순으로 나열함으로써 생성할 수 있다. 예를 들면, “1 번 사용자는 매점에 들린 후, 경영관에서 강의를 듣고, 학생 식당에서 식사를 하고, 농구장에서 운동을 한 다음, 도서관으로 이동한다”와 같이 장소에 대한 정보를 나열한다. 이러한 샘플 시나리오는 가능한 상황을 무작위로 조합하여 생성할 수 있으나, 바람직하게는 각 공간 내에서의 물리적인 위치를 고려하여, 실제로 가능한 동선의 흐름을 기초로 하여 생성할 수 있다. 즉, 서로 인접해 있지 않은 장소를 무작위로 나열하는 시나리오 보다는 인접해 있는 장소로 연결하는 것이 실제 실현 가능한 시나리오가 된다.Sample scenarios can be created by listing information about the places where users are located in chronological order. For example, list information about a place, such as "User # 1 stops at a canteen, listens to a lecture in a management hall, eats in a student cafeteria, plays on a basketball court, then moves to a library." Such a sample scenario can be generated by randomly combining possible situations, but can be preferably generated based on the actual flow of moving lines in consideration of the physical position in each space. In other words, rather than a scenario of randomly arranging places that are not adjacent to each other, connecting to adjacent places becomes a practically feasible scenario.

또한, 상황 정보 수집부(110, 112)를 통해, 특정 기간 동안 복수의 사용자들에 대하여 상황 정보를 수집하도록 하고, 수집된 상황 정보에 기초하여 샘플 시나 리오를 생성하도록 할 수 있다. 실제 사용자들이 생성시킨 데이터이므로, 그 신뢰도가 더욱 높다고 볼 수 있다. In addition, the context information collecting units 110 and 112 may collect context information for a plurality of users for a specific period of time, and generate a sample scenario based on the collected context information. Since the data is generated by real users, the reliability is higher.

입력 시나리오 관리부(123)는 서비스 대상자의 상황 정보를 상황 정보 수집부(110, 112)로부터 수신하여 데이터베이스(127)에 각 서비스 대상자 별로 저장한다. 또한, 서비스 대상자의 미래 상황을 예측하고자 하는 경우, 데이터베이스(127)에 저장된 서비스 대상자의 과거의 특정 시점부터 현재 시점까지의 상황 정보를 독출하여 상황 추천부(125)로 전달한다. The input scenario manager 123 receives the situation information of the service subject from the situation information collecting units 110 and 112 and stores the service subject for each service subject in the database 127. In addition, in order to predict the future situation of the service subject, the situation information from a specific time point in the past of the service subject stored in the database 127 to the current time point is read and transmitted to the situation recommender 125.

상황 추천부(125)는 입력 시나리오 관리부(123)를 통해 데이터베이스(127)로부터 독출된 입력 시나리오, 샘플 시나리오 관리부(121)를 통해 데이터베이스(127)로부터 독출된 샘플 시나리오에 기초하여 가장 가능성이 높은 미래 상황을 산출하여 응용 서비스 제공부(130)로 전달한다.The situation recommender 125 is based on the input scenario read out from the database 127 through the input scenario manager 123 and the sample scenario read out from the database 127 through the sample scenario manager 121. The situation is calculated and transmitted to the application service provider 130.

본 발명에서는 미래 상황을 산출하기 위하여 D-S(Dempster-Shafer)이론을 사용하는 것을 특징으로 한다. D-S 이론은 불확실성을 처리하는 다양한 방법 중의 하나이며, 불확실한 값을 구간(긍정적인 값, 부정적인 값, 불확실한 값)으로 표현할 수 있는 특성을 갖는다. 불확실성의 처리는 인공지능의 한 분야로서 의사결정을 지원하거나 지식을 표현할 때 필수적인 요소이다. 모든 사실과 데이터는 0과 1의 상태로 명확하게 나타나지 않으며, 일반적으로 불확실성과 애매모호한 성격을 가진다. 이러한 다양한 지식을 효율적으로 활용하여 최적의 의미 있는 결정을 내리기 위해서는 불확실한 자료의 표현과 이를 이용하는 처리 및 연산 방법이 제공되어야 한다. 이러한, 불확실성의 처리 방법에는 CF(Certainty Factor), 베이지안 이론, 퍼지 이론, 규칙 기반 시스템, 인공신경망 등이 사용될 수 있으며, 본 발명에서는 D-S 이론에 기초하여 불확실성을 처리한다. The present invention is characterized by using the D-S (Dempster-Shafer) theory to calculate the future situation. D-S theory is one of various ways of dealing with uncertainty and has the property of expressing uncertain values as intervals (positive, negative, uncertain). Handling uncertainty is an area of artificial intelligence that is essential when supporting decision making or expressing knowledge. All facts and data do not appear clearly in the states of 0 and 1, and are generally uncertain and ambiguous. In order to make efficient use of this diverse knowledge, it is necessary to provide uncertain data representations and processing and calculation methods using them. Such a method of processing uncertainty may be used as a certification factor (CF), Bayesian theory, fuzzy theory, rule-based system, artificial neural network, etc. In the present invention, the uncertainty is processed based on the D-S theory.

D-S 이론은 불확실성을 처리하는 여러 방법 중에서 신뢰도(Belief)를 구간으로 표현할 수 있는 장점을 가지고 있다. 예를 들면, [0.2, 0.7]과 같이 신뢰도를 표현하며, 긍정적인 값과 부정적인 값, 그리고 아직 불확실한 모르는 값 등 신뢰도를 3가지 구간으로 표현하는 방법이다. 많은 데이터가 모아지면 긍정적인 값과 부정적인 값은 커지며, 아직 불확실한 모르는 값 구간은 점점 줄어든다. 이 이론은 불확실하게 알려진 여러 가지 증상을 종합하여 최종적인 결론을 내릴 때 사용하기에 적절한 방법이다. D-S theory has the advantage of expressing the reliability (Belief) as the interval among the various methods of handling the uncertainty. For example, as shown in [0.2, 0.7], reliability is expressed, and reliability is expressed in three sections: positive value, negative value, and unknown value. When a lot of data is collected, the positive and negative values are larger, and the unknown value range is less and less. This theory is an appropriate method to use in the final conclusion by combining a number of uncertainly known symptoms.

D-S 이론은 현재 상황에서 고려되는 모든 항목을 가설로 표현하고, 이들 모든 가설을 Θ(Frame of discernment)로 표현한다. Θ 내의 모든 가설은 상호 배타적(mutual exclusive)이고, 전체 값의 총합은 항상 1인(exhaustive) 성격을 가진다고 가정하며, 각 가설에 대한 확률 값은 기본 확률값(bpa)의 함수인 m(.)으로 표현한다. D-S theory expresses all items considered in the current situation as hypotheses, and expresses all these hypotheses as Θ (Frame of discernment). It is assumed that all hypotheses in Θ are mutually exclusive and that the sum of the total values always has an exhaustive nature, and the probability value for each hypothesis is m (.), A function of the default probability value (bpa). Express.

모든 가설에 대해 m(.) 값은 0과 1 사이의 값을 가지고(m: 2^Θ -> [0, 1]), 공집합에 대한 m(.)은 0이며(m(ø) = 0), Θ내의 모든 가설들에 대한 m(.) 값의 합은 항상 1이다(∑A⊆Θ m(A) = 1). Θ의 임의의 부분집합 A에 대해, m(A)는 순수하게 A에만 배당된 기본 확률값을 나타낸다. m(A) > 0이면 A를 포컬 엘리먼트(focal element)라고 한다. A에 대한 신뢰도 함수, Bel(.)는 A의 모든 부분집합에 대한 기본 확률값의 합(Bel(A) = ∑B⊆A m(B))으로 정의한다. For all hypotheses, m (.) Has a value between 0 and 1 (m: 2 ^ Θ-> [0, 1]), and m (.) For the empty set is 0 (m (ø) = 0 ), The sum of m (.) Values for all hypotheses in Θ is always 1 (∑ A⊆Θ m (A) = 1). For any subset A of Θ, m (A) represents the default probability value purely assigned to A. If m (A)> 0, A is called the focal element. The confidence function for A, Bel (.), Is defined as the sum of the base probability values for all subsets of A (Bel (A) = ∑ B⊆A m (B)).

또한, 한 가설에 대해 다수의 서로 다른 의견이 있으면, 다수의 의견을 모아 가설에 대한 종합 의견을 제시할 수 있다. 가설 C에 대한 두개의 의견 m1(C), m2(C)를 결합하여 C에 대한 종합된 m(.)값을 계산하는 공식을 D-S 규칙(Dempster-Shafer rule)이라고 하며, 공식은 수학식 1과 같다.In addition, if there is a large number of different opinions about a hypothesis, the multiple opinions can be gathered to present a comprehensive opinion on the hypothesis. A formula that combines two comments on hypothesis C, m 1 (C) and m 2 (C), to calculate the combined m (.) Value for C, is called the DSemper-Shafer rule, and the formula is mathematical Equation 1

[수학식 1][Equation 1]

Figure 112009060095799-pat00001
Figure 112009060095799-pat00001

이제 이와 같은 D-S 이론을 이용한 미래 상황 추천 방법을 살펴보기로 한다.Now, let's take a look at how to recommend future situation using D-S theory.

도 3은 본 발명의 일 실시예에 따른 미래 상황 추천 방법을 도시한 순서도이다.3 is a flowchart illustrating a future situation recommendation method according to an embodiment of the present invention.

먼저, 추천 가능한 모든 상황을 가설로 만든다(S310).First, hypotheses are made of all possible situations (S310).

예를 들어, 장소 정보를 추천하는 경우, 샘플 시나리오 관리부(121)를 통해, 데이터베이스(127)에 저장된 전체 장소를 독출하여, 가설(H1, H2, … Hn)로 설정한다. For example, when recommending place information, the entire place stored in the database 127 is read out through the sample scenario management unit 121 and set as hypotheses H1, H2, ... Hn.

다음으로, 샘플 시나리오의 각 상황 정보와 입력 시나리오의 각 상황 정보간의 유사도를 산출한다(S320). 이때, 입력 시나리오는 서비스 대상자의 과거 시점부터 현재 시점까지 누적된 상황 정보를 포함한다. 한편, 유사도를 산출하는 경우 샘플 시나리오와 입력 시나리오를 각각 n 개씩 연속적으로 고려하여, 유사도를 산출할 수 있다. 예를 들어, 3 개씩 고려하여 유사도를 산출하는 경우, 현재 시점이 i라면, 입력 시나리오의 상황 정보(i-2, i-1, i)와 샘플 시나리오의 상황 정보(j-2, j-1, j)를 각각 고려하여 유사도를 산출한다. 연속적으로 고려되는 항목의 수는 선택에 따라 변경가능하며, 그 값이 클수록 추천되는 상황 정보의 정확성이 높아질 수 있다. Next, the similarity between each situation information of the sample scenario and each situation information of the input scenario is calculated (S320). In this case, the input scenario includes the situation information accumulated from the past time point of the service subject to the present time point. Meanwhile, when calculating the similarity, the similarity may be calculated by continuously considering n sample scenarios and n input scenarios, respectively. For example, in the case of calculating the similarity considering three by one, if the current time is i, the situation information (i-2, i-1, i) of the input scenario and the situation information (j-2, j-1) of the sample scenario and j) are respectively considered to calculate similarity. The number of items to be considered continuously can be changed according to the selection, and the larger the value, the higher the accuracy of the recommended situation information can be.

이때, 상황 정보에 포함되는 시간 유사도는 다음과 같이 계산될 수 있다. 입력 시나리오 중 한 상황의 현재 시간 t와 샘플 시나리오 중 한 상황의 현재 시간 t’의 시간 유사도에 대하여, 입력 시나리오 중 한 상황과 샘플 시나리오 중 한 상황이 서로 겹치는 시간이 있으면 두 상황 사이의 시간 유사도를 1.0으로 한다. 그리고 입력 시나리오 중 한 상황과 샘플 시나리오 중 한 상황이 서로 겹치는 시간이 없으면, 두 상황 사이의 차이를 분 단위로 계산한 다음, 두 상황의 시간 차이가 0인 곳을 평균점으로 하는 정규분포함수를 이용하여 시간 유사도를 계산한다. 정규분포함수의 분산 값은 적용 분야 및 수집 자료의 특성에 따라 적절히 조정하여 사용할 수 있다.In this case, the time similarity included in the situation information may be calculated as follows. For the time similarity between the current time t of one of the input scenarios and the current time t 'of one of the sample scenarios, the time similarity between two situations is determined if there is a time when one of the input scenarios and one of the sample scenarios overlap each other. Let it be 1.0. If there is no overlapping time between one of the input scenarios and one of the sample scenarios, calculate the difference between the two situations in minutes, then use a normal distribution function that averages where the time difference between the two situations is zero. Calculate the time similarity. The variance of the normal distribution function can be adjusted accordingly depending on the application and the characteristics of the collected data.

또한, 상황 정보에 포함되는 장소 유사도는 다음과 같이 계산될 수 있다. 입력 시나리오 중 한 상황에서의 장소 L과 샘플 시나리오 중 한 상황에서의 장소 L’ 사이의 장소 유사도에 대하여, 장소간의 개념적 유사도로 장소 유사도를 정의한다. 통상의 경우, 두 장소의 거리 차이로 장소 유사도를 계산하는 방법을 많이 이용한다. 즉, 모든 장소를 계층적으로 배치하고, 한 장소에서 다음 장소로 가는 최 단 경로를 계산하여, 이 경로가 짧으면 장소 유사도가 높고, 이 경로가 길면 장소 유사도가 낮게 계산하는 방식이 통상적으로 사용되었다.In addition, the place similarity included in the situation information may be calculated as follows. For place similarity between place L 'in one of the input scenarios and place L' in one of the sample scenarios, place similarity is defined as conceptual similarity between places. In general, a method of calculating a place similarity using a distance difference between two places is frequently used. In other words, it is commonly used to arrange all places hierarchically, to calculate the shortest route from one place to the next place, and to calculate the place similarity if the route is short and the place similarity is low if the route is long. .

그러나 본 발명에서는 장소간의 개념적 유사도로 장소 유사도를 판단한다. 예를 들어, 서로 다른 건물에 있는 두 개의 식당은 장소 유사도를 매우 높게 정의하였고, 같은 건물에 있는 강의실과 식당은 거리가 가까워도 장소 유사도를 매우 낮게 정의하였다. 이와 같이 정의하면 정확한 매칭이 안되어도 개념적인 유사도가 높은 개념적 매칭이 가능하여 유사 행동 패턴을 자동적으로 인식하는 효과를 얻을 수 있다. 즉, 경영관에서 강의를 수강하고 학생 식당으로 이동한 경우와, 경제관에서 수강하고 한식당으로 이동한 것은 서로 다른 경우이지만, 경영관과 경제관이 강의실로 개념이 유사하고 학생식당과 한식당이 식당으로 개념이 유사하여 “강의 수강 후 식당으로 이동”하였다는 공통점이 있어 이를 의미 있는 정보로 활용할 수 있다. However, in the present invention, the similarity between places is determined by the conceptual similarity between places. For example, two restaurants in different buildings have very high place similarity, while classrooms and restaurants in the same building have very low place similarity. If defined as above, conceptual matching with high conceptual similarity is possible even if the exact matching is not performed, thereby obtaining the effect of automatically recognizing similar behavior patterns. In other words, students who attended a lecture hall at a management hall and moved to a student restaurant are different from those who took a course at an economic hall and moved to a Korean restaurant.However, management and economic halls have a similar concept as a classroom, and students and Korean restaurants have a similar concept as a restaurant. There is a common point that they moved to a restaurant after the lecture, which can be used as meaningful information.

도 4는 본 발명의 일 실시예에 따른 상황 예측 방법에 적용되는 장소 유사도의 값을 도시한 표이다.4 is a table illustrating values of place similarity applied to a situation prediction method according to an embodiment of the present invention.

도시된 바와 같이, 본원 발명에서는 개념적 유사도에 기초하여 장소간의 유사도를 판단한다. 예를들면, 물리적인 거리에 불구하고, 강의실로 사용되는 장소들 간의 유사도는 동일하도록 설정한다. 마찬가지로, 식당, 운동장, 매점 등 개념적 유사도가 높은 장소들간의 유사도는 동일하게 설정한다.As shown, the present invention determines the similarity between places based on the conceptual similarity. For example, despite the physical distance, the similarity between the places used as classrooms is set to be the same. Similarly, similarities between places with high conceptual similarity such as restaurants, playgrounds, and canteens are set equal.

다시 도 3을 참조하면, 상기 산출된 유사도를 기본 확률값으로 설정한다(S330). 기본 확률값은 0과 1 사이의 값을 가지며, 전체 가설에 대한 기본 확률 값의 합은 1이다.Referring to FIG. 3 again, the calculated similarity is set as a basic probability value (S330). The default probability value has a value between 0 and 1, and the sum of the default probability values for the whole hypothesis is 1.

다음으로, D-S 이론에 기초하여 상기 산출된 기본 확률값으로부터 신뢰도 값을 산출한다(S340). 이때, 한 가설에 대한 신뢰도 값은, 그 가설과 가설의 모든 부(sub)가설에 기본 확률값을 모두 더한 값이다. 예를 들어, 특정 가설(Hn)에 대하여, 그보다 하위 개념에 해당하는 가설들이 포함되는 경우, 상기 가설(Hn)에 대한 신뢰도 값은 가설(Hn)에 대한 기본 확률값과 하위 가설들에 대한 기본 확률값을 모두 더한 값이 된다. 따라서, 전체 가설에 대한 신뢰도 값의 합은 1을 초과할 수 있다. Next, a reliability value is calculated from the calculated default probability value based on the D-S theory (S340). In this case, the confidence value for a hypothesis is a value obtained by adding a basic probability value to all hypotheses of the hypothesis and the hypothesis. For example, if a hypothesis (Hn) includes hypotheses that are lower than that, the confidence value for the hypothesis (Hn) is the default probability value for the hypothesis (Hn) and the default probability value for the hypothesis (Hn). Will be added together. Thus, the sum of the confidence values for the overall hypothesis may exceed one.

한편, 기본 확률값을 신뢰도 값으로 결합하는 과정에서 D-S 이론 특성에 의해 새로 만들어지는 가설들의 집합이 생성될 수 있다. D-S 이론에서 계산의 복잡도는 2^가설수 이므로, 이를 선형 복잡도로 낮추기 위해 근사 방법을 사용할 수 있다. 즉, 새로 생성되는 가설이 기존 장소 목록에 없는 것이면, 새로 생성된 가설의 기본 확률값을 그 가설과 가장 가까운 상위 가설에 배당한다. Meanwhile, in the process of combining the basic probability values into the reliability values, a set of hypotheses newly generated by the D-S theoretical characteristic may be generated. In the D-S theory, the computational complexity is 2 ^, so we can use an approximation method to reduce it to linear complexity. That is, if the newly created hypothesis is not in the existing place list, the default probability value of the newly created hypothesis is allocated to the higher hypothesis closest to the hypothesis.

다음으로, 신뢰도가 가장 큰 가설을 미래 상황으로서 추천한다(S350). 신뢰도가 가장 큰 가설뿐만 아니라, 신뢰도의 크기에 따라 전체 가설에 대한 랭킹을 산출하여 복수의 가설을 추천할 수 있다.Next, a hypothesis with the highest reliability is recommended as a future situation (S350). In addition to hypotheses with the highest reliability, a plurality of hypotheses may be recommended by calculating a ranking of all hypotheses according to the magnitude of the reliability.

다시 도 1을 참조하면, 데이터베이스(127)는 샘플 시나리오 관리부(121)를 통해 입력된 각종 샘플 시나리오, 입력 시나리오 관리부(123)를 통해 입력된 입력 시나리오를 저장한다. 예를 들어, 사용자가 위치 하는 지점의 장소 정보와 시간 정보를 각 사용자 별로 시간 순서에 기초하여 기록할 수 있다. Referring back to FIG. 1, the database 127 stores various sample scenarios input through the sample scenario manager 121 and input scenarios input through the input scenario manager 123. For example, place information and time information of a location where a user is located may be recorded for each user based on a time sequence.

응용 서비스 제공부(130)는 상황 예측부(130)를 통해 예측된 사용자 목표를 이용하여 각종 응용 서비스를 제공한다. 응용 서비스는 다양한 형태로 제공이 가능하다. 예를 들면, 노인들을 위한 요양원, 혹은 노인들만 거주하고 있는 주거 공간에서, 노인들의 상황 정보로부터 미래의 상황 정보를 예측함으로써, 적절한 서비스를 제공할 수 있다. 또한, 사용자가 식당에 가고자 하는 것을 예측한 경우, 사용자의 이동경로 상에 있는 식당 정보를 제공할 수도 있다. 또한, 사용자가 거래처에 방문하고자 하는 것을 예측한 경우, 현재 거래처까지의 이동 경로 상의 도로 교통상황에 대한 정보 제공도 가능할 것이다.The application service provider 130 provides various application services using the user goal predicted by the situation predictor 130. Application services can be provided in various forms. For example, in a nursing home for the elderly or in a living space where only the elderly live, the future situation information can be predicted from the situation information of the elderly, so that appropriate services can be provided. In addition, when the user predicts that he / she wants to go to the restaurant, the restaurant information on the user's movement path may be provided. In addition, when it is predicted that the user wants to visit the customer, it may be possible to provide information on the road traffic situation on the movement route to the current customer.

도 5a와 5b는 본 발명의 일 실시예에 따른 상황 추천 시스템을 이용하여 제작한 프로그램을 이용한 실험 데이터를 도시한 도면이다.5A and 5B illustrate experimental data using a program produced by using a context recommendation system according to an exemplary embodiment of the present invention.

장소 ID는 각 장소의 식별자로서 도 4의 각 일련번호에 대응된다. 본 발명에 따라 제작한 프로그램(CORES)은 샘플 시나리오와 입력 시나리오에 기초하여 추천 장소를 출력한다. 샘플 시나리오의 다음 장소와 동일한 추천 장소를 출력하는 경우 추천 결과가 정확한 것으로 판단한다. 또한, 장소가 일치하지는 않아도, 그 장소가 속한 그룹이 일치하는 경우도, 추천이 일부 정확한 것으로 볼 수 있다. The place ID is an identifier of each place and corresponds to each serial number in FIG. 4. The program CORES produced according to the present invention outputs a recommendation place based on a sample scenario and an input scenario. When the same recommendation place is output as the next place of the sample scenario, it is determined that the recommendation result is accurate. In addition, even if the place does not match, even if the group to which the place belongs may be considered to be accurate.

도 5b는 모집단의 크기와 패턴의 불규칙성에 따른 장소 예측 정확도를 도시한 테이블이고, 도 5c는 모집단의 크기와 패턴의 불규칙성에 따른 그룹 예측 정확도를 도시한 테이블이다. 도시된 바와 같이 샘플 시나리오를 누적한 기간이 클수록 정확도가 높아짐을 알 수 있다. 또한, 사용자들의 이동 패턴의 불규칙성이 낮을수록 정확도가 높아짐을 알 수 있다. 또한, 장소 예측 정확도보다는 그룹 예측 정확도가 더 높은 것을 확인할 수 있다.FIG. 5B is a table showing place prediction accuracy according to the size and pattern irregularity of the population, and FIG. 5C is a table showing the group prediction accuracy according to the size and pattern irregularity of the population. As shown in the figure, it can be seen that the greater the accumulated period of the sample scenario, the higher the accuracy. In addition, it can be seen that the lower the irregularity of the movement pattern of the users, the higher the accuracy. In addition, it can be seen that the group prediction accuracy is higher than the place prediction accuracy.

이러한 실험 데이터에 기초하여, 샘플 시나리오 모집단의 크기, 장소와 그룹의 분류 정도 등을 최적화할 수 있다. 또한, 실제 패턴의 불규칙성에 따라 최적의 추천 정확도를 산출하기 위한 모집단의 크기, 장소와 그룹의 분류 정도를 최적화할 수 있다.Based on the experimental data, the size of the sample scenario population, the degree of classification of places and groups, etc. can be optimized. In addition, it is possible to optimize the size of the population, the degree of classification of the place and the group for calculating the optimal recommendation accuracy according to the irregularities of the actual pattern.

본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다. One embodiment of the present invention can also be implemented in the form of a recording medium containing instructions executable by a computer, such as a program module executed by the computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. In addition, computer readable media may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transmission mechanism, and includes any information delivery media.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다. While the methods and systems of the present invention have been described in connection with specific embodiments, some or all of those elements or operations may be implemented using a computer system having a general purpose hardware architecture.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The foregoing description of the present invention is intended for illustration, and it will be understood by those skilled in the art that the present invention may be easily modified in other specific forms without changing the technical spirit or essential features of the present invention. will be. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is shown by the following claims rather than the above description, and all changes or modifications derived from the meaning and scope of the claims and their equivalents should be construed as being included in the scope of the present invention. do.

도 1은 본 발명의 일 실시예에 따른 상황 예측 장치를 이용한 유비쿼터스 시스템을 도시한 도면이다.1 is a diagram illustrating a ubiquitous system using a situation prediction apparatus according to an embodiment of the present invention.

도 2a는 본 발명의 일 실시예에 따른 상황 정보 수집대상이 되는 위치의 정보를 계층적으로 도시한 도면이고, 도 2b는 본 발명의 일 실시예에 따라 수집된 상황 정보를 도시한 테이블이다.FIG. 2A is a diagram hierarchically showing information of a location to be collected subject to situation information according to an embodiment of the present invention, and FIG. 2B is a table showing situation information collected according to an embodiment of the present invention.

도 3은 본 발명의 일 실시예에 따른 미래 상황 추천 방법을 도시한 순서도이다.3 is a flowchart illustrating a future situation recommendation method according to an embodiment of the present invention.

도 4는 본 발명의 일 실시예에 따른 상황 예측 방법에 적용되는 장소 유사도의 값을 도시한 표이다.4 is a table illustrating values of place similarity applied to a situation prediction method according to an embodiment of the present invention.

도 5a와 5b는 본 발명의 일 실시예에 따른 상황 추천 시스템을 이용하여 제작한 프로그램을 이용한 실험 데이터를 도시한 도면이다.5A and 5B illustrate experimental data using a program produced by using a context recommendation system according to an exemplary embodiment of the present invention.

<도면의 주요 부분에 대한 설명>Description of the main parts of the drawing

100: 유비쿼터스 시스템 110, 112: 상황 정보 수집부100: ubiquitous system 110, 112: situation information collection unit

120: 상황 예측부 120: situation prediction unit

121: 샘플 시나리오 관리부 123: 입력 시나리오 관리부121: sample scenario management unit 123: input scenario management unit

125: 상황 추천부 127: 데이터베이스125: situation recommendation unit 127: database

130: 응용 서비스 제공부130: application service provider

Claims (11)

상황 예측 시스템에 있어서,In the situation prediction system, 사용자들의 과거 상황 정보를 시간 순서에 따라 나열한 샘플 시나리오를 관리하는 샘플 시나리오 관리부,Sample scenario management unit for managing a sample scenario that lists the user's past situation information in chronological order, 서비스 대상 사용자의 특정 기간 동안의 상황 정보를 시간 순서에 따라 나열한 입력 시나리오를 관리하는 입력 시나리오 관리부,An input scenario management unit for managing an input scenario in which the situation information of the service user for a specific period of time is listed in chronological order; 상기 각 시나리오 관리부를 통해 독출한 상기 샘플 시나리오와 상기 입력 시나리오의 유사도에 기초하여 상기 입력 시나리오에 연결될 미래 상황 정보를 산출하여 추천하는 상황 추천부 및A situation recommender for calculating and recommending future situation information to be connected to the input scenario based on the similarity between the sample scenario and the input scenario read out through each scenario manager; 상기 샘플 시나리오 및 입력 시나리오를 저장하는 데이터베이스를 포함하되,Including a database for storing the sample scenarios and input scenarios, 상기 상황 정보는 사용자가 위치하는 지점에 대한 장소 정보 및 상기 사용자가 위치하는 지점에서의 시간 정보를 포함하고,The situation information includes place information on the location where the user is located and time information at the location where the user is located, 상기 상황 추천부는 상기 데이터베이스에 저장된 전체 상황 각각에 대하여 상기 유사도에 기초한 기본 확률값을 산출하고, 상기 산출된 기본 확률값로부터 D-S(Dempster-Shafer) 이론에 따라 상기 전체 상황 각각에 대한 신뢰도 값을 산출하고, 상기 신뢰도 값이 가장 큰 상황을 추천하는 것이고,The situation recommendation unit calculates a basic probability value based on the similarity for each of the entire situations stored in the database, and calculates a reliability value for each of the entire situations according to the Dempster-Shafer (DS) theory from the calculated basic probability values, Recommends a situation where the confidence value is the largest; 상기 상황 추천부는 상기 입력 시나리오 및 샘플 시나리오의 각 상황 별 장소 유사도 및 시간 유사도에 기초하여 상기 유사도를 산출하고, 상기 산출된 유사도를 상기 기본 확률값으로서 산출하고,The situation recommendation unit calculates the similarity based on place similarity and time similarity for each situation of the input scenario and the sample scenario, and calculates the calculated similarity as the basic probability value, 상기 시간 유사도는 시간의 겹침 정도에 기초하여 산출되고, 상기 장소 유사도는 장소의 개념적 유사도에 기초하여 산출되고, The time similarity is calculated based on the degree of overlap of time, the place similarity is calculated based on the conceptual similarity of the place, 상기 상황 추천부는 각 상황에 대하여 해당 상황에 대한 상기 기본 확률값 및 해당 상황에 포함되는 하위 개념의 상황에 대한 기본 확률값을 모두 합산하여 상기 신뢰도 값을 산출하는 것을 특징으로 하는 상황 예측 시스템.The situation recommendation unit calculates the reliability value by adding up the basic probability value for the situation and the basic probability value for the situation of the sub-concept included in the situation for each situation. 제 1 항에 있어서,The method of claim 1, 상기 샘플 시나리오 관리부는 사용자가 처할 수 있는 상황을 조합하여 생성한 샘플 시나리오를 상기 데이터베이스에 저장하거나, 상황 정보 수집부를 통해 자 동으로 수집된 상황 정보에 기초한 샘플 시나리오를 상기 데이터베이스에 저장하는 상황 예측 시스템.The sample scenario management unit stores a sample scenario generated by combining situations that a user may encounter in the database, or a situation scenario system that stores a sample scenario based on the situation information collected automatically through the situation information collecting unit. . 제 1 항에 있어서,The method of claim 1, 상기 상황 추천부는 상기 입력 시나리오의 제 n 상황 내지 제 n-i(n>i, n, i는 자연수) 상황과 상기 샘플 시나리오의 제 m 상황 내지 제 m-i(m>i, m, i는 자연수) 상황을 상황 별로 비교하여 유사도를 산출하는 것인 상황 예측 시스템. The situation recommendation unit may select an n th situation to a ni th state (n> i, n, i are natural numbers) of the input scenario and a m th situation to mi (m> i, m, i are natural numbers) of the sample scenario. A situation prediction system that calculates similarity by comparing for each situation. 삭제delete 삭제delete 제 1 항에 있어서,The method of claim 1, 상기 상황 추천부는 상기 데이터베이스의 상황 목록에 없는 상황이 새로이 생성되는 경우, 상기 새로 생성된 상황의 기본 확률값을 해당 상황과 가장 가까운 상위 상황에 배당하는 것인 상황 예측 시스템.And the situation recommendation unit allocates a basic probability value of the newly created situation to a higher situation closest to the situation when a new situation is newly generated that is not in the situation list of the database. 제 1 항에 있어서,The method of claim 1, 상기 상황 추천부를 통해 추천된 상황 정보를 이용하여 상기 서비스 대상자에게 응용 서비스를 제공하는 응용 서비스 제공부를 더 포함하는 상황 예측 시스템.Situation prediction system further comprises an application service providing unit for providing an application service to the service subject using the context information recommended through the context recommender. 상황 예측 방법에 있어서,In the situation prediction method, 추천 가능한 전체 상황을 가설로 설정하는 단계,Setting up a hypothetical overall situation as a hypothesis, 사용자들의 과거 상황 정보를 시간 순서에 따라 나열한 샘플 시나리오와 서비스 대상 사용자의 특정 기간 동안의 상황 정보를 시간 순서에 따라 나열한 입력 시나리오에 대하여 각 상황 정보 별로 유사도를 산출하는 단계,Calculating similarity for each situation information with respect to a sample scenario in which users' past situation information is listed in chronological order and an input scenario in which the situation information of a service target user is listed in chronological order; 상기 산출된 유사도를 기본 확률값으로 설정하는 단계,Setting the calculated similarity as a default probability value, 상기 설정된 기본 확률값에 기초하여, D-S(Dempster-Shafer) 이론에 따라 상기 전체 상황 각각에 대한 신뢰도 값을 산출하는 단계 및Calculating a reliability value for each of the entire situations according to the D-S (Dempster-Shafer) theory based on the set default probability value; and 상기 산출된 신뢰도 값이 가장 큰 상황에 해당하는 가설을 미래 상황으로서 추천하는 단계를 포함하되,Recommending a hypothesis corresponding to a situation where the calculated reliability value is the largest as a future situation, 상기 상황 정보는 사용자가 위치하는 지점에 대한 장소 정보 및 상기 사용자가 위치하는 지점에서의 시간 정보를 포함하고,The situation information includes place information on the location where the user is located and time information at the location where the user is located, 상기 유사도를 산출하는 단계는,Computing the similarity, 상기 입력 시나리오 및 샘플 시나리오의 각 상황 별 장소 유사도 및 시간 유사도에 기초하여 상기 유사도를 산출하되, 상기 시간 유사도는 시간의 겹침 정도에 기초하여 산출되고, 상기 장소 유사도는 장소의 개념적 유사도에 기초하여 산출하고, The similarity is calculated based on the place similarity and the time similarity for each situation of the input scenario and the sample scenario, wherein the time similarity is calculated based on the overlapping time, and the place similarity is calculated based on the conceptual similarity of the place. and, 상기 유사도를 산출하는 단계는,Computing the similarity, 상기 입력 시나리오의 제 n 상황 내지 제 n-i(n>i, n, i는 자연수) 상황과 상기 샘플 시나리오의 제 m 상황 내지 제 m-i(m>i, m, i는 자연수) 상황을 상황 별로 비교하여 유사도를 산출하는 것인 상황 예측 방법.By comparing the nth situation to the ni (n> i, n, i is a natural number) situation of the input scenario and the mth situation to the mi (m> i, m, i is a natural number) situation of the sample scenario for each situation A situation prediction method for calculating similarity. 삭제delete 삭제delete 제 8 항에 있어서,The method of claim 8, 상기 미래 상황으로서 추천된 가설을 이용하여 상기 서비스 대상자에게 응용 서비스를 제공하는 단계를 더 포함하는 상황 예측 방법.And providing an application service to the service subject by using a hypothesis recommended as the future situation.
KR1020090092780A 2009-09-30 2009-09-30 Method and apparatus for context estimating KR101088651B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090092780A KR101088651B1 (en) 2009-09-30 2009-09-30 Method and apparatus for context estimating

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090092780A KR101088651B1 (en) 2009-09-30 2009-09-30 Method and apparatus for context estimating

Publications (2)

Publication Number Publication Date
KR20110035171A KR20110035171A (en) 2011-04-06
KR101088651B1 true KR101088651B1 (en) 2011-12-01

Family

ID=44043547

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090092780A KR101088651B1 (en) 2009-09-30 2009-09-30 Method and apparatus for context estimating

Country Status (1)

Country Link
KR (1) KR101088651B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101352846B1 (en) * 2013-07-19 2014-01-20 (주)에스티씨 Context inference system and its method using multi sensor data fusing method based on probability theory
KR101598863B1 (en) * 2014-09-05 2016-03-02 (주)에스티씨 Added weight value applying system and method combined with association of continuous event
CN106447040A (en) * 2016-09-30 2017-02-22 湖南科技大学 Method for evaluating the health state of mechanical equipment based on heterogeneous multi-sensor data fusion
CN107423686A (en) * 2017-06-15 2017-12-01 深圳大学 Video multi-target Fuzzy data association method and device
CN109284866A (en) * 2018-09-06 2019-01-29 安吉汽车物流股份有限公司 Goods orders prediction technique and device, storage medium, terminal

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102195070B1 (en) * 2014-10-10 2020-12-24 삼성에스디에스 주식회사 System and method for detecting and predicting anomalies based on analysis of time-series data
KR102190578B1 (en) * 2014-10-21 2020-12-15 삼성에스디에스 주식회사 System and method for detecting and predicting anomalies based on analysis of text data
KR102331946B1 (en) * 2015-07-07 2021-11-25 주식회사 케이티 Home IoT controlling system based on occupants inference probability and method threreof
CN107092934A (en) * 2017-04-25 2017-08-25 淮阴师范学院 A kind of large scale structure damnification recognition method based on three-level data fusion
KR20210076716A (en) * 2019-12-16 2021-06-24 삼성전자주식회사 Electronic apparatus and controlling method for the apparatus thereof

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Huadong Wu 외, Sensor fusion using Dempster-Shafer theory for context-aware HCI, IMTC/2002. Proceedings of the 19th IEEE, vol.1, pp 7-12, 2002.08.07.*
김희택외, 모바일 환경에서의 지능형 서비스를 위한 베이지안 추론과 컨텍스트 트리 매칭방법, 정보과학회논문지, 소프트웨어 및 응용 제36권 제2호 pp.144-152, 2009.02.27.*

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101352846B1 (en) * 2013-07-19 2014-01-20 (주)에스티씨 Context inference system and its method using multi sensor data fusing method based on probability theory
KR101598863B1 (en) * 2014-09-05 2016-03-02 (주)에스티씨 Added weight value applying system and method combined with association of continuous event
CN106447040A (en) * 2016-09-30 2017-02-22 湖南科技大学 Method for evaluating the health state of mechanical equipment based on heterogeneous multi-sensor data fusion
CN106447040B (en) * 2016-09-30 2018-11-23 湖南科技大学 Mechanical equipment health state evaluation method based on Heterogeneous Multi-Sensor Data fusion
CN107423686A (en) * 2017-06-15 2017-12-01 深圳大学 Video multi-target Fuzzy data association method and device
CN107423686B (en) * 2017-06-15 2020-07-31 深圳大学 Video multi-target fuzzy data association method and device
CN109284866A (en) * 2018-09-06 2019-01-29 安吉汽车物流股份有限公司 Goods orders prediction technique and device, storage medium, terminal
CN109284866B (en) * 2018-09-06 2021-01-29 安吉汽车物流股份有限公司 Commodity order prediction method and device, storage medium and terminal

Also Published As

Publication number Publication date
KR20110035171A (en) 2011-04-06

Similar Documents

Publication Publication Date Title
KR101088651B1 (en) Method and apparatus for context estimating
Felfernig et al. An overview of recommender systems in the internet of things
Bertsimas et al. Predicting inpatient flow at a major hospital using interpretable analytics
US11625629B2 (en) Systems and methods for predicting user behavior based on location data
Christoforidis et al. Recommendation of points-of-interest using graph embeddings
CN108027888A (en) Detected using the local anomaly of context signal
Burbey Predicting future locations and arrival times of individuals
US11697571B2 (en) End-to-end cognitive elevator dispatching system
Scarborough Feminist Twitter and gender attitudes: Opportunities and limitations to using Twitter in the study of public opinion
Altulyan et al. A survey on recommender systems for Internet of Things: techniques, applications and future directions
Taniar et al. On mining movement pattern from mobile users
Terroso-Sáenz et al. Human mobility prediction based on social media with complex event processing
Bouneffouf DRARS, a dynamic risk-aware recommender system
Yuan et al. Subjective logic-based anomaly detection framework in wireless sensor networks
Perner Machine Learning and Data Mining in Pattern Recognition: 14th International Conference, MLDM 2018, New York, NY, USA, July 15-19, 2018, Proceedings, Part II
Du et al. Exceptional spatio-temporal behavior mining through Bayesian non-parametric modeling
Liu et al. Explainable spatially explicit geospatial artificial intelligence in urban analytics
Chen Ubiquitous hotel recommendation using a fuzzy‐weighted‐average and backpropagation‐network approach
Yu et al. A location prediction algorithm with daily routines in location-based participatory sensing systems
KR100920748B1 (en) Context-Aware service conflict resolution method applying social network
Gehlot et al. Research Guide for ML based Smart Tourist System
Sandell et al. HBML: A language for quantitative behavioral modeling in the human terrain
Min et al. A hybrid approach for improving the data quality of mobile phone sensing
KR100920191B1 (en) Context-Aware service conflict resolution system applying social network
Jin et al. Trip destination prediction based on hidden Markov model for multi-day global positioning system travel surveys

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140923

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20151118

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee