KR101557231B1 - 동적 경로 예측 방법 - Google Patents

동적 경로 예측 방법 Download PDF

Info

Publication number
KR101557231B1
KR101557231B1 KR1020140069218A KR20140069218A KR101557231B1 KR 101557231 B1 KR101557231 B1 KR 101557231B1 KR 1020140069218 A KR1020140069218 A KR 1020140069218A KR 20140069218 A KR20140069218 A KR 20140069218A KR 101557231 B1 KR101557231 B1 KR 101557231B1
Authority
KR
South Korea
Prior art keywords
path
trunk
movement
moving object
log
Prior art date
Application number
KR1020140069218A
Other languages
English (en)
Inventor
백두권
이석훈
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020140069218A priority Critical patent/KR101557231B1/ko
Application granted granted Critical
Publication of KR101557231B1 publication Critical patent/KR101557231B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 이동 감지 센서를 통해 감지된 이동 객체의 현재 위치에 근거하여 이동 객체의 경로를 예측하는 방법에 관한 것이다.
본 발명의 일실시예에 의한 동적 경로 예측 방법은 특정 위치에 설치된 이동 감지 센서를 통해 감지된 복수 이동 객체의 위치 및 시간을 포함하는 로그를 데이터베이스에 저장하는 단계-상기 복수 이동 객체의 위치는 이동 객체가 감지된 간선의 위치를 포함함-; 상기 로그를 분석하여 경로를 식별하고, 상기 식별된 경로의 빈도수에 근거하여 경로 예측 모델을 생성하는 단계-상기 경로 예측 모델에 포함된 경로는 간선들의 순차적 집합으로 이루어짐-; 상기 이동 감지 센서를 통해 이동 객체의 현재 이동을 감지하는 단계; 및 상기 감지된 이동 객체의 현재 이동 및 상기 경로 예측 모델을 이용하여 상기 이동 객체의 이동 경로를 예측하는 단계를 포함할 수 있다.

Description

동적 경로 예측 방법{METHOD FOR PREDICTING DYNAMIC ROUTE}
본 발명은 동적 경로 예측 방법에 관한 것으로, 보다 상세하게는 이동 감지 센서를 통해 감지된 이동 객체의 현재 위치에 근거하여 이동 객체의 경로를 예측하는 방법에 관한 것이다.
센서 네트워크와 스마트폰의 발달로 사용자들은 현재의 위치를 파악하고 그 위치에서 적합한 서비스를 받는 것이 수월해졌다. 그 중 사용자가 이동하고자 할 때 사용자의 위치를 인지하고 경로를 예측하는 많은 연구들이 진행되었다. 관련된 선행문헌으로 공개특허 10-2013-0092272호가 있다.
이동 경로 예측을 통하여 사용자의 행동 패턴을 분석하고 이에 따른 LBS(Location Based Service)와 같은 다양한 서비스들의 제공이 가능해 질 수 있다.
예를 들면, 이동 경로에 따른 주변 가게들의 맞춤형 광고 제공, 여행지의 경로 추천, 혹은 이동경로 예측에 따른 조명 제어 시스템과 같은 것들이 있다.
하지만 기존 기술은 몇 가지 한계를 보인다. 첫 번째는 사용자를 식별하여 사용자의 이전 경로에 기반한 개인화 예측이 이루어지므로 여행지나 외부 출장과 같이 사용자의 이전 경로 데이터가 없을 경우에는 적용이 불가능하다.
두 번째로는 사용자가 GPS, Wi-Fi 망, CDMA 통신망 등을 이용하여 사용자의 위치를 직접 파악할 수 있는 장치를 항상 소지해야 한다는 문제점을 지닌다.
따라서 사용자가 특정한 장비를 지니지 않아도 사용자의 이동 경로를 예측할 수 있는 기술에 대한 연구가 필요한 실정이다.
본 발명의 목적은 이동 객체의 이동을 실시간으로 감지하고, 감지된 이동 객체의 현재 위치에 근거하여 이동 객체의 동적 경로를 예측하는 방법을 제공하는 데 있다.
상기 목적을 달성하기 위해 본 발명의 일실시예에 의하면, 특정 위치에 설치된 이동 감지 센서를 통해 감지된 복수 이동 객체의 위치 및 시간을 포함하는 로그를 데이터베이스에 저장하는 단계-상기 복수 이동 객체의 위치는 이동 객체가 감지된 간선의 위치를 포함함-; 상기 로그를 분석하여 경로를 식별하고, 상기 식별된 경로의 빈도수에 근거하여 경로 예측 모델을 생성하는 단계-상기 경로 예측 모델에 포함된 경로는 간선들의 순차적 집합으로 이루어짐-; 상기 이동 감지 센서를 통해 이동 객체의 현재 이동을 감지하는 단계; 및 상기 감지된 이동 객체의 현재 이동 및 상기 경로 예측 모델을 이용하여 상기 이동 객체의 이동 경로를 예측하는 단계를 포함하는 동적 경로 예측 방법이 개시된다.
본 발명의 일실시예에 의한 동적 경로 예측 방법은 이동 객체를 식별하지 않고도, 이동 객체의 동적 경로를 예측할 수 있다.
본 발명의 일실시예에 의하면, 이동 객체가 별도의 장비 소지하지 않아도, 이동 객체의 이동 경로 예측을 할 수 있다.
본 발명의 일실시예에 의하면, 이동 객체의 현재 위치에 근거하여 이동 객체의 동적 경로를 예측하므로, 실시간 이동 경로 예측이 가능하다.
도 1은 본 발명의 일실시예와 관련된 특정 건물의 내부 모습을 그래프로 표현한 도면이다.
도 2는 본 발명의 일실시예와 관련된 동적 경로 예측 시스템을 나타내는 블록도이다.
도 3은 본 발명의 일실시예와 관련된 동적 경로 예측 방법을 나타내는 흐름도이다.
도 4는 도 3의 흐름도에서 S310 단계를 나타내는 흐름도이다.
도 5는 본 발명의 일실시예와 관련된 동적 경로 예측 방법에서 경로 식별 과정을 나타내는 흐름도이다.
도 6은 본 발명의 일실시예와 관련된 경로 예측 모델을 나타낸다.
도 7은 본 발명의 일실시예와 관련된 경로 예측 모델을 이용하여 경로를 예측하는 과정을 나타내는 흐름도이다.
이하, 본 발명의 일실시예와 관련된 동적 경로 예측 방법에 대해 도면을 참조하여 설명하도록 하겠다.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
본 명세서에 이동 객체는 이동 감지 센서에 의해 이동이 감지되는 대상으로, 자동차, 사람, 자전거 등을 포함할 수 있다.
도 1은 본 발명의 일실시예와 관련된 특정 건물의 내부 모습을 그래프로 표현한 도면이다.
도시된 바와 같이, 도 1은 어떤 건물의 내부를 점과 선으로 나타낸 그래프로, 상기 그래프(G)는 다음과 같이 점과 간선으로 표현될 수 있다.
G = (V, E)
V는 그래프의 점들을 의미하면 어떤 건물의 예를 들면 화장실, 엘리베이터, 계단, 사무실, 등의 중요 위치들이라 할 수 있다.
V = {v1, v2, v3, v4, v5, v6, v7, v8}
E는 각 점들 사이의 간선으로 각 점들 사이의 이동 경로를 의미한다. 건물의 복도를 예로 들면, 복도 안에는 이동 감지 센서(eg. 카운터 센서)가 존재하고 하나의 이동 감지 센서를 하나의 간선으로 간주될 수 있다.
E = {e1, e2, e3, e4, e5, e6, e7}
도 2는 본 발명의 일실시예와 관련된 동적 경로 예측 시스템을 나타내는 블록도이다.
도시된 바와 같이, 동적 경로 예측 시스템(100)은 센서(110), 이동 감지부(120), 데이터베이스(130), 경로 학습부(140), 경로 분석부(150)를 포함할 수 있다.
상기 센서(110)는 이동 감지 센서, 환경 데이터를 습득할 수 있는 센서(편의상, 환경 데이터 감지 센서라 함) 등을 포함할 수 있다. 상기 센서(110)를 이동 감지 데이터 및 환경데이터 등을 획득할 수 있다. 상기 이동 감지 데이터는 사용자의 위치 및 방향 대한 데이터를 포함할 수 있다. 즉, 상기 이동 감지 센서를 통해 이동 감지 데이터를 획득하고, 상기 환경 데이터 감지 센서를 통해 환경 데이터를 습득할 수 있다.
상기 이동 감지부(120)는 사용자의 이동이 감지된 경우, 이동 감지 센서로부터 획득한 사용자의 이동 감지 데이터를 데이터베이스(130)에 저장할 수 있다.
한편, 본 발명의 일실시예에 의하면, 모든 경로는 간선과 연결된 간선들의 순차적인 집합으로 표현할 수 있다.
어떤 이동 객체(예: 사람)이 v1에서 출발하여 v7로 이동하였다면 간선 e1, e4, e6에 있는 이동 감지 센서에 감지되었다고 할 수 있다(도 1 참조). 이러한 경로는 간선들의 순차적인 집합으로 이루어지며 R = {r1}, r1 = (e1, e4, e6)와 같이 표현할 수 있다.
또한, 모든 이동이 감지되었을 경우, 이동 감지부(120)는 경로의 분석을 위하여 각 이동 감지 시간과 이동 감지 간선을 로그로 표현하여 데이터베이스(130)에 저장할 수 있다. 전체 로그(L)은 특정 시간의 로그(li)의 집합으로 표현될 수 있다.
L = {l1, l2, l3}, li = (감지 시간, 간선)과 같이 표현될 수 있다.
예를 들어, l1 = (10:00:01, e1), l2 = (10:00:05, e4), l3 = (10:00:10, e6)과 같이 표현될 수 있다.
또한, 이동 감지부(120)는 상기 이동 감지 데이터 외에 환경 데이터를 추가적으로 데이터베이스(130)에 저장할 수도 있다.
상기 데이터베이스(130)에 저장된 로그는 차후 이동 감지에 따른 경로 예측을 위한 학습데이터로 활용될 수 있다. 즉, 상기 학습데이터는 현재 사용자의 이동 감지에 따른 경로 예측을 위해 사전에 학습된 데이터이다. 상기 학습데이터는 상기 이동 감지 센서에 의해 감지된 복수 사용자의 이동 패턴을 이용하여 생성된 예측 이동 경로 및 상기 예측 이동 경로에 대한 빈도수를 포함할 수 있다.
본 발명의 일실시예에 의하면, 상기 학습 데이터에 포함된 상기 예측 이동 경로 및 상기 예측 이동 경로에 대한 빈도수는 상기 환경데이터에 따라 그룹핑되어 있을 수 있다. 예를 들어, 학습데이터가 온도 또는 습도에 따라 분리되어 그룹핑될 수 있다.
데이터베이스(130)는 센서 위치, 전체 경로 등의 지리적인 데이터와 센서 감지에 의한 데이터들을 저장하고 학습하기 위한 저장소이다.
경로 학습부(140)는 데이터베이스(130)에 시간순으로 정렬되어 저장된 로그를 이용하여 각 경로를 식별하고, 빈도수에 기반하여 경로 예측 모델을 생성할 수 있다.
경로 분석부(150)는 상기 경로 예측 모델에 기반하여 실시간으로 경로를 분석하고, 현재 분석된 경로에서 가장 적합한 이동 경로를 예측할 수 있다.
도 3은 본 발명의 일실시예와 관련된 동적 경로 예측 방법을 나타내는 흐름도이다. 본 발명의 일실시예에 의한 동적 경로 예측 방법은 경로 예측 모델 학습 단계(S310) 및 경로 예측 단계(S320)를 포함할 수 있다.
경로 예측 모델 학습 단계(S310)에서는 경로 학습부(140)가 시간순으로 정렬된 이동 객체(예: 사람)의 로그를 이용하여 각 경로를 식별하고 확률에 기반한 경로 예측 모델을 학습할 수 있다.
또한, 경로 예측 단계(S320)에서는 학습된 경로 예측 모델에 기반하여 실시간으로 경로를 분석하고 현재 분석된 경로에서 가장 적합한 예측 이동 경로를 결정할 수 있다.
도 4는 도 3의 흐름도에서 S310 단계를 나타내는 흐름도이다.
먼저, 경로 학습부(140)는 이동이 감지될 때마다 로그 L = {l1, l2,...,lq}, li = (time, ex)를 생성하고, 생성된 로그들을 시간 순으로 정렬하고 경로를 식별하기 위하여 시간과 간선을 분리하여 로그 리스트를 만들 수 있다(S410).
그리고, 분석된 로그 리스트들을 이용하여 간선들의 집합인 경로가 식별될 수 있다(S420). 상기 경로 식별 방법은 경로 식별 알고리즘에 의해 이루어진다. 경로를 식별하는 구체적인 과정에 대해서는 후술하도록 하겠다.
경로 학습부(140)는 식별된 경로들을 빈도수 측정을 통해 분석할 수 있다(S430). 예를 들어, 시간대, 요일, 날짜 등의 요소에 따라 각 빈도수 측정 모델이 만들어질 수 있다.
그리고, 경로 학습부(140)는 분석된 경로들의 결과를 이용하여 경로 예측 모델을 생성할 수 있다(S440). 상기 경로 예측 모델은 후술하는 의사결정트리로 생성될 수 있다.
도 5는 본 발명의 일실시예와 관련된 동적 경로 예측 방법에서 경로 식별 과정을 나타내는 흐름도이다.
경로 식별을 위해서는 이동이 감지될 때마다 로그 L = {l1, l2,...,lq}, li = (time, ex)가 생성되며 이동 감지 시간 순으로 나열된다. 이러한 로그들로부터 사용자의 이동 경로를 분석할 수 있으며, 로그를 하나씩 읽으며 다음과 같이 세 가지 규칙에 의해 이동 경로 R이 학습된다.
- 경로를 구성하는 연속된 간선들은 한 간선에서 다음 간선까지의 제한 이동 시간을 넘을 수 없다.
- 예상 간선 리스트에 현재 로그가 존재하지 않으면, 새로운 경로를 생성하고 현재 로그가 지니는 간선과 연결된 간선들을 새 경로에 대한 예상 간선 리스트에 추가한다.
- 예상 간선 리스트에 현재 로그가 존재하면, 해당 경로의 예상 간선 리스트를 초기화하고, 현재 로그가 지니는 간선과 연결된 간선들을 예상 간선 리스트에 추가한다. 상기 예상 간선 리스트는 각 경로의 마지막 간선과 인접한 간선들의 리스트를 의미한다.
경로 학습부(140)는 로그(li)를 순차적으로 선정하여 로그 간선(e)과 로그 시간(t)을 추출할 수 있다(S510). 이동 감지 센서를 통해 이동 객체가 감지된 간선을 로그 간선(e)이라 하고, 상기 이동 객체가 감지된 시간을 로그 시간(t)이라 한다.
경로 학습부(140)는 분석중인 경로 리스트 중 순차적으로 분석중인 경로(rj)를 선정할 수 있다(S515). 분석중인 경로 리스트는 현재 로그 상태에서 이동 객체가 이동 중이라고 판단되는 경로들이 모아진 리스트를 의미한다. 상기 선정된 경로 (rj)는 분석중인 경로 리스트에 포함된 경로로서, 이동 객체가 이동 중이라고 판단되는 경로 중 하나이다. 상기 경로 학습부(140)는 분석중인 경로 리스트에 포함된 경로를 순차적으로 하나씩 선정하여 경로 식별 알고리즘을 진행할 수 있다.
경로 학습부(140)는 선정된 경로(rj)의 시간이 현재 로그 시간(t)과 비교하여 간선 이동 제한 시간을 지났는지 여부를 판단하여, 상기 간선 제한 이동 시간이 초과된 경우, 선정된 경로(rj)를 식별 완료된 경로 리스트에 추가하고 분석중인 경로 리스트에서 제거한다(S520, S525).
상기 식별 완료된 경로 리스트는 로그 분석이 이루어지면서 이동 객체가 출현해서 이동이 완료되었다고 분석된 경로들의 리스트이다. 추후 식별 완료된 경로 리스트를 이용하여 경로들의 빈도수가 측정될 수 있다. 한 간선에서 다음 간선까지의 제한 이동 시간은 (간선의 거리 * 평균 이동 속도 * 2)로 계산될 수 있다.
경로 학습부(140)는 선정된 경로(rj)의 시간이 현재 로그 시간(t)과 비교하여 간선 이동 제한 시간을 지났는지 여부를 판단하여, 상기 간선 제한 이동 시간이 초과되지 않은 경우, 현재 로그 간선(e)이 선정된 경로(rj)와 연결될 수 있는지 여부를 판단할 수 있다(S520, S530).
상기 판단 결과, 현재 로그 간선(e)이 선정된 경로와 연결될 수 있으면, 상기 경로 학습부(140)는 현재 로그 간선(e)을 선정된 경로(rj)의 다음 간선으로 설정하고 선정된 경로 시간을 로그 시간(t)로 설정한다(S535).
그런 후에, 상기 경로 학습부(140)는 모든 로그의 분석이 되었는지 여부를 판단하고, 모든 경로 분석이 이루어진 경우, 식별 완료된 경로 리스트를 반환한다(S550, S560). 알고리즘은 input과 output이 존재하는데 결과로 나온 어떤 값을 출력(output)하는 것을 반환이라고 한다. 예를 들어, 본 실시예서의 알고리즘에서의 input은 로그 데이터들과 그래프라고 한다면 output은 식별 완료된 경로 리스트라고 볼 수 있다.
한편, 상기 판단 결과, 현재 로그 간선(e)이 선정된 경로와 연결될 수 없는 경우, 경로 학습부(140)는 분석중인 경로 리스트에서 다른 경로를 선정하여(S540, S515) S520 단계 내지 S535 단계를 수행할 수 있다.
만약, 분석중인 경로 리스트의 모든 경로를 검사한 경우, 경로 학습부(140)는 새로운 경로를 만들어 분석중인 경로 리스트에 추가하고 로그 간선(e)과 로그 시간(t)을 새로운 경로의 첫 간선과 시간으로 설정한 후(S540, S545), S550 단계 내지 S560 단계를 수행할 수 있다. 새로운 경로라 함은 현재 로그가 분석중인 모든 경로에 연결되지 않을 경우 새롭게 생성된 경로를 말한다. 상기 새로운 경로 역시 분석중인 경로 리스트로 포함된다.
도 5의 경로 식별 방법에 의해 경로 식별이 학습되면, 경로 학습부(140)는 각 경로의 빈도수를 측정하여 경로 R에 대한 빈도수 집합 F = {f1, f2,..., fo}, fi = frequency(ri) 을 생성할 수 있다.
경로 학습부(140)는 빈도수 집합 F의 생성이 완료되면 의사결정트리(Decision Tree)를 이용하여 예측 모델을 생성한다. 의사결정트리는 경로의 빈도수를 이용하여 처음 이동이 감지되었을 때부터 확률에 기반한 경로 예측이 가능하며, 실시간으로 예측이 틀림을 감지하였을 때 동적으로 예측 결과를 변형시킬 수 있는 장점이 있다.
의사결정트리는 루트로부터 시작해서 각 노드들은 간선과 함께 해당 간선에서 가장 높은 빈도수를 가지는 경로를 표시한다. 하위 노드로 내려갈수록 학습된 경로들을 추적하여 연결되며 이는 하위 노드의 단계가 경로에서의 몇 번째 간선인지를 의미한다. 즉, 첫 번째 하위 노드는 모든 경로의 첫 번째 간선을 의미하며, 두 번째 하위 노드는 경로에서 두 번째 간선, 세 번째 하위 노드는 세 번째 간선임을 의미한다.
도 1과 같이, 건물의 구조는 그래프로 표현될 수 있다. 편의를 위하여 간선의 거리와 평균 이동 속도는 모두 동일하며, 제한 이동 시간은 10초라고 가정한다. 측정된 이동 로그 L은 다음과 같이 <시간, 측정 간선>의 형태로 나열되어 있다. 도 5와 같은 제안 알고리즘의 경로 학습 규칙에 의하여 r1, r2, r3과 같은 경로들이 학습될 수 있다.
L= {(10:00:03, e2), (10:00:10, e5), (10:00:12, e6), (10:00:14, e1), (10:00:17, e4), (10:00:18, e7), (10:00:20, e3), (10:00:22, e3),...}
r1 = (e2, e5, e7), r2 = (e6, e4, e3), r3 = (e1, e3)
r1, r2, r3 모두 각 로그의 발생 시간이 경로 별로 측정하였을 때 제한 이동 시간 10초 이내인 것을 알 수 있다. 두 번째 로그 e5는 e2와 인접한 간선이므로 첫 번째 로그의 학습 후 r1의 예상 간선 리스트에 e5가 추가되어 있음을 알 수 있다. 세 번째 로그인 e6의 경우 r1의 예상 간선 리스트에 존재하지 않으므로 새로운 경로 r2를 생성하고 첫 번째 간선으로 추가한다.
이러한 로그에 의한 경로 학습에 의해서 모든 경로에 대한 학습이 완료되면 표 1과 같은 경로와 빈도수 집합이 생성될 수 있다.
R r1 r2 r3 r4 r5 r6 …
e3,e4 e3,e2 e3,e5,e7 e3,e5 e3,e1 e3,e4,e6 …
F 20 10 5 3 1 1 …
도 6은 본 발명의 일실시예와 관련된 경로 예측 모델을 나타낸다.
도시된 바와 같이, 의사결정트리는 학습된 경로와 빈도수 집합에 의해 학습된 의사결정트리이다. 상기 의사결정트리를 이용하여 실시간으로 경로를 예측할 수 있다.
간선 e3에서 한 사용자의 이동이 감지되었다고 하자. 경로의 첫 간선이므로 의사결정트리에 의해 첫 번째 하위 노드는 e3으로 선택되며 예측되는 경로는 r1 = (e3, e4) 이다. e3으로 시작하는 경로 중 r1이 가장 높은 빈도수를 보이기 때문이다. 예측된 경로에 의하면 사용자는 간선 e4로 이동할 것으로 예상된다. 하지만 만약 사용자가 간선 e5로 이동하였다면, 예측 모델은 의사결정트리의 두 번째 하위노드의 e5에 의해 경로 r3으로 예측이 변경된다. 이 후 사용자는 e7로 이동함으로써 이동 경로 r3으로 마무리 된다.
결과적으로, 사용자는 r3=(e3, e5, e7)의 경로로 이동하였으며, 의사결정트리의 루트로부터 e3, e5, e7 노드를 점차 탐색한다. 의사결정트리의 노드를 하나씩 탐색할 때마다 각 노드가 지니는 경로를 예측 결과로 제시한다.
도 7은 본 발명의 일실시예와 관련된 경로 예측 모델을 이용하여 경로를 예측하는 과정을 나타내는 흐름도이다.
먼저, 센서(110)를 통해 이동 객체의 이동이 감지될 수 있다(S710). 이 경우, 상기 센서(110)를 통해 이동 객체의 이동이 감지된 해당 지역 또는 해당 지역과 관련된 주변 지역의 환경 데이터가 함께 수신될 수 있다
이동 감지부(120)는 현재 시간(t)와 감지된 이동(e)을 로그로 만들어 데이터베이스(130)에 저장할 수 있다(S715). 상기 데이터베이스(130)에 저장된 로그는 차후 경로 예측을 위한 학습데이터로 활용될 수 있다.
경로 분석부(150)는 활성화된 경로 리스트 중 순차적으로 활성화된 경로(rj)를 선정할 수 있다(S715).
활성화된 경로 리스트는 현재 실제 상태에서 이동 객체(예: 사용자)가 이동 중이라고 판단되는 경로들을 모아둔 리스트이다.
경로 분석부(150)는 활성화된 경로 리스트 중 순차적으로 활성화된 경로(rj)를 선정할 수 있다(S720).
선정된 경로(rj)는 활성화된 경로 리스트에 포함된 경로로, 현재 사용자가 실제 이동 중이라고 판단되는 경로 중 하나이다. 경로 분석분(150)는 활성화된 경로 리스트에 포함된 경로를 순차적으로 하나씩 선정하여 경로 예측 알고리즘을 진행할 수 있다.
경로 분석부(150)는 선정된 경로(rj)의 시간이 현재 로그 시간(t)과 비교하여 간선 이동 제한 시간을 지났는지 여부를 판단하여, 상기 간선 제한 이동 시간이 초과된 경우, 활성화된 경로 리스트에서 선정된 경로(rj)를 제거한다(S725, S730).
경로 분석부(150)는 선정된 경로(rj)의 시간이 현재 로그 시간(t)과 비교하여 간선 이동 제한 시간을 지났는지 여부를 판단하여, 상기 간선 제한 이동 시간이 초과되지 않은 경우, 감지된 이동 간선(e)이 선정된 경로(rj)와 연결될 수 있는지 여부를 판단할 수 있다(S725, S735).
상기 판단 결과, 감지된 현재 이동(e)이 선정된 경로와 연결될 수 있으면, 상기 경로 분석부(150)는 감지된 현재 이동(e)을 선정된 경로(rj) 의 마지막 간선으로 설정하고 선정된 경로의 시간을 현재 시간(t)로 설정한다(S735, S740).
그런 후에, 상기 경로 분석부(150)는 의사결정트리에서 새로 선정된 경로를 추적한다(S755). 의사결정트리는 경로 예측을 위한 예측 모델로서도 6 참조), 현재 감지된 이동이 어느 한 경로에 포함되거나 새로운 경로라고 판단되면 해당 경로를 의사결정트리의 한 노드로 추적할 수 있다.
경로 분석부(150)는 의사결정트리의 추적된 노드에 해당하는 예측 경로를 추출할 수 있다(S760).
한편, 감지된 현재 이동(e)이 선정된 경로와 연결될 수 없는 경우, 경로 분석부(150)는 활성화된 경로 리스트에서 모든 활성화 경로를 검사하였는지 여부를 판단할 수 있다(S745).
검사하여야 할 활성화된 경로가 있는 경우, 경로 분석부(150)는 활성화된 경로 리스트에서 다른 경로를 선정하여(S745, S720) S725 단계 내지 S745 단계를 수행할 수 있다.
만약, 감지된 현재 이동(e)이 선정된 경로와 연결될 수 없고, 모든 활성화 경로의 검사가 완료된 경우, 경로 분석부(150)는 새로운 경로를 만들어 활성화된 경로 리스트에 추가하고 감지된 이동(e)과 현재 시간(t)를 새로운 경로의 첫 간선과 시간으로 설정할 수 있다(S745, 750).
그런 후에, 상기 경로 분석부(150)는 의사결정트리에서 새로 생성된 경로를 추적한다(S755).
경로 분석부(150)는 의사결정트리의 추적된 노드에 해당하는 예측 경로를 추출할 수 있다(S760).
전술한 바와 같이, 본 발명의 일실시예에 의한 동적 경로 예측 방법은 이동 객체를 식별하지 않고도, 이동 객체의 동적 경로를 예측할 수 있다.
또한, 본 발명의 일실시예에 의하면, 이동 객체가 별도의 장비 소지하지 않아도, 이동 객체의 이동 경로 예측을 할 수 있다.
본 발명의 일실시예에 의하면, 이동 객체의 현재 위치에 근거하여 이동 객체의 동적 경로를 예측하므로, 실시간 이동 경로 예측이 가능하다.
상술한 동적 경로 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다. 이때, 컴퓨터로 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 한편, 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터로 판독 가능한 기록매체에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM, DVD와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
한편, 이러한 기록매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다.
또한, 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기와 같이 설명된 동적 경로 예측 방법 및 시스템은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 동적 경로 예측 시스템
110: 센서
120: 이동 감지부
130: 데이터베이스
140: 경로 학습부
150: 경로 분석부

Claims (5)

  1. 복수의 간선과 대응되게 특정 위치에 고정 설치된 복수의 이동 감지 센서를 통해 감지된 이동 객체의 감지 위치 및 감지 시간을 포함하는 로그를 데이터베이스에 저장하는 단계-상기 이동 객체의 감지 위치는 상기 이동 객체를 감지한 특정 이동 감지 센서가 설치된 위치에 대응되는 간선 위치이고, 상기 감지된 이동 객체는 상기 복수의 이동 감지 센서 중 어느 하나를 통해 감지된 임의의 이동 객체를 포함함-;
    상기 로그를 감지 시간 순으로 정렬하고, 상기 감지 시간과 상기 이동 객체가 감지된 간선 위치를 분리하여 로그 리스트를 생성하고, 상기 생성된 로그 리스트를 이용하여 경로를 식별하고, 상기 식별된 경로의 빈도수에 근거하여 경로 예측 모델을 생성하는 단계-상기 경로 예측 모델에 포함된 경로는 간선들의 순차적 집합으로 이루어짐-;
    상기 이동 감지 센서를 통해 특정 이동 객체의 현재 이동을 감지하는 단계; 및
    상기 감지된 특정 이동 객체의 현재 이동 및 상기 경로 예측 모델을 이용하여 상기 이동 객체의 이동 경로를 예측하는 단계를 포함하는 것을 특징으로 하는 동적 경로 예측 방법.
  2. 제 1 항에 있어서, 상기 경로 예측 모델 생성 단계는,
    분석중인 특정 경로에 포함된 제1간선에서 상기 제1간선과 연속적으로 연결되는 제2간선으로의 상기 이동 객체의 이동 시간이 설정된 간선 이동 제한 시간을 초과한 경우,
    상기 제1간선을 특정 경로의 마지막 간선으로 간주하여 상기 특정 경로의 분석을 완료하는 단계를 포함하는 것을 특징으로 하는 동적 경로 예측 방법.
  3. 제 1 항에 있어서, 상기 경로 예측 모델 생성 단계는,
    예상 간선 리스트에 현재 로그에 포함된 간선이 존재하지 않는 경우,
    상기 현재 로그에 포함된 간선을 첫 번째 간선으로 새로운 경로를 생성하는 단계-상기 예상 간선 리스트는 분석 중인 경로의 마지막 간선과 인접한 모든 간선 리스트를 의미함-를 포함하는 것을 특징으로 하는 동적 경로 예측 방법.
  4. 제 1 항에 있어서, 상기 경로 예측 모델 생성 단계는,
    예상 간선 리스트에 현재 로그에 포함된 간선이 존재하는 경우,
    상기 예상 간선 리스트를 초기화하고, 상기 현재 로그에 포함된 간선을 현재 분석 중인 경로의 다음 간선으로 추가시키는 단계-상기 예상 간선 리스트는 분석 중인 경로의 마지막 간선과 인접한 모든 간선 리스트를 의미함-를 포함하는 것을 특징으로 하는 동적 경로 예측 방법.
  5. 제 1 항에 있어서, 상기 이동 경로 예측 단계는
    현재까지 이동된 이동 객체의 경로를 분석하여 예측된 이동 경로가 맞았는지 여부를 판단하는 단계; 및
    상기 예측된 이동 경로가 맞지 않은 경우, 현재 이동이 감지된 간선을 첫 번째 간선으로 하는 새로운 예측 경로를 설정하는 단계를 포함하는 것을 특징으로 하는 동적 경로 예측 방법.
KR1020140069218A 2014-06-09 2014-06-09 동적 경로 예측 방법 KR101557231B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140069218A KR101557231B1 (ko) 2014-06-09 2014-06-09 동적 경로 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140069218A KR101557231B1 (ko) 2014-06-09 2014-06-09 동적 경로 예측 방법

Publications (1)

Publication Number Publication Date
KR101557231B1 true KR101557231B1 (ko) 2015-10-02

Family

ID=54341646

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140069218A KR101557231B1 (ko) 2014-06-09 2014-06-09 동적 경로 예측 방법

Country Status (1)

Country Link
KR (1) KR101557231B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010016582A (ja) 2008-07-03 2010-01-21 Enzan Kobo:Kk 建設現場における移動体監視システム
JP2014079026A (ja) 2009-06-15 2014-05-01 Qualcomm Inc ネットワーク内のセンサ構成のための方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010016582A (ja) 2008-07-03 2010-01-21 Enzan Kobo:Kk 建設現場における移動体監視システム
JP2014079026A (ja) 2009-06-15 2014-05-01 Qualcomm Inc ネットワーク内のセンサ構成のための方法

Similar Documents

Publication Publication Date Title
KR102435712B1 (ko) 장소 검출
JP4861154B2 (ja) 情報サービス提供システム、対象行動推定装置、対象行動推定方法
Van Dijk Identifying activity-travel points from GPS-data with multiple moving windows
KR101369261B1 (ko) 스마트 단말을 이용한 사용자의 이동 경로 실시간 예측 방법 및 그 시스템
JP2011252844A (ja) データ処理装置、データ処理方法、およびプログラム
Anagnostopoulos et al. Mobility prediction based on machine learning
WO2006099218A3 (en) Methods and systems for evaluating and generating anomaly detectors
Crociani et al. When reactive agents are not enough: Tactical level decisions in pedestrian simulation
KR101813805B1 (ko) 머신 러닝을 이용한 사용자의 구매 확률 예측 방법 및 장치
CN108303076A (zh) 导航方法、装置及电子设备
Zheng et al. Reliable path planning for bus networks considering travel time uncertainty
JP6110281B2 (ja) 移動手段予測モデル生成装置、移動手段予測モデル生成方法及び移動手段予測モデル生成プログラム
Borchers et al. Double-observer line transect surveys with Markov-modulated Poisson process models for animal availability
KR102628998B1 (ko) 크라우드 소싱 기반의 핑거프린트 데이터베이스 업데이트 방법 및 이를 위한 장치
WO2023147892A1 (en) Long-term accurate crowd estimation in smart cities
Wang et al. Using DTW to measure trajectory distance in grid space
KR101557231B1 (ko) 동적 경로 예측 방법
Danalet et al. Estimating pedestrian destinations using traces from wifi infrastructures
US11006238B1 (en) Method for profiling based on foothold and terminal using the same
KR101275748B1 (ko) 학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법
Vidya et al. Accurate anomaly detection using various machine learning methods for IoT devices in indoor environment
KR20150096142A (ko) 교통 정보 수집을 위한 방법, 이를 위한 장치 및 교통 정보 수집 시스템
Nguyen-Thanh et al. Empirical distribution-based event detection in wireless sensor networks: an approach based on evidence theory
Kim et al. Probabilistic graphical model based personal route prediction in mobile environment
Tiwari et al. Evolving recommendations from past travel sequences using soft computing techniques

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180723

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190808

Year of fee payment: 5