KR101558269B1 - 관심 대상의 특징에 따라 관심 대상의 위치를 예측하는 방법 및 이를 위한 장치 - Google Patents

Abstract

가중치가 있는 링크에 의해 서로 연관되어 있는 노드들로 각각 구성된 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 이용하여 제1 대상의 위치를 예측하는 방법으로서, 상기 입력층에 각각 (1) 시간값, (2) 상기 시간값에서 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale), 및 (3) 상기 제1 대상의 제1 특성값이 입력되면, 상기 출력층에서는 상기 제1 대상이 상기 특정 장소에 위치할 제1 확률값이 출력되도록 되어 있는 위치예측방법을 공개한다.

Description

관심 대상의 특징에 따라 관심 대상의 위치를 예측하는 방법 및 이를 위한 장치{Method for prediction location of target object according to traits of the target object and machine for the same}

본 발명은 특정 관심 대상의 위치를 예측하는 방법에 관한 기술로서, 특히 사람의 시간에 따른 위치를 사람의 특성을 반영하여 예측하는 방법에 관한 기술이다.

인간의 행동에는 많은 변수가 관련되므로 인간의 이동패턴을 완벽히 예측할 수는 없다. 인간의 행동을 예측하기 위해 시간 및 재산상황 등 다양한 자료를 사용할 수 있다. 시간과 인간행동에 관련된 연구에 따르면 인간의 일주일 단위의 행동은 시간에 영향을 많이 받는다고 한다. 따라서 시간변수를 이용하는 예측 알고리즘이 필요하다.

인간 위치는 여러 가지 관련된 분야에서 매우 흥미롭게 다루어져 왔고, 휴대형 위치검출 장치 및 스마트폰 때문에, 그리고 빅데이터 기술 및 데이터 마이닝(mining) 기술의 도움으로 인해, 연구자들이 인간 위치 정보를 수집하는 것이 가능해졌다. 일단 인간 위치를 예측할 수 있다면, 광고, 도시 공학, 도시 또는 빌딩 계획, 및 군사분야와 같은 매우 많은 관련된 응용분야에서 이러한 정보를 활용할 수 있을 것이다.

최근 이동기기의 진보로 인해 사람의 이동성에 대한 다양한 위치기반 서비스들이 가능하게 되었으며, 특히 GPS 기능을 갖는 스마트폰 또는 다른 위치검출장치의 도입으로 인해 이러한 서비스들이 촉진되고 있다. 위치검출 데이터세트로부터 사람의 이동자취(trail)를 알아낼 수 있으며, 이를 이용하여 사람의 이동패턴을 도출할 수 있다.

인간 이동 패턴은 인간의 인성에 의해 영향을 받는다고 알려져 있다. 이는, 즉, 인성 데이터가 미래의 특정인의 위치 또는 상기 특정인이 통상적으로 자주 가는 장소(frequent place)에 영향을 준다는 점을 암시한다.

본 발명에서는, 빅 파이브 인성 특성(big five personality traits)을 이용하여 인성을 인간 이동 모델에 수량적으로 반영하고자 한다. 또한, 역 전파 네트워크(back propagation network)를 인성이 인간 이동 모델에 미치는 효과를 밝히는 도구로서 이용하고자 한다.

또한, 임의의 인성특징이 사람의 이동패턴에 미치는 영향을 수치적으로 제공하는 방법을 제공하고자 한다.

특정인의 인성 및 상기 특정인이 선호하는 위치 상식 수준에서 상호 연관될 수 있다. 본 발명에서는 인성이 인간 위치에 미치는 효과를 시뮬레이션하기 위한 알고리듬을 디자인하여 제공한다.

발명의 일 관점에서는, 예컨대, 시간, 인성, 개인수입, 나이 등과 같은 인간 위치 예측을 위한 많은 파라미터들 중에서, 인성에 초점을 맞추어 만든 구성을 제공한다. 이를 위하여, 시간 속성(attribute)을 포함하는 인간 이동 모델을 수립하기 위한 방법론을 사용할 수 있다. 이러한 방법론은 Hyunuk Kim and Ha Yoon Song, “Formulating Human Mobility Model in a Form of Continuous Time Markov Chain”, Procedia CS, Vol. 10, pp.389-396, 2012.C.에 제시되어 있다. 본 발명에서는 인간 위치를 인성을 이용하여 예측하는 프로세스를 개발하여 제공한다.

인간 이동 패턴이 인성에 의한 영향을 받는다는 점은 명백하며 이러한 내용에 대하여 이미 연구가 되어 있다. 예컨대, 외향성(extraversion)을 갖는 사람은 내향성을 갖는 사람에 비하여 야외 활동을 더 좋아할 수 있다.

많은 인성 모델들 중에서, 인성을 위한 일반적으로 잘 받아들여진 모델인 빅 파이브 인성 특성을 도입한다. 또한, 역 전파 네트워크 또한 인간 이동성과 인성을 조합하는 도구로서 사용한다.

본 발명의 일 관점에 따른 인간 위치 예측을 위한 방법에서는, 입력 파라미터와 함께 알고리듬이 제공된다. 이 입력 파라미터들은 빅 파이브 인성 점수(score) 및 시공(spatio-temporal) 위치 정보로부터 채택된다.

심리학에서 인성에 대한 빅-파이브 팩터는 사람의 인성에 대한 다섯 가지의 영역(domain)을 나타내며 사람의 인성을 기술하는 데에 사용된다. 사람의 인성에 대한 초기연구에서는 16개의 팩터(factor) 이론이 발표되었다. 그 후 요인분석(factor analysis) 방법에 따르면 다섯 개의 팩터 모델이 더 적당하다고 제시된 연구결과가 발표되었다. 또 다른 연구들은 위의 다섯 개의 팩터 모델의 타당성을 확인하였다. 인성 특징의 빅 파이브 프레임워크는 인성과 다양한 행동들 사이의 관계를 이해하는 데에 있어 확고한 모델로서 나타났다.

빅-파이브 팩터는, 경험에 대한 개방성(Openness to experience), 성실성(Conscientiousness), 외향성(Extroversion), 친화성(Agreeableness) 및 신경증(Neuroticism)과 같은 5개의 기본적인 빅-파이브 성격요인(OCEAN)으로 나뉠 수 있다. 이 중 경험에 대한 개방성은 [창의성(inventive)/호기심(curious)]과 [항상성(consistent)/조심성(cautious)]라는 상반된 척도에 의해 측정될 수 있다. 예술, 감정, 모험, 비일상적인 아이디어, 호기심 및 다양한 겸험 등에 대한 인정과 관련있다. 경험에 대한 개방성은 지적 호기심의 정도, 창조성 및 새로운 것과 다양한 것에 대한 선호도를 반영한다. 경험에 대한 개방성이라는 단어는 지성(intellect)라는 용어도 대체되어 사용되기도 한다. 성실성은 [효율성(efficient)/조직성(organized)]과 [느긋함(easy-going)/부주의(careless)]라는 상반된 척도에 의해 측정될 수 있다. 자기통제, 의무에 따른 행동, 및 달성에 대한 목표, 충동적 행동보다는 계획된 행동, 조직성, 및 의존성과 괸련된다. 외향성은 [외향성(outgoing)/활동성(energetic)]과 [고립성(solitary)/내향성(reserved)]이라는 상반된 척도에 의해 측정될 수 있다. 활동성, 긍정적 감정, 계획성(surgency), 자기주장(assertiveness), 사회성 및 다른 사람들 내에서의 자극을 추구하는 경향, 및 다변성(talkativeness)과 관련된다. 친화성은 [친화성(friendly)/동정성(compassionate)]과 [차가움(cold)/불친절함(unkind)]이라는 상반된 척도에 의해 측정될 수 있다. 타인에 대하여 의심하거나 적대적인 것보다는 동정하는 마음 및 협조적이고자하는 경향과 관련된다. 신경증은 [민감성(sesitive)/신경성(nervous)]과 [안심(secure)/확신(confident)]이라는 상반된 척도에 의해 측정될 수 있다. 화(anger), 걱정, 우울, 취약(vulnerability)과 같은 불쾌한 감정을 어렵지 않게 경험할 수 있는 경향과 관련된다. 신경증은 감정적인 안정 및 충동제어의 정도를 나타내며, 감정적 안정성으로 지칭될 수도 있다. 사람의 자취를 식별하기 위하여 파이브 팩터를 44개의 설문으로 나눈 빅-파이브 인벤토리(Big Five Inventory, BFI)가 개발되었다. 각각의 설문은 5점 척도로 되어 있다. 인성 특징은 가장 빈번하게 사용되는 자기-레포트 인벤토리(self-report inventory)인 빅 파이브 인벤토리(BFI)를 이용함으로써 특정될 수 있으며, BFI로부터의 파이브 팩터 점수는 본 발명에서 제시하는 알고리듬의 주요 입력으로서 취급된다.

역전파 네트워크는 뉴럴 네트워크(즉, 신경망)의 일종이다. 신경망은 1943년 W.McCulloch와 W.Hartley에 의해서 처음 제시되었다. 해당 뉴런에 입력되는 자극의 합이 임계치보다 크면 뉴런이 활성화 되지만 임계치 보다 작으면 활성화 되지 않는 개념으로 동물의 역치 이상의 자극에만 반응하는 신경에 영향을 받아 설계하였다. 그리고 이 개념에 영향을 받아 1982년 D.Parker에 의해 역 전파 네트워크(BPN) 알고리즘이 개발되게 되었다.

BPN은 출력층, 은닉층(hidden layer), 및 입력층을 포함한다. 각각의 층은 임의 개수의 노드들로 구성될 수 있다.

이때, 상기 ‘노드’라 함은 특정 값을 가지고 특별한 절차를 거쳐 그 값을 변화시킬 수 있으며, 다른 노드와 링크에 의해 연결할 수 있도록 되어 있는 추상적 개념의 객체인 것으로 정의할 수 있다. 상기 ‘입력층’은 사용자가 부여한 특정 값을 가지는 한 개 이상의 노드들의 집합이며, ‘출력층’은 사용자가 정한 특정한 절차에 따라서 그 절차의 결과값을 가지는 한 개 이상의 노드들의 집합이다, 그리고 상기 ‘은닉층’은 사용자가 정해준 절차를 수행할 때에 임시로 나타나는 중간 결과 및 임시값을 저장하는 한 개 이상의 노드들의 집합을 의미할 수 있다.

상기 ‘입력층’의 노드들과 ‘은닉층’의 노드들 사이, 그리고 상기 ‘은닉층’의 노드들과 ‘출력층’의 노드들 사이에는 각각 링크들이 존재할 수 있으며, 이 링크들은 사용자가 정의한 절차에 의해 부여받는 특정한 가중치를 가질 수 있다.

BPN 알고리즘은 출력층의 오차신호를 이용하여 은닉층과 출력층 간의 연결강도를 변경하고, 또한 출력층의 오차신호를 은닉층에 역전파하여 입력층과 은닉층과의 연결강도를 교정하는 학습법이다.

우선 크게 학습 단계를 3개로 나누어 보면, 1)학습패턴을 입력하여 출력을 구한다; 2)출력과 목표치의 오차를 구한다; 3)오차 값을 역전파로 전파시키면서 출력층의 연결 강도 및 은닉층의 연결 강도를 교정한다;로 요약할 수 있다. 이러한 프로시저는 일단 원하는 에러 수준이 달성되면 종료될 것이다.

본 발명의 구성에 따르면 인성과 인간 이동성의 조합적 효과(combinatorial effect)를 밝혀낼 수 있다.

도 1은 일반적인 BPN의 일반적 토폴로지를 나타낸 것이다.
도 2는 본 발명의 일 실시예에 따른 학습모델을 나타낸 것이다.
도 3은 본 발명의 일 실시예에 따른 모델학습방법을 나타낸 것이다.
도 4는 특정 대상의 특성값을 반영하여 상기 특정 대상이 특정 장소에 위치할 확률값을 출력하는 실시예를 설명하기 위한 것이다.
도 5 내지 도 17은 각각 [표 12] 내지 [표 24]를 나타낸 것이다.

이하, 첨부된 도면들을 참조하여 본 발명의 실시예를 상세히 설명하면 다음과 같다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있는 것으로, 이하의 실시예는 본 발명의 개시가 완전하도록 하며, 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.

도 1은 일반적인 BPN의 일반적 토폴로지를 나타낸 것이다.

BPN의 입력층에 미리 준비된 학습용 입력데이터를 적용하면, 출력층에는 상기 학습용 입력데이터에 대응하는 미리 준비된 학습용 출력데이터와는 다른 값을 갖는 데이터가 출력된다. 이는 BPN의 가중치가 완벽하게 학습된 값을 갖지 않을 수 있기 때문이다. 미리 준비된 학습용 출력데이터와 BPN의 출력층에서 출력된 출력데이터 간의 차이값은 출력층의 오차값인 것으로 간주된다.

출력층의 오차는 은닉층과 출력층 사이의 연결강도를 교정(calibrate)하는데 사용된다. 출력층의 오차는 은닉층에게 역으로 전파된다(back propagation). 그 다음, 입력층와 은닉층 사이의 연결강도가 교정(calibrate)된다. 이를 위하여 3 단계의 반복이 요구된다. 첫 번째는 학습패턴(leaning pattern)을 입력하여 출력을 얻는 단계이고, 두 번째는 현재 모델이 출력한 출력값과 원하는 출력값 사이의 오차를 얻는 단계, 세 번째는 연결강도를 조절하기 위하여 오차를 역으로 전파(back propagation)하는 단계이다.

BPN의 학습을 위하여,

첫째, BPN 알고리즘을 사용하기 위해 우선 연결강도 V와 W를 임의의 작은 값으로 초기화한다.

둘째, 학습시킬 P 개의 학습패턴을 설정한다.

셋째, 적절한 오차한계치 Emax를 결정한다.

넷째, 학습패턴을 순서대로 입력한다.

다섯째, 은닉층의 가중합 NETz와 출력 값 Z를 수학식 1 및 수학식 2와 같이 구한다.

[수학식 1]

[수학식 2]

또한 출력 y는 수학식 3 및 수학식 4와 같이 유도될 수 있다.

[수학식 3]

[수학식 4]

원하는 출력 d를 이용하여 오차 E를 수학식 5와 같이 계산할 수 있다.

[수학식 5]

은닉층(δz) 및 출력층(δy)에 대한 오차신호는 수학식 6 및 수학식 7과 같이 계산될 수 있다.

[수학식 6]

[수학식 7]

은닉층과 출력층 간의 연결강도 변화량 ΔW를 계산하고 그 다음 학습에 사용될 연결강도 Wk+1을 수학식 8 및 수학식 9와 같이 구한다.

[수학식 8]

[수학식 9]

그 다음 수학식 10과 수학식 11을 이용하여 ΔV를 계산하여 그 다음 학습에 사용될 연결강도를 구한다.

[수학식 10]

[수학식 11]

마지막으로, 반복을 더 수행할 것인지 아니면 학습을 멈출 것인지 결정하기 위하여 E와 Emax가 서로 비교될 수 있다.

<시간별 위치예측: 실험 설계 1>

본 발명에 따르면 BFF 모델의 결과를 이용하여 사람의 시간별 위치예측을 할 수 있는 가능성을 살필 수 있다. BFF 모델의 결과는 BPN 입력으로서 적용될 수 있다. 본 발명의 다양한 실시예에서 BPN을 위하여 다양한 입력과 출력이 사용될 수 있다. BPN의 입력은 위치정보와 결합된 시간정보 뿐만 아니라 인성 프로파일(personality profile)을 포함할 수 있다. BPN의 출력은 확률의 형식으로 표현된 위치정보일 수 있다.

BPN의 출력값은 확률값의 형식으로 표현된 위치정보일 수 있다. 이때, BPN의 각 출력노드는 특정 장소에 대응될 수 있으며, 각 출력노드가 갖는 값은, 여기에 대응되는 상기 특정 장소에 존재할 확률값일 수 있다.

자세히 설명하면, 입력층의 첫 번째 입력노드는 하루의 AM 또는 PM을 구분하는 노드로서 사용될 수 있다. 두 번째 내지 다섯 번째 노드는 시간을 이진수 형태로 나타낸 노드로서 사용될 수 있다. 여섯 번째 내지 여덟 번째 노드는 요일을 나타내는 노드로서 사용될 수 있다. 이러한 설정은, 인간의 이동패턴이 일주일 단위로 반복된다는 것에 기인한 것이다. 어떤 사람의 주 단위의 이동성 패턴은 Chaoming Song, Zehui Qu, Nicholas Blumm, Albert-Laszlo Barbasi, "Limits of predictablilty in human mobility", Science, Vol.327, pp.1018-1021, 2010에 따른 결과에 근거하여 가정될 수 있다. 출력층의 각 출력노드는 어떤 사람의 가능한 위치를 나타낸다. 각 출력노드는 예컨대 {집, 학교, 식당, 교회}를 나타낼 수 있다. 각 출력노드의 출력값은 확률 형태의 값을 가지며, 따라서 각 출력노드의 출력값은 항상 0과 1 사이의 값이 된다.

그러나 출력 데이터를 학습시키는 과정에서, 각각의 출력노드에 대응하는 각각의 위치정보에 가중치를 두었다. 예를 들어, [표 1]에서, 10시에 산에 있을 확률이 낮으므로 -1의 값을 주어 산에 있을 확률이 거의 없음을 표시하였고, 10시에 학교에 있을 확률이 높으면 +1의 값을 주어 집에 있을 확률이 크다는 것을 표시하였다.

BPN을 이용한 실험을 준비하기 위하여, 입력노드와 츨력노드 값을 정의한다. 이들 값은 [표 1]에 제시되어 있다. 입력값들은 하루 중의 시간과 가능한 위치의 조합이다. 가능한 위치는 산, 집, 학교 및 다른 장소를 포함할 수 있다. 이러한 값들은 위치측정 장치를 소지한 사람 ‘A’의 하루 일과로부터 추출된 값일 수 있다.

[표 1]

또한, 상기 사람 ‘A’의 빅-파이브 인벤토리의 결과가 [표 2]에 제시되어 있다. 이 상기 사람 ‘A’의 인성값을 살펴보면, 경험에 대한 개방성은 높게 나타났으며 외향성은 낮은 것으로 나타났다.

[표 2]

출력은 시간과 위치의 조합으로 표시될 수 있으며, 각각 확률의 형태로 표시될 수 있고 따라서 이에 대한 해석이 필요하다.

본 발명을 위해 두 가지 실험이 준비되었다.

첫 번째 실험은 BFF 인성결과를 이용하지 않고 예측된 시간별 예측위치이다. 이 실험에서 8개의 입력노드와 4개의 츨력노드가 정의되었고 10개의 은닉노드가 정의되었다.

각각의 출력노드는 묘사된 위치에 대응한다. 예컨대 [표 1]에서 출력노드 1은 산, 출력노드 2는 기타장소, 출력노드 3은 집, 그리고 출력노드 4는 학교에 대응할 수 있다. 8개의 입력노드는 하루의 시간들로부터 구성될 수 있다. 예컨대 [표 1]에서 시각 10시를 나타내기 위하여, 8개의 입력노드 중 첫 번째 입력노드에는 AM이 입력되고, 두 번째 내지 다섯 번째 노드는 10시 0분 0초라는 시간을 이진수 형태로 나타내 대입할 수 있으며, 여섯 번째 내지 여덟 번째 노드는 요일을 나타내는 값을 대입할 수 있다.

두 번째 실험은 [표 2]에 나타낸 BFF 인성결과를 입력노드에 더 포함한다. [표 2]에 나타난 결과값들은 상기 사람 ‘A’의 빅-파이브 팩터의 확률값을 나타낸다. 동일한 개수의 은닉노드(10개)와 출력노드(4개)를 이용하여, 13개의 입력노드(시간입력 8개 + 인성결과 5개)가 정의되었다. 8개의 노드는 시간을 나타내며, 5개의 노드는 상기 사람 ‘A’의 BFF 결과 파라미터들에 의해 조정(adapted)되었다.

두 실험 모두, 출력은 서로 대응하는 위치와 시간에서의 대상인물의 존재확률을 나타낸다.

<실험 결과>

첫 번째 실험

첫 번째 실험의 결과는 사람의 위치예측을 위해 BPN을 적용할 경우의 효용성을 나타낸다. 8개의 입력노드, 4개의 츨력노드 및 10개의 은닉노드가 정의된다. 각각의 가장자리(edge)에 대한 연결강도의 값은 -1과 1 사이의 값으로 무작위적으로 초기화되었다. BPN 반복의 종료를 위한 조건으로서 Emax를 이용하는 대신, 이 첫 번째 실험에서는 10,000번의 반복 후에 종료하였다.

학습 프로세스가 끝나고 결과 가중치를 찾아냈다. [표 3]은 입력층에서 은닉층에 대한 연결 가중치를 나타낸다.

[표 3]에서 10개의 열(column)은 각각 은닉노드를 나타내고 8개의 행(row)은 각각 입력노드를 나타낸다. 행과 열의 교차값은 해당 은닉노드와 입력노드 간의 연결 가중치를 나타낸다.

[표 3]

[표 4]는 은닉층에서 출력층에 대한 연결 가중치를 나타낸다.

[표 4]

학습 프로세스가 종료되어 계산된 출력 값이 [표 5]에 제시되어 있다. 시각 0에서는 집에 있을 확률(0.98)이 가장 크고, 시각 9에서는 학교에 있을 확률(0.99)이 가장 크며, 시각 21에서는 산에 있을 확률(0.99)가 가장 크다. 다른 경우로, 출력 값 두 개가 서로 비슷한 경우가 있다. 이때는 두 점 간에 존재할 확률이 비슷하다고 해석할 수 있다. 또는 두 점 위에 있거나 아니면 두 점 사이를 이동하고 있는 중이라고 볼 수 있다. 예를 들어, [표 5]에서 18시에는 집(0.46) 또는 학교(0.44)에 있을 확률이 비슷하다고 해석하거나, 집과 학교 사이를 이동하고 있는 중이라고 해석할 수도 있다.

[표 5]

두 번째 실험 - BFI 파라미터를 포함

첫 번째 실험을 끝마친 이후, 인성자취를 더 이용한 두 번째 실험을 수행하였다. 하루의 24시간은 7개의 입력노드로 인코딩되었고 5개의 노드에는 인성 파라미터가 추가되었다. 나머지 8개의 입력노드에 대하여는 상술한 첫 번째 실험과 동일한 방식으로 입력값이 제공되었다. 다른 BPN 파라미터에 대한 동일한 구성과 함께 입력노드에 대하여 총 12 비트가 사용되었다.

[표 6]은 이 실험의 최종 결과를 나타낸다. [표 6]의 결과값은 모두 확률값이기 때문에, 이에 대한 해석이 필요하다.

[표 6]

[표 7]은 최종 결과에 대한 해석이다. 예컨대, 오후 9시에, 상기 사람 ‘A’는 산에 있을 확률이 크지만 집으로 돌아가 있을 수도 있다.

[표 7]

상술한 사람의 시간 별 위치를 예측하는 실험은 아래의 3 가지 내용을 기본으로 하여 수행되었다. 첫 번째는, 사람의 위치는 규칙적인 패턴을 갖는다는 가정이다. 두 번째는 사람의 시간에 따른 위치는 빅-파이브 팩터라고 불리우는 사람의 인성자취의 영향을 받는다고 가정한다. 세 번째는 BPN과 같은 확률머신학습(probabilistic machine learning)과 같은 방법론을 기초로 한다.

이들 세 가지의 서로 다른 지식들을 결합하여 실험한 결과, 사람의 위치를 성공적으로 예측할 수 있었다. 본 발명에 따른 실험의 결과를 향상시키기 위해 다른 사항들을 고려할 수 있다. 예컨대 사람의 비일상적 행동을 포함하는 사람의 위치 파라미터들이 존재할 수 있다. 따라서 추가적 위치(extra location)가 BPN의 파라미터로서 정의될 수 있으며, 파라미터가 높은 외향성을 나타낼 때에 사람의 시간 별 위치에 따른 추가적 위치(extra location)의 가능성이 높아진다.

문헌 Hyunuk Kim and Ha Yoon Song, Formulating Human Mobility Model in a Form of Continuous Time Markov Chain, The 3rd International Conference on Ambient Systems, Networks and Technologies, August 27-29, 2012, Niagara Falls, Ontario, Canada.에 공개된 사람의 이동성 모델을 BPN 입력들을 위한 더 자세한 파라미터로 사용할 수 있다. 이러한 조합이 잘 작동한다면, 시간별 위치를 더 정교하게 예측할 수 있을 것이다. 문헌 Hyunuk Kim and Ha Yoon Song, Formulating Human Mobility Model in a Form of Continuous Time Markov Chain, The 3rd International Conference on Ambient Systems, Networks and Technologies, August 27-29, 2012, Niagara Falls, Ontario, Canada. / Jillian Anable, "'Complacement Car Addicts'or 'Aspring Enviromentalists'? Identifying travel behaviour segments using attitude theory", Transport Policy, Vol.12, pp.65-78, 2005에 나타낸 것과 같은 많은 다른 사람의 인성모델들이 존재하며, 이러한 모델을 사용할 경우 위치예측 방법을 향상시킬 수 있으며, 인성모델을 검증할 수도 있다.

<실시예 1: 본 발명의 일 실시예에 따른 학습모델>

도 2는 본 발명의 일 실시예에 따른 학습모델을 나타낸 것이다. 이 학습모델은 13 개의 입력노드 10 개의 은닉노드 및 4 개의 출력노드로 구성된다. 노드들 사이의 가중치(Vij, Wjk)는 미리 결정된 초기값으로 설정될 수 있다. 하루의 24시간 및/또는 요일은 8개의 파라미터로 인코딩되어 각각 입력노드(X1~X8)에 입력되고, [표 2]에 나타낸 것과 같은 BFI 결과에 따른 다섯 개의 인성값은 각각 입력노드(X9~X13)에 입력될 수 있다. 이때, 입력노드(X9~X13)에 입력되는 값은 개인별 특성을 반영하는 것으로서 특정인에 대하여는 실실적으로 시간에 따라 변하지 않는 상수값으로 제시될 수 있다.

입력노드(X1~X8)에 입력되는 값은 시간에 따라 변화되는 값으로서, 예컨대 특정인의 위치검출장치로부터 N개(예컨대 100,000개)의 위치 및 시간 샘플을 얻은 경우 N개의 입력 데이터가 제공될 수 있다. 이 입력 데이터세트에 포함된 각 입력데이터값은 확정적인 시간값이다.

예컨대 위의 N개의 입력 데이터세트는 4 주 동안 얻을 것일 수 있다. 이때, 4번의 월요일 오전 9시마다 이 특정인이 반드시 동일한 장소에 존재하는 것은 아니다. 즉, 첫 번째부터 세 번째 월요일 오전 9시에는 학교에 있지만, 네 번째 월요일 오전 9시에는 집에 있을 수 있다. 따라서 N개의 샘플로부터 특정인이 특정시간에 어떤 위치에 존재할 확률을 계산할 수 있다. 예컨대, 위의 경우 월요일 오전 9시에 집에 있을 확률은 1/4이고, 학교에 있을 확률은 3/4일 수 있다.

또 다른 예로서 위의 N개의 입력 데이터세트가 특정 1 주 동안 얻은 것일 수 있다. 이때 그 주의 월요일부터 일요일까지 총 7일 동안 오전 9시에 이 특정인이 반드시 동일한 장소에 존재하는 것은 아니다. 즉, 월요일부터 금요일까지는 오전 9시에 학교에 있고, 토요일에는 집에 있고, 일요일에는 산에 있을 수 있다. 따라서 N개의 샘플로부터 특정인이 특정시간에 어떤 위치에 있을 확률을 계산할 수 있다. 예컨대, 위의 경우 오전 9시에 집에 있을 확률은 1/7이고, 산에 있을 확률은 1/7이고, 학교에 있을 확률은 5/7일 수 있다.

위의 두 예로부터, 특정 시간을 매 하루 단위로 계산하거나 매 주 단위로 계산하거나, 또는 매 달 단위로 계산할 수도 있다. 구체적인 방법에 따라 입력노드의 개수가 달라질 수 있다. 또한, 획득한 N개의 위치 및 시간 데이터로부터 각 시간별로 특정 위치에 존재할 가능성을 미리 계산하여 놓을 수 있다는 것을 알 수 있다.

입력 데이터세트에 속한 특정 입력 데이터를 입력노드(X1~X13)에 입력하면, BPN에 현재 설정되어 있는 연결강도(가중치)에 따라 4 개의 출력노드(Y1~Y4)로부터 출력값을 얻을 수 있다. 예컨대 출력노드(Y1~Y4)는 각각 집, 학교, 산, 기타장소에 대응할 수 있다. 이 출력값은, 특정인이 해당 입력시간에 출력노드(Y1~Y4)의 위치에 존재할 상술한 확률과 비교될 수 있다. 비교결과 얻은 오차값을 최소화할 수 있도록 BPN에 현재 설정되어 있는 연결강도(가중치)를 갱신할 수 있다. 그 다음, 갱신된 BPN에 대하여 또 다른 입력 데이터를 입력하고, 이때 얻은 출력값을 상술한 확률값과 다시 비교하여 출력오차를 다시 얻을 수 있다. 이 출력오차를 줄이기 위하여 BPN에 현재 설정되어 있는 연결강도(가중치)를 다시 갱신할 수 있다. 이러한 과정을 반복하여 특정인의 위치이동패턴에 적합한 모델을 학습시킬 수 있다. 학습된 모델에 새로운 시간값을 입력하면 그 시간에 특정인이 특정 위치에 존재할 확률을 얻을 수 있다.

<실시예 2: 본 발명의 일 실시예에 따른 모델학습방법>

도 3은 본 발명의 일 실시예에 따른 모델학습방법을 나타낸 것이다.

우선 각각 하나 이상의 노드를 포함하며 서로 가중치에 의해 연관되어 있는 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 제공할 수 있다. 그 후, 단계(S1)에서 확정적인 시간값을 포함하는 학습용 입력데이터를 입력층에 입력하여 출력층으로부터 출력값을 얻을 수 있다. 그 다음, 단계(S2)에서 위에서 얻은 출력값을 미리 계산된 값과 비교하여 오차값을 계산할 수 있다. 이때 상기 미리 계산된 값은 위의 확정적인 시간에 특정 위치에 존재할 통계값(확률값)에 관한 것이다(이 값은 미리 얻은 값이다). 그 다음, 단계(S3)에서 위의 오차값을 최소화할 수 있도록 상기 학습모델에 포함된 가중치를 갱신할 수 있다. 이러한 최소화 방안은 이미 알려져 있는 수학적 알고리듬을 이용하여 실행할 수 있다. 이러한 단계들을 반복함으로써 상기 학습모델의 정확도를 향상시킬 수 있다.

<실시예 3:특정 대상의 특성값을 반영하여 상기 특정 대상이 특정 장소에 위치할 확률값을 출력하는 방법>

도 4는 특정 대상의 특성값을 반영하여 상기 특정 대상이 특정 장소에 위치할 확률값을 출력하는 실시예를 설명하기 위한 것이다. 이 실시예에 따르면, 가중치가 있는 링크(20)에 의해 서로 연관되어 있는 노드(10)들로 각각 구성된 입력층(51), 은닉층(52), 및 출력층(53)을 포함하는 학습모델을 이용하여 특정 대상의 위치를 예측하는 방법을 제공할 수 있다.

이때, 상기 입력층(51)의 일부 노드에 시간값을 입력할 수 있다. 예컨대, 상기 일부 노드는 도 4에 나타낸 노드(111)일 수 있다. 그러나 실시예에 따라서는 도 4와는 달리, 상기 시간값을 상기 입력층(51)에 존재하는 두 개 이상의 노드에 나누어 입력할 수도 있다. 예컨대 상기 시간값은 예컨대 아래 [표 8]에 나타낸 'Time' 중 '2'일 수 있다.

또한, 상기 입력층(51)의 다른 일부 노드에는, 상기 입력된 시간값에 대응하는 시간(ex: Time=2)에, 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale)를 입력할 수 있다. 이때, 상기 다른 일부 노드는 예컨대, 도 4에 나타낸 노드(121~124) 중 어느 하나일 수 있다. 이때, 예컨대 상기 특정 장소는 아래 [표 8]에 나타낸 ‘House'일 수 있고, 상기 복수 개의 대상은 임의로 선택된 복수 명(ex: 100명)의 사람일 수 있으며, 그리고 상기 복수 명(ex: 100명)이 사람이 상기 시간(ex: Time=2)에 상기 특정 장소(ex: 'House')에 존재할 평균적인 가능성을 나타내는 척도는 [표 8]에 나타낸 값인 '0.75'일 수 있다. 또 다른 예를 들면, 상기 특정 장소는 아래 [표 8]에 나타낸 ‘School'일 수 있고, 상기 복수 개의 대상은 임의로 선택된 복수 명(ex: 100명)의 사람일 수 있으며, 그리고 상기 복수 명(ex: 100명)이 사람이 상기 시간(ex: Time=2)에 상기 특정 장소(ex: 'School')에 존재할 평균적인 가능성을 나타내는 척도는 [표 8]에 나타낸 값인 '0.25'일 수 있다. 이때, 서로 다른 노드(ex: 121~124)에는 서로 다른 장소에 관한 값이 입력될 수 있다. 예컨대 노드(121), 노드(122), 노드(123), 및 노드(124)에는 각각 [표 8]에 나타낸 'House', 'School', 'Mountain', 및 ’Etc.'에 관한 척도값(ex: 0.75, 0.25, 0, 0)이 입력될 수 있다. 상술한 ‘척도’는 예컨대, 상술한 복수 명(ex: 100명)의 사람의 위치를 실제로 추적하여 얻은 값을 평균한 값일 수 있다.

[표 8]

또한, 상기 입력층(51)의 또 다른 일부 노드에는, 상기 특정 대상의 특성값을 입력할 수 있다. 이때, 상기 또 다른 일부 노드는 예컨대, 도 4에 나타낸 노드(31~35) 중 하나 이상일 수 있다. 그리 상기 특정 대상은, 예컨대 'A'이라는 특정인일 수 있다. 그리고 상기 특성값은 상기 'A'의 인성에 관한 특성값일 수 있다. 그리고 이러한 특성값은 상술한 BFF 값일 수 있다. 예컨대, 노드(31), 노드(32), 노드(33), 노드(34), 및 노드(35)에는 각각 'A'의 BFF 값 중 외향성, 친화성, 성실성, 신경증, 개방성에 관한 상기 [표 2]의 0.45, 0.64, 0.625, 0.578, 및 0.867의 값이 입력될 수 있다.

그 다음, 입력층(51) 상술한 (1) 시간값, (2) 척도(scale), 및 (3) 특성값이 입력되면, 출력층(53)에서는 상기 특정 대상이 상기 시간값에서 상기 특정 장소에 위치할 확률값이 출력되도록 되어 있다. 예컨대, 출력층(53)의 노드(221), 노드(222), 노드(223), 및 노드(224)에는 각각, 상기 특정인 'A'가 상기 시간값(ex: Time=2)에 상기 [표 8]에 나타낸 장소 중 'House', 'School', 'Mountain', 및 ’Etc.'에 존재할 가능성을 나타내는 값이 출력될 수 있다.

상술한 실시예를 구현하기 위하여, 도 4에 도시한 네트워크 모델의 각 링크에 연관된 가중치는 학습에 의해 결정될 수 있다. 예컨대 상술한 특정인 'A'가 특정 시간값(Time=2)에 'House', 'School', 'Mountain', 또는 ’Etc.'에 위치할 가능성을 출력층(53)에서 출력하기 위하여, 입력층(51)의 노드(111), 노드(121), 노드(122), 노드(123), 및 노드(124)에는 각각 [표 8]의 3번째 열(row)에 나타낸 2, 0.75, 0.25, 0, 0을 입력하고, 노드(31), 노드(32), 노드(33), 노드(34), 및 노드(35)에는 각각 상기 [표 2]의 0.45, 0.64, 0.625, 0.578, 및 0.867의 값을 입력하여 상기 네트워크 모델을 학습시킬 수 있다. 그리고 출력층(53)의 노드(211), 노드(221), 노드(222), 노드(223), 및 노드(224)에는 학습을 위한 초기값으로서 입력층(51)의 노드(111), 노드(121), 노드(122), 노드(123), 및 노드(124)와 동일한 값을 입력할 수 있다. 그 결과 도 4에 도시한 네트워크 모델의 학습이 종료되면, 출력층(53)의 노드(221), 노드(222), 노드(223), 및 노드(224)에는 상술한 특정인 'A'가 상기 특정 시간값에 특정 장소에 있을 가능성에 관한 값이 출력된다. 예컨대, [표 9]는 학습에 의해 노드(121), 노드(122), 노드(123), 및 노드(124)에서 출력된 특정인 'A'가 특정 장소에 존재할 가능성에 관한 값(ex: 확률값)을 나타낸다. [표 9]를 살펴보면 특정인 'A'가 Time=2에 'House', 'School', 'Mountain', 및 ’Etc.'에 존재할 가능성은 각각 0.5333, 0.540584, 0.000263, 및 3.40E-06으로 나타났다. 이 값들은 [표 8]에 나타낸 상기 복수 명(ex: 100명)의 사람들이 Time=2에 'House', 'School', 'Mountain', 및 ’Etc.'에 존재할 가능성에 관한 평균값이 0.75, 0.25, 0, 및 0과는 다르다. 그 이유는 도 4에 도시한 학습모델의 입력층(51)의 노드(31~35)에 특정인 'A'의 인성에 관한 값을 입력하여 학습시켰기 때문이다. 즉, 출력층(53)에서 출력되는 확률값은 상기 특정 대상(ex: 특정인 'A')의 특성값(ex: BFF 값)에 의한 영향이 반영된 것일 수 있다.

도 4, [표 8], 및 [표 9]를 통해 설명한 실시예를 이용하면, 특정인(ex: 'A')의 인성에 관한 값에 따라, 상기 특정인이 특정 시간에 특정 위치에 존재할 가능성이 복수 명의 사람들로부터 획득된 평균적 가능성과 얼마나 다른지를 관찰할 수 있다. 즉, 특정 시간에 특정 장소에 위치할 가능성이 특정인의 인성에 의해 어떻게 달라지는지를 관찰할 수 있다.

[표 9]

이때, 상기 특정 대상은 특정인 또는 상기 특정인이 소지한 사용자 기기일 수 있다. 그리고 상기 특성값은 상기 특정인의 인성에 관한 파라미터(ex: BFF 값) 및 상기 특정인이 상기 시간값에 대하여 특정 장소에 존재할 확률 중 한 개 이상을 포함할 수 있다. 그리고 상기 척도는 상기 특정인이 소지한 사용자 기기에 의해 수집된 정보를 이용하여 획득한 것이거나, 미리 제공된 것일 수 있다. 그리고 상기 학습모델은 신경망회로(Neural Network)일 수 있다.

<실시예 4: 실시예 3의 방법을 구현하기 위한 위치예측 컴퓨팅 장치>

실시예 4에 따른 위치예측 컴퓨팅 장치는 데이터 획득부 및 처리부를 포함할 수 있다.

상기 처리부는, 가중치가 있는 링크에 의해 서로 연관되어 있는 노드들로 각각 구성된 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 이용하여 상기 특정 대상의 위치를 예측하도록 되어 있을 수 있다. 그리고 상기 처리부는, 상기 입력층에 (1) 시간값, (2) 상기 시간값에서 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale), 및 (3) 상기 특정 대상의 특성값이 입력되면, 상기 출력층에서는 상기 특정 대상이 상기 특정 장소에 위치할 확률값이 출력하도록 되어 있을 수 있다.

상기 데이터 획득부는 상기 시간값, 상기 척도, 및 상기 특성값을 획득하여 상기 처리부에 제공하도록 되어 있을 수 있다. 그리고 데이터 획득부는 위의 정보들을 외부의 데이터 수집장치로부터 개별 데이터들을 획득하여 취합하여 임시적으로 또는 반영구적으로 저장하는 기능을 하거나, 또는 외부의 서버에 존재하는 데이터베이스로부터 필요한 데이터를 획득하여 임시 또는 반영구적으로 저장하는 기능을 할 수 있다.

<시간별 위치예측: 실험 설계 2>

이하 본 발명의 일 실시예에 따른 위치 예측 프로시저에 대하여 설명한다.

BFF, 시간, 및 위치 정보를 조합하기 위하여 BPN이 사용된다. 인간의 패턴으로서 인성, 위치, 및 시간에 관하여, 어떠한 종류의 패턴 학습 방법이 요구된다. 패턴 학습 또는 패턴 인식을 위한 몇 가지 알고리듬들이 공개되어 있는데, 이들 중, BPN 및 ? 빌리프 네트워트(Deep Belief Network, DBN)이 광범위하게 사용되고 있다. BPN이 로컬 옵티마(local optima)를 나타내는 경향이 있는 반면 DBN은 글로벌 옵티마(global optima)로 귀결된다는 것이 증명되었기 때문에, DBN은 더 정교한 결과를 제공한다는 점에서, DBN이 BPN보다 좋다. 그러나 DBN은 입력 데이터 및 출력 데이터 모두에 대하여 균질적인(homogeneous) 데이터 타입을 요구한다. 따라서 본 실시예에 있어서, DBN 보다 더 잘 들어맞는 BPN를 사용한다. 본 발명의 일 실시예의 구현 예를 위하여, 두드러진 위치로서, ‘집’, ‘학교’, ‘산’, 및 ‘기타’를 가정하였다.

[표 10]은 BFF와 샘플 위치 간의 기본적 관계를 나타낸다. 플러스 부호(+)는 팩터와 위치 간의 양의 관계를 나타내며, 마이너스 부호(-)는 음의 관계를 나타낸다.

[표 10]

예컨대, 높은 친화성(Agreeableness)을 갖는 사람은 높은 수준의 대인 관계를 가져야 하며, 따라서 학교 및 산과 같은 위치에 양의 효과를 갖는다. 또한, 높은 신경증(Neuroticism)을 갖는 사람은 외부 자극을 피하는 경향이 있기 때문에 산 과 기타 장도보다는 집에 있는 경향을 나타내야 한다.

[표 11]은 각 파이브 팩터에 따른 BFF 점수를 나타낸다. 예컨대, 개방성(Openness)이 3.21, 성실성(Conscientiousness) 3.346, 외향성(Openness) 3.134, 친화성(Agreeableness) 3,727, 및 신경증(Neuroticism) 2,84의 의 값을 갖는 사람은 BFF 측면에서 볼 때에 보통의 인성인 것으로 간주될 수 있다.

[표 11]

어떤 사람이 상위 10% 수준의 개방성을 갖는다면, 이 사람에 대하여 개방성 값은 3.71일 것이며, 다른 값들은 바뀌지 않고 유지된다. 파이브 팩터의 직교성(orthogonality) 때문에, BFF의 보편성(generality)을 해치지 않으면서, 임의의 파이브 팩터들 간의 조합이 허용된다.

이러한 점수들은 BPN으로의 입력 값으로서 직접 사용될 수 있다.

일단 어떤 사람의 BFF를 얻게 되면, 이 팩터들은 BPN의 입력이 된다.

[표 12]는 ‘보통’의 인성을 가정한 기본 이동성 모델(mobility model)을 나타낸다. 여기서 ‘보통’이라는 단어는, 어떤 사람의 파이브 인성 팩터 각각이 보통 수준, 즉 평균적 인성의 바깥에 위치하지 않음을 의미한다. [표 12]의 가장 좌측의 칼럼(column)은 하루를 24시간 단위로 표시한 시간 정보를 나타낸다. 오리지널 데이터(Original Data)는 상기 어떤 사람이 주어진 시간에서 해당 장소에 있을 확률을 나타낸다.

이하 [표 12] 내지 [표 24]는 도 4 내지 도 16에 나타낸다.

BPN을 적용한 후에, 출력은 [표 12]의 가장 오른쪽 네 개의 칼럼에 위치한 학습된 데이터(trained data)를 보여준다. 위치 확률(location probability)은 위치검출 장치에 의해 얻은 인간 이동 데이터 세트로부터 계산된다.

[표 12] 내지 [표 22]는 이러한 방식의 오리지널 데이터와 학습된 데이터를 포함한다. 각 테이블의 오리지널 데이터는 BPN 학습을 위한 입력으로서 사용될 수 있다.

[표 13] 내지 [표 22]는 각각의 인성 팩터가 과장된 상태에서 오리지널 결과와 학습된 결과를 나타낸다. ‘과장’이라는 용어는 각 인성에 대하여 최상위 10%와 최하위 10%를 나타낸다. 예컨대, [표 13]은 최하위 10%의 외향성을 갖는 오리지널 데이터를 갖는다. 이태릭체 숫자는 낮은 외향성에 의해 영향 받는 위치 확률을 나타내는 반면, [표 14]의 오리지널 데이터는 높은 외향성에 의해 계산된 위치 확률을 나타낸다. 따라서 총 11개의 표들이 제시될 수 있다.

높은 개방성을 갖는 사람의 경우, 대응하는 위치는, [표 12]의 평균값과는 달리, [표 20]에 나타낸 바와 같이 영향을 받을 것이다. 높은 팩터는 오리지널 위치 확률의 130% 수준까지 상기 대응하는 위치 확률에 영향을 주는 것으로 계산되었으며, 낮은 팩터는 오리지널 위치 확률의 70% 수준까지 대응하는 위치 확률에 영향을 주는 것으로 계산되었다.

아래 [알고리듬 1]은 위치 예측을 위한 전체적인 프로시저를 나타낸다. 알고리듬 1은 사전단계(front stage)로서 학습 단계(learning stage)를 가지고 있으며, 사후단계(back stage)로서 출력 단계(output stage)를 가지고 있다.

[알고리듬 1]

학습 단계에서, 연결 가중치(connection weight)는 임의의 숫자로 설정된다. 학습 단계 도중, 연결 가중치는 어떠한 값으로 수렴한다.

BPN의 입력 노드 세트 1은 시간 데이터이며, 입력 노드 세트 2는 인성 점수 데이터이다. 학습 단계는 임계 수준 0.5%에서 종료된다.

학습 단계가 종료된 이후에, 출력 단계는, 입력 노드 세트 1과 2로서 각각 시간 데이터와 인성 팩터 점수를 필요로 하고, 결과를 출력한다. 출력 노드는 인성 팩터에 대응하는 각 위치의 위치 가중치를 갖는다.

BPN의 입력으로서 시간 데이터를 표현하기 위하여, 시간의 각 표시법(angular representation)을 이용할 수 있다. 시계의 시침(hour hand)의 각도는 시간을 24시간 단위로 나타낸다. 예컨대, 6시에 대하여 0도, 18시에 대하여 180도, 12시에 대하여 240도이다. 시계 각도의 사인 및 코사인 값이 입력 값으로 간주될 수 있다.

[알고리듬 1]을 위한 BPN은 아래와 같이 설계될 수 있다:

1. 입력층은 8개의 노드로 구성되며, 이 중 2개, 5개, 1개는 각각 시간 데이터, 빅 파이브 인성 점수, 및 바이아스 노드라고 알려진 제어를 위하여 할당된다.

2. 출력층은 4개의 노드로 구성되며, 각 노드는 집, 학교, 산, 및 기타를 위한 위치 가중치를 나타낸다.

3. 은닉층은 입력 노드의 개수와 출력 노드의 개수의 합인 12개의 노드로 구성된다.

[표 23] 및 [표 24]는, [표 12] 내지 [표 22]의 샘플 입력 데이터로 학습 프로세스 후의 BPN의 통상의 연결 가중치를 나타낸다. [표 23]은 입력층과 은닉층 사이의 연결 가중치를 나타내며, [표 24]는 BPN의 은닉층과 출력층 사이의 연결 가중치를 나타낸다.

일단 연결 가중치가 설정되면, 적절한 입력 데이터로 BPN으로부터 출력을 얻을 준비가 된다. BPN의 입력 노들들은 시간 데이터 및 빅 파이브 인성 점수 값들을 가지고 있어야 한다. 그 다음, 출력 노드들은 BFF와 시간에 의해 교정된 위치 확률값을 가질 수 있다. 첫 번째 출력 노드는 집에 대한 값을 갖고, 두 번째 출력 노드는 학교에 대한 값을 갖고, 세 번째 출력 노드는 산에 대한 값을 갖고, 네 번째 출력 노드는 다른 장소에 대한 값을 갖는다. 예컨대, 만이 입력 노드들이 3시를 상징하는 45˚의 값을 갖는 시간 데이터를 갖고 보통의 인성에 대한 BFF 값들을 갖는다면, 출력값은 집, 학교, 산, 기타 장소에 각각 대응하는 위치 가중치인 0.781381, 0.00188912, 0.0019602, 0.000108807을 갖는다.

[표 12] 내지 [표 22]로부터, 오리지널 데이터 칼럼의 값들(서브 칼럼 2-5)은, 위치 가중치를 나타내는 학습된 데이터 칼럼의 값들(서브 칼럼 6-9)로 교정된다. 예컨대, [표 20]은 낮은 신경증을 갖는 인성을 나타내며, 15시에 집에 대해 학습된 값은 7.46E-17의 위치 가중치를 갖는데, 최대 가중치가 1에 이를 수 있다는 점을 고려하면, 이 값은 거의 0인 것으로 간주할 수 있다. 다른 말로, 낮은 신경증을 갖는 사람이 15시에 집에 있을 확률은 매우 낮다.

[표 15]와 [표 17]을 비교하면, 학교와 산의 위치 가중치에 대한 친화성의 효과가 산술값으로 제시되어 있다. [표 15]는 높은 친화성(상위 10%) 하에서의 위치 데이터의 교정값을 나타내고, [표 16]은 낮은 친화성 하에서의 위치 데이터의 교정값을 나타내며, 개인 위치에 대한 친화성 효과는 명백하다. 대응되는 값들은 이태릭체로 표시되었다. 예컨대, 12시에, 낮은 친화성을 갖는 사람은 산에 대한 위치 가중치가 0.405378을 갖는 반면, 낮은 친화성을 갖는 사람은 0.215108을 갖는다. 21시에 위치 ‘상’의 경우에 있어서, [표 12]는 보통의 인성에 대하여 0.2999231의 값을 나타낸다.

[표 10]에서 BFF와 위치 간의 관계를 가정하였듯이, 개방성과 외향성은 산의 위치 가중치에 대하여 각각 양과 음의 영향을 준다.

[표 21]에 나타낸 것과 같은 높은 개방성에 대하여, 어떤 사람이 21시에 산에 있을 위치 가중치는 0.394049이다. [표 10]로부터의 가정에 따라, 개방성은 어떤 사람이 산에 있을 가능성에 양(+)의 영향을 준다는 점이 명확하고, 나아가 BPN의 도입으로 인해 정량적인 가중치가 수치로서 계산될 수 있다는 점이 명확하다.

반면, [표 19]에 나타낸 것과 같이 높은 신경증을 갖는 사람은 21시에 산에 대하여 0.216281의 위치 가중치를 나타낸다.

[표 12]에 나타낸 보통의 인성의 경우과 비교하여 볼 때에(0.299231), 높은 신경증은 위치에 대한 음(-)의 영향을 주고, 그 정량적인 값은 BPN의 도움으로 제공될 수 있다.

본 발명의 일 특징은, 대상의 위치를 시간에 따라 예측한다는 점, 예측을 위하여 학습모델을 사용한다는 점, 학습모델의 입력층에 확정적인 시간을 입력한다는 점, 학습모델의 출력층에 입력층의 입력 시각에 특정 위치에 대상이 존재할 확률값이 매핑된다는 점을 포함한다. 또한, 출력층의 각 노드는 특정 위치에 대응한다는 점을 포함한다.

Claims (12)

1. 가중치가 있는 링크에 의해 서로 연관되어 있는 노드들로 각각 구성된 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 이용하여 제1 대상의 위치를 예측하는 방법으로서,
   상기 입력층의 제1군의 입력노드, 제2군의 입력노드, 및 제3군의 입력노드에 각각 (1) 시간값, (2) 상기 시간값에서 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale), 및 (3) 상기 제1 대상의 제1 특성값이 입력되면, 상기 출력층에서는 상기 제1 대상이 상기 특정 장소에 위치할 제1 확률값이 출력되도록 되어 있고,
   상기 제3군의 입력노드에 상기 복수 개의 대상 각각의 특성값들의 평균값인 제2 특성값을 입력함으로써, 상기 제2 특성값을 갖는 가상의 대상 또는 실제의 대상이 상기 특정 장소에 위치할 제2 확률값을 출력하는 단계; 및
   상기 제1 확률값과 상기 제2 확률값을 서로 비교함으로써, 상기 제1 특성값과 상기 제2 특성값의 차이가 상기 특정 장소에 위치할 확률에 주는 영향을 수치로 제시하는 단계
   를 포함하는,
   위치예측방법.
2. 삭제
3. 제1항에 있어서, 상기 제1 확률값은 상기 제1 특성값에 의한 영향이 반영된 것인, 위치예측방법.
4. 제1항에 있어서, 상기 제1 대상은 특정인 또는 상기 특정인이 소지한 사용자 기기이고, 상기 제1 특성값은 상기 특정인의 인성에 관한 파라미터을 포함하는, 위치예측방법.
5. 제4항에 있어서, 상기 척도는 상기 특정인이 소지한 사용자 기기에 의해 수집된 정보를 이용하여 획득한 것이거나, 미리 제공된 것인, 위치예측방법.
6. 제1항에 있어서, 상기 학습모델은 신경망회로(Neural Network)인, 위치예측방법.
7. 데이터 획득부 및 처리부를 포함하는 위치예측 컴퓨팅 장치로서,
   상기 처리부는, 가중치가 있는 링크에 의해 서로 연관되어 있는 노드들로 각각 구성된 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 이용하여 제1 대상의 위치를 예측하도록 되어 있고,
   상기 처리부는, 상기 입력층의 제1군의 입력노드, 제2군의 입력노드, 및 제3군의 입력노드에 각각, (1) 시간값, (2) 상기 시간값에서 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale), 및 (3) 상기 제1 대상의 제1 특성값이 입력되면, 상기 출력층에서는 상기 제1 대상이 상기 시간값이 나타내는 시각에 상기 특정 장소에 위치할 제1 확률값을 출력하도록 되어 있으며,
   상기 데이터 획득부는 상기 시간값, 상기 척도, 및 상기 제1 특성값을 획득하여 상기 처리부에 제공하도록 되어 있는,
   위치예측 컴퓨팅 장치.
8. 제7항에 있어서,
   상기 처리부는,
   상기 제3군의 입력노드에 상기 복수 개의 대상 각각의 특성값들의 평균값인 제2 특성값을 입력함으로써, 상기 제2 특성값을 갖는 가상의 대상 또는 실제의 대상이 상기 특정 장소에 위치할 제2 확률값을 출력하는 단계; 및
   상기 제1 확률값과 상기 제2 확률값을 서로 비교함으로써, 상기 제1 특성값과 상기 제2 특성값의 차이가 상기 특정 장소에 위치할 확률에 주는 영향을 수치로 제시하는 단계
   를 수행하도록 되어 있는,
   위치예측 컴퓨팅 장치.
9. 제8항에 있어서, 상기 제1 대상은 특정인 또는 상기 특정인이 소지한 사용자 기기이고, 상기 제1 특성값은 상기 특정인의 인성에 관한 파라미터를 포함하는, 위치예측 컴퓨팅 장치.
10. 데이터 획득부 및 처리부를 포함하는 위치예측 컴퓨팅 장치로 하여금,
    상기 처리부가, 가중치가 있는 링크에 의해 서로 연관되어 있는 노드들로 각각 구성된 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 이용하여 제1 대상의 위치를 예측하도록 하기 위하여,
    상기 처리부가, 상기 입력층의 제1군의 입력노드, 제2군의 입력노드, 및 제3군의 입력노드에 각각, (1) 시간값, (2) 상기 시간값에서 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale), 및 (3) 상기 제1 대상의 제1 특성값이 입력되면, 상기 출력층에서는 상기 제1 대상이 상기 시간값이 나타내는 시각에 상기 특정 장소에 위치할 제1 확률값을 출력하는 단계를 수행하고,
    상기 데이터 획득부가 상기 시간값, 상기 척도, 및 상기 제1 특성값을 획득하여 상기 처리부에 제공하는 단계를 수행하도록 하는
    프로그램을 기록한 컴퓨터로 읽을 수 있는 매체.
11. 가중치가 있는 링크에 의해 서로 연관되어 있는 노드들로 각각 구성된 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 이용하여 제1 대상의 위치를 예측하는 방법에 있어서, 상기 학습모델을 학습시키는 방법으로서,
    상기 입력층의 제1군의 입력노드, 제2군의 입력노드, 및 제3군의 입력노드에 각각 (1) 시간값, (2) 상기 시간값에서 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale), 및 (3) 상기 제1 대상의 제1 특성값을 입력하는 단계;
    상기 출력층에 상기 제1 대상이 상기 시간값이 나타내는 시각에 상기 특정 장소에 존재할 가능성을 나타내는 값을 입력하는 단계; 및
    상기 가중치를 교정하는 단계;
    를 포함하는,
    학습모델의 학습방법.
12. 데이터 획득부 및 처리부를 포함하며, 가중치가 있는 링크에 의해 서로 연관되어 있는 노드들로 각각 구성된 입력층, 은닉층, 및 출력층을 포함하는 학습모델을 이용하여 제1 대상의 위치를 예측하기 위하여 상기 학습모델을 학습시키는, 컴퓨팅 장치로서,
    상기 처리부는,
    상기 입력층의 제1군의 입력노드, 제2군의 입력노드, 및 제3군의 입력노드에 각각 (1) 시간값, (2) 상기 시간값에서 복수 개의 대상이 특정 장소에 존재할 평균적인 가능성을 나타내는 척도(scale), 및 (3) 상기 제1 대상의 제1 특성값을 입력하는 단계;
    상기 출력층에 상기 제1 대상이 상기 시간값이 나타내는 시각에 상기 특정 장소에 존재할 가능성을 나타내는 값을 입력하는 단계; 및
    상기 가중치를 교정하는 단계;
    수행하도록 되어 있고,
    상기 데이터 획득부는, 상기 시간값, 상기 척도, 및 상기 제1 특성값을 획득하여 상기 처리부에 제공하도록 되어 있는,
    컴퓨팅 장치.
    

Images