KR101617074B1 - 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치 - Google Patents

스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치 Download PDF

Info

Publication number
KR101617074B1
KR101617074B1 KR1020140001098A KR20140001098A KR101617074B1 KR 101617074 B1 KR101617074 B1 KR 101617074B1 KR 1020140001098 A KR1020140001098 A KR 1020140001098A KR 20140001098 A KR20140001098 A KR 20140001098A KR 101617074 B1 KR101617074 B1 KR 101617074B1
Authority
KR
South Korea
Prior art keywords
water
end user
user
water resource
community
Prior art date
Application number
KR1020140001098A
Other languages
English (en)
Other versions
KR20150081527A (ko
Inventor
곽경섭
Original Assignee
인하대학교 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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020140001098A priority Critical patent/KR101617074B1/ko
Publication of KR20150081527A publication Critical patent/KR20150081527A/ko
Application granted granted Critical
Publication of KR101617074B1 publication Critical patent/KR101617074B1/ko

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치가 제시된다. 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법은 복수의 최종 사용자들의 물 소비 성향을 고려하여 상기 최종 사용자를 공동체로 군집화하는 단계, 컨텍스트 정보 및 상기 최종 사용자의 상기 물 소비 성향 파라미터의 피드백에 따라 상기 공동체의 최종 사용자들에게 수자원을 추천하는 단계, 상기 추천에 따라 상기 최종 사용자의 요청이 없어도 수자원을 상기 최종 사용자에게 제공하는 단계를 포함할 수 있다.

Description

스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치{Method and Apparatus for Context-aware Recommendation to Distribute Water in Smart Water Grid}
본 발명은 스마트 워터 그리드에서의 수자원 분배를 위한 추천 방법 및 장치에 관한 것이다.
세계 도처의 수처리 시설(water utilities)에 있어서 워터 그리드는 일부에서는 100년이나 될 정도로 심각하게 노후화된 기반구조로 인한 여러 가지 문제에 직면하고 있다. 이로 인하여 물의 손실, 물의 도난, 시설에 대한 수입손실과 관련된 문제가 발생한다. 스마트 워터 그리드는 발전된 정보 및 통신 기술을 사용하여 수자원 관리 시스템의 이와 같은 문제를 극복하기 위한 고효율의 차세대 물 관리 시스템이다. 통신 기술을 수자원 관리 시스템과 결합한 지능형 물 관리 시스템은 물의 수요를 정확하게 조절함으로써 수자원의 지역적 또는 시간적 불균형을 완화시키는데 도움을 주고, 적절한 정보를 실시간으로 교환하는 양방향 수자원 정보 네트워크를 통하여 실시간 프레임워크 상에서의 수자원의 공급을 지원한다.
최근, 스마트 워터 그리드에 대한 관심이 지속적으로 증가하며, 물 분배 시스템의 감시와 관련된 연구가 증가하고 있다. 워터 그리드를 위한 무선센서 네트워크 기반의 솔루션을 검토하였고, 여기에서, 소형 센서는 특정 이벤트 또는 작업 상태를 즉시 검출하고 이와 관련되는 정보를 물 관리 시스템으로 전달할 수 있다. 참고문헌에 따르면, 현재 지능형 무선 센서 시스템이 최종 사용자의 물 소비 활동, 선호도, 장소 및 시간에 대한 정보를 추적하기 위하여 물 관리 시스템에 설치되어 있다. 그러나, 현재 사용되는 또는 시장에서 구입이 가능한 솔루션의 대부분은 최종 사용자에 적합한 물 공급에 대한 요구를 실시간으로 충족시키지 못한다. 참고문헌의 저자는 물 처리 과정을 제어하기 위하여 최종 사용자의 요구사항을 인지하기 위한 추천 시스템의 응용과 함께 수자원 분배에 대하여 개괄적으로 설명한다. 최종 사용자의 물 소비 선호도, 물의 품질, 지역 형태 및 그리드 네트워크의 상태와 같은 컨텍스트 정보를 이용한 추천 시스템은 더욱 적합한 수자원을 최종 사용자에게 실시간으로 전달하는 잠재력이 있다. 종래의 추천 시스템에서 그 결과는 수자원이 분산되어야 하는 실제 상황과 일치할 수 없다. 컨텍스트 정보는 추천에 영향을 미치고, 스마트 워터 그리드를 위하여 보다 나은 수자원 할당을 지원할 수 있다. 우리가 아는 한, 추천 시스템과 무선센서 네트워크의 컨텍스트 인지 정보를 결합한 스마트 워터 그리드에 대한 조직적인 연구 결과는 이 분야에서 찾아볼 수가 없다.
본 발명이 이루고자 하는 기술적 과제는 최종 사용자의 프로파일(profile), 물의 종류 및 네트워크 상태를 고려한 미래의 스마트 워터 그리드에서의 물의 분배를 위한 컨텍스트 인지 추천 방법 및 장치를 제공하는데 있다. 또한, 수자원에 대한 최종 사용자의 공통적인 관심사를 근거로 최종 사용자를 각각 다른 공동체로 군집화하기 위한 스펙트럴 군집화(spectral clustering) 방법을 제안한다. 또한, 수자원에 대한 최종 사용자의 선호도 평가 목록을 얻기 위한 역전파(back propagation: BP) 신경망을 설계 방법을 제안한다.
일 측면에 있어서, 본 발명에서 제안하는 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법은 복수의 최종 사용자들의 물 소비 성향을 고려하여 상기 최종 사용자를 공동체로 군집화하는 단계, 컨텍스트 정보 및 상기 최종 사용자의 상기 물 소비 성향 파라미터의 피드백에 따라 상기 공동체의 최종 사용자들에게 수자원을 추천하는 단계, 상기 추천에 따라 상기 최종 사용자의 요청이 없어도 수자원을 상기 최종 사용자에게 제공하는 단계를 포함할 수 있다.
상기 복수의 최종 사용자들의 물 소비 성향을 고려하여 상기 최종 사용자를 공동체로 군집화하는 단계는 상기 컨텍스트 정보를 이용하여 인접행렬 및 이득행렬을 생성하고, 상기 인접행렬 및 이득행렬을 이용하는 스펙트럴 군집화 알고리즘으로 최종 사용자를 군집화할 수 있다.
컨텍스트 정보 및 상기 최종 사용자의 상기 물 소비 성향 파라미터의 피드백에 따라 상기 공동체의 최종 사용자들에게 수자원을 추천하는 단계는 콘텐츠 기반 접근방법을 이용하여 상기 최종 사용자의 물 소비 성향과 상기 수자원 특성 사이의 유사성을 산출하는 단계, 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하는 단계를 포함할 수 있다.
상기 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하는 단계
는 상기 컨텍스트 정보 중 분류되지 않은 항목에 대해 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산하고, 상기 계산된 발생확률이 가장 높은 항목을 해당 카테고리에 포함하여 상기 컨텍스 정보를 분류하고, 역전파 신경망에 의해 학습되어 예측할 수 있다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천장치는 복수의 최종 사용자들의 물 소비 성향을 고려하여 상기 최종 사용자를 공동체로 군집화하는 공동체 모듈, 컨텍스트 정보 및 상기 최종 사용자의 상기 물 소비 성향 파라미터의 피드백에 따라 상기 공동체의 최종 사용자들에게 수자원을 추천하는 추천 엔진 모듈, 상기 추천에 따라 상기 최종 사용자의 요청이 없어도 수자원을 상기 최종 사용자에게 제공하는 수자원 서버를 포함 할 수 있다.
본 발명의 실시예들에 따르면 예상 평가가 가장 높은 수자원을 최종 사용자에게 추천하고, 제안된 방법이 기존의 추천 방안에 비하여 보다 나은 사용자의 경험과 함께, 추천의 정확도를 개선시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 워터 그리드의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 컨텍스트 인지 추천시스템의 프레임워크를 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 공동체 네트워크의 구조를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 수자원 컨텍스트 인지 정보의 분류 카테고리를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 역전파 신경망의 구조를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천장치의 구성을 나타내는 블록도이다.
도 8은 본 발명의 일 실시예에 따른 설계된 역전파 신경망의 학습 성능을 측정한 결과를 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 추천의 예측 성능을 측정한 결과를 나타낸 도면이다.
제안하는 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치는 워터 그리드 내의 최종 사용자에게 완벽한 수자원을 추천하기 위하여 스마트 워터 그리드 네트워크를 위한 수자원을 최종 사용자에게 추천하고 분배할 수 있다. 또한, 최종 사용자의 물 소비 선호도, 물의 품질, 지역 형태 및 그리드 네트워크의 상태 등을 포함하는 컨텍스트 정보를 이용하여 최종 사용자를 각각의 다른 네트워크 공동체로 군집화하기 위한 스펙트럴 군집화 방안을 이용하여 최종 사용자를 군집화 할 수 있다. 또한, 역전파 신경망을 사용하기 위한 새로운 추천 프레임워크를 설계하여 수자원에 대한 최종 사용자의 선호도 평가 목록을 얻을 수 있다. 그리고, 예상 평가가 가장 높은 수자원을 해당 공동체 내의 최종 사용자에게 추천할 수 있다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 스마트 워터 그리드의 개략도이다.
그림 1에서 보는 바와 같이, 스마트 워터 그리드는 발전된 정보 및 통신 기술을 사용하여 이와 같은 전통적인 수자원 관리 시스템의 한계를 극복하기 위한 고효율의 차세대 물 관리 시스템이다. 종합 물 관리 시스템으로써의 스마트 워터 그리드는 다음과 같은 응용을 위하여 설계되었다.
- 빗물, 재활용수, 바닷물과 같은 수자원을 이용한다.
- 수자원의 불균형을 완화하기 위하여 물을 효과적으로 분배, 관리, 운송한다.
- 발전된 센서 네트워크를 이용하여 수자원 네트워크의 안정성을 실시간으로 감시한다.
- 깨끗한 물을 수자원 네트워크에게 운반한다.
스마트 워터 그리드의 기존의 수자원 관리 시스템은 빈번한 누수와 물의 생산으로 인하여 물의 손실이 크고, 물이 사용되는 곳과 요구되는 품질에 관계없이 물의 품질이 동일하기 때문에 처리 비용이 크다. 그리고, 스마트 워터 그리드 내 최종 사용자들의 수자원에 대한 관심사는 각기 다르다. 따라서, 다양한 사용자의 관심을 충족하여 지능적인 워터 그리드를 구축하기 위하여 수자원 추천 시스템이 필요하다.
도 2은 본 발명의 일 실시예에 따른 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법을 설명하기 위한 흐름도이다.
도 2을 참고하면, 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법은 복수의 최종 사용자들의 물 소비 성향을 고려하여 최종 사용자를 공동체로 군집화하는 단계(210), 컨텍스트 정보 및 최종 사용자의 물 소비 성향 파라미터의 피드백에 따라 공동체의 최종 사용자들에게 수자원을 추천하는 단계(220), 추천에 따라 최종 사용자의 요청이 없어도 수자원을 최종 사용자에게 제공하는 단계(230)를 포함할 수 있다.
단계(210)에서, 복수의 최종 사용자들의 물 소비 성향을 고려하여 최종 사용자를 공동체로 군집화할 수 있다. 이때, 컨텍스트 정보를 이용하여 인접행렬 및 이득행렬을 생성하고, 인접행렬 및 이득행렬을 이용하는 스펙트럴 군집화 알고리즘으로 최종 사용자를 군집화할 수 있다. 다시 말해, 최종 사용자들의 성향에 따라, 서로 유사한 관심사를 가지는 사용자는 동일한 종류의 수자원을 필요로 할 수 있다. 최종 사용자는 사용자의 물 소비 성향을 고려하여 각기 다른 공동체로 군집화될 수 있다. 이것은 각기 다른 사용자의 수자원에 대한 요구를 처리하기 위한 방안일 수 있다.
단계(220)에서, 컨텍스트 정보 및 최종 사용자의 물 소비 성향 파라미터의 피드백에 따라 공동체의 최종 사용자들에게 수자원을 추천할 수 있다. 컨텍스트 정보 및 최종 사용자의 물 소비 성향 파라미터의 피드백에 따라 공동체의 최종 사용자들에게 수자원을 추천하는 단계는 콘텐츠 기반 접근방법을 이용하여 최종 사용자의 물 소비 성향과 수자원 특성 사이의 유사성을 산출하는 단계(221), 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하는 단계(222)를 포함할 수 있다. 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하는 단계는 컨텍스트 정보 중 분류되지 않은 항목에 대해 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산할 수 있다. 그리고, 계산된 발생확률이 가장 높은 항목을 해당 카테고리에 포함하여 컨텍스 정보를 분류할 수 있다. 그리고, 역전파 신경망에 의해 학습되어 수자원 평가를 예측할 수 있다. 도 3을 참조하여 상세히 설명한다.
도 3을 참조하면, 도 3에서 보는 바와 같이, 추천 시스템(310)은 컨텍스트 정보(350) 및 사용자의 물 소비 파라미터의 피드백에 따라서 수자원을 공동체(330)의 최종 사용자에게 추천할 수 있다. 예를 들어, 이 모듈에서는 M개 종류의 수자원(340)(예를 들어, 신선한 물, 빗물, 바닷물 등)이 자원 서버에 저장되어 있고, L명의 사용자가 공동체(330) 내에 분포되어 있다고 가정할 수 있다. 최종 사용자의 프로파일(320)과 물 소비 이력에 근거하여 최종 사용자를 위한 수자원(340)을 선택할 수 있다. 실제로 이는 다차원 입력 및 다차원 출력 모델로, 자원의 특성 rm, 컨텍스트 rc, 사용자 프로파일 ru 및 스마트 워터 그리드의 상태 rt 가 입력되고, 시나리오 os, 수자원 om 및 스코어 osc가 출력되며, 이들은 수학식1과 같이 정의될 수 잇다.
O(os, om, osc) = R(rm, rc, ru, rt) 수학식1
단계(230)에서, 추천에 따라 최종 사용자의 요청이 없어도 수자원을 최종 사용자에게 제공할 수 있다. 예를 들어, M개 종류의 수자원이 자원 서버에 저장되어 있을 수 있다. 이들은 네트워크의 가장자리에 위치할 수 있다. 스마트 워터 그리드에서의 수자원 분배를 위하여 두 개의 패턴이 동작할 수 있다. 그 중 하나는, 최종 사용자가 수자원 서버로 요청을 보내고, 수자원 서버는 요청된 수자원을 사용자에게 전달할 수 있다. 다른 하나의 패턴에서, 추천 엔진이 최종 사용자를 위한 수자원을 추천하고, 이에 따라 수자원 서버는 사용자의 요청이 없어도 수자원을 사용자에게 일방적으로 제공할 수 있다.
도 3은 본 발명의 일 실시예에 따른 컨텍스트 인지 추천시스템의 프레임워크를 나타내는 도면이다.
다시 도 3을 참조하여, 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 수자원 추천방식에 대하여 상세히 설명한다.
제안하는 발명은 예측의 정확도가 높고 시간 지연이 낮은 수자원 추천 시스템을 개발하기 위하여 스마트 워터 그리드를 설계 및 구현하였으며, 이에 따른 추천 시스템(310)을 이용하여 공동체에 속한 최종 사용자에게 근사적인 추천을 제공할 수 있다. 제안하는 발명의 핵심 목표는 추천방식에서 추천의 정확도를 높이는 것이다. 수자원(340)에 대한 최종 사용자의 공통적인 관심사를 근거로 최종 사용자를 각각 다른 공동체(331, 332, 333)로 군집화하기 위하여 스펙트럴 군집화 방법을 채택할 수 있다. 여기에서 다른 공동체는 농업지역(331), 산업단지(332), 주거지역(333) 등을 포함할 수 있다. 그리고, 최종 사용자의 추가 요청을 예측하기 위하여 콘텐트 기반의 방법으로 획득한 수자원 평가를 역전파 신경망으로 입력할 수 있다.
이러한 추천방식은 컨텍스트 정보(350)를 이용하여 실시간 풀-푸시 어플리케이션(in-time and pull-push applications)의 요구사항을 충족시킬 수 있다. 컨텍스트 정보(350)를 효과적으로 기술하는 것은 매우 중요한 일이다. 예를 들어, 컨텍스트 정보(350) 모델을 다음과 같이 기술하기 위하여 온톨로지 접근방법을 사용할 수 있다.
- 사용자의 행동 컨텍스트: 시간, 장소, 활동 등
- 사용자의 물 소비 컨텍스트: 물의 종류, 물의 양, 시간, 목적 등
- 워터 그리드 네트워크 컨텍스트: 네트워크의 상태, 커버리지, 용량, 전력 등
수자원에 대한 사용자의 공통적인 관심 사항을 근거로 최종 사용자를 각각 다른 공동체(331, 332, 333)로 군집화할 수 있다. 이때, 스펙트럴 그래프 이론을 이용하여 스펙트럴 군집화 알고리즘을 구축할 수 있다. 이는 기존의 군집화 알고리즘에 비하여 임의의 형태의 샘플 공간에서 군집화를 하는 장점이 있으며 전역적 최적해(global optimal solution)로의 수렴이 양호하다. 공동체를 발견하기 위한 이 새로운 스펙트럴 군집화 방법은 인접행렬과 이득행렬을 구축함으로써 실현될 수 있다. 예를 들어, 스마트 워터 그리드 내에 N명의 사용자가 있는 것으로 가정할 수 있다. 그리고, N명의 사용자를 K개의 공동체로 군집화 하기 위하여 이득 함수 기반의 스펙트럴 군집화 알고리즘을 정의할 수 있다.
예를 들어, 인접행렬은 네트워크 내에 N명의 최종 사용자가 있는 것으로 가정하며, Λ을 네트워크 내의 인접행렬이라 명명한다. 사용자 i와 j 사이에 연관성이 있다면 이는 공통의 관심사를 나타내며, Λij=1이 되고, 연관성이 없다면 Λij=0이 된다. 상호행렬 집합(mutual matrix set) G를 표현하기 위하여 행렬 G의 원소는 수학식2와 같이 표현될 수 있다.
Figure 112014000939730-pat00001
수학식2
여기에서, Λij와 Λkj는 인접행렬 Λ의 원소이고, 사용자 i 및 사용자 j 모두가 사용자 k와의 연결면(connection side)이 있다면 ΛikΛij=1이 되고, 이는 사용자 i와 사용자 j 사이의 공통 이웃(공통 관심사항)의 수를 나타낼 수 있다.
예를 들어, 이득행렬은 gi와 gj를 사용자 i와 사용자 j 사이의 등급으로 정의할 수 있다. 이러한 등급은 네트워크 내에서 사용자와 다른 사용자들 사이의 연결면의 수를 나타낼 수 있다. 임의의 사용자 쌍에서 공통 이웃의 수를
Figure 112014000939730-pat00002
로 정의할 수 있다. 이득함수는 수학식3과 같이 표현될 수 있다.
Figure 112014000939730-pat00003
수학식3
여기에서,
Figure 112014000939730-pat00004
는 공동체 내에서의 회원함수 (membership function)로 정의 한다. 사용자 i와 사용자 j가 동일한 공동체 내에 있으면
Figure 112014000939730-pat00005
=1이 되고, 그렇지 않으면
Figure 112014000939730-pat00006
=0이 된다. Φ는 공통 관심사에 기반한 공통 이웃의 개수와 임의의 관심사에 기반한 공통 이웃의 개수와의 차이로 정의될 수 있다. 공동체의 마크 벡터(mark vector)는 S = (s1, s2 ... sn)로 표현된다. 사용자 i가 제1 공동체에 속해있으면 si = +1이 되고, 그렇지 않다면 si = -1이 된다.
Figure 112014000939730-pat00007
가 되고,
Figure 112014000939730-pat00008
수학식4
Figure 112014000939730-pat00009
수학식5
공동체에 대한 인접 항목만 고려할 수 있다. 여기에서,
Figure 112014000939730-pat00010
수학식6
그리고, 이득행렬 C는 다음과 같이 정의될 수 있다.
Figure 112014000939730-pat00011
수학식7
도 4는 본 발명의 일 실시예에 따른 공동체 네트워크의 구조를 나타내는 도면이다. 위에서 설명한 방법으로 정의된 인접행렬 Λ와 이득행렬 C에 근거하여 도 4에서 보는 바와 같이 복잡한 네트워크를 공동체A(410), 공동체B(420)의 두 개의 공동체로 군집화할 수 있다. 이렇게 공동체로 군집화하는 과정은 다음과 같다. 먼저, 이득행렬 C의 최대 고유 값 중에서 주(principal) 고유벡터를 계산할 수 있다. 이후, 고유벡터 내 주된 요소의 부호에 기반한 네트워크를 두 개의 공동체로 군집화할 수 있다. 이러한 각각의 공동체는 새로운 스펙트럴 군집화 방법에 의하여 다시 다른 공동체들로 분리될 수 있다. 예를 들어, 공동체A(410)는 복수의 공동체들(411, 412, 413, 414, 415)로 분리될 수 있고, 공동체B(420)는 복수의 공동체들(421, 422, 423, 424, 425)로 분리될 수 있다.
도 5는 본 발명의 일 실시예에 따른 수자원 컨텍스트 인지 정보의 분류 카테고리를 나타내는 도면이다. 도 5를 참조하면, 수자원 컨텍스트 정보(510)는 시간(520), 장소(530), 활용(540), 네트워크(550) 등으로 분류될 수 있다. 이렇게 분리된 카테고리는 다시 세분화 될 수 있다. 예를 들어, 시간(520)은 오전(521), 오후(522), 저녁(523)으로 세분화 될수 있고, 장소(530)는 주거단지(531), 산업단지(532), 농업지역(533)으로 세분화될 수 있다. 또한, 활용(540)은 빗물(541), 담수(542), 재이용수(543)로 세분화될 수 있고, 네트워크(550)는 양호(551), 보통(552), 불량(533)으로 세분화될 수 있다.
먼저, 컨텍스트 정보 및 최종 사용자의 물 소비 성향 파라미터의 피드백에 따라 공동체의 최종 사용자들에게 수자원을 추천하기 위해 수자원에 대한 유사성 산출할 수 있다. 콘텐츠 기반의 추천 시스템은 물 사용 이력에 있어서 수자원에 대하여 유사한 관심을 가지는 최종 사용자에게 수자원을 추천할 수 있다. 예를 들어, 최종 사용자를 기술하는 파라미터가 n개 있다고 가정하면, 초기 특성에 대한 사용자 i의 선호도 가중치는 w = (w1, w2, ...,wn)로 표현될 수 있다. 그리고, 수자원에 대한 초기 특성 사이의 상관관계는 벡터 c = (c1, c2, ,,,, cn)로 표현될 수 있다. 사용자 성향과 수자원 특성 사이의 유사도는 콘텐츠 기반의 접근방법을 통하여 계산될 수 있다. 여현 유사성 방정식은 수학식8과 같이 정의된다.
Figure 112014000939730-pat00012
수학식8
이러한 방법으로 유사성 고유벡터 공간 S = {s1, s2, ..., sm}를 얻을 수 있고, 이는 사용자 i와 M개 수자원 사이의 유사성을 나타낼 수 있다.
다음으로, 수자원의 평가를 예측할 수 있다. 이러한 수자원의 평가는 역전파 신경망에 의하여 학습되고 예측된다. 또한, 컨텍스트 정보는 베이즈 네트워크(naive Bayes network)에 의해 분류될 수 있다. 그리고, 수자원의 평가를 예측하기 위하여 역전파 신경망이 설계되었다. 베이즈 네트워크는 분류되지 않은 항목에 대한 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산할 수 있다. 그리고, 확률이 가장 높은 항목이 해당 카테고리에 속하는 것으로 분류될 수 있다. 베이즈 네트워크는 그림 5에서 보는 바와 같이 컨텍스트 인지 정보를 분류하는데 사용될 수 있다. 예를 들어, 베이즈 네트워크를 기반으로 컨텍스트 인지 정보를 k개의 카테고리로 분류하면, 이는 {λ1, λ2, ..., λk}, k = 1, 2, ..., n로 정의될 수 잇다. 컨텍스트 상황 λi에서 사용자가 수자원 xj를 요청할 확률은 사용자의 이력에 근거하여 수학식9 내지 수학시11을 이용하여 계산될 수 있다.
P(λi|xi ) = P(xj|λi)P(λi)/P(xj) 수학식9
Figure 112014000939730-pat00013
수학식10
Figure 112014000939730-pat00014
수학식11
여기에서, {tv}는 수자원 xj의 N개의 특성, r(λi)는 시나리오 내 요청의 수, T는 xj와 유사한 요청된 수자원의 수, T(tv)는 특성 tv를 가지는 수자원을 요청한 횟수, T(λi)는 시나리오 λi에서 물을 요청한 횟수를 나타낼 수 있다. 나머지는 이와 동일한 방식으로 나타낼 수 있으며, {p(λ1 | xj), p(λ2 | xj), ..., p(λk | xj)}로 표현되는 K차원의 컨텍스트 벡터를 얻을 수 있다.
도 6은 본 발명의 일 실시예에 따른 역전파 신경망의 구조를 나타내는 도면이다.
역전파 신경망은 세 가지의 계층, 즉 입력층(610), 은닉층(620), 출력층(630)을 포함할 수 있다. 이러한 세가지 계층에서의 사용자의 행위(performance)에 대한 피드백을 고려하여 가중치를 조절할 수 있다는 큰 장점이 있다. 입력 신경세포들(611, 612, 613)의 수는 컨텍스트 벡터 λ의 요소의 수와 동일하고, 서로 다른 컨텍스트 상황에서의 확률 값 p(λk | xj)은 입력층에 대한 입력으로 사용될 수 있다. 은닉층(620) 에서의 신경세포의 수는 상수 값이 아니며 예측 결과의 평균 제곱 오차(MSE: Mean Squared Error)에 따라 달라질 수 있다. 역전파 신경망의 목적은 수자원의 평가를 획득하는 것이므로, 출력층(630)을 위해서는 하나의 노드 만을 설계하였다. 또한, 트랜잭션 함수로 시그모이드(sigmoid) 함수를 채택할 수 있다. 하나의 신경세포에 여러 개의 입력이 있다면, 이러한 입력은 입력 값 X의 가중치 합을 통하여 얻을 수 있다. 출력은 수학식12를 통하여 계산할 수 있다.
Figure 112014000939730-pat00015
수학식12
이때, 출력 노드의 출력 값이 예상 치와 다른 경우 가중치를 변경할 수 있다. 역전파 네트워크의 역전파 단계(phase)에서, 출력층(630)의 오류 신호는 전방으로 전파되어 가중치를 오류함수 네트워크의 음의 기울기(negative gradient) 방향으로 수정할 수 있다. 예를 들어, 은닉 노드 j에서 출력으로의 가중치 수정 양은 시간 t에서 wj(t)라고 가정하고, 이는 수학식13과 같이 표현할 수 있다.
Figure 112014000939730-pat00016
수학식13
여기에서, wj(t+1) = wj(t) - ?wj(t)는 오류 함수이고, O'(t)는 기대 출력이다. 은닉층(620)에서 출력층(630)으로 수정된 가중치는 수학식14와 같이 계산할 수 있다.
wj(t+1) = wj(t) - ηwj(t) 수학식14
여기에서, η는 학습 보정율(learning correction rate)을 나타낸다. 이와 유사하게, 입력 노드 l에서 은닉 노드 j로의 상관값 wlj(t)를 얻을 수 있고, 이는 수학식15 내지 수학식17을 이용하여 계산할 수 있다.
h(t) = [O'(t) - O(t)]{O(t)[1 - O(t)]} 수학식15
Figure 112014000939730-pat00017
수학식16
wlj(t + 1) = wlj(t) - ηwlj(t) 수학식17
마지막으로, 수학식18을 이용하여 수자원 xj에 대한 예측 평가를 계산할 수 있다.
δ= wpSim + wcP*(λi |xj|) + wn 수학식18
여기에서, wp는 유사도의 가중치이고, wc는 컨텍스트 예측 확률의 가중치이고, wn은 네트워크 상태 (wp +wc +wn = 1)의 가중치를 나타낸다. 가중치는 고정된 것이 아니며, 각각 다른 요구사항과 네트워크 상황을 고려하여 조절할 수 있다. 따라서, 이와 같은 추천방식을 사용하여 M개의 수자원을 학습하고 예측할 수 있으며, 이러한 방식을 통하여 사용자에 대한 자원 추천 수준을 나타내는 예측 자원의 평가 목록을 얻을 수 있다. 또한, 가장 높은 예측 평가를 가지는 수자원을 사용자에게 추천할 수 있다.
도 7은 본 발명의 일 실시예에 따른 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천장치의 구성을 나타내는 블록도이다.
스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천장치는 공동체 모듈(710), 추천 시스템(720), 수자원 서버(730)를 포함할 수 있다.
공동체 모듈(710)은 복수의 최종 사용자들의 물 소비 성향을 고려하여 최종 사용자를 공동체로 군집화할 수 있다. 이때, 컨텍스트 정보를 이용하여 인접행렬 및 이득행렬을 생성하고, 인접행렬 및 이득행렬을 이용하는 스펙트럴 군집화 알고리즘으로 최종 사용자를 군집화할 수 있다. 다시 말해, 최종 사용자들의 성향에 따라, 서로 유사한 관심사를 가지는 사용자는 동일한 종류의 수자원을 필요로 할 수 있다. 최종 사용자는 사용자의 물 소비 성향을 고려하여 각기 다른 공동체로 군집화될 수 있다. 이것은 각기 다른 사용자의 수자원에 대한 요구를 처리하기 위한 방안일 수 있다.
추천 시스템(720)은 컨텍스트 정보 및 최종 사용자의 물 소비 성향 파라미터의 피드백에 따라 공동체의 최종 사용자들에게 수자원을 추천할 수 있다. 추천 시스템(720)은 콘텐츠 기반 접근방법을 이용하여 최종 사용자의 물 소비 성향과 수자원 특성 사이의 유사성을 산출하고, 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측할 수 있다. 이때, 컨텍스트 정보 중 분류되지 않은 항목에 대해 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산할 수 있다. 그리고, 계산된 발생확률이 가장 높은 항목을 해당 카테고리에 포함하여 컨텍스 정보를 분류할 수 있다. 또한, 역전파 신경망에 의해 학습되어 수자원의 평가를 예측할 수 있다.
수자원 서버(730)는 추천에 따라 최종 사용자의 요청이 없어도 수자원을 최종 사용자에게 제공할 수 있다. 예를 들어, M개 종류의 수자원이 자원 서버에 저장되어 있을 수 있다. 이들은 네트워크의 가장자리에 위치할 수 있다. 스마트 워터 그리드에서의 수자원 분배를 위하여 두 개의 패턴이 동작할 수 있다. 그 중 하나는, 최종 사용자가 수자원 서버로 요청을 보내고, 수자원 서버는 요청된 수자원을 사용자에게 전달할 수 있다. 다른 하나의 패턴에서, 추천 엔진이 최종 사용자를 위한 수자원을 추천하고, 이에 따라 수자원 서버는 사용자의 요청이 없어도 수자원을 사용자에게 일방적으로 제공할 수 있다.
다음으로, 제안하는 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치를 이용하여 측정한 평가 결과에 대하여 설명한다.
먼저, 파라미터 설계에 대하여 설명한다. 관련되는 표준 플랫폼과 물 공동체 네트워크(water community network) 내 사용자의 실험 데이터를 이용할 수 없음 고려하여, 본 시뮬레이션에서는 스마트 워터 그리드로부터 실험 데이터를 얻기 위하여 샘플 방법을 채택할 수 있다. 자원 특성, 컨텍스트 인지 정보 (시간, 장소, 활동) 및 워터 그리드 네트워크 상태를 포함하는 세 가지 종류의 컨텍스트 정보를 고려할 수 있다. 300개의 컨텍스트 정보 실험 데이터, 공동체 내 50명의 사용자, 그리고 10가지 종류의 수자원이 시뮬레이션의 파라미터로 주어진다. 사용자는 시뮬레이션이 시작할 때 시스템에 합류하고 시뮬레이션 종료 시에 시스템을 떠난다. 이와 같은 파라미터를 고려하여, 5개의 입력층 노드, 7개의 은닉층 노드 및 1개의 출력층 노드를 포함하는 역전파 신경망을 설계할 수 있다. 또한, 서로 다른 수자원 추천 시스템에 대하여 일정한 기준을 정하기 어렵기 때문에, 세 개의 평가 기준을 정하여 수자원 추천방식의 품질을 표시할 수 있다. 정밀도 Pr과 회수도(recall) Re를 포함하는 추천모델의 품질 나타내기 위하여 추천 수자원의 수 Nr와 관심 수자원의 수 Ni를 사용하며, 이는 수학식19와 같이 표현될 수 있다.
Pr = Nr n Ni Nr 수학식19
기준 1: 정밀도 값은 추천되는 자원의 양에 대한 사용자가 관심을 가지며 이에 따라 추천되는 수자원의 양의 비율이며, 수학식20과 같이 주어진다.
Figure 112014000939730-pat00018
수학식20
기준 2: 회수도는 수집된 관심대상 자원의 양에 대한 추천되는 관심대상 수자원의 양의 비율이며, 수학식21과 같이 주어진다.
Figure 112014000939730-pat00019
수학식21
기준 3: 사용자의 만족도 값은 수자원의 용적 Qsp, 수자원의 인기도 Qpp, 수자원의 품질 Qqp 및 가중치 Sci에 대한 정도의 합으로 계산되며, 수학식22와 같이 주어진다.
score = Sc1Qsp + Sc2Qpp + Sc3Qqp 수학식22
정밀도 값은 추천 시스템의 정확도를 나타낸다. 회수도는 관심 있는 수자원의 추천 비율을 나타내며, Qos 값은 추천에 대한 사용자의 만족도를 나타낸다.
다음으로, 평가 결과에 대해 설명한다. 수자원 분배 방식의 설계된 파라미터에 근거하여, 먼저, 정밀도와 회수에 대한 값을 계산할 수 있다. 예를 들어, 본 추천방식은 예측 값이 0.82이고 회수도가 0.36일 때 0.84의 사용자 만족도를 달성할 수 있다. 사용자마다 각각의 성향이 다르기 때문에 수자원의 평가는 사용자에 있어서 불공정 대상일 수 있다. 정규화된 평가 기준(NRC)을 수학식23과 같이 정의한다.
Figure 112014000939730-pat00020
수학식23
여기에서, L은 물 이용 공동체 내의 최종 사용자의 수를 나타내고, L = 50이다.
표 1은 NRC 대 물 종류의 수를 나타낸 표이다.
<표 1>
Figure 112014000939730-pat00021

도 8 및 도 9은 측정 결과를 나타낸 도면이다.
제안된 추천 시스템의 성능을 NRC와 MSE에 대한 시뮬레이션을 통하여 평가하였다. 표 1은 NRC에 대한 물 종류의 수를 다양하게 보여준다. 제안된 시스템의 NRC는 무작위 추천 시스템의 NRC보다 높다. 도 8은 제안된 시스템의 확장성(scalability)과 수렴도(convergence)를 보여주며, 이는 본 논문의 추천 시스템이 설계된 역전파 신경망에 대하여 빠른 수렴도와 높은 확장성을 가지고 있다는 것을 시사한다. 도 9는 추천방식의 예측 성능을 보여준다. 제안된 방식이 수자원을 추천함에 있어서 수자원 평가 예측에 대하여 양호한 성능을 가진다는 것을 나타낸다.
제안하는 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치는 최종 사용자의 만족도와 물 네트워크 운용의 효율성을 높이기 위한 스마트 워터 그리드의 컨텍스트 인지 정보에 기반한 수자원 분배 추천방식을 제안한다. 컨텍스트 정보와 함께 최종 사용자의 프로파일을 고려하여 사용자를 스마트 워터 그리드 내의 물 사용 공동체로 군집화하기 위한 새로운 스펙트럴 군집화 방법을 개발하였다. 수자원 추천을 위하여 역전파 신경망을 개발하였으며, 이는 수자원 평가 예측에 대하여 보다 양호한 성능을 보여주었다. 또한, 서로 다른 시나리오에서 NRC와 MSE의 측면에서 추천의 정확성을 판단하기 위하여 이러한 방식의 성능을 평가하였다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 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. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 복수의 최종 사용자들의 물 소비 성향에 따른 컨텍스트 정보를 이용하여 인접행렬 및 이득행렬을 생성하고, 상기 인접행렬 및 이득행렬을 이용하는 스펙트럴 군집화 알고리즘으로 상기 최종 사용자를 공동체로 군집화하는 단계;
    상기 컨텍스트 정보 및 상기 최종 사용자의 상기 물 소비 성향 파라미터의 피드백에 따라 상기 공동체의 최종 사용자들에게 수자원을 추천하는 단계; 및
    수자원 서버가 상기 최종 사용자로부터 받은 요청에 따라 상기 요청 받은 수자원을 사용자에게 전달하거나, 또는 추천 엔진이 상기 최종 사용자를 위한 수자원을 추천하고, 상기 추천에 따라 상기 수자원 서버가 상기 최종 사용자의 요청이 없어도 수자원을 상기 최종 사용자에게 제공하는 단계
    를 포함하고,
    상기 컨텍스트 정보 및 상기 최종 사용자의 상기 물 소비 성향 파라미터의 피드백에 따라 상기 공동체의 최종 사용자들에게 수자원을 추천하는 단계는,
    콘텐츠 기반 접근방법을 이용하여 상기 최종 사용자의 물 소비 성향과 상기 수자원 특성 사이의 유사성을 산출하는 단계; 및
    역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하는 단계
    를 포함하고,
    상기 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하는 단계는,
    최종 사용자의 추가 요청을 예측하기 위하여 콘텐트 기반의 방법으로 획득한 수자원 평가를 역전파 신경망으로 입력하고, 베이즈 네트워크를 통해 컨텍스트 정보 중 분류되지 않은 항목에 대해 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산하고, 확률이 가장 높은 항목이 해당 카테고리에 속하는 것으로 분류되고, 상기 베이즈 네트워크를 통해 컨텍스트 인지 정보를 분류함으로써 역전파 신경망에 의해 학습되어 수자원 평가를 예측하는
    수자원 분배 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하는 단계는,
    상기 컨텍스트 정보 중 분류되지 않은 항목에 대해 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산하고, 상기 계산된 발생확률이 가장 높은 항목을 해당 카테고리에 포함하여 상기 컨텍스트 정보를 분류하고, 역전파 신경망에 의해 학습되어 예측하는
    수자원 분배 방법.
  5. 복수의 최종 사용자들의 물 소비 성향에 따른 컨텍스트 정보를 이용하여 인접행렬 및 이득행렬을 생성하고, 상기 인접행렬 및 이득행렬을 이용하는 스펙트럴 군집화 알고리즘으로 상기 최종 사용자를 공동체로 군집화하는 공동체 모듈;
    컨텍스트 정보 및 상기 최종 사용자의 상기 물 소비 성향 파라미터의 피드백에 따라 상기 공동체의 최종 사용자들에게 수자원을 추천하는 추천 시스템; 및
    수자원 서버가 상기 최종 사용자로부터 받은 요청에 따라 상기 요청 받은 수자원을 사용자에게 전달하거나, 또는 추천 엔진이 상기 최종 사용자를 위한 수자원을 추천하고, 상기 추천에 따라 상기 수자원 서버가 상기 최종 사용자의 요청이 없어도 수자원을 상기 최종 사용자에게 제공하는 수자원 서버
    를 포함하고,
    상기 추천 시스템은,
    콘텐츠 기반 접근방법을 이용하여 상기 최종 사용자의 물 소비 성향과 상기 수자원 특성 사이의 유사성을 산출하고, 역전파 신경망에 의한 학습을 통해 수자원의 평가를 예측하고,
    최종 사용자의 추가 요청을 예측하기 위하여 콘텐트 기반의 방법으로 획득한 수자원 평가를 역전파 신경망으로 입력하고, 베이즈 네트워크를 통해 컨텍스트 정보 중 분류되지 않은 항목에 대해 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산하고, 확률이 가장 높은 항목이 해당 카테고리에 속하는 것으로 분류되고, 상기 베이즈 네트워크를 통해 컨텍스트 인지 정보를 분류함으로써 역전파 신경망에 의해 학습되어 수자원 평가를 예측하는
    수자원 분배 장치.
KR1020140001098A 2014-01-06 2014-01-06 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치 KR101617074B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140001098A KR101617074B1 (ko) 2014-01-06 2014-01-06 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140001098A KR101617074B1 (ko) 2014-01-06 2014-01-06 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치

Publications (2)

Publication Number Publication Date
KR20150081527A KR20150081527A (ko) 2015-07-15
KR101617074B1 true KR101617074B1 (ko) 2016-05-12

Family

ID=53793335

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140001098A KR101617074B1 (ko) 2014-01-06 2014-01-06 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치

Country Status (1)

Country Link
KR (1) KR101617074B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3054705B1 (fr) * 2016-07-29 2018-07-27 Veolia Environnement-VE Outil de gestion de multiples ressources en eau
KR102192461B1 (ko) * 2018-03-16 2020-12-17 주식회사 에이아이트릭스 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010128633A (ja) * 2008-11-26 2010-06-10 Denso It Laboratory Inc 情報提示装置、方法およびプログラム
WO2010109952A1 (ja) * 2009-03-27 2010-09-30 日本電気株式会社 資源割り当て要求装置、資源割り当て装置、資源割り当て要求方法および資源割り当て方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010128633A (ja) * 2008-11-26 2010-06-10 Denso It Laboratory Inc 情報提示装置、方法およびプログラム
WO2010109952A1 (ja) * 2009-03-27 2010-09-30 日本電気株式会社 資源割り当て要求装置、資源割り当て装置、資源割り当て要求方法および資源割り当て方法

Also Published As

Publication number Publication date
KR20150081527A (ko) 2015-07-15

Similar Documents

Publication Publication Date Title
US11599393B2 (en) Guaranteed quality of service in cloud computing environments
Yin et al. Collaborative QoS prediction for mobile service with data filtering and SlopeOne model
Ayoubi et al. An autonomous IoT service placement methodology in fog computing
Chen et al. Exploiting Web service geographical neighborhood for collaborative QoS prediction
US11080602B1 (en) Universal attention-based reinforcement learning model for control systems
Feng et al. Cloud manufacturing service QoS prediction based on neighbourhood enhanced matrix factorization
Douch et al. Edge computing technology enablers: A systematic lecture study
Khan et al. Optimizing hadoop parameter settings with gene expression programming guided PSO
Bahrpeyma et al. An adaptive RL based approach for dynamic resource provisioning in Cloud virtualized data centers
Tang et al. A factorization machine-based QoS prediction approach for mobile service selection
Li et al. From reputation perspective: A hybrid matrix factorization for QoS prediction in location-aware mobile service recommendation system
Xiong et al. A self-adaptive approach to service deployment under mobile edge computing for autonomous driving
Gao et al. A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction
Sun et al. Toward auto-learning hyperparameters for deep learning-based recommender systems
KR101617074B1 (ko) 스마트 워터 그리드에서의 수자원 분배를 위한 컨텍스트 인지 추천방법 및 장치
Sun et al. SORD: a new strategy of online replica deduplication in Cloud-P2P
Zhou et al. Load balancing prediction method of cloud storage based on analytic hierarchy process and hybrid hierarchical genetic algorithm
Zhang et al. Offloading demand prediction-driven latency-aware resource reservation in edge networks
Ren et al. Smig-rl: An evolutionary migration framework for cloud services based on deep reinforcement learning
D'Aronco et al. Online resource inference in network utility maximization problems
Liu et al. GON: End-to-end optimization framework for constraint graph optimization problems
US20220027400A1 (en) Techniques for information ranking and retrieval
Zavvar et al. Measuring service quality in service-oriented architectures using a hybrid particle swarm optimization algorithm and artificial neural network (PSO-ANN)
El Alami et al. Toward an effective hybrid collaborative filtering: a new approach based on matrix factorization and heuristic-based neighborhood
Alqahtani et al. Elastic Computing Resource Virtualization Method for a Service-centric Industrial Internet of Things

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190408

Year of fee payment: 4