KR101739847B1

KR101739847B1 - 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법

Info

Publication number: KR101739847B1
Application number: KR1020170034401A
Authority: KR
Inventors: 유정석
Original assignee: 티티비(주)
Priority date: 2017-03-20
Filing date: 2017-03-20
Publication date: 2017-05-25

Abstract

본 발명은 비정형 데이터가 수신부를 통해 들어오게 되면 해당 데이터에 대한 빈발 항목 집합만을 찾아내서 연관 규칙 계산을 통해 새로운 패턴을 만들고 학습패턴세트 저장부에 저장함으로써, 어떤 데이터가 새롭게 들어오더라도 패턴을 만들어 낼 수 있고 이를 통한 자기학습이 가능하도록 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법에 관한 것이다.
본 발명에 의하면, 비정형 데이터가 수신되면 해당 데이터에 대한 새로운 패턴을 만들고 저장함으로써, 기존에 정의되지 않은 새로운 종류의 데이터가 수신되더라도 패턴을 만들어 낼 수가 있고, 이를 통한 자기학습 및 제어가 가능하다.

Description

비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법{SELF-LEARNING ENGINE SYSTEM AND ITS METHOD THROUGH PATTERN ANALYSIS OF INFORMAL INPUT DATA}

본 발명은 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 기존 입력 데이터의 패턴뿐만 아니라 비정형의 새로운 데이터까지 패턴을 분석 및 생성하여 자기학습 할 수 있고, 이를 기반으로 제어대상 기기를 제어하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법에 관한 것이다.

최근 인공지능(Artificial Intelligence) 기술의 발전과 관심이 증가하면서 이를 응용한 기술들이 등장하고 있다. 인공지능 기술의 한 분야로서 머신러닝(Machine Learning)이 각종 매체를 통해 집중 조명을 받고 있다.

기계학습이라고도 불리는 머신러닝은 컴퓨터가 데이터를 통해 학습하고, 사람처럼 어떤 대상 혹은 상황을 이해할 수 있게 하는 기술이다. 컴퓨터가 스스로 훈련하면서 패턴을 찾아내 분류하는 기술적 방식으로 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘이 핵심이다. 데이터를 활용하는 알고리즘을 정교하게 만들면 컴퓨터가 스스로 학습해가며 사용자들에게 의미있는 결과물을 제공하는 것이다.

머신러닝과 다른 것으로 자기학습(Self-Learning)이 있는데, 데이터를 기반으로 입력된 데이터의 패턴을 분석하고 분류된 패턴에 따라 학습하는 기술이다. 학습된 유형을 바탕으로 배치된 현장에 패턴에 따라 학습된 추론을 적용하는 방식을 사용하는 기술이다. 반복적인 학습에 따른 예측 모델에 경험으로부터 습득한 지식을 기반으로 스스로 성능을 향상시키는 머신러닝과는 차이가 있다.

이미 시중에 구현되어 있는 자기학습 시스템의 경우 최초 자기학습을 위한 정형화된 패턴을 모아두는 패턴 Set을 구현하고 수집부를 통해 저장된 데이터와 패턴 Set에 부합되는 패턴만을 자기학습하여 학습데이터 저장 및 컨트롤을 한다. 이럴 경우 새로운 패턴의 데이터가 추가될 시 데이터 저장과 패턴 Set 및 자기학습 엔진까지 모든 에이전트 부분의 대규모 업데이트가 필요하여 비용과 시간의 소요가 많이 된다.

예를 들어, LED 조명 관제 자기학습 시스템의 경우 기존에 자기학습을 통한 관제에 사용되던 데이터가 “날씨(맑음, 흐림 등)”만 있었다고 가정하면, 패턴 Set에는 날씨에 대한 데이터 만으로 구성된 패턴만 구현되어 있으며 이를 통한 자기학습과 컨트롤이 가능하다.

하지만, LED 조명의 업데이트로 “온도”, “인원 수”의 데이터를 수집하게 되면 기존 시스템은 온도, 인원 수에 대한 패턴이 없기 때문에 해당 데이터에 대한 자기학습을 할 수 없다.

결국, 종래 자기학습 시스템의 경우 사전에 정의된, 즉 자주 사용하는 정형화된 패턴에 대해서는 자기학습을 통한 학습데이터의 저장 및 제어가 가능하나, 새로운 데이터, 즉 비정형의 데이터에 대해서는 자기학습을 할 수 없을 뿐만 아니라, 이를 통한 제어를 할 수 없는 문제가 있다.

이러한 내용에 관련된 종래의 선행특허로는 등록특허 제10-1068526호(지능형 자동 조명 제어 시스템 및 그의 구현 알고리즘)가 있다.

등록특허 제10-1068526호는 사용자가 각각의 램프 별로 혹은, 램프를 그룹화하여 제어하거나 시간 및 일정 패턴에 따라 직접 램프의 광색 및 조도를 제어하고자 할 경우, 리모컨을 이용하여 원하는 데이터를 입력할 수 있다. 더욱 자세하게, 시간에 따라 램프의 광색 및 조도를 제어하는 경우는 일정한 시간에 점등 및 점멸되는 것으로서, 사무실 실내 조명 등과 같이 출근시간에 점등되고 퇴근시간에 점멸되도록 제어할 수 있다.

또한, 일정 패턴에 따라 램프의 광색 및 조도를 제어하는 경우에는 램프 즉, 조명마다 부여되어 있는 고유의 ID를 사용하여 각 램프의 위치 별로 서로 다른 광색 및 조도를 나타내도록 할 수 있다. 예를 들어, 사무실 중 창가에 위치한 램프의 경우에는 정오 시간의 경우 다른 자리와 무관하게 광색 및 조도를 조절함으로써, 패턴 및 시간을 함께 조절할 수 있으며, 창가 주변에 위치한 램프를 그룹화하여 제어할 수도 있다.

등록특허 제10-1068526호는 사용자가 발광 다이오드 램프의 밝기를 강제로 조절할 경우, 그때의 환경조건을 기억하여 추후 같은 환경 발생 시 사용자가 변경한 밝기를 구현할 수는 있으나, 기존에 입력해 두었던 데이터가 아닌 즉, 비정형의 데이터(새로운 데이터)에 대해서는 학습을 할 수가 없을 뿐만 아니라, 이를 통한 제어는 전혀 할 수 없는 문제가 있다.

등록특허 제10-1068526호

본 발명은 상기와 같은 문제점을 개선하기 위하여 발명된 것으로, 기존 데이터의 패턴뿐만 아니라 비정형의 새로운 데이터까지 패턴을 분석 및 생성하여 자기학습을 할 수 있기 때문에 새로운 데이터의 수집 및 분석을 위해 시스템의 대규모 업데이트가 필요없으며, 이로 인해 비용과 시간을 절감할 수 있는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법을 제공하기 위한 것이다.

또한, 본 발명은 비정형 데이터가 수신부를 통해 들어오게 되면 해당 데이터에 대한 빈발 항목 집합만을 찾아내서 연관 규칙 계산을 통해 새로운 패턴을 만들고 학습패턴세트 저장부에 저장함으로써, 어떤 데이터가 새롭게 들어오더라도 패턴을 만들어 낼 수 있고 이를 통한 자기학습이 가능하도록 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법을 제공하기 위한 것이다.

나아가, 데이터로부터 수집된 패턴을 분석하여 패턴을 직접 학습하기 때문에 다량의 분류된 데이터를 준비할 필요가 없는 무감독 학습(Unsupervised Learning)에 기반한 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법을 제공하기 위한 것이다.

상기와 같은 목적을 달성하기 위하여, 본 발명은 외부기기로부터 데이터를 수신하는 수신부; 상기 수신한 데이터를 종류별로 저장하는 로데이터 저장부; 학습을 위한 패턴 세트를 저장하는 학습패턴세트 저장부; 상기 로데이터 저장부에 저장되는 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부로 전달하고, 상기 로데이터 저장부에 저장되는 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부로 전달하는 데이터 확인부; 상기 데이터 확인부에서 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 상기 학습패턴세트 저장부에 저장하며, 신규 패턴에 관계되는 데이터를 다시 상기 로데이터 저장부에 저장하는 신규 패턴 생성부; 상기 데이터 확인부에서 데이터를 전달받은 패턴을 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론하는 패턴 학습부; 상기 패턴학습부에서 학습된 제어 패턴을 저장하는 학습데이터 저장부; 및 상기 학습데이터 저장부에 저장된 제어 패턴에 따라 제어대상 기기를 제어하도록 제어 신호를 출력하는 제어부를 포함하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템을 제공한다.

한편, 상기와 같은 목적을 달성하기 위하여, 본 발명은 외부기기로부터 데이터를 수신하는 데이터 수신단계; 수신한 데이터를 로데이터 저장부에 종류별로 저장하는 로데이터 저장단계; 상기 저장되는 데이터가 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부로 전달하고, 상기 저장되는 데이터가 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부로 전달하는 데이터 확인단계; 상기 데이터 확인단계에서 데이터를 전달받은 패턴을 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론하는 패턴 학습단계; 상기 데이터 확인단계에서 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 학습패턴세트 저장부에 저장하며, 신규 패턴에 관계되는 데이터를 다시 로데이터 저장부에 저장하는 신규 패턴 생성단계; 상기 학습된 제어 패턴을 저장하는 학습데이터 저장단계; 및 상기 학습데이터 저장단계에서 저장된 제어 패턴에 따라 제어대상 기기를 제어하도록 제어 신호를 출력하는 제어단계를 포함하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법을 제공한다.

상기와 같은 구성의 본 발명에 따르면, 다음과 같은 효과를 도모할 수 있다.

우선, 본 발명을 LED 조명 제어 시스템에 적용하는 경우, '날씨'와 같은 기존의 정형 데이터의 패턴뿐만 아니라, LED 조명의 업데이트로 인하여 '온도', '인원수'와 같이 새롭게 수집되는 비정형의 데이터까지 패턴을 분석하여 생성하고, 이를 자기학습하여 LED 조명의 제어가 가능하다.

즉, 비정형 데이터가 수신되면 해당 데이터에 대한 새로운 패턴을 만들고 저장함으로써, 기존에 정의되지 않은 새로운 종류의 데이터가 수신되더라도 패턴을 만들어 낼 수가 있고, 이를 통한 자기학습 및 제어가 가능하다.

또한, 현재 대부분의 머신러닝이 감독학습 알고리즘이라 하여 레이블이 지정된 데이터, 즉 원하는 응답 예제로 구성된 데이터로 학습을 진행하기에 다량의 분류된 데이터와 예제를 구성하는 반면, 본 발명은 레이블이 없는 데이터 즉, 무감독 학습(Unsupervised Learning)에 기반한 자기학습(Self-Learning)이 사용되어 데이터의 관계를 찾아 패턴을 분석하여 가장 응답값에 맞는 예제를 만들어 내기에 다량의 분류된 데이터를 준비할 필요가 없기 때문에 데이터 준비에 상대적으로 적은 시간이 소요될 뿐만 아니라, 다양한 분야에 활용이 가능하다.

도 1은 본 발명의 일 실시 예에 따른 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템의 블록도이다.
도 2는 본 발명의 다른 실시 예에 따른 비정형 데이터의 패턴분석을 통한 자기학습 엔진 방법의 순서도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시 예를 참조하면 명확해질 것이다.

그러나, 본 발명은 이하에서 개시되는 실시 예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.

본 명세서에서 본 실시 예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.

그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

따라서, 몇몇 실시 예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.

또한, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하고, 본 명세서에서 사용된(언급된) 용어들은 실시 예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.

본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함하며, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.

또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.

하기에서는 본 발명에 따른 시스템을 LED 조명 관제 자기학습 시스템에 적용하는 경우를 예로 설명하도록 한다.

도 1을 참고하면, 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템(100)은 수신부(110), 로데이터 저장부(120), 학습패턴세트 저장부(130), 데이터 확인부(140), 신규 패턴 생성부(150), 패턴 학습부(160), 학습데이터 저장부(170) 및 제어부(180)를 포함하며, 제어 패턴 관리부(190)를 더 구비할 수 있다.

수신부(110)는 외부기기(200)로부터 데이터를 수신한다. 외부기기(200)는 맑음, 흐림, 비, 눈 등의 날씨정보를 전송하는 장치, 인원수를 측정하는 센서, 조광을 측정하는 센서, 전력량을 측정하는 장치, 습도 측정 센서, 실내의 온도를 측정하는 센서 등 다양한 기기를 포함하는 것으로서, 수신부(110)는 이와 같은 다양한 센서 및 장치에서 전송한 데이터를 유선 또는 무선 와이파이를 통해 수신한다.

로데이터(raw data) 저장부(120)는 수신부(110)에서 수신한 데이터를 종류별로 저장한다. 로데이터 저장부(120)는 수신부(110)에서 날씨에 관계된 '맑음', '흐림', '비', '눈' 등에 대한 데이터를 수신하면, DB(121)에 수신한 시간 정보와 함께 저장한다.

학습패턴세트 저장부(130)는 학습을 위한 패턴 세트를 저장한다. 학습패턴세트 저장부(130)에 저장되는 학습을 위한 패턴 세트는 날씨, 온도, 시간, 습도, 위치, 전력량, 조도, 행동, 인원수 중 하나 이상을 포함하여 구성된다.

상기와 같이 날씨 데이터만을 수신하여 학습하는 경우, 학습패턴세트 저장부(130)에는 '맑음', '흐림', '비', '눈' 등과 같이 날씨에 대한 데이터만으로 구성된 패턴이 저장되어 있게 된다.

구체적으로는, 사무실의 사용자가 날씨에 따라 LED 조명의 출력을 조절한다고 하면, 날씨에 관계된 '맑음', '흐림', '비', '눈' 등의 정보와 LED 조명 제어 스위치에서 출력되는 '전력량' 데이터를 외부기기(200)로부터 수신하고, 로데이터 저장부(120)는 이를 DB(121)에 저장하며, 학습패턴세트 저장부(130)에는 '맑음', '흐림', '비', '눈' 등의 날씨 데이터와 '전력량' 데이터로 구성된 패턴이 저장된다.

데이터 확인부(140)는 로데이터 저장부(120)에 저장되는 데이터가 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인지 확인하여, 이에 해당하는 경우 패턴학습부(160)로 전달하여 패턴학습을 진행하도록 한다. 정형화된 패턴 세트에 해당하는 데이터란 규칙적으로 수집되는 자주 발생하는 데이터를 말한다. 상기의 예에서 '맑음', '흐림', '비', '눈' 등을 말한다.

로데이터 저장부(120)에 저장되는 데이터가 '맑음', '흐림' 등의 정형화된 패턴 세트에 해당하는 데이터라면, 이에 대한 패턴 세트가 학습패턴세트 저장부(130)에 이미 저장되어 있을 것이다.

그러나, 데이터 확인부(140)는 로데이터 저장부(120)에 저장되는 데이터가 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부(150)로 전달한다. 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터란 비정형의 데이터, 즉 새롭게 수집되는 데이터를 말한다.

상기의 예에서 LED 조명 시스템의 업데이트로 인해 기존에 수집되지 않던 '온도', '인원수' 등의 데이터가 외부기기(200)를 통해서 수신부(110)에 수신될 수가 있다. 데이터 확인부(140)는 로데이터 저장부(120)에 저장되는 '온도', '인원수' 데이터가 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는지 확인한다. 새롭게 수집된 데이터이기 때문에 기 저장된 정형화된 패턴 세트에 해당하지 않는 다고 판단한 경우, 신규 패턴을 분석하도록 신규 패턴 생성부(150)로 전달하게 된다.

종래의 시스템은 '맑음', '흐림', '비', '눈' 등과 같이 규치적으로 수집되는 정형화된 패턴 데이터가 아니라, '온도', '인원수' 등과 같이 새롭게 수집되는 비정형의 패턴 데이터에 대해서는 패턴이 없기 때문에 자기학습을 할 수가 없는 문제가 있다.

그러나, 본 발명은 비정형의 패턴 데이터에 대해서도 신규 패턴을 분석하고, 이를 학습패턴세트 저장부(130)에 저장하여 해당 패턴을 학습하도록 할 수가 있는 것이다.

신규 패턴 생성부(150)는 데이터 확인부(140)에서 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 학습패턴세트 저장부(130)에 저장하며, 신규 패턴에 관계되는 데이터를 다시 로데이터 저장부(120)에 저장한다.

데이터 확인부(140)에서 전달받은 데이터가 '온도', '인원수' 등이라면, 신규 패턴에 해당하기 때문에 이를 분석하여 신규 패턴을 생성하고, 생성된 신규 패턴을 학습패턴세트 저장부(130)에 저장하고, 신규 패턴에 관계되는 데이터를 다시 로데이터 저장부(120)에 저장하여 학습시키는 것이다.

신규 패턴 생성부(150)에 대해서는 하기에서 구체적으로 살펴보도록 한다.

패턴 학습부(160)는 데이터 확인부(140)에서 데이터를 전달받은 패턴을 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론한다. 패턴 학습부(160)는 K-Means clustering, Self-organizing feature map(SOM) 등의 무감독 학습 알고리즘을 이용하여 데이터를 전달받은 패턴을 학습하여 제어 패턴을 추론한다.

구체적으로, 패턴 학습부(160)는 데이터 확인부(140)에서 데이터를 전달받은 패턴에 각종 변수, 예를 들면, 시간, 공간 등의 변수를 무감독 학습 알고리즘에 적용하여 학습하고, 제어 패턴을 추론한다.

학습데이터 저장부(170)는 패턴학습부(160)에서 학습된 제어 패턴을 저장한다.

제어부(180)는 학습데이터 저장부(170)에 저장된 제어 패턴에 따라 제어대상 기기(300)를 제어하도록 제어 신호를 출력한다. 예를 들면, 날씨가 '맑은' 날에 해당하고, '온도'가 높으며 '인원수'가 적은 경우는 제어대상 기기(300)에 해당하는 LED 조명의 출력을 조금 낮추도록 제어 신호를 출력하고, 날씨가 '흐리고', '온도'가 낮으며 '인원수'가 많은 경우는 LED 조명의 출력을 높이도록 제어 신호를 출력할 수 있다.

[표 1]을 참고하여 데이터 확인부(140)에 대해서 구체적으로 살펴보도록 한다.

기존 날씨(맑음, 흐림, 비, 눈) 데이터만을 자기학습하던 시스템(100)에 온도, 인원수가 추가될 경우를 예로 든다. 기존의 학습패턴세트 저장부(130)에는 맑음(A), 흐림(B), 비(C), 눈(D)만이 저장되어 있다.

[표 1] 트랜잭션 데이터

데이터 확인부(140)는 로데이터 저장부(120)에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터가 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부(160)로 전달하도록 한다. 트랜잭션 데이터에 포함된 모든 항목 데이터가 정형화된 패턴 세트에 해당하면, 패턴학습부(160)로 전달하여 학습을 시키게 된다.

[표 1]에서 맑음(A), 흐림(B), 비(C), 눈(D)은 기 저장된 정형화된 패턴 세트에 해당하는 데이터지만, 온도(E), 인원수(F)는 새롭게 수집된 데이터이기 때문에 기 저장된 정형화된 패턴 세트에 해당하지 않는다. [표 1]의 예는 일부 항목 데이터만이 기 저장된 정형화된 패턴 세트에 해당하는 경우이다.

데이터 확인부(140)는 로데이터 저장부(120)에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 항목 데이터 중에서 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터가 있는 경우, 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 신규 패턴 생성부(150)로 전달하도록 한다.

상기의 [표 1]의 경우가 여기에 해당한다. 트랜잭션 데이터에 포함된 항목 데이터 중에서 온도(E), 인원수(F)는 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터이다. 이 경우 새로운 데이터가 수집된 것이기 때문에 이에 대한 신규 패턴을 분석하고 생성하기 위해 트랜잭션 아이디 1~4에 해당하는 모든 항목 데이터를 신규 패턴 생성부(150)로 전달한다.

또한, 데이터 확인부(140)는 로데이터 저장부(120)에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터 개수 대비 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 개수 비율이 기 설정된 비율 이상 되는 경우 상기 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 신규 패턴 생성부(150)로 전달하도록 하고, 기 설정된 비율 미만인 경우 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는 데이터만을 패턴학습부(160)로 전달하도록 한다. 기 설정된 비율은 30 % 정도가 바람직하며, 이는 관리자에 의해 변경이 가능하다.

기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 개수 비율이 30 % 이상이면 기존 데이터가 아닌 새로운 데이터가 어느 정도 비중을 자치하는 경우이기 때문에 신규 패턴 분석을 위해 모든 항목 데이터를 신규 패턴 생성부(150)로 전달한다.

그러나, 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 개수 비율이 30 % 미만이면 새로운 데이터의 비중이 적은 경우이기 때문에 새로운 데이터는 제외하고, 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는 데이터, 즉 맑음(A), 흐림(B), 비(C), 눈(D) 데이터만을 패턴학습부(160)로 전달하여 학습시키도록 한다.

[표 1]에서 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디(1~4) 각각에 대응하는 모든 항목 데이터 개수는 10 개이고, 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터는 온도(E)가 3 개, 인원수(F)가 2 개이므로, 총 5 개이다. 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 개수 비율이 50 %이며 새로운 데이터의 비중이 큰 경우이기 때문에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 신규 패턴 생성부(150)로 전달한다.

[표 2]-[표 4]를 참고하여 신규 패턴 생성부(150)에 대해서 구체적으로 살펴보도록 한다.

신규 패턴 생성부(150)는 연관 규칙(Association Rule) 추출 Apriori 알고리즘을 이용하여 데이터 확인부(140)에서 전달받은 데이터에 대해 최소 지지도(minimum support) 미만의 비빈발 항목 데이터는 제거하여 빈발 항목 집합만을 찾아내고, 빈발 항목 집합 중 최소 신뢰도(minimum confidence)에 미달하는 연관 규칙은 제거하는 작업을 거친 후 제거되지 않은 연관 규칙을 기준으로 신규 패턴을 생성한다.

Apriori 알고리즘은 모든 항목 집합에 대한 지지도(support)를 계산하는 대신에 최소 지지도 이상의 빈발 항목 집합만을 찾아내서 연관 규칙을 계산함으로써 패턴을 생성하는 것이다.

모든 가능한 항목 집합의 수를 줄이는 방식으로서, 선험적(Apriori)인 규칙을 이용하여 지지도 계산이 불필요한 항목집합을 제거한다. 비교하는 수를 줄이는 방식으로서, 자료구조를 효율적으로 하여 각각의 항목집합을 각각의 트랜잭션과 일일이 비교하는 수를 줄이는 방식이다.

데이터 집합에서 최소 지지도(minimum support) 미만의 비빈발 항목 집합을 제거하고, 빈발 항목 집합을 생성한 후에 최소 신뢰도(minimum confidence) 기준에 미달하는 연관 규칙을 제거해 나가는 반복작업을 새로운 연관 규칙이 없을 때까지 수행한다. 최종적으로 제거되지 않은 연관 규칙을 기준으로 신규 패턴을 생성한다.

Apriori 알고리즘의 가지치기(pruning) 과정과 지지도(support) 및 신뢰도(confidence)를 계산하는 방법은 해당 기술분야의 당업자에게는 잘 알려진 내용이므로 구체적인 설명은 생략하도록 한다.

[표 2] 1차 항목집합 및 가지치기(pruning)

1차 항목 집합 가지치기를 통해 [표 1]의 트랜잭션 데이터에서 비빈발 항목(회색 항목)을 제거한다.

[표 3] 2차 항목집합 및 가지치기(pruning)

2차 항목 집합 가지치기를 통해 비빈발 항목(회색 항목)을 제거한다.

[표 4] 최종 빈발 항목 집합 및 연관 규칙

1차, 2차 가지치기(pruning)를 통해 최종 빈발 항목 집합이 생성되고, 이를 이용해 연관 규칙을 추출하면 [표 4]와 같이 나오게 된다.

최종 빈발 항목 집합(온도(E), 인원수(F))과 그에 따른 연관 규칙(온도(E) → 인원수(F), 인원수(F) → 온도(E))을 신규 패턴으로 생성하고, 학습패턴세트 저장부(130)에 저장하여 향후 들어오는 데이터에서 대해 해당 패턴도 자기학습을 할 수 있도록 데이터 저장을 진행한다.

그리고, 신규 패턴 생성부(150)는 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 중에서 각 항목 데이터가 속하는 트랜잭션 아이디의 개수가 가장 적은 항목에 해당하는 트랜잭션 아이디의 개수를 최소 지지도(minimum support)로 설정할 수 있다.

[표 1]에서 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터는 온도(E)와 인원수(F)이다. 이 중에서 각 항목 데이터가 속하는 트랜잭션 아이디의 개수는 온도(E) = 3 개, 인원수(E) = 2 개 이다. 따라서, 최소 지지도(minimum support)는 2로 설정한다.

비정형의 새로운 데이터가 수집되었기 때문에 새로운 데이터를 기준으로 최소 지지도(minimum support)를 설정하고, 최소 지지도 미만의 비빈발 항목 집합은 제거하는 것이다.

제어 패턴 관리부(190)는 학습데이터 저장부(170)에 저장되는 제어 패턴을 분석하여 데이터의 출현빈도가 일정하게 수집되고, 기존에 저장된 제어 패턴과 유사도를 측정하여 기 설정된 비율 이상으로 유사한 경우 기존의 정형 제어 패턴으로 분류한다.

그리고, 제어 패턴 관리부(190)는 데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관을 가지는 경우 반정형 제어 패턴으로 분류한다.

또한, 제어 패턴 관리부(190)는 데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관도 없는 경우 비정형 제어 패턴으로 분류한다.

각각의 경우 제어 패턴 관리부(190)는 분류 결과를 관리자 단말기(400)에 보고한다.

구체적으로, 제어 패턴 관리부(190)는 학습데이터 저장부(170)에 기존에 저장된 패턴 그래프의 좌표 정보와 학습데이터 저장부(170)에 저장되는 신규 제어 패턴 그래프의 좌표 정보를 비교하여, 좌표간 거리를 측정하고 평균 거리가 일정 거리 이내인 경우 기존의 정형 제어 패턴으로 분류한다. 이때 모든 좌표 정보를 비교하는 것이 아니라, 일부 좌표를 추출하여 비교한다.

도 2를 참고하여, 본 발명인 비정형 데이터의 패턴분석을 통한 자기학습 방법을 설명한다. 상기에서 설명한 내용과 중복되는 부분에 대한 구체적인 설명은 생략한다.

먼저, 외부기기(200)로부터 데이터를 수신한다(S10).

다음으로, 수신한 데이터를 로데이터 저장부(120)에 종류별로 저장한다(S20).

다음으로, 저장되는 데이터가 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는지 확인한다(S30).

학습패턴세트 저장부(130)에 저장되는 학습을 위한 패턴 세트는 날씨, 온도, 시간, 습도, 위치, 전력량, 조도, 행동, 인원수 중 하나 이상을 포함하여 구성된다.

기 저장된 정형화된 패턴 세트에 해당한다면, 패턴학습부(160)로 전달하고(S40), 저장되는 데이터가 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부(150)로 전달한다(S90).

다음으로, 데이터 확인단계(S30)에서 기 저장된 정형화된 패턴 세트에 해당하여 데이터를 전달받은 패턴을 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론한다(S50).

그리고, 데이터 확인단계(S30)에서 기 저장된 정형화된 패턴 세트에 해당하지 않는 것으로 확인되면, 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 학습패턴세트 저장부(130)에 저장하며, 신규 패턴에 관계되는 데이터를 다시 로데이터 저장부(120)에 저장한다(S100).

다음으로, 학습된 제어 패턴을 저장한다(S60).

그리고, 학습데이터 저장단계(S60)에서 저장되는 제어 패턴을 분석하여 데이터의 출현빈도가 일정하게 수집되고, 기존에 저장된 제어 패턴과 유사도를 측정하여 기 설정된 비율 이상으로 유사한 경우 기존의 정형 제어 패턴으로 분류하며, 데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관을 가지는 경우 반정형 제어 패턴으로 분류하고, 데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관도 없는 경우 비정형 제어 패턴으로 분류하고, 이를 관리자 단말기(400) 보고한다(S70).

구체적으로, 제어 패턴 관리단계(S70)는 학습데이터 저장단계(S60)를 통해 기존에 저장된 패턴 그래프의 좌표 정보와 학습데이터 저장단계에 저장되는 신규 제어 패턴 그래프의 좌표 정보를 비교하여, 좌표간 거리를 측정하고 평균 거리가 일정 거리 이내인 경우 기존의 정형 제어 패턴으로 분류할 수 있다.

마지막으로, 학습데이터 저장단계(S60)에서 저장된 제어 패턴에 따라 제어대상 기기(300)를 제어하도록 제어 신호를 출력하는 제어한다(S80).

상기 데이터 확인단계(S30)를 구체적으로 살펴보면 다음과 같다.

데이터 확인단계(S30)는 로데이터 저장부(120)에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터가 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴 학습단계(S40)로 전달하도록 한다.

그리고, 데이터 확인단계(S30)는 로데이터 저장부(120)에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 항목 데이터 중에서 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터가 있는 경우, 상기 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 신규 패턴 생성단계(S90)로 전달하도록 한다.

또한, 데이터 확인단계(S30)는 로데이터 저장부(120)에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터 개수 대비 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 개수 비율이 기 설정된 비율 이상 되는 경우 상기 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 신규 패턴 생성단계(S90)로 전달하도록 하고, 기 설정된 비율 미만인 경우 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하는 데이터만을 패턴 학습단계(S40)로 전달하도록 한다.

상기 신규 패턴 생성단계(S100)를 구체적으로 살펴보면 다음과 같다.

신규 패턴 생성단계(S100)는 연관 규칙(Association Rule) 추출 Apriori 알고리즘을 이용하여 데이터 확인단계(S30)에서 전달받은 데이터에 대해 최소 지지도(minimum support) 미만의 비빈발 항목 데이터는 제거하여 빈발 항목 집합만을 찾아내고, 빈발 항목 집합 중 최소 신뢰도(minimum confidence)에 미달하는 연관 규칙은 제거하는 작업을 거친 후 제거되지 않은 연관 규칙을 기준으로 신규 패턴을 생성한다.

구체적으로, 신규 패턴 생성단계(S100)는 학습패턴세트 저장부(130)에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 중에서 각 항목 데이터가 속하는 트랜잭션 아이디의 개수가 가장 적은 항목에 해당하는 트랜잭션 아이디의 개수를 최소 지지도(minimum support)로 설정할 수 있다.

이상과 같이 본 발명은 비정형 데이터가 수신되면 해당 데이터에 대한 새로운 패턴을 만들고 저장함으로써, 기존에 정의되지 않은 새로운 종류의 데이터가 수신되더라도 패턴을 만들어 낼 수가 있고, 이를 통한 자기학습 및 제어가 가능하다.

그리고, 본 발명의 기본적인 기술적 사상의 범주 내에서 당해 업계 통상의 지식을 가진 자에게 있어서는 다른 많은 변형 및 응용 또한 가능함은 물론이다.

100...자기학습 엔진 시스템
110...수신부
120...로데이터 저장부
130...학습패턴세트 저장부
140...데이터 확인부
150...신규 패턴 생성부
160...패턴학습부
170...학습데이터 저장부
180...제어부
190...제어 패턴 관리부
200...외부기기
300...제어대상 기기
400...관리자 단말기

Claims

외부기기로부터 데이터를 수신하는 수신부;
상기 수신한 데이터를 종류별로 저장하는 로데이터 저장부;
학습을 위한 패턴 세트를 저장하는 학습패턴세트 저장부;
상기 로데이터 저장부에 저장되는 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부로 전달하고, 상기 로데이터 저장부에 저장되는 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부로 전달하는 데이터 확인부;
상기 데이터 확인부에서 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 상기 학습패턴세트 저장부에 저장하며, 신규 패턴에 관계되는 데이터를 다시 상기 로데이터 저장부에 저장하는 신규 패턴 생성부;
상기 데이터 확인부에서 전달받은 데이터를 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론하는 패턴 학습부;
상기 패턴학습부에서 학습된 제어 패턴을 저장하는 학습데이터 저장부; 및
상기 학습데이터 저장부에 저장된 제어 패턴에 따라 제어대상 기기를 제어하도록 제어 신호를 출력하는 제어부를 포함하되,
상기 데이터 확인부는 상기 로데이터 저장부에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부로 전달하도록 하고,
상기 데이터 확인부는 상기 로데이터 저장부에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 항목 데이터 중에서 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터가 있는 경우, 상기 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 신규 패턴 생성부로 전달하도록 하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템.
청구항 1에 있어서,
상기 학습패턴세트 저장부에 저장되는 학습을 위한 패턴 세트는,
날씨, 온도, 시간, 습도, 위치, 전력량, 조도, 행동, 인원수 중 하나 이상을 포함하여 구성되는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템.
삭제
삭제
청구항 1에 있어서,
상기 데이터 확인부는,
상기 로데이터 저장부에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터 개수 대비 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 개수 비율이 기 설정된 비율 이상 되는 경우 상기 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 신규 패턴 생성부로 전달하도록 하고, 기 설정된 비율 미만인 경우 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터만을 패턴학습부로 전달하도록 하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템.
청구항 1에 있어서,
상기 신규 패턴 생성부는,
연관 규칙(Association Rule) 추출 Apriori 알고리즘을 이용하여 상기 데이터 확인부에서 전달받은 데이터에 대해 최소 지지도(minimum support) 미만의 비빈발 항목 데이터는 제거하여 빈발 항목 집합만을 찾아내고, 빈발 항목 집합 중 최소 신뢰도(minimum confidence)에 미달하는 연관 규칙은 제거하는 작업을 거친 후 제거되지 않은 연관 규칙을 기준으로 신규 패턴을 생성하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템.
청구항 6에 있어서,
상기 신규 패턴 생성부는,
상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 중에서 각 항목 데이터가 속하는 트랜잭션 아이디의 개수가 가장 적은 항목에 해당하는 트랜잭션 아이디의 개수를 최소 지지도(minimum support)로 설정하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템.
외부기기로부터 데이터를 수신하는 수신부;
상기 수신한 데이터를 종류별로 저장하는 로데이터 저장부;
학습을 위한 패턴 세트를 저장하는 학습패턴세트 저장부;
상기 로데이터 저장부에 저장되는 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부로 전달하고, 상기 로데이터 저장부에 저장되는 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부로 전달하는 데이터 확인부;
상기 데이터 확인부에서 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 상기 학습패턴세트 저장부에 저장하며, 신규 패턴에 관계되는 데이터를 다시 상기 로데이터 저장부에 저장하는 신규 패턴 생성부;
상기 데이터 확인부에서 전달받은 데이터를 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론하는 패턴 학습부;
상기 패턴학습부에서 학습된 제어 패턴을 저장하는 학습데이터 저장부; 및
상기 학습데이터 저장부에 저장된 제어 패턴에 따라 제어대상 기기를 제어하도록 제어 신호를 출력하는 제어부를 포함하되,
상기 학습데이터 저장부에 저장되는 제어 패턴을 분석하여 데이터의 출현빈도가 일정하게 수집되고, 기존에 저장된 제어 패턴과 유사도를 측정하여 기 설정된 비율 이상으로 유사한 경우 기존의 정형 제어 패턴으로 분류하며,
데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관을 가지는 경우 반정형 제어 패턴으로 분류하고,
데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관도 없는 경우 비정형 제어 패턴으로 분류하고, 이를 관리자에게 보고하는 제어 패턴 관리부를 더 포함하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템.
청구항 8에 있어서,
상기 제어 패턴 관리부는,
상기 학습데이터 저장부에 기존에 저장된 패턴 그래프의 좌표 정보와 학습데이터 저장부에 저장되는 신규 제어 패턴 그래프의 좌표 정보를 비교하여, 좌표간 거리를 측정하고 평균 거리가 일정 거리 이내인 경우 기존의 정형 제어 패턴으로 분류하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템.
외부기기로부터 데이터를 수신하는 데이터 수신단계;
수신한 데이터를 로데이터 저장부에 종류별로 저장하는 로데이터 저장단계;
상기 저장되는 데이터가 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부로 전달하고, 상기 저장되는 데이터가 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부로 전달하는 데이터 확인단계;
상기 데이터 확인단계에서 전달받은 데이터를 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론하는 패턴 학습단계;
상기 데이터 확인단계에서 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 학습패턴세트 저장부에 저장하며, 신규 패턴에 관계되는 데이터를 다시 로데이터 저장부에 저장하는 신규 패턴 생성단계;
상기 학습된 제어 패턴을 저장하는 학습데이터 저장단계; 및
상기 학습데이터 저장단계에서 저장된 제어 패턴에 따라 제어대상 기기를 제어하도록 제어 신호를 출력하는 제어단계를 포함하되,
상기 데이터 확인단계는 상기 로데이터 저장부에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터가 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 상기 패턴 학습단계로 전달하도록 하고,
상기 데이터 확인단계는 상기 로데이터 저장부에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 항목 데이터 중에서 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터가 있는 경우, 상기 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 상기 신규 패턴 생성단계로 전달하도록 하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법.
청구항 10에 있어서,
상기 학습패턴세트 저장부에 저장되는 학습을 위한 패턴 세트는,
날씨, 온도, 시간, 습도, 위치, 전력량, 조도, 행동, 인원수 중 하나 이상을 포함하여 구성되는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법.
삭제
삭제
청구항 10에 있어서,
상기 데이터 확인단계는,
상기 로데이터 저장부에 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터 개수 대비 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 개수 비율이 기 설정된 비율 이상 되는 경우 상기 일정 시간 동안 수집된 트랜잭션 데이터에 포함된 복수의 트랜잭션 아이디 각각에 대응하는 모든 항목 데이터를 상기 신규 패턴 생성단계로 전달하도록 하고, 기 설정된 비율 미만인 경우 상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터만을 상기 패턴 학습단계로 전달하도록 하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법.
청구항 10에 있어서,
상기 신규 패턴 생성단계는,
연관 규칙(Association Rule) 추출 Apriori 알고리즘을 이용하여 상기 데이터 확인단계에서 전달받은 데이터에 대해 최소 지지도(minimum support) 미만의 비빈발 항목 데이터는 제거하여 빈발 항목 집합만을 찾아내고, 빈발 항목 집합 중 최소 신뢰도(minimum confidence)에 미달하는 연관 규칙은 제거하는 작업을 거친 후 제거되지 않은 연관 규칙을 기준으로 신규 패턴을 생성하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법.
청구항 15에 있어서,
상기 신규 패턴 생성단계는,
상기 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 데이터 중에서 각 항목 데이터가 속하는 트랜잭션 아이디의 개수가 가장 적은 항목에 해당하는 트랜잭션 아이디의 개수를 최소 지지도(minimum support)로 설정하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법.
외부기기로부터 데이터를 수신하는 데이터 수신단계;
수신한 데이터를 로데이터 저장부에 종류별로 저장하는 로데이터 저장단계;
상기 저장되는 데이터가 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하는 데이터인 경우 패턴학습부로 전달하고, 상기 저장되는 데이터가 학습패턴세트 저장부에 기 저장된 정형화된 패턴 세트에 해당하지 않는 경우 신규 패턴을 분석하도록 신규 패턴 생성부로 전달하는 데이터 확인단계;
상기 데이터 확인단계에서 전달받은 데이터를 무감독 학습(Unsupervised Learning) 알고리즘을 이용하여 학습하여 제어 패턴을 추론하는 패턴 학습단계;
상기 데이터 확인단계에서 전달받은 데이터에 대한 신규 패턴을 분석하여 생성하고, 생성된 신규 패턴을 학습패턴세트 저장부에 저장하며, 신규 패턴에 관계되는 데이터를 다시 로데이터 저장부에 저장하는 신규 패턴 생성단계;
상기 학습된 제어 패턴을 저장하는 학습데이터 저장단계; 및
상기 학습데이터 저장단계에서 저장된 제어 패턴에 따라 제어대상 기기를 제어하도록 제어 신호를 출력하는 제어단계를 포함하되,
상기 학습데이터 저장단계에서 저장되는 제어 패턴을 분석하여 데이터의 출현빈도가 일정하게 수집되고, 기존에 저장된 제어 패턴과 유사도를 측정하여 기 설정된 비율 이상으로 유사한 경우 기존의 정형 제어 패턴으로 분류하며,
데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관을 가지는 경우 반정형 제어 패턴으로 분류하고,
데이터의 출현빈도가 불규칙하고, 유사도가 기 설정된 비율에 못 미치며 출현빈도가 일정한 정형 데이터와 연관도 없는 경우 비정형 제어 패턴으로 분류하고, 이를 관리자에게 보고하는 제어 패턴 관리단계를 더 포함하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법.
청구항 17에 있어서,
상기 제어 패턴 관리단계는,
상기 학습데이터 저장단계를 통해 기존에 저장된 패턴 그래프의 좌표 정보와 학습데이터 저장단계에 저장되는 신규 제어 패턴 그래프의 좌표 정보를 비교하여, 좌표간 거리를 측정하고 평균 거리가 일정 거리 이내인 경우 기존의 정형 제어 패턴으로 분류하는 것을 특징으로 하는 비정형 데이터의 패턴분석을 통한 자기학습 방법.