KR102004948B1 - 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법 - Google Patents

빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법 Download PDF

Info

Publication number
KR102004948B1
KR102004948B1 KR1020180164542A KR20180164542A KR102004948B1 KR 102004948 B1 KR102004948 B1 KR 102004948B1 KR 1020180164542 A KR1020180164542 A KR 1020180164542A KR 20180164542 A KR20180164542 A KR 20180164542A KR 102004948 B1 KR102004948 B1 KR 102004948B1
Authority
KR
South Korea
Prior art keywords
grid
learning data
data
based learning
rate
Prior art date
Application number
KR1020180164542A
Other languages
English (en)
Inventor
조영수
Original Assignee
이지지아이에스 주식회사
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 이지지아이에스 주식회사 filed Critical 이지지아이에스 주식회사
Priority to KR1020180164542A priority Critical patent/KR102004948B1/ko
Application granted granted Critical
Publication of KR102004948B1 publication Critical patent/KR102004948B1/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/16—Real estate
    • G06Q50/165—Land development
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Abstract

본 발명은 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법을 개시한다. 즉, 본 발명은 위치기반 입지 예측 모델 분석이 일회성이 아닌 지속성 분석이 가능하도록 다양한 요인변수를 가공처리하고, 빠르게 변하는 환경에 대응하기 위해 표준 격자 데이터를 정의하고, 다양한 변수 선별을 통해 기계 학습에 적용하여 지리적 위치 기반으로 예측 결과를 바로 확인함으로써, 빅데이터를 활용하여 GIS와 기계학습 알고리즘 간의 융합을 제공하고, 사용자가 빠르게 빅데이터를 활용할 수 있다.

Description

빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법{Apparatus for predicting and analyzing location based on location using bigdata machine learning and method thereof}
본 발명은 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치 및 그 방법에 관한 것으로, 특히 위치기반 입지 예측 모델 분석이 일회성이 아닌 지속성 분석할 수 있도록 다양한 요인변수를 가공처리하고, 빠르게 변하는 환경에 대응하기 위해 표준 격자 데이터를 정의하고, 다양한 변수 선별을 통해 기계 학습에 적용하여 지리적 위치 기반으로 예측 결과를 바로 확인하는 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치 및 그 방법에 관한 것이다.
산업, 군사 용도 등에서 최적의 입지를 선정하기 위한 다양한 시도가 있다.
이러한 최적의 입지를 선정하기 위해서는 해당 지역에 대한 다양한 관련 정보를 수집하고, 이를 분석하여, 분석 결과에 따라 사용자가 원하는 대상 지역을 최종적으로 선정하고 있다.
하지만, 이러한 입지 선정 방식은 단순히 사용자가 원하는 위치를 기준으로 영역을 설정하고, 영역 내에서 수집된 다양한 자료에 따라 최종 위치를 선정함으로써, 해당 사용자의 목적 및 상황에 따른 최적의 맞춤형 위치를 제공하지 못하고 있다.
또한, 빅데이터를 활용하여 GIS와 기계학습 알고리즘 간의 융합이 필요하고, 사용자가 빠르게 빅데이터를 활용하지 못하고 있어, 지속적 분석이 쉽게 적용되지 못하고 있다.
한국등록특허 제10-1883110호 [명칭: 역세권의 재개발 예측 장치 및 방법]
본 발명의 목적은 위치기반 입지 예측 모델 분석이 일회성이 아닌 지속성 분석이 가능하도록 다양한 요인변수를 가공처리하고, 빠르게 변하는 환경에 대응하기 위해 표준 격자 데이터를 정의하고, 다양한 변수 선별을 통해 기계 학습에 적용하여 지리적 위치 기반으로 예측 결과를 바로 확인하는 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치 및 그 방법을 제공하는 데 있다.
본 발명의 실시예에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치는 GIS 정보를 포함하는 파일을 저장하는 저장부; 상기 저장부에 저장된 어느 하나의 파일을 로드하고, 상기 로드된 파일 내의 복수의 항목 중에서 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 격자 기반 학습 데이터로 설정하고, 미리 설정된 기계 학습을 위한 학습 모델인 랜덤 포레스트(Random Forest)에 대한 환경 설정 기능을 수행하고, 상기 설정된 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 적용 결과인 격자 기반 학습률, 격자 기반 예측률 및 격자 기반 학습 데이터별 변수 중요도를 산출하고, 상기 격자 기반 예측률이 미리 설정된 목표 예측률보다 큰지 여부를 판단하고, 상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때, 상기 격자 기반 예측률과 관련한 최종 학습 데이터인 최종 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 시각화하여 표시하는 제어부; 및 상기 격자 기반 학습률, 상기 격자 기반 예측률 및 상기 격자 기반 학습 데이터별 변수 중요도를 표시하고, 상기 시각화된 GIS 입지 데이터를 표시하는 표시부를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 로드된 파일의 확장자가 미리 설정된 확장자일 때, 상기 로드된 파일 내의 데이터에 대한 유효성을 체크하고, 상기 유효성 체크 결과 상기 로드된 파일의 유효성에 문제가 없는 상태일 때 상기 파일 내에 포함된 복수의 항목을 상기 표시부에 표시하고, 상기 표시부에 표시되는 복수의 항목 중에서 사용자 선택에 따른 상기 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 상기 격자 기반 학습 데이터로 설정할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 작을 때, 상기 격자 기반 학습 데이터 중에서 일부를 제외하여 새로운 격자 기반 학습 데이터를 설정하고, 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 새로운 적용 결과인 새로운 격자 기반 학습률, 새로운 격자 기반 예측률 및 새로운 격자 기반 학습 데이터별 변수 중요도를 산출할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 새로운 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때까지 상기 격자 기반 학습 데이터를 새로 설정하고 상기 랜덤 포레스트에 적용하는 과정을 반복 수행하며, 상기 새로운 격자 기반 예측률이 상기 목표 예측률보다 크거나 같은 시점의 새로 설정된 새로운 격자 기반 학습 데이터를 최종 격자 기반 학습 데이터로 저장할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 저장된 최종 격자 기반 학습 데이터를 근거로 상기 GIS 입지 데이터를 시각화하여 상기 표시부에 표시할 수 있다.
본 발명의 실시예에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 방법은 제어부에 의해, 로드된 파일 내의 복수의 항목 중에서 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 격자 기반 학습 데이터로 설정하는 단계; 상기 제어부에 의해, 미리 설정된 기계 학습을 위한 학습 모델인 랜덤 포레스트에 대한 환경 설정 기능을 수행하는 단계; 상기 제어부에 의해, 상기 설정된 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 적용 결과인 격자 기반 학습률, 격자 기반 예측률 및 격자 기반 학습 데이터별 변수 중요도를 산출하는 단계; 표시부에 의해, 상기 격자 기반 학습률, 상기 격자 기반 예측률 및 상기 격자 기반 학습 데이터별 변수 중요도를 표시하는 단계; 상기 제어부에 의해, 상기 격자 기반 예측률이 미리 설정된 목표 예측률보다 큰지 여부를 판단하는 단계; 및 상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때, 상기 제어부에 의해, 상기 격자 기반 예측률과 관련한 최종 학습 데이터인 최종 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 시각화하여 상기 표시부에 표시하는 단계를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 격자 기반 학습 데이터로 설정하는 단계는, 상기 제어부에 의해, 저장부에 저장된 상기 파일을 로드하는 과정; 상기 제어부에 의해, 상기 로드된 파일의 확장자가 미리 설정된 확장자인지 여부를 확인하는 과정; 상기 제어부에 의해, 상기 확인 결과, 상기 로드된 파일의 확장자가 상기 미리 설정된 확장자일 때, 상기 로드된 파일 내의 데이터에 대한 유효성을 체크하는 과정; 상기 제어부에 의해, 상기 유효성 체크 결과 상기 로드된 파일의 유효성에 문제가 없는 상태일 때, 상기 파일 내에 포함된 복수의 항목을 상기 표시부에 표시하는 과정; 및 상기 제어부에 의해, 상기 표시부에 표시되는 복수의 항목 중에서 사용자 선택에 따른 상기 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 상기 격자 기반 학습 데이터로 설정하는 과정을 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 작을 때, 상기 제어부에 의해, 상기 격자 기반 학습 데이터 중에서 일부를 제외하여 새로운 격자 기반 학습 데이터를 설정하는 단계; 상기 제어부에 의해, 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 새로운 적용 결과인 새로운 격자 기반 학습률, 새로운 격자 기반 예측률 및 새로운 격자 기반 학습 데이터별 변수 중요도를 산출하는 단계; 상기 제어부에 의해, 상기 새로운 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때까지 상기 격자 기반 학습 데이터를 새로 설정하고 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 랜덤 포레스트에 적용하는 과정을 반복 수행하는 단계; 상기 제어부에 의해, 상기 새로 설정된 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때, 최종 시점의 격자 기반 예측률과 관련한 학습 데이터를 최종 격자 기반 학습 데이터로 저장하는 단계; 및 상기 제어부에 의해, 상기 저장된 최종 격자 기반 학습 데이터를 근거로 상기 GIS 입지 데이터를 시각화하여 상기 표시부에 표시하는 단계를 더 포함할 수 있다.
본 발명은 위치기반 입지 예측 모델 분석이 일회성이 아닌 지속성 분석이 가능하도록 다양한 요인변수를 가공처리하고, 빠르게 변하는 환경에 대응하기 위해 표준 격자 데이터를 정의하고, 다양한 변수 선별을 통해 기계 학습에 적용하여 지리적 위치 기반으로 예측 결과를 바로 확인함으로써, 빅데이터를 활용하여 GIS와 기계학습 알고리즘 간의 융합을 제공하고, 사용자가 빠르게 빅데이터를 활용할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 CSV 포맷의 GIS 정보의 예를 나타낸 도이다.
도 3은 본 발명의 실시예에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 방법을 나타낸 흐름도이다.
도 4 내지 도 11은 본 발명의 실시예에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 방법에 따른 화면의 예를 나타낸 도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 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.
또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치(100)의 구성을 나타낸 블록도이다.
도 1에 도시한 바와 같이, 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치(100)는 통신부(110), 저장부(120), 표시부(130), 음성 출력부(140) 및 제어부(150)로 구성된다. 도 1에 도시된 위치 기반 입지 예측 분석 장치(100)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 위치 기반 입지 예측 분석 장치(100)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 위치 기반 입지 예측 분석 장치(100)가 구현될 수도 있다.
상기 위치 기반 입지 예측 분석 장치(100)는 스마트폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 내비게이션(Navigation) 단말기, 개인용 컴퓨터(Personal Computer), 노트북 컴퓨터, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display) 등 포함), 와이브로(Wibro) 단말기, IPTV(Internet Protocol Television) 단말기, 스마트 TV, 디지털방송용 단말기, AVN(Audio Video Navigation) 단말기, A/V(Audio/Video) 시스템, 플렉시블 단말기(Flexible Terminal), 디지털 사이니지 장치 등과 같은 다양한 단말기에 적용될 수 있다.
상기 통신부(110)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 서버(미도시), 다른 단말(미도시) 등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부(110)는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.
또한, 상기 통신부(110)는 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.
또한, 상기 통신부(110)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 상기 서버, 상기 다른 단말 등과 무선 신호를 송수신한다.
또한, 상기 통신부(110)는 상기 제어부(150)의 제어에 의해 유/무선 통신 연결되는 상기 서버로부터 제공되는 GIS 정보 등을 수신한다.
상기 저장부(120)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.
또한, 상기 저장부(120)는 상기 위치 기반 입지 예측 분석 장치(100))가 동작하는데 필요한 데이터와 프로그램 등을 저장한다.
즉, 상기 저장부(120)는 상기 위치 기반 입지 예측 분석 장치(100))에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 위치 기반 입지 예측 분석 장치(100))의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 위치 기반 입지 예측 분석 장치(100))의 기본적인 기능을 위하여 출고 당시부터 위치 기반 입지 예측 분석 장치(100))상에 존재할 수 있다. 한편, 응용 프로그램은 상기 저장부(120)에 저장되고, 위치 기반 입지 예측 분석 장치(100))에 설치되어, 제어부(150)에 의하여 상기 위치 기반 입지 예측 분석 장치(100))의 동작(또는 기능)을 수행하도록 구동될 수 있다.
또한, 상기 저장부(120)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 위치 기반 입지 예측 분석 장치(100)는 인터넷(internet)상에서 저장부(120)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 동작할 수도 있다.
또한, 상기 저장부(120)는 상기 제어부(150)의 제어에 의해 상기 수신된 GIS 정보 등을 저장한다.
상기 표시부(또는 디스플레이부)(130)는 상기 제어부(150)의 제어에 의해 상기 저장부(120)에 저장된 사용자 인터페이스 및/또는 그래픽 사용자 인터페이스를 이용하여 다양한 메뉴 화면 등과 같은 다양한 콘텐츠를 표시할 수 있다. 여기서, 상기 표시부(130)에 표시되는 콘텐츠는 다양한 텍스트 또는 이미지 데이터(각종 정보 데이터 포함)와 아이콘, 리스트 메뉴, 콤보 박스 등의 데이터를 포함하는 메뉴 화면 등을 포함한다. 또한, 상기 표시부(130)는 터치 스크린 일 수 있다.
또한, 상기 표시부(130)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 표시부(130)는 상기 제어부(150)의 제어에 의해 상기 수신된 GIS 정보 등을 표시한다.
상기 음성 출력부(140)는 상기 제어부(150)에 의해 소정 신호 처리된 신호에 포함된 음성 정보를 출력한다. 여기서, 상기 음성 출력부(140)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
또한, 상기 음성 출력부(140)는 상기 제어부(150)에 의해 생성된 안내 음성을 출력한다.
또한, 상기 음성 출력부(140)는 상기 제어부(150)에 의해 상기 수신된 GIS 정보 등에 대응하는 음성 정보(또는 음향 효과)를 출력한다.
상기 제어부(controller, 또는 MCU(microcontroller unit)(150)는 상기 위치 기반 입지 예측 분석 장치(100)의 전반적인 제어 기능을 실행한다.
또한, 상기 제어부(150)는 상기 저장부(120)에 저장된 프로그램 및 데이터를 이용하여 위치 기반 입지 예측 분석 장치(100)의 전반적인 제어 기능을 실행한다. 상기 제어부(150)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 저장부(120)에 액세스하여, 상기 저장부(120)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 저장부(120)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 동작을 수행할 수 있다.
또한, 상기 제어부(150)는 상기 통신부(110)를 통해 상기 서버 등으로부터 빅데이터인 GIS(Geographic Information System) 정보를 수집한다.
여기서, 상기 GIS 정보는 입지 요인 변수들이 격자 단위의 데이터 셋 형태로 정의된 상태이며, 해당 격자 단위는 미리 설정된 50m, 100m, 250m, 500m 등의 전국 격자 제작을 사용하거나 국토부에서 미리 설정한 격자를 사용할 수 있다. 이때, 상기 입지 요인 변수는 다음의 [표 1]과 같이 관측치, 인구 밀집도, 시설 조건, 사회적 특성, 지역적 특성 등을 포함할 수 있다.
입지 요인 변수 데이터명 요인 정의 요인 설명
관측치 관측 이용량 위치(X,Y 좌표) 지점의 관측치 이용량 정보를 이용하여 패턴 분석 변수로 적용 예) 자전거 설치 장소일 경우: 자전거 사용량 또는 이용수
- 와이파이 설치 지점의 경우: 트래픽량 또는 접속자 수
- 상권 업종의 경우: 판매량 또는 판매 건수
- 전기자동차 설치 지점의 경우: 전기량 판매량
- 상수도 및 열배관의 경우: 수용가 검침량
인구 밀집도 유동 인구 셀 기반의 유동 인구 데이터 통신사로부터 제공받은 데이터
예) 성별/연령별, 시간대별, 요일별 셀 유동인구 집계 데이터
주거 인구 셀 기반의 주거 인구 데이터 국토부에서 제공되고 있는 셀 기반의 주거인구 집계 데이터
시설 조건 설치 시설 셀 기반 설치 시설 여부 데이터 예) CCTV 설치 지점의 X,Y 좌표를 통해 해당 셀에 CCTV 설치 여부
도로 시설물, 와이파이 설치, 전기자동차 설치, 상수도 및 열배관 설치, 가로등, 도로 등
건물 시설 셀 기반 환경 시설 여부 데이터 예) 공공건물(관공서 등), 쇼핑건물, 교육(학교, 학원 등), 의료, 숙박건물, 매장(식당, 점포 등) 등
교통 시설 셀 기반 교통시설물 데이터 예) 버스정류장, 역, 택시정류장, 버스터미널, 여객선터미널 등
사회적 특성 상권 특성 셀 기반 입지 특성 데이터 상권활성화 및 상권 특성의 속성 데이터
예) 신용데이터, 카드사 데이터, 교통 이용 데이터
주변 환경 셀 기반 사회적 주변환경 데이터 사회적으로 취약한 지역, 경쟁구조 환경, 상권발달 환경
예) 취약계층 지역, 경쟁 지역 등
접근성 셀 기반 거리 계산 데이터 예) 관측지와 시설과의 거리, 구역과 구역의 거리 등
지역적 특성 관광지, 명소 셀 기반 관광지 명소 데이터 예) 해수욕장, 공원, 산, 박물관, 축제지역 등
문화재 셀 기반 문화재 데이터 예) 문화재 및 문화재 보호구역
또한, 상기 GIS 정보는 파일 형태로 관리될 수 있다.
즉, 도 2에 도시된 바와 같이, 상기 GIS 정보는 미리 설정된 CSV 포맷(또는 형태/형식)의 복수의 항목을 포함한다. 여기서, 상기 복수의 항목은 격자 아이디를 나타내는 SPO_NO_CD 항목, 격자 위도를 나타내는 X 항목, 격자 경도를 나타내는 Y 항목, 관측치(또는 이용량)를 나타내는 AP 항목, 관측치 패턴을 나타내는 AP_PT 항목, SKT 통신사의 유동인구 10대를 나타내는 SFP_10(SKT Floating Population 10대) 항목, SKT 통신사의 유동인구 20대를 나타내는 SFP_20(SKT Floating Population 20대) 항목, SKT 통신사의 유동인구 30대를 나타내는 SFP_30(SKT Floating Population 30대) 항목, SKT 통신사의 유동인구 40대를 나타내는 SFP_40(SKT Floating Population 40대) 항목, SKT 통신사의 유동인구 50대를 나타내는 SFP_50(SKT Floating Population 50대) 항목, SKT 통신사의 유동인구 60대를 나타내는 SFP_60(SKT Floating Population 60대) 항목, 거주인구 20대를 나타내는 P_20(Population 20대) 항목, 거주인구 30대를 나타내는 P_30(Population 30대) 항목, 거주인구 40대를 나타내는 P_40(Population 40대) 항목, 거주인구 50대를 나타내는 P_50(Population 50대) 항목, 생산가능인구를 나타내는 P_15-65(Population 15-65대) 항목, 국가지정문화재를 나타내는 S_DCP(state-Designated Cultural Property) 항목, 국가지정문화재 보호구역을 나타내는 S_DCP_A(Designated Cultural Property Area) 항목, 시도지정문화재를 나타내는 C_DCP 항목, 등록문화재를 나타내는 RCP(Registered Cultural Properties) 항목, 관광지를 나타내는 TA(Tourist Attraction) 항목, 가로등(또는 방법등, 보안등)을 나타내는 SL(Streetlamp) 항목, 공공시설을 나타내는 PF(Public Facilities) 항목, 민원요청을 나타내는 W_CC(Wifi Civil Complaint) 항목, 취약계층을 나타내는 VSB(Vulnerable Social Group) 항목, 관측치 버스정류장 거리를 나타내는 DIS 항목 등을 포함한다.
또한, 상기 제어부(150)는 상기 저장부(120)에 저장된 파일을 로드한다.
즉, 상기 제어부(150)는 상기 저장부(1200에 저장된 복수의 파일 중에서 사용자 선택에 따라 선택된 어느 하나의 파일을 로드한다.
또한, 상기 제어부(150)는 상기 로드된 파일의 확장자가 미리 설정된 확장자인지 여부를 확인한다. 여기서, 상기 미리 설정된 확장자는 GIS(Geographic Information System) 정보를 제공하는 SHP, CSV, TXT 등의 데이터 포맷일 수 있다. 이때, 상기 파일은 미리 설정된 격자 기반 GIS 정보(또는 위치 기반 GIS 정보)를 포함하는 상태일 수 있다.
확인 결과, 상기 로드된 파일의 확장자가 유효한 확장자를 가진 파일이 아닌 경우, 상기 제어부(150)는 전체 과정을 종료한다.
즉, 상기 확인 결과, 상기 로드된 파일의 확장자가 상기 미리 설정된 확장자가 아닌 경우, 상기 제어부(150)는 전체 과정을 종료한다.
또한, 상기 확인 결과, 상기 로드된 파일의 확장자가 유효한 확장자를 가진 파일인 경우, 상기 제어부(150)는 상기 파일 내의 복수의 항목 중에서 적어도 하나의 항목(또는 변수명) 및 상기 적어도 하나의 항목에 대응하는 값(또는 변수명에 대응하는 변수값)을 격자 기반 학습 데이터로 설정한다. 이때, 상기 제어부(150)는 상기 파일 내의 데이터에 대한 유효성(validation)을 체크할 수도 있다.
즉, 상기 확인 결과, 상기 로드된 파일의 확장자가 상기 미리 설정된 확장자에 포함된 경우, 상기 제어부(150)는 상기 로드된 파일에 포함된 변수명에 대응하는 복수의 항목을 표시부(130)에 표시한다.
또한, 상기 제어부(150)는 상기 표시부(130)에 표시되는 복수의 항목 중에서 사용자 선택(또는 사용자 터치/입력)에 따른 적어도 하나의 항목에 대응하는 변수명 및 해당 변수명에 대응하는 변수값을 격자 기반 학습 데이터(또는 위치 기반 학습 데이터)로 설정한다.
또한, 상기 제어부(150)는 상기 설정된 격자 기반 학습 데이터를 상기 저장부(120)에 저장한다.
또한, 상기 제어부(150)는 미리 설정된 지속적 기계 학습을 위한 학습 모델인 랜덤 포레스트(Random Forest: RF)에 대한 환경 설정 기능을 수행한다. 이때, 상기 랜덤 포레스트에 대한 환경 설정은 빠르게 학습하기 위한 방법으로 여러 가지 파라미터 값을 조정하여 학습 모델의 최적 결과를 도출하기 위함이다. 여기서, 상기 랜덤 포레스트에 대한 환경 설정을 위한 파라미터는 나무의 수(number of trees: 숲에 있는 나무의 수) 파라미터, 분할의 품질 측정 파라미터, 보이지 않는 데이터에 대해 R^2를 추정 사용 여부 파라미터, 부트스트랩(Bootstrap) 샘플이 트리를 만들 때 사용 파라미터, 최적의 분할을 찾을 때 고려해야 할 기능 수 파라미터, 적합치와 예측 모두에 대해 병렬로 실행 작업 수 파라미터, 트리 최대 깊이 파라미터, 트레인 : 테스트(Train : Test) 비율 나누기 파라미터 등을 포함한다. 이때, 상기 나무의 수 파라미터는 기본값이 10 이며, 총 포레스트를 몇 개의 트리로 구성할지를 결정하기 위한 파라미터(또는 매개변수)로, 포레스트가 작으면 트리들을 구성하고 테스트하는데 걸리는 시간이 짧은 대신, 일반화 능력이 떨어져 임의의 입력 데이터 포인트에 대해 틀린 결과를 내놓을 확률이 높다. 반면에 포레스트의 크기가 크다면, 훈련과 테스트 시간은 증가하지만, 포레스트의 결과값은 각 트리의 결과들에 평균을 취한 것으로, 큰 포레스트의 결과값은 작은 포레스트보다 비교적 연속적이며 일반화 능력이 우수하다. 또한, 상기 분할 품질 측정 파라미터는 스트링(string) 형태로, 디폴트 값이 mse이며, 분할의 품질을 측정하는 파라미터이며, 지원되는 기준은 평균 제곱 오류에 대해 "mse(mean square error: 평균 제곱 오차)"이며, 이는 형상 선택 기준으로 분산 감소와 같고, 평균 절대 오류에 대해서는 "mae(mean absolute error: 평균 절대 오차)"이다. 또한, 상기 보이지 않는 데이터에 대해 R^2를 추정 사용 여부 파라미터는 보이지 않는 데이터에 대해 R^2를 추정하기 위해 부재중 샘플을 사용할지 여부를 선택하는 파라미터이며, bool 형태이고, 디폴트 값이 False이다. 또한, 상기 부트스트랩 샘플이 트리를 만들 때 사용 파라미터는 부트스트랩 샘플이 트리를 만들 대 사용되는지 여부를 나타내는 파라미터이며, 하위 샘플 크기는 원래 입력 샘플 크기와 항상 동일하지만, bootstrap = True(기본값)인 경우, 샘플이 대체되어 그려지며, 불리안(boolean) 형태이고, 디폴트 값이 True이다. 또한, 상기 최적의 분할을 찾을 때 고려해야 할 기능 수 파라미터는 int인 경우 각 분할의 max features 기능을 고려하고, float인 경우 max_features가 백분율이며 각 분할에서 max_features * n_features 특성을 고려하고, auto인 경우 max_features = n_features이고, sqrt인 경우 max_features = sqrt(n_features)이고, log2인 경우 max_features = log2(n_features)이고, 아무것도 없는 경우 max_features = n_features이며, max_features 기능 이상을 효과적으로 검사해야 하는 경우에도 노드 샘플의 유효한 파티션이 하나 이상 발견될 때까지 분할 검색이 중지되지 않도록 구성한다. 또한, 상기 적합치와 예측 모두에 대해 병렬로 실행 작업 수 파라미터는 적합치와 예측 모두에 대해 병렬로 실행할 작업 수를 나타내며, integer로 나타내며, 디폴트 값이 1이고, -1인 경우 작업 수가 코어 수로 설정된다. 또한, 상기 트리 최대 깊이 파라미터는 트리의 최대 깊이를 나타내며, 하나의 트리에서 루트 노드부터 종단 노드까지 최대 몇 개의 노드(또는 테스트)를 거칠 것인지를 결정하는 매개변수이며, 최대 허용 깊이가 작으면 과소적합(underfitting)이 일어나고, 최대 허용 깊이가 크면 대 과대적합(overfitting)이 일어나기 때문에 적절한 값을 설정하는 것이 중요하며, integer로 나타내며, 최대 깊이는 integer 또는 None으로 나타내며, 디폴트 값이 None이다. 또한, 상기 트레인 : 테스트(Train : Test) 비율 나누기 파라미터는 훈련과 테스트 간의 비율을 설정하기 위한 매개변수이다.
또한, 상기 제어부(150)는 상기 설정된 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용한다.
또한, 상기 제어부(150)는 적용 결과인 훈련 세트의 정확도인 격자 기반 학습률과 테스트 세트의 정확도인 격자 기반 예측률을 측정(또는 확인/산출)한다.
또한, 상기 제어부(150)는 상기 설정된 격자 기반 학습 데이터별로 변수 중요도를 각각 산출한다.
또한, 상기 제어부(150)는 상기 측정된(또는 확인된/산출된) 격자 기반 학습률과 격자 기반 예측률, 상기 산출된 격자 기반 학습 데이터별 변수 중요도 등을 상기 표시부(130)에 표시한다.
또한, 상기 제어부(150)는 상기 측정된(또는 확인된/산출된) 격자 기반 예측률이 미리 설정된 목표 예측률보다 큰지 여부(또는 상기 측정된 격자 기반 예측률이 미리 설정된 목표 예측률 범위 내에 존재하는지 여부)를 판단한다.
상기 판단 결과, 상기 측정된(또는 확인된/산출된) 격자 기반 예측률이 미리 설정된 목표 예측률보다 작은 경우(또는 상기 측정된 격자 기반 예측률이 미리 설정된 목표 예측률 범위 내에 존재하지 않은 경우), 상기 제어부(150)는 앞서 설정된 격자 기반 학습 데이터에 대해서 각각 산출된 격자 기반 학습 데이터별 변수 중요도를 근거로 변수 중요도가 낮은 미리 설정된 비율에 해당하는 학습 데이터를 상기 격자 기반 학습 데이터에서 제외하여 새로운 격자 기반 학습 데이터를 설정한다.
이때, 상기 제어부(150)는 상기 격자 기반 학습 데이터별로 산출된 변수 중요도를 상기 표시부(130)에 표시하고, 상기 표시부(130)에 표시되는 격자 기반 학습 데이터별로 산출된 변수 중요도에 대해서 사용자 선택에 따른 적어도 하나의 학습 데이터를 새로운 격자 기반 학습 데이터로 설정할 수도 있다.
또한, 상기 제어부(150)는 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하고, 새로운 적용 결과인 훈련 테스트의 정확도인 새로운 격자 기반 학습률과 테스트 세트의 정확도인 새로운 격자 기반 예측률을 측정한다.
또한, 상기 제어부(150)는 앞서 설정된 새로운 격자 기반 학습 데이터별로 변수 중요도를 산출한다.
또한, 상기 제어부(150)는 새로운 격자 기반 예측률이 상기 미리 설정된 목표 예측률보다 크거나 같을 때까지(또는 상기 새로운 격자 기반 예측률이 상기 미리 설정된 목표 예측률 범위 내에 존재할 때까지), 새로운 학습 데이터 설정 및 상기 랜덤 포레스트에 의한 기계 학습을 수행하는 과정을 반복 수행한다.
이와 같이, 상기 제어부(150)는 특정 격자 기반 학습 데이터를 기계 학습에 적용한 결과인 격자 기반 예측률이 상기 목표 예측률보다 크거나 같은 경우, 해당 특정 격자 기반 학습 데이터를 최종 격자 기반 학습 데이터로 상기 저장부(120)에 저장한다.
또한, 이와 같이, 지속적 기계 학습을 통해 변수 중요도 선정이 가능하고, 변수 중요도에 따라 예측률(또는 격자 기반 예측값)이 달라질 수 있기 때문에 예측 확률을 높일 수 있다.
또한, 상기 제어부(150)는 변수 중요도에 따라 학습 데이터를 선택하여, 기계 학습을 수행(또는 적용)할 수도 있다.
또한, 상기 판단 결과, 상기 측정된(또는 확인된/산출된) 격자 기반 예측률이 미리 설정된 목표 예측률보다 크거나 같은 경우(또는 상기 측정된 격자 기반 예측률이 미리 설정된 목표 예측률 범위 내에 존재하는 경우), 상기 제어부(150)는 해당 시점의 최종 학습 데이터인 최종 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 시각화하여 상기 표시부(130)에 표시한다.
기존 분석 방법이 별도 파일로 저장 후 별도의 GIS 도구를 활용하여 분석 시각화하였다면, 본 발명에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치(100)는 이런 불필요한 반복적인 절차를 없애고, 자동으로 바로 위치를 확인할 수 있도록 시각화하여, 전체 시스템 운영 효율을 높일 수 있고, 시간을 절약하고 및 비용을 절감할 수 있다.
또한, 상기 제어부(150)는 기계 학습과 위치 기반 GIS 정보를 융합하여, 사용자가 빠르게 지리적으로 확인이 가능하도록 다양한 정보를 제공할 수 있다.
또한, 상기 제어부(150)는 현장 실사 등을 통한 사용자 입력값에 따라 해당 시각화하여 표시되는 GIS 입지 데이터에 대한 검증 기능을 수행할 수도 있다.
이와 같이, 위치기반 입지 예측 모델 분석이 일회성이 아닌 지속성 분석이 가능하도록 다양한 요인변수를 가공처리하고, 빠르게 변하는 환경에 대응하기 위해 표준 격자 데이터를 정의하고, 다양한 변수 선별을 통해 기계 학습에 적용하여 지리적 위치 기반으로 예측 결과를 바로 확인할 수 있다.
이하에서는, 본 발명에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 방법을 도 1 내지 도 11을 참조하여 상세히 설명한다.
도 3은 본 발명의 실시예에 따른 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 방법을 나타낸 흐름도이다.
먼저, 제어부(150)는 저장부(120)에 저장된 파일을 로드한다.
즉, 상기 제어부(150)는 상기 저장부(1200에 저장된 복수의 파일 중에서 사용자 선택에 따라 선택된 어느 하나의 파일을 로드한다.
또한, 상기 제어부(150)는 상기 로드된 파일의 확장자가 미리 설정된 확장자인지 여부를 확인한다. 여기서, 상기 미리 설정된 확장자는 GIS 정보를 제공하는 SHP, CSV, TXT 등의 데이터 포맷일 수 있다. 이때, 상기 파일은 미리 설정된 격자 기반 GIS 정보를 포함하는 상태일 수 있다.
일 예로, 도 4에 도시된 바와 같이, 상기 제어부(150)는 상기 저장부(120)에 저장된 대여소별_영향요인_결과_20180328_학습종합데이터.CSV 파일을 로드(400)한다.
또한, 상기 제어부(150)는 상기 로드된 대여소별_영향요인_결과_20180328_학습종합데이터.CSV의 확장자가 미리 설정된 확장자(예를 들어 SHP, CSV, TXT 등 포함)인지 여부를 확인한다.
다른 일 예로, 상기 제어부(150)는 상기 저장부(120)에 저장된 ZZZZ.HWP 파일을 로드한다.
또한, 상기 제어부(150)는 상기 로드된 ZZZZ.HWP의 확장자가 미리 설정된 확장자(예를 들어 SHP, CSV, TXT 등 포함)인지 여부를 확인한다(S310).
확인 결과, 상기 로드된 파일의 확장자가 유효한 확장자를 가진 파일이 아닌 경우, 상기 제어부(150)는 전체 과정을 종료한다.
즉, 상기 확인 결과, 상기 로드된 파일의 확장자가 상기 미리 설정된 확장자가 아닌 경우, 상기 제어부(150)는 전체 과정을 종료한다.
일 예로, 상기 로드된 ZZZZ.HWP의 확장자가 미리 설정된 확장자(예를 들어 SHP, CSV, TXT 등 포함)가 아닐 때, 상기 제어부(150)는 전체 과정을 종료한다(S320).
또한, 상기 확인 결과, 상기 로드된 파일의 확장자가 유효한 확장자를 가진 파일인 경우, 상기 제어부(150)는 상기 파일 내의 복수의 항목 중에서 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 격자 기반 학습 데이터로 설정한다. 이때, 상기 제어부(150)는 상기 파일 내의 데이터에 대한 유효성(validation)을 체크할 수도 있다.
즉, 상기 확인 결과, 상기 로드된 파일의 확장자가 상기 미리 설정된 확장자에 포함된 경우, 상기 제어부(150)는 상기 로드된 파일에 포함된 변수명에 대응하는 복수의 항목을 표시부(130)에 표시한다.
또한, 상기 제어부(150)는 상기 표시부(130)에 표시되는 복수의 항목 중에서 사용자 선택(또는 사용자 터치/입력)에 따른 적어도 하나의 항목에 대응하는 변수명 및 해당 변수명에 대응하는 변수값을 격자 기반 학습 데이터로 설정한다.
또한, 상기 제어부(150)는 상기 설정된 격자 기반 학습 데이터를 상기 저장부(120)에 저장한다.
일 예로, 상기 로드된 대여소별_영향요인_결과_20180328_학습종합데이터.CSV의 확장자가 미리 설정된 확장자(예를 들어 SHP, CSV, TXT 등 포함)일 때, 상기 제어부(150)는 상기 대여소별_영향요인_결과_20180328_학습종합데이터.CSV 파일에 대한 유효성을 검사한다.
또한, 유효성 검사 결과, 해당 대여소별_영향요인_결과_20180328_학습종합데이터.CSV 파일의 유효성에 문제가 없는 상태일 때, 도 5에 도시된 바와 같이, 상기 제어부(150)는 해당 대여소별_영향요인_결과_20180328_학습종합데이터.CSV 파일 내에 포함된 복수의 항목(500)을 상기 표시부(130)에 표시한다. 여기서, 상기 표시부(130)에 표시되는 복수의 항목(500)은 주중주말 항목, 거리_주차구역 항목, 거리_체육시설 항목, 거리_공원구역 항목, 거리_특화구역 항목, 거리_교통구역 항목, 면적_주거건물_아파트 항목, 면적_주거건물_기타 항목, 인구_2030 항목, 인구_3040 항목, 인구_4050 항목, 청년중년_비율 항목, 지하철_승객수 항목, 버스_승객수 항목, 유동인구_성비20 항목, 유동인구_성비 30 항목, 유동인구_성비 40 항목, 유동인구 항목 등을 포함한다.
또한, 도 6에 도시된 바와 같이, 상기 도 5의 표시부(130)에 표시되는 복수의 항목(500) 중에서 사용자 선택에 따라 적어도 하나의 항목(예를 들어 대여소번호 항목, 대여소명 항목, 격자 위도를 나타내는 X 항목, 격자 경도를 나타내는 Y 항목, 버스_경유노선수_200 항목, 평균경사도_200 항목, 거리_지하철_출입구 항목, 거리_자전거도로 항목, 거리_공공구역 항목, 거리_문화구역 항목, 거리_관광구역 항목, 거리_교육구역 항목, 거리_상업구역 항목, 거리_의료구역 항목 등 포함)이 선택(600)될 때, 상기 제어부(150)는 상기 선택된 적어도 하나의 항목에 대응하는 변수명 및 해당 변수명에 대응하는 변수값을 1차 격자 기반 학습 데이터로 설정하고, 상기 설정된 1차 격자 기반 학습 데이터를 상기 저장부(120)에 저장한다(S330).
이후, 상기 제어부(150)는 미리 설정된 지속적 기계 학습을 위한 학습 모델인 랜덤 포레스트(Random Forest: RF)에 대한 환경 설정 기능을 수행한다. 이때, 상기 랜덤 포레스트에 대한 환경 설정은 빠르게 학습하기 위한 방법으로 여러 가지 파라미터 값을 조정하여 학습 모델의 최적 결과를 도출하기 위함이다. 여기서, 상기 랜덤 포레스트에 대한 환경 설정을 위한 파라미터는 나무의 수(number of trees: 숲에 있는 나무의 수) 파라미터, 분할의 품질 측정 파라미터, 보이지 않는 데이터에 대해 R^2를 추정 사용 여부 파라미터, 부트스트랩(Bootstrap) 샘플이 트리를 만들 때 사용 파라미터, 최적의 분할을 찾을 때 고려해야 할 기능 수 파라미터, 적합치와 예측 모두에 대해 병렬로 실행 작업 수 파라미터, 트리 최대 깊이 파라미터, 트레인 : 테스트(Train : Test) 비율 나누기 파라미터 등을 포함한다.
일 예로, 도 7에 도시된 바와 같이, 상기 제어부(150)는 기계 학습을 위한 랜덤 포레스트에 대한 환경 설정을 위한 화면(700)을 상기 표시부(130)에 표시한다.
또한, 상기 제어부(150)는 사용자 선택에 따라 상기 랜덤 포레스트에 대한 환경 설정 기능을 수행한다.
즉, 상기 제어부(150)는 상기 표시부(130)에 표시되는 상기 랜덤 포레스트에 대한 환경 설정을 위한 화면(700)에서 사용자 선택에 따라 상기 나무의 수를 1000으로 설정하고, 상기 분할의 품질 측정을 mse로 설정하고, 상기 보이지 않는 데이터에 대해 R^2를 추정 사용 여부를 False로 설정하고, 상기 부트스트랩 샘플이 트리를 만들 때 사용을 True로 설정하고, 상기 최적의 분할을 찾을 때 고려해야 할 기능 수를 auto로 설정하고, 상기 적합치와 예측 모두에 대해 병렬로 실행 작업 수를 1로 설정하고, 상기 트리 최대 깊이를 None으로 설정하고, 상기 트레인 : 테스트 비율 나누기를 7:3으로 설정한다(S340).
이후, 상기 제어부(150)는 상기 설정된 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용한다.
또한, 상기 제어부(150)는 적용 결과인 훈련 세트의 정확도인 격자 기반 학습률과 테스트 세트의 정확도인 격자 기반 예측률을 측정(또는 확인/산출)한다.
또한, 상기 제어부(150)는 상기 설정된 격자 기반 학습 데이터별로 변수 중요도를 각각 산출한다.
또한, 상기 제어부(150)는 상기 측정된(또는 확인된/산출된) 격자 기반 학습률과 격자 기반 예측률, 상기 산출된 격자 기반 학습 데이터별 변수 중요도 등을 상기 표시부(130)에 표시한다.
일 예로, 상기 제어부(150)는 상기 사용자 선택에 따라 적어도 하나의 항목을 포함하는 1차 격자 기반 학습 데이터를 상기 환경 설정이 수행된 랜덤 포레스트에 적용하여, 도 8에 도시된 바와 같이, 1차 격자 기반 학습률(810), 1차 격자 기반 예측률(820), 1차 격자 기반 학습 데이터별 변수 중요도 탑 10 정보(830) 등을 상기 표시부(130)에 표시한다.
또한, 도 9에 도시된 바와 같이, 상기 제어부(150)는 사용자 선택에 따라 상기 1차 격자 기반 학습 데이터에 포함된 모든 변수들에 대한 변수 중요도(900)를 상기 표시부(130)에 표시할 수도 있다(S350).
이후, 상기 제어부(150)는 상기 측정된(또는 확인된/산출된) 격자 기반 예측률이 미리 설정된 목표 예측률보다 큰지 여부(또는 상기 측정된 격자 기반 예측률이 미리 설정된 목표 예측률 범위 내에 존재하는지 여부)를 판단한다.
일 예로, 상기 제어부(150)는 상기 도 8에 도시된 상기 측정된 1차 격자 기반 예측률(0.0799)이 미리 설정된 목표 예측률(예를 들어 0.085)보다 큰지 여부를 판단한다(S360).
상기 판단 결과, 상기 측정된(또는 확인된/산출된) 격자 기반 예측률이 미리 설정된 목표 예측률보다 작은 경우(또는 상기 측정된 격자 기반 예측률이 미리 설정된 목표 예측률 범위 내에 존재하지 않은 경우), 상기 제어부(150)는 앞서 설정된 격자 기반 학습 데이터에 대해서 각각 산출된 격자 기반 학습 데이터별 변수 중요도를 근거로 변수 중요도가 낮은 미리 설정된 비율에 해당하는 학습 데이터를 상기 격자 기반 학습 데이터에서 제외하여 새로운 격자 기반 학습 데이터를 설정한다.
이때, 상기 제어부(150)는 상기 격자 기반 학습 데이터별로 산출된 변수 중요도를 상기 표시부(130)에 표시하고, 상기 표시부(130)에 표시되는 격자 기반 학습 데이터별로 산출된 변수 중요도에 대해서 사용자 선택에 따른 적어도 하나의 학습 데이터를 새로운 격자 기반 학습 데이터로 설정할 수도 있다.
일 예로, 상기 도 8에 도시된 상기 측정된 격자 기반 예측률(0.0799)이 미리 설정된 목표 예측률(예를 들어 0.085)보다 작을 때, 상기 제어부(150)는 앞서 설정된 50 여개의 항목에 대응하는 1차 격자 기반 학습 데이터 중에서 미리 설정된 비율(예를 들어 전체 10%)에 해당하는 변수 중요도가 낮은 최저 변수 중요도에 대응하는 5개의 학습 데이터를 삭제한 후, 남은 45개의 학습 데이터를 새로운 2차 격자 기반 학습 데이터로 설정한다.
다른 일 예로, 상기 도 8에 도시된 상기 측정된 격자 기반 예측률(0.0799)이 미리 설정된 목표 예측률(예를 들어 0.085)보다 작을 때, 상기 제어부(150)는 상기 도 9에 도시된 상기 격자 기반 학습 데이터에 포함된 모든 변수들에 대한 변수 중요도(900) 중에서 사용자 선택에 따른 적어도 하나의 학습 데이터를 새로운 2차 격자 기반 학습 데이터로 설정한다(S370).
이후, 상기 제어부(150)는 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하고, 새로운 적용 결과인 훈련 테스트의 정확도인 새로운 격자 기반 학습률과 테스트 세트의 정확도인 새로운 격자 기반 예측률을 측정한다.
또한, 상기 제어부(150)는 앞서 설정된 새로운 격자 기반 학습 데이터별로 변수 중요도를 산출한다.
또한, 상기 제어부(150)는 새로운 격자 기반 예측률이 상기 미리 설정된 목표 예측률보다 크거나 같을 때까지(또는 상기 새로운 격자 기반 예측률이 상기 미리 설정된 목표 예측률 범위 내에 존재할 때까지), 새로운 학습 데이터 설정 및 상기 랜덤 포레스트에 의한 기계 학습을 수행하는 과정을 반복 수행한다.
이와 같이, 상기 제어부(150)는 특정 격자 기반 학습 데이터를 기계 학습에 적용한 결과인 격자 기반 예측률이 상기 목표 예측률보다 크거나 같은 경우, 해당 특정 격자 기반 학습 데이터를 최종 격자 기반 학습 데이터로 상기 저장부(120)에 저장한다.
일 예로, 상기 제어부(150)는 상기 새로 설정된 45개의 2차 격자 기반 학습 데이터를 상기 환경 설정이 수행된 랜덤 포레스트에 적용하여, 45개의 학습 데이터에 대한 격자 기반 학습률, 격자 기반 예측률, 격자 기반 학습 데이터별 변수 중요도 탑 10 정보 등을 각각 측정(또는 산출)한다.
또한, 상기 제어부(150)는 상기 측정된 새로운 격자 기반 예측률이 상기 미리 설정된 목표 예측률(예를 들어 0.085)보다 크거나 같을 때까지, 학습 데이터를 새로 설정하고, 새로 설정된 학습 데이터를 기계 학습인 랜덤 포레스트에 적용하는 과정을 반복 수행한다(S380).
또한, 상기 판단 결과, 상기 측정된(또는 확인된/산출된) 격자 기반 예측률이 미리 설정된 목표 예측률보다 크거나 같은 경우(또는 상기 측정된 격자 기반 예측률이 미리 설정된 목표 예측률 범위 내에 존재하는 경우), 상기 제어부(150)는 해당 시점의 최종 학습 데이터인 최종 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 시각화하여 상기 표시부(130)에 표시한다.
또한, 상기 제어부(150)는 현장 실사 등을 통한 사용자 입력값에 따라 해당 시각화하여 표시되는 GIS 입지 데이터에 대한 검증 기능을 수행할 수도 있다.
일 예로, 상기 측정된 격자 기반 예측률(0.088)이 상기 미리 설정된 목표 예측률(예를 들어 0.085)보다 클 때, 도 10에 도시된 바와 같이, 상기 제어부(150)는 앞서 설정된 50 여개의 항목에 대응하는 1차 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 시각화(1000)하여 상기 표시부(130)에 표시한다.
다른 일 예로, 상기 측정된 새로운 격자 기반 예측률(0.087)이 상기 미리 설정된 목표 예측률(예를 들어 0.085)보다 클 때, 도 11에 도시된 바와 같이, 상기 제어부(150)는 앞서 설정된 45 여개의 항목에 대응하는 2차 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 격자별로 시각화(1100)하여 상기 표시부(130)에 표시한다(S390).
본 발명의 실시예는 앞서 설명된 바와 같이, 위치기반 입지 예측 모델 분석이 일회성이 아닌 지속성 분석이 가능하도록 다양한 요인변수를 가공처리하고, 빠르게 변하는 환경에 대응하기 위해 표준 격자 데이터를 정의하고, 다양한 변수 선별을 통해 기계 학습에 적용하여 지리적 위치 기반으로 예측 결과를 바로 확인하여, 빅데이터를 활용하여 GIS와 기계학습 알고리즘 간의 융합을 제공하고, 사용자가 빠르게 빅데이터를 활용할 수 있다.
전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치
110: 통신부 120: 저장부
130: 표시부 140: 음성 출력부
150: 제어부

Claims (8)

  1. GIS 정보를 포함하는 파일을 저장하는 저장부;
    상기 저장부에 저장된 어느 하나의 파일을 로드하고, 상기 로드된 파일 내의 복수의 항목 중에서 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 격자 기반 학습 데이터로 설정하고, 미리 설정된 기계 학습을 위한 학습 모델인 랜덤 포레스트(Random Forest)에 대한 환경 설정 기능을 수행하고, 상기 설정된 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 적용 결과인 훈련 세트의 정확도를 나타내는 격자 기반 학습률, 테스트 세트의 정확도를 나타내는 격자 기반 예측률 및 격자 기반 학습 데이터별로 변수 중요도를 산출하고, 상기 격자 기반 예측률이 미리 설정된 목표 예측률보다 큰지 여부를 판단하고, 상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때, 상기 격자 기반 예측률과 관련한 최종 학습 데이터인 최종 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 시각화하여 표시하는 제어부; 및
    상기 격자 기반 학습률, 상기 격자 기반 예측률 및 상기 격자 기반 학습 데이터별 변수 중요도를 표시하고, 상기 GIS 입지 데이터를 시각화하여 표시하는 표시부를 포함하며,
    상기 제어부는,
    상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 작을 때, 상기 격자 기반 학습 데이터 중에서 일부를 제외하여 새로운 격자 기반 학습 데이터를 설정하고, 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 새로운 적용 결과인 새로운 격자 기반 학습률, 새로운 격자 기반 예측률 및 새로운 격자 기반 학습 데이터별 변수 중요도를 산출하고, 상기 새로운 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때까지 상기 격자 기반 학습 데이터를 새로 설정하고 상기 랜덤 포레스트에 적용하는 과정을 반복 수행하며, 상기 새로운 격자 기반 예측률이 상기 목표 예측률보다 크거나 같은 시점의 새로 설정된 새로운 격자 기반 학습 데이터를 최종 격자 기반 학습 데이터로 저장하고, 상기 저장된 최종 격자 기반 학습 데이터를 근거로 상기 GIS 입지 데이터를 시각화하여 상기 표시부에 표시하는 것을 특징으로 하는 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치.
  2. 제 1 항에 있어서,
    상기 제어부는,
    상기 로드된 파일의 확장자가 미리 설정된 확장자일 때, 상기 로드된 파일 내의 데이터에 대한 유효성을 체크하고, 상기 유효성 체크 결과 상기 로드된 파일의 유효성에 문제가 없는 상태일 때 상기 파일 내에 포함된 복수의 항목을 상기 표시부에 표시하고, 상기 표시부에 표시되는 복수의 항목 중에서 사용자 선택에 따른 상기 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 상기 격자 기반 학습 데이터로 설정하는 것을 특징으로 하는 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 장치.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제어부에 의해, 로드된 파일 내의 복수의 항목 중에서 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 격자 기반 학습 데이터로 설정하는 단계;
    상기 제어부에 의해, 미리 설정된 기계 학습을 위한 학습 모델인 랜덤 포레스트에 대한 환경 설정 기능을 수행하는 단계;
    상기 제어부에 의해, 상기 설정된 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 적용 결과인 훈련 세트의 정확도를 나타내는 격자 기반 학습률, 테스트 세트의 정확도를 나타내는 격자 기반 예측률 및 격자 기반 학습 데이터별로 변수 중요도를 산출하는 단계;
    표시부에 의해, 상기 격자 기반 학습률, 상기 격자 기반 예측률 및 상기 격자 기반 학습 데이터별 변수 중요도를 표시하는 단계;
    상기 제어부에 의해, 상기 격자 기반 예측률이 미리 설정된 목표 예측률보다 큰지 여부를 판단하는 단계;
    상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때, 상기 제어부에 의해, 상기 격자 기반 예측률과 관련한 최종 학습 데이터인 최종 격자 기반 학습 데이터를 근거로 GIS 입지 데이터를 시각화하여 상기 표시부에 표시하는 단계;
    상기 판단 결과, 상기 격자 기반 예측률이 상기 목표 예측률보다 작을 때, 상기 제어부에 의해, 상기 격자 기반 학습 데이터 중에서 일부를 제외하여 새로운 격자 기반 학습 데이터를 설정하는 단계;
    상기 제어부에 의해, 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 환경 설정된 랜덤 포레스트에 적용하여, 새로운 적용 결과인 새로운 격자 기반 학습률, 새로운 격자 기반 예측률 및 새로운 격자 기반 학습 데이터별 변수 중요도를 산출하는 단계;
    상기 제어부에 의해, 상기 새로운 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때까지 상기 격자 기반 학습 데이터를 새로 설정하고 상기 새로 설정된 새로운 격자 기반 학습 데이터를 상기 랜덤 포레스트에 적용하는 과정을 반복 수행하는 단계;
    상기 제어부에 의해, 상기 새로 설정된 격자 기반 예측률이 상기 목표 예측률보다 크거나 같을 때, 최종 시점의 격자 기반 예측률과 관련한 학습 데이터를 최종 격자 기반 학습 데이터로 저장하는 단계; 및
    상기 제어부에 의해, 상기 저장된 최종 격자 기반 학습 데이터를 근거로 상기 GIS 입지 데이터를 시각화하여 상기 표시부에 표시하는 단계를 포함하는 것을 특징으로 하는 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 방법.
  7. 제 6 항에 있어서,
    상기 격자 기반 학습 데이터로 설정하는 단계는,
    상기 제어부에 의해, 저장부에 저장된 상기 파일을 로드하는 과정;
    상기 제어부에 의해, 상기 로드된 파일의 확장자가 미리 설정된 확장자인지 여부를 확인하는 과정;
    상기 제어부에 의해, 상기 확인 결과, 상기 로드된 파일의 확장자가 상기 미리 설정된 확장자일 때, 상기 로드된 파일 내의 데이터에 대한 유효성을 체크하는 과정;
    상기 제어부에 의해, 상기 유효성 체크 결과 상기 로드된 파일의 유효성에 문제가 없는 상태일 때, 상기 파일 내에 포함된 복수의 항목을 상기 표시부에 표시하는 과정; 및
    상기 제어부에 의해, 상기 표시부에 표시되는 복수의 항목 중에서 사용자 선택에 따른 상기 적어도 하나의 항목 및 상기 적어도 하나의 항목에 대응하는 값을 상기 격자 기반 학습 데이터로 설정하는 과정을 포함하는 것을 특징으로 하는 빅데이터 기계 학습을 활용한 위치 기반 입지 예측 분석 방법.
  8. 삭제
KR1020180164542A 2018-12-18 2018-12-18 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법 KR102004948B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180164542A KR102004948B1 (ko) 2018-12-18 2018-12-18 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180164542A KR102004948B1 (ko) 2018-12-18 2018-12-18 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102004948B1 true KR102004948B1 (ko) 2019-07-29

Family

ID=67480591

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180164542A KR102004948B1 (ko) 2018-12-18 2018-12-18 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102004948B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149549B1 (ko) 2020-04-22 2020-09-01 대한민국 쉼터 신규 지정을 위한 공간 시각화 장치 및 그 장치의 구동방법
CN112364756A (zh) * 2020-11-09 2021-02-12 国网安徽省电力有限公司电力科学研究院 一种基于天牛须和随机森林的gis故障分类方法
CN112530569A (zh) * 2019-09-19 2021-03-19 丰田自动车株式会社 信息处理装置、信息处理系统、记录介质以及信息处理方法
KR102373276B1 (ko) * 2021-06-29 2022-03-18 (주)아인스에스엔씨 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법
WO2022131663A1 (en) * 2020-12-18 2022-06-23 Samsung Electronics Co., Ltd. Method for preventing data leakage to machine learning engines available in electronic device
KR102445142B1 (ko) * 2022-05-02 2022-09-20 에쓰오씨소프트(주) 인공지능 및 gis에 기반한 전기차충전소 입지의 분석 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160141872A (ko) * 2009-11-13 2016-12-09 아브 이니티오 테크놀로지 엘엘시 레코드 포맷 정보의 관리
KR101727434B1 (ko) * 2016-08-02 2017-04-26 성균관대학교산학협력단 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160141872A (ko) * 2009-11-13 2016-12-09 아브 이니티오 테크놀로지 엘엘시 레코드 포맷 정보의 관리
KR101727434B1 (ko) * 2016-08-02 2017-04-26 성균관대학교산학협력단 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
‘[EM] 랜덤포레스트(Random Forest) 실습’, 네이버 블로그(2017.02.07. 게재) 1부.* *
옥진아 외 1인. 경기도 주택·부동산 빅데이터 분석 및 활용체계 연구. 정책연구. 경기연구원. 2015년 11월, pp.1-112 (2015.11.) 1부.* *
한국등록특허 제10-1883110호 [명칭: 역세권의 재개발 예측 장치 및 방법]

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530569A (zh) * 2019-09-19 2021-03-19 丰田自动车株式会社 信息处理装置、信息处理系统、记录介质以及信息处理方法
CN112530569B (zh) * 2019-09-19 2024-04-05 丰田自动车株式会社 信息处理装置、信息处理系统、记录介质以及信息处理方法
KR102149549B1 (ko) 2020-04-22 2020-09-01 대한민국 쉼터 신규 지정을 위한 공간 시각화 장치 및 그 장치의 구동방법
CN112364756A (zh) * 2020-11-09 2021-02-12 国网安徽省电力有限公司电力科学研究院 一种基于天牛须和随机森林的gis故障分类方法
CN112364756B (zh) * 2020-11-09 2022-09-06 国网安徽省电力有限公司电力科学研究院 一种基于天牛须和随机森林的gis故障分类方法
WO2022131663A1 (en) * 2020-12-18 2022-06-23 Samsung Electronics Co., Ltd. Method for preventing data leakage to machine learning engines available in electronic device
KR102373276B1 (ko) * 2021-06-29 2022-03-18 (주)아인스에스엔씨 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법
KR102445142B1 (ko) * 2022-05-02 2022-09-20 에쓰오씨소프트(주) 인공지능 및 gis에 기반한 전기차충전소 입지의 분석 방법 및 장치

Similar Documents

Publication Publication Date Title
KR102004948B1 (ko) 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법
Barbour et al. Planning for sustainable cities by estimating building occupancy with mobile phones
US20190371055A1 (en) 3d monitoring server using 3d bim object model and 3d monitoring system comprising it
US9571971B2 (en) Managing crowd sourced data acquisition
US10948304B2 (en) Method and apparatus for creating underground or interior drone routes
JP2018119984A (ja) 自動的に決定された出発点と選択された目的地との間のナビゲーション案内
US20130157684A1 (en) Crowd detection and guidance on mobile devices
JP2017062240A (ja) モバイルデバイスの測位
CN103337221B (zh) 一种室内地图制作方法及室内地图
US10921128B2 (en) Method and apparatus for mapping underground or interior drone routes
KR101741942B1 (ko) 빅데이터 기반 스마트 관광정보 제공 장치 및 방법
KR102164538B1 (ko) 부동산 개발에 관한 정보를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
KR20200005951A (ko) 3차원 bim 객체 모델링 서버 및 이를 포함하는 3차원 bim 객체 모델링 시스템
JP7126112B2 (ja) 通信システム、表示方法、及びプログラム
US20180077523A1 (en) Beacon system, device, and method
CN105009114A (zh) 预测性地呈现搜索能力
US20170228840A1 (en) Method and system for identifying locations for placement of replenishment stations for vehicles
Mahmud et al. State of mobile crowdsourcing applications: A review
CN104464346A (zh) 基于Android的校园智能停车向导分析方法
KR102187365B1 (ko) 자급형 그린에너지 타운하우스 관리 장치 및 그 방법
CN106126628A (zh) 一种公共区域智能信息查询追踪系统及方法
KR20160025698A (ko) 지역 특성을 반영한 지역 정보 제공 장치 및 그 방법
CN111123778B (zh) 监控车辆使用状况的方法、装置及电子设备
JP2021047184A (ja) ナビゲーションに用いられる方法、装置、デバイス、及びコンピュータが読み取り可能な記憶媒体
KR102187364B1 (ko) 공공타운하우스 관리 장치 및 그 방법

Legal Events

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