KR102049049B1 - Method and apparatus for future prediction in Internet of thing - Google Patents

Method and apparatus for future prediction in Internet of thing Download PDF

Info

Publication number
KR102049049B1
KR102049049B1 KR1020170053195A KR20170053195A KR102049049B1 KR 102049049 B1 KR102049049 B1 KR 102049049B1 KR 1020170053195 A KR1020170053195 A KR 1020170053195A KR 20170053195 A KR20170053195 A KR 20170053195A KR 102049049 B1 KR102049049 B1 KR 102049049B1
Authority
KR
South Korea
Prior art keywords
prediction model
iot
object management
data
model
Prior art date
Application number
KR1020170053195A
Other languages
Korean (ko)
Other versions
KR20180027995A (en
Inventor
김지용
강동오
민옥기
박준용
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Publication of KR20180027995A publication Critical patent/KR20180027995A/en
Application granted granted Critical
Publication of KR102049049B1 publication Critical patent/KR102049049B1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/16—

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

사물 인터넷(Internet of Thing, IoT) 환경에서의 미래 예측 방법 및 장치가 제공된다. IoT 객체 관리 장치는, 다수의 IoT 객체로부터 수집되는 데이터를, 상위 서버에 의해 도출된 제1 예측 모델에 적용시키고, 제1 예측 모델의 적용에 따라 나온 결과값을 토대로 제1 예측 모델을 평가한다. 평가 결과의 오차가 미리 설정된 범위를 초과하는 경우, IoT 객체 관리 장치는 제2 예측 모델을 도출하고, 제1 예측 모델과 제2 예측 모델을 토대로 최종적으로 적용할 제3 예측 모델을 결정한다. A method and apparatus for predicting the future in an Internet of Thing (IoT) environment are provided. The IoT object management apparatus applies data collected from a plurality of IoT objects to a first prediction model derived by a higher server, and evaluates the first prediction model based on a result obtained by applying the first prediction model. . If the error of the evaluation result exceeds the preset range, the IoT object management apparatus derives the second prediction model and determines the third prediction model to be finally applied based on the first prediction model and the second prediction model.

Description

사물 인터넷 환경에서의 미래 예측 방법 및 장치{Method and apparatus for future prediction in Internet of thing}Method and apparatus for future prediction in Internet of Things environment

본 발명은 사물 인터넷 환경에서의 미래 예측 방법 및 장치에 관한 것이다. The present invention relates to a method and apparatus for predicting the future in an IoT environment.

최근 센서 네트워크와 유비쿼터스 컴퓨팅(Ubiquitous Computing) 기술의 발달로 인하여 IoT(Internet of Things, 사물 인터넷), 즉 인터넷을 기반으로 모든 사물들을 연결하여 사람과 사물, 사물과 사물 간의 상호 소통을 가능하게 하는 지능형 기술 및 서비스의 시대로 진입하고 있다. IoT는 문화, 생활, 건강, 교육, 교통 등 여러 분야에서 새로운 서비스로 창출되고 있으며 향후에도 다양한 영역의 사회 문제를 해결하기 위한 중요한 기술 분야로서 더욱 발전할 것이다. 또한, 가정, 자동차, 사무실 등의 일상생활에서뿐만 아니라 의료, 화학, 원자력 등의 특수한 환경에서 사용자 지원을 가능하게 함으로써 지금까지 불가능했던 다양한 서비스를 제공하게 되어 새로운 가치를 창출할 수 있을 것으로 예측된다.Due to the recent development of sensor networks and ubiquitous computing technologies, the intelligent connection that connects all things based on the Internet of Things (IoT), that is, the Internet, enables people to communicate with each other. It is entering the age of technology and services. IoT is being created as a new service in various fields such as culture, life, health, education and transportation, and will continue to develop as an important technology field for solving various social problems in the future. In addition, by enabling the user support in special environments such as medical, chemical, and nuclear power as well as in everyday life such as homes, cars, offices, etc., it is expected that new services can be created by providing various services that have been impossible.

IoT 환경에서는 정확한 정보의 전달을 위하여 사용자의 상황에 따라 수집된 정보를 추론하여 새로운 정보, 즉 상황정보를 생성하는 것이 중요하다. 이를 위해, IoT 환경에서 센서들이 주변 환경 정보 등을 센싱하여 실시간으로 데이터가 축적되고 관리되며, 축적된 데이터를 토대로 미래 예측 모델을 도출한다. In the IoT environment, it is important to infer collected information according to a user's situation and generate new information, that is, situation information, for accurate delivery of information. To this end, in the IoT environment, sensors sense surrounding environment information, and data is accumulated and managed in real time, and a future prediction model is derived based on the accumulated data.

미래 예측 방법으로 선형 회귀 분석(linear regression analysis)이 사용되는데, 선형 회귀 분석은 그 모델이 단순하여 다양한 적용 도메인에서 미래 예측 방법으로 많이 사용되고 있다. 그러나 선형 회귀 분석의 단순성으로 인해, 빠르게 변하는 환경에서는 예측 오차가 커지는 경향이 있다. 특히, IoT 환경에서처럼 센서가 실시간으로 데이터가 축적되고 관리되는 경우, 일정기간 데이터 축적 후 선형 회귀 분석을 토대로 한 배치 분석을 통해 획득한 모델만으로는, 효율적인 미래예측이 불가능하다.Linear regression analysis is used as a future prediction method. Since linear regression analysis is a simple model, it is widely used as a future prediction method in various application domains. However, due to the simplicity of linear regression analysis, prediction errors tend to be large in fast-changing environments. In particular, when sensors accumulate and manage data in real time as in the IoT environment, efficient future prediction is impossible only with models obtained through batch analysis based on linear regression analysis after accumulating data for a certain period of time.

본 발명이 해결하고자 하는 과제는 IoT 환경에서 효율적으로 미래 예측 모델을 도출할 수 있는 미래 예측 방법 및 장치를 제공하는 것이다. The problem to be solved by the present invention is to provide a future prediction method and apparatus that can efficiently derive a future prediction model in the IoT environment.

본 발명의 특징에 따른 방법은, 사물 인터넷(Internet of Thing, IoT) 환경에서의 미래 예측 방법으로서, IoT 객체 관리 장치가, 다수의 IoT 객체로부터 수집되는 데이터를, 상위 서버에 의해 도출된 제1 예측 모델에 적용시키는 단계; 상기 IoT 객체 관리 장치가, 상기 제1 예측 모델의 적용에 따라 나온 결과값을 토대로 상기 제1 예측 모델을 평가하는 단계; 상기 평가 결과의 오차가 미리 설정된 범위를 초과하는 경우, 상기 IoT 객체 관리 장치가, 상기 다수의 IoT 객체로부터 수집되는 데이터를 토대로 제2 예측 모델을 도출하는 단계; 및 상기 IoT 객체 관리 장치가, 상기 제1 예측 모델과 상기 제2 예측 모델을 토대로 최종적으로 적용할 제3 예측 모델을 결정하는 단계를 포함한다. The method according to an aspect of the present invention is a future prediction method in the Internet of Thing (IoT) environment, the IoT object management device, the first data derived by the higher-level server, the data collected from a plurality of IoT objects Applying to a prediction model; Evaluating, by the IoT object management apparatus, the first predictive model based on a result obtained by applying the first predictive model; If the error of the evaluation result exceeds a preset range, deriving, by the IoT object management apparatus, a second prediction model based on data collected from the plurality of IoT objects; And determining, by the IoT object management apparatus, a third prediction model to be finally applied based on the first prediction model and the second prediction model.

본 발명의 실시 예에 따르면, 선형 회귀 분석 등을 이용한 미래예측에서 빠르게 변화하는 환경에서 지역적 특성을 반영한 예측 모델 적용이 가능하다. 특히, 본 발명의 실시 예는 실시간으로 데이터를 수신하는 IoT 환경에 효과적으로 적용할 수 있다. 새로운 예측 모델 도출시, 동적으로 학습이 일어나지만 상대적으로 적은 데이터만을 대상으로 하기 때문에 리소스(resource) 낭비가 없다. According to an embodiment of the present invention, it is possible to apply a predictive model that reflects regional characteristics in a rapidly changing environment in future prediction using linear regression analysis. In particular, the embodiment of the present invention can be effectively applied to the IoT environment for receiving data in real time. When a new predictive model is derived, learning occurs dynamically, but there is no resource waste because it only targets relatively little data.

또한, 가중치 계수를 사용하여 과거 예측모델과 새로 도출된 예측모델을 모두 고려하여, 최종적으로 적용할 예측 모델을 만들어 낼 수 있다. In addition, the weighting coefficient may be used to generate a prediction model to be finally applied by considering both the previous prediction model and the newly derived prediction model.

도 1은 본 발명의 제1 실시 예에 따른 데이터를 수집하고 분석하는 IoT 환경을 나타낸 도이다.
도 2는 본 발명의 제2 실시 예에 따른 데이터를 수집하고 분석하는 IoT 환경을 나타낸 도이다.
도 3은 본 발명의 실시 예에 따른 선형 회귀 분석을 통한 미래 예측 과정을 나타낸 도이다.
도 4는 본 발명의 실시 예에 따른 선형 회귀 분석 그래프를 나타낸 예시도이다.
도 5는 본 발명의 실시 예에 따른 가중치를 이용한 동적 예측 모델 도출을 나타낸 예시도이다.
도 6은 본 발명의 실시 예에 따른 미래 예측 방법의 흐름도이다.
도 7은 본 발명의 실시 예에 따른 미래 예측 장치의 구조도이다. 1 is a diagram illustrating an IoT environment for collecting and analyzing data according to a first embodiment of the present invention.
2 is a diagram illustrating an IoT environment for collecting and analyzing data according to a second embodiment of the present invention.
3 is a diagram illustrating a future prediction process through linear regression analysis according to an embodiment of the present invention.
4 is an exemplary view showing a linear regression analysis graph according to an embodiment of the present invention.
5 is an exemplary diagram illustrating derivation of a dynamic prediction model using weights according to an embodiment of the present invention.
6 is a flowchart of a future prediction method according to an embodiment of the present invention.
7 is a structural diagram of a future prediction apparatus according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art may easily implement the present invention. As those skilled in the art would realize, the described embodiments may be modified in various different ways, all without departing from the spirit or scope of the present invention. In the drawings, parts irrelevant to the description are omitted in order to clearly describe the present invention, and like reference numerals designate like parts throughout the specification.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. Throughout the specification, when a part is said to "include" a certain component, it means that it can further include other components, except to exclude other components unless specifically stated otherwise.

또한, 본 발명의 실시 예에서 사용되는 제1, 제2 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 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.In addition, terms including ordinal numbers such as first and second used in embodiments of the present invention may be used to describe components, but the components should not be limited by the terms. The terms are used only to distinguish one component from another. For example, without departing from the scope of the present invention, the first component may be referred to as the second component, and similarly, the second component may also be referred to as the first component.

이하, 본 발명의 실시 예에 따른 미래 예측 방법 및 장치에 대하여 설명한다. Hereinafter, a method and apparatus for predicting the future according to an embodiment of the present invention will be described.

도 1은 본 발명의 제1 실시 예에 따른 데이터를 수집하고 분석하는 IoT 환경을 나타낸 도이다. 1 is a diagram illustrating an IoT environment for collecting and analyzing data according to a first embodiment of the present invention.

첨부한 도 1에서와 같이, 다수의 IoT(Internet of Thing) 객체(11, 12, 13, …, 설명의 편의상 대표 번호 "1"을 부여함)들로부터 수집된 데이터는 IoT 게이트웨이(IoT GW)(21, 23, 22, 설명의 편의상 "2"를 부여함)를 거쳐 분석 서버(3)로 전달된다. 분석 서버(3)는 각 IoT 게이트웨이(2)로부터 전달되는 데이터를 DB(Data base, 31)에 저장한다. DB(31)는 하둡(Hadoop)이나 기타 다른 빅데이터(Big data) 저장 관리 장치일 수 있다. As shown in FIG. 1, data collected from a plurality of Internet of Thing objects 11, 12, 13,..., For convenience of description are assigned a representative number “1”. The IoT gateway (IoT GW) (21, 23, 22, "2" is provided for convenience of explanation) and is sent to the analysis server (3). The analysis server 3 stores data transmitted from each IoT gateway 2 in a DB (Data base, 31). The DB 31 may be a Hadoop or other big data storage management device.

분석 서버(3)는 DB(31)(또는 빅데이터 저장 관리 장치 등)에 소정 기간 동안 축적되어 있는 데이터를 학습하여 예측 모델을 도출한다. 예를 들어, IoT 환경에서 IoT 객체인 디바이스(device)에서 생성되는 빅데이터로부터 정상 패턴을 학습하고 이를 기반으로 불량, 오작동과 같은 이상 징후에 대해 예측하여, 제품 불량을 예측할 수 있는 예측 모델을 도출할 수 있다. 예측 모델 도출시, 선형 회귀 분석 방법을 이용한다. The analysis server 3 derives a prediction model by learning the data accumulated in the DB 31 (or big data storage management apparatus, etc.) for a predetermined period. For example, we derive a predictive model that can predict product defects by learning normal patterns from big data generated from devices that are IoT objects in the IoT environment and predicting abnormal symptoms such as defects and malfunctions based on them. can do. Linear regression analysis is used to generate predictive models.

분석 서버(3)에 의해 도출된 예측 모델은 IoT 객체 관리 영역별로 적용된다. 여기서, IoT 객체 관리 영역은 예측 모델이 적용되는 IoT 객체들을 포함하는 영역을 나타낸다. IoT 객체 관리 영역을 제어하고 관리하는 장치를 설명의 편의상 "IoT 객체 관리 장치"라고 명명할 수 있다. The prediction model derived by the analysis server 3 is applied for each IoT object management area. Here, the IoT object management area represents an area including IoT objects to which the prediction model is applied. A device for controlling and managing an IoT object management area may be referred to as an "IoT object management device" for convenience of description.

본 발명의 제1 실시 예에서, IoT 객체 관리 영역은 하나의 IoT 게이트웨이에 의해 관리되는 IoT 객체들의 영역을 나타내고, IoT 게이트웨이(2)가 IoT 객체 관리 장치로서 기능한다. In the first embodiment of the present invention, the IoT object management area represents an area of IoT objects managed by one IoT gateway, and the IoT gateway 2 functions as an IoT object management device.

분석 서버(3)에 의해 도출된 예측 모델은 각 IoT 게이트웨이(2)로 전달되어, IoT 게이트웨이(2)가 해당 지역(즉, IoT 객체 관리 영역)을 제어 및 관리하는데 사용될 수 있다. 예를 들어, IoT 게이트웨이(2)가 예측 모델을 토대로, IoT 객체(1)에서 생성된 데이터를 입력 변수로 적용하여 미래를 예측하고, 예측된 상황을 바탕으로 시스템을 제어하고 관리한다.The predictive model derived by the analysis server 3 can be delivered to each IoT gateway 2 so that the IoT gateway 2 can be used to control and manage the area (ie IoT object management area). For example, the IoT gateway 2 predicts the future by applying data generated in the IoT object 1 as an input variable based on the predictive model, and controls and manages the system based on the predicted situation.

도 2는 본 발명의 제2 실시 예에 따른 데이터를 수집하고 분석하는 IoT 환경을 나타낸 도이다. 2 is a diagram illustrating an IoT environment for collecting and analyzing data according to a second embodiment of the present invention.

본 발명의 제2 실시 예에서, 분석 서버(3)는 제1 실시 예와 같이, IoT 객체(1)들로부터 수집된 데이터를 토대로 데이터를 학습하여 예측 모델을 도출한다. 다만, 제1 실시 예와는 달리, IoT 객체들(1)로부터 수집된 데이터들이 IoT 게이트웨이(2)를 거친 다음에, 지역 서버(41, …, 4N, 설명의 편의상 대표 번호 "4"를 부여함)를 통해 분석 서버(3)로 전달된다. 지역 서버(4)는 다수의 IoT 게이트웨이(2)를 통하여 전달되는 데이터를 수집하여 분석 서버(3)로 전달하며, 분석 서버(3)는 다수의 지역 서버들로부터 IoT 객체(1)에 의해 수집된 데이터를 전달받을 수 있다. In the second embodiment of the present invention, the analysis server 3, like the first embodiment, learns data based on data collected from IoT objects 1 to derive a prediction model. However, unlike the first embodiment, after the data collected from the IoT objects 1 pass through the IoT gateway 2, the local servers 41,..., 4N, and representative numbers “4” are provided for convenience of description. It is delivered to the analysis server (3). The local server 4 collects data delivered through the plurality of IoT gateways 2 and delivers the data to the analysis server 3, which is collected by the IoT object 1 from the plurality of local servers. Data can be delivered.

본 발명의 제2 실시 예에서, IoT 객체 관리 영역은 하나의 지역 서버를 통해 다수의 IoT 게이트웨이에 의해 관리되는 IoT 객체들의 영역을 나타내며, 지역 서버(4)가 IoT 객체 관리 장치로서 기능한다. In the second embodiment of the present invention, the IoT object management area represents an area of IoT objects managed by a plurality of IoT gateways through one local server, and the local server 4 functions as an IoT object management device.

분석 서버(3)에 의해 도출된 예측 모델은 각 지역 서버(4)를 통해 다수의 IoT 게이트웨이(2)로 전달되며, 지역 서버(4)가 해당 지역(즉, IoT 객체 관리 영역)을 제어 및 관리하는데 사용될 수 있다. 예를 들어, 지역 서버(4)에 의해 관리되는 하나의 IoT 게이트웨이(2)가 예측 모델을 토대로, IoT 객체(1)에서 생성된 데이터를 입력 변수로 적용하여 미래를 예측하고, 예측된 상황을 바탕으로 시스템을 제어하고 관리한다.The predictive model derived by the analysis server 3 is passed to each of the plurality of IoT gateways 2 through each regional server 4, and the regional server 4 controls and controls the corresponding region (i.e., IoT object management area). Can be used to manage For example, one IoT gateway 2 managed by the local server 4 applies the data generated from the IoT object 1 as an input variable based on a prediction model to predict the future, and predicts the predicted situation. Control and manage your system based on

위에 기술된 제1 실시 예의 소규모의 IoT 환경 또는 제2 실시 예의 대규모의 IoT 환경 등에서, 데이터가 실시간으로 수집되고 축적되는 IoT 환경의 특성을 고려한 효율적인 미래 예측을 이루어지도록, 분석 서버에 의해 도출된 예측 모델만을 고정적으로 사용하지 않고, IoT 객체 관리 영역별로 예측 모델이 동적으로 변경 가능하게 사용된다. 즉, IoT 객체 관리 영역별로 미니 배치 분석을 통해 현재 환경에 적합한 예측 모델을 도출하고, 이를 선택적으로 적용한다. In the small-scale IoT environment of the first embodiment described above or the large-scale IoT environment of the second embodiment described above, the prediction derived by the analysis server to make an efficient future prediction considering the characteristics of the IoT environment in which data is collected and accumulated in real time. Instead of fixedly using only the model, the predictive model is dynamically used for each IoT object management area. In other words, through the mini-batch analysis for each IoT object management area, a prediction model suitable for the current environment is derived and selectively applied.

도 3은 본 발명의 실시 예에 따른 선형 회귀 분석을 통한 미래 예측 과정을 나타낸 도이다. 3 is a diagram illustrating a future prediction process through linear regression analysis according to an embodiment of the present invention.

분석 서버(3)가 DB(31)에 축적된 데이터를 토대로 선형 회귀 분석을 통하여 예측 모델을 도출하며, 도출된 예측 모델이 IoT 객체 관리 영역을 제어하고 관리하는 IoT 객체 관리 장치(IoT 게이트웨이 또는 지역 서버)(여기서는 설명의 편의상 "20"를 부여함)로 전달된다. IoT 객체 관리 장치(20)는 예측 모델을 평가하고, 평가 결과에 따라 새로운 모델을 도출하여 예측 모델을 선택적으로 갱신한다. The analysis server 3 derives a predictive model through linear regression analysis based on the data accumulated in the DB 31, and the IoT predictor model (IoT gateway or region) in which the derived predictive model controls and manages the IoT object management area. Server) (herein, "20" for convenience of explanation). The IoT object management apparatus 20 evaluates the prediction model, and selectively updates the prediction model by deriving a new model according to the evaluation result.

구체적으로, IoT 객체 관리 장치(20)는 자체적으로 보유한 저장 장치인 DB(201)에 저장된 데이터를 토대로 예측 모델을 평가한다. IoT 객체 관리 영역에 포함되는 IoT 객체(1)들로부터 실시간으로 전달되는 데이터들이 IoT 객체 관리 장치(20)의 DB(IoT 게이트웨이의 DB 또는 지역 서버의 DB)(201)에 저장되며, 이러한 데이터들의 환경 변수로 사용되어 예측 모델에 적용된다. 데이터를 예측 모델에 적용시켜 나온 결과값들을 토대로 예측 모델을 평가한다. 이때, 사용되는 데이터는 위에서와 같이, IoT 객체 관리 장치(20)에 저장된 단기 데이터이다. 예측 모델을 평가할 때나 학습할 때, 정해져 있는 기간 동안에 수집된 데이터를 사용하며, 이를 위해 적용되는 윈도우(window)의 사이즈가 적용 도메인(domain)마다 각각 다를 수 있다. Specifically, the IoT object management apparatus 20 evaluates the prediction model based on data stored in the DB 201 which is a storage device owned by the IoT object management apparatus 20. Data transmitted in real time from the IoT objects 1 included in the IoT object management area are stored in a DB (DB of an IoT gateway or DB of a local server) 201 of the IoT object management apparatus 20, Used as an environment variable to apply to a predictive model. Evaluate the predictive model based on the results of applying the data to the predictive model. In this case, the data used is short-term data stored in the IoT object management apparatus 20 as described above. When evaluating or training the predictive model, data collected during a predetermined period of time is used, and the size of a window applied for this may be different for each applied domain.

평가 결과에 따른 오차가 커지면 즉, 오차가 미리 설정된 허용 범위를 초과하는 경우, IoT 객체 관리 장치(20)는 자체 DB(201)에 저장된 데이터를 토대로 학습을 수행하여 새로운 모델을 도출한다. 새로운 모델은 기존 예측 모델(즉, 평가에 사용된 예측 모델로서, 분석 서버로부터 전달된 예측 모델일 수 있음)과의 통합을 토대로 도출될 수 있으며, 또는 기존 예측 모델과는 상관없이 IoT 객체 관리 영역에서 소정 기간 동안 축적된 데이터를 토대로 도출된 예측 모델일 수 있다. 새로이 도출된 모델을 이용하여 현재 사용되는 예측 모델을 선택적으로 갱신한다. If the error according to the evaluation result is large, that is, if the error exceeds a preset allowable range, the IoT object management apparatus 20 derives a new model by performing training based on data stored in its DB 201. The new model can be derived based on integration with existing predictive models (i.e., predictive models used for evaluation, which can be predictive models delivered from the analytics server), or in the IoT object management domain regardless of existing predictive models. May be a predictive model derived based on data accumulated for a predetermined period of time. The newly derived model is used to selectively update the currently used prediction model.

현재 예측 모델을 수정해야 하는 기준으로 사용되는 허용 범위에 따른 문턱값(threshold)은 적용되는 시스템별로 가변적으로 설정될 수 있다. 예를 들어, 선형 회귀의 표준오차(RMSE(Root mean square error)를 구하고, 구해진 표준오차를 기준으로 양쪽으로 벗어나는 데이터가 지정된 비율을 넘는 경우, 해당 오차가 허용 범위를 초과하는 것으로 판단할 수 있다. A threshold according to an allowable range used as a criterion for modifying a current prediction model may be set variably for each applied system. For example, if the root mean square error (RMSE) of linear regression is obtained, and the data deviating from both sides based on the obtained standard error exceeds a specified ratio, it may be determined that the error exceeds the allowable range. .

도 4는 본 발명의 실시 예에 따른 선형 회귀 분석 그래프를 나타낸 예시도이다. 4 is an exemplary view showing a linear regression analysis graph according to an embodiment of the present invention.

첨부한 도 4에서, "o"로 표시된 데이터 분포는 분석 서버에 저장되어 있는 데이터를 나타내고, M1은 이러한 데이터를 학습하여 획득된 예측 모델을 나타낸다. "x"는 예측 모델 M1을 적용한 IoT 객체 관리 장치(IoT 게이트웨이 또는 지역 서버)에서 IoT 객체로부터 수집한 데이터를 나타낸다. M2는 예측 모델 M1을 적용했을 때 오차가 미리 설정된 허용 범위를 초과하는 경우, "x"의 데이터를 훈련하여 도출한 예측 모델을 나타낸다.In the accompanying FIG. 4, the data distribution indicated by "o" represents data stored in the analysis server, and M1 represents a prediction model obtained by learning such data. "x" represents data collected from an IoT object in an IoT object management apparatus (IoT gateway or local server) to which the prediction model M1 is applied. M2 represents a prediction model derived by training data of "x" when the error exceeds the preset allowable range when the prediction model M1 is applied.

과거의 훈련 데이터와 그것으로 도출된 예측모델 M1을 완전 무시하고 예측 모델 M2를 사용하는 것은 위험성이 크다. 왜냐하면, 방금 훈련한 데이터 세트(set)은 애초에 훈련한 데이터 세트보다 매우 작고 짧은 기간에만 일어나는 특별한 상황일 수 있기 때문이다. 그러므로 본 발명의 실시 예에서는 보다 정확한 예측을 위해, 두 예측 모델 사이의 적당한 예측 모델이 존재할 것이라는 것을 토대로, 최종적으로 적용할 예측 모델 M3를 도출한다. 과거의 훈련 데이터를 토대로 도출된 예측 모델 M1과 현재의 훈련 데이터를 토대로 도출된 예측 모델 M2 중에서, 어느 쪽 예측 모델에 비중을 두느냐에 따라, 최종적으로 적용할 예측 모델 M3는 예측 모델 M1에 가까울 수 있고, 아니면 예측 모델 M2에 가까울 수 있다. It is dangerous to use the predictive model M2 completely disregarding past training data and the predictive model M1 derived from it. This is because the data set you just trained can be a special situation that occurs much smaller and in a shorter time than the data set you originally trained. Therefore, the embodiment of the present invention derives the prediction model M3 to be finally applied based on the existence of a suitable prediction model between the two prediction models for more accurate prediction. Of the predictive model M1 derived from past training data and the predictive model M2 derived from current training data, the predictive model M3 to be applied may be close to the predictive model M1 depending on which predictive model is weighted. Or close to predictive model M2.

본 발명의 실시 예에서는 가중치(weight)를 이용하여 최종적으로 적용할 예측 모델을 도출한다. In an embodiment of the present invention, a prediction model to be finally applied is derived by using a weight.

도 5는 본 발명의 실시 예에 따른 가중치를 이용한 동적 예측 모델 도출을 나타낸 예시도이다. 5 is an exemplary diagram illustrating derivation of a dynamic prediction model using weights according to an embodiment of the present invention.

본 발명의 실시 예에서는 가중치를 사용하여 각각의 예측 모델의 중요도를 분배하는 방법을 제시한다. 첨부한 도 5에서, f(x)는 과거 훈련 데이터를 토대로 도출된 예측 모델 M1을 나타내며, g(x)는 IoT 객체 관리 장치에서 소정 기간 동안의 데이터를 훈련하여 새로 도출된 예측모델 M2를 나타낸다. 여기서, 가중치 w0, w1을 사용하여 최종적으로 적용할 예측모델 h(x)를 도출한다. 예측 모델 h(x)는 다음과 같이 도출될 수 있다. An embodiment of the present invention proposes a method for distributing importance of each prediction model using weights. In FIG. 5, f (x) represents a predictive model M1 derived based on past training data, and g (x) represents a newly derived predictive model M2 by training data for a predetermined period of time in an IoT object management apparatus. . Here, the weights w 0 and w 1 are used to derive the predictive model h (x) to be finally applied. The predictive model h (x) can be derived as follows.

Figure 112017040613556-pat00001
Figure 112017040613556-pat00001

여기서, w0=0이면 이는 매번 새로 도출된 예측 모델을 사용한다는 것을 나타내며, w1=0이면 이는 현재 상황을 특수 상황으로 보고 분석 서버에서 제공한 예측 모델을 그대로 사용한다는 것을 나타낸다. 마찬가지로 적용 도메인에 따라 가중치 w0, w1를 적절하게 선택할 수 있다. Here, w 0 = 0 indicates that a newly derived prediction model is used each time, and w 1 = 0 indicates that the current situation is reported as a special situation and the prediction model provided by the analysis server is used as it is. Similarly, the weights w 0 and w 1 may be appropriately selected according to the application domain.

본 발명의 실시 예에서는 단순 회귀 분석을 통한 미래 예측을 실례로 들었으나 다중 회귀 분석을 통한 미래 예측에서도 동일하게 적용될 수 있다. 이러한 본 발명의 실시 예에 따르면, 분석 서버가 아닌, IoT 게이트웨이나 지역 서버 등의 IoT 객체 관리 장치에서 동적으로 미래 예측 모델을 교정할 수 있으며, 이를 통해 선형회귀를 통한 미래 예측이 좀 더 효과적이며 유연해진다.In the exemplary embodiment of the present invention, the future prediction through the simple regression analysis is exemplified, but the same may be applied to the future prediction through the multiple regression analysis. According to this embodiment of the present invention, it is possible to dynamically calibrate the future prediction model in the IoT object management device, such as IoT gateway or regional server, rather than the analysis server, so that the future prediction through linear regression is more effective Be flexible

도 6은 본 발명의 실시 예에 따른 미래 예측 방법의 흐름도이다. 6 is a flowchart of a future prediction method according to an embodiment of the present invention.

첨부한 도 6에 도시되어 있듯이, 분석 서버에 의한 예측 모델 도출이 수행된다(S100). 분석 서버에서 일어나는 예측 모델 도출은 중장기에 걸쳐 일어난다. 매번 새로운 모델을 만들기 위해 학습하는 것이 아니라, 일정 기간 데이터를 충분히 수집한 후 배치 분석을 하는 것이다. 분석 서버는 제1 기간 동안 IoT 객체 관리 장치를 통하여 전달되는 데이터를 수집하여 저장하고, 제1 기간 동안 수집 저장된 데이터를 학습하여 예측 모델을 도출한다.As shown in FIG. 6, a prediction model derivation by the analysis server is performed (S100). Predictive model derivation that takes place in the analysis server occurs in the medium to long term. Rather than training to create a new model every time, you do a batch analysis after collecting enough data for a period of time. The analysis server collects and stores data transmitted through the IoT object management apparatus during the first period, and derives a prediction model by learning the collected and stored data during the first period.

분석 서버는 도출된 예측 모델을 IoT 객체 관리 장치로 전달하며(S110), IoT 객체 관리 장치는 예측 모델을 토대로 IoT 객체들로부터 수집되는 데이터를 이용하여 미래 예측을 하고, 예측된 상황에 따라 시스템을 제어하고 관리한다(S120, S130). 예를 들어, IoT 객체 관리 장치인 IoT 게이트웨이는 분석 서버로부터 전달된 예측 모델을 토대로 각 IoT 객체로부터 실시간으로 수집되는 데이터를 이용하여 미래 예측을 하고, 예측된 상황에 따라 시스템(도시하지 않음, 예를 들어, 을 제어하고 관리한다. 또는, IoT 객체 관리 장치인 지역 서버는 각 IoT 게이트웨이 서버로부터 실시간으로 전달되는 IoT 객체들의 데이터를 예측 모델에 적용시켜 미래 예측을 하고, 예측된 상황에 따라 시스템을 제어하고 관리한다. The analysis server delivers the derived prediction model to the IoT object management device (S110), and the IoT object management device makes a future prediction using data collected from the IoT objects based on the prediction model, and performs a system according to the predicted situation. Control and manage (S120, S130). For example, the IoT gateway, which is an IoT object management device, makes a future prediction using data collected in real time from each IoT object based on a prediction model transmitted from an analysis server, and according to a predicted situation, a system (not shown, eg, For example, the local server, which is an IoT object management device, applies data of IoT objects delivered in real time from each IoT gateway server to a prediction model to make a future prediction, and then, based on the predicted situation, Control and manage

한편, IoT 객체 관리 장치는 제2 기간 동안에 예측 모델 평가를 수행한다(S140). IoT 객체 관리 장치는 IoT 객체들로부터 수집되는 예측 모델에 적용시켜 나온 결과값들을 토대로 예측 모델을 평가하며, 제2 기간 동안에 획득되는 결과값들을 토대로 예측 모델을 평가한다. 여기서, 제2 기간은 제1 기간보다 짧은 기간이다. Meanwhile, the IoT object management apparatus performs predictive model evaluation during the second period (S140). The IoT object management apparatus evaluates the prediction model based on the result values applied to the prediction model collected from the IoT objects, and evaluates the prediction model based on the result values obtained during the second period. Here, the second period is shorter than the first period.

이후, IoT 객체 관리 장치는 평가 결과를 토대하여 소정 조건이 만족되는 경우, 예를 들어, 평가 결과에 따른 오차가 미리 설정된 범위를 초과하는 경우, 새로운 예측 모델을 도출한다(S150). 예를 들어, 제2 기간 또는 제2 기간 이후의 소정 기간 동안에 획득된 IoT 객체들로부터 수집된 데이터를 학습하여 새로운 예측 모델을 도출한다. Thereafter, the IoT object management apparatus derives a new prediction model when a predetermined condition is satisfied based on the evaluation result, for example, when an error according to the evaluation result exceeds a preset range (S150). For example, a new prediction model is derived by learning data collected from IoT objects acquired during a second period or a predetermined period after the second period.

IoT 객체 관리 장치는 가중치를 토대로 이전 예측 모델과 새로운 예측 모델을 고려하여, 최종적으로 적용될 예측 모델을 결정한다(S160). 이후, 최종적으로 결정된 예측 모델을 토대로, 이후 수집되는 데이터를 토대로 한 미래 예측을 수행한다(S170). The IoT object management apparatus determines a prediction model to be finally applied in consideration of the previous prediction model and the new prediction model based on the weight (S160). Thereafter, based on the finally determined prediction model, the future prediction based on the data collected thereafter is performed (S170).

도 7은 본 발명의 실시 예에 따른 미래 예측 장치의 구조도이다. 7 is a structural diagram of a future prediction apparatus according to an embodiment of the present invention.

첨부한 도 7에 도시되어 있듯이, 본 발명의 실시 예에 따른 미래 예측 장치(100)는, 프로세서(110), 메모리(120) 및 입출력부(130)를 포함한다. 프로세서(110)는 위의 도 1 내지 도 6을 토대로 설명한 방법들을 구현하도록 구성될 수 있다. As shown in FIG. 7, the future prediction apparatus 100 according to the embodiment of the present invention includes a processor 110, a memory 120, and an input / output unit 130. The processor 110 may be configured to implement the methods described with reference to FIGS. 1 through 6 above.

메모리(120)는 프로세서(110)와 연결되고 프로세서(110)의 동작과 관련한 다양한 정보를 저장한다. 메모리(120)는 프로세서(110)에서 수행하기 위한 동작을 위한 명령어(instructions)를 저장하고 있거나 저장 장치(도시하지 않음)로부터 명령어를 로드하여 일시 저장할 수 있다. The memory 120 is connected to the processor 110 and stores various information related to the operation of the processor 110. The memory 120 may store instructions for an operation to be performed by the processor 110 or temporarily load the instructions from a storage device (not shown).

프로세서(110)는 메모리(120)에 저장되어 있거나 로드된 명령어를 실행할 수 있다. 프로세서(110)와 메모리(120)는 버스(도시하지 않음)를 통해 서로 연결되어 있으며, 버스에는 입출력 인터페이스(도시하지 않음)도 연결되어 있을 수 있다. The processor 110 may execute instructions stored or loaded in the memory 120. The processor 110 and the memory 120 may be connected to each other through a bus (not shown), and an input / output interface (not shown) may also be connected to the bus.

입출력부(130)는 프로세서(110)의 처리 결과를 출력하거나, IoT 객체들로부터 수집된 데이터를 입력받아 프로세서(110)로 제공하도록 구성된다. The input / output unit 130 is configured to output a processing result of the processor 110 or receive data collected from IoT objects and provide the received data to the processor 110.

이러한 구조로 이루어지는 미래 예측 장치(100)는 IoT 게이트웨이 또는 지역 서버에 설치되는 형태로 구현될 수 있다. The future prediction apparatus 100 having such a structure may be implemented in a form installed in an IoT gateway or a local server.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.An embodiment of the present invention is not implemented only through the above-described apparatus and / or method, but may be implemented through a program for realizing a function corresponding to the configuration of the embodiment of the present invention, a recording medium on which the program is recorded, and the like. Such implementations may be readily implemented by those skilled in the art from the description of the above-described embodiments.

이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements of those skilled in the art using the basic concepts of the present invention defined in the following claims are also provided. It belongs to the scope of rights.

Claims (10)

사물 인터넷(Internet of Thing, IoT) 환경에서의 미래 예측 방법으로서,
하나의 객체 관리 영역에 대응하는 IoT 객체 관리 장치가, 상위 서버로부터 제1 예측 모델 - 상기 제1 예측 모델은 복수의 객체 관리 영역의 각각의 IoT 객체에 의해 수집되는 데이터들을 토대로 상기 상위 서버에 의해 도출된 모델임 - 을 획득하는 단계;
상기 IoT 객체 관리 장치가 해당 객체 관리 영역에 포함된 다수의 IoT 객체로부터 수집되는 데이터를, 상기 상위 서버로부터 획득한 제1 예측 모델에 적용시키는 단계;
상기 IoT 객체 관리 장치가, 상기 제1 예측 모델의 적용에 따라 나온 결과값을 토대로 상기 제1 예측 모델을 평가하는 단계;
상기 평가 결과의 오차가 미리 설정된 범위를 초과하는 경우, 상기 IoT 객체 관리 장치가, 해당 객체 관리 영역에 포함되는 상기 다수의 IoT 객체로부터 수집되는 데이터를 토대로 제2 예측 모델을 도출하는 단계; 및
상기 IoT 객체 관리 장치가, 상기 제1 예측 모델과 상기 제2 예측 모델 중 하나를 해당 객체 관리 영역에 적용할 최종 예측 모델로 결정하는 단계
를 포함하는 미래 예측 방법.As a future prediction method in the Internet of Thing (IoT) environment,
An IoT object management apparatus corresponding to one object management region includes a first prediction model from an upper server, wherein the first prediction model is determined by the upper server based on data collected by each IoT object in a plurality of object management regions. Obtaining the derived model;
Applying, by the IoT object management apparatus, data collected from a plurality of IoT objects included in a corresponding object management area, to a first prediction model obtained from the upper server;
Evaluating, by the IoT object management apparatus, the first predictive model based on a result obtained by applying the first predictive model;
When the error of the evaluation result exceeds a preset range, deriving, by the IoT object management apparatus, a second prediction model based on data collected from the plurality of IoT objects included in the object management region; And
Determining, by the IoT object management apparatus, one of the first prediction model and the second prediction model as a final prediction model to be applied to the object management region.
Future prediction method comprising a. 제1항에 있어서
상기 최종 예측 모델로 결정하는 단계는,
상기 제1 예측 모델에 적용되는 제1 가중치와, 상기 제2 예측 모델에 적용되는 제2 가중치를 기반으로, 상기 제1 예측 모델과 상기 제2 예측 모델 중 하나를 최종 예측 모델로 결정하는, 미래 예측 방법.The method of claim 1
Determining the final prediction model,
Determining one of the first prediction model and the second prediction model as a final prediction model based on a first weight applied to the first prediction model and a second weight applied to the second prediction model Forecast method. 제1항에 있어서
상기 최종 예측 모델로 결정하는 단계는,
Figure 112019084856252-pat00009
의 조건을 토대로 최종 예측 모델을 결정하며, 상기 f(x)는 과거 훈련 데이터를 토대로 도출된 예측 모델인 상기 제1 예측 모델을 나타내고, 상기 g(x)는 상기 IoT 객체 관리 장치에서 설정 기간 동안의 데이터를 훈련하여 새로 도출한 상기 제2 예측모델을 나타내며, 상기 w0, w1는 가중치를 나타내고, 상기 h(x)는 상기 최종 예측 모델을 나타내는, 미래 예측 방법.The method of claim 1
Determining the final prediction model,
Figure 112019084856252-pat00009
The final prediction model is determined based on the condition of f, wherein f (x) represents the first prediction model, which is a prediction model derived based on past training data, and g (x) represents a predetermined period in the IoT object management device. The second prediction model newly derived by training the data of, w 0 , w 1 represents the weight, h (x) represents the final prediction model, the future prediction method. 제3항에 있어서
상기 w0가 0이면 이는 매번 새로 도출되는 상기 제2 예측 모델을 사용한다는 것을 나타내며, 상기 w1이 0이면 이는 상기 상위 서버에서 제공한 상기 제1 예측 모델을 사용한다는 것을 나타내는, 미래 예측 방법.The method of claim 3,
If w 0 is 0, this indicates that the second prediction model is newly derived each time, and if w 1 is 0, it indicates that the first prediction model provided by the higher server is used. 제1항에 있어서
상기 제1 예측 모델에 적용시키는 단계는 제1 기간 동안 수집되는 데이터를 토대로 상기 제1 예측 모델을 도출하는 단계를 포함하고,
상기 제1 예측 모델을 평가하는 단계는 제2 기간 동안에 상기 제1 예측 모델을 평가하는 단계를 포함하며,
상기 제2 기간은 상기 제1 기간보다 짧은 것을 특징으로 하는, 미래 예측 방법,The method of claim 1
Applying to the first prediction model comprises deriving the first prediction model based on data collected during a first time period,
Evaluating the first prediction model comprises evaluating the first prediction model for a second period of time,
Wherein the second period is shorter than the first period, 제5항에 있어서
상기 제2 예측 모델을 도출하는 단계는
상기 제2 기간 동안 또는 상기 제2 기간 이후에 설정 기간 동안에 수집되는 데이터를 토대로, 상기 제2 예측 모델을 도출하는 단계
를 포함하는, 미래 예측 방법.The method of claim 5
Deriving the second prediction model
Deriving the second predictive model based on data collected during the second period or during a set period after the second period.
Including, future prediction method. 사물 인터넷(Internet of Thing, IoT) 환경에서의 객체 관리 장치로서,
다수의 IoT 객체들로부터 수집된 데이터를 입력받는 입출력부; 및
상기 입출력부로부터 제공되는 데이터를 토대로 미래 예측을 수행하도록 구성된 프로세서
를 포함하며,
상기 프로세서는, 상기 입출력부를 통해 상위 서버로부터 제1 예측 모델 - 상기 제1 예측 모델은 복수의 객체 관리 영역의 각각의 IoT 객체에 의해 수집되는 데이터들을 토대로 상기 상위 서버에 의해 도출된 모델임 - 을 획득하고, 상기 입출력부를 통해 상기 객체 관리 장치에 대응하는 하나의 객체 관리 영역에 포함되는 IoT 객체로부터 수집되는 데이터를, 상기 상위 서버로부터 획득된 제1 예측 모델에 적용시키고, 상기 제1 예측 모델의 적용에 따라 나온 결과값을 토대로 상기 제1 예측 모델을 평가하며, 상기 평가 결과의 오차가 미리 설정된 범위를 초과하는 경우, 상기 객체 관리 장치에 대응하는 객체 관리 영역에 포함된 상기 다수의 IoT 객체로부터 수집되는 데이터를 토대로 제2 예측 모델을 도출하며, 상기 제1 예측 모델과 상기 제2 예측 모델 중 하나를 상기 객체 관리 장치에 대응하는 객체 관리 영역에 적용할 최종 예측 모델로 결정하도록 구성되는, 객체 관리 장치.As an object management device in the Internet of Thing (IoT) environment,
An input / output unit configured to receive data collected from a plurality of IoT objects; And
A processor configured to perform a future prediction based on data provided from the input / output unit
Including;
The processor may further include a first prediction model from a higher server through the input / output unit, wherein the first predictive model is a model derived by the higher server based on data collected by each IoT object in a plurality of object management areas. Acquire and apply data collected from an IoT object included in one object management area corresponding to the object management apparatus through the input / output unit to a first prediction model obtained from the upper server, The first prediction model is evaluated based on a result value according to the application, and when the error of the evaluation result exceeds a preset range, the plurality of IoT objects included in the object management area corresponding to the object management device are selected. A second prediction model is derived based on the collected data, and one of the first prediction model and the second prediction model is derived. An object management unit, configured to determine the final prediction model to apply to the object management area corresponding to the object management unit. 제7항에 있어서
상기 프로세서는, 상기 제1 예측 모델에 적용되는 제1 가중치와, 상기 제2 예측 모델에 적용되는 제2 가중치를 기반으로, 상기 제1 예측 모델과 상기 제2 예측 모델 중 하나를 최종 예측 모델로 결정하도록 구성되는, 객체 관리 장치.The method of claim 7,
The processor may convert one of the first prediction model and the second prediction model into a final prediction model based on a first weight applied to the first prediction model and a second weight applied to the second prediction model. And configured to determine. 제7항에 있어서
상기 객체 관리 장치는, 상기 다수의 IoT 객체로부터의 데이터를 수집하여 상위 서버인 분석 서버로 전달하는 IoT 게이트웨이며,
상기 제2 예측 모델은 하나의 IoT 게이트웨이에 의해 관리되는 IoT 객체들의 영역인 IoT 관리 영역별로 적용되는, 객체 관리 장치.The method of claim 7,
The object management device is an IoT gateway that collects data from the plurality of IoT objects and delivers the data to an analysis server that is a higher server
The second prediction model is applied to each IoT management area that is an area of IoT objects managed by one IoT gateway, object management apparatus. 제7항에 있어서
상기 객체 관리 장치는, 상기 다수의 IoT 객체로부터의 데이터를 수집하는 IoT 게이트웨이와 상위 서버인 분석 서버 사이에 위치되어, 상기 IoT 게이트웨이로부터의 데이터를 상기 분석 서버로 전달하는 지역 서버이며,
상기 제2 예측 모델은 하나의 지역 서버를 통해 다수의 IoT 게이트웨이에 의해 관리되는 IoT 객체들의 영역인 IoT 관리 영역별로 적용되는, 객체 관리 장치.
The method of claim 7,
The object management device is located between an IoT gateway for collecting data from the plurality of IoT objects and an analysis server that is a higher server, and is a local server for transferring data from the IoT gateway to the analysis server,
The second prediction model is applied to each IoT management area which is an area of IoT objects managed by a plurality of IoT gateways through one local server.
KR1020170053195A 2016-09-07 2017-04-25 Method and apparatus for future prediction in Internet of thing KR102049049B1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20160115225 2016-09-07
KR1020160115225 2016-09-07

Publications (2)

Publication Number Publication Date
KR20180027995A KR20180027995A (en) 2018-03-15
KR102049049B1 true KR102049049B1 (en) 2019-11-26

Family

ID=61659798

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170053195A KR102049049B1 (en) 2016-09-07 2017-04-25 Method and apparatus for future prediction in Internet of thing

Country Status (1)

Country Link
KR (1) KR102049049B1 (en)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102229859B1 (en) * 2018-11-28 2021-03-19 한양대학교 산학협력단 Operation management method, apparatus and system using machine learning and transfer learning
JP6792657B2 (en) 2019-02-27 2020-11-25 住友化学株式会社 Laminates, adhesive compositions and adhesive sheets
JP2022186285A (en) 2021-06-04 2022-12-15 住友化学株式会社 Laminate and display device
JP2023070311A (en) 2021-11-09 2023-05-19 住友化学株式会社 Laminate and display device
JP2023070310A (en) 2021-11-09 2023-05-19 住友化学株式会社 Laminate and display device

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7444310B2 (en) * 2002-04-19 2008-10-28 Computer Associates Think, Inc. Automatic model maintenance through local nets
KR102182506B1 (en) * 2014-02-11 2020-11-24 한국전자통신연구원 System of recognizing service in cloud environment by using IoT data

Also Published As

Publication number Publication date
KR20180027995A (en) 2018-03-15

Similar Documents

Publication Publication Date Title
KR102049049B1 (en) Method and apparatus for future prediction in Internet of thing
Acevedo et al. Favourability: concept, distinctive characteristics and potential usefulness
Guillera‐Arroita et al. Is my species distribution model fit for purpose? Matching data and models to applications
Warton et al. Three points to consider when choosing a LM or GLM test for count data
Warton et al. Advancing our thinking in presence‐only and used‐available analysis
Cheung et al. Calculation of posterior probabilities for Bayesian model class assessment and averaging from posterior samples based on dynamic system data
Lele et al. Selection, use, choice and occupancy: clarifying concepts in resource selection studies
Márcia Barbosa et al. New measures for assessing model equilibrium and prediction mismatch in species distribution models
Paton et al. Defining the scale of habitat availability for models of habitat selection
Fang et al. An estimation of distribution algorithm and new computational results for the stochastic resource-constrained project scheduling problem
US20150245160A1 (en) Techniques for Mobility-Aware Dynamic Service Placement in Mobile Clouds
US10735284B2 (en) System and method for managing a moving peer-to-peer network
Boucher‐Lalonde et al. A consistent occupancy–climate relationship across birds and mammals of the Americas
Ralston et al. Realized climate niche breadth varies with population trend and distribution in North American birds
Rabosky Testing the time‐for‐speciation effect in the assembly of regional biotas
Sells et al. Structured decision making for managing pneumonia epizootics in bighorn sheep
de la Fuente et al. Predicting species abundance by implementing the ecological niche theory
Ouyang et al. Simulation-based predictive analytics for dynamic queueing systems
Dagaev et al. Method of Analyzing the Availability Factor in a Mesh Network
US20210133211A1 (en) Adaptive Usage of Storage Resources Using Data Source Models and Data Source Representations
Subramanian et al. An examination of determinants of software testing and project management effort
Silva et al. Supporting availability evaluation of a smart building monitoring system aided by fog computing
Gibbs Guiding principles for infrastructure climate change risk and adaptation studies
Tamura et al. Practical reliability and maintainability analysis tool for an open source cloud computing
Sparks Linking EWMA p charts and the risk adjustment control charts

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant