KR102050978B1 - Selection method for network sensor location and system using thereof - Google Patents
Selection method for network sensor location and system using thereof Download PDFInfo
- Publication number
- KR102050978B1 KR102050978B1 KR1020190071472A KR20190071472A KR102050978B1 KR 102050978 B1 KR102050978 B1 KR 102050978B1 KR 1020190071472 A KR1020190071472 A KR 1020190071472A KR 20190071472 A KR20190071472 A KR 20190071472A KR 102050978 B1 KR102050978 B1 KR 102050978B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- variability
- sensor
- network
- link
- Prior art date
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
- H04L41/083—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability for increasing network speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- H04L67/18—
-
- 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
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
Description
본 발명은 네트워크 센서 위치 선정 방법 및 네트워크 센서 위치 선정 시스템에 관한 것이다. 보다 상세하게는 요인인 네트워크 센서의 최적 입지를 정하기 위해 네트워크 변동성을 최소화할 수 있는 네트워크 센서 위치 선정 방법 및 네트워크 센서 위치 선정 시스템에 관한 것이다. The present invention relates to a network sensor positioning method and a network sensor positioning system. More specifically, the present invention relates to a network sensor positioning method and a network sensor positioning system capable of minimizing network variability in order to determine an optimal location of a network sensor as a factor.
센서 네트워크란 초경량, 저전력의 많은 센서들로 구성된 유, 무선 네트워크를 의미하며, 더욱 상세하게는 센서 네트워크, 감지기망 분산된 환경이나 혹은 한 영역 내에서 분할된 영역을 각각의 센서들이 담당하여 센서를 통하여 획득된 여러 목표의 정보를 망으로 구성된 통합 환경 내에서 재구성하여 정보처리하는 것을 의미한다. 따라서, 센서 네트워크내에서 보다 효율적인 센서 위치의 선정은 매우 중요한 과제이다.The sensor network refers to a wired or wireless network composed of many lightweight, low power sensors. More specifically, each sensor is responsible for a sensor network, a distributed sensor network, or a divided area within a region. This means that information of various targets acquired through reconstruction within the integrated environment composed of networks is processed. Therefore, the selection of more efficient sensor locations in the sensor network is a very important task.
특히, 교통 센서 네트워크와 관련하여서는 중앙정부 및 각 지방자치단체에서는 지능형교통시스템(ITS: Intelligent Transportation System, 교통 혼잡을 효율적으로 조정하고 안정성을 획기적으로 증진시키기 위하여 도로, 차량, 신호시스템 등 기존 교통체계의 구성 요소에 전자, 제어, 통신 등 첨단기술을 접속시켜 구성요소들이 상호 유기적으로 작용하도록 하는 차세대 교통체계 및 시스템)에 필수적으로 요구되는 교통 센서들을 효과적으로 설치하기 위해 노력하고 있으나, 현재는 단순히 사고, 민원, 혼잡 등에 의해 위치를 선정하는 데에 그치고 있어 한계가 있었다.In particular, with regard to the traffic sensor network, the central government and local governments have established the existing transportation systems such as roads, vehicles, and signaling systems to efficiently control traffic congestion (ITS) and to significantly improve stability. Efforts to effectively install traffic sensors required for next-generation traffic systems and systems that connect advanced technologies such as electronics, control, and communication to each other's components to allow the components to interact organically. There was a limit to choosing a location by complaints, complaints and congestion.
또한, 일반적인 센서 네트워크는 노드 정보만을 이용하여 센서 네트워크를 구성하는 지검검지체계를 사용하고 있어 링크의 속성이 중요한 센서 네트워크에서는 정확도가 낮은 문제점이 있었으며, 일부 링크 정보를 반영하는 센서 네트워크에서도 해당 링크의 특성만을 반영하고 있어 링크 정보를 모두 포함하기에는 한계가 있었다. 따라서, 링크 정보를 이용하여 센서 네트워크를 구성하는 구간검지체계를 기준으로 한 센서 네트워크의 발명이 절실히 요구되어 왔다.In addition, the general sensor network uses the detection and detection system that constructs the sensor network using only node information. Therefore, there is a problem that the accuracy of the link network is important, and the sensor network reflects some link information. Reflecting only the characteristics, there was a limit to include all the link information. Therefore, the invention of the sensor network based on the section detection system constituting the sensor network using the link information has been urgently required.
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 네트워크 센서의 최적 입지를 정하기 위해 링크 정보를 이용하여 네트워크 변동성을 최소화할 수 있는 네트워크 센서 위치 선정 방법을 제공하는 것이다.Therefore, the technical problem of the present invention has been devised in this respect, an object of the present invention is to provide a network sensor location selection method that can minimize network variability by using link information to determine the optimal location of the network sensor.
또한 본 발명의 다른 목적은 네트워크 센서의 최적 입지를 정하기 위해 링크 정보를 이용하여 네트워크 변동성을 최소화할 수 있는 네트워크 센서 위치 선정 시스템을 제공하는 것이다.Another object of the present invention is to provide a network sensor positioning system that can minimize network variability by using link information to determine an optimal location of a network sensor.
상기한 본 발명의 목적을 실현하기 위한 네트워크 센서 위치 선정 시스템은 기간별 링크의 속도 정보로부터 전체 네트워크에 대한 정보 변동성을 계산하는 정보 변동성 계산부, 상기 정보 변동성으로부터 상기 네트워크에서의 제1 최적의 센서 위치를 결정하는 제1 최적화부 및 상기 제1 최적의 센서 위치로부터 유전 알고리즘을 이용하여 제2 최적의 센서 위치를 결정하는 제2 최적화부를 포함한다.Network sensor positioning system for realizing the above object of the present invention is an information variability calculation unit for calculating information variability for the entire network from the speed information of the link for each period, the first optimal sensor position in the network from the information variability And a second optimizer for determining a second optimal sensor position using a genetic algorithm from the first optimal sensor position.
본 발명의 일 실시예에 있어서, 상기 제1 최적화부는 상기 정보 변동성이 가장 낮은 위치를 제1 최적의 센서 위치로 결정할 수 있다.In one embodiment of the present invention, the first optimizer may determine the position of the lowest information variability as the first optimal sensor position.
본 발명의 일 실시예에 있어서, 상기 기간별 링크의 속도 정보는 일정 기간 동안 일정한 간격으로 취득된 링크의 속도 정보 및 해당 기간 동안 변동되지 않은 링크의 정보를 포함할 수 있다.In one embodiment of the present invention, the speed information of the link for each period may include the speed information of the link obtained at regular intervals for a certain period and the information of the link that does not change during the period.
본 발명의 일 실시예에 있어서, 상기 정보 변동성은 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the information variability can be defined by the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
본 발명의 일 실시예에 있어서, 상기 정보 변동성의 크기는 각 경우의 수의 확률을 확률분포에 따라 적분한 값인 대각합의 기대값으로부터 계산되고, 상기 정보 변동성의 크기는 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the magnitude of the information variability is calculated from the expected value of the diagonal sum, which is a value obtained by integrating the probability of each number according to the probability distribution, and the magnitude of the information variability is defined by the following equation. Can be.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, 
본 발명의 일 실시예에 있어서, 상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 하고, 상기 정보 변동성의 크기는 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the speed information of the link for each period is characterized in that the discrete data, the magnitude of the information variability can be defined by the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수이고, 
본 발명의 일 실시예에 있어서, 상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 하고, 상기 정보 변동성의 크기는 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the speed information of the link for each period is characterized in that the discrete data, the magnitude of the information variability can be defined by the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수이고, 
본 발명의 일 실시예에 있어서, 상기 제1 최적의 센서의 위치는 다음의 수학식을 이용하여 결정될 수 있다.In one embodiment of the present invention, the position of the first optimal sensor can be determined using the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
본 발명의 일 실시예에 있어서, 상기 정보 변동성 계산부는, 특정 센서의 순서쌍의 모든 교통 정보 자료의 경우의 수를 수집하고, 각 경우의 수에 대하여 다른 링크들의 자료를 수집하고, 하나의 경우의 수에 대하여 링크별 분산 계산 및 합산하고, 모든 경우에 대하여 상기 합산하는 단계를 반복하고, 상기 모든 경우에 대하여 합산된 값들을 모두 합산하여 상기 정보 변동성을 계산할 수 있다.In one embodiment of the present invention, the information variability calculation unit collects the number of cases of all traffic information data of the ordered pair of a specific sensor, collects data of different links for each case number, The information variability may be calculated by calculating and summing link-specific variances for numbers, repeating the summing for all cases, and summing all the summed values for all the cases.
본 발명의 일 실시예에 있어서, 상기 제2 최적화부는 특정 개수의 랜덤한 개체를 생성하여 부모 세대로 선정하고, 상기 부모 세대 중 절반을 선택하고, 선택된 절반의 개체의 각 유전자를 0.5의 확률로 돌연변이 과정을 진행하고, 남은 절반의 개체의 각 개체들 중 2개씩을 랜덤하게 짝지어 유전자당 0.5의 확률로 교배하고, 상기 생성된 랜덤한 개체, 상기 돌연변이 된 개체 및 상기 교배된 개체들의 상기 정보 변동성을 평가하고, 상기 평가한 개체들 중 상기 정보 변동성이 낮은 특정 개수만큼의 개체를 선정하고, 이를 다시 부모 세대로 지정하고, 특정 횟수만큼 상기 절반을 선택하고, 돌연변이하고, 교배하고, 정보 변동성을 평가하고, 다시 부모 세대로 지정하는 단계를 반복하며, 최종적으로 선정된 부모 세대 개체들로부터 상기 제2 최적의 센서 위치를 결정할 수 있다.In one embodiment of the present invention, the second optimizer generates a specific number of random individuals and selects them as parent generations, selects half of the parent generations, and has a probability of 0.5 for each gene of the selected half individuals. Undergoes the mutation process, randomly pairs 2 of each individual of the remaining half of the individuals and crosses them at a probability of 0.5 per gene, and the information of the generated randomized, mutated and the hybridized individuals Assessing variability, selecting a specific number of individuals with low information variability among the evaluated individuals, designating them again as parental generations, selecting the half a certain number of times, mutating, crossing, and changing information variability , Repeating the step of assigning again to the parent generation, and selecting the second optimal sensor position from the finally selected parent generation entities. You can decide.
상기한 본 발명의 목적을 실현하기 위한 네트워크 센서 위치 선정 방법은 정보 변동성 계산부가 기간별 링크의 속도 정보로부터 전체 네트워크에 대한 정보 변동성을 계산하는 단계, 제1 최적화부가 상기 정보 변동성으로부터 상기 네트워크에서의 제1 최적의 센서의 위치를 결정하는 단계 및 제2 최적화부가 상기 제1 최적의 센서 위치로부터 유전 알고리즘을 이용하여 제2 최적의 센서 위치를 결정하는 단계를 포함한다.In the network sensor positioning method for realizing the object of the present invention, the information variability calculation unit calculates information variability for the entire network from the speed information of the link for each period, the first optimization unit Determining a first optimal sensor position and a second optimizer determining a second optimal sensor position using a genetic algorithm from the first optimal sensor position.
본 발명의 일 실시예에 있어서, 상기 제1 최적의 센서의 위치를 결정하는 단계에서는 상기 정보 변동성이 가장 낮은 위치를 제1 최적의 센서 위치로 결정할 수 있다.In an embodiment of the present disclosure, in determining the position of the first optimal sensor, the position having the lowest information variability may be determined as the first optimal sensor position.
본 발명의 일 실시예에 있어서, 상기 기간별 링크의 속도 정보는 일정 기간 동안 일정한 간격으로 취득된 링크의 속도 정보 및 해당 기간 동안 변동되지 않은 링크의 정보를 포함할 수 있다.In one embodiment of the present invention, the speed information of the link for each period may include the speed information of the link obtained at regular intervals for a certain period and the information of the link that does not change during the period.
본 발명의 일 실시예에 있어서, 상기 정보 변동성은 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the information variability can be defined by the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
본 발명의 일 실시예에 있어서, 상기 정보 변동성의 크기는 각 경우의 수의 확률을 확률분포에 따라 적분한 값인 대각합의 기대값으로부터 계산되고, 상기 정보 변동성의 크기는 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the magnitude of the information variability is calculated from the expected value of the diagonal sum, which is a value obtained by integrating the probability of each number according to the probability distribution, and the magnitude of the information variability is defined by the following equation. Can be.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, 
본 발명의 일 실시예에 있어서, 상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 하고, 상기 정보 변동성의 크기는 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the speed information of the link for each period is characterized in that the discrete data, the magnitude of the information variability can be defined by the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수이고, 
본 발명의 일 실시예에 있어서, 상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 하고, 상기 정보 변동성의 크기는 다음의 수학식으로 정의될 수 있다.In one embodiment of the present invention, the speed information of the link for each period is characterized in that the discrete data, the magnitude of the information variability can be defined by the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수이고, 
본 발명의 일 실시예에 있어서, 상기 제1 최적의 센서의 위치는 다음의 수학식을 이용하여 결정될 수 있다.In one embodiment of the present invention, the position of the first optimal sensor can be determined using the following equation.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
본 발명의 일 실시예에 있어서, 정보 변동성을 계산하는 단계는 특정 센서의 순서쌍의 모든 교통 정보 자료의 경우의 수를 수집하는 단계, 각 경우의 수에 대하여 다른 링크들의 자료를 수집하는 단계, 하나의 경우의 수에 대하여 링크별 분산 계산 및 합산하는 단계, 모든 경우에 대하여 상기 합산하는 단계를 반복하는 단계 및 상기 모든 경우에 대하여 합산된 값들을 합산하는 단계를 포함할 수 있다.In one embodiment of the present invention, calculating information variability includes collecting a number of cases of all traffic information data of an ordered pair of a specific sensor, collecting data of different links for each case number, and And calculating the variance per link for the number of cases, repeating the summing for all cases, and summing the summed values for all the cases.
본 발명의 일 실시예에 있어서, 상기 제2 최적의 센서 위치를 결정하는 단계는, 특정 개수의 랜덤한 개체를 생성하여 부모 세대로 선정하는 단계, 상기 부모 세대 중 절반을 선택하는 단계, 선택된 절반의 개체의 각 유전자를 0.5의 확률로 돌연변이 과정을 진행하는 단계, 남은 절반의 개체의 각 개체들 중 2개씩을 랜덤하게 짝지어 유전자당 0.5의 확률로 교배하는 단계, 상기 생성된 랜덤한 개체, 상기 돌연변이 된 개체 및 상기 교배된 개체들의 상기 정보 변동성을 평가하는 단계, 상기 평가한 개체들 중 상기 정보 변동성이 낮은 특정 개수만큼의 개체를 선정하고, 이를 다시 부모 세대로 지정하는 단계 및 특정 횟수만큼 상기 절반을 선택하는 단계, 돌연변이 과정을 진행하는 단계, 교배하는 단계, 정보 변동성을 평가하는 단계, 다시 부모 세대로 지정하는 단계를 반복하는 단계 및 최종적으로 선정된 부모 세대 개체들로부터 최적화된 센서 위치를 결정하는 단계를 포함할 수 있다.In an embodiment of the present disclosure, the determining of the second optimal sensor position comprises: generating a specific number of random entities and selecting the parent generation, selecting half of the parent generation, and selecting the selected half. Mutation of each gene of the individual of the probability of 0.5, randomly pairing two of each individual of the remaining half of the individual crosses with a probability of 0.5 per gene, the generated random individuals, Evaluating the information variability of the mutated and crossbred individuals, selecting a specific number of individuals with low information variability among the evaluated individuals, designating it as a parent generation and a specific number of times Selecting the half, proceeding with the mutation process, mating, evaluating information variability and assigning back to the parent generation It may include the step of determining the sensor location optimization from the stage and the final selection by parents object to repeat the steps.
본 발명의 실시예들에 따르면, 네트워크 센서 위치 선정 시스템 및 방법은 정보 변동성 계산부, 제1 최적화부 및 제2 최적화부를 포함한다. 따라서, 기간별 링크의 속도 정보로부터 전체 네트워크에 대한 정보 변동성을 계산하고, 이로부터 최적의 센서 위치를 결정하며, 유전 알고리즘을 이용하여 이를 보완한 최적의 센서 위치를 결정할 수 있다. According to embodiments of the present invention, a network sensor positioning system and method includes an information variability calculator, a first optimizer, and a second optimizer. Therefore, the information variability of the entire network can be calculated from the link speed information for each period, the optimal sensor position can be determined therefrom, and the optimal sensor position can be determined using a genetic algorithm.
또한, 링크의 정보를 이용하여 센서 네트워크의 센서 위치를 선정하므로 링크 정보를 통한 방법을 이용한 구간검지체계를 기준의 센서 네트워크를 제공할 수 있다.In addition, since the sensor location of the sensor network is selected using the link information, the sensor network based on the section detection system using the link information method may be provided.
또한, 다방면에서 구득이 가능한 구간 속도 자료만으로 네트워크의 변동성을 용이하게 구하여 센서의 최적 위치를 구성할 수 있다.In addition, the optimal position of the sensor can be configured by easily obtaining the variability of the network using only the section speed data that can be obtained in various fields.
또한, 전체 네트워크에 대한 센서의 영향력에 대해 고려하기 때문에 하나의 시스템 전체에서 센서의 최적 위치를 구성할 수 있어 전체 시스템의 상호 작용이 중요하고 각 링크들은 독립적으로 거동하지 않는 센서 네트워크에서 활용할 수 있는 효율적인 센서 네트워크를 제공할 수 있다.In addition, considering the influence of the sensor on the entire network, it is possible to configure the optimal position of the sensor throughout a system, so that the interaction of the entire system is important and each link can be used in a sensor network that does not behave independently. It can provide an efficient sensor network.
또한, 정보 변동성에 대한 평가를 위해 이산형 자료에 대해 통계적으로 변동성의 지표로 사용되는 분산-공분산 행렬의 대각요소 합과 동일한 수치인 각 경우의 따른 분산의 기대값을 사용하여 최적의 센서 위치를 결정하므로 보다 정확하게 센서 네트워크의 정보 변동성을 평가할 수 있다.In addition, to estimate the information variability, the optimal sensor position is determined by using the expected value of variance in each case, which is equal to the sum of the diagonal elements of the variance-covariance matrix, which is used as a statistical indicator of volatility for discrete data. This makes it possible to more accurately assess the information variability of sensor networks.
또한, 여러 센서의 위치를 찾는 문제의 전수해를 구하기 어려운 문제점을 유전 알고리즘을 사용하여 최적해를 구하여 해결할 수 있다.In addition, it is possible to solve the problem that it is difficult to obtain a solution of the problem of locating the various sensors by using the genetic algorithm to find the optimal solution.
또한, 다방면에서 구득이 가능한 구간 속도 자료만으로 네트워크의 변동성을 계산하므로 기존의 연구 및 발명들에서 요구하는 O/D(기종점)을 요구하지 않으므로 기종점 정보를 취득하기 어려운 센서 네트워크에서 유용하게 활용될 수 있다. In addition, since it calculates the variability of the network using only the section speed data that can be obtained in various fields, it is useful for sensor networks that do not require model point information because it does not require O / D (type point) required by existing researches and inventions. Can be.
또한, 가장 접근이 쉬운 자료를 통해 최적화된 센서의 위치를 구할 수 있도록 하여 여러 장소에서 동일한 방법론으로 시스템을 적용할 수 있는 범용성을 가지도록 할 수 있으며, 하나의 링크가 아닌 네트워크 전체에 대한 최적화를 진행할 수 있어 지방자치단체의 교통 네트워크 시스템 같은 대단위 센서 네트워크 시스템에서 효율적이고 정확한 센서 위치를 선정할 수 있다.In addition, the most accessible data can be used to determine the location of the optimized sensor so that it can be used universally to apply the system with the same methodology in multiple places. This allows the selection of efficient and accurate sensor locations in large sensor network systems, such as municipal transport network systems.
도 1은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 방법의 정보 변동성을 계산하는 단계를 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 방법의 제2 최적의 센서 위치를 결정하는 단계를 나타내는 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 제1 최적의 센서의 위치를 선정하는 구현예를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 제2 최적의 센서의 위치를 선정하는 구현예를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 돌연변이 과정의 구현예를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 교배 과정의 구현예를 나타내는 도면이다.
1 is a block diagram showing a network sensor positioning system according to an embodiment of the present invention.
2 is a flowchart illustrating a network sensor positioning method according to an embodiment of the present invention.
3 is a flowchart illustrating an operation of calculating information variability of a network sensor positioning method according to an embodiment of the present invention.
4 is a flowchart illustrating a step of determining a second optimal sensor position of the network sensor positioning method according to an embodiment of the present invention.
5 is a diagram illustrating an embodiment of selecting a position of a first optimal sensor of a network sensor positioning system and method according to an embodiment of the present invention.
6 is a diagram illustrating an embodiment of selecting a position of a second optimal sensor of the network sensor positioning system and method according to an embodiment of the present invention.
7 is a diagram showing an embodiment of the mutation process of the network sensor positioning system and method according to an embodiment of the present invention.
8 is a diagram illustrating an implementation of a mating process of a network sensor positioning system and method according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.As the inventive concept allows for various changes and numerous modifications, the embodiments will be described in detail in the text. However, this is not intended to limit the present invention to a specific disclosed form, it should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing the drawings, similar reference numerals are used for similar elements. Terms such as first and second may be used to describe various components, but the components should not be limited by the terms.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.The terms are used only for the purpose of distinguishing one component from another. The terminology used herein is for the purpose of describing particular example embodiments only and is not intended to be limiting of the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise.
본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In this application, the terms "comprise" or "consist of" are intended to indicate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, and one or more other features. It is to be understood that the present invention does not exclude the possibility of the presence or the addition of numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in the commonly used dictionaries should be construed as having meanings consistent with the meanings in the context of the related art and shall not be construed in ideal or excessively formal meanings unless expressly defined in this application. Do not.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the drawings.
본 명세서에서는 설명의 용이성을 위하여 센서 네트워크 중 지능형교통시스템(ITS)의 센서 네트워크를 예를 들어 설명하나, 본 발명의 센서 네트워크 위치 선정 시스템 및 방법은 다양한 센서 네트워크 시스템에 적용될 수 있다.In the present specification, a sensor network of an intelligent transportation system (ITS) is described as an example for ease of description, but the sensor network positioning system and method of the present invention can be applied to various sensor network systems.
도 1은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템을 나타내는 구성도이다. 도 5는 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 제1 최적의 센서의 위치를 선정하는 구현예를 나타내는 도면이다. 도 6은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 제2 최적의 센서의 위치를 선정하는 구현예를 나타내는 도면이다. 도 7은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 돌연변이 과정의 구현예를 나타내는 도면이다. 도 8은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템 및 방법의 교배 과정의 구현예를 나타내는 도면이다.1 is a block diagram showing a network sensor positioning system according to an embodiment of the present invention. 5 is a diagram illustrating an embodiment of selecting a position of a first optimal sensor of a network sensor positioning system and method according to an embodiment of the present invention. 6 is a diagram illustrating an embodiment of selecting a position of a second optimal sensor of the network sensor positioning system and method according to an embodiment of the present invention. 7 is a diagram showing an embodiment of the mutation process of the network sensor positioning system and method according to an embodiment of the present invention. 8 is a diagram illustrating an implementation of a mating process of a network sensor positioning system and method according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 시스템은 정보 변동성 계산부(100), 제1 최적화부(200) 및 제2 최적화부(300)를 포함한다.Referring to FIG. 1, the network sensor positioning system according to an embodiment of the present invention includes an
상기 정보 변동성 계산부(100)는 기간별 링크의 속도 정보로부터 전체 네트워크에 대한 정보 변동성을 계산할 수 있다. 본 명세서에서 정보 변동성이란 정보가 변하는 정도를 나타내는 양을 의미한다. The
상기 기간별 링크의 속도 정보는 일정 기간 동안 일정한 간격으로 취득된 링크의 속도 정보 및 해당 기간 동안 변동되지 않은 링크의 정보를 포함할 수 있다. 예를 들면, 상기 기간별 링크의 속도 정보는 기존의 센서 네트워크에서 취득된 링크의 자료를 활용할 수 있다. 예를 들면, 상기 정보 변동성 계산부(100)는 교통 정보 시스템에 연결되어 상기 기간별 링크의 속도 정보를 취득할 수 있다. 또는, 상기 정보 변동성 계산부(100)는 별도의 대용량 저장소인 데이터 베이스를 포함하며, 상기 데이터 베이스에 기간별 링크의 속도 정보를 저장할 수 있다. 상기 기간별 링크의 속도 정보는 실시간으로 업데이트 될 수 있다. 상기 링크는 특정 센서의 순서쌍을 포함할 수 있다.The speed information of the link for each period may include speed information of a link acquired at regular intervals for a predetermined period and information of a link that does not change during the corresponding period. For example, the speed information of the link for each period may utilize data of a link acquired from an existing sensor network. For example, the
상기 정보 변동성 계산부(100)는 특정 센서의 순서쌍의 모든 교통 정보 자료의 경우의 수를 수집할 수 있다. 상기 정보 변동성 계산부(100) 각 경우의 수에 대하여 다른 링크들의 자료를 수집할 수 있다. 상기 정보 변동성 계산부(100)는 하나의 경우의 수에 대하여 링크별 분산 계산 및 합산할 수 있다. 상기 정보 변동성 계산부(100) 모든 경우에 대하여 상기 합산하는 단계를 반복할 수 있다. 상기 정보 변동성 계산부(100)는 상기 모든 경우에 대하여 상기 합산된 값들을 모두 합산하여 상기 정보 변동성을 계산할 수 있다. 예를 들면, 도 5와 같이 정해진 한쌍의 센서에서 취득된 속도 정보에 따라서 동일한 속도 정보를 갖는 경우를 묶어 다른 케이스(경우)로 분류하고, 각 경우들의 다른 링크들의 자료로부터 링크별로 분산을 계산한 후 각 분산을 합산하여 정보의 변동성을 구할 수 있다.The information
상기 정보 변동성은 다음의 수학식 1로 정의될 수 있다. The information variability may be defined by
수학식 1
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
특정 위치(z)에서 상기 정보 변동성의 크기는 각 경우의 수의 확률을 확률분포에 따라 적분한 값인 대각합의 기대값으로부터 계산될 수 있다. 상기 정보 변동성의 크기는 다음의 수학식 2로 정의될 수 있다.The magnitude of the information variability at a specific position z may be calculated from the expected value of the diagonal sum, which is a value obtained by integrating the probability of each number according to the probability distribution. The magnitude of the information variability may be defined by Equation 2 below.
수학식 2Equation 2
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, 
상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 할 수 있다. 예를 들면, 교통 센서 데이터의 경우 일정한 간격으로 제공되는 이산형 자료일 수 있다. 이산형 데이터의 상기 정보 변동성의 크기는 다음의 수학식 3으로 정의될 수 있다.Speed information of the link for each period may be characterized as discrete data. For example, the traffic sensor data may be discrete data provided at regular intervals. The magnitude of the information variability of the discrete data may be defined by Equation 3 below.
수학식 3Equation 3
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수임.Where Tr is information variability function, S is network speed information, z is sensor location, and n (S) is the number of total samples.
상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 하고, 상기 정보 변동성의 크기는 다음의 수학식 4로 정의되는 네트워크 센서 위치 선정 시스템.And the speed information of the link for each period is discrete data, and the magnitude of the information variability is defined by
수학식 4
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수이고, 
상기 제1 최적화부(200)는 상기 정보 변동성으로부터 상기 네트워크에서의 제1 최적의 센서 위치를 결정할 수 있다. 상기 제1 최적화부(200)는 상기 정보 변동성이 가장 낮은 위치를 제1 최적의 센서 위치로 결정할 수 있다. 상기 제1 최적의 센서의 위치는 다음의 수학식 5를 이용하여 결정될 수 있다.The
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, 
따라서, 본 발명은 정보 변동성을 이용하여 과거의 네트워크 속도 자료의 변동성을 기준으로 어떠한 구간의 정보를 고정했을 때, 다른 링크들의 정보 변동성을 분산-공분산 행렬의 대각요소의 합으로서 구하여 이를 최소화하는 센서의 위치를 선정할 수 있다.Accordingly, the present invention, when fixing the information of any section based on the variability of the past network speed data by using information variability, the sensor to obtain the information variability of the other links as the sum of the diagonal elements of the dispersion-covariance matrix to minimize them You can select the position of.
상기 제2 최적화부(300)는 상기 제1 최적의 센서 위치로부터 유전 알고리즘을 이용하여 제2 최적의 센서 위치를 결정할 수 있다. 상기 제2 최적화부(300)는 유전 알고리즘을 이용하여 상기 제1 최적화부(200)에서 제1 최적의 센서 위치를 결정할 때 센서의 위치를 복수로 결정하게 될 경우 해의 복잡도가 기하급수적으로 늘어나게 되는 경우에도 최적화해를 구할 수 있다. 상기 유전 알고리즘은 Evolutionary Strategy(진화전략)의 일종인 Plus Strategy이 사용될 수 있다. Plus Strategy란 부모 세대와 자손 세대를 함께 평가하여 이중 우수한 유전자를 후대로 전달하는 방식의 알고리즘을 의미한다. 본 발명에서는, 유전 알고리즘의 각 개체는 정해진 센서 개수만큼의 유전자(Gene)을 가질 수 있으며, 각 유전자는 센서 위치를 의미할 수 있다.The
상기 제2 최적화부(300)는 특정 개수의 랜덤한 개체를 생성하여 부모 세대로 선정할 수 있다. 상기 제2 최적화부(300)는 상기 부모 세대 중 절반을 선택할 수 있다. 상기 제2 최적화부(300)는 선택된 절반의 개체의 각 유전자를 0.5의 확률로 돌연변이 과정을 진행할 수 있다. 상기 제2 최적화부(300)는 남은 절반의 개체의 각 개체들 중 2개씩을 랜덤하게 짝지어 유전자당 0.5의 확률로 교배할 수 있다. 상기 제2 최적화부(300)는 상기 생성된 랜덤한 개체, 상기 돌연변이 된 개체 및 상기 교배된 개체들의 상기 정보 변동성을 평가할 수 있다. 상기 제2 최적화부(300)는 상기 평가한 개체들 중 상기 정보 변동성이 낮은 특정 개수만큼의 개체를 선정하고, 이를 다시 부모 세대로 지정할 수 있다. 상기 제2 최적화부(300)는 특정 횟수만큼 상기 절반을 선택하고, 돌연변이하고, 교배하고, 정보 변동성을 평가하고, 다시 부모 세대로 지정하는 단계를 반복할 수 있다. 상기 제2 최적화부(300)는 최종적으로 선정된 부모 세대 개체들로부터 상기 제2 최적의 센서 위치를 결정할 수 있다.The
예를 들면, 도 6과 같이 센서가 M개이고, 부모집단의 크기가 N일때, 상기 제2 최적화부(300)는 N개의 길이 M의 랜덤 수열을 생성하고 배열에 부모집단을 지정하며, 상기 부모집단 중 50%를 돌연변이 집단으로 지정하고, 돌연변이 집단인 경우 돌연변이 과정을 거쳐 돌연변이 집단을 생성하고, 돌연변이 집단이 아닌 경우 교배과정을 거쳐 교배 집단을 생성하고, 상기 돌연변이 집단과 상기 교배 집단 및 상기 부모 집단을 평가 집단으로하여 상기 평가집단 전체에 대해 각자의 변동성을 계산한 후 변동성이 상위인 N개를 선정하여 다시 부모집단으로 선정하며, 이를 특정 횟수동안 반복할 수 있다.For example, when there are M sensors as shown in FIG. 6 and the size of the parent group is N, the
상기 돌연변이 과정은 돌연변이 집단으로 지정된 모든 개체 내 모든 유전자에 대하여 50%의 확률로 무작위로 변이하는 과정일 수 있다. 예를 들면, 도 7과 같이 1, 5, 8 및 4의 유전자값을 갖는 개체에 대하여 각 유전자값을 50% 확률로 무작위 값으로 변경할 수 있다.The mutation process may be a 50% chance of random mutation for all genes in all individuals assigned to the mutation population. For example, as shown in FIG. 7, for each individual having a gene value of 1, 5, 8, and 4, each gene value may be changed to a random value with a 50% probability.
상기 교배 과정은 교배 집단으로 지정된 모든 개체 내 모든 유전자에 대하여 50%의 확률로 유전자를 교환하는 과정일 수 있다. 예를 들면, 도 8과 같이 1, 5, 8 및 4의 유전자값을 갖는 개체와 8, 13, 25 및 7의 유전자값을 갖는 개체를 각 유전자의 대응되는 위치별로 50%의 확률로 유전자 값을 교환할 수 있다.The mating process may be a process of exchanging genes with a 50% probability for all genes in all individuals designated as mating populations. For example, as shown in FIG. 8, an individual having a gene value of 1, 5, 8, and 4 and an individual having a gene value of 8, 13, 25, and 7 have a 50% probability of having a gene value corresponding to each position of each gene. Can be exchanged.
네트워크 센서 위치 선정 시스템은 상기한 구성 외에 필요한 경우 대용량 저장소, 전원부 및 서버부를 더 포함할 수 있으나, 본 발명은 해당 구성을 보호받고자 하는 것은 아니므로 해당 구성에 대한 설명은 생략하며, 일반적인 시스템에서의 대용량 저장소, 전원부 및 서버부에 연결되어 다양하게 사용될 수 있다. 예를 들면, 상기 네트워크 센서 위치 선정 시스템의 구성들은 서버부에 포함되도록 구성될 수 있으며, 상기 서버부는 외부 네트워크에 연결되는 대용량 정보처리장치일 수 있다. In addition to the above-described configuration, the network sensor positioning system may further include a mass storage, a power unit, and a server unit. However, since the present invention is not intended to be protected, a description of the corresponding configuration is omitted, and in a general system It can be used in various ways by being connected to mass storage, power and server. For example, the configuration of the network sensor positioning system may be configured to be included in the server unit, the server unit may be a large-capacity information processing device connected to an external network.
도 2는 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 방법을 나타내는 흐름도이다. 도 3은 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 방법의 정보 변동성을 계산하는 단계를 나타내는 흐름도이다. 도 4는 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 방법의 제2 최적의 센서 위치를 결정하는 단계를 나타내는 흐름도이다.2 is a flowchart illustrating a network sensor positioning method according to an embodiment of the present invention. 3 is a flowchart illustrating an operation of calculating information variability of a network sensor positioning method according to an embodiment of the present invention. 4 is a flowchart illustrating a step of determining a second optimal sensor position of the network sensor positioning method according to an embodiment of the present invention.
본 실시예에 따른 네트워크 센서 위치 선정 방법은 네트워크 센서 위치 선정 시스템에서 수행되며, 카테고리만 상이할 뿐 도 1의 네트워크 센서 위치 선정 시스템과 실질적으로 동일하다. 따라서, 도 1의 네트워크 센서 위치 선정 시스템과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.The network sensor positioning method according to the present embodiment is performed in the network sensor positioning system and is substantially the same as the network sensor positioning system of FIG. Therefore, the same components as those of the network sensor positioning system of FIG. 1 are given the same reference numerals, and repeated descriptions are omitted.
도 2 내지 도 4를 참조하면, 본 발명의 일 실시예에 따른 네트워크 센서 위치 선정 방법은 정보 변동성을 계산하는 단계(S100), 제1 최적의 센서의 위치를 결정하는 단계(S200) 및 제2 최적의 센서 위치를 결정하는 단계(S300)를 포함한다.2 to 4, the network sensor positioning method according to an embodiment of the present invention includes calculating information variability (S100), determining a position of a first optimal sensor (S200), and a second Determining the optimal sensor position (S300).
상기 정보 변동성을 계산하는 단계(S100)에서는 정보 변동성 계산부(100)가 기간별 링크의 속도 정보로부터 전체 네트워크에 대한 정보 변동성을 계산할 수 있다. In the calculating of the information variability (S100), the
상기 기간별 링크의 속도 정보는 일정 기간 동안 일정한 간격으로 취득된 링크의 속도 정보 및 해당 기간 동안 변동되지 않은 링크의 정보를 포함할 수 있다. 예를 들면, 상기 기간별 링크의 속도 정보는 기존의 센서 네트워크에서 취득된 링크의 자료를 활용할 수 있다. 예를 들면, 상기 정보 변동성 계산부(100)는 교통 정보 시스템에 연결되어 상기 기간별 링크의 속도 정보를 취득할 수 있다. 또는, 상기 정보 변동성 계산부(100)는 별도의 대용량 저장소인 데이터 베이스를 포함하며, 상기 데이터 베이스에 기간별 링크의 속도 정보를 저장할 수 있다. 상기 기간별 링크의 속도 정보는 실시간으로 업데이트 될 수 있다. 상기 링크는 특정 센서의 순서쌍을 포함할 수 있다.The speed information of the link for each period may include speed information of a link acquired at regular intervals for a predetermined period and information of a link that does not change during the corresponding period. For example, the speed information of the link for each period may utilize data of a link acquired from an existing sensor network. For example, the
상기 정보 변동성을 계산하는 단계(S100)는 경우의 수를 수집하는 단계(S110), 다른 링크들의 자료를 수집하는 단계(S120), 합산하는 단계(S130), 합산하는 단계를 반복하는 단계(S140) 및 모두 합산하는 단계(S150)를 포함할 수 있다. The step of calculating the information variability (S100) is a step of collecting the number of cases (S110), collecting data of other links (S120), summing (S130), repeating the step of summing (S140) And summing all of them (S150).
상기 경우의 수를 수집하는 단계(S110)에서는 상기 정보 변동성 계산부(100)는 특정 센서의 순서쌍의 모든 교통 정보 자료의 경우의 수를 수집할 수 있다. 다른 링크들의 자료를 수집하는 단계(S120)에서는 상기 정보 변동성 계산부(100) 각 경우의 수에 대하여 다른 링크들의 자료를 수집할 수 있다. 상기 합산하는 단계(S130)에서는 상기 정보 변동성 계산부(100)는 하나의 경우의 수에 대하여 링크별 분산 계산 및 합산할 수 있다. 상기 합산하는 단계를 반복하는 단계(S140)에서는 상기 정보 변동성 계산부(100) 모든 경우에 대하여 상기 합산하는 단계를 반복할 수 있다. 상기 모두 합산하는 단계(S150)에서는 상기 정보 변동성 계산부(100)는 상기 모든 경우에 대하여 상기 합산된 값들을 모두 합산하여 상기 정보 변동성을 계산할 수 있다. 예를 들면, 도 5와 같이 정해진 한쌍의 센서에서 취득된 속도 정보에 따라서 동일한 속도 정보를 갖는 경우를 묶어 다른 케이스(경우)로 분류하고, 각 경우들의 다른 링크들의 자료로부터 링크별로 분산을 계산한 후 각 분산을 합산하여 정보의 변동성을 구할 수 있다.In the collecting of the number of cases (S110), the information
상기 정보 변동성은 다음의 수학식 1로 정의될 수 있다. The information variability may be defined by
수학식 1
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
특정 위치(z)에서 상기 정보 변동성의 크기는 각 경우의 수의 확률을 확률분포에 따라 적분한 값인 대각합의 기대값으로부터 계산될 수 있다. 상기 정보 변동성의 크기는 다음의 수학식 2로 정의될 수 있다.The magnitude of the information variability at a specific position z may be calculated from the expected value of the diagonal sum, which is a value obtained by integrating the probability of each number according to the probability distribution. The magnitude of the information variability may be defined by Equation 2 below.
수학식 2Equation 2
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, 
상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 할 수 있다. 예를 들면, 교통 센서 데이터의 경우 일정한 간격으로 제공되는 이산형 자료일 수 있다. 이산형 데이터의 상기 정보 변동성의 크기는 다음의 수학식 3으로 정의될 수 있다.Speed information of the link for each period may be characterized as discrete data. For example, the traffic sensor data may be discrete data provided at regular intervals. The magnitude of the information variability of the discrete data may be defined by Equation 3 below.
수학식 3Equation 3
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수임.Where Tr is information variability function, S is network speed information, z is sensor location, and n (S) is the number of total samples.
상기 기간별 링크의 속도 정보는 이산형 데이터인 것을 특징으로 하고, 상기 정보 변동성의 크기는 다음의 수학식 4로 정의되는 네트워크 센서 위치 선정 시스템.And the speed information of the link for each period is discrete data, and the magnitude of the information variability is defined by
수학식 4
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, n(S)은 전체 샘플의 갯수이고, 
상기 제1 최적의 센서의 위치를 결정하는 단계(S200)에서는 상기 제1 최적화부(200)가 상기 정보 변동성으로부터 상기 네트워크에서의 제1 최적의 센서 위치를 결정할 수 있다. 상기 제1 최적의 센서의 위치를 결정하는 단계(S200)에서는 상기 제1 최적화부(200)는 상기 정보 변동성이 가장 낮은 위치를 제1 최적의 센서 위치로 결정할 수 있다. 상기 제1 최적의 센서의 위치는 다음의 수학식 5를 이용하여 결정될 수 있다.In the determining of the position of the first optimal sensor (S200), the
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고, 
따라서, 본 발명은 정보 변동성을 이용하여 과거의 네트워크 속도 자료의 변동성을 기준으로 어떠한 구간의 정보를 고정했을 때, 다른 링크들의 정보 변동성을 분산-공분산 행렬의 대각요소의 합으로서 구하여 이를 최소화하는 센서의 위치를 선정할 수 있다. Accordingly, the present invention, when fixing the information of any section based on the variability of the past network speed data by using information variability, the sensor to obtain the information variability of the other links as the sum of the diagonal elements of the dispersion-covariance matrix to minimize them You can select the position of.
상기 제2 최적의 센서 위치를 결정하는 단계(S300)에서는 상기 제2 최적화부(300)가 상기 제1 최적의 센서 위치로부터 유전 알고리즘을 이용하여 제2 최적의 센서 위치를 결정할 수 있다. 상기 제2 최적의 센서 위치를 결정하는 단계(S300)에서는 상기 제2 최적화부(300)는 유전 알고리즘을 이용하여 상기 제1 최적의 센서 위치를 결정하는 단계(S200)에서 제1 최적의 센서 위치를 결정할 때 센서의 위치를 복수로 결정하게 될 경우 해의 복잡도가 기하급수적으로 늘어나게 되는 경우에도 최적화해를 구할 수 있다. 상기 유전 알고리즘은 Evolutionary Strategy(진화전략)의 일종인 Plus Strategy이 사용될 수 있다. Plus Strategy란 부모 세대와 자손 세대를 함께 평가하여 이중 우수한 유전자를 후대로 전달하는 방식의 알고리즘을 의미한다. 본 발명에서는, 유전 알고리즘의 각 개체는 정해진 센서 개수만큼의 유전자(Gene)을 가질 수 있으며, 각 유전자는 센서 위치를 의미할 수 있다.In the determining of the second optimal sensor position (S300), the
상기 제2 최적의 센서 위치를 결정하는 단계(S300)에서는 부모 세대로 선정하는 단계(S310), 절반을 선택하는 단계 (S320), 돌연변이하는 단계(S330), 교배하는 단계(S340), 정보 변동성을 평가하는 단계(S350), 다시 부모 세대로 지정하는 단계(S360), 반복하는 단계(S370) 및 제2 최적의 센서 위치를 결정하는 단계(S380)를 포함할 수 있다.In the determining of the second optimal sensor position (S300), selecting as a parent generation (S310), selecting a half (S320), mutating (S330), crossing (S340), and information variability Evaluating (S350), specifying the parent generation again (S360), repeating (S370), and determining a second optimal sensor position (S380).
상기 부모 세대로 선정하는 단계(S310)에서는 상기 제2 최적화부(300)는 특정 개수의 랜덤한 개체를 생성하여 부모 세대로 선정할 수 있다. 상기 절반을 선택하는 단계 (S320)에서는 상기 제2 최적화부(300)는 상기 부모 세대 중 절반을 선택할 수 있다. 상기 돌연변이하는 단계(S330)에서는 상기 제2 최적화부(300)는 선택된 절반의 개체의 각 유전자를 0.5의 확률로 돌연변이 과정을 진행할 수 있다. 상기 교배하는 단계(S340)에서는 상기 제2 최적화부(300)는 남은 절반의 개체의 각 개체들 중 2개씩을 랜덤하게 짝지어 유전자당 0.5의 확률로 교배할 수 있다. 상기 정보 변동성을 평가하는 단계(S350)에서는 상기 제2 최적화부(300)는 상기 생성된 랜덤한 개체, 상기 돌연변이 된 개체 및 상기 교배된 개체들의 상기 정보 변동성을 평가할 수 있다. 상기 정보 변동성의 평가에는 상기 정보 변동성을 계산하는 단계(S100) 및 상기 제1 최적의 센서의 위치를 결정하는 단계(S200)가 이용될 수 있다. 상기 다시 부모 세대로 지정하는 단계(S360)에서는 상기 제2 최적화부(300)는 상기 평가한 개체들 중 상기 정보 변동성이 낮은 특정 개수만큼의 개체를 선정하고, 이를 다시 부모 세대로 지정할 수 있다. 상기 반복하는 단계(S370)에서는 상기 제2 최적화부(300)는 특정 횟수만큼 상기 절반을 선택하고, 돌연변이하고, 교배하고, 정보 변동성을 평가하고, 다시 부모 세대로 지정하는 단계를 반복할 수 있다. 상기 제2 최적의 센서 위치를 결정하는 단계(S380)에서는 상기 제2 최적화부(300)는 최종적으로 선정된 부모 세대 개체들로부터 상기 제2 최적의 센서 위치를 결정할 수 있다. In step S310, the
예를 들면, 도 6과 같이 센서가 M개이고, 부모집단의 크기가 N일때, 상기 제2 최적화부(300)는 N개의 길이 M의 랜덤 수열을 생성하고 배열에 부모집단을 지정하며, 상기 부모집단 중 50%를 돌연변이 집단으로 지정하고, 돌연변이 집단인 경우 돌연변이 과정을 거쳐 돌연변이 집단을 생성하고, 돌연변이 집단이 아닌 경우 교배과정을 거쳐 교배 집단을 생성하고, 상기 돌연변이 집단과 상기 교배 집단 및 상기 부모 집단을 평가 집단으로 하여 상기 평가집단 전체에 대해 각자의 변동성을 계산한 후 변동성이 상위인 N개를 선정하여 다시 부모집단으로 선정하며, 이를 특정 횟수동안 반복할 수 있다.For example, when there are M sensors as shown in FIG. 6 and the size of the parent group is N, the
상기 돌연변이 과정은 돌연변이 집단으로 지정된 모든 개체 내 모든 유전자에 대하여 50%의 확률로 무작위로 변이하는 과정일 수 있다. 예를 들면, 도 7과 같이 1, 5, 8 및 4의 유전자값을 갖는 개체에 대하여 각 유전자값을 50% 확률로 무작위 값으로 변경할 수 있다.The mutation process may be a 50% chance of random mutation for all genes in all individuals assigned to the mutation population. For example, as shown in FIG. 7, for each individual having a gene value of 1, 5, 8, and 4, each gene value may be changed to a random value with a 50% probability.
상기 교배 과정은 교배 집단으로 지정된 모든 개체 내 모든 유전자에 대하여 50%의 확률로 유전자를 교환하는 과정일 수 있다. 예를 들면, 도 8과 같이 1, 5, 8 및 4의 유전자값을 갖는 개체와 8, 13, 25 및 7의 유전자값을 갖는 개체를 각 유전자의 대응되는 위치별로 50%의 확률로 유전자 값을 교환할 수 있다.The mating process may be a process of exchanging genes with a 50% probability for all genes in all individuals designated as mating populations. For example, as shown in FIG. 8, an individual having a gene value of 1, 5, 8, and 4 and an individual having a gene value of 8, 13, 25, and 7 have a 50% probability of having a gene value corresponding to each position of each gene. Can be exchanged.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although described above with reference to the embodiments, those skilled in the art can variously modify and change the present invention without departing from the spirit and scope of the invention described in the claims below. I can understand that.
100: 정보 변동성 계산부
200: 제1 최적화부
300: 제2 최적화부
S100: 정보 변동성을 계산하는 단계
S200: 제1 최적의 센서의 위치를 결정하는 단계
S300: 제2 최적의 센서 위치를 결정하는 단계100: information volatility calculation unit
200: first optimization unit
300: second optimization unit
S100: calculating information volatility
S200: determining the position of the first optimal sensor
S300: determining the second optimal sensor position
Claims (20)
상기 정보 변동성으로부터 상기 네트워크에서의 제1 최적의 센서 위치를 결정하는 제1 최적화부; 및
상기 제1 최적의 센서 위치로부터 유전 알고리즘을 이용하여 제2 최적의 센서 위치를 결정하는 제2 최적화부를 포함하고,
상기 정보 변동성은 다음의 수학식으로 정의되고,
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.
상기 제1 최적의 센서의 위치는 다음의 수학식을 이용하여 결정되는 네트워크 센서 위치 선정 시스템.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고,
An information variability calculator for calculating information variability for the entire network from speed information of the link for each period;
A first optimizer for determining a first optimal sensor position in the network from the information variability; And
A second optimizer configured to determine a second optimal sensor position using a genetic algorithm from the first optimal sensor position,
The information variability is defined by the following equation,
Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
The position of the first optimal sensor is determined using the following equation.
Where Tr is an information variability function, S is network speed information, z is sensor location,
The network sensor positioning system of claim 1, wherein the first optimizer determines a location having the lowest information variability as a first optimal sensor location.
The network sensor positioning system according to claim 1, wherein the speed information of the link for each period includes information on the speed of the link acquired at regular intervals for a period of time and information of the link which has not changed during the period.
특정 센서의 순서쌍의 모든 교통 정보 자료의 경우의 수를 수집하고,
각 경우의 수에 대하여 다른 링크들의 자료를 수집하고,
하나의 경우의 수에 대하여 링크별 분산 계산 및 합산하고,
모든 경우에 대하여 상기 합산하는 단계를 반복하고,
상기 모든 경우에 대하여 합산된 값들을 모두 합산하여 상기 정보 변동성을 계산하는 네트워크 센서 위치 선정 시스템.
The method of claim 1, wherein the information variability calculator,
Collect the number of cases of all traffic information of the ordered pair of a specific sensor,
Collect data from different links for each case number,
Calculate and add variances per link for the number of cases
Repeat the summing step for all cases,
And calculating the information variability by adding up the summed values for all the cases.
특정 개수의 랜덤한 개체를 생성하여 부모 세대로 선정하고,
상기 부모 세대 중 절반을 선택하고,
선택된 절반의 개체의 각 유전자를 0.5의 확률로 돌연변이 과정을 진행하고,
남은 절반의 개체의 각 개체들 중 2개씩을 랜덤하게 짝지어 유전자당 0.5의 확률로 교배하고,
상기 생성된 랜덤한 개체, 상기 돌연변이 된 개체 및 상기 교배된 개체들의 상기 정보 변동성을 평가하고,
상기 평가한 개체들 중 상기 정보 변동성이 낮은 특정 개수만큼의 개체를 선정하고, 이를 다시 부모 세대로 지정하고,
특정 횟수만큼 상기 절반을 선택하고, 돌연변이하고, 교배하고, 정보 변동성을 평가하고, 다시 부모 세대로 지정하는 단계를 반복하며,
최종적으로 선정된 부모 세대 개체들로부터 상기 제2 최적의 센서 위치를 결정하는 네트워크 센서 위치 선정 시스템.
The method of claim 1, wherein the second optimizer,
Create a certain number of random entities and select them as parent generation,
Select half of the parent generation,
Each gene in the selected half of the individuals has a probability of 0.5 mutation,
2 of each of the remaining half individuals are randomly matched and crossed at a probability of 0.5 per gene,
Assessing the information variability of the generated random individuals, the mutated individuals and the crossed individuals,
Select a specific number of individuals with low information variability among the evaluated individuals, designate them as parent generation again,
Repeating the steps of selecting the half, mutating, mating, evaluating information variability and assigning back to the parent generation a certain number of times,
A network sensor positioning system for determining the second optimal sensor position from finally selected parent generation entities.
제1 최적화부가 상기 정보 변동성으로부터 상기 네트워크에서의 제1 최적의 센서의 위치를 결정하는 단계; 및
제2 최적화부가 상기 제1 최적의 센서 위치로부터 유전 알고리즘을 이용하여 제2 최적의 센서 위치를 결정하는 단계를 포함하고,
상기 정보 변동성은 다음의 수학식으로 정의되고,
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치임.
상기 제1 최적의 센서의 위치는 다음의 수학식을 이용하여 결정되는 네트워크 센서 위치 선정 방법.
여기서, Tr은 정보 변동성 함수이고, S는 네트워크 속도 정보이고, z는 센서 위치이고,
Calculating, by the information volatility calculator, information volatility for the entire network from speed information of the link for each period;
Determining, by the first optimization unit, the position of the first optimal sensor in the network from the information variability; And
Determining, by the second optimizer, a second optimal sensor position from the first optimal sensor position using a genetic algorithm,
The information variability is defined by the following equation,
Where Tr is the information variability function, S is the network speed information, and z is the sensor location.
The location of the first optimal sensor is determined using the following equation.
Where Tr is an information variability function, S is network speed information, z is sensor location,
12. The method of claim 11, wherein the determining of the position of the first optimal sensor determines the position of the lowest information variability as the first optimal sensor position.
12. The method of claim 11, wherein the speed information of the link for each period includes speed information of a link acquired at regular intervals for a predetermined period and information of a link that has not changed during the period.
특정 센서의 순서쌍의 모든 교통 정보 자료의 경우의 수를 수집하는 단계;
각 경우의 수에 대하여 다른 링크들의 자료를 수집하는 단계;
하나의 경우의 수에 대하여 링크별 분산 계산 및 합산하는 단계;
모든 경우에 대하여 상기 합산하는 단계를 반복하는 단계; 및
상기 모든 경우에 대하여 합산된 값들을 합산하는 단계를 포함하는 네트워크 센서 위치 선정 방법.
The method of claim 11, wherein calculating information volatility comprises:
Collecting the number of cases of all traffic information data of the ordered pair of specific sensors;
Collecting data of different links for each case number;
Calculating and summing link-specific variances for the number of cases;
Repeating the summing step for all cases; And
Summing up the summed values for all the cases.
특정 개수의 랜덤한 개체를 생성하여 부모 세대로 선정하는 단계;
상기 부모 세대 중 절반을 선택하는 단계;
선택된 절반의 개체의 각 유전자를 0.5의 확률로 돌연변이 과정을 진행하는 단계;
남은 절반의 개체의 각 개체들 중 2개씩을 랜덤하게 짝지어 유전자당 0.5의 확률로 교배하는 단계;
상기 생성된 랜덤한 개체, 상기 돌연변이 된 개체 및 상기 교배된 개체들의 상기 정보 변동성을 평가하는 단계;
상기 평가한 개체들 중 상기 정보 변동성이 낮은 특정 개수만큼의 개체를 선정하고, 이를 다시 부모 세대로 지정하는 단계; 및
특정 횟수만큼 상기 절반을 선택하는 단계, 돌연변이 과정을 진행하는 단계, 교배하는 단계, 정보 변동성을 평가하는 단계, 다시 부모 세대로 지정하는 단계를 반복하는 단계; 및
최종적으로 선정된 부모 세대 개체들로부터 최적화된 센서 위치를 결정하는 단계를 포함하는 네트워크 센서 위치 선정 방법.
12. The method of claim 11, wherein determining the second optimal sensor position comprises:
Generating a specific number of random entities and selecting the random generations as parent generations;
Selecting half of the parent generations;
Subjecting each gene of the selected half of the individuals to a mutation process with a probability of 0.5;
Randomly pairing two of each individual of the remaining half of the individuals with a probability of 0.5 per gene;
Evaluating the information variability of the generated random entity, the mutated entity and the crossed entity;
Selecting a specific number of individuals having low information variability among the evaluated individuals and designating them as parent generations; And
Repeating the step of selecting the half a specific number of times, performing the mutation process, mating, evaluating information variability, and assigning it back to the parent generation; And
Determining the optimal sensor location from the finally selected parent generation entities.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190071472A KR102050978B1 (en) | 2019-06-17 | 2019-06-17 | Selection method for network sensor location and system using thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190071472A KR102050978B1 (en) | 2019-06-17 | 2019-06-17 | Selection method for network sensor location and system using thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102050978B1 true KR102050978B1 (en) | 2019-12-02 |
Family
ID=68847677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190071472A KR102050978B1 (en) | 2019-06-17 | 2019-06-17 | Selection method for network sensor location and system using thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102050978B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120120548A (en) | 2011-04-25 | 2012-11-02 | 인천대학교 산학협력단 | Efficient sensor deployment method in wireless sensor network, wireless sensor network system using the same and recording medium for the same |
| JP6087252B2 (en) * | 2013-09-26 | 2017-03-01 | 株式会社日立製作所 | Power system facility planning support apparatus and power system facility arrangement determination method |
| JP2017225118A (en) * | 2016-06-13 | 2017-12-21 | 富士通株式会社 | Method and device for arranging radio network |
-
2019
- 2019-06-17 KR KR1020190071472A patent/KR102050978B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120120548A (en) | 2011-04-25 | 2012-11-02 | 인천대학교 산학협력단 | Efficient sensor deployment method in wireless sensor network, wireless sensor network system using the same and recording medium for the same |
| JP6087252B2 (en) * | 2013-09-26 | 2017-03-01 | 株式会社日立製作所 | Power system facility planning support apparatus and power system facility arrangement determination method |
| JP2017225118A (en) * | 2016-06-13 | 2017-12-21 | 富士通株式会社 | Method and device for arranging radio network |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ouma et al. | Topological and statistical analyses of gene regulatory networks reveal unifying yet quantitatively different emergent properties | |
| Epperson et al. | Utility of computer simulations in landscape genetics | |
| Gibson | Markov chain Monte Carlo methods for fitting spatiotemporal stochastic models in plant epidemiology | |
| Peter et al. | The effective founder effect in a spatially expanding population | |
| Ji | Models and algorithm for stochastic shortest path problem | |
| Li et al. | Calibrating cellular automata based on landscape metrics by using genetic algorithms | |
| Burbrink et al. | Resolving spatial complexities of hybridization in the context of the gray zone of speciation in North American ratsnakes (Pantherophis obsoletus complex) | |
| Reynolds et al. | Multi‐criteria assessment of ecological process models | |
| JP4591794B2 (en) | Information processing apparatus and method, and program | |
| Jones et al. | A comparison of four methods for detecting weak genetic structure from marker data | |
| CN112308281A (en) | Temperature information prediction method and device | |
| Vinay et al. | Taguchi method for parameter design in ACO algorithm for distribution–allocation in a two-stage supply chain | |
| CN111832725A (en) | Multi-robot multi-task allocation method and device based on improved genetic algorithm | |
| Hock et al. | Quantifying the reliability of dispersal paths in connectivity networks | |
| Salmona et al. | Inferring demographic history using genomic data | |
| Shao et al. | Optimization of network sensor location for full link flow observability considering sensor measurement error | |
| Milligan et al. | Disentangling genetic structure for genetic monitoring of complex populations | |
| CN114578087B (en) | Wind speed uncertainty measurement method based on non-dominant sorting and stochastic simulation algorithm | |
| Milano et al. | Robustness, evolvability and phenotypic complexity: insights from evolving digital circuits | |
| KR102050978B1 (en) | Selection method for network sensor location and system using thereof | |
| KR101416916B1 (en) | Optimization distribution system of items in military logistics based on multi agent system and control method of the same | |
| Mercier et al. | Effective resistance against pandemics: Mobility network sparsification for high-fidelity epidemic simulations | |
| Nath et al. | Estimation in an island model using simulation | |
| JP4591793B2 (en) | Estimation apparatus and method, and program | |
| Furstenau et al. | The effect of the dispersal kernel on isolation-by-distance in a continuous population |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |