KR102134545B1 - 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 - Google Patents
미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 Download PDFInfo
- Publication number
- KR102134545B1 KR102134545B1 KR1020190177907A KR20190177907A KR102134545B1 KR 102134545 B1 KR102134545 B1 KR 102134545B1 KR 1020190177907 A KR1020190177907 A KR 1020190177907A KR 20190177907 A KR20190177907 A KR 20190177907A KR 102134545 B1 KR102134545 B1 KR 102134545B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensor
- measurement
- fine dust
- air quality
- value
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 198
- 239000000428 dust Substances 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 31
- 238000012806 monitoring device Methods 0.000 claims description 28
- 238000012417 linear regression Methods 0.000 claims description 15
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 14
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 29
- 238000002474 experimental method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 12
- 239000012855 volatile organic compound Substances 0.000 description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000009423 ventilation Methods 0.000 description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 230000015654 memory Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
Landscapes
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Ecology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Marketing (AREA)
- Environmental Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법이 제시된다. 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법은, 미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정하는 단계; 및 상기 입력 변수를 머신러닝(Machine Learning, ML) 또는 딥러닝(Deep Neural Network, DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력하는 단계를 포함하여 이루어질 수 있다.
Description
아래의 실시예들은 미세먼지 및 초미세먼지의 측정 정확도 향상을 위한 센서 자동보정 방법에 관한 것이다.
최근 미세먼지의 고농도 사례 발생 빈도가 증가함에 따라 국민의 우려가 높아지고 있다. 미세먼지는 공기역학적 입자 직경이 10mg 이하인 대기 오염 물질로서 흡입 시 호흡기계 및 심혈관계의 기능 저하를 초래한다. 미세먼지의 심각성이 부각됨에 따라 정부도 미세먼지를 해결이 필요한 사회적 재난으로 인정하여 2019년 2월 '미세먼지 저감 및 관리에 관한 특별법'을 시행하고 있다. 미세먼지를 제거하는 것은 현실적으로 불가능하기에 미세먼지의 정확한 예보를 통해 피해를 방지하고 미세먼지에 대응하는 것이 중요한 사항이다.
이전부터 국내외적으로 미세먼지 농도에 대한 연구는 활발하게 진행되어 왔다. 일일 평균 미세먼지의 농도를 예측하기 위해 환경데이터(SO2, CO, NO, NO2) 및 기상 데이터(온도, 상대 습도, 풍속)를 사용해 다섯 가지 선형 모델의 성능을 비교 분석하고, 시간 별 미세먼지와 초미세먼지, 미세먼지 경보와 기상 데이터로 데이터셋을 구성하고 인공 신경 네트워크(ANN)를 사용해 지중해 국가의 미세먼지 수치를 예측했으며, 딥러닝(Deep Neural Network, DNN)와 K-평균 클러스터링(K-means Clustering)을 활용해 미세먼지와 초미세먼지의 농도를 분석했다. (비특허문헌 1)에서는 기상 데이터셋과 선형회귀 분석과 인공 신경망 분석, LSTM을 사용해 초미세먼지 예측 모델을 제안했다. 머신러닝과 딥러닝 모델을 활용해 미세먼지의 농도를 예측한다. 그러나, 저가형 센서의 측정값은 국가대기측정망(AirKorea) 센서에 비해 정밀도가 현저히 떨어지기 때문에 저가형 센서 장비의 측정값을 신뢰하기에 한계가 있다. 또한 저가형 미세먼지 측정 장비의 보급이 늘어남에 따라 저가형 센서 장비의 측정 정확도를 향상시키는 문제가 대두되고 있다.
R. O. Sinnott and Z. Guan.: Prediction of Air Pollution through Machine Learning Approaches on the Cloud. 2018 IEEE/ACM 5th International Conference on Big Data Computing Applications and Technologies (BDCAT), Zurich. pp. 51-60 (2018).
실시예들은 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템에 관하여 기술하며, 보다 구체적으로 공기질 측정 센서를 통해 공기질을 측정하여 서버에 전달함에 따라 모니터링 장치로 전달되어 공기질 정보를 사용자가 쉽게 인지할 수 있도록 표시하고, 효율적으로 분석 및 관리할 수 있는 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템을 제공하는데 있다.
또한, 실시예들은 저가형 측정 센서를 국가대기측정망 센서에 자동보정하는 모델을 제공함으로써, 저비용으로 높은 정확도를 갖는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법을 제공하는데 있다.
일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법은, 미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정하는 단계; 및 상기 입력 변수를 머신러닝(Machine Learning, ML) 또는 딥러닝(Deep Neural Network, DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력하는 단계를 포함하여 이루어질 수 있다.
목표 변수로 국가대기측정망(AirKorea)의 PM10 값 또는 국가대기측정망(AirKorea)의 PM2.5 값을 입력 받아 상기 입력 변수에 반영하는 단계를 더 포함하고, 상기 목표 변수로 국가대기측정망(AirKorea)의 PM10 값 또는 국가대기측정망(AirKorea)의 PM2.5 값을 입력 받아 상기 입력 변수에 반영하는 단계는, 상기 공기질 측정 센서로부터 수집한 센서 측정값 PM10을 국가대기측정망(AirKorea)의 PM10 값을 이용해 보정하거나, 센서 측정값 PM2.5을 국가대기측정망(AirKorea)의 PM2.5 값을 이용해 보정할 수 있다.
군집분석(Clustering)을 통해 상기 입력 변수를 추가하는 단계를 더 포함할 수 있다.
상기 군집분석(Clustering)을 통해 상기 입력 변수를 추가하는 단계는, 상기 공기질 측정 센서로부터 수집한 센서 측정값 중 PM10이 0이거나 없는 경우와, 목표 변수인 국가대기측정망(AirKorea)의 PM10이 0이거나 없는 경우의 데이터를 제거한 후 군집분석을 하여 상기 입력 변수를 추가할 수 있다.
상기 공기질 측정 센서로부터 수집한 센서 측정값은 PM10, PM2.5, CO2, HCHO, VOC, 온도(Temperature) 및 습도(Humidity) 값을 포함할 수 있다.
상기 자동보정 모델은, LinearRegression(LR), RandomForest(RF), ExtraTreesRegressor(ETR), AdaBoost(AB), Bagging, Gradient Boosting(GB), Deep Neural Network(DNN) 및 Long Short-Term Memory(LSTM) 알고리즘 중 적어도 어느 하나 이상일 수 있다.
다른 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치는, 미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정하는 입력 변수 설정부; 및 상기 입력 변수를 머신러닝(Machine Learning, ML) 또는 딥러닝(Deep Neural Network, DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력하는 측정값 자동보정부를 포함하여 이루어질 수 있다.
실시예들에 따르면 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템에 관하여 기술하며, 보다 구체적으로 공기질 측정 센서를 통해 공기질을 측정하여 서버에 전달함에 따라 모니터링 장치로 전달되어 공기질 정보를 사용자가 쉽게 인지할 수 있도록 표시하고, 효율적으로 분석 및 관리할 수 있는 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템을 제공할 수 있다.
또한, 실시예들에 따르면 저가형 측정 센서를 국가대기측정망 센서에 자동보정하는 모델을 제공함으로써, 저비용으로 높은 정확도를 갖는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법을 제공할 수 있다.
도 1은 일 실시예에 따른 공기질 측정 장치를 예를 들어 나타내는 도면이다.
도 2는 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 구성을 설명하기 위한 도면이다.
도 3a는 일 실시예에 따른 P2P 연동을 설명하기 위한 도면이다.
도 3b는 일 실시예에 따른 클라우드 연동을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 동작 방법을 나타내는 흐름도이다.
도 5a는 일 실시예에 따른 서비스형 시스템 구성을 설명하기 위한 도면이다.
도 5b는 일 실시예에 따른 구축형 시스템 구성을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치를 나타내는 블록도이다.
도 7은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법을 나타내는 흐름도이다.
도 8은 일 실시예에 따른 전달 받은 공기질 측정 장치의 PM10 측정값과 국가대기측정망(AirKorea)의 PM10 측정값을 비교하여 나타내는 도면이다.
도 9는 일 실시예에 따른 전달 받은 공기질 측정 장치의 PM2.5 측정값과 국가대기측정망(AirKorea)의 PM2.5 측정값을 비교하여 나타내는 도면이다.
도 10은 일 실시예에 따른 전달 받은 전체 사용 변수의 상관관계를 나타내는 도면이다.
도 11은 일 실시예에 따른 DNN 구조를 설명하기 위한 도면이다.
도 12는 일 실시예에 따른 LSTM 구조를 설명하기 위한 도면이다.
도 13은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM10 실험 결과를 표로 나타낸 도면이다.
도 14는 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM10 실험 결과를 그래프로 나타낸 도면이다.
도 15는 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM2.5 실험 결과를 표로 나타낸 도면이다.
도 16은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM2.5 실험 결과를 그래프로 나타낸 도면이다.
도 17은 일 실시예에 따른 승강장 군집분석 결과를 나타내는 그래프이다.
도 18은 일 실시예에 따른 대합실 군집분석 결과를 나타내는 그래프이다.
도 19는 일 실시예에 따른 승강장의 보정 전과 보정 후 측정값과 국가대기측정망(AirKorea)의 측정값과 비교하여 나타낸 그래프이다.
도 20은 일 실시예에 따른 대합실의 보정 전과 보정 후 측정값과 국가대기측정망(AirKorea)의 측정값과 비교하여 나타낸 그래프이다.
도 21은 일 실시예에 따른 모니터링 예시를 나타내는 도면이다.
도 22는 일 실시예에 따른 특정 영역들의 공기질 센서 장치의 결과 확인 예시를 나타내는 도면이다.
도 23은 일 실시예에 따른 측정기 관리의 예시를 나타내는 도면이다.
도 24는 일 실시예에 따른 측정기 등록의 예시를 나타내는 도면이다.
도 25는 일 실시예에 따른 제품군 등록의 예시를 나타내는 도면이다.
도 2는 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 구성을 설명하기 위한 도면이다.
도 3a는 일 실시예에 따른 P2P 연동을 설명하기 위한 도면이다.
도 3b는 일 실시예에 따른 클라우드 연동을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 동작 방법을 나타내는 흐름도이다.
도 5a는 일 실시예에 따른 서비스형 시스템 구성을 설명하기 위한 도면이다.
도 5b는 일 실시예에 따른 구축형 시스템 구성을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치를 나타내는 블록도이다.
도 7은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법을 나타내는 흐름도이다.
도 8은 일 실시예에 따른 전달 받은 공기질 측정 장치의 PM10 측정값과 국가대기측정망(AirKorea)의 PM10 측정값을 비교하여 나타내는 도면이다.
도 9는 일 실시예에 따른 전달 받은 공기질 측정 장치의 PM2.5 측정값과 국가대기측정망(AirKorea)의 PM2.5 측정값을 비교하여 나타내는 도면이다.
도 10은 일 실시예에 따른 전달 받은 전체 사용 변수의 상관관계를 나타내는 도면이다.
도 11은 일 실시예에 따른 DNN 구조를 설명하기 위한 도면이다.
도 12는 일 실시예에 따른 LSTM 구조를 설명하기 위한 도면이다.
도 13은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM10 실험 결과를 표로 나타낸 도면이다.
도 14는 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM10 실험 결과를 그래프로 나타낸 도면이다.
도 15는 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM2.5 실험 결과를 표로 나타낸 도면이다.
도 16은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM2.5 실험 결과를 그래프로 나타낸 도면이다.
도 17은 일 실시예에 따른 승강장 군집분석 결과를 나타내는 그래프이다.
도 18은 일 실시예에 따른 대합실 군집분석 결과를 나타내는 그래프이다.
도 19는 일 실시예에 따른 승강장의 보정 전과 보정 후 측정값과 국가대기측정망(AirKorea)의 측정값과 비교하여 나타낸 그래프이다.
도 20은 일 실시예에 따른 대합실의 보정 전과 보정 후 측정값과 국가대기측정망(AirKorea)의 측정값과 비교하여 나타낸 그래프이다.
도 21은 일 실시예에 따른 모니터링 예시를 나타내는 도면이다.
도 22는 일 실시예에 따른 특정 영역들의 공기질 센서 장치의 결과 확인 예시를 나타내는 도면이다.
도 23은 일 실시예에 따른 측정기 관리의 예시를 나타내는 도면이다.
도 24는 일 실시예에 따른 측정기 등록의 예시를 나타내는 도면이다.
도 25는 일 실시예에 따른 제품군 등록의 예시를 나타내는 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 일 실시예에 따른 공기질 측정 장치를 예를 들어 나타내는 도면이다.
도 1을 참조하면, 공기질 측정 장치(100)는 미세먼지, 온도, 습도 및 소음, 유해가스를 측정하여 LTE(Long Term Evolution) 및 이더넷(Ethernet) 통신 등을 이용하여 데이터를 서버에 수집하는 장치로, 전용 웹(Web) 또는 앱(App)을 통해 실내 공기질을 확인할 수 있다. 여기에서는 무선통신의 일례로써 LTE를 중심으로 설명하고, 근거리 통신의 일례로써 이더넷을 중심으로 설명하지만 이러한 통신에 한정되는 것은 아니다. 예를 들어 무선통신은 LTE뿐만 아니라 3G, 5G 등이 사용될 수 있다.
이러한 공기질 측정 장치(100)는 본체 및 본체와 연결된 안테나를 포함할 수 있으며, 본체에는 DC 입력 단자 및 LAN 포트(Port)가 구성될 수 있다. 또한 공기질 측정 장치(100)는 어댑터(adapter)를 더 포함할 수 있다. 예컨대, 안테나는 LTE 전용 안테나일 수 있다.
본체는 PCB(Printed Circuit Board)를 포함하며, 예컨대 PCB는 DC Connector, W5500(Ethernet), RJ45, 미세먼지 센서, MCU(Micro Controller Unit), CO2 센서, 온도 및 습도 센서, CO 센서, HCHO 센서, LTE 모듈(module) 및 VOC 센서를 포함할 수 있다. 또한, USIM 커넥터(Connector)(LTE)를 포함할 수 있다.
예를 들어 본체에 포함되는 센서의 사양을 표 1과 같이 나타낼 수 있다.
[표 1]
여기서, PM10은 지름이 10㎛ 이하인 먼지를 의미하며 미세먼지라 부르고, PM2.5는 지름이 2.5㎛ 이하인 먼지를 의미하며 초미세먼지라고 부른다. CO2는 이산화탄소(carbon dioxide)이고, HCHO는 포름알데히드(formaldehyde)이며, VOC(Volatile Organic Compound)는 휘발성유기화합물의 의미한다.
공기질 측정 장치(100)의 미세먼지 센서는 미세먼지 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송할 수 있고, 온도 및 습도 센서는 온도 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송하고, 습도 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송할 수 있다. CO2 센서는 CO2 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송하고, CO 센서는 CO 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송하며, HCHO 센서는 HCHO 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송하고, VOC 센서는 휘발성 가스 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송할 수 있다. 또한, 소음 센서를 더 포함할 수 있으며 소음 센서는 소음 데이터를 측정하여 LTE/이더넷 통신으로 서버에 전송할 수 있고, 서버에서 장비 FW 버전을 확인하여 최신 버전으로 자동 업데이트(update)하는 FOTA 기능을 포함할 수 있다.
도 2는 일 실시예에 따른 공기질 관리를 위한 플랫폼 시스템의 구성을 설명하기 위한 도면이다.
도 2를 참조하면, 일 실시예에 따른 공기질 관리를 위한 플랫폼 시스템(200)은 공기질 측정 센서, 제어부 및 무선통신부를 포함하여 이루어질 수 있으며, 실시예에 따라 공기질 측정 장치(210)는 서버(220) 및 모니터링 장치를 더 포함할 수 있다. 여기서, 공기질 측정 센서, 제어부 및 무선통신부는 공기질 측정 장치(210)로 구성될 수 있다. 이러한 공기질 측정 장치(210)는 특정 공간 또는 특정 영역의 미세먼지를 포함하는 공기질을 측정하는 장치로 이용될 수 있으며, 예컨대 실내 공기질 측정 장치로 사용될 수 있다.
공기질 측정 센서는 적어도 하나 이상의 센서를 통해 특정 영역의 미세먼지를 포함하는 공기질을 측정할 수 있다. 공기질 측정 센서는 복수의 센서들을 포함하며, 복수의 센서들을 통해 PM10, PM2.5, CO2, HCHO, VOC, 온도(Temperature) 및 습도(Humidity) 값을 측정할 수 있다. 또한 공기질 측정 센서는 소음 값을 측정하는 소음 센서를 더 포함할 수 있다.
제어부는 공기질 측정 센서로부터 센서 측정값을 수집하여 무선통신을 통해 서버(220)로 전달할 수 있다. 여기서, 제어부는 서버(220)에 수집된 센서 측정값을 전달함에 따라 서버(220)를 통해 모니터링 장치로 전달되어 공기질 정보를 표시할 수 있다.
무선통신부는 서버(220)와 무선통신으로 연결될 수 있다.
실시예에 따라 공기질 관리를 위한 플랫폼 시스템(200)은 서버(220) 및 모니터링 장치(230, 240,250, 260, 270)를 더 포함할 수 있다.
서버(220)는 제어부와 무선통신으로 연결되며, 제어부로부터 센서 측정값을 전달 받아 공기질을 분석하고 저장할 수 있다.
그리고, 모니터링 장치(230, 240,250, 260, 270)는 서버(220)와 무선통신으로 연결되며, 서버(220)에서 분석한 공기질 정보를 모니터링, 분석 및 설정 소프트웨어(S/W)나 웹(Web) 또는 앱(App)을 통해 전달 받아 특정 영역의 공기질을 모니터링 또는 관리할 수 있다. 예를 들어, 모니터링 장치(230, 240,250, 260, 270)는 관리자 컴퓨터(PC)(230), 관리자 단말(240), 사용자 컴퓨터(PC)(250), 사용자 단말(260) 및 파일서버(270)를 포함할 수 있다.
공기질 관리를 위한 플랫폼 시스템(200)은 LTE, WiFi, 이더넷 등의 다양한 통신방식으로 서버(220)와 통신할 수 있다. 일례로, 공기질 측정 장치(210)가 서버(220)와 3G, LTE, 5G 등의 무선통신을 통해 연결되는 경우 서버(220)와 모니터링 장치(230, 240,250, 260, 270)가 인터넷 망을 통해 연결될 수 있다. 다른 예로, 공기질 측정 장치(210)가 서버(220)와 WiFi, 이더넷 등의 내부망을 통해 연결되는 경우 내부망과 인터넷망의 연결을 통해 서버(220)와 모니터링 장치(230, 240,250, 260, 270)가 연결될 수 있다.
공기질 측정 장치(210)는 메인(main) PCB에 무선통신 모듈(예컨대 LTE, WiFi)을 선택적으로 사용하는 방식으로 서브 보드(sub-board)를 교체하여 통신할 수 있다.
예를 들어, 공기질 측정 장치(210)는 일정주기(1분 주기)로 서버(220)에 측정 데이터를 전송할 수 있다. 공기질 측정 장치(210)에 장착된 센서는 미세먼지(PM10/PM2.5), CO2, CO, HCHO, VOC 및 소음 센서로 구성되며, 각 센서는 고유의 주기(period)로 대기물질 등을 측정하여 메인 PCB의 MCU로 측정치를 내부 전송하며, MCU에서는 1분동안의 데이터를 취합하여 평균을 산정할 수 있다.
공기질 측정 장치(210)에서 전송한 데이터의 통신 무결성을 위해(seamless 데이터 전송) 플래시 메모리(flash memory)를 탑재하여 이에 대한 기능 스케줄링을 제공할 수 있다. 내부 메모리는 최소 1달간의 데이터를 저장하고 있으며 새로운 데이터 갱신 시, 자동적으로 가장 오래된 데이터를 삭제하고 가장 최신의 데이터를 저장하는 방식으로 동작하며, 전송되지 못한 데이터에 대해서는 다시 통신이 재개 되었을 때 전송하는 방식으로 데이터 전송의 무결성을 보장할 수 있다.
도 3a는 일 실시예에 따른 P2P 연동을 설명하기 위한 도면이다. 또한, 도 3b는 일 실시예에 따른 클라우드 연동을 설명하기 위한 도면이다.
연동은 공기질 측정 장치(310)와 댁내 공기청정기 또는 환기청정기(320)와의 연동을 의미한다. 연동 방식은 D2D(Device to Device)(또는 P2P) 연동과 클라우드(cloud) 연동으로 나누어질 수 있다.
도 3a를 참조하면, 제어부는 공기청정기 또는 환기청정기(320)와 D2D(Device to Device), P2P(Peer-to-Peer) 및 클라우드(cloud) 중 적어도 어느 하나 이상의 연동 방식을 통해 연동되어 수집된 센서 측정값에 따라 공기청정기 또는 환기청정기(320)의 동작을 제어할 수 있다.
여기서, P2P 연동은 다시 공기질 측정 장치(310) 메인 PCB 연동과 USB 슬롯(Universal Serial Bus slot)을 이용하는 방식으로 나누어질 수 있다. P2P 연동을 위해서는 공기청정기(또는 환기청정기)를 IR(적외선)을 사용하여 리모트 컨트롤(remote control)을 하게 된다. 이러한 IR 리모트 컨트롤 발신부(발광다이오드)를 공기질 측정 장치(310)의 메인 PCB에 부착하고 이를 컨트롤하는 펌웨어(firmware)를 탑재할 수 있다. 두 번째 P2P 연동 방식으로는 공기질 측정 장치(310)의 전원공급 및 콘솔 라인(console line)으로 쓰이는 USB 포트(micro USB type)에 USB 동글 타입(USB dongle type)의 연동 동글(dongle)을 연결하여 연동을 원하는 타입에만 사용하는 방법이다. USB 동글에 IR 리모트 컨트롤 발신부(발광다이오드)를 탑재하는 방식이다.
공기질 측정 장치(310)에서 측정되는 미세먼지 정보를 통해 공기청정기를 가동하는 연동 방식으로 보다 강화된 WHO 기준을 통하여 기준치 이상의 경우 환기청정기를 가동하여 미세먼지 농도가 높을수록 강->중->약으로 컨트롤 하는 기능을 말한다. 반대로 실내 미세먼지 농도가 낮을 경우 반대의 순서로 조절할 수 있다. 적외선 프로토콜은 NEC 프로토콜(protocol)을 사용할 수 있다.
도 3b를 참조하면, 제어부는 공기청정기 또는 환기청정기(320)와 클라우드(cloud) 연동 방식을 통해 연동되며, 제어부에서 클라우드 서버(330)로 수집된 센서 측정값을 전달함에 따라 클라우드 서버(330)에서 무선통신을 통해 공기청정기 또는 환기청정기(320)의 동작을 제어할 수 있다.
클라우드 연동의 경우 P2P 방식과 다른 점은 클라우드를 통해 공기질 데이터를 수집하고 실내 공기질에 의한 공기청정기 연동 여부를 클라우드 서버(330)에서 결정하는 방식으로 공기청정기에 wifi 모듈(또는 LTE 모듈)을 탑재하여 클라우드 서버(330)가 직접 동작 컨트롤을 하는 방식이다.
도 4는 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 동작 방법을 나타내는 흐름도이다.
도 4를 참조하면, 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 동작 방법은, 적어도 하나 이상의 센서를 포함하는 공기질 측정 센서를 통해 특정 영역의 미세먼지를 포함하는 공기질을 측정하는 단계(S110), 제어부에서 공기질 측정 센서로부터 센서 측정값을 수집하여 무선통신을 통해 서버로 전달하는 단계(S120) 및 서버에서 제어부로부터 센서 측정값을 전달 받아 공기질을 분석하고 저장한 다음, 모니터링 장치로 전달하여 공기질 정보를 표시하는 단계(S130)를 포함하여 이루어질 수 있다.
일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 동작 방법은 일례로 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템을 통해 수행될 수 있다. 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 동작 방법의 각 단계는 일 실시예에 따른 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템의 설명과 중복되어 간략히 설명하기로 한다.
단계(S110)에서, 적어도 하나 이상의 센서를 포함하는 공기질 측정 센서를 통해 특정 영역의 미세먼지를 포함하는 공기질을 측정할 수 있다.
단계(S120)에서, 제어부에서 공기질 측정 센서로부터 센서 측정값을 수집하여 무선통신을 통해 서버로 전달할 수 있다. 이 때, 서버는 제어부와 무선통신으로 연결되며, 제어부로부터 센서 측정값을 전달 받아 공기질을 분석하고 저장할 수 있다.
단계(S130)에서, 서버에서 제어부로부터 센서 측정값을 전달 받아 공기질을 분석하고 저장한 다음, 모니터링 장치로 전달하여 공기질 정보를 표시할 수 있다. 이 때, 모니터링 장치는 서버와 무선통신으로 연결되며, 서버에서 분석한 공기질 정보를 모니터링, 분석 및 설정 소프트웨어(S/W)나 웹(Web) 또는 앱(App)을 통해 전달 받아 특정 영역의 공기질을 모니터링 또는 관리할 수 있다. 한편, 이하에서는 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템을 간단히 공기질 측정 장치로 언급할 수 있다.
도 5a는 일 실시예에 따른 서비스형 시스템 구성을 설명하기 위한 도면이다.
도 5a를 참조하면, 공기질 측정 장치(510)는 LTE 등의 무선통신을 이용하여 공기질 분석 및 저장을 위한 서버(520)와 통신할 수 있고, 서버(520)에 저장된 정보는 모니터링, 분석 및 설정 소프트웨어(S/W), 웹(Web)(530)에 전달될 수 있다. 또한 서버(520)에 저장된 정보는 공조 시스템(540) 및 통합방재센터(550)에 전달될 수 있다. 한편, 서버(520)와 사용자 단말(560)이 무선통신(예컨대, LTE)으로 연결될 수 있으며, 이때 서버(520)는 사용자 단말(560)의 모니터링 소프트웨어(S/W), 앱(App)에 연결될 수 있다.
도 5b는 일 실시예에 따른 구축형 시스템 구성을 설명하기 위한 도면이다.
도 5b를 참조하면, 공기질 측정 장치(510)는 TCP/IP 이더넷 통신을 이용하여 공기질 분석 및 저장을 위한 서버(520)와 통신할 수 있고, 서버(520)에 저장된 정보는 TCP/IP를 통해 모니터링, 분석 및 설정 소프트웨어(S/W), 웹(Web)(530)에 전달될 수 있다. 또한 서버(520)에 저장된 정보는 TCP/IP를 통해 공조 시스템(540) 및 통합방재센터(550)에 전달될 수 있다.
아래에서는 미세먼지 측정 정확도 향상을 위한 저가형 센서 등 공기질 측정 센서의 자동보정 모델에 대해 설명한다. 아래에서 설명되는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법은 상술한 일 실시예에 따른 공기질 측정 장치 또는 공기질 측정 센서의 센서 측정값을 전달받아 보정함으로써 보다 정확한 공기질에 대한 값을 산출할 수 있다. 이하에서 공기질 측정 센서는 상술한 공기질 측정 센서 또는 공기질 측정 장치를 의미할 수 있다.
최근 미세먼지에 대한 심각성이 부각되면서 사람들의 우려가 높아짐에 따라 저가형 휴대용 미세먼지 측정기를 활용해 미세먼지를 측정하려는 추세를 보이고 있다. 하지만 저가형 미세먼지 측정 장치는 측정 구조가 단순해 국가대기측정망(AirKorea) 센서의 측정값과 대비해 현저히 낮은 측정값이 나타나는 문제가 있다. 이에 저가형 미세먼지 측정 센서로도 정확한 측정이 가능하도록 AirKorea 센서 측정값에 자동보정하는 모델을 제공할 수 있다.
일 실시예에 따르면 저가형 미세먼지를 포함하는 공기질 측정 센서를 국가대기측정망 센서에 자동보정하는 모델을 제공할 수 있다. 보다 구체적으로, 미세먼지의 농도 예보의 중요성을 인지하여 국가대기측정망(AirKorea) 센서 측정값에 저가 센서 측정값을 자동보정하는 모델을 개발하여 저가형 센서로도 AirKorea의 센서 측정값과 유사한 측정이 가능하도록 하였다.
도 6은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치를 나타내는 블록도이다.
도 6을 참조하면, 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치(600)는 입력 변수 설정부(610) 및 측정값 자동보정부(620)를 포함하여 이루어질 수 있다.
입력 변수 설정부(610)는 미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정할 수 있다.
측정값 자동보정부(620)는 입력 변수를 머신러닝(Machine Learning, ML) 또는 딥러닝(Deep Neural Network, DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력할 수 있다.
일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치(600)는 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법을 예를 들어 보다 상세히 설명할 수 있다.
도 7은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법을 나타내는 흐름도이다.
도 7을 참조하면, 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법은, 미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정하는 단계(S210) 및 입력 변수를 머신러닝(ML) 또는 딥러닝(DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력하는 단계(S240)를 포함하여 이루어질 수 있다.
실시예에 따라 군집분석(Clustering)을 통해 입력 변수를 추가하는 단계(S220)를 더 포함할 수 있다.
또한, 목표 변수로 국가대기측정망(AirKorea)의 PM10 값 또는 국가대기측정망(AirKorea)의 PM2.5 값을 입력 받아 입력 변수에 반영하는 단계(S230)를 더 포함할 수 있다.
아래에서 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치(600)를 예를 들어 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법의 각 단계를 보다 구체적으로 설명한다.
단계(S210)에서, 입력 변수 설정부(610)는 미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정할 수 있다. 공기질 측정 센서로부터 수집한 센서 측정값은 PM10, PM2.5, CO2, HCHO, VOC, 온도(Temperature) 및 습도(Humidity) 값을 포함할 수 있다.
단계(S220)에서, 입력 변수 설정부(610)는 군집분석(Clustering)을 통해 입력 변수를 추가할 수 있다. 보다 구체적으로, 입력 변수 설정부는 공기질 측정 센서로부터 수집한 센서 측정값 중 PM10이 0이거나 없는 경우와, 목표 변수인 국가대기측정망(AirKorea)의 PM10이 0이거나 없는 경우의 데이터를 제거한 후 군집분석을 하여 입력 변수를 추가할 수 있다.
단계(S230)에서, 입력 변수 설정부(610)는 목표 변수로 국가대기측정망(AirKorea)의 PM10 값 또는 국가대기측정망(AirKorea)의 PM2.5 값을 입력 받아 입력 변수에 반영할 수 있다.
미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치(600)에 사용되는 데이터에 대해 보다 상세히 설명한다.
미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치(600)를 제공하기 위해 ML(Machine Learning), DNN(Deep Neural Network) 알고리즘을 사용할 수 있다. 예컨대, 데이터셋으로 대전 문평동에 설치된 10월, 11월의 공기질 측정 장치 및 AirKorea 센서의 측정 데이터를 사용할 수 있다. 전달받은 데이터셋 시트(Dataset sheet)의 PM10은 Air-Korea’s PM10에 보정하고, PM2.5은 Air-Korea’s PM2.5에 보정한다. MinMaxScaler를 사용하여 모든 값이 0~1 사이에 있도록 데이터를 재조정할 수 있다. 이는 변수들의 단위 차이로 인해 숫자의 스케일이 크게 달라지기 때문이다.
훈련 데이터셋(train set)과 테스트 데이터셋(test set)의 비율은 아래의 표 2와 같이 설정할 수 있다.
[표 2]
LSTM(Long Short-Term Memory) 모델의 경우 훈련(train) 데이터의 20%를 검증(validation) 데이터로 사용할 수 있으며, Validation: 200으로 표현할 수 있다.
도 8은 일 실시예에 따른 전달 받은 공기질 측정 장치의 PM10 측정값과 국가대기측정망(AirKorea)의 PM10 측정값을 비교하여 나타내는 도면이다. 도 8의 (a)는 전체 564개의 데이터를 비교하여 나타낸 도면이고, (b)는 24시간을 평균으로 낸 전체 데이터를 비교하여 나타낸 도면이다. 공기질 측정 장치의 측정값은 국가대기측정망(AirKorea)와 측정값이 유사하진 않지만 비슷한 추세를 보이고 있다.
도 9는 일 실시예에 따른 전달 받은 공기질 측정 장치의 PM2.5 측정값과 국가대기측정망(AirKorea)의 PM2.5 측정값을 비교하여 나타내는 도면이다. 도 9의 (a)는 전체 564개의 데이터를 비교하여 나타낸 도면이고, (b)는 24시간을 평균으로 낸 전체 데이터를 비교하여 나타낸 도면이다. 마찬가지로, 공기질 측정 장치의 측정값은 국가대기측정망(AirKorea)와 측정값이 거의 유사하며 높은 정확도의 추세를 보인다.
도 10은 일 실시예에 따른 전달 받은 전체 사용 변수의 상관관계를 나타내는 도면이다. 도 10을 참조하면, 전달받은 전체 사용 변수의 상관관계를 확인할 수 있다. 여기서, 색상이 붉은색에 가까울수록 양의 상관관계를 가지며, 파란색에 가까울수록 음의 상관관계를 가진다. PM10, PM2.5 및 CO2는 양의 상관관계를 보이며, 온도(Temperature)는 음(-)의 상관관계를 보이는 것을 확인할 수 있다.
단계(S240)에서, 측정값 자동보정부(620)는 입력 변수를 머신러닝(ML) 또는 딥러닝(DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력할 수 있다. 여기서, 자동보정 모델은 LinearRegression(LR), RandomForest(RF), ExtraTreesRegressor(ETR), AdaBoost(AB), Bagging, Gradient Boosting(GB), Deep Neural Network(DNN) 및 Long Short-Term Memory(LSTM) 알고리즘 중 적어도 어느 하나 이상일 수 있다.
앞에서 언급한 바와 같이, 자동보정 모델은 머신러닝(Extra Trees, RandomForest), 딥러닝(DNN, LSTM) 알고리즘을 적용할 수 있다.
도 11은 일 실시예에 따른 DNN 구조를 설명하기 위한 도면이다.
도 11을 참조하면, 딥러닝(DNN) 구조는 입력층(1110), 은닉층(1120) 및 출력층(1130)으로 구분될 수 있으며, 입력층(1110)을 통해 센서 데이터(예컨대, 입력 변수 8개)가 입력되어, 은닉층(1120)을 통해 센서 데이터를 보정한 다음, 출력층(1130)을 통해 보정된 값(1131)을 출력할 수 있다.
도 12는 일 실시예에 따른 LSTM 구조를 설명하기 위한 도면이다.
도 12를 참조하면, 딥러닝 알고리즘 중 LSTM 구조는 입력층(1210), 은닉층(1220) 및 출력층(1230)으로 구분될 수 있으며, 입력층(1210)을 통해 센서 데이터(예컨대, 입력 변수 8개)가 입력되어, 은닉층(1220)을 통해 센서 데이터를 보정한 다음, 출력층(1230)을 통해 보정된 값(1231)을 출력할 수 있다.
미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 모델 성능 측정 척도를 다음과 같이 나타낼 수 있다.
평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE)는 정확도를 백분율로 표시할 수 있으며, 다음 식과 같이 나타낼 수 있다.
[수학식 1]
평균 제곱근 오차(Root Mean Squared Error, RMSE)는 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 다룰 때 흔히 사용하는 척도이며, 다음 식과 같이 나타낼 수 있다.
[수학식 2]
도 13은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM10 실험 결과를 표로 나타낸 도면이다. 도 13의 (a)는 전체 모델의 PM10 결과를 비교하여 나타내며, (b)는 DNN, LSTM 모델의 PM10 측정값 및 보정값을 비교하여 나타낸 도면이다. 실험 결과, DNN 모델이 LSTM 모델보다 MAPE 35.60, RMSE 10.53으로 가장 높은 정확도를 보이는 것을 확인할 수 있다.
도 14는 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM10 실험 결과를 그래프로 나타낸 도면이다. 도 14의 (a)는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치를 통한 DNN 모델의 PM10 보정 결과를 나타내며, (b)는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치를 통한 LSTM 모델의 PM10 보정 결과를 나타낸다.
여기서, DNN은 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 DNN 모델을 이용한 공기질 측정 센서의 PM10 보정 결과를 나타내며, LSTM은 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 LSTM 모델을 이용한 공기질 측정 센서의 PM10 보정 결과를 나타내고, 국가대기측정망(AirKorea)는 국가대기측정망(AirKorea)의 PM10 측정값을 나타내며, aircok은 공기질 측정 센서의 PM10 측정값을 나타낸다. 그래프를 분석해보면, LSTM 모델은 특정 구간에서 높은 보정 정확도를 보이는 것을 확인할 수 있다.
도 15는 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM2.5 실험 결과를 표로 나타낸 도면이다. 도 15의 (a)는 전체 모델의 PM2.5 결과를 비교하여 나타내며, (b)는 Bagging, LSTM 모델의 PM2.5 측정값 및 보정값을 비교하여 나타낸 도면이다. 실험 결과, Bagging 모델이 LSTM 모델보다 MAPE 35.60, RMSE 10.53으로 가장 높은 정확도를 보이는 것을 확인할 수 있다.
도 16은 일 실시예에 따른 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치의 PM2.5 실험 결과를 그래프로 나타낸 도면이다. 도 16의 (a)는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치를 통한 Bagging 모델의 PM2.5 보정 결과를 나타내며, (b)는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치를 통한 LSTM 모델의 PM2.5 보정 결과를 나타낸다.
따라서, LSTM 모델은 측정값과 타겟값 사이의 오차는 줄일 수 있지만 보정 결과의 신뢰도는 떨어질 수 있다. 즉, 데이터의 시계열 특성이 부족하다. 이는 파라미터 튜닝과 실험을 통해 고도화할 수 있다.
아래에서는 하나의 실험을 통해 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치 및 방법을 보다 구체적으로 설명한다.
성능 확인을 위한 실험을 위해, 지하 역사 중에서 4호선 수유역의 승강장, 대합실 2곳에 저가형 미세먼지 측정 센서를 설치해 미세먼지 농도를 1시간 단위로 측정한 후 저가형 미세먼지 측정 센서의 측정값이 AirKorea 센서 측정값에 자동보정하는 모델을 설계 및 구현했다.
실험에 사용한 데이터는 2019년 4월 25일부터 5월 25일까지의 서울 지하철 4호선 수유역의 승강장과 대합실에 각 1대씩 설치한 저가 센서 데이터의 대기질 정보와 AirKorea의 PM10 값이다. 대기질 정보는 PM10, PM2.5, CO2, HCHO, VOC, 온도(Temperature), 습도(Humidity)와 같은 데이터가 포함되어 있다. 일 실시예에서는 LinearRegression(LR), RandomForest(RF), ExtraTreesRegressor(ETR), AdaBoost(AB), Bagging, Gradient Boosting(GB), Multi Layer Perceptron(MLP) 알고리즘을 사용해 자동보정 모델을 제공할 수 있다. 모델의 성능 비교 결과, 승강장의 경우 Bagging 모델이 MAPE 15.30, RMSE 35.88로 가장 우수했으며, 대합실의 경우 Gradient Boosting(GB) 모델이 MAPE 15.21, RMSE 25.90으로 가장 우수한 성능을 보였다. 따라서 본 실시예에서 제안한 저가형 센서의 자동보정 모델을 통해 실생활에 보다 정밀한 미세먼지 측정값을 제공할 것이다.
먼저, 자동보정 모델 구현에 사용한 데이터와 추가적으로 사용한 입력 변수에 대해 설명한다. 모델에 사용한 입력 변수는 표 3과 같이 나타낼 수 있다.
[표 3]
실험을 위해 데이터 수집 및 가공을 수행할 수 있다.
일 실시예에서는 저가형 미세먼지 측정 센서의 측정값을 자동보정하는 실험을 하기 위해 지하 역사 내 4호선 수유역을 측정 장소로 선정했다. 수유역 내 승강장과 대합실에 각각 한 개씩 설치된 저가형 센서와 같은 위치에 설치된 국가대기측정망(AirKorea) 센서의 4월 25일부터 5월 25까지의 1시간 단위로 측정된 데이터를 수집하였다. 수집한 데이터에서 저가형 센서 변수 중 PM10의 값이 0이거나 없는 경우, Target 변수인 AirKorea의 PM10 값이 0이거나 없는 경우의 데이터를 제거한 후 군집분석을 하여 변수를 추가한다. 승강장의 경우 693건의 데이터를 사용했고 대합실의 경우 731건의 데이터를 사용했다. 저가형 센서 변수로는 해당 센서의 PM10, PM2.5, CO2, HCHO, VOC, 온도(Temperature), 습도(Humidity) 값이 사용된다. 파생 변수로는 군집분석의 Clustering Value를 사용했으며 Target 변수로는 AirKorea의 PM10값이 사용된다.
그리고, 군집분석(Clustering)을 활용한 변수를 추가할 수 있다.
도 17은 일 실시예에 따른 승강장 군집분석 결과를 나타내는 그래프이다. 그리고 도 18은 일 실시예에 따른 대합실 군집분석 결과를 나타내는 그래프이다.
도 17 및 도 18을 참조하면, 일 실시예에서는 저가형 측정 센서의 측정값을 국가대기측정망 센서의 측정값에 유사하게 보정하기 위해 군집분석을 통해 나온 특성을 추가 변수로 사용하였다. 군집분석은 각 대상의 유사성을 측정해 유사성이 높은 대상 집단을 분류하고 군집에 속한 객체들의 유사성과 서로 다른 군집에 속한 객체간의 상이성을 규명하는 통계기법이다. 승강장과 대합실의 저가형 센서 변수를 각각 5개의 군집으로 클러스터링한 후 입력 변수에 추가했다.
일 실시예에서 자동보정 모델을 구현하기 위해 사용한 동 보정 모델의 알고리즘을 설명한다.
선형 회귀는 변수들 사이의 관련성을 평가하거나 예측하고자 할 때 사용하는 통계적인 회귀 분석 기법이다. 선형 회귀는 종속변수에 대하여 단일 독립변수를 갖는 단순 선형회귀(Simple Linear Regression)와 다수의 독립변수를 사용하는 다중선형회귀(Multiple Linear Regression)로 구분된다.
랜덤포레스트는 과적합을 방지하기 위해 개발된 앙상블(ensemble) 기법이다. 주로 분류나 회귀 분석에 사용되며 주어진 자료 내에서 무작위로 샘플을 추출하여 다수의 결정 트리를 생성하고, 생성된 트리를 이용하여 투표 또는 평준화 등의 과정을 통해 결과를 예측하게 된다. 엑스트라 트리는 랜덤포레스트와 유사한 방식의 기계학습 기법이다. 엑스트라 트리는 트리를 더욱 랜덤하게 생성하기 위해 후보 특성을 이용해 노드를 랜덤하게 분할한 후 최상의 분할을 선택한다. BaggingRegressor는 여러 번의 복원 샘플링을 통해 예측 모델의 분산을 감소시키는 기계학습 기법이다. 예측 모형의 변동성이 큰 경우 그 차이를 감소시키기 위해 사용되는 기법이다. AdaBoostRegressor는 약한 성능을 갖고 있는 여러 모델들의 결과물을 가중치를 사용해 통합한 후 최종 결과물로 도출하는 기계학습 기법이다. MLP Neural Network는 입력층과 출력층 사이에 여러 개의 중간층을 두어 비선형적으로 분리되는 데이터에 대해서도 학습이 가능하도록 고안된 딥러닝 기법이다.
일 실시예에서는 전체 학습 데이터로 4월 25일부터 5월 24일까지의 데이터를 사용했으며 이후 25일 24시간의 데이터를 테스트 데이터로 사용하였다. 실제 측정값과 자동보정값 사이의 정확도는 평균 절대 백분비 오차(MAPE)와 평균 제곱근 오차(RMSE)를 척도로 판단한다.
7개 알고리즘을 사용해 구현한 승강장과 대합실의 자동보정 모델의 정확도는 표 4 및 표 5와 같으며, 승강장의 경우 Bagging 모델의 정확도가 MAPE는 15.30, RMSE가 35.88로 가장 우수했으며 대합실의 경우 Gradient boosting모델이 MAPE는 15.21, RMSE가 25.90 가장 우수함을 확인할 수 있다.
표 4는 승강장 결과를 나타낸다.
[표 4]
표 5는 대합실 결과를 나타낸다.
[표 5]
도 19는 일 실시예에 따른 승강장의 보정 전과 보정 후 측정값과 국가대기측정망(AirKorea)의 측정값과 비교하여 나타낸 그래프이다. 또한, 도 20은 일 실시예에 따른 대합실의 보정 전과 보정 후 측정값과 국가대기측정망(AirKorea)의 측정값과 비교하여 나타낸 그래프이다. 도 19 및 도 20의 그래프로 비교해봤을 때 저가형 센서에 비해 보정 모델이 AirKorea와 유사하다는 결과를 확인할 수 있다.
일 실시예에서는 지하역사 내 승강장과 대합실에 설치된 저가형 측정 센서의 약 한 달간의 데이터 값을 대상으로 국가대기측정망(AirKorea)의 PM10 측정값에 자동보정하는 모델을 제안해 측정 정확도 향상을 이루었다. 통계적 기법인 LinearRegression(LR)와 기계학습 기법인 RandomForest(RF), ExtraTreesRegressor(ETR), AdaBoost(AB), Bagging, Gradient Boosting(GB), 딥러닝 기법인 Multi Layer Perceptron(MLP) 알고리즘을 사용한다. 실험 결과, 승강장의 경우 Bagging 모델이 가장 우수했으며 대합실의 경우 Gradient Boosting(GB)이 가장 우수함을 확인할 수 있다.
일 실시예에서 제시한 미세먼지 자동보정 모델을 사용할 경우, 저가형 센서의 값과 AirKorea의 값의 차이를 줄여 측정 정확도를 높일 수 있음을 알 수 있다. 약 한 달간의 데이터로도 자동보정이 가능하다는 것은 추후 실제로 저가형 센서에 도입해 정확한 측정값을 예보할 수 있는 것을 의미한다.
도 21은 일 실시예에 따른 모니터링 예시를 나타내는 도면이다.
도 21을 참조하면, 앞에서 설명한 바와 같이, 공기질 측정 장치의 제어부는 서버에 수집된 센서 측정값을 전달함에 따라 서버를 통해 모니터링 장치로 전달되어 공기질 정보를 표시할 수 있다. 즉, 모니터링 장치는 서버와 무선통신으로 연결되며, 서버에서 분석한 공기질 정보를 모니터링, 분석 및 설정 소프트웨어(S/W)나 웹(Web) 또는 앱(App)을 통해 전달 받아 특정 영역의 공기질을 모니터링 또는 관리할 수 있다. 예를 들어, 모니터링 장치는 관리자 컴퓨터(PC), 관리자 단말, 사용자 컴퓨터(PC), 사용자 단말 및 파일서버를 포함할 수 있다.
모니터링 장치는 공기질 지수 구간에 대해 화면(2100)에 표시할 수 있으며, 예컨대 공기질 지수 구간(2110)에 대해 색상으로 표시할 수 있다. 보다 구체적으로, 공기질 지수 구간(21010)에 대해 "좋음"인 경우 파란색으로 표시하고, "보통"인 경우 초록색으로 표시하며, "민감군Ⅰ"인 경우 노란색으로 표시하고, "민감군Ⅱ"인 경우 주황색으로 표시하며, "나쁨"인 경우 빨간색으로 표시하고, "매우나쁨"인 경우 남색으로 표시할 수 있다.
모니터링 장치는 데이터 업데이트 일시(2120)를 표시할 수 있다.
또한, 모니터링 장치는 공기질 정보(2130)를 화면(2100)에 표시할 수 있다. 모니터링 장치는 통합공기질관리지수를 표시할 수 있으며, 예컨대 지수에 대해 이모티콘, 지수명, 숫자 등으로 표시할 수 있고, 상태 변경 시 이모티콘 뒤의 배경색을 변경할 수 있다. 그리고 모니터링 장치는 온도, 습도, 미세먼지(PM10), 초미세먼지(PM2.5), 이산화탄소, 포름알데히드 및 휘발성유기화합물의 상태에 대해 이모티콘, 지수명, 측정값 등으로 표시할 수 있고, 상태 변경 시 이모티콘 뒤의 배경색을 변경할 수 있다.
모니터링 장치는 측정기 이미지, 측정기 명, 측정기 위치 등과 같은 측정기 정보(2140)를 표시할 수 있고, 통합공기질관리지수에 대한 행동요령(2150)을 추가로 표시할 수 있다.
또한, 모니터링 장치는 관리자 또는 사용자의 관리를 위한 모니터링, 분석 및 설정 소프트웨어(S/W)를 제공할 수 있다.
도 22는 일 실시예에 따른 특정 영역들의 공기질 센서 장치의 결과 확인 예시를 나타내는 도면이다.
도 22를 참조하면, 모니터링 장치는 특정 공간, 건물 등에 대해 지속적으로 공기질 센서 장치의 결과를 화면에 표시하고, 기준치 이상인 경우 해당 건물, 층의 관리자로 등록된 SMS 등을 통해 알람을 제공할 수 있다. 한편, 정보를 다운로드를 원하는 경우, 다운로드 선택 팝업을 생성하고, 선택 기간에 대한 다운로드 파일 선택 후 해당 파일로 다운로드할 수 있다. 이 때, 기간 선택, 측정기 선택, 그리고 엑셀, 차트, 오류결과, 공기질보고서 중 1개 선택 등과 같이 정보를 선택적으로 다운로드할 수 있다.
도 23은 일 실시예에 따른 측정기 관리의 예시를 나타내는 도면이다.
도 23을 참조하면, 모니터링 장치는 측정기 관리를 위한 화면을 제공할 수 있다. 측정기 관리를 위해 건물명을 선택하고 층 선택 완료 후, 측정기 목록을 생성할 수 있으며, 이 때 등록된 측정기 목록 테이블(Table)을 표시할 수 있다. 화면의 등록, 수정 및 삭제 아이콘을 선택함에 따라 측정기 등록 팝업을 생성하거나, 목록에서 측정기 선택 후 수정하거나, 목록에서 측정기 선택 후 삭제할 수 있다. 측정기 삭제의 경우 삭제 확인 팝업 및 삭제 완료 안내 팝업을 추가적으로 생성할 수 있다.
도 24는 일 실시예에 따른 측정기 등록의 예시를 나타내는 도면이다.
도 24를 참조하면, 측정기 등록 팝업을 생성하는 경우, 선택 건물명, 층으로 자동 설정 후 비활성화 (입력 불가)하고, 측정기 명, 제품군 선택, S/N, IMEI 및 Phone번호를 입력할 수 있다. 그리고 측정기 등록 저장 후 측정기 목록에 해당 측정기 내용을 표출할 수 있다. 제품군 입력창 클릭 시 리스트 Dropdown할 수 있으며, 제품군 1개를 선택할 수 있다. 여기에서는 예시로써, 에어콕 스마트I (Indoor) 및 에어콕 스마트O (Outdoor) 중 선택할 수 있다.
도 25는 일 실시예에 따른 제품군 등록의 예시를 나타내는 도면이다.
도 25를 참조하면, 제품군 관리 메뉴를 통해 등록된 제품군 목록 Table을 표시할 수 있다. 등록, 수정 및 삭제 아이콘의 선택을 통해 제품군 등록 팝업을 생성하고, 목록의 해당 제품군 선택 후 수정 및 삭제를 수행할 수 있다.
여기서, 제품군 등록 팝업을 생성하는 경우, 제품군 명 입력, 측정항목 선택, 펌웨어 버전 입력, 펌웨어파일 업로드 및 측정주기 선택 Dropdown (1분, 5분, 10분, 60분, 1day)을 통해 제품군을 등록할 수 있고, 입력 내용 저장 후 제품군 목록 Table에 항목 추가 완료를 선택하여 측정기를 등록할 수 있다.
이와 같이 모니터링 장치를 통해 특정 공간 및 복수의 공간에 대해 효율적으로 미세먼지를 포함하는 공기질 관리를 체계적으로 수행할 수 있다. 이상과 같이, 실시예들에 따르면 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템에 관하여 기술하며, 보다 구체적으로 공기질 측정 센서를 통해 공기질을 측정하여 서버에 전달함에 따라 모니터링 장치로 전달되어 공기질 정보를 사용자가 쉽게 인지할 수 있도록 표시하고, 효율적으로 분석 및 관리할 수 있는 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템을 제공할 수 있다. 또한, 실시예들에 따르면 저가형 측정 센서를 국가대기측정망 센서에 자동보정하는 모델을 제공함으로써, 저비용으로 높은 정확도를 갖는 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법을 제공할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (7)
- 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법에 있어서,
미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정하는 단계;
군집분석(Clustering)을 통해 상기 입력 변수를 추가하는 단계; 및
상기 입력 변수를 머신러닝(Machine Learning, ML) 또는 딥러닝(Deep Neural Network, DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력하는 단계
를 포함하고,
상기 군집분석(Clustering)을 통해 상기 입력 변수를 추가하는 단계는,
수집된 상기 센서 측정값을 상기 국가대기측정망(AirKorea) 센서 측정값과 소정 오차 이내의 값을 갖도록 보정하기 위해 상기 센서 측정값을 통해 설정된 입력 변수를 기설정된 군집의 개수로 군집분석(Clustering)을 한 후, 상기 입력 변수에 추가하며, 상기 공기질 측정 센서로부터 수집한 센서 측정값 중 PM10이 0이거나 없는 경우와, 목표 변수인 국가대기측정망(AirKorea)의 PM10이 0이거나 없는 경우의 데이터를 제거한 후 군집분석을 하여 상기 입력 변수를 추가하고,
출력된 상기 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 무선통신을 통해 모니터링 장치로 전달하여, 모니터링, 분석 및 설정 소프트웨어(S/W)나 웹(Web) 또는 앱(App)을 통해 특정 영역의 공기질을 모니터링 또는 관리하는 것
을 특징으로 하는, 센서 자동보정 방법. - 제1항에 있어서,
목표 변수로 국가대기측정망(AirKorea)의 PM10 값 또는 국가대기측정망(AirKorea)의 PM2.5 값을 입력 받아 상기 입력 변수에 반영하는 단계
를 더 포함하고,
상기 목표 변수로 국가대기측정망(AirKorea)의 PM10 값 또는 국가대기측정망(AirKorea)의 PM2.5 값을 입력 받아 상기 입력 변수에 반영하는 단계는,
상기 공기질 측정 센서로부터 수집한 센서 측정값 PM10을 국가대기측정망(AirKorea)의 PM10 값을 이용해 보정하거나, 센서 측정값 PM2.5을 국가대기측정망(AirKorea)의 PM2.5 값을 이용해 보정하는 것
을 특징으로 하는, 센서 자동보정 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 공기질 측정 센서로부터 수집한 센서 측정값은 PM10, PM2.5, CO2, HCHO, VOC, 온도(Temperature) 및 습도(Humidity) 값을 포함하는 것
을 특징으로 하는, 센서 자동보정 방법. - 제1항에 있어서,
상기 자동보정 모델은,
LinearRegression(LR), RandomForest(RF), ExtraTreesRegressor(ETR), AdaBoost(AB), Bagging, Gradient Boosting(GB), Deep Neural Network(DNN) 및 Long Short-Term Memory(LSTM) 알고리즘 중 적어도 어느 하나 이상인 것
을 특징으로 하는, 센서 자동보정 방법. - 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 장치에 있어서,
미세먼지를 포함하는 공기질 측정 센서로부터 센서 측정값을 수집하여 입력 변수를 설정하고, 군집분석(Clustering)을 통해 상기 입력 변수를 추가하는 입력 변수 설정부; 및
상기 입력 변수를 머신러닝(Machine Learning, ML) 또는 딥러닝(Deep Neural Network, DNN) 기반의 자동보정 모델에 입력하여 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 출력하는 측정값 자동보정부
를 포함하고,
상기 입력 변수 설정부는,
수집된 상기 센서 측정값을 상기 국가대기측정망(AirKorea) 센서 측정값과 소정 오차 이내의 값을 갖도록 보정하기 위해 상기 센서 측정값을 통해 설정된 입력 변수를 기설정된 군집의 개수로 군집분석(Clustering)을 한 후, 상기 입력 변수에 추가하며, 상기 공기질 측정 센서로부터 수집한 센서 측정값 중 PM10이 0이거나 없는 경우와, 목표 변수인 국가대기측정망(AirKorea)의 PM10이 0이거나 없는 경우의 데이터를 제거한 후 군집분석을 하여 상기 입력 변수를 추가하고,
출력된 상기 국가대기측정망(AirKorea) 센서 측정값에 대응하는 자동보정된 값을 무선통신을 통해 모니터링 장치로 전달하여, 모니터링, 분석 및 설정 소프트웨어(S/W)나 웹(Web) 또는 앱(App)을 통해 특정 영역의 공기질을 모니터링 또는 관리하는 것
을 특징으로 하는, 센서 자동보정 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177907A KR102134545B1 (ko) | 2019-12-30 | 2019-12-30 | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177907A KR102134545B1 (ko) | 2019-12-30 | 2019-12-30 | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102134545B1 true KR102134545B1 (ko) | 2020-07-15 |
Family
ID=71603713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190177907A KR102134545B1 (ko) | 2019-12-30 | 2019-12-30 | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102134545B1 (ko) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200112365A (ko) * | 2019-03-22 | 2020-10-05 | (주)휴엔릭스 | 인공지능 적용 가능한 대기질 측정시스템의 운용방법 |
| KR20210106825A (ko) * | 2020-02-21 | 2021-08-31 | 서울대학교산학협력단 | 보급형 먼지센서를 위한 보정 장치 |
| CN113740221A (zh) * | 2021-09-07 | 2021-12-03 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
| KR102357150B1 (ko) * | 2021-07-22 | 2022-02-08 | 주식회사 에어위드 | 인공지능 기반의 빅데이터를 이용한 대기 오염 모니터링 시스템 및 그 방법 |
| KR20220128105A (ko) * | 2021-03-12 | 2022-09-20 | 한국과학기술원 | 미세 먼지 농도 모니터링 방법 및 그 장치 |
| KR102493719B1 (ko) * | 2022-05-16 | 2023-02-06 | 주식회사 에어콕 | 통합 공기질 예측 시스템 |
| KR20230027695A (ko) * | 2021-08-19 | 2023-02-28 | 배재대학교 산학협력단 | 대기질 데이터 기반 모니터링 시스템 및 방법 |
| KR102504412B1 (ko) * | 2022-08-05 | 2023-03-02 | 순천향대학교 산학협력단 | 머신러닝 기반 미세먼지 센서 오차 보정 장치 및 방법 |
| WO2023175649A1 (ja) * | 2022-03-14 | 2023-09-21 | 三菱電機株式会社 | 学習装置、機器制御システム、学習方法、及び、プログラム |
| KR102615037B1 (ko) * | 2022-12-01 | 2023-12-19 | (주)켄텍 | 교정 기능을 구비한 미세먼지필터를 이용한 베타레이 미세먼지 측정 장치 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170143187A (ko) * | 2016-06-21 | 2017-12-29 | 주식회사 멕서스 | 사물인터넷장치로서 지상에 기 설치된 구조물과 결합하여 운영되는 통합대기오염측정장치 및 통합대기오염측정시스템 |
| KR101921125B1 (ko) * | 2016-12-08 | 2018-11-22 | 에스케이플래닛 주식회사 | 미세먼지 센서를 이용한 기상 정보 관리 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| KR101948236B1 (ko) * | 2018-05-18 | 2019-02-14 | 케이웨더(주) | 동네별 미세먼지 현황 제공 시스템 |
| KR20190041232A (ko) * | 2017-10-12 | 2019-04-22 | 주식회사 엑스엘 | 미세먼지 농도 연산장치 및 방법 |
| KR20190063205A (ko) * | 2017-11-29 | 2019-06-07 | 최병윤 | 공기질 측정 장치 |
| KR101988317B1 (ko) * | 2018-08-06 | 2019-06-12 | 주식회사 디에이피 | 인공지능에 기반하여 비산먼지를 측정하고 예측하는 장치 및 그 방법 |
| KR20190083531A (ko) * | 2018-01-04 | 2019-07-12 | 웅진코웨이 주식회사 | 먼지농도 보정 장치 |
| KR102023279B1 (ko) * | 2018-03-27 | 2019-09-19 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | 미세먼지센서의 데이터 보정 방법 및 그 장치 |
-
2019
- 2019-12-30 KR KR1020190177907A patent/KR102134545B1/ko active IP Right Grant
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170143187A (ko) * | 2016-06-21 | 2017-12-29 | 주식회사 멕서스 | 사물인터넷장치로서 지상에 기 설치된 구조물과 결합하여 운영되는 통합대기오염측정장치 및 통합대기오염측정시스템 |
| KR101921125B1 (ko) * | 2016-12-08 | 2018-11-22 | 에스케이플래닛 주식회사 | 미세먼지 센서를 이용한 기상 정보 관리 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체 |
| KR20190041232A (ko) * | 2017-10-12 | 2019-04-22 | 주식회사 엑스엘 | 미세먼지 농도 연산장치 및 방법 |
| KR20190063205A (ko) * | 2017-11-29 | 2019-06-07 | 최병윤 | 공기질 측정 장치 |
| KR20190083531A (ko) * | 2018-01-04 | 2019-07-12 | 웅진코웨이 주식회사 | 먼지농도 보정 장치 |
| KR102023279B1 (ko) * | 2018-03-27 | 2019-09-19 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | 미세먼지센서의 데이터 보정 방법 및 그 장치 |
| KR101948236B1 (ko) * | 2018-05-18 | 2019-02-14 | 케이웨더(주) | 동네별 미세먼지 현황 제공 시스템 |
| KR101988317B1 (ko) * | 2018-08-06 | 2019-06-12 | 주식회사 디에이피 | 인공지능에 기반하여 비산먼지를 측정하고 예측하는 장치 및 그 방법 |
Non-Patent Citations (1)
| Title |
|---|
| R. O. Sinnott and Z. Guan.: Prediction of Air Pollution through Machine Learning Approaches on the Cloud. 2018 IEEE/ACM 5th International Conference on Big Data Computing Applications and Technologies (BDCAT), Zurich. pp. 51-60 (2018). |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200112365A (ko) * | 2019-03-22 | 2020-10-05 | (주)휴엔릭스 | 인공지능 적용 가능한 대기질 측정시스템의 운용방법 |
| KR102390461B1 (ko) | 2019-03-22 | 2022-04-26 | (주)휴엔릭스 | 인공지능 적용 가능한 대기질 측정시스템의 운용방법 |
| KR20210106825A (ko) * | 2020-02-21 | 2021-08-31 | 서울대학교산학협력단 | 보급형 먼지센서를 위한 보정 장치 |
| KR102333050B1 (ko) | 2020-02-21 | 2021-12-01 | 서울대학교산학협력단 | 보급형 먼지센서를 위한 보정 장치 |
| KR102501937B1 (ko) | 2021-03-12 | 2023-02-21 | 한국과학기술원 | 미세 먼지 농도 모니터링 방법 및 그 장치 |
| KR20220128105A (ko) * | 2021-03-12 | 2022-09-20 | 한국과학기술원 | 미세 먼지 농도 모니터링 방법 및 그 장치 |
| KR102357150B1 (ko) * | 2021-07-22 | 2022-02-08 | 주식회사 에어위드 | 인공지능 기반의 빅데이터를 이용한 대기 오염 모니터링 시스템 및 그 방법 |
| KR102583449B1 (ko) | 2021-08-19 | 2023-09-26 | 배재대학교 산학협력단 | 대기질 데이터 기반 모니터링 시스템 및 방법 |
| KR20230027695A (ko) * | 2021-08-19 | 2023-02-28 | 배재대학교 산학협력단 | 대기질 데이터 기반 모니터링 시스템 및 방법 |
| CN113740221A (zh) * | 2021-09-07 | 2021-12-03 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
| CN113740221B (zh) * | 2021-09-07 | 2022-07-26 | 天津大学 | 基于细颗粒物与臭氧的空气污染源区确定方法 |
| WO2023175649A1 (ja) * | 2022-03-14 | 2023-09-21 | 三菱電機株式会社 | 学習装置、機器制御システム、学習方法、及び、プログラム |
| KR102493719B1 (ko) * | 2022-05-16 | 2023-02-06 | 주식회사 에어콕 | 통합 공기질 예측 시스템 |
| KR102504412B1 (ko) * | 2022-08-05 | 2023-03-02 | 순천향대학교 산학협력단 | 머신러닝 기반 미세먼지 센서 오차 보정 장치 및 방법 |
| KR102615037B1 (ko) * | 2022-12-01 | 2023-12-19 | (주)켄텍 | 교정 기능을 구비한 미세먼지필터를 이용한 베타레이 미세먼지 측정 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102134545B1 (ko) | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 | |
| KR102171414B1 (ko) | 미세먼지 및 초미세먼지를 포함하는 공기질 관리를 위한 플랫폼 시스템 | |
| US11902375B2 (en) | Systems and methods of configuring a building management system | |
| US11777758B2 (en) | Building data platform with external twin synchronization | |
| Chen et al. | ADF: An anomaly detection framework for large-scale PM2. 5 sensing systems | |
| US20200304333A1 (en) | Building system with a dynamic space graph with temporary relationships | |
| US11112395B2 (en) | Networked air quality monitoring system | |
| KR102238123B1 (ko) | 비교분석을 이용한 공기질 데이터 통계 서비스 제공 시스템 | |
| US20180247526A1 (en) | Crowdsourced air quality monitoring system | |
| KR102483784B1 (ko) | 딥러닝 알고리즘을 이용한 실내 공기질 측정 관리 시스템 및 방법 | |
| US20230169224A1 (en) | Building data platform with digital twin based virtual indicators | |
| US11769066B2 (en) | Building data platform with digital twin triggers and actions | |
| CN111314177B (zh) | 一种基于无线信号的作息时段识别方法以及相关装置 | |
| US11758307B2 (en) | Sensor device, background noise data transmission method, and background noise data transmission program | |
| Styła et al. | A smart building resource prediction, navigation and management system supported by radio tomography and computational intelligence | |
| WO2023215972A1 (en) | Decentralized federated learning systems, devices, and methods for security threat detection and reaction | |
| US11894944B2 (en) | Building data platform with an enrichment loop | |
| US12061633B2 (en) | Building system that maps points into a graph schema | |
| US20240095221A1 (en) | Gateway system that maps points into a graph schema | |
| JP2020046853A (ja) | 物件情報提示装置、物件情報提示プログラム、物件情報提示方法、及び情報提供システム | |
| US20230205158A1 (en) | Building data platform with analytics development | |
| US20240085872A1 (en) | Method and data processing system for environment evaluation | |
| CN115150295B (zh) | 一种工况数据的检测方法及装置 | |
| US20240283675A1 (en) | Building data platform with digital twin enrichment | |
| KR102706607B1 (ko) | 멀티모달 재실감지를 위한 장치 및 그 장치의 구동방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |