KR102153951B1 - 관계의 다양성을 증진할 수 있는 사회적 행동 분석 시스템 및 방법 - Google Patents

Abstract

관계의 다양성을 증진할 수 있는 사회적 행동 분석 시스템 및 방법을 공개한다. 본 발명은 오프라인 소셜 이벤트에 참여한 복수의 참가자 각각이 소지하며, 각각 전파를 상호 송수신하고, 전파 전송 경로 상에 장애물이 존재하면 장애물에 의해 세기가 감쇄되어 수신되는 전파의 세기를 기초로 복수의 참가자들에 대한 사회적 거리를 판별하고, 판별된 사회적 거리를 거리 데이터로 전송하는 복수개의 구성원 단말, 및 복수개의 구성원 단말 각각으로부터 거리데이터를 수신하고, 수신된 복수개의 거리 데이터를 이용하여 복수의 참가자들에 대한 사회적 거리를 재계산하여 복수의 참가자들의 위치 및 방향을 추정하고, 추정된 참가자들의 위치 및 방향을 기초로 클러스터링을 수행하여 소셜 그룹을 분류하고, 분류된 소셜 그룹의 정보를 이용하여 복수의 참가자 개개인의 사회적 행동을 분석하는 행동 분석 서버를 포함한다.

Description

관계의 다양성을 증진할 수 있는 사회적 행동 분석 시스템 및 방법{SYSTEM AND METHOD FOR ANALYSING SOCIAL BEHAVIOR}

본 발명은 사회적 행동 분석 시스템 및 방법에 관한 것으로, 특히 이벤트 환경에서 사회적 관계의 다양성을 증진 시킬 수 있는 사회적 행동 분석 시스템 및 방법에 관한 것이다.

소셜라이징(socializing : 사회화)는 인간의 활동 중 가장 중요한 활동 중 하나이다. 인간은 홀로 독립적으로 살아갈 수 없으므로, 소셜라이징을 통해 유사한 문화적 배경, 취미, 직업, 학력 등을 가지는 그룹, 즉 동종 친화성 그룹과의 관계를 형성함에 따라 소셜 네트워크를 구성한다.

최근에 사람들의 소셜라이징은 정보 통신 기술의 발전에 따라 온라인상의 활동이 점차적으로 더 큰 비중을 차지해가고 있다. 그러나 단순한 친목 관계 이상의 상호관계가 필요한 경우에는 여전히 오프라인 상의 직접적인 만남이 중요한 역할을 한다. 이는 온라인상의 가상의 만남보다는 여전히 오프라인에서의 직접적인 만남이 사람들에게 더욱 신뢰감을 줄 수 있기 때문이다.

그리고 이러한 오프라인 상의 만남은 다양한 형태로 나타나지만, 새로운 사람들과의 관계를 갖기 위해 여전히 컨퍼런스(conferences)나 파티와 같은 오프라인 이벤트가 소셜라이징의 중요한 역할을 수행한다.

그러나 이러한 오프라인 이벤트 기반의 소셜라이징은 인간의 생활에 매우 중요한 역할을 수행함에도 불구하고, 실질적인 연구가 진행된 바가 거의 없다. 이는 기존의 소셜라이징 연구가 주로 정보 수집이 용이한 온라인 상의 소셜라이징에 치우쳐져 있었기 때문으로, 여전히 오프라인 이벤트 기반의 소셜라이징이 중요한 역할을 수행한다는 점을 감안하면, 사람들 간의 오프라인 이벤트 기반의 소셜라이징에 대한 연구가 시급하다. 기존에도 일부 오프라인 이벤트 기반의 소셜라이징에 대한 연구가 진행된 바가 있었다. 그러나 기존의 연구는 소리 감지, 비디오 촬영, 블루투스(Bluetooth), 적외선 비콘(Infrared beacons), 무선 스캔 등을 이용한 기술로서, 이중 적외선 및 비디오의 경우에는 오프라인 이벤트가 수행되는 장소의 모든 영역을 감시하기 어렵고, 블루투스는 감시 범위가 좁아 넓은 장소에서 수행되는 오프라인 이벤트를 감지하는데 한계가 있다. 또한 소리의 경우에는 다수의 사람들이 모여서 대화하고, 배경 음악등의 존재로 인해 실질적으로 이벤트 참가자들을 구분하기 어렵다는 한계가 있다.

이에 새로운 오프라인 이벤트 기반의 소셜라이징을 분석할 수 있는 방법이 필요하며, 이러한 오프라인 이벤트 기반의 소셜라이징에 대한 연구는 사람들의 사회화 장애 치료 및 오프라인 이벤트의 활성화를 위해 활용될 수 있다.

본 발명의 목적은 이벤트 환경에서 사회적 관계의 다양성을 증진 시킬 수 있는 사회적 행동 분석 시스템을 제공하는데 있다.

본 발명의 다른 목적은 사회적 행동 분석 방법을 제공하는데 있다.

상기 목적을 달성하기 위한 본 발명의 일 예에 따른 사회적 행동 분석 시스템은 오프라인 소셜 이벤트에 참여한 복수의 참가자 각각이 소지하며, 각각 전파를 상호 송수신하고, 전파 전송 경로 상에 장애물이 존재하면 상기 장애물에 의해 세기가 감쇄되어 수신되는 전파의 세기를 기초로 상기 복수의 참가자들에 대한 사회적 거리를 판별하고, 판별된 사회적 거리를 거리 데이터로 전송하는 복수개의 구성원 단말; 및 상기 복수개의 구성원 단말 각각으로부터 상기 거리데이터를 수신하고, 수신된 복수개의 거리 데이터를 이용하여 상기 복수의 참가자들에 대한 사회적 거리를 재계산하여 상기 복수의 참가자들의 위치 및 방향을 추정하고, 추정된 상기 참가자들의 위치 및 방향을 기초로 클러스터링을 수행하여 소셜 그룹을 분류하고, 분류된 소셜 그룹의 정보를 이용하여 상기 복수의 참가자 개개인의 사회적 행동을 분석하는 행동 분석 서버;를 포함한다.

상기 장애물은 상기 복수의 참가자의 신체를 포함하는 것을 특징으로 한다.

상기 복수개의 구성원 단말 각각은 상기 복수개의 구성원 단말로 전파를 송신하고, 다른 구성원 단말들로부터 송신된 전파를 수신하는 전파 송수신부; 상기 수신된 전파의 세기를 분석하는 전파 세기 감지부; 상기 분석된 전파의 세기를 기초로 상기 다른 구성원 단말과의 사회적 거리를 판별하는 거리 판별부; 및 상기 판별된 사회적 거리를 상기 거리 데이터로서 상기 행동 분석 서버로 전송하는 데이터 송신부;를 포함하는 것을 특징으로 한다.

상기 행동 분석 서버는 복수개의 구성원 단말 각각으로부터 상기 거리 데이터를 수신하는 데이터 수신부; 상기 복수개의 거리 데이터를 기초로 상기 복수개의 구성원 단말의 사회적 거리를 다시 계산하여, 상기 복수개의 구성원 단말 각각의 위치 및 방향을 판별하는 단말간 거리 판별부; 상기 복수개의 구성원 단말을 기설정된 클러스터링 기법에 따라 클러스터링하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 클러스터링부; 상기 분류된 적어도 하나의 소셜 그룹의 형성 및 해산과 상기 적어도 하나의 소셜 그룹에 참여하거나 이탈하는 상기 참가자의 정보를 통계 처리하여 통계 자료를 획득하는 통계 처리부; 및 상기 통계 자료를 기초로 상기 복수의 참가자 각각 및 상기 소셜 그룹에 대한 사회성을 분석하는 사회성 분석부;를 포함하는 것을 특징으로 한다.

상기 클러스터링부는 중심 모델, 연결 모델 및 밀도 모델의 3가지 클러스터링 모델 중 적어도 하나의 클러스터링 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 것을 특징으로 한다.

상기 클러스터링부는 상기 행동 분석 서버가 모바일 기기로 구현되는 경우, 상기 3가지 클러스터링 모델 중 상기 중심 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하고, 상기 행동 분석 서버가 모바일 기기로 구현되지 않는 경우, 상기 3가지 클러스터링 모델 중 상기 연결 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 특징으로 한다.

상기 통계 처리부는 상기 적어도 하나의 소셜 그룹의 형성 인원, 유지 시간, 참가자들의 참여 및 이탈 현황과 상기 복수의 참여자 각각의 상기 적어도 하나의 소셜 그룹에 대한 참여 횟수, 참여 시간을 통계 처리하는 것을 특징으로 한다.

상기 다른 목적을 달성하기 위한 본 발명의 일 예에 따른 사회적 행동 분석 시스템은 오프라인 소셜 이벤트에 참여한 복수의 참가자 각각이 소지하는 복수개의 구성원 단말 및 행동 분석 서버를 포함하는 사회적 행동 분석 시스템을 이용한 사회적 행동 분석 방법에 있어서, 상기 복수개의 구성원 단말 각각이 전파를 송신하고, 전파 전송 경로 상에 장애물이 존재하면 상기 장애물에 의해 세기가 감쇄되는 전파를 수신하는 단계; 상기 복수개의 구성원 단말 각각이 상기 수신된 전파의 세기를 기초로 상기 복수의 참가자들에 대한 사회적 거리를 판별하는 단계; 상기 복수개의 구성원 단말 각각이 판별된 사회적 거리를 거리 데이터로서 상기 행동 분석 서버로 전송하는 단계; 상기 행동 분석 서버가 상기 복수개의 구성원 단말 각각으로부터 상기 거리 데이터를 수신하고, 수신된 거리 데이터를 기초로 상기 복수의 참가자 각각의 위치 및 방향을 추정하는 단계; 상기 복수의 참가자 각각의 위치 및 방향을 이용하여 적어도 하나의 소셜 그룹을 분류하기 위한 클러스터링을 수행하는 단계; 및 분류된 상기 적어도 하나의 소셜 그룹에 대한 정보를 이용하여, 상기 복수의 참가자 개기인의 사회적 행동을 분석하는 단계;를 포함한다.

상기 클러스터링을 수행하는 단계는 중심 모델, 연결 모델 및 밀도 모델의 3가지 클러스터링 모델 중 적어도 하나의 클러스터링 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 것을 특징으로 한다.

상기 클러스터링을 수행하는 단계는 상기 행동 분석 서버가 모바일 기기로 구현되는 경우, 상기 3가지 클러스터링 모델 중 상기 중심 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하고, 상기 행동 분석 서버가 모바일 기기로 구현되지 않는 경우, 상기 3가지 클러스터링 모델 중 상기 연결 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 것을 특징으로 한다.

상기 사회적 행동을 분석하는 단계는 상기 분류된 적어도 하나의 소셜 그룹의 형성 및 해산과 상기 적어도 하나의 소셜 그룹에 참여하거나 이탈하는 상기 참가자의 정보를 통계 처리하여 통계 자료를 획득하는 단계; 및 상기 통계 자료를 기초로 상기 복수의 참가자 각각 및 상기 소셜 그룹에 대한 사회성을 분석하는 단계;를 포함하는 것을 특징으로 한다.

상기 통계 자료를 획득하는 단계는 상기 적어도 하나의 소셜 그룹의 형성 인원, 유지 시간, 참가자들의 참여 및 이탈 현황과 상기 복수의 참여자 각각의 상기 적어도 하나의 소셜 그룹에 대한 참여 횟수, 참여 시간을 통계 처리하는 것을 특징으로 한다.

따라서, 본 발명의 사회적 행동 분석 시스템 및 방법은 파티와 같은 오프라인 소셜 이벤트에서의 사람들의 행동을 분석함으로서, 소셜라이징에 어려움을 겪고 있는 많은 사람들에 대한 치료가 가능할 뿐만 아니라, 다양한 소셜 이벤트가 성공적으로 수행될 수 있도록 하기 위한 정보를 제공할 수 있다. 또한 소셜 이벤트의 참가자들 사이의 지속적인 관계가 유지될 수 있도록, 오프라인 상의 소셜 이벤트가 온라인 상의 소셜라이징으로 발전할 수 있도록 도움을 줄 수 있다. 그리고 오프라인 상의 소셜 이벤트가 온라인 상의 소셜라이징으로 발전하는 과정을 분석하여, 온라인 소셜라이징과 오프라인 소셜라이징 사이의 관계를 분석할 수 있도록 한다.

도1 은 본 발명의 일 실시예에 따른 사회적 행동 분석 시스템을 나타낸다.
도2 는 도1 의 구성원 단말의 구현 예를 나타낸다.
도3 은 도1 및 도2 의 구성원 단말의 상세 구성의 일예를 나타낸다.
도4 는 RSSI 기법을 이용하여 사회적 거리를 측정한 결과를 나타낸다.
도5 는 도1 의 행동 분석 서버의 상세 구성의 일예를 나타낸다.
도6 은 3가지 클러스터링 모델의 참가자 수에 따른 프로세싱 시간을 측정한 결과를 나타낸다.
도7 은 3가지 클러스터링 모델의 참가자 수에 따른 소비 전력을 측정한 결과를 나타낸다.
도8 은 본 발명의 일 실시예에 따른 사회적 행동 분석 방법을 나타낸다.
도9 는 도8 의 클러스터링 단계를 상세하게 나타낸 도면이다.

본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.

이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로서, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 “...부”, “...기”, “모듈”, “블록” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

도1 은 본 발명의 일 실시예에 따른 사회적 행동 분석 시스템을 나타내고, 도2 는 도1 의 구성원 단말의 구현 예를 나타낸다.

파티나 컨퍼런스와 같은 오프라인 소셜 이벤트에서 사람들은 동적으로 크고 작은 소셜 그룹을 형성하고, 해산한다. 소셜 그룹은 소셜 이벤트에 참여한 참가자들 중 일부가 서로 모여서 대화를 나누는 것으로, 오프라인 소셜 이벤트가 진행되는 동안 이러한 소셜 그룹의 형성 및 해산은 매우 빈번하게 발생하며, 소셜 그룹의 형성 및 해산이 곧 이벤트 참가자들의 사회적 행동(Socializing Behavior)으로 볼 수 있다.

따라서 오프라인 소셜 이벤트의 참가자들의 소셜 그룹의 형성 및 해산을 용이하게 분석할 수 있으면, 참가자들의 사회적 행동을 용이하게 분석할 수 있다. 소셜 그룹의 형성 및 해산은 기본적으로 소셜 이벤트 참가자의 이합집산으로 볼 수 있으므로, 참가자들 간의 거리를 기반으로 소셜 그룹의 형성 및 해산을 판별할 수 있다. 그러나 소셜 이벤트에서 소셜 그룹의 형성 및 해산은 단순히 참가자들 사이의 거리만으로 판별할 수 없다는 문제가 있다. 일반적으로 소셜 이벤트에 참가한 참가자들은 주로 대화를 위해 소셜 그룹을 형성하고, 소셜 그룹을 형성한 참가자들은 서로 마주보거나, 원이나 타원과 같은 형태로 둥글게 서로 얼굴을 마주볼 수 있도록 자리를 잡는다. 이 경우, 하나의 소셜 그룹 내에서 서로 마주보는 두명의 참가자 사이의 거리는 다른 소셜 그룹에 포함되거나 소셜 그룹에 포함되지 않은 참가자 보다 더 멀 수 있다. 즉 단순히 인접한 참가자들이 소셜 그룹을 형성하고 있다고 판단할 수 없다.

이에 도1 에 도시된 본 발명의 사회적 행동 분석 시스템은 복수개의 구성원 단말(MB1 ~ MB7)을 구비하고, 복수의 소셜 이벤트 참가자 각각에게 소셜 이벤트 참가시에 구성원 단말(MB1 ~ MB7)을 제공함으로서, 소셜 그룹의 형성 및 해산을 분석할 수 있도록 한다.

도1 에서 소셜 이벤트에 참여한 6명의 참가자 중 4명의 참가자가 하나의 소셜 그룹(GP)을 형성한 반면, 3명의 참가자는 소셜 그룹(GP)에 포함되어 있지 않다. 소셜 그룹(GP)을 형성한 4명의 참가자는 서로 얼굴을 마주볼 수 있도록 원을 구성하고, 소셜 그룹(GP)을 형성한 4명의 참가자가 소지한 구성원 단말(MB1 ~ MB4)은 원의 내부에 배치되는 반면, 다른 참가자가 소지한 구성원(MB5 ~ MB7)는 형성된 원의 외부에 위치해 있다.

도1 에서 제4 구성원 단말(MB4)와 제5 구성원 단말(MB5)은 다른 구성원 단말(MB1 ~ MB3, MB6, MB7)과의 거리에 비해 서로 매우 가까운 거리에 위치해있지만, 제4 구성원 단말(MB4)을 소지한 참여자가 소셜 그룹(GP)에 포함되는데 비해 제5 구성원 단말(MB5)을 소지한 참여자는 소셜 그룹(GP)에 포함되어 있지 않다. 이는 제4 구성원 단말(MB4)을 소지한 참여자와 제5 구성원 단말(MB5)을 소지한 참여자가 서로 마주보고 있는 것이 아니라 등지고 있는 형태로 있기 때문이다. 즉 제4 구성원 단말(MB4)을 소지한 참여자와 제5 구성원 단말(MB5)을 소지한 참여자 사이에는 서로 대화를 하는 사회적 활동을 수행하고 있지 않다. 그러므로 단순히 참여자들 간의 거리에 기반하여 소셜 그룹의 형성 및 해산을 판별할 수 없다. 따라서 소셜 그룹의 형성 및 해산을 판별하기 위한 방법이 추가로 고려되어야 한다.

본 발명에서 이벤트 참가자 각각이 보유하고 있는 복수개의 구성원 단말(MB1 ~ MB7)은 각각 전파를 송신하고, 다른 구성원 단말에서 송신된 전파를 수신하고, 수신된 전파의 세기를 분석하여 구성원 단말(MB1 ~ MB7) 사이의 거리를 판별한다. 복수개의 구성원 단말(MB1 ~ MB7) 각각은 송신하는 전파를 서로 구분하기 위해 전파에 자신의 식별자를 포함할 수 있다. 그리고 여기서 판별되는 거리는 참가자들 사이의 실제 거리가 아니라 사회적 거리를 의미한다. 여기서 사회적 거리는 상기한 바와 같이 참가자들이 소셜 그룹을 형성하고 해산하는지 판별하기 위한 거리를 나타내며, 참가자들 사이의 실제 거리 및 방향이 고려되는 거리이다.

본 발명의 구성원 단말(MB)은 일예로 도2 에 도시된 바와 같이 배지(badge)형태로 구현될 수 있다. 도2 의 배지 형태로 구현되는 구성원 단말(MB)은 실제로 목에 착용할 수 있는 형태로 크기 4 * 5 * 2 cm, 무게 25g 이하의 플라스틱 슬리브(sleeve)로 구현한 형태로서, 실제 실험에서 참가자들은 구성원 단말(MB)을 착용하고, 수분 이후 구성원 단말(MB)의 착용을 의식하지 않는다는 것을 설문을 통해 확인하였다.

도2 에서와 같이 배지 형태로 구현된 구성원 단말(MB)은 전방위로 전파를 송신하여도, 참가자들이나 소셜 이벤트가 진행되는 장소의 벽이나 책장 등의 각종 물체가 장애물이 되어 전파 감쇄가 발생한다. 즉 참가자들이나 실질적으로 다른 구성원 단말(MB)에서 수신되는 전파의 세기는 구성원 단말(MB1 ~ MB7) 사이의 실제 거리와 더불어 장애물에 의해 가변된다. 특히 구성원 단말(MB1)을 착용한 참가자 자신에 의한 전파 감쇄가 존재하므로, 복수개의 구성원 단말(MB1 ~ MB7) 중 참가자의 구성원 단말(MB1)을 중심으로 전파의 세기를 살펴보면, 정면 및 측면에 위치한 구성원 단말(MB1 ~ MB4, MB6)에 대해서는 거리에 따른 감쇄만이 존재한다. 그러나, 정면에 위치한 구성원 단말(MB5)은 2명의 참가자가 장애물이 되어 전파 감쇄가 크게 발생한다. 여기서 2명의 참가자 모두가 장애물이 되는 이유는 구성원 단말(MB5)을 소유한 참가자가 구성원 단말(MB1)의 반대 방향이기 때문이다. 유사하게 참가자의 구성원 단말(MB1)의 후면에 위치한 구성원 단말(MB7) 또한 2명의 참가자가 장애물이 되어 신호 감쇄가 크게 발생하게 된다. 만일 구성원 단말(MB5, MB7)을 소지한 참가자의 방향이 구성원 단말(MB1)을 향하더라도, 적어도 하나 이상의 참가자가 장애물이 되어 전파 감쇄된다. 그리고 두 명의 참가자가 벽을 사이에 두고 서로 마주보고 있는 경우에도 유사하게 전파 감쇄가 발생한다. 그러므로 구성원 단말(MB1)로부터 송신된 전파나, 구성원 단말(MB1)에 수신된 전파의 세기를 측정하면, 구성원 단말(MB2 ~ MB4)에 비해 구성원 단말(MB5 ~ MB7)의 전파의 세기가 약하게 검출된다. 여기서 구성원 단말(MB6)의 전파의 세기가 약하게 검출되는 것은 구성원 단말(MB1)으로부터의 거리가 멀기 때문이다. 이에 구성원 단말(MB1)에서 전파의 세기로 기초로 판별되는 다른 구성원 단말(MB2 ~ MB7)에 대한 사회적 거리는 구성원 단말(MB2 ~ MB4)과 구성원 단말(MB5 ~ MB7)가 명확하게 구분되어 나타날 수 있다.

즉 복수개의 구성원 단말(MB1 ~ MB7) 각각은 전파를 상호 송수신하고, 전파의 세기를 기초로, 다른 구성원 단말과의 사회적 거리를 판별한다. 그리고 판별된 사회적 거리를 거리 데이터로서 행동 분석 서버(SV)로 전송한다.

행동 분석 서버(SV)는 복수개의 구성원 단말(MB1 ~ MB7) 각각으로부터 전송된 거리 데이터를 수신하고, 수신된 거리 데이터로부터 각 구성원 단말(MB1 ~ MB7)들 사이의 사회적 거리를 판별하여, 클러스터링을 수행함으로서 참가자 각각의 소셜 그룹의 참가 및 이탈을 실시간으로 분석하고, 분석된 참가자 각각의 소셜 그룹 참가 및 이탈 상태를 통계처리하여, 소셜 이벤트 참가자들의 사회적 행동을 분석한다. 행동 분석 서버(SV)는 소셜 이벤트 참가자들 각각이 적어도 하나의 소셜 그룹에 참가한 횟수 및 시간을 분석하고, 분석된 복수의 소셜 그룹에 참가한 횟수 및 시간에 따라 소셜 이벤트 참가자 각각의 사회적 행동 수준 및 성향을 분석할 수 있다. 또한 적어도 하나의 소셜 그룹 각각의 특성을 분석할 수도 있다. 즉 형성된 소설 그룹이 유지된 시간 및 참가자들의 합류 및 이탈 정도를 분석할 수도 있다.

상기에서는 행동 분석 서버(SV)가 소셜 이벤트 참가자들의 사회적 행동을 분석하는 것으로 설명하였다. 그러나 행동 분석 서버(SV)는 모바일 기기로 구현될 수도 있다. 최근 모바일 기기의 성능이 급격하게 향상됨에 따라 참가자들의 사회적 거리를 판별하고, 판별된 사회적 거리를 기초로 사회적 행동 분석하는 수준의 기능은 모바일 기기에서도 충분히 구현 가능하다. 따라서 사회적 행동을 분석하기 위해 별도의 서버를 구비하지 않고 모바일 기기가 행동 분석 서버(SV)로서의 기능을 수행할 수 있다. 모바일 기기를 이용하여 사회적 행동을 분석하는 경우에는 분석을 수행하는 사람이 소셜 이벤트에 함께 참여하여 사회적 행동을 수행하면서 사회적 행동을 분석 할 수 있다는 장점이 있다.

상기에서는 배지 형태로 구현된 구성원 단말(MB)가 전방위로 전파를 송신하고, 구성원 단말(MB)을 소지한 참가자에 의해 발생하는 전파 감쇄를 이용하여 정면 및 측면에 위치한 구성원 단말(MB1 ~ MB6)과 후면에 위치한 구성원 단말(MB7)을 구분하였으나, 경우에 따라서는 전파가 송출되는 각도를 소정의 각도(예를 들면 180도)로 제한하여, 정면 및 측면에 위치한 구성원 단말(MB1 ~ MB6)과 후면에 위치한 구성원 단말(MB7)을 구분할 수도 있다.

도3 은 도1 및 도2 의 구성원 단말의 상세 구성의 일예를 나타낸다.

도3 에서 구성원 단말(MB)는 전파 송수신부(110), 전파 세기 감지부(120), 거리 판별부(130) 및 데이터 송신부(140)를 포함한다.

전파 송수신부(110)는 복수개의 구성원 단말(MB1 ~ MB7)로 전파를 송신하고, 복수개의 구성원 단말(MB1 ~ MB7)에서 송신된 전파를 수신한다. 여기서 전파 수신부(110)는 기설정된 주파수 대역의 전파를 송신 및 수신하며, 본 발명에서는 일 예로 라디오 주파수 대역(예를 들면, 2.4GHz)의 전파를 주기적(예를 들면, 2Hz)으로 다른 구성원 단말과 송수신할 수 있다.

전파 세기 감지부(120)는 복수개의 구성원 단말(MB1 ~ MB7)로부터 수신된 전파의 세기를 분석한다. 상기한 바와 같이 복수개의 구성원 단말(MB1 ~ MB7)로부터 수신되는 전파의 세기는 복수개의 구성원 단말(MB1 ~ MB7) 사이의 거리와 더불어 참가자나 벽이나 책장 등의 장애물에 의해 감쇄가 발생하여 복수개의 구성원 단말(MB1 ~ MB7)의 위치에 따라 서로 다른 세기로 감지된다.

거리 판별부(130)는 다른 구성원 단말로(MB1 ~ MB7)부터 수신된 무선 전파의 세기를 기초로 구성원 단말로부터 다른 구성원 단말들과의 사회적 거리를 판별한다. 거리 판별부(160)는 전파 세기 감지부(120)가 감지한 라디오 주파수의 신호의 세기로부터 다른 구성원 단말과의 사회적 거리를 판별한다. 수신 신호의 세기로서 송신 단말의 거리를 판별하는 방법은 잘 알려진 기술로서, 여러 가지 기법이 있으나 본 발명에서는 일예로 RSSI(Recieved Signal Strength Indicator) 기법을 적용하는 것으로 가정한다.

데이터 송신부(140)는 거리 판별부(130)에서 판별된 다른 구성원 단말(MB1 ~ MGB7) 에 대한 사회적 거리를 거리 데이터로서 행동 분석 서버(SV)로 전송한다.

도4 는 RSSI 기법을 이용하여 사회적 거리를 측정한 결과를 나타낸다.

도4 에서 붉은색 선은 참가자들이 서로 마주보고 있는 상태에서 거리에 따른 RSSI 값의 변화를 나타내고, 녹색 선은 참가자들이 서로 반대방향으로 향햐고 있는 상태에서의 거리에 따른 RSSI 값의 변화를 나타낸다. 도4 에 도시된 바와 같이, RSSI 기법을 이용하는 경우, 구성원 단말(MB1 ~ MB7) 사이의 거리에 의한 전파 감쇄보다 참가자의 신체에 의한 전파 감쇄가 더 크게 나타나므로, 사회적 거리를 측정하기에 유용하다는 점을 확인할 수 있다. 도4 에서는 반복 실험을 통한 통계 처리된 데이터가 아니라 단일 실험에 의한 측정 데이터로서 거리에 따른 전파 감쇄가 균일하게 도출 되지 않았으나, 전파 세기 감지부(120)의 센서 감도 향상 및 신호 처리 기술의 향상을 통해 거리에 따라 감쇄하는 전파의 세기를 정확하게 측정할 수 있다.

도5 는 도1 의 행동 분석 서버의 상세 구성의 일예를 나타낸다.

도5 를 참조하면, 행동 분석 서버(SV)는 데이터 수신부(210), 단말간 거리 판별부(220), 클러스터링부(230), 통계 처리부(240) 및 사회성 분석부(250)를 포함한다.

우선 데이터 수신부(210)는 복수개의 구성원 단말(MB1 ~ MGB7)로부터 거리 데이터를 수신한다. 거리 데이터는 상기한 바와 같이 복수개의 구성원 단말(MB1 ~ MGB7) 각각이 분석한 사회적 거리에 대한 데이터이다.

단말간 거리 판별부(220)는 데이터 수신부(210)에서 수신한 거리 데이터를 이용하여 복수개의 구성원 단말들(MB1 ~ MGB7) 사이의 사회적 거리를 판별한다. 상기한 바와 같이 사회적 거리는 구성원 단말(MB1 ~ MGB7) 사이의 실제 거리가 아니라, 장애물에 의한 전파 감쇄가 고려된 거리이다. 구성원 단말 각각(MB1 ~ MGB7)이 사회적 거리를 계산하였으나, 단말간 거리 판별부(220)가 다시 사회적 거리를 판별하는 것은 각 구성원 단말에서 계산한 사회적 거리 사이에 차이가 발생할 수 있기 때문이며, 단말간 거리 판별부(220)는 복수개의 구성원 단말(MB1 ~ MGB7)에서 계산되어 전송된 사회적 거리를 서로 비교하여, 정확한 구성원 단말(MB1 ~ MGB7) 사이의 사회적 거리를 판별하고, 이로부터 복수개의 구성원 단말(MB1 ~ MGB7)들의 위치 및 방향을 추정한다.

클러스터링부(230)는 단말간 거리 판별부(220)에서 판별한 복수개의 구성원 단말들(MB1 ~ MGB7)의 위치 및 방향을 이용하여 복수개의 구성원 단말(MB1 ~ MGB7) 중 일부 개수의 구성원 단말들을 클러스터링(clustering)한다.

클러스터링부(230)는 복수개의 구성원 단말(MB1 ~ MGB7) 중 사회적 거리가 가까운 인접한 구성원 단말들을 클러스터링하여 소셜 그룹으로 분류한다. 클러스터링부(230)는 소셜 이벤트 상황에서 참가자들에 대한 클러스터링을 수행할 때, 소셜 그룹의 개수 및 참가자의 수가 항시 동적으로 가변되는 점과 각 참가자의 사회적 거리만을 가진다는 것이다. 이를 고려하여 소셜 그룹을 분류하기 위해, 본 발명에서 클러스터링부(230)는 3가지 클러스터링 모델 중 적어도 한가지를 활용할 수 있다.

3가지 클러스터링 모델 중 하나는 중심 모델(Centroid model)이다. 중심 모델은 K 평균 알고리즘(K-means algorithm)을 이용하는 클러스터링 모델이다. k 평균 알고리즘은 주어진 데이터를 k개의 클러스터로 묶는 알고리즘으로, 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작한다.

k 평균 알고리즘은 임의로 k개(여기서 k는 자연수)의 중심을 선택하고, 각 노드가 가장 가까운 중심에 할당되도록 함에 의해, 주어진 노드들의 집합을 k개의 클러스터들로 구분한다.

본 발명에서는 현재 소셜 이벤트에 참여한 참가자의 총수에 비례하여 k를 결정하는 방식으로 K 평균 알고리즘을 수정하여 사용한다. 또한 중심 모델을 시간에 따라 업데이트 하면서, 중심이 개별 참석자들 사이에 선택되도록 할 수 있었다.

3가지 클러스터링 모델 중 다른 하나는 밀도 모델(Density model)이다.

밀도 모델, 밀도 기반 클러스터링은 다른 영역과 비교하여 더 높은 밀도 영역이 되도록 클러스터를 정의한다. 밀도 모델은 밀도 기준을 만족하도록 클러스터 내의 노드들을 특정 거리 문턱값 내에 있도록 연결한다. 밀도 모델은 근접 그룹을 찾기 위한 직관적인 방법이다. 근접 그룹을 구성하기 위해서는 주변 반경(neighborhood radius : ??(esp))을 결정해야한다. 본 발명에서는 DBSCAN(density-based spatial clustering of applications with noise)을 위한 주변 반경을 추정하기 위해 분석적 접근을 수행하였다.

3가지 클러스터링 모델 중 나머지 하나는 연결 모델(Connectivity model)이다. 연결 모델은 각각의 노드가 참가자들과 참가자들 사이의 사회적 거리에 의해 주어진 각 에지의 가중치를 나타내는 네트워크 그래프와 같이 참가자와 그들의 사회적 거리를 고려하는 스펙트럴 클러스터링 기법(spectral clustering technique)과 유사하다. 따라서 사회적 거리를 기반으로 소셜 그룹을 분석하는 것은 그래프 이론에서 잘 알려진 최소 절단(minimum cut) 문제를 줄일 수 있다. 스펙트럴 클러스터링 알고리즘은 선형 대수학에서 고유값 분해 기법(eigenvalue decomposition technique)을 이용하여 그래프에서 최소 가중치 절단을 찾는다. 즉 소셜 그룹들에서 참가자들을 최소로 분할 절단한다.

클러스터링부(230)가 상기한 3가지 클러스터링 모델을 이용하면, 사회적 거리로부터 소셜 그룹들을 구분하여 획득할 수 있다.

3가지 연결 모델에 대한 정확도 실험 결과 3가지 연결 모델 중 중심 모델은 87.20%의 연결 모델은 89.32%의 정확도로 랜드 인덱스 값(Rand index value)이 획득할 수 있었다. 그러나 밀도 모델은 50% 이하의 정확도를 나타내었다. 그리고 중심 모델의 경우에는 참가자의 수가 적을 때, 더 정확한 결과를 나타내었으며, 연결 모델은 참가자의 수가 많을 때 더 정확한 결과를 나타내었다.

이에 클러스터링부(230)는 참가자의 수에 따라 중심 모델과 연결 모델의 2가지 클러스터링 모델 중 하나를 선택하여, 소셜 그룹을 구분할 수 있으며, 밀도 모델은 보조적인 수단으로 활용할 수 있다.

통계 처리부(240)는 획득된 소셜 그룹들의 정보와 소셜 그룹에 포함된 참가자들의 정보를 통계처리한다. 통계 처리부(240)는 소셜 그룹의 형성 및 해산, 소셜 그룹에 포함된 참가자들의 참여 및 이탈 현황 및 소셜 그룹 지속 시간에 대한 통계 자료를 획득할 수 있으며, 복수의 참가자 개개인의 소셜 그룹 참여 횟수, 참여 시간, 소셜 그룹에 참여하지 않은 시간 등에 대해 통계 자료를 획득할 수 있다. 통계 처리부(240)는 현재 형성되어 유지되는 소셜 그룹의 정보 뿐만 아니라 이전 소셜 그룹의 정보까지 누적하여 저장하고, 누적된 정보에 대해 통계 처리를 수행할 수 있다.

사회성 분석부(250)는 통계 처리부(240)에서 획득된 소셜 그룹 및 참여자들에 대한 통계 자료를 기초로, 오프라인 소셜 이벤트에서의 참가자 개개인의 사회성을 분석하고, 더불어 소셜 그룹의 형성 및 해산에 대한 분석을 수행한다. 즉 참가가 개개인의 사회성을 소셜 그룹의 참여 시간 등을 기초로 평가할 수 있도록 하며, 소셜 그룹들의 평균 참가자 수, 지속 시간, 총 참가자 수에 대비한 평균 소셜 그룹 개수 등을 분석한다.

상기한 단말간 거리 판별부(220), 클러스터링부(230), 통계 처리부(240) 및 사회성 분석부(250)는 소프트웨어로 구현될 수 있다.

도6 은 3가지 클러스터링 모델의 참가자 수에 따른 프로세싱 시간을 측정한 결과를 나타낸다.

도6 은 모바일 기기를 이용하여 실험한 결과로서, 연결 모델 및 중심 모델의 경우에는 참가자의 수에 딸 프로세싱 시간(processing time)이 증가하는데 반해, 밀도 모델은 참가자의 수에 의한 영향을 거의 받지 않는 것을 확인할 수 있다. 이는 밀도 모델이 가장 낮은 프로세싱 비용이 소비되는데 반해, 연결 모델은 가장 높은 프로세싱 비용이 소요된다. 특히 연결 모델은 참가자의 수가 50명에 가까이 되면, 프로세싱 시간이 200ms 정도 걸린다. 상기한 프로세싱 시간은 참가자의 수가 많은 소셜 이벤트에 대해서는 자원이 충분하지 않은 모바일 기기에서 연결 모델을 적용하는 것이 비합리적일 수 있음을 나타낸다.

도7 은 3가지 클러스터링 모델의 참가자 수에 따른 소비 전력을 측정한 결과를 나타낸다.

도6 과 마찬가지로 도7 또한 모바일 기기를 이용하여 실험한 결과를 나타낸다. 모바일 기기는 그 특성상 전력 소모가 중요한 이슈가 될 수 있다. 도7 을 살펴보면, 밀도 모델과 중심 모델은 비슷한 소비 전력을 사용하지만, 연결 모델은 참가자의 수에 따라 전력 소비가 급격하게 증가한다는 것을 확인할 수 있다.

도6 과 도7 에서 살펴본 바와 같이, 밀도 모델의 경우에는 짧은 프로세싱 시간과 낮은 소비 전력의 매우 높은 효율을 가지는 장점이 있으나, 낮은 정확도로 인해 사용하기가 용이하지 않다. 그리고 연결 모델의 경우에는 가장 높은 수준의 정확도를 갖지만, 프로세싱 시간과 소비 전력 부분에서 비효율적이므로 모바일 기기에는 적합하지 않다. 그러므로 연결 모델은 행동 분석 서버(SV)를 활용하는 경우에는 유용한 클러스터링 모델이 될수 있다. 반면 중심 모델은 연결 모델보다는 낮지만 높은 정확도를 가지며, 프로세싱 시간과 소비 전력에서 연결모델보다 효율적이므로 모바일 기기로 구현된 행동 분석 서버(SV)를 이용하여 사회성을 분석하는 경우에 유용한 모델이 될 수 있다.

이에 행동 분석 서버(SV)가 모바일 기기인 경우에 중심 모델을 활용하고, 행동 분석 서버(SV)가 모바일 기기가 아닌 경우에 연결 모델을 활용하는 것으로 가정한다.

도8 은 본 발명의 일 실시예에 따른 사회적 행동 분석 방법을 나타낸다.

도1 내지 도5 를 참조하여 도8 의 사회적 행동 분석 방법을 설명하면, 먼저 복수개의 구성원 단말(MB1 ~ MB7) 각각이 전파를 송수신한다(S110). 각각의 구성원 단말(MB1 ~ MB7)에서 송신된 전파는 다른 구성원 단말들이 수신한다. 여기서 각각의 구성원 단말(MB1 ~ MB7)에서 송신된 전파는 전파를 송신한 구성원 단말의 식별자를 포함할 수 있다.

그리고 전파를 수신한 구성원 단말(MB1 ~ MB7)은 복수개의 구성원 단말(MB1 ~ MB7) 각각으로부터 수신된 전파의 세기를 판별한다(S120). 이후 복수개의 구성원 단말(MB1 ~ MB7) 각각은 수신된 전파의 세기를 기초로 구성원 단말간 사회적 거리를 판별한다(S130). 여기서 사회적 거리는 상기한 바와 같이, 구성원 단말간의 실제 거리가 아닌 참가자 등에 의한 장애물로 인해 전파 감쇄가 반영된 거리이다.

복수개의 구성원 단말(MB1 ~ MB7) 각각에서 다른 구성원 단말들까지의 사회적 거리가 판별되면, 복수개의 구성원 단말(MB1 ~ MB7) 각각은 판별된 사회적 거리를 거리 데이터로서 행동 분석 서버(SV)로 전송한다.

그리고 행동 분석 서버(SV)는 복수개의 구성원 단말(MB1 ~ MB7) 각각으로부터 거리 데이터를 수신한다(S210). 그리고 수신된 거리 데이터를 분석하여 구성원 단말간 사회적 거리를 다시 계산하여 복수개의 구성원 단말(MB1 ~ MB7)의 위치 및 방향을 추정한다(S220). 이는 상기한 바와 같이 서로 전파를 송수신한 구성원 단말(MB1 ~ MB7) 각각이 계산한 사회적 거리에도 차이가 발생할 수 있기 때문에 이러한 오류를 보정하여 복수개의 구성원 단말(MB1 ~ MB7) 전체의 사회적 거리 관계를 명확하게 판별하기 위함이다.

행동 분석 서버(SV)는 사회적 거리를 재계산한 후, 복수개의 구성원 단말(MB1 ~ MB7)을 위치 및 방향에 따라 클러스터링하여 적어도 하나의 소셜 그룹을 분류한다(S230). 여기서 복수개의 구성원 단말(MB1 ~ MB7)의 위치 및 방향은 참가자들의 위치 및 방향에 대응한다. 이때 행동 분석 서버(SV)는 상기한 중심 모델, 연결 모델 및 밀도 모델 중 적어도 하나를 이용하여 클러스터링을 수행할 수 있다.

클러스터링을 수행하여 적어도 하나의 소셜 그룹에 대한 분류가 수행되면, 행동 분석 서버(SV)는 분류된 소셜 그룹의 정보에 대해 누적하여 저장 및 통계 처리를 수행한다(S240). 행동 분석 서버(SV)는 통계 처리를 통해 소셜 그룹의 형성 및 해산, 소셜 그룹에 포함된 참가자들의 참여 및 이탈 현황 및 소셜 그룹 지속 시간에 대한 통계 자료를 획득할 수 있으며, 복수의 참가자 개개인의 소셜 그룹 참여 횟수, 참여 시간, 소셜 그룹에 참여하지 않은 시간 등에 대해 통계 자료를 획득할 수 있다.

그리고 행동 분석 서버(SV)는 통계 자료를 기반으로 소셜 이벤트의 참가자 개개인 및 소셜 그룹에 대한 사회성을 분석한다(S250). 사회성 분석은 일반적으로 참가가 개개인의 사회성을 소셜 그룹의 참여 시간 등을 기초로 평가하고, 소셜 그룹들의 평균 참가자 수, 지속 시간, 총 참가자 수에 대비한 평균 소셜 그룹 개수 등을 분석할 수 있으나, 사회성 연구의 목적에 따라 다양한 결과를 도출할 수 있는 분석이 수행될 수 있다.

그리고 상기한 바와 같이 행동 분석 서버(SV)는 모바일 기기로도 구현될 수 있다.

도9 는 도8 의 클러스터링 단계를 상세하게 나타낸 도면이다.

클러스터링 단계는 3가지 클러스터링 모델 중 적어도 하나의 클러스터링 모델을 이용하여 복수개의 구성원 단말(MB1 ~ MB7)을 구분하여 적어도 하나의 소셜 그룹을 분류한다. 행동 분석 서버(SV)는 우선 중심 모델 클러스터링을 적용할 지여부를 판별한다(S231). 만일 중심 모델 클러스터링을 적용하는 것으로 결정되면, 중심 모델 기반 클러스터링을 수행한다(S232). 중심 모델 클러스터링은 모바일 기기에 적합한 모델이므로, 행동 분석 서버(SV)가 모바일 기기로 구현된 경우에 행동 분석 서버(SV)는 중심 모델 클러스터링을 수행한다.

그리고 행동 분석 서버(SV)는 연결 모델 클러스터링을 적용할지 판별한다(S233). 연결 모델 클러스터링은 전력 소비 및 프로세싱 성능에서 효율이 떨어지므로, 모바일 기기에는 적합하지 않다. 이에 행동 분석 서버(SV)가 모바일 기기가 아닌 컴퓨터 장치로 구현되는 경우에는 연결 클러스터링 모델을 적용하는 것이 바람직하다. 만일 행동 분석 서버(SV)가 연결 모델을 적용하는 것으로 판별하면, 연결 모델 기반 클러스터링을 수행한다(S234).

이후 행동 분석 서버(SV)는 밀도 모델 클러스터링을 적용할지 여부를 판별한다(S235). 밀도 모델 클러스터링은 전력 소비 및 프로세싱 성능에서 매우 높은 효율을 보여주지만, 정확도가 떨어지므로, 행동 분석 서버(SV)의 성능이 매우 열악한 경우에 유용하게 활용될 수 있다. 그리고 행동 분석 서버(SV)가 밀도 모델을 적용하는 것으로 판별하면, 밀도 모델 기반 클러스터링을 수행한다(S236).

행동 분석 서버(SV)는 3가지 모델 중 하나의 모델을 선택하여 클러스터링을 수행할 수도 있으며, 경우에 따라서는 2가지 이상의 모델을 적용하여 클러스터링을 수행한 결과를 비교하여 클러스터링을 수행할 수도 있다. 서로 다른 모델을 적용한 클러스터링 결과가 서로 상이한 경우에는 우선순위를 설정하여 우선순위에 따른 클러스터링 결과를 선택할 수도 있다.

그리고 도시하지 않았으나, 본 발명의 사회적 행동 분석 시스템 및 방법은 분석된 사회성을 기반으로 참가자 각각의 관계의 사회적 행동의 다양성을 증진시키기 위한 추가적인 활동을 수행할 수도 있다. 예를 들어, 분석된 사회성에 기초하여 오프라인 소셜 이벤트에 참여한 참가자들 중 가장 높은 사회성을 나타낸 참가자에게 경품을 제공할 수도 있으며, 유지 시간 및 참가자의 수가 가장 많은 소셜 클럽을 선정하여 경품을 제공할 수도 있다. 또한 소셜 클럽에 포함된 참가자들에 대한 정보를 각 참가자들에게 상호 제공하여 오프라인 소셜 이벤트에서의 사회적 행동이 온라인 상의 활동으로 이어지도록 할 수도 있다.

본 발명에 따른 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (14)

1. 오프라인 소셜 이벤트에 참여한 복수의 참가자 각각이 소지하며, 각각 전파를 상호 송수신하고, 전파 전송 경로 상에 장애물이 존재하면 상기 장애물에 의해 세기가 감쇄되어 수신되는 전파의 세기를 기초로 상기 복수의 참가자들에 대한 사회적 거리를 판별하고, 판별된 사회적 거리를 거리 데이터로 전송하는 복수개의 구성원 단말; 및
   상기 복수개의 구성원 단말 각각으로부터 상기 거리데이터를 수신하고, 수신된 복수개의 거리 데이터를 이용하여 상기 복수의 참가자들에 대한 사회적 거리를 재계산하여 상기 복수의 참가자들의 위치 및 방향을 추정하고, 추정된 상기 참가자들의 위치 및 방향을 기초로 클러스터링을 수행하여 소셜 그룹을 분류하고, 분류된 소셜 그룹의 형성 및 해산과, 상기 소셜 그룹으로의 참여 또는 이탈에 대한 통계 자료를 이용하여 상기 복수의 참가자 개개인의 사회적 행동을 분석하는 행동 분석 서버;를 포함하는 사회적 행동 분석 시스템.
   
2. 제1 항에 있어서, 상기 장애물은
   상기 복수의 참가자의 신체를 포함하는 것을 특징으로 하는 사회적 행동 분석 시스템.
   
3. 제1 항에 있어서, 상기 복수개의 구성원 단말 각각은
   상기 복수개의 구성원 단말로 전파를 송신하고, 다른 구성원 단말들로부터 송신된 전파를 수신하는 전파 송수신부;
   상기 수신된 전파의 세기를 분석하는 전파 세기 감지부;
   상기 분석된 전파의 세기를 기초로 상기 다른 구성원 단말과의 사회적 거리를 판별하는 거리 판별부; 및
   상기 판별된 사회적 거리를 상기 거리 데이터로서 상기 행동 분석 서버로 전송하는 데이터 송신부;를 포함하는 것을 특징으로 하는 사회적 행동 분석 시스템.
   
4. 제1 항에 있어서, 상기 행동 분석 서버는
   복수개의 구성원 단말 각각으로부터 상기 거리 데이터를 수신하는 데이터 수신부;
   상기 복수개의 거리 데이터를 기초로 상기 복수개의 구성원 단말의 사회적 거리를 다시 계산하여, 상기 복수개의 구성원 단말 각각의 위치 및 방향을 판별하는 단말간 거리 판별부;
   상기 복수개의 구성원 단말을 기설정된 클러스터링 기법에 따라 클러스터링하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 클러스터링부;
   상기 분류된 적어도 하나의 소셜 그룹의 형성 및 해산과 상기 적어도 하나의 소셜 그룹에 참여하거나 이탈하는 상기 참가자의 정보를 통계 처리하여 통계 자료를 획득하는 통계 처리부; 및
   상기 통계 자료를 기초로 상기 복수의 참가자 각각 및 상기 소셜 그룹에 대한 사회성을 분석하는 사회성 분석부;를 포함하는 것을 특징으로 하는 사회적 행동 분석 시스템.
   
5. 제4 항에 있어서, 상기 클러스터링부는
   중심 모델, 연결 모델 및 밀도 모델의 3가지 클러스터링 모델 중 적어도 하나의 클러스터링 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 것을 특징으로 하는 사회적 행동 분석 시스템.
   
6. 제5 항에 있어서, 상기 클러스터링부는
   상기 행동 분석 서버가 모바일 기기로 구현되는 경우, 상기 3가지 클러스터링 모델 중 상기 중심 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하고,
   상기 행동 분석 서버가 모바일 기기로 구현되지 않는 경우, 상기 3가지 클러스터링 모델 중 상기 연결 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 것을 특징으로 하는 사회적 행동 분석 시스템.
   
7. 제4 항에 있어서, 상기 통계 처리부는
   상기 적어도 하나의 소셜 그룹의 형성 인원, 유지 시간, 참가자들의 참여 및 이탈 현황과 상기 복수의 참여자 각각의 상기 적어도 하나의 소셜 그룹에 대한 참여 횟수, 참여 시간을 통계 처리하는 것을 특징으로 하는 사회적 행동 분석 시스템.
   
8. 오프라인 소셜 이벤트에 참여한 복수의 참가자 각각이 소지하는 복수개의 구성원 단말 및 행동 분석 서버를 포함하는 사회적 행동 분석 시스템을 이용한 사회적 행동 분석 방법에 있어서,
   상기 복수개의 구성원 단말 각각이 전파를 송신하고, 전파 전송 경로 상에 장애물이 존재하면 상기 장애물에 의해 세기가 감쇄되는 전파를 수신하는 단계;
   상기 복수개의 구성원 단말 각각이 상기 수신된 전파의 세기를 기초로 상기 복수의 참가자들에 대한 사회적 거리를 판별하는 단계;
   상기 복수개의 구성원 단말 각각이 판별된 사회적 거리를 거리 데이터로서 상기 행동 분석 서버로 전송하는 단계;
   상기 행동 분석 서버가 상기 복수개의 구성원 단말 각각으로부터 상기 거리 데이터를 수신하고, 수신된 거리 데이터를 기초로 상기 복수의 참가자 각각의 위치 및 방향을 추정하는 단계;
   상기 복수의 참가자 각각의 위치 및 방향을 이용하여 적어도 하나의 소셜 그룹을 분류하기 위한 클러스터링을 수행하는 단계; 및
   분류된 상기 적어도 하나의 소셜 그룹의 형성 및 해산과, 상기 소셜 그룹으로의 참여 또는 이탈에 대한 통계 자료를 이용하여, 상기 복수의 참가자 개개인의 사회적 행동을 분석하는 단계;를 포함하는 사회적 행동 분석 방법.
   
9. 제8 항에 있어서, 상기 장애물은
   상기 복수의 참가자의 신체를 포함하는 것을 특징으로 하는 사회적 행동 분석 방법.
   
10. 제9 항에 있어서, 상기 클러스터링을 수행하는 단계는
    중심 모델, 연결 모델 및 밀도 모델의 3가지 클러스터링 모델 중 적어도 하나의 클러스터링 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 것을 특징으로 하는 사회적 행동 분석 방법.
    
11. 제10 항에 있어서, 상기 클러스터링을 수행하는 단계는
    상기 행동 분석 서버가 모바일 기기로 구현되는 경우, 상기 3가지 클러스터링 모델 중 상기 중심 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하고,
    상기 행동 분석 서버가 모바일 기기로 구현되지 않는 경우, 상기 3가지 클러스터링 모델 중 상기 연결 모델을 이용하여 상기 복수의 참가자들을 적어도 하나의 소셜 그룹으로 분류하는 것을 특징으로 하는 사회적 행동 분석 방법.
    
12. 제9 항에 있어서, 상기 사회적 행동을 분석하는 단계는
    상기 분류된 적어도 하나의 소셜 그룹의 형성 및 해산과 상기 적어도 하나의 소셜 그룹에 참여하거나 이탈하는 상기 참가자의 정보를 통계 처리하여 통계 자료를 획득하는 단계; 및
    상기 통계 자료를 기초로 상기 복수의 참가자 각각 및 상기 소셜 그룹에 대한 사회성을 분석하는 단계;를 포함하는 것을 특징으로 하는 사회적 행동 분석 방법.
    
13. 제12 항에 있어서, 상기 통계 자료를 획득하는 단계는
    상기 적어도 하나의 소셜 그룹의 형성 인원, 유지 시간, 참가자들의 참여 및 이탈 현황과 상기 복수의 참여자 각각의 상기 적어도 하나의 소셜 그룹에 대한 참여 횟수, 참여 시간을 통계 처리하는 것을 특징으로 하는 사회적 행동 분석 방법.
    
14. 삭제

Images