KR102166547B1 - System and method for predicting information based on images - Google Patents

System and method for predicting information based on images Download PDF

Info

Publication number
KR102166547B1
KR102166547B1 KR1020180132054A KR20180132054A KR102166547B1 KR 102166547 B1 KR102166547 B1 KR 102166547B1 KR 1020180132054 A KR1020180132054 A KR 1020180132054A KR 20180132054 A KR20180132054 A KR 20180132054A KR 102166547 B1 KR102166547 B1 KR 102166547B1
Authority
KR
South Korea
Prior art keywords
information
image
statistical information
imaged
statistical
Prior art date
Application number
KR1020180132054A
Other languages
Korean (ko)
Other versions
KR20200052460A (en
Inventor
최원익
이충헌
Original Assignee
한국전력공사
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전력공사, 인하대학교 산학협력단 filed Critical 한국전력공사
Priority to KR1020180132054A priority Critical patent/KR102166547B1/en
Publication of KR20200052460A publication Critical patent/KR20200052460A/en
Application granted granted Critical
Publication of KR102166547B1 publication Critical patent/KR102166547B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

이미지 기반 정보 예측 시스템 및 그 방법이 개시된다. 본 발명의 일실시예에 따른 정보 예측 방법은 통계 정보를 이미지로 변환하는 단계; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 및 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 단계를 포함할 수 있다.An image-based information prediction system and method thereof are disclosed. An information prediction method according to an embodiment of the present invention includes the steps of converting statistical information into an image; Recognizing a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information; And predicting future target information by inputting the recognized pattern into the deep learning algorithm.

Figure R1020180132054
Figure R1020180132054

Description

이미지 기반 정보 예측 시스템 및 그 방법{SYSTEM AND METHOD FOR PREDICTING INFORMATION BASED ON IMAGES}Image-based information prediction system and its method TECHNICAL FIELD [SYSTEM AND METHOD FOR PREDICTING INFORMATION BASED ON IMAGES}

본 발명은 통계 정보를 이용하여 미래의 목표 정보를 예측하는 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for predicting future target information by using statistical information.

예측하고자 하는 정보가 일정한 패턴으로 변화하거나, 조건에 따라 변화하는 경우, 과거에 측정된 통계 정보를 이용하여 미래의 정보를 예측하는 예측 기술이 개발되고 있다.When information to be predicted changes in a certain pattern or changes according to conditions, a prediction technology for predicting future information by using statistical information measured in the past is being developed.

종래의 정보 예측 기술은 통계 정보에 포함된 정보들을 각각 분석하여 미래의 정보를 예측하고 있으므로, 다양한 통계 정보를 통합하여 분석하기 어렵다는 한계가 있었다.Since the conventional information prediction technology predicts future information by analyzing each information included in the statistical information, there is a limitation in that it is difficult to integrate and analyze various statistical information.

따라서, 통계 정보를 통합하여 분석함으로써, 미래의 정보를 예측하는 방법이 요청되고 있다.Therefore, a method of predicting future information by integrating and analyzing statistical information is requested.

본 발명은 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측하는 장치 및 방법을 제공할 수 있다.The present invention can provide an apparatus and method for predicting target information by recognizing a pattern of multidimensional statistical information with an image analysis algorithm by converting and analyzing statistical information composed of various information into an image.

또한, 본 발명은 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측하는 장치 및 방법을 제공할 수 있다.In addition, the present invention provides an apparatus and method for learning a deep learning algorithm by classifying imaged statistical information into two categories, and predicting a reference value for classifying statistical information classified using the learned deep learning algorithm as future target information. Can provide.

본 발명의 일실시예에 따른 정보 예측 방법은 통계 정보를 이미지로 변환하는 단계; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 및 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 단계를 포함할 수 있다.An information prediction method according to an embodiment of the present invention includes the steps of converting statistical information into an image; Recognizing a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information; And predicting future target information by inputting the recognized pattern into the deep learning algorithm.

본 발명의 일실시예에 따른 정보 예측 방법의 통계 정보는, 과거에 측정된 과거의 목표 정보, 상기 과거의 목표 정보를 측정한 시간 정보, 및 상기 과거의 목표 정보와 관련된 관련 정보 중 적어도 하나를 포함할 수 있다.Statistical information of the information prediction method according to an embodiment of the present invention includes at least one of past target information measured in the past, time information measuring the past target information, and related information related to the past target information. Can include.

본 발명의 일실시예에 따른 정보 예측 방법의 이미지로 변환하는 단계는, 상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하는 단계; 및 상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성하는 단계를 포함할 수 있다.In the converting of the information prediction method according to an embodiment of the present invention into an image, the past target information, time information, and related information are converted into pixel lines of the image, respectively, and the pixel lines are combined to form a raw image. Generating; And generating imaged statistical information by combining the raw image and an estimated value of the target information set at random.

본 발명의 일실시예에 따른 정보 예측 방법의 목표 정보는, 전력 수요량, 주가, 유가, 기온 중 적어도 하나를 포함할 수 있다.Target information of the information prediction method according to an embodiment of the present invention may include at least one of power demand, stock price, oil price, and temperature.

본 발명의 일실시예에 따른 정보 예측 방법의 목표 정보를 예측하는 단계는, 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하는 단계; 및 미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측하는 단계를 포함할 수 있다.Predicting target information of an information prediction method according to an embodiment of the present invention includes: generating an image corresponding to a specific period in the future by inputting the recognized pattern into a deep learning algorithm; And predicting target information corresponding to a specific period in the future by inverse transforming the image corresponding to a specific period in the future.

본 발명의 일실시예에 따른 정보 예측 방법의 학습된 딥러닝 알고리즘은, 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하며, 상기 목표 정보를 예측하는 단계는, 상기 학습된 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측할 수 있다.The learned deep learning algorithm of the information prediction method according to an embodiment of the present invention classifies the imaged statistical information into an image exceeding a reference value and an image below a reference value, and predicting the target information, the learning A reference point at which the imaged statistical information is classified into an image exceeding a reference value and an image below the reference value may be predicted as the target information.

본 발명의 일실시예에 따른 정보 학습 방법은 통계 정보를 이미지로 변환하는 단계; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 단계; 및 상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 단계를 포함할 수 있다.An information learning method according to an embodiment of the present invention includes converting statistical information into an image; Recognizing a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information; Classifying the patterns of the statistical information into an image exceeding a reference value and an image below the reference value using a deep learning algorithm; And learning a classification criterion of patterns of the statistical information by changing an estimated value to be included in the imaged statistical information according to the classification result.

본 발명의 일실시예에 따른 정보 학습 방법의 분류 기준을 학습하는 단계는, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하는 단계; 및 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하는 단계를 포함할 수 있다.The step of learning the classification criteria of the information learning method according to an embodiment of the present invention is, when the result of classification of the target information corresponding to the imaged statistical information and the patterns corresponding to the imaged statistical information correspond, the Maintaining an estimated value to be included in the imaged statistical information; And changing an estimated value to be included in the imaged statistical information when target information corresponding to the imaged statistical information and a result of classification of patterns corresponding to the imaged statistical information are different from each other.

본 발명의 일실시예에 따른 정보 예측 장치는 통계 정보를 이미지로 변환하는 이미지 변환부; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부; 및 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 정보 예측부를 포함할 수 있다.An information prediction apparatus according to an embodiment of the present invention includes an image conversion unit for converting statistical information into an image; A pattern recognition unit that recognizes a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information; And an information prediction unit that predicts future target information by inputting the recognized pattern into the deep learning algorithm.

본 발명의 일실시예에 따른 정보 예측 장치의 정보 예측부는, 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하고, 미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측할 수 있다.The information prediction unit of the information prediction apparatus according to an embodiment of the present invention generates an image corresponding to a specific period in the future by inputting the recognized pattern into a deep learning algorithm, and inversely transforms the image corresponding to a specific period in the future to It is possible to predict the target information corresponding to a specific period of.

본 발명의 일실시예에 따른 정보 예측 장치의 이미지 변환부는, 상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하고, 상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.The image conversion unit of the information prediction apparatus according to an embodiment of the present invention converts the past target information, time information, and related information into pixel lines of an image, respectively, and generates a raw image by combining the pixel lines, Imaged statistical information may be generated by combining the raw image and an estimated value of the target information set at random.

본 발명의 일실시예에 따른 정보 예측 장치는 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부를 더 포함하고, 상기 정보 예측부는, 상기 학습된 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측할 수 있다.The information prediction apparatus according to an embodiment of the present invention further includes an information classification unit for classifying the imaged statistical information into an image exceeding a reference value and an image less than or equal to a reference value, wherein the information prediction unit comprises: the learned deep learning algorithm A reference point for classifying the imaged statistical information into an image exceeding a reference value and an image below the reference value may be predicted as the target information.

본 발명의 일실시예에 따른 정보 학습 장치는 통계 정보를 이미지로 변환하는 이미지 변환부; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부; 딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부; 및 상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 정보 학습부를 포함할 수 있다.An information learning apparatus according to an embodiment of the present invention includes an image conversion unit for converting statistical information into an image; A pattern recognition unit that recognizes a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information; An information classification unit for classifying the patterns of the statistical information into an image exceeding a reference value and an image below a reference value using a deep learning algorithm; And an information learning unit that learns a classification criterion of patterns of the statistical information by changing an estimated value to be included in the imaged statistical information according to the classification result.

본 발명의 일실시예에 따른 정보 학습 장치의 정보 학습부는, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하고, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경할 수 있다.The information learning unit of the information learning apparatus according to an embodiment of the present invention, when the result of classification of the target information corresponding to the imaged statistical information and the patterns corresponding to the imaged statistical information correspond, the imaged statistical information The estimated value to be included in the imaged statistical information may be maintained, and when the result of classification of the target information corresponding to the imaged statistical information and the patterns corresponding to the imaged statistical information are different from each other, the estimated value to be included in the imaged statistical information may be changed.

본 발명의 일실시예에 의하면, 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측할 수 있다.According to an embodiment of the present invention, by converting statistical information composed of various pieces of information into an image and analyzing it, target information may be predicted by recognizing a pattern of multidimensional statistical information with an image analysis algorithm.

또한, 본 발명의 일실시예에 의하면, 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수도 있다.In addition, according to an embodiment of the present invention, a deep learning algorithm is learned by classifying imaged statistical information into two categories, and a reference value for classifying statistical information classified using the learned deep learning algorithm is used as future target information. You can also predict.

도 1은 본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템을 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 과정을 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따라 이미지화 된 통계 정보의 일례이다.
도 4는 본 발명의 일실시예에 따라 통계 정보를 이미지화 하는 과정이다.
도 5는 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 구조이다.
도 6은 본 발명의 일실시예에 따른 정보 예측 장치의 동작을 나타내는 도면이다.
도 7은 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 동작 일례이다.
도 8은 본 발명의 일실시예에 따른 이미지 기반 정보 학습 방법을 도시한 플로우차트이다.
도 9는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 방법을 도시한 플로우차트이다.1 is a diagram illustrating an image-based information prediction system according to an embodiment of the present invention.
2 is a diagram illustrating a process of predicting image-based information according to an embodiment of the present invention.
3 is an example of imaged statistical information according to an embodiment of the present invention.
4 is a process of imaging statistical information according to an embodiment of the present invention.
5 is a structure of a deep learning algorithm according to an embodiment of the present invention.
6 is a diagram illustrating an operation of an information prediction apparatus according to an embodiment of the present invention.
7 is an example operation of a deep learning algorithm according to an embodiment of the present invention.
8 is a flowchart illustrating an image-based information learning method according to an embodiment of the present invention.
9 is a flowchart illustrating an image-based information prediction method according to an embodiment of the present invention.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, exemplary embodiments will be described in detail with reference to the accompanying drawings. However, since various changes may be made to the embodiments, the scope of the rights of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents, or substitutes to the embodiments are included in the scope of the rights.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the examples are used for illustrative purposes only and should not be interpreted as limiting. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present specification, terms such as "comprise" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 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 otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the embodiment belongs. Terms as defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in this application. Does not.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are assigned to the same components regardless of the reference numerals, and redundant descriptions thereof will be omitted. In describing the embodiments, when it is determined that a detailed description of related known technologies may unnecessarily obscure the subject matter of the embodiments, the detailed description thereof will be omitted.

본 발명의 일실시예에 따른 이미지 기반 정보 예측 방법은 이미지 기반 정보 예측 시스템에 의해 수행될 수 있다. An image-based information prediction method according to an embodiment of the present invention may be performed by an image-based information prediction system.

도 1은 본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템을 나타내는 도면이다. 1 is a diagram illustrating an image-based information prediction system according to an embodiment of the present invention.

이미지 기반 정보 예측 시스템은 도 1에 도시된 바와 같이 정보 학습 장치(110)와 정보 예측 장치(120)로 구성될 수 있다.The image-based information prediction system may include an information learning device 110 and an information prediction device 120 as shown in FIG. 1.

정보 학습 장치(110)는 이미지 변환부(111), 패턴 인식부(112), 및 정보 학습부(114)를 포함할 수 있다. 또한, 정보 예측 장치(120)는 이미지 변환부(121), 패턴 인식부(122), 및 정보 예측부(124)를 포함할 수 있다. 그리고, 이미지 변환부(111), 패턴 인식부(112), 정보 분류부(113), 정보 학습부(114), 이미지 변환부(121), 패턴 인식부(122), 정보 분류부(123), 및 정보 예측부(124)는 서로 다른 프로세스, 또는 하나의 프로세스에서 수행되는 프로그램에 포함된 각각의 모듈일 수 있다.The information learning device 110 may include an image conversion unit 111, a pattern recognition unit 112, and an information learning unit 114. In addition, the information prediction apparatus 120 may include an image conversion unit 121, a pattern recognition unit 122, and an information prediction unit 124. And, the image conversion unit 111, the pattern recognition unit 112, the information classification unit 113, the information learning unit 114, the image conversion unit 121, the pattern recognition unit 122, the information classification unit 123 , And the information prediction unit 124 may be different processes or each module included in a program executed in one process.

정보 학습 장치(110)는 통계 정보들을 이용하여 정보 예측 장치(120)에서 미래의 목표 정보를 예측하기 위하여 사용하는 딥러닝 알고리즘을 학습할 수 있다. 이때, 목표 정보는 일정 패턴, 또는 관련 정보의 변화에 따라 일정한 규칙으로 변화하는 정보일 수 있다. 예를 들어, 목표 정보는, 전력 수요량, 주가, 유가, 기온 중 적어도 하나를 포함할 수 있다.The information learning device 110 may learn a deep learning algorithm used by the information prediction device 120 to predict future target information by using statistical information. At this time, the target information may be information that changes in a certain pattern according to a change in a certain pattern or related information. For example, the target information may include at least one of power demand, stock price, oil price, and temperature.

이미지 변환부(111)는 통계 정보를 이미지로 변환할 수 있다. 이때, 통계 정보는 과거에 측정된 과거의 목표 정보, 과거의 목표 정보를 측정한 시간 정보, 및 과거의 목표 정보와 관련된 관련 정보 중 적어도 하나를 포함하는 다차원 정보일 수 있다.The image conversion unit 111 may convert statistical information into an image. In this case, the statistical information may be multidimensional information including at least one of past target information measured in the past, time information measured in the past target information, and related information related to the past target information.

예를 들어, 목표 정보가 최대 전력 수요인 경우, 과거의 목표 정보는 예측 시점을 기준으로 과거에 측정된 최대 전력 수요들의 값이고, 시간 정보는 과거에 측정된 최대 전력 수요들의 값들이 각각 측정된 시간일 수 있다. 또한, 관련 정보는 기온, 경제지수, 습도와 같이 최대 전력 수요의 증가 및 감소에 영향을 줄 수 있는 정보일 수 있다. 예를 들어, 기온, 및 습도가 증가하면 거주 환경의 쾌적한 온도 및 습도를 유지하기 위하여 에어컨 사용량이 증가하므로, 최대 전력 수요도 증가할 수 있다. 또한, 경제 지수가 감소하면, 전기료 인상이 부담되는 가정에서 에어컨 사용량이 감소하므로, 최대 전력 수요도 감소할 수 있다.For example, when the target information is the maximum power demand, the past target information is the value of the maximum power demands measured in the past based on the forecast time, and the time information is the values of the maximum power demands measured in the past. It can be time. In addition, the related information may be information that may affect the increase or decrease in maximum power demand, such as temperature, economic index, and humidity. For example, when temperature and humidity increase, the amount of air conditioner used increases in order to maintain a comfortable temperature and humidity in a living environment, and thus maximum power demand may increase. In addition, when the economic index decreases, the use of air conditioners decreases in households that are burdened with an increase in electricity bills, so the maximum power demand may also decrease.

구체적으로, 이미지 변환부(111)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(111)는 변환된 픽셀 라인들을 결합하여 이미지화 된 통계 정보를 생성할 수 있다. Specifically, the image conversion unit 111 may convert past target information, time information, and related information into pixel lines of an image, respectively. Next, the image conversion unit 111 may generate imaged statistical information by combining the converted pixel lines.

패턴 인식부(112)는 이미지 변환부(111)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다. 예를 들어, 이미지 분석 알고리즘은 CNN(convolutional neural network) 알고리즘일 수 있다.The pattern recognition unit 112 may recognize a pattern of statistical information by applying an image analysis algorithm to the statistical information imaged by the image conversion unit 111. For example, the image analysis algorithm may be a convolutional neural network (CNN) algorithm.

정보 학습부(114)는 통계 정보의 패턴과 이미지화 된 통계 정보에 대응하는 목표 정보를 이용하여 지정된 미래의 목표 정보를 포함하는 이미지를 생성하도록 딥 러닝 알고리즘을 학습할 수 있다.The information learning unit 114 may learn a deep learning algorithm to generate an image including designated future target information by using the pattern of statistical information and target information corresponding to the imaged statistical information.

예를 들어, 정보 학습부(114)는 2017년의 통계 정보를 이미지화 하여 인식한 패턴과 2018년 상반기의 통계 정보를 이미지화 하여 인식한 패턴을 비교하여 2018년 하반기의 목표 정보가 포함된 이미지를 생성하도록 딥 러닝 알고리즘을 학습할 수 있다.For example, the information learning unit 114 creates an image containing target information for the second half of 2018 by comparing the recognized pattern by imaged statistical information of 2017 and the pattern recognized by imaged statistical information of the first half of 2018. You can learn deep learning algorithms to do so.

또한, 정보 학습 장치(110)는 정보 분류부(113)를 더 포함할 수 있다. 이때, 이미지 변환부(111)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(111)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(111)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.In addition, the information learning apparatus 110 may further include an information classification unit 113. In this case, the image conversion unit 111 may convert past target information, time information, and related information into pixel lines of an image, respectively. Next, the image conversion unit 111 may generate a raw image by combining the converted pixel lines. Next, the image conversion unit 111 may generate imaged statistical information by combining the raw image and the estimated value of the target information set at random.

그리고, 정보 분류부(113)는 패턴 인식부(112)에서 인식된 통계 정보의 패턴들을 딥러닝 알고리즘을 이용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다. 이때, 정보 분류부(113)는 기간 별로 기준값을 설정할 수 있다. In addition, the information classification unit 113 may classify patterns of statistical information recognized by the pattern recognition unit 112 into an image exceeding the reference value and an image less than or equal to the reference value using a deep learning algorithm. In this case, the information classification unit 113 may set a reference value for each period.

또한, 정보 분류부(113)는 학습을 반복하는 과정에서 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과의 일치 비율에 따라 기준값을 변경할 수 있다. 예를 들어, 기준값을 초과하는 이미지로 분류된 결과의 일치 비율이 기준값 이하의 이미지로 분류된 결과의 일치 비율보다 적다는 것은 통계 정보에 대응하는 패턴들이 목표 정보 보다 낮은 값을 가지는 이미지로 분류되는 경우가 많다는 것을 의미할 수 있다. 따라서, 정보 분류부(113)는 기준값을 증가시킴으로써, 통계 정보에 대응하는 패턴들이 목표 정보 보다 낮은 값을 가지는 것으로 분류되는 것을 최소화할 수 있다.In addition, the information classification unit 113 may change the reference value according to a match ratio between a result of classification of patterns corresponding to target information and imaged statistical information in the process of repeating learning. For example, if the matching ratio of the results classified as images exceeding the reference value is less than the matching ratio of the results classified as images below the reference value, patterns corresponding to statistical information are classified as images having a lower value than the target information. It can mean that there are many cases. Accordingly, the information classification unit 113 may minimize the classification of patterns corresponding to statistical information as having values lower than target information by increasing the reference value.

또한, 기준값을 초과하는 이미지로 분류된 결과의 일치 비율이 기준값 이하의 이미지로 분류된 결과의 일치 비율보다 크다는 것은 통계 정보에 대응하는 패턴들이 목표 정보 보다 높은 값을 가지는 이미지로 분류되는 경우가 많다는 것을 의미할 수 있다. 따라서, 정보 분류부(113)는 기준값을 감소시킴으로써, 통계 정보에 대응하는 패턴들이 목표 정보 보다 높은 값을 가지는 것으로 분류되는 것을 최소화할 수 있다.In addition, the fact that the matching ratio of the results classified as images exceeding the reference value is greater than the matching ratio of the results classified as images below the reference value means that patterns corresponding to statistical information are often classified as images with higher values than the target information. Can mean that. Accordingly, the information classification unit 113 may minimize the classification of patterns corresponding to statistical information as having higher values than target information by decreasing the reference value.

그리고, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수에 따라 기준값을 변경할 수 있다. 예를 들어, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수가 동일해지도록 가장 높은 값과 가장 낮은 값부터 순차적으로 분류할 수 있다. 그리고, 기준값을 초과하는 이미지로 분류된 이미지와 기준값 이하의 이미지로 분류된 이미지가 인접하는 경우, 정보 분류부(113)는 인접한 이미지들 사이의 값을 기준값으로 결정할 수도 있다.In addition, the information classification unit 113 may change the reference value according to the number of images exceeding the reference value and the number of images below the reference value. For example, the information classification unit 113 may sequentially classify from the highest value and the lowest value so that the number of images exceeding the reference value and the number of images less than the reference value become the same. In addition, when an image classified as an image exceeding the reference value and an image classified as an image below the reference value are adjacent to each other, the information classification unit 113 may determine a value between the adjacent images as the reference value.

정보 학습부(114)는 정보 분류부(110)의 분류 결과에 따라 이미지화 된 통계 정보에 포함될 추정값을 변경하여 통계 정보의 패턴들의 분류 기준을 학습할 수 있다.The information learning unit 114 may learn a classification criterion for patterns of statistical information by changing an estimated value to be included in the imaged statistical information according to the classification result of the information classification unit 110.

이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 정보 학습부(114)는 이미지 변환부(111)에서 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다. 예를 들어, 목표 정보가 기준값을 초과하고, 패턴들이 기준값을 초과하는 이미지로 분류된 경우, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다. 또한, 목표 정보가 기준값 이하이고, 패턴들이 기준값 이하의 이미지로 분류된 경우, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다.When the result of classification of the target information corresponding to the imaged statistical information and the patterns corresponding to the imaged statistical information correspond, the information learning unit 114 maintains the estimated value to be included in the imaged statistical information by the image conversion unit 111. I can. For example, when target information exceeds a reference value and patterns are classified as images exceeding the reference value, the information learning unit 114 may maintain an estimated value to be included in the imaged statistical information. In addition, when the target information is less than or equal to the reference value and the patterns are classified as images less than or equal to the reference value, the information learning unit 114 may maintain an estimated value to be included in the imaged statistical information.

또한, 이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 정보 학습부(114)는 이미지 변환부(111)에서 이미지화 된 통계 정보에 포함될 추정값을 변경할 수 있다. 예를 들어, 목표 정보가 기준값을 초과하지만, 패턴들이 기준값 이하의 이미지로 분류된 경우, 이미지화 된 통계 정보의 패턴들이 목표 정보보다 낮게 생성되었으므로, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 증가시킴으로써, 이미지화 된 통계 정보의 패턴들이 목표 정보에 대응되도록 학습할 수 있다.In addition, if the target information corresponding to the imaged statistical information and the result of classification of the patterns corresponding to the imaged statistical information are different, the information learning unit 114 is an estimated value to be included in the statistical information imaged by the image conversion unit 111 Can be changed. For example, if the target information exceeds the reference value, but the patterns are classified as images less than the reference value, the pattern of imaged statistical information is generated lower than the target information, so the information learning unit 114 is included in the imaged statistical information. By increasing the estimated value, patterns of imaged statistical information can be learned to correspond to target information.

또한, 목표 정보가 기준값 이하이고, 패턴들이 기준값을 초과하는 이미지로 분류된 경우, 이미지화 된 통계 정보의 패턴들이 목표 정보보다 높게 생성되었으므로, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 감소시킴으로써, 이미지화 된 통계 정보의 패턴들이 목표 정보에 대응되도록 학습할 수 있다.In addition, when the target information is less than the reference value and the patterns are classified as images exceeding the reference value, the patterns of the imaged statistical information are generated higher than the target information, so the information learning unit 114 determines the estimated value to be included in the imaged statistical information. By reducing, it is possible to learn so that patterns of imaged statistical information correspond to target information.

정보 예측 장치(120)는 통계 정보를 이미지화하고, 정보 학습 장치(110)가 학습한 딥러닝 알고리즘에 이지화 된 통계 정보를 적용하여 미래의 목표 정보를 예측할 수 있다.The information prediction device 120 may image statistical information and predict future target information by applying the easy-to-use statistical information to the deep learning algorithm learned by the information learning device 110.

이미지 변환부(121)는 입력받은 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(121)는 변환된 픽셀 라인들을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.The image conversion unit 121 may convert the received statistical information into an image. In this case, the image conversion unit 121 may convert past target information, time information, and related information into pixel lines of an image, respectively. Next, the image conversion unit 121 may generate imaged statistical information by combining the converted pixel lines.

패턴 인식부(122)는 이미지 변환부(121)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다. 예를 들어, 이미지 분석 알고리즘은 CNN(convolutional neural network) 알고리즘일 수 있다.The pattern recognition unit 122 may recognize a pattern of statistical information by applying an image analysis algorithm to the statistical information imaged by the image conversion unit 121. For example, the image analysis algorithm may be a convolutional neural network (CNN) algorithm.

정보 예측부(124)는 통계 정보의 패턴을 정보 학습 장치(110)에서 학습된 GAN(Generative Adversarial Network)와 같은 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성할 수 있다. 그리고, 이미지 변환부(121)는 정보 예측부(124)가 생성한 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 복원함으로써, 미래의 특정 기간에 대응하는 목표 정보를 예측할 수 있다. 이때, 정보 예측부(124)는 일기 예보와 같은 수단을 이용하여 미래의 관계 정보를 고정함으로써, 미래의 특정 기간에 대응하는 이미지의 정확도를 높일 수 있다.The information prediction unit 124 may generate an image corresponding to a specific period in the future by inputting the pattern of statistical information into a deep learning algorithm such as a Generative Adversarial Network (GAN) learned by the information learning device 110. In addition, the image conversion unit 121 may predict target information corresponding to a specific period in the future by inversely transforming the image generated by the information prediction unit 124 to restore target information corresponding to a specific period in the future. In this case, the information prediction unit 124 may increase the accuracy of an image corresponding to a specific period in the future by fixing future relationship information using a means such as a weather forecast.

또한, 정보 예측 장치(120)는 정보 분류부(123)를 더 포함할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(121)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(121)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.In addition, the information prediction apparatus 120 may further include an information classification unit 123. In this case, the image conversion unit 121 may convert past target information, time information, and related information into pixel lines of an image, respectively. Next, the image conversion unit 121 may generate a raw image by combining the converted pixel lines. Next, the image conversion unit 121 may generate imaged statistical information by combining the raw image and the estimated value of the randomly set target information.

그리고, 정보 분류부(123)는 정보 학습 장치(110)에서 이미지화 된 통계 정보를 이용하여 학습된 딥러닝 알고리즘에 패턴 인식부(122)에서 인식된 통계 정보의 패턴들을 적용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다.In addition, the information classification unit 123 applies the patterns of statistical information recognized by the pattern recognition unit 122 to the deep learning algorithm learned by using the statistical information imaged by the information learning device 110 to provide an image that exceeds the reference value. And images below the reference value can be classified.

또한, 정보 예측부(124)는 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 구체적으로, 정보 예측부(124)는 기준값을 초과하는 이미지로 분류된 이미지와 인접한 기준값 이하의 이미지로 분류된 이미지를 검색할 수 있다. 이때, 검색한 이미지와 인접한 이미지 사이의 값은 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값일 수 있다. 따라서, 정보 예측부(124)는 검색한 이미지와 인접한 이미지 사이의 값을 미래의 목표 정보로 예측할 수 있다.In addition, the information prediction unit 124 may predict a reference value for classifying statistical information imaged by the learned deep learning algorithm as future target information. Specifically, the information predictor 124 may search for images classified as images exceeding the reference value and images classified as images below the reference value adjacent to each other. In this case, the value between the searched image and the adjacent image may be a reference value for classifying statistical information imaged by the learned deep learning algorithm. Accordingly, the information prediction unit 124 may predict a value between the searched image and an adjacent image as future target information.

본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템은 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측할 수 있다.The image-based information prediction system according to an embodiment of the present invention may predict target information by recognizing a pattern of multidimensional statistical information with an image analysis algorithm by converting and analyzing statistical information composed of various information into an image.

또한, 본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템은 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수도 있다.In addition, the image-based information prediction system according to an embodiment of the present invention classifies imaged statistical information into two categories to learn a deep learning algorithm, and a reference value for classifying the classified statistical information using the learned deep learning algorithm. It can also be predicted with future target information.

도 2는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 과정을 나타내는 도면이다. 2 is a diagram illustrating a process of predicting image-based information according to an embodiment of the present invention.

단계(210)에서 이미지 변환부(121)는 원시 데이터를 예측 대상 이미지로 변환할 수 있다. 이때, 원시 데이터는 이미지 변환부(121)가 입력받는 정보이며, 변환과 같은 가공이 수행되지 않은 상태의 통계 정보일 수 있다. 또한, 예측 대상 이미지는 이미지화 된 통계 정보일 수 있다.In step 210, the image conversion unit 121 may convert the raw data into an image to be predicted. In this case, the raw data is information received by the image conversion unit 121, and may be statistical information in a state in which processing such as conversion is not performed. In addition, the prediction target image may be imaged statistical information.

단계(220)에서 정보 학습 장치(110)는 학습된 딥 러닝 알고리즘을 패턴 인식부(122), 또는 정보 분류부(123)로 전송할 수 있다. 이때, 정보 학습 장치(110)가 전송하는 딥 러닝 알고리즘은 도 2에 도시된 바와 같이 과거의 원시 데이터(통계 정보)를 이용하여 통계 정보의 패턴들이 기준값을 초과하는지 여부에 따라 '크다'와 '작다'로 분류하는 분류 기준이 학습된 상태일 수 있다.In operation 220, the information learning apparatus 110 may transmit the learned deep learning algorithm to the pattern recognition unit 122 or the information classification unit 123. At this time, the deep learning algorithm transmitted by the information learning apparatus 110 is'large' and'large' and'depending on whether the patterns of statistical information exceed the reference value using past raw data (statistical information) as shown in FIG. The classification criterion classified as'small' may be in a learned state.

단계(230)에서 패턴 인식부(122), 및 정보 분류부(123)는 딥러닝 알고리즘 관련 변수와 예측 대상 이미지를 단계(220)에서 수신한 딥러닝 알고리즘에 적용하여 예측 대상 이미지를 '크다'와 '작다'로 분류할 수 있다.In step 230, the pattern recognition unit 122 and the information classification unit 123 apply the variable related to the deep learning algorithm and the prediction target image to the deep learning algorithm received in step 220 to make the prediction target image'large'. And'small'.

단계(240)에서 정보 예측부(124)는 예측 대상 이미지를 '크다' 또는 '작다'로 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 예를 들어, 도 2에서 '크다'로 분류된 예측 대상 이미지는 최대 전력 수요가 86800MW 이상인 예측 대상 이미지들이고, '작다'로 분류된 예측 대상 이미지들은 최대 전력 수요가 86700MW 이하인 예측 대상 이미지들일 수 있다. In operation 240, the information prediction unit 124 may predict a reference value for classifying the prediction target image as'large' or'small' as future target information. For example, prediction target images classified as'large' in FIG. 2 may be prediction target images with a maximum power demand of 86800MW or more, and prediction target images classified as'small' may be prediction target images with a maximum power demand of 86700MW or less. .

즉, 도 2에서 예측 대상 이미지를 '크다' 또는 '작다'로 분류하는 기준값은 86700MW 내지 86800MW일 수 있다. 그리고, 정보 예측부(124)는 86700MW 내지 86800MW 사이의 값을 미래의 목표 정보로 예측할 수 있다.That is, the reference value for classifying the prediction target image as'large' or'small' in FIG. 2 may be 86700MW to 86800MW. In addition, the information prediction unit 124 may predict a value between 86700MW to 86800MW as future target information.

도 3은 본 발명의 일실시예에 따라 이미지화 된 통계 정보의 일례이다.3 is an example of imaged statistical information according to an embodiment of the present invention.

이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보를 측정한 시간 정보에 따라 이미지화 된 통계 정보에서 과거의 목표 정보에 대응하는 픽셀의 위치를 결정할 수 있다. 구체적으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 시간의 경과에 따라 좌측에서 우측, 혹은 상단에서 하단으로 하나씩 이동한 위치의 픽셀을 해당 시간에 대응하는 픽셀의 위치로 결정할 수 있다. 예를 들어, 이미지 변환부(111) 또는 이미지 변환부(121)는 시간(00:05)에 대응하는 픽셀의 위치를 (1,0)로 결정하고, 시간(00:10)에 대응하는 픽셀의 위치를 (2,0)로 결정하는 과정을 반목하여 시간(01:00)에 대응하는 픽셀의 위치를 (7,0)로 결정할 수 있다.The image conversion unit 111 or the image conversion unit 121 may determine a location of a pixel corresponding to the past target information from the imaged statistical information according to time information obtained by measuring past target information. Specifically, the image conversion unit 111 or the image conversion unit 121 may determine a pixel at a position that has been moved one by one from left to right or from top to bottom according to the passage of time as the position of the pixel corresponding to the time. . For example, the image conversion unit 111 or the image conversion unit 121 determines the location of a pixel corresponding to time (00:05) as (1,0), and a pixel corresponding to time (00:10). By countering the process of determining the position of (2,0), the position of the pixel corresponding to the time (01:00) may be determined as (7,0).

다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 결정된 위치의 픽셀의 밝기를 과거의 목표 정보에 따라 결정할 수 있다. 이때, 픽셀이 표현 가능한 밝기의 범위는 0~255이므로, 목표 정보의 최대값이 255인 경우, 목표 정보와 밝기가 일대일로 매칭되지 않을 수 있다.Next, the image conversion unit 111 or the image conversion unit 121 may determine the brightness of a pixel at the determined location according to past target information. At this time, since the range of brightness that can be expressed by the pixel is 0 to 255, when the maximum value of the target information is 255, the target information and the brightness may not be matched one-to-one.

따라서, 이미지 변환부(111) 또는 이미지 변환부(121)는 목표 정보의 최소값 내지 최대값 사이의 구간을 255개로 분류하고, 목표 정보의 값에 대응하는 구간에 따라 픽셀의 밝기를 결정할 수 있다. 예를 들어, 목표 정보가 최대 전력 수요이고, 최소값은 0KW, 최대값 10000KW일 수 있다. 이때, 목표 정보의 값이 5000KW 인 경우, 이미지 변환부(111) 또는 이미지 변환부(121)는 픽셀의 밝기를 128로 결정할 수 있다. 또한, 목표 정보의 값이 10000KW인 경우, 이미지 변환부(111) 또는 이미지 변환부(121)는 픽셀의 밝기를 255로 결정할 수 있다.Accordingly, the image conversion unit 111 or the image conversion unit 121 may classify the interval between the minimum value and the maximum value of the target information into 255 and determine the brightness of the pixel according to the interval corresponding to the value of the target information. For example, the target information is the maximum power demand, the minimum value may be 0KW, the maximum value may be 10000KW. In this case, when the value of the target information is 5000KW, the image conversion unit 111 or the image conversion unit 121 may determine the brightness of the pixel as 128. Further, when the value of the target information is 10000KW, the image conversion unit 111 or the image conversion unit 121 may determine the brightness of the pixel as 255.

그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 밝기와 위치가 결정된 픽셀들을 연결하여 이미지에서 과거의 목표 정보를 나타내는 픽셀 라인(330)을 생성할 수 있다.In addition, the image conversion unit 111 or the image conversion unit 121 may generate a pixel line 330 representing past target information in the image by connecting pixels whose brightness and location are determined.

또한, 이미지 변환부(111) 또는 이미지 변환부(121)는 기온, 경제지수, 습도와 같은 관련 정보는 과거의 목표 정보를 나타내는 픽셀과 다른 좌표에 표시할 수 있다. 이때, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보와 관련 정보의 시간을 동기화할 수 있다. 그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 동기화된 시간에 따라 관련 정보를 표시하는 픽셀의 위치 및 밝기를 결정할 수 있다. 그 다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 위치 및 밝기가 결정된 픽셀들을 연결하여 이미지에서 관련 정보를 표시하는 픽셀 라인(320)을 생성할 수 있다.In addition, the image conversion unit 111 or the image conversion unit 121 may display related information, such as temperature, economic index, and humidity, at coordinates different from a pixel representing past target information. In this case, the image conversion unit 111 or the image conversion unit 121 may synchronize past target information and time of the related information. In addition, the image conversion unit 111 or the image conversion unit 121 may determine a location and brightness of a pixel displaying related information according to a synchronized time. Next, the image conversion unit 111 or the image conversion unit 121 may generate a pixel line 320 that displays related information in the image by connecting pixels whose location and brightness are determined.

그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보와 관련 정보의 시간을 나타내는 픽셀들을 연결하여 시간 정보를 표시하는 픽셀 라인(310)을 생성할 수 있다.In addition, the image conversion unit 111 or the image conversion unit 121 may generate a pixel line 310 that displays time information by connecting pixels representing a time of past target information and related information.

구체적으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보에 대응하는 시간(00년 00월00일)과 관련 정보에 대응하는 시간(00년 00월00일)을 동기화하여 동일한 시간 구간 동안 측정된 과거의 목표 정보에 대응하는 픽셀 및 관련 정보에 대응하는 픽셀이 픽셀 라인(330)과 픽셀 라인(320)에서 상하로 인접하도록 배치할 수 있다.Specifically, the image conversion unit 111 or the image conversion unit 121 synchronizes the time corresponding to the target information in the past (00/00/00) and the time corresponding to the related information (00/00/00). Accordingly, a pixel corresponding to past target information measured during the same time period and a pixel corresponding to related information may be arranged to be vertically adjacent to each other in the pixel line 330 and the pixel line 320.

그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보, 또는 관련 정보가 측정된 시간 구간에 따라 밝기가 결정된 픽셀을 과거의 목표 정보에 대응하는 픽셀 및 관련 정보에 대응하는 픽셀과 결합함으로써, 과거의 목표 정보에 대응하는 픽셀 및 관련 정보에 대응하는 픽셀이 측정된 시간을 표시할 수 있다.In addition, the image conversion unit 111 or the image conversion unit 121 converts pixels whose brightness is determined according to the past target information or the time interval in which the related information is measured, to a pixel corresponding to the past target information and the related information. By combining with a pixel, it is possible to display a pixel corresponding to past target information and a time at which a pixel corresponding to related information is measured.

정리하면, 도 3에서 픽셀 라인(330)과 픽셀 라인(320)는 통계 정보의 값을 밝기로 변환하여 표시한 이미지이고, 픽셀 라인(310)은 픽셀 라인(330)과 픽셀 라인(320)에 포함된 통계 정보의 시간을 밝기로 변환하여 표시한 이미지일 수 있다.In summary, in FIG. 3, the pixel line 330 and the pixel line 320 are images obtained by converting the value of statistical information into brightness, and the pixel line 310 is the pixel line 330 and the pixel line 320. It may be an image displayed by converting the time of included statistical information into brightness.

그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 임의로 설정한 추정값(340)을 추가함으로써, 다양한 값을 가지는 이미지화 된 통계 정보가 딥 러닝 알고리즘에 입력되도록 할 수 있다.In addition, the image conversion unit 111 or the image conversion unit 121 may add an arbitrarily set estimation value 340 so that imaged statistical information having various values is input to the deep learning algorithm.

도 4는 본 발명의 일실시예에 따라 통계 정보를 이미지화 하는 과정이다.4 is a process of imaging statistical information according to an embodiment of the present invention.

이미지 변환부(111) 또는 이미지 변환부(121)는 변환과 같은 가공이 수행되지 않은 상태의 통계 정보인 원시 데이터(410)를 입력받을 수 있다.The image conversion unit 111 or the image conversion unit 121 may receive raw data 410 which is statistical information in a state in which processing such as conversion is not performed.

다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 원시 데이터(410)에 포함된 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지(420)를 생성할 수 있다.Next, the image conversion unit 111 or the image conversion unit 121 converts past target information, time information, and related information included in the original data 410 into pixel lines of the image, respectively, and converts the pixel lines. Combined to create a raw image 420.

그 다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 임의로 설정한 추정값(340)를 원시 이미지(420)에 결합하여 이미지화 된 통계 정보(430)를 생성할 수 있다.Next, the image conversion unit 111 or the image conversion unit 121 may generate imaged statistical information 430 by combining the randomly set estimated value 340 with the original image 420.

도 5는 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 구조이다.5 is a structure of a deep learning algorithm according to an embodiment of the present invention.

본 발명의 일실시예에 따른 딥 러닝 알고리즘은 도 5에 도시된 바와 같이 CNN(Convolutional Neural Network)(510)과 DNN(Deep Neural Network)(520)로 구성될 수 있다. 예를 들어, CNN(510)은 Relu함수이고, DNN(520)은 Softmax함수일 수 있다.The deep learning algorithm according to an embodiment of the present invention may include a convolutional neural network (CNN) 510 and a deep neural network (DNN) 520 as shown in FIG. 5. For example, the CNN 510 may be a Relu function, and the DNN 520 may be a Softmax function.

이때, CNN(510)은 분류 대상 이미지인 이미지화 된 통계 정보(501)를 분석하여 통계 정보의 패턴(502)을 인식할 수 있다. 다음으로, DNN(520)은 통계 정보의 패턴(502)에 따라 이미지화 된 통계 정보(501)를 기준값을 초과하는 이미지(503)와 기준값 이하의 이미지(504)로 분류할 수 있다.At this time, the CNN 510 may recognize the pattern 502 of statistical information by analyzing the imaged statistical information 501 that is an image to be classified. Next, the DNN 520 may classify the imaged statistical information 501 according to the pattern 502 of statistical information into an image 503 exceeding the reference value and an image 504 below the reference value.

도 6은 본 발명의 일실시예에 따른 정보 예측 장치의 동작을 나타내는 도면이다. 6 is a diagram illustrating an operation of an information prediction apparatus according to an embodiment of the present invention.

단계(610)에서 이미지 변환부(121)는 입력받은 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하여 이미지화 된 통계 정보를 생성할 수 있다.In step 610, the image conversion unit 121 may convert the received statistical information into an image. In this case, the image conversion unit 121 may generate imaged statistical information by converting past target information, time information, and related information into pixel lines of an image, respectively.

단계(620)에서 패턴 인식부(122)는 이미지 변환부(121)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다. In step 620, the pattern recognition unit 122 may recognize a pattern of statistical information by applying an image analysis algorithm to the statistical information imaged by the image conversion unit 121.

단계(630)에서 정보 분류부(123)는 정보 학습 장치(110)에서 학습된 딥러닝 알고리즘(600)에 패턴 인식부(122)에서 인식된 통계 정보의 패턴들을 적용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다.In step 630, the information classification unit 123 applies the patterns of statistical information recognized by the pattern recognition unit 122 to the deep learning algorithm 600 learned by the information learning device 110 to obtain an image that exceeds the reference value. Images can be classified as below the reference value.

단계(640)에서 정보 예측부(124)는 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 구체적으로, 정보 예측부(124)는 기준값을 초과하는 이미지로 분류된 이미지와 인접한 기준값 이하의 이미지로 분류된 이미지를 검색할 수 있다. 이때, 검색한 이미지와 인접한 이미지 사이의 값은 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값일 수 있다. 따라서, 정보 예측부(124)는 검색한 이미지와 인접한 이미지 사이의 값을 미래의 목표 정보로 예측할 수 있다.In step 640, the information prediction unit 124 may predict a reference value for classifying statistical information imaged by the learned deep learning algorithm as future target information. Specifically, the information predictor 124 may search for images classified as images exceeding the reference value and images classified as images below the reference value adjacent to each other. In this case, the value between the searched image and the adjacent image may be a reference value for classifying statistical information imaged by the learned deep learning algorithm. Accordingly, the information prediction unit 124 may predict a value between the searched image and an adjacent image as future target information.

도 7은 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 동작 일례이다. 7 is an example operation of a deep learning algorithm according to an embodiment of the present invention.

단계(710)에서 정보 학습 장치(110)에 포함된 딥 러닝 알고리즘은 도 7에 도시된 바와 같이 2006년의 통계 정보, 2007년의 통계 정보 내지 2016년의 통계 정보들을 각각 기준값을 초과하는 이미지 '크다'와 기준값 이하의 이미지 '작다'로 분류(711,712,713)할 수 있다.In step 710, the deep learning algorithm included in the information learning device 110 is an image that exceeds the reference value of statistical information for 2006, statistical information for 2007, and statistical information for 2016, respectively, as shown in FIG. 7. It can be classified into'large' and'small' images below the reference value (711,712,713).

이때, 도 7에 도시된 바와 같이 2006년의 통계 정보의 기준값은 58994MW, 2007년의 통계 정보의 기준값은 62285MW, 2016년의 통계 정보의 기준값은 85297MW로 매년 변경될 수 있다. 그리고, 딥 러닝 알고리즘(710)는 매년 변경되는 기준값들에 따라 통계 정보들을 각각 기준값을 초과하는 이미지 '크다'와 기준값 이하의 이미지 '작다'로 분류하는 기준(714)를 학습할 수 있다.In this case, as illustrated in FIG. 7, the reference value of statistical information in 2006 is 58994MW, the reference value of statistical information in 2007 is 62285MW, and the reference value of statistical information in 2016 may be changed every year to 85297MW. Further, the deep learning algorithm 710 may learn a criterion 714 for classifying statistical information into an image exceeding the reference value'large' and an image less than the reference value'small' according to reference values that are changed every year.

그리고, 정보 학습 장치(110)는 학습 결과를 정보 예측 장치(120)의 딥 러닝 알고리즘(723)으로 전달할 수 있다.In addition, the information learning device 110 may transmit the learning result to the deep learning algorithm 723 of the information prediction device 120.

단계(720)에서 정보 예측 장치(120)는 2017년의 통계 정보(721)를 입력 받아 이미지로 변환할 수 있다. 다음으로, 정보 예측 장치(120)는 이미지화 한 통계 정보(722)를 학습 결과가 적용된 딥 러닝 알고리즘(723)에 입력하여 기준값을 초과하는 이미지(724)와 기준값 이하의 이미지(725) 중 하나로 분류할 수 있다.In step 720, the information prediction apparatus 120 may receive the statistical information 721 of 2017 and convert it into an image. Next, the information prediction device 120 inputs the imaged statistical information 722 into the deep learning algorithm 723 to which the learning result is applied, and classifies it into one of an image 724 exceeding the reference value and an image 725 below the reference value. can do.

그리고, 정보 예측 장치(120)는 기준값을 초과하는 이미지(724)와 기준값 이하의 이미지(725)의 경계값인 기준값을 목표 정보로 예측할 수 있다.In addition, the information prediction apparatus 120 may predict a reference value, which is a boundary value between the image 724 exceeding the reference value and the image 725 below the reference value, as target information.

도 8은 본 발명의 일실시예에 따른 이미지 기반 정보 학습 방법을 도시한 플로우차트이다.8 is a flowchart illustrating an image-based information learning method according to an embodiment of the present invention.

단계(810)에서 이미지 변환부(111)는 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(111)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(111)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(111)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.In step 810, the image conversion unit 111 may convert statistical information into an image. In this case, the image conversion unit 111 may convert past target information, time information, and related information into pixel lines of an image, respectively. Next, the image conversion unit 111 may generate a raw image by combining the converted pixel lines. Next, the image conversion unit 111 may generate imaged statistical information by combining the raw image and the estimated value of the target information set at random.

단계(820)에서 패턴 인식부(112)는 단계(810)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다. In step 820, the pattern recognition unit 112 may recognize a pattern of statistical information by applying an image analysis algorithm to the statistical information imaged in step 810.

단계(830)에서 정보 분류부(113)는 단계(820)에서 인식된 통계 정보의 패턴들을 딥러닝 알고리즘을 이용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다. 이때, 정보 분류부(113)는 또한, 정보 분류부(113)는 학습을 반복하는 과정에서 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과의 일치 비율에 따라 기준값을 변경할 수 있다. 또한, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수에 따라 기준값을 변경할 수 있다. 예를 들어, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수가 동일해지도록 가장 높은 값과 가장 낮은 값부터 순차적으로 분류할 수 있다. 그리고, 기준값을 초과하는 이미지로 분류된 이미지와 기준값 이하의 이미지로 분류된 이미지가 인접하는 경우, 정보 분류부(113)는 인접한 이미지들 사이의 값을 기준값으로 결정할 수도 있다.In step 830, the information classification unit 113 may classify patterns of statistical information recognized in step 820 into an image exceeding a reference value and an image below the reference value using a deep learning algorithm. In this case, the information classification unit 113 may also change the reference value according to a match ratio of the result of classification of the patterns corresponding to the target information and the imaged statistical information in the process of repeating the learning. In addition, the information classification unit 113 may change the reference value according to the number of images exceeding the reference value and the number of images below the reference value. For example, the information classification unit 113 may sequentially classify from the highest value and the lowest value so that the number of images exceeding the reference value and the number of images less than the reference value become the same. In addition, when an image classified as an image exceeding the reference value and an image classified as an image below the reference value are adjacent to each other, the information classification unit 113 may determine a value between the adjacent images as the reference value.

단계(840)에서 정보 학습부(114)는 단계(830)의 분류 결과에 따라 이미지화 된 통계 정보에 포함될 추정값을 변경하여 통계 정보의 패턴들의 분류 기준을 학습할 수 있다. 이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 정보 학습부(114)는 단계(810)에서 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다. 또한, 이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 정보 학습부(114)는 단계(810)에서 이미지화 된 통계 정보에 포함될 추정값을 변경할 수 있다. In step 840, the information learning unit 114 may learn a classification criterion for patterns of statistical information by changing an estimated value to be included in the imaged statistical information according to the classification result in step 830. When the result of classification of the target information corresponding to the imaged statistical information and the patterns corresponding to the imaged statistical information correspond to each other, the information learning unit 114 may maintain an estimated value to be included in the imaged statistical information in step 810. . In addition, if the target information corresponding to the imaged statistical information and the result of classification of the patterns corresponding to the imaged statistical information are different from each other, the information learning unit 114 changes the estimated value to be included in the imaged statistical information in step 810. I can.

도 9는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 방법을 도시한 플로우차트이다.9 is a flowchart illustrating an image-based information prediction method according to an embodiment of the present invention.

단계(910)에서 이미지 변환부(121)는 입력받은 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(121)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(121)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.In step 910, the image conversion unit 121 may convert the received statistical information into an image. In this case, the image conversion unit 121 may convert past target information, time information, and related information into pixel lines of an image, respectively. Next, the image conversion unit 121 may generate a raw image by combining the converted pixel lines. Next, the image conversion unit 121 may generate imaged statistical information by combining the raw image and the estimated value of the randomly set target information.

단계(920)에서 패턴 인식부(122)는 단계(920)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다. In step 920, the pattern recognition unit 122 may recognize a pattern of statistical information by applying an image analysis algorithm to the statistical information imaged in step 920.

단계(930)에서 정보 분류부(123)는 정보 학습 장치(110)에서 학습된 딥러닝 알고리즘에 단계(920)에서 인식된 통계 정보의 패턴들을 적용하여 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다.In step 930, the information classification unit 123 applies the patterns of statistical information recognized in step 920 to the deep learning algorithm learned in the information learning device 110, and converts the imaged statistical information to an image that exceeds the reference value. It can be classified as an image below the reference value.

단계(940)에서 정보 예측부(124)는 단계(930)의 분류 결과에 따라 목표 정보를 예측할 수 있다. 이때, 정보 예측부(124)는 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 구체적으로, 정보 예측부(124)는 기준값을 초과하는 이미지로 분류된 이미지와 인접한 기준값 이하의 이미지로 분류된 이미지를 검색할 수 있다. 이때, 검색한 이미지와 인접한 이미지 사이의 값은 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값일 수 있다. 따라서, 정보 예측부(124)는 검색한 이미지와 인접한 이미지 사이의 값을 미래의 목표 정보로 예측할 수 있다.In step 940, the information predictor 124 may predict target information according to the classification result in step 930. In this case, the information prediction unit 124 may predict a reference value for classifying statistical information imaged by the learned deep learning algorithm as future target information. Specifically, the information predictor 124 may search for images classified as images exceeding the reference value and images classified as images below the reference value adjacent to each other. In this case, the value between the searched image and the adjacent image may be a reference value for classifying statistical information imaged by the learned deep learning algorithm. Accordingly, the information prediction unit 124 may predict a value between the searched image and an adjacent image as future target information.

본 발명은 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측할 수 있다.The present invention can predict target information by recognizing a pattern of multidimensional statistical information with an image analysis algorithm by converting statistical information composed of various information into an image and analyzing it.

또한, 본 발명은 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수도 있다.In addition, the present invention may classify imaged statistical information into two categories to learn a deep learning algorithm, and predict a reference value for classifying the classified statistical information using the learned deep learning algorithm as future target information.

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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of the program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.

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 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 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.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to behave as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.As described above, although the embodiments have been described by the limited drawings, a person of ordinary skill in the art can apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order from the described method, and/or components such as a system, structure, device, circuit, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments and claims and equivalents fall within the scope of the following claims.

110: 정보 학습 장치
120: 정보 예측 장치110: information learning device
120: information prediction device

Claims (14)

통계 정보를 이미지로 변환하는 단계;
이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 및
인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 단계를 포함하되,
상기 통계 정보는,
과거에 측정된 과거의 목표 정보, 상기 과거의 목표 정보를 측정한 시간 정보, 및 상기 과거의 목표 정보와 관련된 관련 정보 중 적어도 하나를 포함하고,
상기 이미지로 변환하는 단계는,
상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하는 단계; 및
상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성하는 단계
를 포함하는 정보 예측 방법.Converting statistical information into an image;
Recognizing a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information; And
Including the step of predicting future target information by inputting the recognized pattern into a deep learning algorithm,
The above statistical information,
Including at least one of past target information measured in the past, time information at which the past target information is measured, and related information related to the past target information,
Converting to the image,
Converting the past target information, time information, and related information into pixel lines of an image, respectively, and combining the pixel lines to generate a raw image; And
Generating imaged statistical information by combining the raw image and an estimated value of the target information set at random
Information prediction method comprising a. 삭제delete 삭제delete 제1항에 있어서,
상기 목표 정보는,
전력 수요량, 주가, 유가, 기온 중 적어도 하나를 포함하는 정보 예측 방법.The method of claim 1,
The target information is,
Information prediction method including at least one of power demand, stock price, oil price, and temperature. 제1항에 있어서,
상기 목표 정보를 예측하는 단계는,
인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하는 단계; 및
미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측하는 단계
를 포함하는 정보 예측 방법.The method of claim 1,
Predicting the target information,
Generating an image corresponding to a specific period in the future by inputting the recognized pattern into a deep learning algorithm; And
Predicting target information corresponding to a specific period in the future by inverse transforming the image corresponding to a specific period in the future
Information prediction method comprising a. 제1항에 있어서,
상기 딥러닝 알고리즘은,
상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하며,
상기 목표 정보를 예측하는 단계는,
상기 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측하는 정보 예측 방법.The method of claim 1,
The deep learning algorithm,
Classify the imaged statistical information into images exceeding the reference value and images below the reference value,
Predicting the target information,
An information prediction method for predicting a reference point in which the deep learning algorithm classifies the imaged statistical information into an image exceeding a reference value and an image below a reference value, as the target information. 통계 정보를 이미지로 변환하는 단계;
이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계;
딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 단계; 및
상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 단계를 포함하되,
상기 분류 기준을 학습하는 단계는,
상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하는 단계; 및
상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하는 단계
를 포함하는 정보 학습 방법.Converting statistical information into an image;
Recognizing a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information;
Classifying the patterns of the statistical information into an image exceeding a reference value and an image below the reference value using a deep learning algorithm; And
And learning a classification criterion of patterns of the statistical information by changing an estimated value to be included in the imaged statistical information according to the classification result,
Learning the classification criteria,
Maintaining an estimated value to be included in the imaged statistical information when target information corresponding to the imaged statistical information and a result of classification of patterns corresponding to the imaged statistical information correspond; And
If the result of classification of the target information corresponding to the imaged statistical information and the patterns corresponding to the imaged statistical information are different from each other, changing an estimated value to be included in the imaged statistical information
Information learning method comprising a. 삭제delete 통계 정보를 이미지로 변환하는 이미지 변환부;
이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부; 및
인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 정보 예측부를 포함하되,
상기 통계 정보는,
과거에 측정된 과거의 목표 정보, 상기 과거의 목표 정보를 측정한 시간 정보, 및 상기 과거의 목표 정보와 관련된 관련 정보 중 적어도 하나를 포함하고,
상기 이미지 변환부는,
상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하고, 상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성하는 정보 예측 장치.An image conversion unit that converts statistical information into an image;
A pattern recognition unit that recognizes a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information; And
Includes an information prediction unit that predicts future target information by inputting the recognized pattern into a deep learning algorithm,
The above statistical information,
Including at least one of past target information measured in the past, time information at which the past target information is measured, and related information related to the past target information,
The image conversion unit,
The past target information, time information, and related information are converted into pixel lines of an image, respectively, the pixel lines are combined to generate a raw image, and the raw image is imaged by combining the estimated value of the target information set at random. Information prediction device that generates statistical information. 제9항에 있어서,
상기 정보 예측부는,
인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하고, 미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측하는 정보 예측 장치.The method of claim 9,
The information prediction unit,
An information prediction device that generates an image corresponding to a specific period in the future by inputting the recognized pattern into a deep learning algorithm, and predicts target information corresponding to a specific period in the future by inversely transforming the image corresponding to a specific period in the future. 삭제delete 제9항에 있어서,
상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부를 더 포함하고,
상기 정보 예측부는,
상기 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측하는 정보 예측 장치.The method of claim 9,
Further comprising an information classification unit for classifying the imaged statistical information into an image exceeding a reference value and an image below the reference value,
The information prediction unit,
An information prediction apparatus for predicting a reference point in which the deep learning algorithm classifies the imaged statistical information into an image exceeding a reference value and an image below a reference value, as the target information. 통계 정보를 이미지로 변환하는 이미지 변환부;
이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부;
딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부; 및
상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 정보 학습부를 포함하되,
상기 정보 학습부는,
상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하고, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하는 정보 학습 장치.

An image conversion unit that converts statistical information into an image;
A pattern recognition unit that recognizes a pattern of statistical information by applying an image analysis algorithm to the imaged statistical information;
An information classification unit for classifying the patterns of the statistical information into an image exceeding a reference value and an image below a reference value using a deep learning algorithm; And
An information learning unit for learning a classification criterion of patterns of the statistical information by changing an estimated value to be included in the imaged statistical information according to the classification result,
The information learning unit,
If the target information corresponding to the imaged statistical information and the result of classification of the patterns corresponding to the imaged statistical information correspond, the estimated value to be included in the imaged statistical information is maintained, and the target corresponding to the imaged statistical information Information learning apparatus for changing an estimated value to be included in the imaged statistical information when the information and the result of classification of patterns corresponding to the imaged statistical information are different from each other.

 삭제delete
KR1020180132054A 2018-10-31 2018-10-31 System and method for predicting information based on images KR102166547B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180132054A KR102166547B1 (en) 2018-10-31 2018-10-31 System and method for predicting information based on images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180132054A KR102166547B1 (en) 2018-10-31 2018-10-31 System and method for predicting information based on images

Publications (2)

Publication Number Publication Date
KR20200052460A KR20200052460A (en) 2020-05-15
KR102166547B1 true KR102166547B1 (en) 2020-10-16

Family

ID=70678689

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180132054A KR102166547B1 (en) 2018-10-31 2018-10-31 System and method for predicting information based on images

Country Status (1)

Country Link
KR (1) KR102166547B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102602448B1 (en) 2022-09-21 2023-11-14 백승훈 System of predicting future demand using deep-learning analysis of convolutional neural network and artificial neural network oh yeah

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220014764A (en) * 2020-07-29 2022-02-07 삼성전자주식회사 Electronic device and method for generating training data of artificial intelligence learning model thereof

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101738373B1 (en) * 2016-06-15 2017-06-08 주식회사 두리 Special contract insurance comparison information creation method of intuition type using the insurance contract pattern analysis based on big data

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101738373B1 (en) * 2016-06-15 2017-06-08 주식회사 두리 Special contract insurance comparison information creation method of intuition type using the insurance contract pattern analysis based on big data

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102602448B1 (en) 2022-09-21 2023-11-14 백승훈 System of predicting future demand using deep-learning analysis of convolutional neural network and artificial neural network oh yeah

Also Published As

Publication number Publication date
KR20200052460A (en) 2020-05-15

Similar Documents

Publication Publication Date Title
US10242289B2 (en) Method for analysing media content
US9619753B2 (en) Data analysis system and method
CN110717411A (en) Pedestrian re-identification method based on deep layer feature fusion
CN113221641B (en) Video pedestrian re-identification method based on generation of antagonism network and attention mechanism
WO2017079522A1 (en) Subcategory-aware convolutional neural networks for object detection
CN105069424A (en) Quick recognition system and method for face
CN113128478B (en) Model training method, pedestrian analysis method, device, equipment and storage medium
KR102166547B1 (en) System and method for predicting information based on images
CN114503131A (en) Search device, search method, search program, and learning model search system
CN114898158A (en) Small sample traffic abnormity image acquisition method and system based on multi-scale attention coupling mechanism
CN111126155B (en) Pedestrian re-identification method for generating countermeasure network based on semantic constraint
CN117392604A (en) Real-time information monitoring and management system and method for Internet of things
CN114972439A (en) Novel target tracking algorithm for unmanned aerial vehicle
CN110674845B (en) Dish identification method combining multi-receptive-field attention and characteristic recalibration
CN117033956A (en) Data processing method, system, electronic equipment and medium based on data driving
Zhang et al. Jointly learning dictionaries and subspace structure for video-based face recognition
Katoch et al. Fast non-linear methods for dynamic texture prediction
Putro et al. A faster real-time face detector support smart digital advertising on low-cost computing device
CN110263196B (en) Image retrieval method, image retrieval device, electronic equipment and storage medium
CN113537240A (en) Deformation region intelligent extraction method and system based on radar sequence image
JP2020181265A (en) Information processing device, system, information processing method, and program
CN112767427A (en) Low-resolution image recognition algorithm for compensating edge information
Rahnama et al. Adaptive Frame Selection In Two Dimensional Convolutional Neural Network Action Recognition
CN117241443B (en) Intelligent lighting lamp based on Internet of things and intelligent control method thereof
CN116887487B (en) Intelligent control method and system for lamp beads

Legal Events

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