KR102281159B1 - 공기 청정기 제어 시스템 - Google Patents

공기 청정기 제어 시스템 Download PDF

Info

Publication number
KR102281159B1
KR102281159B1 KR1020190102842A KR20190102842A KR102281159B1 KR 102281159 B1 KR102281159 B1 KR 102281159B1 KR 1020190102842 A KR1020190102842 A KR 1020190102842A KR 20190102842 A KR20190102842 A KR 20190102842A KR 102281159 B1 KR102281159 B1 KR 102281159B1
Authority
KR
South Korea
Prior art keywords
air purifier
disc
disc tendency
iot
user
Prior art date
Application number
KR1020190102842A
Other languages
English (en)
Other versions
KR20210023113A (ko
Inventor
최희재
Original Assignee
호스트웨이아이디씨(주)
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 호스트웨이아이디씨(주) filed Critical 호스트웨이아이디씨(주)
Priority to KR1020190102842A priority Critical patent/KR102281159B1/ko
Publication of KR20210023113A publication Critical patent/KR20210023113A/ko
Application granted granted Critical
Publication of KR102281159B1 publication Critical patent/KR102281159B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명의 IoT 공기 청정기 제어 시스템은 로그 수집부와, 환경 데이터 수집부와, DISC 성향 예측부와, 기기 제어 추천부를 포함한다. 로그 수집부는 사용자의 IoT 공기 청정기의 로그 데이터를 수집하고, 환경 데이터 수집부는 공공 데이터 포털에 접속하여 환경 데이터를 수집하고, DISC 성향 예측부는 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하고, 기기 제어 추천부는 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천한다.

Description

공기 청정기 제어 시스템{AIR PURIFIER CONTROL SYSTEM}
본 발명은 공기 청정기 제어 시스템에 관한 것으로서, 더욱 상세하게는 개인의 생활공간에 설치된 IoT 공기 청정기의 사용패턴으로부터 DISC 기반 개인성향을 예측하고, 예측된 DISC 기반 개인성향을 고려하여 IoT 공기 청정기에 대한 개인화된 서비스를 추천하는 공기 청정기 제어 시스템에 관한 것이다.
사람들은 저마다 서로 다른 행동의 경향성을 가지고 있으며, 서로 다른 방식으로 사물을 이해하고 판단한다. 이렇듯 저마다 다른 독특한 인간의 특성을 설명하는 행동 모델의 하나로 DISC 행동유형 패턴모델이 있다. DISC는 192I년 미국 콜롬비아 대학의 Marston 박사가 고안한 인간의 행동유형 패턴을 검사하는 방법으로 성격 유형을 사람들의 행동유형에 따라 구분하여 주도형(Dominance), 사교형(Influence), 안정형(Steadiness), 신중형(Conscientiousness)의 4가지 유형으로 분류한다. DISC는 이 4가지 유형의 머리글자를 따서 이르는 말이다.
최근 미세먼지와 황사 등으로 인해 대기질이 악화되면서 공기 청정기에 대한 관심이 높아지고 있는 추세이다. 이는 쾌적하고 좋은 환경에서 생활하고자 하는 요구가 반영된 것이다. 실내 공기를 정화하는 공기 청정기는 공기에 포함되어 있는 미세먼지를 비롯한 먼지, 세균 및 냄새를 제거하여 오염된 공기를 정화하는 장치이다. 최근 각종 센서와 무선통신 기술을 포함하는 IoT(Internet of Things) 기반의 공기 청정기가 개발되어 주변 환경을 자동으로 인식하여 실내 공기를 정화한다.
다만, 이러한 IoT 공기 청정기는 주변 환경만을 인식하여 획일적으로 동작할 뿐이며 사용자의 스마트 폰 등과 같은 단말기에 설치된 소프트웨어를 이용하여 IoT 공기 청정기를 사용자가 직접 설정하거나 제어할 수 있을 뿐이다.
(특허문헌 1) KR10-2017-0035137 A
본 발명은 개인의 생활공간 내에 설치된 IoT 공기 청정기의 사용패턴을 학습하여 개인의 DISC 성향을 예측하는 공기 청정기 제어 시스템을 제공하는 것을 목적으로 한다.
추가로, 본 발명은 예측된 개인의 DISC 성향을 기초로 IoT 공기 청정기의 사용에 대한 사용자의 행동을 추천하는 시스템을 제공하는 것을 목적으로 한다.
본 발명의 일 양상에 따르면 공기 청정기 제어 시스템은 로그 수집부와, 환경 데이터 수집부와, 저장부와, DISC 성향 예측부와, 기기 제어 추천부를 포함한다.
로그 수집부는 사용자의 IoT 공기 청정기 사용에 대한 로그 데이터를 수집한다.
환경 데이터 수집부는 공공 데이터 포털에 접속하여 환경 데이터를 수집한다.
저장부는 데이터베이스로 수집한 로그 데이터와 환경 데이터를 저장한다.
DISC 성향 예측부는 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측한다.
기기 제어 추천부는 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천한다.
본 발명의 일 실시 예에 따르면 IoT 공기 청정기 제어 시스템의 공기 청정기 제어 방법은 로그 수집 단계와, 환경 데이터 수집 단계와, 변수 선별 단계와, DISC 성향 예측 단계와, 제어 추천 단계를 포함한다.
로그 수집 단계는 IoT 공기 청정기 제어 시스템이 사용자의 IoT 공기 청정기사용에 대한 로그 데이터를 수집하는 단계이고, 환경 데이터 수집 단계는 IoT 공기 청정기 제어 시스템이 공공 데이터 포털에 접속하여 환경 데이터를 수집하는 단계이고, 변수 선별 단계는 IoT 공기 청정기 제어 시스템이 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 변수 선별 단계이고, DISC 성향 예측 단계는 IoT 공기 청정기 제어 시스템이 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 단계이고, 제어 추천 단계는 IoT 공기 청정기 제어 시스템이 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 단계이다.
본 발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템의 공기 청정기 제어 방법은 피드백 수신 단계를 더 포함할 수 있고, 피드백 수신 단계는 IoT 공기 청정기 제어 시스템이 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하는 단계이다. 이때, 제어 추천 단계에서 IoT 공기 청정기 제어 시스템이 해당 피드백을 IoT 공기 청정기의 제어 추천에 반영할 수 있다.
본 발명의 IoT 공기 청정기 제어 시스템에 의하면 생활공간 내에 설치된 IoT 공기 청정기의 사용패턴을 학습하여 개인의 DISC 성향을 예측할 수 있다.
또한, 본 발명의 IoT 공기 청정기 제어 시스템에 의하면 예측된 개인의 DISC 성향을 기초로 IoT 공기 청정기의 사용에 대한 사용자의 행동을 추천할 수 있다.
도 1은 본 발명의 일 양상에 따른 IoT 공기 청정기 제어 시스템을 개념적으로 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 IoT 공기 청정기 제어 시스템의 제어 절차를 도시한 절차도이다.
도 3은 본 발명의 또 다른 실시 예에 따른 IoT 공기 청정기 제어 시스템이 DISC 성향 예측을 공기 청정기 동작 모드에 따라 달리한 절차를 도시한 것이다.
도 4는 본 발명의 또 다른 실시예에 따른 IoT 공기 청정기 제어 시스템이 동작 모드에 따른 DISC 성향 예측 결과를 병합하여 DISC 성향을 예측하는 절차를 도시한 것이다.
이하, 첨부한 도면을 참조하여 본 발명의 IoT 공기 청정기 제어 시스템이 사용자의 IoT 공기 청정기 사용패턴을 분석하여 예측한 DISC 기반의 성향을 기초로 IoT 공기 청정기 사용에 대한 제어를 추천하는 바람직한 실시 예를 상세히 설명한다.
각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.
도 1은 본 발명의 일 양상에 따른 IoT 공기 청정기 제어 시스템을 개념적으로 도시한 블록도이다. 도 1을 참조하여 설명하면, IoT 공기 청정기 제어 시스템(10)은 각 사용자의 생활 공간(예를 들어, 가정집 등)에 설치된 IoT 공기 청정기의 사용 이력 정보 즉, 로그 데이터를 수집한다. 각 사용자의 생활 공간에 설치되는 IoT 디바이스들은 복수 개가 존재하는 것이 일반적이므로 IoT 게이트웨이 또는 IoT 허브를 통해 타 시스템과 연결되고, IoT 디바이스들은 Bluetooth, Z-Wave, ZigBee 등의 저전력 무선통신 프로토콜을 이용하여 IoT 게이트웨이 또는 IoT 허브와 통신하도록 IoT 인프라가 구성될 수 있다. 따라서, IoT 공기 청정기 또한 IoT 공기 청정기 제어 시스템(10)과 직접 연결되지 않고 IoT 게이트웨이 또는 IoT 허브를 통해 연결될 수 있다. 다만, 이에 한정되는 것은 아니고 직접 연결될 수 있다. IoT 공기 청정기 제어 시스템(10)은 사용자의 IoT 공기 청정기 사용 패턴을 분석하여 사용자의 DISC 성향을 예측하고 예측된 DISC 성향에 기초하여 사용자에게 개인화된 IoT 공기 청정기 사용을 사용자에게 추천할 수 있다.
발명의 양상에 따라서는 IoT 공기 청정기와 IoT 공기 청정기 제어 시스템(10)은 데이터 교환을 위한 통신 프로토콜로 저전력의 소형기기 제어에 적합한 MQTT(Message Queueing Telemetry Transport) 프로토콜을 사용할 수 있다. MQTT 프로토콜은 사물 통신(Machine to Machine, M2M), 사물 인터넷(IoT)과 같이 대역폭이 제한된 통신 환경에 최적화된 푸시 기반의 경량 메시지 전송 프로토콜이다. MQTT 프로토콜에서는 푸시 기술에서 일반적으로 사용되는 클라이언트-서버 방식이 아닌 브로커라는 메시지 매개자를 통해 송신측에서 특정 토픽에 대한 메시지를 발행(publish)하고 해당 토픽에 대하여 수신자가 구독(subscribe)하는 방식으로 메시지를 수신한다. 따라서, MQTT 프로토콜이 사용되는 경우에는 IoT 공기 청정기와 IoT 공기 청정기 제어 시스템(10) 사이에 MQTT 브로커 서버가 추가될 수 있으며, IoT 공기 청정기가 로그 데이터를 토픽으로 하여 메시지를 발행하고, IoT 공기 청정기 제어 시스템(10)이 해당 토픽을 구독하여 MQTT 브로커로부터 해당 메시지를 전달받는다.
IoT 공기 청정기 제어 시스템(10)은 IoT 공기 청정기로부터 수집한 데이터들을 정형 데이터와, 비정형 데이터로 분류하여 각 타입에 적합한 데이터베이스에 저장할 수 있다.
발명의 일 양상에 따르는 공기 청정기 제어 시스템(10)은 로그 수집부(100)와, 환경 데이터 수집부(110)와, 저장부(140)와, DISC 성향 예측부(120)와, 기기 제어 추천부(130)를 포함한다.
로그 수집부(100)는 사용자의 IoT 공기 청정기의 로그 데이터를 수집한다. 로그 수집은 전술한 MQTT 프로토콜을 이용하여 수행될 수 있다. 이때 수집되는 IoT 공기 청정기의 로그 데이터는 작동 시간, 작동 모드, 습도, 온도, 실내 먼지농도, 평균 실내 먼지농도, 모터 스피드, 필터 종류, 필터 사용 시간 등을 포함할 수 있다.
환경 데이터 수집부(110)는 공공 데이터 포털에 접속하여 공공 데이터 포털로부터 날씨, 미세먼지 농도 등을 포함하는 외부 환경 데이터를 수집한다.
저장부(140)는 데이터베이스들로 구성되며 IoT 공기 청정기의 로그 데이터와 외부 환경 데이터들을 정형 데이터와, 비정형 데이터로 분류하여 각 타입에 적합한 데이터베이스에 저장할 수 있다.
DISC 성향 예측부(120)는 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다. 이때 학습에 사용될 변수를 선별하기 위한 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 IoT 공기 청정기 사용패턴과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 DISC 성향 예측 모델(엔진)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 즉, 사용자의 IoT 공기 청정기 사용패턴과 DISC 성향의 높은 연관성을 나타내는 변수를 최종 선별하게 된다.
DISC 성향 예측부(120)는 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측한다.
기기 제어 추천부(130)는 예측된 사용자의 DISC 성향에 기초하여 개인화된 IoT 공기 청정기의 제어를 사용자 단말에 추천한다. 일 예로 사용자와 동일한 DISC 성향을 가진 사용자들의 IoT 공기 청정기 사용 패턴이 실내 미세먼지 농도가 높을 때 특정 속도의 모터 스피드로 공기 청정기를 작동시키는 경향을 보이고, 현재의 공기 청정기가 이와 다르게 동작하고 있다면 기기 제어 추천부(130)는 사용자 단말에 단말에 동일한 DISC 성향을 가진 사용자들의 사용 방법을 사용자 단말에 추천할 수 있다. 이때, 사용자 단말은 IoT 공기 청정기 등을 제어할 수 있는 챗봇 클라이언트 소프트웨어가 설치된 단말일 수 있다. 이 경우에는 IoT 공기 청정기 제어 시스템(10)이 챗봇 서버의 역할을 수행할 수 있다. 이에 한정되는 것은 아니며 IoT 공기 청정기를 전용으로 제어할 수 있는 소프트웨어가 설치된 단말일 수도 있다. 기기 제어 추천부(130)는 사용자 단말에 추천한 제어에 대응되게 IoT 공기 청정기의 제어 명령을 생성하고, IoT 공기 청정기에 해당 제어 명령을 전송하여 추천 제어에 대응되게 IoT 공기 청정기를 제어할 수 있다. 이때, 기기 추천 제어부는 제조사별로 제어 명령이 다를 수 있어, 제어 명령을 해당 제조사와 호환되는 제어 명령으로 먼저 변환하고 전송할 수 있다.
발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 DISC 성향 예측부(120)의 DISC 성향 예측 엔진은 제1 DISC 성향 예측 엔진과, 제2 DISC 성향 예측 엔진을 포함할 수 있다.
제1 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제1 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 동작 모드와, 작동 시간, 먼지 농도, 모터 스피드를 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제1 DISC 성향 예측 엔진은 동작 모드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제1 DISC 성향 예측 엔진의 입력 변수로 동작 모드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.
제2 DISC 성향 예측 엔진은 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제2 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 모터 스피드와, 작동 시간을 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제2 DISC 성향 예측 엔진은 모터 스피드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제2 DISC 성향 예측 엔진의 입력 변수로 모터 스피드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.
일반적으로 IoT 공기 청정기는 자동 운전 모드와 수동 운전 모드로 동작한다. 일 예로, IoT 공기 청정기는 자동 운전 모드인 Auto mode와, 수동 운전 모드인 Silence mode, Favorite mode, Random mode로 동작할 수 있다.
IoT 공기 청정기의 동작 모드가 자동 운전 모드(예, Auto mode)로 설정된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 자동 운전 모드 이외의 다른 운전 모드(예, Silence mode, Favorite mode, Random mode)로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측할 수 있다.
발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 DISC 성향 예측부(120)는 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.
사용자는 IoT 공기 청정기를 두 가지 이상의 모드로 작동시켜 사용할 수 있다. 즉, 사용자의 DISC 성향을 예측할 수 있는 데이터가 누적되는 동안 사용자가 공기 청정기를 상황에 따라서 자동 운전 모드로 작동시킬 수도 있고, 수동 운전 모드로 작동시킬 수 있다. 이 경우에는 제1 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있고, 제2 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있으므로 제1 DISC 성향 예측 엔진을 통해 예측한 결과와 제2 DISC 성향 예측 엔진을 통해 예측한 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.
발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 기기 제어 추천부(130)는 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하고, 수신한 피드백을 다음 IoT 공기 청정기의 제어 추천에 반영하여 사용자에게 공기 청정기의 사용을 제안할 수 있다.
IoT 공기 청정기 제어 시스템(10)이 사용자의 공기 청정기 사용 패턴과 DISC 성향에 따라 공기 청정기의 사용을 제안하더라도 사용자가 제안을 수용할 지 알 수 없으므로 IoT 공기 청정기 제어 시스템(10)은 사용자의 수용 여부에 대한 피드백을 수신한 다음 IoT 공기 청정기의 제어 추천에 반영하여 보다 엄밀하게 개인화된 추천을 할 수 있다.
예를 들어, 동일한 DISC 성향을 가진 사용자들의 사용패턴으로부터 특정한 공기 청정기 사용 방법을 추천하였는데 사용자가 이를 반복적으로 수용하지 않으면 해당 패턴에 대한 추천을 배제하거나 다른 사용 방법을 추천할 수 있다.
발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 DISC 성향 예측부(120)의 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진일 수 있다.
제1 DISC 성향 예측 엔진과 제2 DISC 성향 예측 엔진 또한 순환 신경망 모델로 학습된 딥러닝 엔진일 수 있다. 다만, 이에 한정되는 것은 아니며 다른 딥러닝 알고리즘으로 학습된 딥러닝 엔진일 수도 있다.
발명의 일 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법은 로그 수집 단계와, 환경 데이터 수집 단계와, 변수 선별 단계와, DISC 성향 예측 단계와, 제어 추천 단계를 포함한다.
로그 수집 단계는 IoT 공기 청정기 제어 시스템(10)이 사용자의 IoT 공기 청정기사용에 대한 로그 데이터를 수집하는 단계이다. IoT 공기 청정기 제어 시스템(10)의 로그 수집은 전술한 MQTT 프로토콜을 이용하여 수행될 수 있다. 이때 수집되는 IoT 공기 청정기의 로그 데이터는 작동 시간, 작동 모드, 습도, 온도, 실내 먼지농도, 평균 실내 먼지농도, 모터 스피드, 필터 종류, 필터 사용 시간 등을 포함할 수 있다.
환경 데이터 수집 단계는 IoT 공기 청정기 제어 시스템(10)이 공공 데이터 포털에 접속하여 공공 데이터 포털로부터 날씨, 미세먼지 농도 등을 포함하는 외부 환경 데이터를 수집하는 단계이다.
변수 선별 단계는 IoT 공기 청정기 제어 시스템(10)이 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 변수 선별 단계이다. IoT 공기 청정기 제어 시스템(10)은 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다. 이때 학습에 사용될 변수를 선별하기 위한 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 IoT 공기 청정기 사용패턴과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 DISC 성향 예측 모델(엔진)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 즉, 사용자의 IoT 공기 청정기 사용패턴과 DISC 성향의 높은 연관성을 나타내는 변수를 최종 선별하게 된다.
DISC 성향 예측 단계는 IoT 공기 청정기 제어 시스템(10)이 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 단계이다.
제어 추천 단계는 IoT 공기 청정기 제어 시스템(10)이 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 단계이다. IoT 공기 청정기 제어 시스템(10)은 예측된 사용자의 DISC 성향에 기초하여 개인화된 IoT 공기 청정기의 제어를 사용자 단말에 추천한다. 일 예로 사용자와 동일한 DISC 성향을 가진 사용자들의 IoT 공기 청정기 사용 패턴이 실내 미세먼지 농도가 높을 때 특정 속도의 모터 스피드로 공기 청정기를 작동시키는 경향을 보이고, 현재의 공기 청정기가 이와 다르게 동작하고 있다면 IoT 공기 청정기 제어 시스템(10)은 사용자 단말에 단말에 동일한 DISC 성향을 가진 사용자들의 사용 방법을 사용자 단말에 추천할 수 있다. 이때, 사용자 단말은 IoT 공기 청정기 등을 제어할 수 있는 챗봇 클라이언트 소프트웨어가 설치된 단말일 수 있다. 이 경우에는 IoT 공기 청정기 제어 시스템(10)이 챗봇 서버의 역할을 수행할 수 있다. 이에 한정되는 것은 아니며 IoT 공기 청정기를 전용으로 제어할 수 있는 소프트웨어가 설치된 단말일 수도 있다. IoT 공기 청정기 제어 시스템(10)은 사용자 단말에 추천한 제어에 대응되게 IoT 공기 청정기의 제어 명령을 생성하고, IoT 공기 청정기에 해당 제어 명령을 전송하여 추천 제어에 대응되게 IoT 공기 청정기를 제어할 수 있다. 이때, IoT 공기 청정기 제어 시스템(10)은 공기 청정기의 제조사별로 제어 명령이 다를 수 있어, 제어 명령을 해당 제조사와 호환되는 제어 명령으로 먼저 변환하고 전송할 수 있다.
발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법의 DISC 성향 예측 단계에서 사용되는 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 제1 DISC 성향 예측 엔진과 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 제2 DISC 성향 예측 엔진을 포함할 수 있다.
제1 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제1 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 동작 모드와, 작동 시간, 먼지 농도, 모터 스피드를 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제1 DISC 성향 예측 엔진은 동작 모드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제1 DISC 성향 예측 엔진의 입력 변수로 동작 모드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.
제2 DISC 성향 예측 엔진은 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제2 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 모터 스피드와, 작동 시간을 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제2 DISC 성향 예측 엔진은 모터 스피드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제2 DISC 성향 예측 엔진의 입력 변수로 모터 스피드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.
일반적으로 IoT 공기 청정기는 자동 운전 모드와 수동 운전 모드로 동작한다. 일 예로, IoT 공기 청정기는 자동 운전 모드인 Auto mode와, 수동 운전 모드인 Silence mode, Favorite mode, Random mode로 동작할 수 있다.
DISC 성향 예측 단계는 IoT 공기 청정기의 동작 모드가 자동 운전 모드(예,로 설정Auto mode)된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 다른 운전 모드(예, Silence mode, Favorite mode, Random mode)로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측할 수 있다.
발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법의 DISC 성향 예측 단계는 병합 예측 단계를 포함할 수 있다.
병합 예측 단계는 IoT 공기 청정기 제어 시스템(10)이 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 단계이다.
사용자는 IoT 공기 청정기를 두 가지 이상의 모드로 작동시켜 사용할 수 있다. 즉, 사용자의 DISC 성향을 예측할 수 있는 데이터가 누적되는 동안 사용자가 공기 청정기를 상황에 따라서 자동 운전 모드로 작동시킬 수도 있고, 수동 운전 모드로 작동시킬 수 있다. 이 경우에는 제1 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있고, 제2 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있으므로 제1 DISC 성향 예측 엔진을 통해 예측한 결과와 제2 DISC 성향 예측 엔진을 통해 예측한 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.
발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법은 피드백 수신 단계를 더 포함할 수 있다.
피드백 수신 단계는 IoT 공기 청정기 제어 시스템(10)이 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하는 단계이다. 이때, 제어 추천 단계에서 IoT 공기 청정기 제어 시스템(10)이 해당 피드백을 IoT 공기 청정기의 제어 추천에 반영할 수 있다.
IoT 공기 청정기 제어 시스템(10)이 사용자의 공기 청정기 사용 패턴과 DISC 성향에 따라 공기 청정기의 사용을 제안하더라도 사용자가 제안을 수용할 지 알 수 없으므로 IoT 공기 청정기 제어 시스템(10)은 사용자의 수용 여부에 대한 피드백을 수신한 다음 IoT 공기 청정기의 제어 추천에 반영하여 보다 엄밀하게 개인화된 추천을 할 수 있다.
예를 들어, 동일한 DISC 성향을 가진 사용자들의 사용패턴으로부터 특정한 공기 청정기 사용 방법을 추천하였는데 사용자가 이를 반복적으로 수용하지 않으면 해당 패턴에 대한 추천을 배제하거나 다른 사용 방법을 추천할 수 있다.
발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법의 DISC 성향 예측 단계에서 사용되는 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진일 수 있다.
제1 DISC 성향 예측 엔진과 제2 DISC 성향 예측 엔진 또한 순환 신경망 모델로 학습된 딥러닝 엔진일 수 있다. 다만, 이에 한정되는 것은 아니며 다른 딥러닝 알고리즘으로 학습된 딥러닝 엔진일 수도 있다.
도 2는 본 발명의 일 실시예에 따른 IoT 공기 청정기 제어 시스템의 제어 절차를 도시한 절차도이다. 도 2를 참조하여 설명하면, 사용자의 DISC 성향에 기초하여 공기 청정기 제어를 추천하는 절차는 IoT 공기 청정기 제어 시스템(10)이 IoT 공기 청정기로부터 로그 데이터를 수집한다(S1000). 또한, IoT 공기 청정기 제어 시스템(10)은 기상 등의 외부 환경도 고려하기 위해 기상 데이터 등을 제공하는 공공 데이터 포털에 접속하여 환경 데이터를 수집한다(S1020). IoT 공기 청정기 제어 시스템(10)은 수집된 공기 청정기 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다(S1040). 선별된 변수를 딥러닝 기반의 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S1060). IoT 공기 청정기 제어 시스템(10)은 예측된 사용자의 DISC 성향에 기초하여 사용자에게 공기 청정기 제어방법을 추천 및 제안하고(S1080), 사용자 단말로부터 사용자가 해당 추천 제어방법을 수용했는지에 대한 피드백을 수신하고(S1100) 이를 다음 제어방법 추천 시 반영한다.
도 3은 본 발명의 또 다른 실시 예에 따른 IoT 공기 청정기 제어 시스템(10)이 DISC 성향 예측을 공기 청정기 동작 모드에 따라 달리한 절차를 도시한 것이다. 도 3을 참조하여 설명하면, 사용자의 DISC 성향에 기초하여 공기 청정기 제어를 추천하는 절차는 IoT 공기 청정기 제어 시스템(10)이 IoT 공기 청정기로부터 로그 데이터를 수집한다(S2000). 또한, IoT 공기 청정기 제어 시스템(10)은 기상 등의 외부 환경도 고려하기 위해 기상 데이터 등을 제공하는 공공 데이터 포털에 접속하여 환경 데이터를 수집한다(S2020). IoT 공기 청정기 제어 시스템(10)은 수집된 로그 데이터에서 공기 청정기의 운전 모드를 확인하여(S2040) 운전 모드가 자동 운전 모드로 설정되어 있는 경우에는 수집된 공기 청정기 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 제2 DISC 성향 예측 엔진이 학습에 사용할 변수를 선별한다(S2060). 선별된 변수를 딥러닝 기반의 제2 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S2070). IoT 공기 청정기 제어 시스템(10)은 운전 모드가 수동 운전 모드로 설정되어 있는 경우에는 수집된 공기 청정기 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 제1 DISC 성향 예측 엔진이 학습에 사용할 변수를 선별한다(S2080). 선별된 변수를 딥러닝 기반의 제1 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S2090). IoT 공기 청정기 제어 시스템(10)은 예측된 사용자의 DISC 성향에 기초하여 사용자에게 공기 청정기 제어방법을 추천 및 제안하고(S2100), 사용자 단말로부터 사용자가 해당 추천 제어방법을 수용했는지에 대한 피드백을 수신하고 이를 다음 제어방법 추천 시 반영한다(S2120).
도 4는 본 발명의 또 다른 실시예에 따른 IoT 공기 청정기 제어 시스템이 동작 모드에 따른 DISC 성향 예측 결과를 병합하여 DISC 성향을 예측하는 절차를 도시한 것이다. 도 4를 참조하여 설명하면, 도 3에 도시된 절차에서 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 절차가 추가되어 있다(S3100).
사용자는 IoT 공기 청정기를 두 가지 이상의 모드로 작동시켜 사용할 수 있다. 즉, 사용자의 DISC 성향을 예측할 수 있는 데이터가 누적되는 동안 사용자가 공기 청정기를 상황에 따라서 자동 운전 모드로 작동시킬 수도 있고, 수동 운전 모드로 작동시킬 수 있다. 이 경우에는 제1 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있고, 제2 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있으므로 제1 DISC 성향 예측 엔진을 통해 예측한 결과와 제2 DISC 성향 예측 엔진을 통해 예측한 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
10: 공기 청정기 제어 시스템
100: 로그 수집부
110: 환경 데이터 수집부
120: DISC 성향 예측부
130: 기기 제어 추천부
140: 저장부

Claims (10)

  1. 사용자의 IoT 공기 청정기 사용에 대한 로그 데이터를 수집하는 로그 수집부;
    공공 데이터 포털에 접속하여 환경 데이터를 수집하는 환경 데이터 수집부;
    수집한 로그 데이터와 환경 데이터를 저장하는 저장부;
    수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 DISC 성향 예측부; 및
    예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 기기 제어 추천부를 포함하고,
    상기 DISC 성향 예측부의 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 제1 DISC 성향 예측 엔진과 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 제2 DISC 성향 예측 엔진을 포함하되,
    IoT 공기 청정기의 동작 모드가 자동 운전 모드로 설정된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 다른 운전 모드로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하는 것을 특징으로 하는 공기 청정기 제어 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    DISC 성향 예측부는 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 공기 청정기 제어 시스템.
  4. 제 1 항에 있어서,
    기기 제어 추천부가 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하고, 해당 피드백을 다음 IoT 공기 청정기의 제어 추천에 반영하는 공기 청정기 제어 시스템.
  5. 제 1 항에 있어서,
    DISC 성향 예측부의 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진인 공기 청정기 제어 시스템.
  6. IoT 공기 청정기 제어 시스템의 공기 청정기 제어 방법에 있어서,
    상기 제어 시스템이 사용자의 IoT 공기 청정기 사용에 대한 로그 데이터를 수집하는 로그 수집 단계;
    상기 제어 시스템이 공공 데이터 포털에 접속하여 환경 데이터를 수집하는 환경 데이터 수집 단계;
    상기 제어 시스템이 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 변수 선별 단계;
    상기 제어 시스템이 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 DISC 성향 예측 단계; 및
    상기 제어 시스템이 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 제어 추천 단계를 포함하고,
    상기 DISC 성향 예측 단계의 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 제1 DISC 성향 예측 엔진과 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 제2 DISC 성향 예측 엔진을 포함하되,
    상기 DISC 성향 예측 단계는 IoT 공기 청정기의 동작 모드가 자동 운전 모드로 설정된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 다른 운전 모드로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하는 단계인 것을 특징으로 하는 IoT 공기 청정기 제어 방법.
  7. 삭제
  8. 제 6 항에 있어서,
    DISC 성향 예측 단계는
    제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 병합 예측 단계를 포함하는 IoT 공기 청정기 제어 방법.
  9. 제 6 항에 있어서, 상기 방법은
    상기 시스템이 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하는 피드백 수신 단계;
    를 더 포함하되,
    제어 추천 단계에서 상기 시스템이 해당 피드백을 IoT 공기 청정기의 제어 추천에 반영하는 IoT 공기 청정기 제어 방법.
  10. 제 6 항에 있어서,
    상기 시스템의 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진인 IoT 공기 청정기 제어 방법.
KR1020190102842A 2019-08-22 2019-08-22 공기 청정기 제어 시스템 KR102281159B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190102842A KR102281159B1 (ko) 2019-08-22 2019-08-22 공기 청정기 제어 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102842A KR102281159B1 (ko) 2019-08-22 2019-08-22 공기 청정기 제어 시스템

Publications (2)

Publication Number Publication Date
KR20210023113A KR20210023113A (ko) 2021-03-04
KR102281159B1 true KR102281159B1 (ko) 2021-07-23

Family

ID=75174436

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102842A KR102281159B1 (ko) 2019-08-22 2019-08-22 공기 청정기 제어 시스템

Country Status (1)

Country Link
KR (1) KR102281159B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117398817B (zh) * 2023-11-30 2024-04-30 中山市凌宇机械有限公司 一种集约式压缩空气净化系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101771522B1 (ko) * 2014-12-31 2017-08-25 시아오미 아이엔씨. 나머지 사용 기간의 확정 방법, 장치, 프로그램 및 기록매체

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150117404A (ko) * 2014-04-10 2015-10-20 삼성전자주식회사 공기조화기와 이동통신 단말기 및 이를 이용한 공기조화기의 제어방법
KR20170035137A (ko) 2015-09-22 2017-03-30 최용규 개인 성향 정보를 이용하는 자산 관리용 어플리케이션 수행 시스템
US11408629B2 (en) * 2019-04-23 2022-08-09 Lg Electronics Inc. Artificial intelligence device
KR102653617B1 (ko) * 2019-07-03 2024-04-01 엘지전자 주식회사 공기조화기 및 공기조화기의 동작 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101771522B1 (ko) * 2014-12-31 2017-08-25 시아오미 아이엔씨. 나머지 사용 기간의 확정 방법, 장치, 프로그램 및 기록매체

Also Published As

Publication number Publication date
KR20210023113A (ko) 2021-03-04

Similar Documents

Publication Publication Date Title
Li et al. PyramidFL: A fine-grained client selection framework for efficient federated learning
Santos et al. Providing user context for mobile and social networking applications
Jo et al. Intelligent smart home energy efficiency model using artificial TensorFlow engine
KR101510860B1 (ko) 사용자 의도 파악 어플리케이션 서비스 방법 및 서버와 이를 이용한 사용자 의도 파악 어플리케이션 서비스 시스템
CN1795465B (zh) 操作履历利用系统
KR20210098952A (ko) 세탁기
WO2014190337A2 (en) Requesting proximate resources by learning devices
JP2009515460A (ja) センサ基盤ホームネットワークシステムのセンシング情報管理装置および方法
KR20190106932A (ko) 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
CN1652515A (zh) 网络dna
KR102281159B1 (ko) 공기 청정기 제어 시스템
Varlamis et al. Using big data and federated learning for generating energy efficiency recommendations
EP2926500A1 (en) Method for configuring an m2m system
KR102269629B1 (ko) 세탁기 제어 시스템
KR102278104B1 (ko) 운동 추천 시스템
US20190208388A1 (en) Control Device and Method for Coordinating Motor Vehicle Function Components With Each Other and/or With at Least One Vehicle-External Function Component
KR102248094B1 (ko) 조명 제어 시스템
KR102264534B1 (ko) 명상 추천 시스템
Moghimi et al. Context-aware mobile power management using fuzzy inference as a service
KR102257690B1 (ko) 공연 추천 시스템
Vastardis et al. A user behaviour-driven smart-home gateway for energy management
KR102278103B1 (ko) 전동 커튼 제어 시스템
KR20210019818A (ko) 양방향 교감 맞춤형 학습 컨텐츠 제공 시스템 및 방법
CN116760718A (zh) 一种基于机器学习分类预测的sdn流量调度方法
Bader12 et al. Situation awareness for proactive in-car recommendations of points-of-interest (POI)

Legal Events

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