KR102322781B1 - 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치 - Google Patents

미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치 Download PDF

Info

Publication number
KR102322781B1
KR102322781B1 KR1020200023919A KR20200023919A KR102322781B1 KR 102322781 B1 KR102322781 B1 KR 102322781B1 KR 1020200023919 A KR1020200023919 A KR 1020200023919A KR 20200023919 A KR20200023919 A KR 20200023919A KR 102322781 B1 KR102322781 B1 KR 102322781B1
Authority
KR
South Korea
Prior art keywords
time point
fine dust
data
dust concentration
space
Prior art date
Application number
KR1020200023919A
Other languages
English (en)
Other versions
KR20210108826A (ko
Inventor
신종호
소민섭
김희진
Original Assignee
조선대학교산학협력단
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 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Priority to KR1020200023919A priority Critical patent/KR102322781B1/ko
Publication of KR20210108826A publication Critical patent/KR20210108826A/ko
Application granted granted Critical
Publication of KR102322781B1 publication Critical patent/KR102322781B1/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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
    • F24F8/10—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by separation, e.g. by filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G—PHYSICS
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/30—Velocity
    • F24F2110/32—Velocity of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/64—Airborne particle content
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Signal Processing (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 발명의 일 실시예에 따른 판단 대상 공간 및 상기 판단 대상 공간과 인접한 인접 공간의 환경 데이터에 기초하여 상기 판단 대상 공간의 미세먼지 농도를 예측하는 방법은, 상기 판단 대상 공간 및 상기 인접 공간 각각의 환경 데이터를 획득하는 단계로써, 상기 환경 데이터는 제1 시점에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함하고; 학습된 인공 신경망을 이용하여, 상기 제1 시점의 상기 환경 데이터로 부터 상기 제1 시점 이후의 제3 시점에서의 상기 판단 대상 공간의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성하는 단계; 및 상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여, 상기 제1 시점 이후의 제2 시점에서의 제어 신호를 생성하는 단계;를 포함할 수 있다.

Description

미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치{Fine dust concentration prediction method, computer program and system and air purifier}
본 발명의 실시예들은 판단 대상 공간 및 상기 판단 대상 공간과 인접한 인접 공간의 환경 데이터에 기초하여 상기 판단 대상 공간의 미세먼지 농도를 예측하는 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치에 관한 것이다.
미세먼지는 대기 중에 포함된 미세한 크기의 입자상 물질을 의미하며, 화석연료의 연소, 자동차의 매연, 공장의 배출가스 등으로부터 배출된다.
이와 같은 미세먼지는 인체의 건강에 단기적, 장기적 영향을 미치는 것으로 알려져 있고, 따라서 공기 정화 장치의 사용량이 증가하고 있는 실정이다.
한편 종래기술에 따른 공기 정화 장치의 경우 이미 증가된 미세먼지의 농도를 감지하여 공기 정화 장치의 동작 속도를 증가시키기에, 공기 정화 장치의 사용에도 불구하고 해당 공간 내에서 생활하는 사람이 일정 시간 동안은 높은 농도의 미세먼지에 노출되는 문제점이 있었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 미세먼지 농도를 정확하게 예측하고자 한다.
또한 본 발명은 예측된 미세먼지 농도에 기초하여 공기 정화 장치를 동작시켜, 높은 농도의 미세먼지에 사람이 노출되는 시간을 감소시키고자 한다.
본 발명의 일 실시예에 따른 판단 대상 공간 및 상기 판단 대상 공간과 인접한 인접 공간의 환경 데이터에 기초하여 상기 판단 대상 공간의 미세먼지 농도를 예측하는 방법은, 상기 판단 대상 공간 및 상기 인접 공간 각각의 환경 데이터를 획득하는 단계로써, 상기 환경 데이터는 제1 시점에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함하고; 학습된 인공 신경망을 이용하여, 상기 제1 시점의 상기 환경 데이터로 부터 상기 제1 시점 이후의 제3 시점에서의 상기 판단 대상 공간의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성하는 단계; 및 상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여, 상기 제1 시점 이후의 제2 시점에서의 제어 신호를 생성하는 단계;를 포함할 수 있다.
상기 판단 대상 공간은 실내 공간이고, 상기 인접 공간은 실외 공간일 수 있다. 이때 상기 인접 공간의 환경 데이터는 상기 제1 시점에서의 풍향 데이터, 풍속 데이터 및 강수량 데이터를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 방법은 상기 획득하는 단계 이전에 복수의 학습 데이터를 이용하여 상기 인공 신경망을 학습시키는 단계;를 더 포함할 수 있다.
상기 복수의 학습 데이터 각각은 제4 시점에서의 상기 판단 대상 공간의 환경 데이터, 상기 제4 시점에서의 상기 인접 공간의 환경 데이터 및 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하고, 상기 학습시키는 단계는 상기 복수의 학습 데이터에 기초하여, 상기 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 상기 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 상기 인공 신경망에 학습시킬 수 있다. 이때 상기 제5 시점은 상기 제4 시점 이후의 시점으로, 상기 제4 시점과 소정의 시간 간격을 갖는 시점일 수 있다.
상기 인공 신경망은 복수이고, 상기 복수의 인공 신경망 각각은 상기 제4 시점으로부터 서로 상이한 시간 간격만큼 떨어진 제5 시점의 데이터에 기초하여 학습되고, 상기 생성하는 단계는 상기 제1 시점으로부터 상기 서로 상이한 시간 간격만큼 떨어진 시점들 각각에 대한 미세먼지 농도 데이터를 생성할 수 있다.
상기 제2 시점은 상기 제1 시점과 상기 제3 시점 사이의 임의의 시점이고, 상기 제어 신호를 생성하는 단계는 상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여 상기 제2 시점에서의 하나 이상의 공기 정화 장치의 제어 신호를 생성할 수 있다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 시스템은, 미세먼지를 판단하고자 하는 판단 대상 공간에 배치되어 제1 환경 데이터를 생성하는 제1 환경 센서; 상기 판단 대상 공간과 인접하는 인접 공간에 배치되어 제2 환경 데이터를 생성하는 제2 환경 센서; 및 상기 제1 환경 센서 및 상기 제2 환경 센서로부터 상기 제1 환경 데이터 및 상기 제2 환경 데이터를 수신하여 환경 데이터를 생성하고, 학습된 인공 신경망을 이용하여 제1 시점의 환경 데이터로부터 상기 제1 시점 이후의 제3 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성하고, 생성된 미세먼지 농도 데이터에 기초하여 상기 제1 시점 이후의 제2 시점에서의 제어 신호를 생성하는 미세먼지 농도 예측 장치;를 포함할 수 있다. 이때 상기 환경 데이터는 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함할 수 있다.
상기 판단 대상 공간은 실내 공간이고, 상기 인접 공간은 실외 공간일 수 있다. 이때 상기 제2 환경 데이터는 상기 제1 시점에서의 풍향 데이터, 풍속 데이터 및 강수량 데이터를 더 포함할 수 있다.
상기 미세먼지 농도 예측 장치는 복수의 학습 데이터를 이용하여 상기 인공 신경망을 학습시킬 수 있다.
상기 복수의 학습 데이터 각각은 제4 시점에서의 상기 판단 대상 공간의 환경 데이터, 상기 제4 시점에서의 상기 인접 공간의 환경 데이터 및 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하고, 상기 미세먼지 농도 예측 장치는 상기 복수의 학습 데이터에 기초하여, 상기 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 상기 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 상기 인공 신경망에 학습시킬 수 있다. 이때 상기 제5 시점은 상기 제4 시점 이후의 시점으로, 상기 제4 시점과 소정의 시간 간격을 갖는 시점일 수 있다.
상기 인공 신경망은 복수이고, 상기 복수의 인공 신경망 각각은 상기 제4 시점으로부터 서로 상이한 시간 간격만큼 떨어진 제5 시점의 데이터에 기초하여 학습되고, 상기 미세먼지 농도 예측 장치는 상기 제1 시점으로부터 상기 서로 상이한 시간 간격만큼 떨어진 시점들 각각에 대한 미세먼지 농도 데이터를 생성할 수 있다.
상기 제2 시점은 상기 제1 시점과 상기 제3 시점 사이의 임의의 시점이고, 상기 미세먼지 농도 예측 장치는 상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여 상기 제2 시점에서의 공기 정화 장치의 제어를 위한 제어 신호를 생성할 수 있다.
상기 미세먼지 농도 예측 장치는 상기 공기 정화 장치를 포함하고, 상기 제어 신호에 따라 공기 정화 동작이 제어될 수 있다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 시스템은 상기 미세먼지 농도 예측 장치가 생성한 제어 신호에 따라 공기 정화 동작이 제어되는 공기 정화 장치;를 더 포함할 수 있다.
본 발명의 일 실시예에 따른 판단 대상 공간 및 상기 판단 대상 공간과 인접한 인접 공간의 환경 데이터에 기초하여 상기 판단 대상 공간의 미세먼지 농도를 예측하는 공기 정화 장치는 제어부를 포함하고, 상기 제어부는 상기 판단 대상 공간 및 상기 인접 공간 각각의 환경 데이터를 획득하고, 상기 환경 데이터는 제1 시점에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함하고 학습된 인공 신경망을 이용하여, 상기 제1 시점의 상기 환경 데이터로 부터 상기 제1 시점 이후의 제3 시점에서의 상기 판단 대상 공간의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성하고, 상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여, 상기 제1 시점 이후의 제2 시점에서의 제어 신호를 생성할 수 있다.
상기 공기 정화 장치는 복수의 학습 데이터를 이용하여 상기 인공 신경망을 학습시킬 수 있다.
상기 복수의 학습 데이터 각각은 제4 시점에서의 상기 판단 대상 공간의 환경 데이터, 상기 제4 시점에서의 상기 인접 공간의 환경 데이터 및 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하고, 상기 공기 정화 장치는 상기 복수의 학습 데이터에 기초하여, 상기 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 상기 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 상기 인공 신경망에 학습시킬 수 있다. 이때 상기 제5 시점은 상기 제4 시점 이후의 시점으로, 상기 제4 시점과 소정의 시간 간격을 갖는 시점일 수 있다.
상기 인공 신경망은 복수이고, 상기 복수의 인공 신경망 각각은 상기 제4 시점으로부터 서로 상이한 시간 간격만큼 떨어진 제5 시점의 데이터에 기초하여 학습되고, 상기 공기 정화 장치는 상기 제1 시점으로부터 상기 서로 상이한 시간 간격만큼 떨어진 시점들 각각에 대한 미세먼지 농도 데이터를 생성할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 따르면 미세먼지 농도를 정확하게 예측할 수 있다.
또한 본 발명에 따르면 예측된 미세먼지 농도에 기초하여 공기 정화 장치를 동작시켜 높은 농도의 미세먼지에 사람이 노출되는 시간을 감소시킬 수 있다.
또한 본 발명은 다양한 환경 요인을 사용하여 실내 미세먼지 농도 추이를 예측하여 미세먼지와 관련된 피해를 줄임으로 삶의 질을 향상시킬 수 있다.
또한 본 발명은 미세먼지의 농도가 높아지는 시점을 사전에 파악하여 공기 정화 장치를 가동하여, 환경의 변화에 능동적으로 반응할 수 있고, 이로써 사람이 고농도의 미세먼지에 노출되는 시간을 최소화 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 미세먼지 농도 예측 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)의 구성을 개략적으로 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 제어부(120)가 인공 신경망(620)을 학습시키는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따라 제어부(120)가 제3 시점(t3)의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(730)를 생성하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 다른 실시예에 따라 제어부(120)가 하나 이상의 시점(t3_1, t3_2, t3_3)들 각각에 대한 미세먼지 농도 데이터(740A, 740B, 740C)를 생성하는 과정을 설명하기 위한 도면이다.
도 6 및 도 7은 제어부(120)가 제어 신호를 생성하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)에 의해 수행되는 미세먼지 농도 예측 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 미세먼지 농도 예측 시스템의 구성을 개략적으로 도시한 도면이다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 시스템은 판단 대상 공간 및 판단 대상 공간과 인접한 인접 공간의 환경 데이터에 기초하여 판단 대상 공간의 미세먼지 농도를 예측할 수 있다.
본 발명에서 '환경 데이터'는 특정 시점에서의 특정 공간에 대한 것으로, 해당 공간의 환경 상황을 나타내는 다양한 파라미터를 포함하는 데이터를 의미할 수 있다.
가령 판단 대상 공간이 실내 공간인 경우 환경 데이터는 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함할 수 있다.
또한 인접 공간이 실외 공간인 경우 환경 데이터는 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터, 습도 데이터, 풍향 데이터, 풍속 데이터 및 강수량 데이터를 포함할 수 있다.
다만 이와 같은 환경 데이터에 포함되는 항목들은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 한편 전술한 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터는 가령 PM 1.0, PM 2.5 PM 10 데이터를 포함할 수 있다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 시스템은 도 1에 도시된 바와 같이 미세먼지 농도 예측 장치(100), 제1 환경 센서(210), 제2 환경 센서(220), 공기 정화 장치(300), 외부장치(400) 및 통신망(500)을 포함할 수 있다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 제1 환경 센서(210), 제2 환경 센서(220) 및 외부장치(400)중 적어도 하나로부터 환경 데이터를 수신하여 미래의 특정 시점에서의 실내 공간의 미세먼지 농도를 예측할 수 있다. 미세먼지 농도 예측 장치(100)에 대한 상세한 설명은 도 2를 참조하여 후술한다.
본 발명의 일 실시예에 따른 제1 환경 센서(210) 및 제2 환경 센서(220)는 각각 판단 대상 공간 및 인접 공간에 배치되어 각각의 공간에 대한 환경 데이터를 생성하여 미세먼지 농도 예측 장치(100)로 전송하는 수단을 의미할 수 있다.
가령 제1 환경 센서(210)는 판단 대상 공간인 실내 공간에 배치되어, 실내 공간의 특정 시점에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함하는 제1 환경 데이터를 생성하여 미세먼지 농도 예측 장치(100)로 전송할 수 있다.
이와 유사하게 제2 환경 센서(220)는 인접 공간인 실외 공간에 배치되어, 실외 공간의 특정 시점에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터, 습도 데이터, 풍향 데이터, 풍속 데이터 및 강수량 데이터를 포함하는 제2 환경 데이터를 생성하여 미세먼지 농도 예측 장치(100)로 전송할 수 있다.
선택적 실시예에서, 인접 공간에 대한 환경 데이터인 제2 환경 데이터의 일부 항목은 외부장치(400)가 생성하여 미세먼지 농도 예측 장치(100)로 전송할 수 있다. 가령 제2 환경 데이터에 포함되는 항목 중 강수량 데이터는 외부장치(400)가 생성하여 미세먼지 농도 예측 장치(100)로 전송하는 항목일 수 있다.
본 발명의 일 실시예에 따른 제1 환경 센서(210) 및 제2 환경 센서(220)는 환경 데이터에 포함되는 항목 각각을 측정하기 위한 센서들을 포함할 수 있다. 가령 제1 환경 센서(210) 및 제2 환경 센서(220)는 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도를 측정할 수 있는 미세먼지 센서, 온도 센서 및 습도 센서를 포함할 수 있다. 또한 제2 환경 센서(220)는 바람과 관련된 항목들(예를 들어 풍향, 풍속 등)을 측정하기 위한 센서를 더 포함할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른 공기 정화 장치(300)는 미세먼지 농도 예측 장치(100)가 생성한 제어 신호에 기초하여 판단 대상 공간의 공기를 정화하는 수단을 의미할 수 있다. 이때 미세먼지 농도 예측 장치(100)가 생성한 제어 신호는 공기 정화 장치(300)의 동작 속도를 포함할 수 있다. 가령 미세먼지 농도 예측 장치(100)는 제1 시점에서 제1 시점 이후의 제3 시점의 미세먼지 농도가 높은 것으로 예상되면, 제2 시점에서의 공기 정화 장치(300)의 동작 속도가 증가되도록 제어 신호를 생성할 수 있다. 이때 제2 시점은 제1 시점 이후의 시점으로, 제1 시점과 제3 시점 사이이 임의의 시점이거나, 제3 시점과 동일한 시점이거나, 제3 시점 이후의 시점일 수 있다.
본 발명의 일 실시예에 따른 공기 정화 장치(300)는 판단 대상 공간의 공기를 정화하기 위한 하나 이상의 필터(Filter)와, 이와 같은 필터에 판단 대상 공간의 공기를 통과시키기 위한 하나 이상의 모터를 포함할 수 있다. 다만 이와 같은 공기 정화 장치(300)의 구성은 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
선택적 실시예에서, 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)와 공기 정화 장치(300)는 일체로써 구성될 수 있다. 바꾸어말하면 본 발명의 일 실시예에 따른 공기 정화 장치(300)는 공기 정화 기능 외에, 미세먼지 농도 예측 기능을 수행하도록 구성될 수 있다.
선택적 실시예에서, 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100), 공기 정화 장치(300) 및 제1 환경 센서(210)는 일체로써 구성될 수 있다. 바꾸어말하면, 본 발명의 일 실시예에 따른 공기 정화 장치(300)는 공기 정화 기능, 미세먼지 농도 예측 기능 외에, 환경 데이터 생성 기능을 더 수행하도록 구성될 수 있다.
다만 이하에서는 설명의 편의를 위해 각각의 구성요소(100, 210, 300)가 서로 구별되는 구성요소로써 구비됨을 전제로 설명한다.
본 발명의 일 실시예에 따른 외부장치(400)는 전술한 바와 같이 인접 공간에 대한 환경 데이터중 적어도 일부 항목을 제공할 수 있다. 가령 외부장치(400)는 실외 공간에 대한 강수량 데이터를 미세먼지 농도 예측 장치(100)에 제공할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.
선택적 실시예에서, 외부장치(400)는 제2 환경 센서(220)에 갈음하여 사용될 수 있다. 바꾸어말하면 외부장치(400)는 인접 공간에 대한 제2 환경 데이터를 생성하여 미세먼지 농도 예측 장치(100)로 전송할 수도 있다.
본 발명의 일 실시예에 따른 통신망(500)은 미세먼지 농도 예측 장치(100), 제1 환경 센서(210), 제2 환경 센서(220), 공기 정화 장치(300) 및 외부장치(400)를 연결하는 역할을 수행한다. 가령, 통신망(500)은 미세먼지 농도 예측 장치(100)가 생성한 제어 신호를 공기 정화 장치(300)로 전달할 수 있도록 접속 경로를 제공한다. 통신망(500)은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 2는 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)의 구성을 개략적으로 도시한 도면이다.
도 2를 참조하면, 본 실시예에 따른 미세먼지 농도 예측 장치(100)는 통신부(110), 제어부(120) 및 메모리(130)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 실시예에 따른 미세먼지 농도 예측 장치(100)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다.
통신부(110)는 미세먼지 농도 예측 장치(100)가 공기 정화 장치(300) 및 외부장치(400)와 같은 다른 네트워크 장치와 유무선 연결을 통해 음향 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
제어부(120)는 프로세서(Processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(Processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
메모리(130)는 미세먼지 농도 예측 장치(100)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 메모리(130)는 학습된 인공 신경망과 관련된 다양한 데이터를 저장하는 기능을 수행할 수 있다. 가령 메모리(130)는 인공 신경망의 학습 결과로써 생성된 네트워크의 가중치를 저장할 수 있다.
이하에서는 미세먼지 농도 예측 장치(100)의 제어부(120)의 동작을 중심으로 설명한다.
도 3은 본 발명의 일 실시예에 따른 제어부(120)가 인공 신경망(620)을 학습시키는 과정을 설명하기 위한 도면이다.
본 발명에서 인공 신경망(620)은 제4 시점에서의 판단 대상 공간의 환경 데이터, 제4 시점에서의 인접 공간의 환경 데이터 및 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하는 복수의 학습 데이터(610)에 기반하여 학습될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망(620)은 복수의 학습 데이터(610)에 포함되는 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 학습한(또는 학습하는)신경망을 의미할 수 있다. 이때 제5 시점은 제4 시점 이후의 시점으로, 제4 시점과 소정의 시간 간격을 갖는 시점일 수 있다.
따라서 본 발명의 일 실시예에 따른 인공 신경망(620)은 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터의 입력에 대응하여 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 출력하도록 학습된(또는 학습되는) 신경망을 의미할 수 있다.
한편 본 발명에서 인공 신경망(620)은 다양한 구조의 신경망 모델로써 구현될 수 있다. 가령 인공 신경망(620)은 CNN 모델, RNN 모델 및 LSTM 모델로써 구현될 수 있다. 다만 이와 같은 신경망 모델을 예시적인것으로, 학습 데이터에 기초하여 입력과 출력간의 상관관계를 학습할 수 있는 수단은 본 발명의 인공 신경망(620)으로써 사용될 수 있다.
복수의 학습 데이터(610) 각각은 전술한 바와 같이 제4 시점에서의 판단 대상 공간의 환경 데이터, 제4 시점에서의 인접 공간의 환경 데이터 및 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함할 수 있다. 가령 첫 번째 학습 데이터(611)의 경우 제4 시점에서의 판단 대상 공간의 환경 데이터(611A), 제4 시점에서의 인접 공간의 환경 데이터(611C) 및 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(611B)를 포함할 수 있다. 두 번째 학습 데이터(612) 및 세 번째 학습 데이터(613)도 첫 번째 학습 데이터(611)와 마찬가지의 항목들을 포함할 수 있다.
이와 같이 본 발명은 현재 시점의 두 개의 공간에 대한 환경 데이터의 입력에 따라 미래 시점의 미세먼지 농도 데이터의 출력이 가능한 인공 신경망을 생성할 수 있다.
이하에서는 도 4 내지 도 7을 참조하여, 제어부(120)가 상술한 과정에 따라 학습된 인공 신경망(620)을 이용하여 공기 정화 장치(300)의 제어 신호를 생성하는 방법을 설명한다.
본 발명의 일 실시예에 따른 제어부(120)는 판단 대상 공간 및 인접 공간 각각의 제1 시점(또는 판단 시점)의 환경 데이터를 획득할 수 있다. 가령 제어부(120)는 판단 대상 공간인 실내 공간의 환경 데이터를 제1 환경 센서(210)로부터 획득하고, 인접 공간인 실외 공간의 환경 데이터를 제2 환경 센서(220) 및/또는 외부장치(400)로부터 획득할 수 있다.
본 발명의 일 실시예에 따른 제어부(120)는 도 3에서 설명한 과정에 따라 학습된 인공 신경망(620)을 이용하여, 제1 시점의 환경 데이터로 부터 제1 시점 이후의 제3 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성할 수 있다.
도 4는 본 발명의 일 실시예에 따라 제어부(120)가 제3 시점(t3)의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(730)를 생성하는 과정을 설명하기 위한 도면이다.
전술한 바와 같이 본 발명의 일 실시예에 따른 제어부(120)는 제1 시점(t1)에서의 판단 대상 공간의 환경 데이터(710) 및 인접 공간의 환경 데이터(720)를 인공 신경망(620)에 입력할 수 있다. 이때 인공 신경망(620)은 제3 시점(t3)의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(730)를 생성하여 출력할 수 있다.
도 5는 본 발명의 다른 실시예에 따라 제어부(120)가 하나 이상의 시점(t3_1, t3_2, t3_3)들 각각에 대한 미세먼지 농도 데이터(740A, 740B, 740C)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 다른 실시예에 따른 제어부(120)는 복수의 인공 신경망(630A, 630B, 630C)을 학습시킬 수 있다. 이때 본 발명의 일 실시예에 따른 제어부(120)는 복수의 인공 신경망(630A, 630B, 630C) 각각이 기준 시점으로부터 서로 상이한 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터(740A, 740B, 740C)를 생성하도록 학습시킬 수 있다. 가령 제어부(120)는 첫 번째 인공 신경망(630A)이 기준 시점으로부터 제1 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터를 생성하도록 학습할 수 있다. 이와 유사하게 제어부(120)는 두 번째 인공 신경망(630B)이 기준 시점으로부터 제2 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터를 생성하도록 학습할 수 있고, 세 번째 인공 신경망(630C)이 기준 시점으로부터 제3 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터를 생성하도록 학습할 수 있다. 복수의 인공 신경망(630A, 630B, 630C)을 각각을 학습하는 과정은 도 3에서 설명한 인공 신경망(620)을 학습하는 과정과 유사하므로, 이에 대한 상세한 설명은 생략한다.
본 발명의 다른 실시예에 따른 제어부(120)는 제1 시점(t1)에서의 판단 대상 공간의 환경 데이터(710) 및 인접 공간의 환경 데이터(720)를 복수의 인공 신경망(630A, 630B, 630C) 각각에 입력하여, 하나 이상의 시점(t3_1, t3_2, t3_3)들 각각에 대한 미세먼지 농도 데이터(740A, 740B, 740C)를 생성할 수 있다.
다시 도 4를 참조하면, 본 발명의 일 실시예에 따른 제어부(120)는 상술한 과정에 따라 생성된 제3 시점(t3)에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(730)에 기초하여, 제1 시점(t1) 이후의 제2 시점에서의 공기 정화 장치(300)의 제어 신호를 생성할 수 있다.
도 6 및 도 7은 제어부(120)가 제어 신호를 생성하는 과정을 설명하기 위한 도면이다.
설명의 편의를 위해, 인공 신경망(620)이 제1 시점(t1)의 환경 데이터로부터 제3 시점(t3)의 미세먼지 동도를 도 6에 도시된 바와 같이 생성한 것을 가정하여 설명한다.
종래기술의 경우 제3 시점(t3)에서 미세먼지의 농도가 급격하게 증가된 이후, 증가된 미세먼지의 농도가 감지되기까지 시간이 소요되어 제3 시점(t3)보다 늦은 시점인 제6 시점(t6)에 공기 정화기의 동작 속도가 최대가 되고, 이에 따라 사용자가 일시적으로 높은 농도의 미세먼지에 노출되는 문제점이 있었다.
그러나 본 발명의 일 실시예에 따른 제어부(120)는 제3 시점(t3)보다 빠른 제2 시점(t2)에 공기 정화기의 동작 속도가 최대가 되도록 하여 제3 시점(t3)에서 미세먼지의 농도가 급격하게 증가되는 것을 사전에 예방할 수 있다.
도 8은 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)에 의해 수행되는 미세먼지 농도 예측 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 7을 함께 참조하여 설명하되, 도 1 내지 도 7에서 설명한 내용과 중복되는 내용의 설명은 생략한다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 인공 신경망을 학습시킬 수 있다.(S810)
도 3은 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)가 인공 신경망(620)을 학습시키는 과정을 설명하기 위한 도면이다.
본 발명에서 인공 신경망(620)은 제4 시점에서의 판단 대상 공간의 환경 데이터, 제4 시점에서의 인접 공간의 환경 데이터 및 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하는 복수의 학습 데이터(610)에 기반하여 학습될 수 있다.
본 발명의 일 실시예에 따른 인공 신경망(620)은 복수의 학습 데이터(610)에 포함되는 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 학습한(또는 학습하는)신경망을 의미할 수 있다. 이때 제5 시점은 제4 시점 이후의 시점으로, 제4 시점과 소정의 시간 간격을 갖는 시점일 수 있다.
따라서 본 발명의 일 실시예에 따른 인공 신경망(620)은 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터의 입력에 대응하여 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 출력하도록 학습된(또는 학습되는) 신경망을 의미할 수 있다.
한편 본 발명에서 인공 신경망(620)은 다양한 구조의 신경망 모델로써 구현될 수 있다. 가령 인공 신경망(620)은 CNN 모델, RNN 모델 및 LSTM 모델로써 구현될 수 있다. 다만 이와 같은 신경망 모델을 예시적인것으로, 학습 데이터에 기초하여 입력과 출력간의 상관관계를 학습할 수 있는 수단은 본 발명의 인공 신경망(620)으로써 사용될 수 있다.
복수의 학습 데이터(610) 각각은 전술한 바와 같이 제4 시점에서의 판단 대상 공간의 환경 데이터, 제4 시점에서의 인접 공간의 환경 데이터 및 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함할 수 있다. 가령 첫 번째 학습 데이터(611)의 경우 제4 시점에서의 판단 대상 공간의 환경 데이터(611A), 제4 시점에서의 인접 공간의 환경 데이터(611C) 및 제5 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(611B)를 포함할 수 있다. 두 번째 학습 데이터(612) 및 세 번째 학습 데이터(613)도 첫 번째 학습 데이터(611)와 마찬가지의 항목들을 포함할 수 있다.
이와 같이 본 발명은 현재 시점의 두 개의 공간에 대한 환경 데이터의 입력에 따라 미래 시점의 미세먼지 농도 데이터의 출력이 가능한 인공 신경망을 생성할 수 있다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 판단 대상 공간 및 인접 공간 각각의 제1 시점(또는 판단 시점)의 환경 데이터를 획득할 수 있다.(S820)
가령 미세먼지 농도 예측 장치(100)는 판단 대상 공간인 실내 공간의 환경 데이터를 제1 환경 센서(210)로부터 획득하고, 인접 공간인 실외 공간의 환경 데이터를 제2 환경 센서(220) 및/또는 외부장치(400)로부터 획득할 수 있다.
본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 단계 S810에서 학습된 인공 신경망(620)을 이용하여, 단계 S820에서 획득한 제1 시점의 환경 데이터로 부터 제1 시점 이후의 제3 시점에서의 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성할 수 있다.(S830)
도 4는 본 발명의 일 실시예에 따라 미세먼지 농도 예측 장치(100)가 제3 시점(t3)의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(730)를 생성하는 과정을 설명하기 위한 도면이다.
전술한 바와 같이 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 제1 시점(t1)에서의 판단 대상 공간의 환경 데이터(710) 및 인접 공간의 환경 데이터(720)를 인공 신경망(620)에 입력할 수 있다. 이때 인공 신경망(620)은 제3 시점(t3)의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(730)를 생성하여 출력할 수 있다.
도 5는 본 발명의 다른 실시예에 따라 미세먼지 농도 예측 장치(100)가 하나 이상의 시점(t3_1, t3_2, t3_3)들 각각에 대한 미세먼지 농도 데이터(740A, 740B, 740C)를 생성하는 과정을 설명하기 위한 도면이다.
본 발명의 다른 실시예에 따른 미세먼지 농도 예측 장치(100)는 복수의 인공 신경망(630A, 630B, 630C)을 학습시킬 수 있다. 이때 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 복수의 인공 신경망(630A, 630B, 630C) 각각이 기준 시점으로부터 서로 상이한 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터(740A, 740B, 740C)를 생성하도록 학습시킬 수 있다. 가령 미세먼지 농도 예측 장치(100)는 첫 번째 인공 신경망(630A)이 기준 시점으로부터 제1 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터를 생성하도록 학습할 수 있다. 이와 유사하게 미세먼지 농도 예측 장치(100)는 두 번째 인공 신경망(630B)이 기준 시점으로부터 제2 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터를 생성하도록 학습할 수 있고, 세 번째 인공 신경망(630C)이 기준 시점으로부터 제3 시간 간격만큼 떨어진 시점의 미세먼지 농도 데이터를 생성하도록 학습할 수 있다. 복수의 인공 신경망(630A, 630B, 630C)을 각각을 학습하는 과정은 도 3에서 설명한 인공 신경망(620)을 학습하는 과정과 유사하므로, 이에 대한 상세한 설명은 생략한다.
본 발명의 다른 실시예에 따른 미세먼지 농도 예측 장치(100)는 제1 시점(t1)에서의 판단 대상 공간의 환경 데이터(710) 및 인접 공간의 환경 데이터(720)를 복수의 인공 신경망(630A, 630B, 630C) 각각에 입력하여, 하나 이상의 시점(t3_1, t3_2, t3_3)들 각각에 대한 미세먼지 농도 데이터(740A, 740B, 740C)를 생성할 수 있다.
다시 도 4를 참조하면, 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 상술한 과정에 따라 생성된 제3 시점(t3)에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터(730)에 기초하여, 제1 시점(t1) 이후의 제2 시점에서의 공기 정화 장치(300)의 제어 신호를 생성할 수 있다. (S840)
도 6 및 도 7은 미세먼지 농도 예측 장치(100)가 제어 신호를 생성하는 과정을 설명하기 위한 도면이다.
설명의 편의를 위해, 인공 신경망(620)이 제1 시점(t1)의 환경 데이터로부터 제3 시점(t3)의 미세먼지 동도를 도 6에 도시된 바와 같이 생성한 것을 가정하여 설명한다.
종래기술의 경우 제3 시점(t3)에서 미세먼지의 농도가 급격하게 증가된 이후, 증가된 미세먼지의 농도가 감지되기까지 시간이 소요되어 제3 시점(t3)보다 늦은 시점인 제6 시점(t6)에 공기 정화기의 동작 속도가 최대가 되고, 이에 따라 사용자가 일시적으로 높은 농도의 미세먼지에 노출되는 문제점이 있었다.
그러나 본 발명의 일 실시예에 따른 미세먼지 농도 예측 장치(100)는 제3 시점(t3)보다 빠른 제2 시점(t2)에 공기 정화기의 동작 속도가 최대가 되도록 하여 제3 시점(t3)에서 미세먼지의 농도가 급격하게 증가되는 것을 사전에 예방할 수 있다.
본 발명의 실시예에 따른 미세먼지 농도 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
본 발명은 첨부된 도면에 도시된 일 실시예를 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다.
100: 미세먼지 농도 예측 장치
210: 제1 환경 센서
220: 제2 환경 센서
300: 공기 정화 장치
400: 외부장치
500: 통신망

Claims (21)

  1. 판단 대상 공간 및 상기 판단 대상 공간과 인접한 인접 공간의 환경 데이터에 기초하여 상기 판단 대상 공간의 미세먼지 농도를 예측하는 방법에 있어서,
    상기 판단 대상 공간의 환경 데이터 및 상기 인접 공간의 환경 데이터를 획득하는 단계로써, 상기 판단 대상 공간의 환경 데이터 및 상기 인접 공간의 환경 데이터 각각은 제1 시점에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함하고;
    학습된 인공 신경망을 이용하여, 상기 제1 시점의 판단 대상 공간의 환경 데이터 및 상기 인접 공간의 환경 데이터로부터 상기 제1 시점 이후의 제3 시점에서의 상기 판단 대상 공간의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성하는 단계; 및
    상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여, 상기 제1 시점 이후의 제2 시점에서의 제어 신호를 생성하는 단계;를 포함하는, 미세먼지 농도 예측 방법.
  2. 청구항 1에 있어서
    상기 판단 대상 공간은 실내 공간이고,
    상기 인접 공간은 실외 공간인, 미세먼지 농도 예측 방법.
  3. 청구항 2에 있어서
    상기 인접 공간의 환경 데이터는
    상기 제1 시점에서의 풍향 데이터, 풍속 데이터 및 강수량 데이터를 더 포함하는, 미세먼지 농도 예측 방법.
  4. 청구항 1에 있어서
    상기 미세먼지 농도 예측 방법은
    상기 획득하는 단계 이전에
    복수의 학습 데이터를 이용하여 상기 인공 신경망을 학습시키는 단계;를 더 포함하는, 미세먼지 농도 예측 방법.
  5. 청구항 4에 있어서
    상기 복수의 학습 데이터 각각은
    제4 시점에서의 상기 판단 대상 공간의 환경 데이터, 상기 제4 시점에서의 상기 인접 공간의 환경 데이터 및 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하고,
    상기 학습시키는 단계는
    상기 복수의 학습 데이터에 기초하여, 상기 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 상기 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 상기 인공 신경망에 학습시키고,
    상기 제5 시점은 상기 제4 시점 이후의 시점으로, 상기 제4 시점과 소정의 시간 간격을 갖는 시점인, 미세먼지 농도 예측 방법.
  6. 청구항 5에 있어서
    상기 인공 신경망은 복수이고,
    상기 복수의 인공 신경망 각각은 상기 제4 시점으로부터 서로 상이한 시간 간격만큼 떨어진 제5 시점의 데이터에 기초하여 학습되고,
    상기 생성하는 단계는
    상기 제1 시점으로부터 상기 서로 상이한 시간 간격만큼 떨어진 시점들 각각에 대한 미세먼지 농도 데이터를 생성하는, 미세먼지 농도 예측 방법.
  7. 청구항 1에 있어서
    상기 제2 시점은 상기 제1 시점과 상기 제3 시점 사이의 임의의 시점이고,
    상기 제어 신호를 생성하는 단계는
    상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여 상기 제2 시점에서의 하나 이상의 공기 정화 장치의 제어 신호를 생성하는, 미세먼지 농도 예측 방법.
  8. 컴퓨터를 이용하여
    청구항 1 내지 청구항 7 중 어느 한 항의 방법을 실행하기 위하여 매체에 저장된 컴퓨터 프로그램.
  9. 미세먼지 농도 예측 시스템에 있어서,
    미세먼지를 판단하고자 하는 판단 대상 공간에 배치되어 제1 환경 데이터를 생성하는 제1 환경 센서;
    상기 판단 대상 공간과 인접하는 인접 공간에 배치되어 제2 환경 데이터를 생성하는 제2 환경 센서; 및
    상기 제1 환경 센서 및 상기 제2 환경 센서 각각으로부터 상기 제1 환경 데이터 및 상기 제2 환경 데이터를 수신하여 환경 데이터를 생성하고, 학습된 인공 신경망을 이용하여 제1 시점의 환경 데이터로부터 상기 제1 시점 이후의 제3 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성하고, 생성된 미세먼지 농도 데이터에 기초하여 상기 제1 시점 이후의 제2 시점에서의 제어 신호를 생성하는 미세먼지 농도 예측 장치;를 포함하고,
    상기 환경 데이터는 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함하는, 미세먼지 농도 예측 시스템.
  10. 청구항 9에 있어서
    상기 판단 대상 공간은 실내 공간이고,
    상기 인접 공간은 실외 공간인, 미세먼지 농도 예측 시스템.
  11. 청구항 10에 있어서
    상기 제2 환경 데이터는
    상기 제1 시점에서의 풍향 데이터, 풍속 데이터 및 강수량 데이터를 더 포함하는, 미세먼지 농도 예측 시스템.
  12. 청구항 9에 있어서
    상기 미세먼지 농도 예측 장치는
    복수의 학습 데이터를 이용하여 상기 인공 신경망을 학습시키는, 미세먼지 농도 예측 시스템.
  13. 청구항 12에 있어서
    상기 복수의 학습 데이터 각각은
    제4 시점에서의 상기 판단 대상 공간의 환경 데이터, 상기 제4 시점에서의 상기 인접 공간의 환경 데이터 및 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하고,
    상기 미세먼지 농도 예측 장치는
    상기 복수의 학습 데이터에 기초하여, 상기 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 상기 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 상기 인공 신경망에 학습시키고,
    상기 제5 시점은 상기 제4 시점 이후의 시점으로, 상기 제4 시점과 소정의 시간 간격을 갖는 시점인, 미세먼지 농도 예측 시스템.
  14. 청구항 13에 있어서
    상기 인공 신경망은 복수이고,
    상기 복수의 인공 신경망 각각은 상기 제4 시점으로부터 서로 상이한 시간 간격만큼 떨어진 제5 시점의 데이터에 기초하여 학습되고,
    상기 미세먼지 농도 예측 장치는
    상기 제1 시점으로부터 상기 서로 상이한 시간 간격만큼 떨어진 시점들 각각에 대한 미세먼지 농도 데이터를 생성하는, 미세먼지 농도 예측 시스템.
  15. 청구항 9에 있어서
    상기 제2 시점은 상기 제1 시점과 상기 제3 시점 사이의 임의의 시점이고,
    상기 미세먼지 농도 예측 장치는
    상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여 상기 제2 시점에서의 공기 정화 장치의 제어를 위한 제어 신호를 생성하는, 미세먼지 농도 예측 시스템.
  16. 청구항 15에 있어서
    상기 미세먼지 농도 예측 장치는
    상기 공기 정화 장치를 포함하고, 상기 제어 신호에 따라 공기 정화 동작이 제어되는, 미세먼지 농도 예측 시스템.
  17. 청구항 15에 있어서
    상기 미세먼지 농도 예측 시스템은
    상기 미세먼지 농도 예측 장치가 생성한 제어 신호에 따라 공기 정화 동작이 제어되는 공기 정화 장치;를 더 포함하는, 미세먼지 농도 예측 시스템.
  18. 판단 대상 공간 및 상기 판단 대상 공간과 인접한 인접 공간의 환경 데이터에 기초하여 상기 판단 대상 공간의 미세먼지 농도를 예측하는 공기 정화 장치에 있어서, 상기 장치는 제어부를 포함하고
    상기 제어부는
    상기 판단 대상 공간의 환경 데이터 및 상기 인접 공간의 환경 데이터를 획득하고, 상기 판단 대상 공간의 환경 데이터 및 상기 인접 공간의 환경 데이터 각각은 제1 시점에서의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터, 온도 데이터 및 습도 데이터를 포함하고
    학습된 인공 신경망을 이용하여, 상기 제1 시점의 판단 대상 공간의 환경 데이터 및 상기 인접 공간의 환경 데이터로부터 상기 제1 시점 이후의 제3 시점에서의 상기 판단 대상 공간의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 생성하고,
    상기 제3 시점에서의 상기 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터에 기초하여, 상기 제1 시점 이후의 제2 시점에서의 제어 신호를 생성하는, 공기 정화 장치.
  19. 청구항 18에 있어서
    상기 공기 정화 장치는
    복수의 학습 데이터를 이용하여 상기 인공 신경망을 학습시키는, 공기 정화 장치.
  20. 청구항 19에 있어서
    상기 복수의 학습 데이터 각각은
    제4 시점에서의 상기 판단 대상 공간의 환경 데이터, 상기 제4 시점에서의 상기 인접 공간의 환경 데이터 및 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터를 포함하고,
    상기 공기 정화 장치는
    상기 복수의 학습 데이터에 기초하여, 상기 제4 시점에서의 판단 대상 공간 및 인접 공간의 환경 데이터와 상기 제5 시점에서의 상기 판단 대상 공간의 하나 이상의 미세먼지 입자 크기 각각에 대한 미세먼지 농도 데이터 간의 상관관계를 상기 인공 신경망에 학습시키고,
    상기 제5 시점은 상기 제4 시점 이후의 시점으로, 상기 제4 시점과 소정의 시간 간격을 갖는 시점인, 공기 정화 장치.
  21. 청구항 20에 있어서
    상기 인공 신경망은 복수이고,
    상기 복수의 인공 신경망 각각은 상기 제4 시점으로부터 서로 상이한 시간 간격만큼 떨어진 제5 시점의 데이터에 기초하여 학습되고,
    상기 공기 정화 장치는
    상기 제1 시점으로부터 상기 서로 상이한 시간 간격만큼 떨어진 시점들 각각에 대한 미세먼지 농도 데이터를 생성하는, 공기 정화 장치.
KR1020200023919A 2020-02-26 2020-02-26 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치 KR102322781B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200023919A KR102322781B1 (ko) 2020-02-26 2020-02-26 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200023919A KR102322781B1 (ko) 2020-02-26 2020-02-26 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치

Publications (2)

Publication Number Publication Date
KR20210108826A KR20210108826A (ko) 2021-09-03
KR102322781B1 true KR102322781B1 (ko) 2021-11-05

Family

ID=77785150

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200023919A KR102322781B1 (ko) 2020-02-26 2020-02-26 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치

Country Status (1)

Country Link
KR (1) KR102322781B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102663711B1 (ko) * 2022-01-18 2024-05-03 건국대학교 산학협력단 지능형 공기 정화 장치 및 방법
KR20230123574A (ko) 2022-02-16 2023-08-24 경희대학교 산학협력단 인공지능 전이학습을 이용한 미세먼지 예측, 환기제어시스템 및 방법
KR102560106B1 (ko) 2022-02-16 2023-07-26 경희대학교 산학협력단 하모니 서치 알고리즘 기반 시간 지연 보상 환기 제어방법 및 시스템
KR102493719B1 (ko) * 2022-05-16 2023-02-06 주식회사 에어콕 통합 공기질 예측 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020218632A1 (ko) * 2019-04-23 2020-10-29 엘지전자 주식회사 인공지능 장치
WO2021010506A1 (ko) * 2019-07-12 2021-01-21 엘지전자 주식회사 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치

Also Published As

Publication number Publication date
KR20210108826A (ko) 2021-09-03

Similar Documents

Publication Publication Date Title
KR102322781B1 (ko) 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치
US9910413B2 (en) Automatic tuning control system for air pollution control systems
KR101975725B1 (ko) 학습 기반 모델 예측 제어를 이용한 자율 주행 차량의 노면 마찰 결정 방법 및 시스템
KR102246273B1 (ko) 로봇 공기품질 검측 시스템 및 검측 방법
EP2781979B1 (en) Real-time monitoring of vehicle
JP2019502582A5 (ko)
US20070038332A1 (en) Apparatus, method and computer program product for controlling behavior of robot
JPWO2014174738A1 (ja) 監視装置、監視方法および監視用プログラム
DE602005008602D1 (de) Redundanzkontrollverfahren und Vorrichtung für sichere Rechnereinheiten
CN114610074B (zh) 适用于多旋翼无人机的多余度飞控系统及多旋翼无人机
US20140112201A1 (en) Forming a Convex Polygon of Mobile Sensors
US11530836B2 (en) Air conditioner and control method thereof
US20220413458A1 (en) Edge computing device for controlling electromechanical system or electronic device with local and remote task distribution control
CN110925936A (zh) 空调控制方法、装置、计算机设备和存储介质
JPH0298738A (ja) 知識コンパイル・パターン型推論システム
EP3920151A1 (en) Data collection triggering device
JP7156844B2 (ja) 情報処理方法、情報処理装置およびプログラム
Sorensen et al. Finite-state input shaping
KR102357871B1 (ko) 인공지능을 이용하여 손실 데이터를 보정함에 따라 환기 장치를 제어하는 환기 제어 장치 및 방법
Kalmuk et al. Detection of abrupt changes in autonomous system fault analysis using spatial adaptive estimation of nonparametric regression
CN113302589A (zh) 协调部件接口控制框架
US10098086B2 (en) Guiding a user in a health hazardous environment
KR20200073445A (ko) 뉴럴 네트워크를 위한 학습 가능한 풀링 방법 및 그 장치
KR102658008B1 (ko) 인공지능기술을 이용한 사물인터넷 디바이스의 센싱 최적화 시스템 및 방법
US20240118681A1 (en) Systems and methods for implementing machine learning in a local apl edge device with power constraints

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant