KR102328762B1 - 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치 - Google Patents

인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치 Download PDF

Info

Publication number
KR102328762B1
KR102328762B1 KR1020210087608A KR20210087608A KR102328762B1 KR 102328762 B1 KR102328762 B1 KR 102328762B1 KR 1020210087608 A KR1020210087608 A KR 1020210087608A KR 20210087608 A KR20210087608 A KR 20210087608A KR 102328762 B1 KR102328762 B1 KR 102328762B1
Authority
KR
South Korea
Prior art keywords
fine dust
prediction
information
prediction value
cell
Prior art date
Application number
KR1020210087608A
Other languages
English (en)
Inventor
이영석
김광영
김형욱
최기석
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020210087608A priority Critical patent/KR102328762B1/ko
Application granted granted Critical
Publication of KR102328762B1 publication Critical patent/KR102328762B1/ko

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60P—VEHICLES ADAPTED FOR LOAD TRANSPORTATION OR TO TRANSPORT, TO CARRY, OR TO COMPRISE SPECIAL LOADS OR OBJECTS
    • B60P3/00—Vehicles adapted to transport, to carry or to comprise special loads or objects
    • B60P3/30—Spraying vehicles
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01H—STREET CLEANING; CLEANING OF PERMANENT WAYS; CLEANING BEACHES; DISPERSING OR PREVENTING FOG IN GENERAL CLEANING STREET OR RAILWAY FURNITURE OR TUNNEL WALLS
    • E01H3/00—Applying liquids to roads or like surfaces, e.g. for dust control; Stationary flushing devices
    • E01H3/02—Mobile apparatus, e.g. watering-vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G06N3/0454—
    • 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
    • G06Q50/30—
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Emergency Management (AREA)
  • Toxicology (AREA)
  • Public Health (AREA)
  • Architecture (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Environmental & Geological Engineering (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)

Abstract

본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 방법은, 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하는 단계, 상기 출력된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하는 단계, 및 상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 단계를 포함한다.

Description

인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치{METHOD FOR PREDICTING FINE DUST CONCENTRATION BASED ON ARTIFICIAL INTELLIGENCE AND APPARATUS IMPLEMENTING THE SAME METHOD}
본 발명은 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치에 관한 것으로서, 보다 자세하게는, 딥러닝 알고리즘을 이용하여 강수를 예측하기 위한 딥러닝 기반 강수 예측 방법, 그리고 이를 구현하기 위한 장치에 관한 것이다.
미세먼지가 발생되는 원인은 흙먼지와 꽃가루 등의 자연적 발생원과, 화석연료에 의한 매연, 자동차 배기가스, 선박의 황산화물 배출, 건설현장의 날림먼지, 소각장 연기, 공장에서 발생되는 가루성분 등의 인위적 발생원으로 구분된다. 미세먼지는 국내 사업장과 인구가 밀집된 수도권의 차량에서 발생되는 양이 가장 많으나, 주변국인 중국, 북한 등에서 발생한 미세먼지가 바람을 타고 이동하여 국내에 영향을 주기도 한다.
국내의 경우 한국환경공단의 에어 코리아, 케이 웨더 등의 여러 기관에서 미세먼지 예보를 제공하고 있으며, 예보 절차는 기상 관측망과 국내외 실시간 대기질 측정자료를 이용하여 다양한 기상 조건에서 오염물질 배출량을 대기 중 농도로 변환하고 이에 예보관의 지식, 경험, 노하우를 더하여 예보를 제공하고 있다.
그러나, 여러 기관에서 제공되고 있는 미세먼지 예보는 대기질을 측정하는 조건과 대기중 오염물질 배출량을 산정함에 있어 서로 다른 기준을 적용하게 되므로, 어느 하나의 기관에서 제공되는 미세먼지 예보만을 신뢰하기는 어렵다.
또한, 여러 기관에서 제공하고 있는 미세먼지 예보 수치가 동일한 지역 내에서 큰 차이를 보이는 경우, 어느 하나의 기관에서 제공되는 미세먼지 예보 수치만으로 미세먼지 피해 감소를 위한 실질적인 대책을 수립하는 것은 잘못된 의사결정을 이끌 가능성이 있다.
따라서, 미세먼지 예측을 위해 여러 기관에서 측정되는 데이터를 모두 고려하여 정확도가 높은 미세먼지 예측 결과를 얻을 필요가 있다. 또한, 미세먼지 예측 결과를 미세먼지 피해 감소를 위한 의사결정에 활용할 수 있도록 융합된 정보를 제공할 수 있는 기술이 요구된다.
등록특허공보 제10-2101001호(2020.04.08. 등록)
본 발명이 해결하고자 하는 기술적 과제는, 여러 기관에서 제공되는 미세먼지 예보 데이터를 복수의 신경망 모델에 적용하여 정확도가 높은 미세먼지 예측 결과를 재구성할 수 있는 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 재구성된 미세먼지 예측 결과를 이용하여 고농도 미세먼지가 발생되는 위험 지역과 그 외 안전 지역을 구분하여 표시하는 GUI를 제공할 수 있는 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 또 다른 기술적 과제는, 재구성된 미세먼지 예측 결과와 다양한 외부 정보를 융합하여 미세먼지 대응을 위한 직관적인 정보를 제공하고 빠른 의사결정을 도울 수 있는 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 방법은, 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하는 단계, 상기 출력된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하는 단계, 및 상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 단계를 포함한다.
일 실시예로서, 상기 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하는 단계는, 제1 미세먼지 예보 데이터와 제2 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하여, 상기 제1 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값과 상기 제2 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값을 출력하는 단계를 포함할 수 있다.
일 실시예로서, 상기 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하는 단계는, 상기 미세먼지 예보 데이터를 컨볼루션 신경망(CNN) 구조의 예측 모델에 입력하여 제1 미세먼지 예측값을 획득하고, 상기 미세먼지 예보 데이터를 심층 신경망(DNN) 구조의 예측 모델에 입력하여 제2 미세먼지 예측값을 획득하고, 상기 미세먼지 예보 데이터를 순환 신경망(RNN) 구조의 예측 모델에 입력하여 제3 미세먼지 예측값을 획득하는 단계를 포함할 수 있다.
일 실시예로서, 상기 출력된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하는 단계는, 상기 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 보팅(Voting) 방식으로 선택된 최종 미세먼지 예측값을 획득하는 단계를 포함할 수 있다.
일 실시예로서, 상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 단계는, 지도 이미지 상에 상기 최종 미세먼지 예측값을 지역 단위로 구분하여 표시하는 단계, 및 상기 지도 이미지 상에 상기 최종 미세먼지 예측값이 기준치 이상인 지역에 대해 고농도 지역임을 안내하는 GUI를 표시하는 단계를 포함할 수 있다.
일 실시예로서, 상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 단계는, 상기 지도 이미지 상에 상기 최종 미세먼지 예측값이 기준치 미만인 지역에 대해 안전 지역임을 안내하는 GUI를 표시하는 단계를 더 포함할 수 있다.
일 실시예로서, 외부 정보를 획득하는 단계, 및 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공하는 단계를 더 포함할 수 있다.
일 실시예로서, 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공하는 단계는, GIS(Geographic Information System)의 화면에 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 병행 표시하는 단계를 포함할 수 있다.
일 실시예로서, 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공하는 단계는, 상기 외부 정보가 야외 행사 정보인 경우, 지역별 미세먼지 위험 시간대에 일어나는 상기 야외 행사 정보를 이용하여 해당 지역에 위치한 사용자의 단말 장치로 알람 정보를 전송하는 단계를 포함할 수 있다.
일 실시예로서, 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공하는 단계는, 상기 외부 정보가 미세먼지 제거차량 운행 정보인 경우, 고농도 미세먼지 발생 지역을 경유하도록 미세먼지 제거차량의 운행 경로를 생성하여 지도 이미지 상에 표시하는 단계를 포함할 수 있다.
일 실시예로서, 상기 미세먼지 제거차량의 운행 경로를 생성하여 표시하는 단계는, 상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계, 상기 미세먼지 제거차량에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 최대인 제1 셀 영역을 선택하는 단계, 상기 선택된 제1 셀 영역에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 최대인 제2 셀 영역을 선택하는 단계, 및 상기 선택된 제1 셀 영역 및 제2 셀 영역을 연결하여 상기 미세먼지 제거차량의 운행 경로를 생성하는 단계를 포함할 수 있다.
일 실시예로서, 상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계, 및 상기 미세먼지 제거차량에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 기준치 이상인 셀 영역이 두 개 이상인 경우, 상기 두 개 이상의 셀 영역을 왕복 운행하도록 상기 미세먼지 제거차량의 운행 경로를 생성하는 단계를 포함할 수 있다.
일 실시예로서, 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공하는 단계는, 상기 외부 정보가 선박 운항 정보인 경우, 고농도 미세먼지 발생 지역에 선박의 운항을 통제하는 운항 통제 구역을 생성하여 지도 이미지 상에 표시하는 단계를 포함할 수 있다.
일 실시예로서, 상기 운항 통제 구역을 생성하여 표시하는 단계는, 상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계, 상기 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 기준치 이상인 셀 영역들을 선택하는 단계, 상기 선택된 셀 영역들에 대해 해안선으로부터 떨어져 있는 거리에 따라 서로 다른 스코어를 부여하는 단계, 및 상기 스코어가 최대인 셀 영역에 인접한 해안선을 기준으로 소정 거리 이내의 영역을 운항 통제 구역으로 생성하는 단계를 포함할 수 있다.
일 실시예로서, 상기 운항 통제 구역을 생성하여 표시하는 단계는, 상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계, 상기 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 기준치 이상인 셀 영역들을 선택하는 단계, 상기 선택된 셀 영역들에 대해 해안선으로부터 떨어져 있는 거리에 따라 서로 다른 스코어를 부여하는 단계, 및 상기 스코어가 기준치 이상인 셀 영역들을 그룹핑하여, 그룹핑된 영역에 인접한 해안선을 기준으로 소정 거리 이내의 영역을 운항 통제 구역으로 생성하는 단계를 포함할 수 있다.
일 실시예로서, 상기 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 획득하는 단계는, 지역 및 시간대별 미세먼지 예보 수치와 초미세먼지 예보 수치를 이용하여 학습 데이터를 생성하는 단계, 및 상기 학습 데이터를 이용하여 서로 다른 구조의 신경망을 학습함에 의해 상기 복수의 미세먼지 예측 모델을 생성하는 단계를 더 포함할 수 있다.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 컴퓨터 판독 가능한 비일시적 기록 매체는, 컴퓨터로 하여금 상기 방법을 수행하도록 하는 컴퓨터 프로그램이 저장된 것이다.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 미세먼지 예측 장치는, 외부 서버와 통신하는 통신부, 상기 외부 서버로부터 수집된 지역 및 시간대별 미세먼지 예보 수치와 초미세먼지 예보 수치를 이용하여 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 서로 다른 구조의 신경망을 학습함에 의해 복수의 미세먼지 예측 모델을 생성하는 학습부, 및 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하고, 상기 출력된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하고, 상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 예측부를 포함한다.
일 실시예로서, 상기 예측부는, 제1 미세먼지 예보 데이터와 제2 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하여, 상기 제1 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값과 상기 제2 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값을 출력할 수 있다.
일 실시예로서, 상기 예측부는, 상기 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 보팅(Voting) 방식으로 선택된 최종 미세먼지 예측값을 획득할 수 있다.
일 실시예로서, 상기 예측부는, 상기 통신부를 통해 외부 정보를 획득하고, 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공할 수 있다.
일 실시예로서, 상기 외부 정보는, 야외 행사 정보, 미세먼지 제거차량 운행 정보, 취약계층 밀집지역 정보, 선박 운항 정보, 공장 가동 정보, 건강보험공단의 질병 DB, 기상청 날씨 정보, 및 사용자 단말의 위치 정보 중 적어도 하나를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 미세먼지 예측 장치는, 하나 이상의 프로세서, 외부장치와 통신하는 통신 인터페이스, 상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리, 및 상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되, 상기 컴퓨터 프로그램은, 서버로부터 복수의 미세먼지 예측 모델에 관한 정보를 수신하는 동작, 사용자 입력에 의해 미세먼지 예보 데이터를 획득하는 동작, 상기 획득한 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하는 동작, 상기 복수의 미세먼지 예측 모델 각각으로부터 각 모델별 미세먼지 예측값을 획득하는 동작, 상기 획득된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하는 동작, 및 상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 동작을 수행하기 위한 인스트럭션을 포함하고, 상기 복수의 미세먼지 예측 모델은, 지역 및 시간대별 미세먼지 예보 수치와 초미세먼지 예보 수치를 이용하여 구성된 학습 데이터를 이용하여 서로 다른 구조의 신경망을 학습함에 의해 생성된 것이다.
도 1은 본 발명의 실시예에 따른 개념도이다.
도 2는 본 발명의 일 실시예에 따른 미세먼지 예측 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 다른 실시예에 따른 미세먼지 예측 장치의 구성을 도시한 블록도이다.
도 4 내지 도 6은 본 발명의 또 다른 실시예에 따른 미세먼지 예측 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 몇몇 실시예에 따른 학습 데이터의 구성을 도시한 예이다.
도 8은 본 발명의 몇몇 실시예에 따른 복수의 미세먼지 예보 데이터를 이용하여 미세먼지 예측 결과를 생성하고 외부 정보를 융합하는 프로세스를 도시한 예이다.
도 9는 본 발명의 몇몇 실시예에 따른 두 종류의 미세먼지 예보 데이터를 복수의 신경망 모델에 입력하여 최종 미세먼지 예측값을 출력하는 예이다.
도 10은 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보를 지도 이미지에 표시하는 예이다.
도 11은 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 야외 행사 정보를 이용한 사용자 인터페이스를 제공하는 예이다.
도 12는 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 미세먼지 제거차량 운행 정보를 이용한 사용자 인터페이스를 제공하는 예이다.
도 13은 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보를 이용하여 미세먼지 제거차량의 운행 경로를 생성하는 예이다.
도 14는 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 선박 운항 정보를 이용한 사용자 인터페이스를 제공하는 예이다.
도 15는 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보를 이용하여 선박의 운항 통제 구역을 생성하는 예이다.
도 16는 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 취약계층 밀집지역 정보를 이용한 사용자 인터페이스를 제공하는 예이다.
도 17는 본 발명의 몇몇 실시예에 따른 방법들을 구현할 수 있는 예시적인 컴퓨팅 장치의 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시 예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
도 1은 본 발명의 실시예에 따른 개념도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 미세먼지 예측 장치(1)는 학습 데이터(2)를 이용하여 복수의 신경망(31, 32, 33) 구조에 기반한 머신 러닝(machine learning)을 수행함에 의해 생성되는 복수의 미세먼지 예측 모델(311, 321, 331)을 이용하여 각 모델별 미세먼지 예측값(51, 52, 53)을 출력할 수 있다.
도시된 예에서, 학습 데이터(2)는 지역 및 시간대별 미세먼지 예보 및 초미세먼지 예보로 구성되고, 학습 데이터(2)를 이용하여 제1 신경망(31), 제2 신경망(32), 및 제3 신경망(33)을 각각 학습함에 의해 제1 미세먼지 예측 모델(311), 제2 미세먼지 예측 모델(321), 및 제3 미세먼지 예측 모델(331)이 각각 생성될 수 있다. 이 때, 제1 신경망(31), 제2 신경망(32), 및 제3 신경망(33)은 각각 컨볼루션 신경망(Convolutional Neural Network), 심층 신경망(Deep Neural Network), 및 순환 신경망(Recurrent Neural Network)으로 구현될 수 있다. 학습 데이터(2)의 학습 과정에서 사용되는 복수의 신경망 알고리즘은 본 실시예에 의해 제한되지 않고 다양한 구조의 신경망이 사용될 수 있다.
일 실시예로서, 학습 데이터(2)를 구성하는 지역 및 시간대별 미세먼지 예보 및 초미세먼지 예보는 기상청과 그 외의 다양한 기관에서 제공되는 데이터로 마련될 수 있다.
미세먼지 예측을 위해, 입력 정보(4)로서 미세먼지 예보 데이터가 복수의 미세먼지 예측 모델(311, 321, 331)에 입력되면, 복수의 미세먼지 예측 모델(311, 321, 331)을 이용하여 각각의 예측 결과로서 제1 예측값(51), 제2 예측값(52), 및 제3 예측값(53)이 출력될 수 있다. 여기서, 입력 정보(4)인 미세먼지 예보 데이터는, 기상청과 그 외 다양한 외부 기관에서 제공되는 데이터들 중에서 단수 또는 복수 개의 데이터로 마련될 수 있다.
일 실시예로서, 복수의 미세먼지 예측 모델(311, 321, 331) 각각으로부터 출력된 제1 예측값(51), 제2 예측값(52), 및 제3 예측값(53)과 입력 정보(4)로 사용된 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값(6)이 결정될 수 있다. 예로서, 제1 예측값(51), 제2 예측값(52), 제3 예측값(53), 및 입력 정보(4)인 미세먼지 예보 데이터로부터 보팅(Voting) 방식으로 최종 미세먼지 예측값(6)이 선택될 수 있다.
또한, 미세먼지 예측 장치(1)는 최종 미세먼지 예측값(6)이 결정되면, 이를 이용하여 지역별 미세먼지 예측 정보(7)를 생성할 수 있다. 여기서, 지역별 미세먼지 예측 정보(7)는, 지역별 최종 미세먼지 예측값을 포함할 수 있다. 또한, 지역별 미세먼지 예측 정보(7)는, 최종 미세먼지 예측값을 이용하여 각 지역을 고농도 미세먼지가 발생되는 위험 지역과 안전 지역으로 구분한 정보를 포함할 수 있다.
일 실시예로서, 지역별 미세먼지 예측 정보(7)는 텍스트 또는 표의 형태로 제공되거나, 지도 이미지 상에 GUI의 형태로 제공될 수 있다.
상기와 같은 본 발명의 실시예에 따라, 여러 기관에서 제공되는 미세먼지 예보 데이터를 복수의 신경망 모델에 적용하여 정확도가 높은 미세먼지 예측 결과를 재구성할 수 있다. 또한, 재구성된 미세먼지 예측 결과를 이용하여 위험 지역과 안전 지역을 구분하여 표시하는 시각화된 정보를 제공할 수 있다.
도 2는 본 발명의 일 실시예에 따른 미세먼지 예측 장치의 구성을 도시한 블록도이다. 도 2를 참조하면, 본 발명의 실시예에 따른 미세먼지 예측 장치(1)는 학습부(11) 및 예측부(12)를 포함하고, 외부 서버(20), 및 사용자 단말(10)과 네트워크를 통해 연결될 수 있다. 미세먼지 예측 장치(1)는 사용자 단말(10)로부터 수신되는 미세먼지 예측을 위한 복수의 예측 모델의 생성 및 분석 요청을 처리하여, 그 결과를 제공한다.
외부 서버(20)는 지역 및 시간대별 미세먼지 예보 및 초미세먼지 예보 데이터를 제공하는 서버로 구현될 수 있고, 기상청 및 그 외의 복수의 외부 기관 각각으로부터 데이터를 제공받는 경우 각 기관별 서버를 포함할 수 있다.
학습부(11)는 수집 모듈(111), 전처리 모듈(112), 및 학습 모듈(113)로 구성되고, 이 중 수집 모듈(111)은 외부 서버(20)로부터 제공되는 지역 및 시간대별 미세먼지 예보 및 초미세먼지 예보 데이터를 수집하여 학습 데이터(2)를 구성하고, 이를 데이터베이스에 저장한다. 이 때, 외부 서버(20)가 복수의 기관별 서버를 포함하는 경우, 수집 모듈(111)은 복수의 기관별 서버로부터 제공되는 지역 및 시간대별 미세먼지 예보 및 초미세먼지 예보 데이터를 수집할 수 있다.
전처리 모듈(112)은 수집 모듈(111)에 의해 데이터베이스에 저장된 학습 데이터(2)를 읽어 오고, 학습 데이터(2)를 기계 학습이 가능한 형태로 변환한다.
학습 모듈(113)은 전처리 모듈(112)에서 전처리가 완료된 학습 데이터(2)를 이용하여 복수의 신경망(31, 32, 33) 구조에 기반한 기계 학습을 수행하고, 이로부터 복수의 미세먼지 예측 모델(311, 321, 331)을 생성한다. 이 때, 학습을 위해 사용되는 복수의 기계 학습 알고리즘으로서 예컨대 컨볼루션 신경망(CNN), 심층 신경망(DNN), 및 순환 신경망(RNN)이 사용될 수 있다.
예측부(12)는 입력 모듈(121), 전처리 모듈(122), 및 예측 모듈(123)로 구성되고, 사용자 단말(10)로부터 입력되거나 외부 장치로부터 제공되는 미세먼지 예보 데이터를 이용하여 미세먼지 예측 결과를 출력한다.
입력 모듈(121)에서는 사용자 단말(10) 또는 외부 장치로부터 제공되는 미세먼지 예보 데이터가 입력된다. 이 때, 미세먼지 예보 데이터는, 기상청과 그 외 다양한 외부 기관에서 제공되는 데이터들 중에서 단수 또는 복수 개의 데이터로 마련될 수 있다.
전처리 모듈(122)은 입력 모듈(121)에서 입력된 미세먼지 예보 데이터를 머신 러닝 모델 기반으로 예측이 가능한 형태로 변환한다. 이 때, 미세먼지 예보 데이터의 변환 과정은 학습부(11)의 전처리 모듈(112)에서 수행되는 과정과 동일하다.
예측 모듈(123)은 학습 모듈(113)에서 생성된 복수의 미세먼지 예측 모델(311, 321, 331)을 로드하고, 로드 된 각각의 미세먼지 예측 모델(311, 321, 331)에 전처리가 완료된 미세먼지 예보 데이터를 입력하여 각 모델(311, 321, 331)에 의한 미세먼지 예측값(51, 52, 53)을 출력한다.
또한, 예측 모듈(123)은 각각의 미세먼지 예측 모델(311, 321, 331)로부터 출력된 제1 예측값(51) 예측값(52), 제3 예측값(53)과 미세먼지 예보 데이터를 모두 이용하여 최종 미세먼지 예측값(6)을 결정한다. 이 때, 최종 미세먼지 예측값(6)을 결정함에 있어, 투표(Voting) 방식에 의한 최빈값이 사용될 수 있고, 이 외에도 평균이나 중위수 등이 사용될 수도 있다.
일 실시예로서, 예측 모듈(123)은 결정된 최종 미세먼지 예측값(6)을 이용하여 지역별 미세먼지 예측 정보(7)를 생성할 수 있다. 이 때, 지역별 미세먼지 예측 정보(7)는, 지역별 최종 미세먼지 예측값과, 최종 미세먼지 예측값을 이용하여 각 지역을 고농도 미세먼지가 발생되는 위험 지역과 안전 지역으로 구분한 정보를 포함할 수 있다. 지역별 미세먼지 예측 정보(7)는, 텍스트 또는 표의 형태로 제공되거나, 지도 이미지 상에 GUI의 형태로 제공될 수 있다.
일 실시예로서, 예측 모듈(123)은 지역별 미세먼지 예측 정보(7)와 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 생성할 수 있다. 예로서, GIS(Geographic Information System)의 화면에 지역별 최종 미세먼지 예측 정보와 외부 정보를 병행하여 표시할 수 있다. 이 때, 외부 정보는, 야외 행사 정보, 미세먼지 제거차량 운행 정보, 취약계층 밀집지역 정보, 선박 운항 정보, 공장 가동 정보, 건강보험공단의 질병 DB, 기상청 날씨 정보, 및 사용자 단말의 위치 정보 중 적어도 하나를 포함할 수 있다. 이에 따라, 미세먼지 예측 결과를 다른 정보와 융합함에 의해 미세먼지 대응을 위한 다양한 의사결정에 활용하도록 할 수 있다.
상기와 같은 본 발명의 실시예에 따른 미세먼지 예측 장치(1)는 미세먼지 예측을 위한 학습 과정 및 예측 과정을 모두 수행하는 장치로 구현될 수 있다. 이에 따라, 미세먼지 예측 장치(1)는 여러 기관에서 제공되는 미세먼지 예보 데이터를 복수의 신경망 모델에 적용하여 정확도가 높은 미세먼지 예측 결과를 재구성할 수 있다. 또한, 재구성된 미세먼지 예측 결과와 다양한 외부 정보를 융합하여 미세먼지 대응을 위한 직관적인 정보를 제공하고 빠른 의사결정을 도울 수 있다.
도 3은 본 발명의 다른 실시예에 따른 미세먼지 예측 장치의 구성을 도시한 블록도이다. 도 3을 참조하면, 본 발명의 실시예에 따른 미세먼지 예측 장치(9)는 예측부(12)를 포함하고, 네트워크를 통해 연결되는 서버(8)와 연결된다. 서버(8)는 학습부(11)를 포함하고, 외부 서버(20)와 네트워크를 통해 연결될 수 있다.
도시된 예에서, 서버(8)는 기계 학습을 통해 복수의 미세먼지 예측 모델(311, 321, 331)을 생성하는 학습부(11)의 구성을 포함하고, 미세먼지 예측 장치(9)는 서버(8)에서 생성된 복수의 미세먼지 예측 모델(31)을 이용하여 입력되는 미세먼지 예보 데이터에 대한 예측 결과를 생성하는 예측부(12)의 구성을 포함한다. 이 때, 서버(8)에 포함된 학습부(11)와 미세먼지 예측 장치(9)에 포함된 예측부(12)는 도 2에 도시된 미세먼지 예측 장치(1)에 포함된 학습부(11)와 예측부(12)에 각각 대응하는 구성이므로, 각 구성이 수행하는 동작에 대한 구체적인 설명은 생략하도록 한다.
서버(8)는 미세먼지 예측을 위한 모델을 생성하는 동작을 수행한다. 서버(8)는 외부 서버(20)로부터 제공되는 지역 및 시간대별 미세먼지 예보 데이터와 초미세먼지 예보 데이터를 수집하여 학습 데이터(2)를 구성하고, 이를 이용하여 복수의 신경망 구조에 기반한 기계 학습을 수행함에 의해 복수의 미세먼지 예측 모델(311, 321, 331)을 생성한다.
미세먼지 예측 장치(9)는 사용자로부터 입력되는 미세먼지 예측을 위한 분석 요청을 처리하고, 그 결과를 화면을 통해 제공한다.
일 실시예로서, 미세먼지 예측 장치(9)는 미세먼지 예측을 위한 복수의 모델의 생성 요청을 서버(8)로 전송하고, 서버(8)에서 생성되는 복수의 미세먼지 예측 모델(311, 321, 331)에 관한 정보를 제공받을 수 있다. 미세먼지 예측 장치(9)는 서버(8)로부터 제공된 복수의 미세먼지 예측 모델(311, 321, 331)을 이용하여 사용자로부터 입력되는 미세먼지 예보 데이터에 대한 미세먼지의 예측 결과를 생성하고, 이를 화면에 표시할 수 있다. 이 때, 사용자로부터 입력되는 미세먼지 예보 데이터는, 기상청과 그 외 복수의 기관에서 제공되는 데이터 중 단수 또는 복수 개의 데이터를 포함할 수 있다.
상기와 같은 본 발명의 실시예에 따른 미세먼지 예측 장치(9)는 미세먼지 예측을 위한 예측 과정만을 수행하고, 예측을 위한 모델을 생성하는 학습 과정은 별도의 서버(8)를 통해 수행될 수 있다. 이에 따라, 미세먼지 예측을 위한 학습 과정 및 예측 과정이 서로 다른 장치에서 수행되므로, 미세먼지를 예측함에 있어 지연되는 시간 없이 높은 성능으로 예측 결과를 제공해줄 수 있다.
도 4 내지 도 6은 본 발명의 또 다른 실시예에 따른 미세먼지 예측 방법을 설명하기 위한 순서도이다.
본 실시예에 따른 미세먼지 예측 방법은 컴퓨팅 장치(100)에 의하여 실행될 수 있고, 예컨대 미세먼지 예측 장치(1)에 의해 실행될 수 있다. 본 실시예에 따른 방법을 실행하는 상기 컴퓨팅 장치(100)는 응용 프로그램 실행 환경을 구비한 컴퓨팅 장치일 수 있다. 본 실시예에 따른 방법에 포함되는 일부 동작의 수행 주체에 대한 기재가 생략될 수 있으며, 그러한 경우 그 주체는 상기 컴퓨팅 장치(100)임을 유의한다.
도 4를 참조하면, 먼저, 동작 S41에서, 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값이 출력된다. 여기서, 미세먼지 예보 데이터는, 지역 및 시간대별 미세먼지 및 초미세먼지 예보 데이터를 포함하고, 기상청과 그 외 다양한 외부 기관에서 제공되는 데이터들 중에서 단수 또는 복수 개의 데이터로 마련될 수 있다.
일 실시예로서, 동작 S41은, 제1 미세먼지 예보 데이터와 제2 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하여, 제1 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값과 제2 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값을 출력하는 동작을 포함할 수 있다. 이 때, 제1 미세먼지 예보 데이터와 제2 미세먼지 예보 데이터는 서로 다른 외부 기관으로부터 각각 제공되는 데이터일 수 있다.
일 실시예로서, 동작 S41은, 미세먼지 예보 데이터를 컨볼루션 신경망(CNN) 구조의 예측 모델에 입력하여 제1 미세먼지 예측값을 획득하는 동작, 미세먼지 예보 데이터를 심층 신경망(DNN) 구조의 예측 모델에 입력하여 제2 미세먼지 예측값을 획득하는 동작과, 미세먼지 예보 데이터를 순환 신경망(RNN) 구조의 예측 모델에 입력하여 제3 미세먼지 예측값을 획득하는 동작을 포함할 수 있다.
일 실시예로서, 동작 S41은, 지역 및 시간대별 미세먼지 예보 수치와 초미세먼지 예보 수치를 이용하여 학습 데이터가 생성되는 동작, 및 학습 데이터를 이용하여 서로 다른 구조의 신경망을 학습함에 의해 복수의 미세먼지 예측 모델이 생성되는 동작을 더 포함할 수 있다.
다음으로, 동작 S42에서, 출력된 각 모델별 미세먼지 예측값과 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값이 결정된다.
일 실시예로서, 동작 S42는, 각 모델별 미세먼지 예측값과 미세먼지 예보 데이터를 이용하여 보팅(Voting) 방식으로 선택된 최종 미세먼지 예측값이 획득되는 동작을 포함할 수 있다. 예로서, 제1 미세먼지 예보 데이터를 입력하여 얻는 각 모델별 미세먼지 예측값 및 제1 미세먼지 예보 데이터와, 제2 미세먼지 예보 데이터를 입력하여 얻는 각 모델별 미세먼지 예측값 및 제2 미세먼지 예보 데이터 중에서 빈도수가 가장 큰 값이 최종 미세먼지 예측값으로 결정될 수 있다.
다음으로, 동작 S43에서, 결정된 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성된다.
도 5를 참조하면, 동작 S43은, 지도 이미지 상에 상기 최종 미세먼지 예측값을 지역 단위로 구분하여 표시하는 동작 S431, 지도 이미지 상에 상기 최종 미세먼지 예측값이 기준치 이상인 지역에 대해 고농도 지역임을 안내하는 GUI를 표시하는 동작 S432, 및 지도 이미지 상에 상기 최종 미세먼지 예측값이 기준치 미만인 지역에 대해 안전 지역임을 안내하는 GUI를 표시하는 동작 S433을 포함할 수 있다. 예로서, GIS(Geographic Information System)의 화면에 구 단위로 최종 미세먼지 예측값과 함께, 최종 미세먼지 예측값이 기 설정된 기준치 이상인지 여부에 따라 고농도 지역을 나타내는 제1 아이콘 및 안전 지역을 나타내는 제2 아이콘을 표시할 수 있다. 다른 예로서, 구 단위로 최종 미세먼지 예측값과 함께, 고농도 지역을 나타내는 제1 아이콘만을 표시하고 안전 지역에 대해서는 별도의 GUI를 표시하지 않을 수도 있다.
도 6을 참조하면, 동작 S43이 수행된 이후의 추가적인 동작으로써 동작 S44 및 동작 S45가 수행될 수 있다.
동작 S44에서, 외부 정보가 획득되고, 동작 S45에서, 지역별 미세먼지 예측 정보와 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스가 제공된다. 여기서, 외부 정보는, 야외 행사 정보, 미세먼지 제거차량 운행 정보, 취약계층 밀집지역 정보, 선박 운항 정보, 공장 가동 정보, 건강보험공단의 질병 DB, 기상청 날씨 정보, 및 사용자 단말의 위치 정보 중 적어도 하나를 포함할 수 있다.
일 실시예로서, 동작 S45는, GIS(Geographic Information System)의 화면에 지역별 미세먼지 예측 정보와 외부 정보가 병행 표시되는 동작을 포함할 수 있다.
일 실시예로서, 동작 S45는, 외부 정보가 야외 행사 정보인 경우, 지역별 미세먼지 위험 시간대에 일어나는 야외 행사 정보를 이용하여 해당 지역에 위치한 사용자의 단말 장치로 알람 정보를 전송하는 동작을 포함할 수 있다.
일 실시예로서, 동작 S45는, 외부 정보가 미세먼지 제거차량 운행 정보인 경우, 고농도 미세먼지 발생 지역을 경유하도록 미세먼지 제거차량의 운행 경로를 생성하여 지도 이미지 상에 표시하는 동작을 포함할 수 있다. 또한, 지역별 미세먼지 위험 시간대에 미세먼지 제거차량이 운행되도록 조정된 운행 일정을 생성하여 지도 이미지 상에 표시할 수도 있다.
또한, 동작 S45는, 외부 정보가 선박 운항 정보인 경우, 고농도 미세먼지 발생 지역에 선박의 운항을 통제하기 운항 통제 구역을 생성하여 지도 이미지 상에 표시하는 동작을 포함할 수 있다.
이 외에도, 동작 S45는, 외부 정보가 어린이 및 노약자와 같은 취약계층 밀집지역 정보인 경우, 고농도 미세먼지 발생 지역에 위치한 어린이집, 유치원, 초등학교, 요양원, 노인정, 노인복지회관 등의 시설의 안전 정책 수립을 위한 관리 화면을 제공하는 동작을 포함할 수 있다.
또한, 동작 S45는, 외부 정보가 노후차량 정보인 경우, 고농도 미세먼지 발생 지역에 노후 차량의 운행을 통제하기 통제 구역을 생성하여 지도 이미지 상에 표시할 수 있다.
또한, 동작 S45는, 외부 정보가 공장 가동 정보인 경우, 고농도 미세먼지 발생 지역에 위치한 공장들 중 유해 가스를 발생시키는 공장의 가동을 통제하기 위한 관리 화면을 제공하는 동작을 포함할 수 있다.
또한, 동작 S45는, 외부 정보가 건강보험공단의 질병 정보인 경우, 고농도 미세먼지 발생 지역에 거주하는 호흡기 질환자의 단말로 외출 위험 알림을 전송하는 동작을 포함할 수 있다.
또한, 동작 S45는, 외부 정보가 기상청 날씨 정보인 경우, 비, 눈 등의 기상 상황을 고려하여 고농도 미세먼지 발생 지역에 인공 강우를 뿌리기 위한 관리 화면을 제공하는 동작을 포함할 수 있다.
상기와 같은 본 발명의 실시예에 따른 방법에 의하면, 여러 기관에서 제공되는 미세먼지 예보 데이터를 복수의 신경망 모델에 적용하여 정확도가 높은 미세먼지 예측 결과를 재구성하고, 재구성된 미세먼지 예측 결과와 다양한 외부 정보를 융합하여 미세먼지 대응을 위한 직관적인 정보를 제공하는 인터페이스를 생성함에 의해 빠른 의사결정을 도울 수 있다.
도 7은 본 발명의 몇몇 실시예에 따른 학습 데이터의 구성을 도시한 예이다. 도 7을 참조하면, 복수의 미세먼지 예측 모델(311, 321, 331)을 생성하기 위해 사용되는 학습 데이터(2)의 구성을 보여준다.
도시된 표에서, 학습 데이터(2)는 구 단위의 지역명, 연도, 월, 일, 시간, 미세먼지 예보 및 초미세먼지 예보 데이터로 구성된 데이터 셋을 포함할 수 있다. 이 때, 학습 데이터(2)에 포함되는 미세먼지 예보 및 초미세먼지 예보 데이터는 하나의 기관 또는 복수의 외부 기관에서 각각 제공된 데이터를 포함할 수 있다.
예로서, 학습 데이터(2)를 구성하는 데이터 셋은 공공데이터 포털에서 제공하는 동네예보 조회 서비스를 이용하여 일정 기간에 대해 누적하여 저장한 데이터를 포함할 수 있다. 이 때, 경도 및 위도 값이 변환된 x좌표, y좌표 값을 구 단위로 묶어 예컨대 부산시의 16개 구에 대해 연도, 월, 일, 시간과 복수의 외부 기관에서 제공된 복수의 미세먼지 및 초미세먼지 예보 데이터를 사용하여 학습 데이터(2)를 구성할 수 있다.
도 8은 본 발명의 몇몇 실시예에 따른 복수의 미세먼지 예보 데이터를 이용하여 미세먼지 예측 결과를 생성하고 외부 정보를 융합하는 프로세스를 도시한 예이다. 도 8을 참조하면, 서로 다른 외부 기관에서 제공되는 복수(n) 개의 미세먼지 예보 데이터(81, ?, 82) 각각을 복수의 미세먼지 예측 모델(810, ?, 820)에 입력하여 얻게 되는 각 모델별 예측값(811, 812, 813, ?, 821, 822, 823)과, 각각의 미세먼지 예보 데이터(81, ?, 82)를 사용하여 새롭게 재구성된 미세먼지 예측 결과를 얻을 수 있다.
도시된 예에서, 제1 외부기관에서 제공된 제1 미세먼지 예보 데이터(81)가 복수의 제1 미세먼지 예측 모델(810)에 입력되면, 각각의 모델에 의한 예측값(811, 812, 813)이 출력될 수 있다. 이 때, 복수의 제1 미세먼지 예측 모델(810)로서 예컨대 컨볼루션 신경망(CNN), 심층 신경망(DNN), 및 순환 신경망(RNN) 구조에 기반한 모델이 사용될 수 있다.
마찬가지로, 제n 외부기관에서 제공된 제n 미세먼지 예보 데이터(82)가 복수의 제n 미세먼지 예측 모델(820)에 입력되면, 각각의 모델에 의한 예측값(821, 822, 823)이 출력될 수 있다.
이와 같이 서로 다른 외부 기관에서 제공되는 복수(n) 개의 미세먼지 예보 데이터(81, ?, 82)를 입력하게 얻게 되는 모델별 예측값(811, 812, 813, ?, 821, 822, 823)과 복수(n) 개의 미세먼지 예보 데이터(81, ?, 82)를 이용하여 최종 미세먼지 예측값(83)이 결정될 수 있다. 이 때, 최종 미세먼지 예측값(83)은 모델별 예측값(811, 812, 813, ?, 821, 822, 823)과 복수(n) 개의 미세먼지 예보 데이터(81, ?, 82)에 대해 다수결 투표 방식을 적용하여 가장 높은 빈도를 가지는 값으로 결정될 수 있다.
상기와 같은 방식으로 최종 미세먼지 예측값(83)이 결정되면, 구 단위와 같은 지역 단위로 최종 미세먼지 예측값이 표출(84)될 수 있다. 예로서, 구 단위 최종 미세먼지 예측값을 표출(84)함에 있어, 텍스트 또는 표(table)의 형태로 제공되거나, 지도 이미지 또는 GIS 상에 GUI의 형태로 표시될 수도 있다.
일 실시예로서, 최종 미세먼지 예측값(83)이 기 설정된 기준치 이상인 지역은 고농도 미세먼지가 발생하는 위험 지역으로 분류되고, 기준치 미만인 지역은 안전 지역으로 분류될 수 있다. 이 때, 지역 단위로 최종 미세먼지 예측값(83)에 따라 분류된 위험 지역과 안전 지역에 관한 정보를 예컨대 GIS 상에 이미지 혹은 텍스트의 형태로 표출(85)할 수 있다.
일 실시예로서, 지역 단위로 표출된 최종 미세먼지 예측값(83)과 위험 지역 및 안전 지역에 관한 정보는 다양한 외부 정보(861. 862, 863)와 융합되어 미세먼지 관련 의사 결정을 위한 사용자 인터페이스(871, 872, 873)를 제공해줄 수 있다.
도 9는 본 발명의 몇몇 실시예에 따른 두 종류의 미세먼지 예보 데이터를 복수의 신경망 모델에 입력하여 최종 미세먼지 예측값을 출력하는 예이다. 도 9를 참조하면, 미세먼지 예측 장치(1)는 외부 기관 A(901)에서 제공된 제1 미세먼지 예보 데이터(910)를 컨볼루션 신경망(CNN), 심층 신경망(DNN), 및 순환 신경망(RNN) 구조의 예측 모델에 각각 입력하여 각 모델별 예측값(911, 912, 913)을 출력할 수 있다. 또한, 미세먼지 예측 장치(1)는 외부 기관 B(902)에서 제공된 제2 미세먼지 예보 데이터(920)를 컨볼루션 신경망(CNN), 심층 신경망(DNN), 및 순환 신경망(RNN) 구조의 예측 모델에 각각 입력하여 각 모델별 예측값(921, 922, 923)을 출력할 수 있다.
미세먼지 예측 장치(1)는 외부 기관 A(901)에서 제공된 제1 미세먼지 예보 데이터(910)와 각 모델별 예측값(911, 912, 913), 외부 기관 B(902)에서 제공된 제2 미세먼지 예보 데이터(920)와 각 모델별 예측값(921, 922, 923)을 이용하여 다수결 투표 방식으로 최종 미세먼지 예측값(93)을 결정할 수 있다. 예로서, 외부 기관 A(901)에서 제공된 제1 미세먼지 예보 데이터(910)와 각 모델별 예측값(911, 912, 913)이 각각 85, 90, 88, 90이고, 외부 기관 B(902)에서 제공된 제2 미세먼지 예보 데이터(920)와 각 모델별 예측값(921, 922, 923)이 각각 91, 90, 87, 90인 경우, 최종 미세먼지 예측값(93)은 가장 높은 빈도를 가지는 90g/m³으로 결정될 수 있다. 이 때, 최종 미세먼지 예측값(93)을 결정함에 있어, 본 실시예와 같이 투표(Voting) 방식에 의한 최빈값이 사용될 수 있고, 이 외에도 평균이나 중위수 등이 사용될 수도 있다.
일 실시예로서, 미세먼지 예측 장치(1)는 상기와 같이 결정된 최종 미세먼지 예측값(93)을 이용하여 지도 이미지 상에 구 단위로 최종 미세먼지 예측값을 텍스트 또는 이미지의 형태로 표출(941)할 수 있다.
또한, 미세먼지 예측 장치(1)는 최종 미세먼지 예측값(93)이 기준치 이상인 지역을 고농도 미세먼지가 발생하는 위험 지역으로, 기준치 미만인 지역은 안전 지역으로 구분하고, 지도 이미지 상에 구 단위 위험 지역 및 안전 지역을 텍스트 또는 이미지의 형태로 표출(942)할 수 있다.
상기와 같이 본 발명의 일실시예에 의하면, 여러 기관에서 제공되는 미세먼지 예보 데이터를 복수의 신경망 모델에 적용하여 정확도가 높은 미세먼지 예측 결과를 재구성할 수 있다. 또한, 재구성된 미세먼지 예측 결과를 이용하여 고농도 미세먼지가 발생되는 위험 지역과 그 외 안전 지역을 구분하여 표시하는 GUI를 제공함에 의해, 사용자가 지역별 미세먼지의 위험 정도를 시각적으로 빠르게 파악하고 대비할 수 있도록 한다.
도 10은 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보를 지도 이미지에 표시하는 예이다. 도 10을 참조하면, 본 발명의 일실시예에 따른 미세먼지 예측 장치(1)는 앞서 도 9에서 설명된 방법에 의해 결정된 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하고, 생성된 정보를 지도 이미지 혹은 GIS 화면(1010) 상에 표출할 수 있다.
도시된 예에서, 지도 이미지 혹은 GIS 화면(1010)에 부산시 지역의 각 구 단위로 최종 미세먼지 예측값(1020)을 텍스트 또는 이미지의 형태로 표시하고, 최종 미세먼지 예측값(1020)과 함께 고농도 미세먼지가 발생하는 위험 지역에 관한 정보를 특정 아이콘(1030)의 형태로 표시할 수 있다. 이 때, 위험 지역에 관한 정보는 최종 미세먼지 예측값(1020)이 기준치 이상인지 여부를 이용하여 생성될 수 있다. 예로서, 최종 미세먼지 예측값(1020)이 기준치 이상이면 위험 지역으로, 기준치 미만이면 안전 지역으로 분류하고, 지도 이미지 혹은 GIS 화면(1010)에 각 지역별로 위험 지역에 대해서는 기 설정된 제1 아이콘을, 안전 지역에 대해서는 기 설정된 제2 아이콘을 표시하여 시각적으로 구분되도록 할 수 있다.
도 11은 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 야외 행사 정보를 이용한 사용자 인터페이스를 제공하는 예이다. 도 11을 참조하면, 미세먼지 예측 장치(1)는 최종 미세먼지 예측값을 이용하여 생성한 지역별 미세먼지 예측 정보와 다양한 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공할 수 있다.
도시된 예에서, 지도 이미지 혹은 GIS 화면(1110)에 부산시 지역의 각 구 단위로 최종 미세먼지 예측값(1120, 1140)과 함께 외부 정보로서 대규모 야외행사 정보(1130, 1150)를 병행하여 표시할 수 있다.
예로서, 강서구 지역의 경우, 최종 미세먼지 예측값(1120)이 90g/m³으로 위험 지역으로 표시되고, 대규모 야외 행사 정보(1130)로서 '숲체험 프로그램'의 행사 명칭과 시간, 참여 대상 등의 정보가 함께 표시될 수 있다. 이 때, 미세먼지 예측 장치(1)는 강서구 지역이 고농도 미세먼지가 발생하는 위험 지역이라는 정보와 숲체험 프로그램이 유치원 대상 행사라는 정보를 이용하여, 부산시 강서구 지역에 거주하는 사람 또는 현재 강서구 지역에 위치하고 있는 사람의 핸드폰(1160)으로 경고 문자(1170)를 전송하고, 행사를 주최하는 관련 단체의 승인이 있으면 행사 취소에 관한 정보를 문자로 제공할 수도 있다.
도 12는 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 미세먼지 제거차량 운행 정보를 이용한 사용자 인터페이스를 제공하는 예이다. 도 12를 참조하면, 지도 이미지 혹은 GIS 화면(1210)에 부산시 지역의 각 구 단위로 최종 미세먼지 예측값과 함께 외부 정보로서 미세먼지 제거차량 운행 정보(1220)를 병행하여 표시할 수 있다.
도시된 예에서, 강서구, 사상구, 사하구 지역의 경우, 최종 미세먼지 예측값(1120)이 각각 112, 103, 135g/m³으로 위험 지역으로 표시되고, 미세먼지 제거차량 운행 정보(1220)로서 현재 해운대구 지역에서 운행중인 미세먼지 제거차량의 위치가 표시될 수 있다. 이 때, 미세먼지 예측 장치(1)는 강서구, 사상구, 사하구 지역이 고농도 미세먼지가 발생하는 위험 지역이라는 정보와 미세먼지 제거차량의 현재 위치가 해운대구라는 정보를 이용하여, 미세먼지 제거차량을 위험 지역으로 이동시키는 경로(1230)를 생성하여 지도 이미지 혹은 GIS 화면(1210) 상에 표시할 수 있다.
도 13은 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보를 이용하여 미세먼지 제거차량의 운행 경로를 생성하는 예이다. 도 13을 참조하면, 미세먼지 예측 장치(1)는 최종 미세먼지 예측값을 이용하여 생성한 지역별 미세먼지 예측 정보를 이용하여 미세먼지 제거차량의 운행 경로를 다양한 방식으로 생성할 수 있다.
도시된 예에서, 미세먼지 예측 장치(1)는 지도 이미지(1211) 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 구분하여 표시하고, 각 셀 영역에 대응하는 최종 미세먼지 예측값과 미세먼지 제거차량(1221)의 현재 위치를 표시할 수 있다. 복수의 셀 영역은 예컨대 구 단위, 또는 동 단위 등의 지역 단위로 구분될 수 있다.
이 때, 미세먼지 예측 장치(1)는 미세먼지 제거차량(1221)의 현재 위치에 인접해 있는 복수의 셀 영역 중 최종 미세먼지 예측값이 최대인 제1 셀 영역(1231)을 선택하고, 선택된 제1 셀 영역(1231)에 인접한 복수의 셀 영역 중 최종 미세먼지 예측값이 최대인 제2 셀 영역(1232)을 선택하는 등 인접한 셀 영역들 중 최종 미세먼지 예측값이 최대인 셀 영역들을 연속적으로 선택하여 하나의 경로를 생성할 수 있다. 즉, 미세먼지 제거차량(1221)의 현재 위치에서 선택된 제1 셀 영역(1231)과, 제1 셀 영역(1231)의 위치에서 선택된 제2 셀 영역(1232) 등 연속적으로 선택한 셀 영역들을 연결하여 미세먼지 제거차량의 운행 경로를 생성할 수 있다.
일 실시예로서, 미세먼지 예측 장치(1)는 지도 이미지(1211) 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 구분하여 표시한 상태에서, 미세먼지 제거차량(1221)의 현재 위치에 인접해 있는 복수의 셀 영역 중 최종 미세먼지 예측값이 기준치 이상인 셀 영역이 두 개 이상인 경우, 두 개 이상의 셀 영역을 왕복 운행하도록 미세먼지 제거차량의 운행 경로를 생성할 수 있다. 예로서, 미세먼지 제거차량(1221)의 현재 위치에 인접한 복수의 셀 영역 중 셀 영역 A와 셀 영역 B의 최종 미세먼지 예측값이 모두 기준치 이상인 경우, 셀 영역 A와 셀 영역 B를 왕복하는 운행 경로를 생성하여 제공할 수 있다.
상기와 같은 본 발명의 실시예에 따라, 지역별 미세먼지 예측 정보를 이용하여 미세먼지 제거차량이 고농도 미세먼지 발생 지역으로 이동하여 미세먼지를 제거할 수 있도록 최적의 운행 경로를 제공할 수 있다.
도 14는 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 선박 운항 정보를 이용한 사용자 인터페이스를 제공하는 예이다. 도 13을 참조하면, 지도 이미지 혹은 GIS 화면(1310)에 부산시 지역의 각 구 단위로 최종 미세먼지 예측값과 함께 외부 정보로서 선박 운항 정보(1320)를 병행하여 표시할 수 있다.
도시된 예에서, 강서구, 사상구, 사하구 지역의 경우, 최종 미세먼지 예측값(1120)이 각각 112, 103, 135g/m³으로 위험 지역으로 표시되고, 선박 운항 정보(1320)로서 현재 부산시 영도구와 남구의 남측 해안에서 운항 중인 선박의 위치가 표시될 수 있다. 이 때, 미세먼지 예측 장치(1)는 강서구, 사상구, 사하구 지역이 고농도 미세먼지가 발생하는 위험 지역이라는 정보와 운항중인 선박의 현재 위치가 영도구와 남구의 남측 해안이라는 정보를 이용하여, 선박이 고농도 미세먼지가 발생된 위험 지역에 근접한 해안으로 이동하지 않도록 운항 통제 구역(1330)을 생성하여 지도 이미지 혹은 GIS 화면(1210) 상에 표시할 수 있다. 이에 따라, 미세먼지를 과도하게 발생시키는 선박이 위험 지역으로 이동하여 미세먼지 농도가 더 높아지게 되는 것을 방지할 수 있다.
도 15는 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보를 이용하여 선박의 운항 통제 구역을 생성하는 예이다. 도 15를 참조하면, 미세먼지 예측 장치(1)는 최종 미세먼지 예측값을 이용하여 생성한 지역별 미세먼지 예측 정보를 이용하여 선박의 운항 통제 영역을 다양한 방식으로 생성할 수 있다.
도시된 예에서, 미세먼지 예측 장치(1)는 지도 이미지(1311) 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 구분하여 표시하고, 각 셀 영역에 대응하는 최종 미세먼지 예측값과 선박(1321)의 현재 위치를 표시할 수 있다. 복수의 셀 영역은 예컨대 구 단위, 또는 동 단위 등의 지역 단위로 구분될 수 있다.
이 때, 미세먼지 예측 장치(1)는 복수의 셀 영역 중 최종 미세먼지 예측값이 기준치 이상인 복수의 셀 영역(1331, 1332, 1333, 1334)을 선택하고, 선택된 복수의 셀 영역(1331, 1332, 1333, 1334) 각각으로부터 해안선까지의 거리를 이용하여 산출할 수 있다. 이 때, 해안선까지의 거리는, 지도 이미지(1311) 상의 거리 또는 GIS를 이용한 실제 거리 정보를 이용하여 산출할 수 있다. 미세먼지 예측 장치(1)는 복수의 셀 영역(1331, 1332, 1333, 1334) 각각으로부터 해안선까지의 거리에 따라 셀 영역(1331, 1332, 1333, 1334) 각각에 대해 서로 다른 스코어를 부여할 수 있다. 예로서, 해안선까지의 거리가 멀수록 낮은 스코어를 부여하고, 해안선까지의 거리가 가까울수록 높은 스코어를 부여할 수 있다. 도시된 예와 같이, 제1 셀 영역(1331), 제2 셀 영역(1332), 제3 셀 영역(1333), 및 제4 셀 영역(1334) 각각에 대해 해안선까지의 거리에 따라 각각 2.5, 1.3, 0.6, 3.0의 스코어가 부여될 수 있다.
이 때, 미세먼지 예측 장치(1)는 스코어가 3.0으로 최대값을 가지는 제4 셀 영역(1334)에 인접한 해안선을 기준으로 소정 거리 이내의 영역, 예컨대 반경 몇 km 이내의 영역을 운항 통제 구역(1339)으로 생성하여, 선박(1321)이 운항 통제 구역(1339)으로 진입하는 것을 통제할 수 있다.
일 실시예로서, 미세먼지 예측 장치(1)는 지도 이미지(1311) 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 구분하여 표시한 상태에서, 복수의 셀 영역 중 최종 미세먼지 예측값이 기준치 이상인 셀 영역들을 선택하고, 선택된 셀 영역들에 대해 해안선으로부터 떨어져 있는 거리에 따라 서로 다른 스코어를 부여할 수 있다. 이 때, 미세먼지 예측 장치(1)는 스코어가 기준치 이상인 셀 영역들을 그룹핑하고, 그룹핑된 영역에 인접한 해안선을 기준으로 소정 거리 이내의 영역을 운항 통제 구역으로 생성할 수 있다.
상기와 같은 본 발명의 실시예에 따라, 지역별 미세먼지 예측 정보를 이용하여 선박이 고농도 미세먼지 발생 지역에 인접한 해안으로 진입하는 것을 통제할 수 있도록 최적의 운항 통제 구역을 제공할 수 있다.
도 16은 본 발명의 몇몇 실시예에 따른 지역별 미세먼지 예측 정보와 취약계층 밀집지역 정보를 이용한 사용자 인터페이스를 제공하는 예이다. 도 14를 참조하면, 지도 이미지 혹은 GIS 화면(1410)에 부산시 지역의 각 구 단위로 최종 미세먼지 예측값(1420, 1440)과 함께 외부 정보로서 취약계층 밀집지역 정보(1430, 1450)를 병행하여 표시할 수 있다.
예로서, 강서구 지역의 경우 최종 미세먼지 예측값(1420)이 112g/m³으로 위험 지역으로 표시되고, 기장군 지역의 경우 최종 미세먼지 예측값(1440)이 22g/m³으로 안전 지역으로 표시될 수 있다. 이 때, 강서구와 기장군 지역 각각에 위치한 취약계층 밀집지역 정보(1430, 1450)로서 노인층이 이용하는 요양원, 노인정, 노인복지회관 등과 어린이가 이용하는 어린이집, 유치원, 초등학교 등의 시설이 함께 표시될 수 있다.
이 때, 미세먼지 예측 장치(1)는 강서구 지역이 고농도 미세먼지가 발생하는 위험 지역이라는 정보와 강서구 지역에 요양원, 노인정, 어린이집이 밀집해 있다는 정보를 이용하여 향후 취약계층을 위한 시설들을 안전 지역으로 이동시키거나 고농도 미세먼지 발생 시에 대비한 대책을 마련하는 등의 조치를 제공할 수 있다.
상기와 같은 본 발명의 실시예에 따라, 재구성된 미세먼지 예측 결과와 다양한 외부 정보를 융합하여 미세먼지 대응을 위한 직관적인 정보를 제공하고 빠른 의사결정을 도울 수 있다.
도 17은 본 발명의 몇몇 실시예에 따른 방법들을 구현할 수 있는 예시적인 컴퓨팅 장치의 하드웨어 구성도이다. 도 17에 도시된 바와 같이, 컴퓨팅 장치(100)는 하나 이상의 프로세서(101), 버스(107), 네트워크 인터페이스(102), 프로세서(101)에 의하여 수행되는 컴퓨터 프로그램(105)을 로드(load)하는 메모리(103)와, 컴퓨터 프로그램(105)를 저장하는 스토리지(104)를 포함할 수 있다. 다만, 도 17에는 본 발명의 실시예와 관련 있는 구성요소들 만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 17에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(101)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(101)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(101)는 본 발명의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.
메모리(103)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(103)는 본 발명의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지(104)로부터 하나 이상의 프로그램(105)을 로드(load) 할 수 있다. 예를 들어, 컴퓨터 프로그램(105)이 메모리(103)에 로드 되면, 로직(또는 모듈)이 메모리(103) 상에 구현될 수 있다. 메모리(103)의 예시는 RAM이 될 수 있으나, 이에 한정되는 것은 아니다.
버스(107)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(107)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
네트워크 인터페이스(102)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 네트워크 인터페이스(102)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(102)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
스토리지(104)는 하나 이상의 컴퓨터 프로그램(105)을 비임시적으로 저장할 수 있다. 스토리지(104)는 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(105)은 본 발명의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 컴퓨터 프로그램(105)이 메모리(103)에 로드 되면, 프로세서(101)는 상기 하나 이상의 인스트럭션들을 실행시킴으로써 본 발명의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.
지금까지 도 1 내지 도 17을 참조하여 본 발명의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 발명의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
지금까지 설명된 본 발명의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (23)

  1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
    미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하는 단계;
    상기 출력된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하는 단계;
    상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 단계;
    외부 정보로서 제1 타입 또는 제2 타입의 이동수단의 위치정보를 획득하는 단계;
    지도 이미지 상에 표시되는 복수의 지역을 복수의 셀 영역으로 구분하는 단계;
    상기 이동수단의 위치에 인접한 셀 영역들 중 상기 최종 미세먼지 예측값이 최대인 제1 셀 영역과, 상기 제1 셀 영역에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 최대인 제2 셀 영역을 연속적으로 선택하는 단계; 및
    상기 연속적으로 선택된 상기 제1 셀 영역과 상기 제2 셀 영역을 연결하여 상기 제1 타입의 이동수단의 운행 경로를 생성하거나, 상기 제2 타입의 이동수단의 통제 경로를 생성하는 단계를 포함하고,
    상기 제1 타입의 이동수단은 미세먼지를 제거하는 이동수단이고, 상기 제2 타입의 이동수단은 미세먼지를 발생시키는 이동수단인,
    인공지능 기반 미세먼지 예측 방법.
  2. 제1 항에 있어서,
    상기 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하는 단계는,
    제1 미세먼지 예보 데이터와 제2 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하여, 상기 제1 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값과 상기 제2 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값을 출력하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  3. 제1 항에 있어서,
    상기 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하는 단계는,
    상기 미세먼지 예보 데이터를 컨볼루션 신경망(CNN) 구조의 예측 모델에 입력하여 제1 미세먼지 예측값을 획득하고, 상기 미세먼지 예보 데이터를 심층 신경망(DNN) 구조의 예측 모델에 입력하여 제2 미세먼지 예측값을 획득하고, 상기 미세먼지 예보 데이터를 순환 신경망(RNN) 구조의 예측 모델에 입력하여 제3 미세먼지 예측값을 획득하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  4. 제1 항에 있어서,
    상기 출력된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하는 단계는,
    상기 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터 중 보팅(Voting) 방식으로 선택된 최종 미세먼지 예측값을 획득하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  5. 제1 항에 있어서,
    상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 단계는,
    지도 이미지 상에 상기 최종 미세먼지 예측값을 지역 단위로 구분하여 표시하는 단계; 및
    상기 지도 이미지 상에 상기 최종 미세먼지 예측값이 기준치 이상인 지역에 대해 고농도 지역임을 안내하는 GUI(Graphical User Interface)를 표시하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  6. 제5 항에 있어서,
    상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 단계는,
    상기 지도 이미지 상에 상기 최종 미세먼지 예측값이 기준치 미만인 지역에 대해 안전 지역임을 안내하는 GUI를 표시하는 단계를 더 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  7. 제1 항에 있어서,
    외부 정보를 획득하는 단계; 및
    상기 지역별 미세먼지 예측 정보 및 상기 외부 정보를 가공하여 표시하는 사용자 인터페이스를 제공하는 단계를 더 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  8. 제7 항에 있어서,
    상기 지역별 미세먼지 예측 정보 및 상기 외부 정보를 가공하여 표시하는 사용자 인터페이스를 제공하는 단계는,
    GIS(Geographic Information System)의 화면에 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 병행 표시하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  9. 제7 항에 있어서,
    상기 지역별 미세먼지 예측 정보 및 상기 외부 정보를 가공하여 표시하는 사용자 인터페이스를 제공하는 단계는,
    상기 외부 정보가 야외 행사 정보인 경우, 지역별 미세먼지 위험 시간대에 일어나는 상기 야외 행사 정보를 이용하여 해당 지역에 위치한 사용자의 단말 장치로 알람 정보를 전송하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  10. 제7 항에 있어서,
    상기 지역별 미세먼지 예측 정보 및 상기 외부 정보를 가공하여 표시하는 사용자 인터페이스를 제공하는 단계는,
    상기 외부 정보가 미세먼지 제거차량 운행 정보인 경우, 고농도 미세먼지 발생 지역을 경유하도록 미세먼지 제거차량의 운행 경로를 생성하여 지도 이미지 상에 표시하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  11. 제10 항에 있어서,
    상기 미세먼지 제거차량의 운행 경로를 생성하여 표시하는 단계는,
    상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계;
    상기 미세먼지 제거차량에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 최대인 제1 셀 영역을 선택하는 단계;
    상기 선택된 제1 셀 영역에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 최대인 제2 셀 영역을 선택하는 단계; 및
    상기 선택된 제1 셀 영역 및 제2 셀 영역을 연결하여 상기 미세먼지 제거차량의 운행 경로를 생성하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  12. 제10 항에 있어서,
    상기 미세먼지 제거차량의 운행 경로를 생성하여 표시하는 단계는,
    상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계; 및
    상기 미세먼지 제거차량에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 기준치 이상인 셀 영역이 두 개 이상인 경우, 상기 두 개 이상의 셀 영역을 왕복 운행하도록 상기 미세먼지 제거차량의 운행 경로를 생성하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  13. 제7 항에 있어서,
    상기 지역별 미세먼지 예측 정보 및 상기 외부 정보를 가공하여 표시하는 사용자 인터페이스를 제공하는 단계는,
    상기 외부 정보가 선박 운항 정보인 경우, 지도 이미지 상의 고농도 미세먼지 발생 지역에 선박의 운항을 통제하는 운항 통제 구역을 생성하여 표시하는 단계를 더 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  14. 제13 항에 있어서,
    상기 운항 통제 구역을 생성하여 표시하는 단계는,
    상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계;
    상기 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 기준치 이상인 셀 영역들을 선택하는 단계;
    상기 선택된 셀 영역들에 대해 해안선으로부터 떨어져 있는 거리에 따라 서로 다른 스코어를 부여하는 단계; 및
    상기 스코어가 최대인 셀 영역에 인접한 해안선을 기준으로 소정 거리 이내의 영역을 운항 통제 구역으로 생성하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  15. 제13 항에 있어서,
    상기 운항 통제 구역을 생성하여 표시하는 단계는,
    상기 지도 이미지 상에 복수의 지역 각각에 대응하는 복수의 셀 영역을 표시하는 단계;
    상기 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 기준치 이상인 셀 영역들을 선택하는 단계;
    상기 선택된 셀 영역들에 대해 해안선으로부터 떨어져 있는 거리에 따라 서로 다른 스코어를 부여하는 단계; 및
    상기 스코어가 기준치 이상인 셀 영역들을 그룹핑하여, 그룹핑된 영역에 인접한 해안선을 기준으로 소정 거리 이내의 영역을 운항 통제 구역으로 생성하는 단계를 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  16. 제1 항에 있어서,
    상기 미세먼지 예보 데이터를 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 획득하는 단계는,
    지역 및 시간대별 미세먼지 예보 수치와 초미세먼지 예보 수치를 이용하여 학습 데이터를 생성하는 단계; 및
    상기 학습 데이터를 이용하여 서로 다른 구조의 신경망을 학습함에 의해 상기 복수의 미세먼지 예측 모델을 생성하는 단계를 더 포함하는,
    인공지능 기반 미세먼지 예측 방법.
  17. 컴퓨터로 하여금 제1 항 내지 제16 항 중 어느 한 항의 방법을 수행하도록 하는 컴퓨터 프로그램이 저장된,
    컴퓨터 판독 가능한 비일시적 기록 매체.
  18. 외부 서버와 통신하는 통신부;
    상기 외부 서버로부터 수집된 지역 및 시간대별 미세먼지 예보 수치와 초미세먼지 예보 수치를 이용하여 학습 데이터를 생성하고, 상기 학습 데이터를 이용하여 서로 다른 구조의 신경망을 학습함에 의해 복수의 미세먼지 예측 모델을 생성하는 학습부; 및
    미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하여 각 모델별 미세먼지 예측값을 출력하고, 상기 출력된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하고, 상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 예측부를 포함하고,
    상기 예측부는, 외부 정보로서 제1 타입 또는 제2 타입의 이동수단의 위치정보를 획득하고, 지도 이미지 상에 표시되는 복수의 지역을 복수의 셀 영역으로 구분하고, 상기 이동수단의 위치에 인접한 셀 영역들 중 상기 최종 미세먼지 예측값이 최대인 제1 셀 영역과, 상기 제1 셀 영역에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 최대인 제2 셀 영역을 연속적으로 선택하고, 상기 연속적으로 선택된 상기 제1 셀 영역과 상기 제2 셀 영역을 연결하여 상기 제1 타입의 이동수단의 운행 경로를 생성하거나, 상기 제2 타입의 이동수단의 통제 경로를 생성하고,
    상기 제1 타입의 이동수단은 미세먼지를 제거하는 이동수단이고, 상기 제2 타입의 이동수단은 미세먼지를 발생시키는 이동수단인,
    미세먼지 예측 장치.
  19. 제18 항에 있어서,
    상기 예측부는,
    제1 미세먼지 예보 데이터와 제2 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하여, 상기 제1 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값과 상기 제2 미세먼지 예보 데이터에 기반한 각 모델별 미세먼지 예측값을 출력하는,
    미세먼지 예측 장치.
  20. 제18 항에 있어서,
    상기 예측부는,
    상기 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터 중 보팅(Voting) 방식으로 선택된 최종 미세먼지 예측값을 획득하는,
    미세먼지 예측 장치.
  21. 제18 항에 있어서,
    상기 예측부는,
    상기 통신부를 통해 외부 정보를 획득하고, 상기 지역별 미세먼지 예측 정보와 상기 외부 정보를 이용하여 미세먼지 대응을 위한 사용자 인터페이스를 제공하는,
    미세먼지 예측 장치.
  22. 제21 항에 있어서,
    상기 외부 정보는, 야외 행사 정보, 미세먼지 제거차량 운행 정보, 취약계층 밀집지역 정보, 선박 운항 정보, 공장 가동 정보, 건강보험공단의 질병 DB, 기상청 날씨 정보, 및 사용자 단말의 위치 정보 중 적어도 하나를 포함하는,
    미세먼지 예측 장치.
  23. 하나 이상의 프로세서;
    외부장치와 통신하는 통신 인터페이스;
    상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및
    상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,
    상기 컴퓨터 프로그램은,
    서버로부터 복수의 미세먼지 예측 모델에 관한 정보를 수신하는 동작,
    사용자 입력에 의해 미세먼지 예보 데이터를 획득하는 동작,
    상기 획득한 미세먼지 예보 데이터를 상기 복수의 미세먼지 예측 모델 각각에 입력하는 동작,
    상기 복수의 미세먼지 예측 모델 각각으로부터 각 모델별 미세먼지 예측값을 획득하는 동작,
    상기 획득된 각 모델별 미세먼지 예측값과 상기 미세먼지 예보 데이터를 이용하여 최종 미세먼지 예측값을 결정하는 동작,
    상기 최종 미세먼지 예측값을 이용하여 지역별 미세먼지 예측 정보를 생성하는 동작,
    외부 정보로서 제1 타입 또는 제2 타입의 이동수단의 위치정보를 획득하는 동작,
    지도 이미지 상에 표시되는 복수의 지역을 복수의 셀 영역으로 구분하는 동작,
    상기 이동수단의 위치에 인접한 셀 영역들 중 상기 최종 미세먼지 예측값이 최대인 제1 셀 영역과, 상기 제1 셀 영역에 인접한 복수의 셀 영역 중 상기 최종 미세먼지 예측값이 최대인 제2 셀 영역을 연속적으로 선택하는 동작, 및
    상기 연속적으로 선택된 상기 제1 셀 영역과 상기 제2 셀 영역을 연결하여 상기 제1 타입의 이동수단의 운행 경로를 생성하거나, 상기 제2 타입의 이동수단의 통제 경로를 생성하는 동작을 수행하기 위한 인스트럭션을 포함하고,
    상기 제1 타입의 이동수단은 미세먼지를 제거하는 이동수단이고, 상기 제2 타입의 이동수단은 미세먼지를 발생시키는 이동수단이고,
    상기 복수의 미세먼지 예측 모델은, 지역 및 시간대별 미세먼지 예보 수치와 초미세먼지 예보 수치를 이용하여 구성된 학습 데이터를 이용하여 서로 다른 구조의 신경망을 학습함에 의해 생성된 것인,
    미세먼지 예측 장치.
KR1020210087608A 2021-07-05 2021-07-05 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치 KR102328762B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210087608A KR102328762B1 (ko) 2021-07-05 2021-07-05 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210087608A KR102328762B1 (ko) 2021-07-05 2021-07-05 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치

Publications (1)

Publication Number Publication Date
KR102328762B1 true KR102328762B1 (ko) 2021-11-22

Family

ID=78717622

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210087608A KR102328762B1 (ko) 2021-07-05 2021-07-05 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치

Country Status (1)

Country Link
KR (1) KR102328762B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102450851B1 (ko) 2022-06-30 2022-10-24 한국과학기술정보연구원 재난 위기 경보 정보의 시각화 방법 및 시스템
KR102508655B1 (ko) * 2022-03-17 2023-03-10 한국과학기술정보연구원 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치
CN117139317A (zh) * 2023-10-31 2023-12-01 米脂冀东水泥有限公司 一种水泥固废处理系统粉尘处理装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170020123A (ko) * 2015-08-13 2017-02-22 충북대학교 산학협력단 대기환경정보에 따른 이동경로 추천 시스템 및 방법
KR102101001B1 (ko) 2018-07-02 2020-04-14 주식회사 케이티 공기질 데이터의 보정 로직을 생성하는 장치 및 방법
KR20200128230A (ko) * 2019-04-19 2020-11-12 에코스솔루션(주) 스마트폰 연동 미세먼지 측정 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170020123A (ko) * 2015-08-13 2017-02-22 충북대학교 산학협력단 대기환경정보에 따른 이동경로 추천 시스템 및 방법
KR102101001B1 (ko) 2018-07-02 2020-04-14 주식회사 케이티 공기질 데이터의 보정 로직을 생성하는 장치 및 방법
KR20200128230A (ko) * 2019-04-19 2020-11-12 에코스솔루션(주) 스마트폰 연동 미세먼지 측정 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김혁(Hyeuk Kim).한국자료분석학회.Journal of The Korean Data Analysis Society Vol.22 No.4 , 1661~1671쪽, 전체 11쪽(2020.08.30.)* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102508655B1 (ko) * 2022-03-17 2023-03-10 한국과학기술정보연구원 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치
KR102450851B1 (ko) 2022-06-30 2022-10-24 한국과학기술정보연구원 재난 위기 경보 정보의 시각화 방법 및 시스템
CN117139317A (zh) * 2023-10-31 2023-12-01 米脂冀东水泥有限公司 一种水泥固废处理系统粉尘处理装置
CN117139317B (zh) * 2023-10-31 2024-02-13 米脂冀东水泥有限公司 一种水泥固废处理系统粉尘处理装置

Similar Documents

Publication Publication Date Title
KR102328762B1 (ko) 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치
KR102434578B1 (ko) 인공지능 기반 강우량 예측 방법, 그리고 이를 구현하기 위한 장치
US20180336652A1 (en) Estimation of damage prevention with building retrofit
US20100100510A1 (en) Dynamic discrete decision simulation system
CN106529817A (zh) 一种灾情信息服务平台以及信息服务系统
WO2015175304A1 (en) A system and methods thereof for generation of an air quality score
JP6314656B2 (ja) 道路交通需要予測装置及び道路交通需要予測方法
CN104217384A (zh) 一种核事故应急处理及辅助决策支持系统
Yakar et al. A highway alignment determination model incorporating GIS and multi-criteria decision making
CN114329245A (zh) 一种空气污染的溯源方法、装置、服务器及存储介质
Jiang et al. Exploring the utility of the random forest method for forecasting ozone pollution in SYDNEY
Cicek et al. Use of mobile crowdsensing in disaster management: A systematic review, challenges, and open issues
CN114511243A (zh) 一种基于物联网监测的火灾风险动态评估的方法及系统
de Moraes Proposing a metric to evaluate early warning system applicable to hydrometeorological disasters in Brazil
Horita et al. A qualitative analysis of the early warning process in disaster management
Gerges et al. A GIS-based approach for estimating community transportation exposure and capacity in the context of disaster resilience
KR102350252B1 (ko) 맵 라이브러리 데이터셋 구축 및 활용방법
French et al. Communicating geographical risks in crisis management: The need for research
Moßgraber et al. The sensor to decision chain in crisis management.
Di Gangi et al. Risk reduction in transport system in emergency conditions: A framework for decision support systems
Nabil et al. Synergy of GIS and IoT for weather disasters monitoring and management
Mah et al. Integration of sensors and predictive analysis with machine learning as a modern tool for economic activities and a major step to fight against climate change
Schempp et al. An integrated crowdsourced framework for disaster relief distribution
Alshuwaikhat et al. A GIS-based approach to determining optimal location for decentralized inner city smart filters: Toward net zero cities
Kamal et al. Original Research Article SOSFloodFinder: A text-based priority classification system for enhanced decision-making in optimizing emergency flood response

Legal Events

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