KR102357236B1 - 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템 - Google Patents

지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템 Download PDF

Info

Publication number
KR102357236B1
KR102357236B1 KR1020210082948A KR20210082948A KR102357236B1 KR 102357236 B1 KR102357236 B1 KR 102357236B1 KR 1020210082948 A KR1020210082948 A KR 1020210082948A KR 20210082948 A KR20210082948 A KR 20210082948A KR 102357236 B1 KR102357236 B1 KR 102357236B1
Authority
KR
South Korea
Prior art keywords
data
population
index
confirmed
unit
Prior art date
Application number
KR1020210082948A
Other languages
English (en)
Inventor
이현종
김평록
Original Assignee
주식회사 빅스터
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 주식회사 빅스터 filed Critical 주식회사 빅스터
Priority to KR1020210082948A priority Critical patent/KR102357236B1/ko
Application granted granted Critical
Publication of KR102357236B1 publication Critical patent/KR102357236B1/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템에 관한 것으로, 광역적 또는 지역적인 위기 상황 발생시 유동인구데이터와 공공데이터를 기반으로 각 지역이나 경제단위별로 피해규모를 예측할 수 있는 지역별 가용지수를 제공하기 위한 것이다.
이를 위하여 본 발명은 유동인구 데이터, 주민등록인구 데이터, 건축물 데이터, 감염병 확진인구 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터를 각각 수집하는 데이터 수집부, 데이터 수집부에서 수집된 데이터들을 날짜 및 지역을 기준으로 연계하여 유동지수, 연령(범주), 실내 밀집도, 타 시도 유입인구, 유동형태의 파생변수를 생성하는 데이터 연계 및 변수 생성부, 각 파생변수들에 대해 통계기반과 딥러닝기반의 모델링을 진행하여 감염병 확진인구 예측값을 추정하는 데이터 모델링부, 추정된 예측값을 이용하여 각 생활에 필요한 등급별 지수를 설정하는 지수 설정부, 및 각 항목별 데이터에 대한 분포 및 통계분석 결과와 추정된 예측값 및 각종 등급별 지수의 설정 현황 및 모델링 결과를 시각화하는 시각화부를 포함하여, 각 지역이나 경제단위별 피해규모 예측 가능한 지역별 가용지수를 제공하여 위기상황에 대한 대처능력을 향상시킬 수 있게 한다.

Description

지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템{Availability index prediction system according to the floating population by region and the confirmed population of infectious diseases}
본 발명은 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템에 관한 것으로, 보다 상세하게는 감염병의 확산, 지진 등의 재난에 의한 광역적인 위기 상황 발생시 유동인구 데이터, 공공 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터 등을 기반으로 각 지역이나 경제단위별 피해규모를 예측할 수 있는 가용지수를 생성하고 이를 가시화하여 제공할 수 있도록 함으로써 감염병 확산 지진 등에 의한 광역적인 위기상황에서의 대처능력을 향상시킬 수 있는 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템에 관한 것이다.
최근 들어 일부 지역에서 발생된 사스, 메르스, 코로나 바이러스 등의 각종 감염병이 운송수단의 발달 및 글로벌화로 인해 전 세계적으로 빠르게 확산되고 있으며, 특히 현재 유행하고 있는 코로나 바이러스 감염병-19 등은 발생지역에서 초기에 신속하게 차단하지 못하여 이미 세계적 펜데믹 현상을 초래하고 있다.
그러나, 현재 시행되고 있는 감염병 확산 차단 또는 대응책은 방문자가 감염병 발생지역을 방문한 사실을 신고하는 방법 또는 감염병 발생장소에 대한 역학조사방법으로 이루어지게 되므로, 효율적인 차단 또는 대응이 이루어지지 못하고 있는 실정이며, 사전 예방을 위해서는 감염병 발생지역에 대한 정보를 방문자가 미리 알고 있어야만 예방이 가능하게 된다. 또한 감염병의 종류가 많고 감염병 발생지역이 지속적으로 변경될 수 있어 방문자가 스스로 신고할 수 있는 환경을 만드는 것은 어려운 일이다. 이러한 이유로 인해 현재 코로나 바이러스 감염병-19 등은 전세계적으로 막대한 인명피해 및 경제적 손실을 발생시키고 있다.
KR 10-1733652 B1 2017.04.28. 등록 KR 10-1960504 B1 2019.03.14. 등록 KR 10-2140096 B1 2020.07.27. 등록 KR 10-2021-0043230 A 2021.04.21. 공개
따라서 본 발명은 상기의 문제점을 해결하기 위한 것으로, 본 발명이 해결하고자 하는 기술적 과제는, 감염병 확산, 지진 등에 의한 광역적 또는 지역적인 위기 상황 발생시 유동인구 데이터, 공공 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터 등을 기반으로 각 지역이나 경제단위별로 피해규모를 예측할 수 있는 지역별 가용지수를 발생시키고 이를 가시화하여 제공할 수 있도록 함으로써 광역적 및 지역적 위기상황에 대한 대처능력을 향상시킬 수 있는 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템을 제공하고자 한 것이다.
상기 목적을 달성하기 위한 본 발명의 일 실시 형태는, 유/무선 통신망을 통해 이동통신사 서버, 공공데이터 관리서버, 민간 또는 공공기업의 서버, 카드사 서버, 교통카드 관리서버, 기상청 서버에 연결되어 이동통신사 서버의 유동인구 데이터, 공공데이터 관리서버의 주민등록인구 데이터와 건축물 데이터와 감염병 확진인구 데이터, 민간 또는 공공기업 서버의 기업 개요 데이터, 카드사 서버의 카드매출 데이터, 교통카드 관리서버의 교통카드 데이터, 및 기상청 서버의 날씨 데이터를 각각 수집하는 데이터 수집부; 데이터 수집부에서 수집된 유동인구 데이터, 주민등록인구 데이터, 건축물 데이터, 감염병 확진인구 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터를 날짜 및 지역을 기준으로 연계하여 분석에 도움이 될 유동지수, 연령(범주), 실내 밀집도, 타 시도 유입인구, 유동형태를 포함하는 파생변수를 생성하여 지역별 및 날짜별 분석 데이터 셋을 구축하는 데이터 연계 및 변수 생성부; 데이터 연계 및 변수 생성부에서 생성된 지역별 및 날짜별 분석 데이터 셋의 각 파생변수들에 대해 각 통계기반과 딥러닝기반의 모델링을 진행하고 각 파생 변수들이 감염병 확산 위험성에 미치는 영향을 분석하여 감염병 확진인구 예측값을 추정하는 데이터 모델링부; 데이터 모델링부에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값을 이용하여 감염병 확산의 위험등급을 산정하고 이를 기준으로 각 생활에 필요한 지수를 설정하는 지수 설정부; 및 데이터 연계 및 변수 생성부에서 구축된 분석 데이터 셋의 각 항목별 데이터에 대한 분포 및 통계분석 결과, 상기 데이터 모델링부에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값, 지수 설정부에서 설정된 각종 지수의 설정 현황 및 모델링 결과를 시각화하는 시각화부를 포함하는, 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템이다.
본 발명에 의하면 감염병 확산, 지진 등의 재난에 의한 광역적인 위기 상황 발생시 유동인구 데이터, 공공 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터 등을 기반으로 각 지역이나 경제단위별 피해규모를 예측할 수 있는 등급별 가용지수를 발생시키고 이를 가시화하여 기업 또는 공공기관 또는 대국민 등에 각 고객별 맞춤형 권장 행동 지표로 제공할 수 있게 되므로 광역적 및 지역적 위기상황에 대한 대처능력을 향상시킬 수 있게 하는 이점을 제공한다.
도 1은 본 발명의 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템의 전체적인 구성을 예시한 블록도이다.
도 2는 본 발명의 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템에서 이루어지는 동작 흐름을 예시한 참고도이다.
도 3은 도 1의 데이터 연계 및 변수 생성부에서 이루어지는 수집 데이터 연계동작을 설명하기 위하여 예시한 참고도이다.
도 4a와 도 4b는 도 1의 데이터 연계 및 변수 생성부에서 수집 데이터를 연계하여 유동지수 및 실내 밀집도를 생성하는 동작을 설명하기 위하여 예시한 개념도이다.
도 5는 도 1의 데이터 모델링부에서 이루어지는 다중회귀분석과정에서의 전진 선택에 의한 다중 회귀식 추정방식과 후진 제거에 의한 다중회귀식 추정방식을 설명하기 위하여 예시한 참고도이다.
도 6의 (a) 내지 (d)는 도 1의 데이터 모델링부에서 이루어지는 회귀분석 기본가정 검증의 4가지 조건을 예시한 참고도이다.
도 7은 도 1의 데이터 모델링부에서 이루어지는 LSTM 모델의 기본구조를 예시한 블록도이다.
도 8은 도 7의 셀 스테이트 상세도이다.
도 9는 도 7의 LSTM 연산과정을 예시한 흐름도이다.
도 10은 도 1의 데이터 모델링부에서 이루어지는 딥러닝기반의 LSTM을 이용한 모델 학습시 K-fold Cross Validation 기법을 설명하기 위하여 예시한 참고도이다.
도 11은 도 1의 지수 설정부에서 이루어지는 항목별 분석을 통한 등급화 및 스코어링 동작을 설명하기 위하여 예시한 참고도이다.
도 12는 도 1의 시각화부에서 이루어지는 시각화정보의 예시도면이다.
이하, 본 발명의 바람직한 실시 형태에 따른 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템의 구성과 동작 및 그에 의한 작용 효과를 첨부 도면을 참조하여 상세히 설명한다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정 해석되지 아니하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서, 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
도 1은 본 발명의 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템의 전체적인 구성을 예시한 블록도이고, 도 2는 본 발명의 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템에서 이루어지는 동작 흐름을 예시한 참고도로서, 도 1 및 도 2에 예시된 바와 같이 본 발명에 따른 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템은 데이터 수집부(110), 데이터 연계 및 변수 생성부(120), 데이터 모델링부(130), 지수 설정부(140), 및 시각화부(150)를 포함하여 구성될 수 있다.
데이터 수집부(110)는 유/무선 통신망을 통해 이동통신사 서버, 공공데이터 관리서버, 카드사 서버, 민간 또는 공공기업의 서버, 교통카드 관리서버, 기상청 서버 등에 연결되어 도 1 및 도 2에 예시된 바와 같이 이동통신사 서버로부터 유동인구 데이터를 수집하고 공공데이터 관리서버로부터 주민등록인구 데이터와 건축물 데이터와 감염병 확진인구 데이터를 수집하며, 카드사 서버로부터 카드매출 데이터를 수집하고, 민간 또는 공공기업의 서버로부터 기업 개요 데이터를 수집하며, 교통카드 관리서버로부터 교통카드 데이터를 수집하고, 기상청 서버로부터 날씨 데이터를 수집한다. 유동인구 데이터로는 기준년월일, 시도/구군구 코드, 유입지 코드, 유동인구수 등의 정보를 수집한다. 감염병 확진인구 데이터로는 확진일, 지역, 환자정보, 상태(퇴원, 사망) 등의 정보를 수집한다. 건축물 데이터로는 지역, 용도, 면적, 층수 등의 정보를 수집한다. 주민등록인구 데이터로는 기준 월, 지역, 인구수 등의 정보를 수집한다. 또한 카드매출 데이터로는 속성정보로서 업종별, 성별, 연령별, 요일별, 시간대별 매출정보 등을 수집하며, 이러한 정보는 감염병(예를 들면 코로나 19 등) 확산에 따른 소비행태 분석 등을 통해 소상공인 매출지수 산출기준으로 활용될 수 있다. 교통카드 데이터로는 속성정보로서 시도별, 시군구별, 일별, 시간별, 이용자 유형별, 교통수단별, 노선별 통행량, 통행시간, 통행거리정보 등을 수집하며, 이러한 정보는 시간대별 대중교통 이용량 및 이용자 밀집 노선이 감염병 확산에 미치는 영향 분석 등을 통해 대중교통 운행지수 산출기준으로 활용될 수 있다. 기업개요 데이터로는 속성정보로서 기업명, 대표명, 창업일, 설립일, 주소, 기업규모, 기업형태, 종업원수, 소속업종 정보 등을 수집하며, 이러한 정보는 기업별 업종 및 업무 유형이 감염병 확산에 미치는 영향 분석, 재택근무의 필요성이 큰 업무 유형 분류, 및 우선 접종 업종 분류 등을 통해 기업의 재택지수, 백신 우선 접종 지수 산출기준으로 활용될 수 있다. 날씨 데이터로는 속성정보로서 지역별, 시간별 강수, 습도, 기온, 풍향, 풍속정보 등을 수집하며, 이러한 정보는 날씨 변화에 따른 행동 패턴의 변화가 감염병 확산에 미치는 영향 분석 등을 통해 대국민 일반인 외출지수 산출기준으로 활용될 수 있다.
도 3은 도 1의 데이터 연계 및 변수 생성부에서 이루어지는 수집 데이터 연계동작을 설명하기 위하여 예시한 참고도이고, 도 4a와 도 4b는 도 1의 데이터 연계 및 변수 생성부에서 수집 데이터를 연계하여 유동지수 및 실내 밀집도를 생성하는 동작을 설명하기 위하여 예시한 개념도로서, 데이터 연계 및 변수 생성부(120)는 도 3에 예시된 바와 같이 데이터 수집부(110)에서 수집된 유동인구 데이터, 주민등록인구 데이터, 건축물 데이터, 감염병 확진인구 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터를 날짜 및 지역을 기준으로 연계하여 분석에 도움이 될 유동지수, 연령(범주), 실내 밀집도, 타 시도 유입인구, 유동형태(더미변수) 등의 파생변수를 생성하여 지역별 및 날짜별 분석 데이터 셋을 구축한다.
여기서, 유동지수는 도 4a에 예시된 바와 같이 주거지와 활동지에 따른 감염병 확산 위험 분석을 위한 파생변수로서 유동인구를 주민등록인구로 나눈 값으로 산출될 수 있으며, 이러한 유동지수는 클수록 주간 활동지(업무지)이고 작을 수록 야간 활동지(주거지)이다.
연령(범주)은 각 세대별 유동인구에 따른 감염병 확산 위험 분석을 위한 파생변수로서 유아, 청년, 노년 등일 수 있다.
실내 밀집도는 사회적 거리두기가 유지되는지의 유/무 및 실내 인구 밀집에 따른 감염병 확산 위험 분석을 위한 파생변수로서 도 4b에 예시된 바와 같이 유동인구 데이터와 건축물 데이터를 GIS(Geographic Information System) 기반으로 공간 매핑하여 지역별 및 업종별 단위 면적당 실내 밀집도를 산출하여 얻을 수 있으며 유동인구를 건축물의 면적*층수로 나눈 값으로 산출될 수 있다.
타 시도 유입인구는 타 시도에서 유입된 인구로부터 확산되는 감염병 현황 파악을 위한 파생변수로서 타 시도에서 유입된 유동인구 등일 수 있다.
유동형태는 평일에 주로 이루어지는 업무적 활동과 주말에 주로 이루어지는 여가적 활동에 따른 감염병 확산 위험 분석을 위한 파생변수로서 평일 활동(업무 활동), 주말 활동(여가 활동) 등일 수 있다.
도 5는 도 1의 데이터 모델링부에서 이루어지는 다중회귀분석과정에서의 전진 선택에 의한 다중 회귀식 추정방식과 후진 제거에 의한 다중회귀식 추정방식을 설명하기 위하여 예시한 참고도이고, 도 6의 (a) 내지 (d)는 도 1의 데이터 모델링부에서 이루어지는 회귀분석 기본가정 검증의 4가지 조건을 예시한 참고도이고, 도 7은 도 1의 데이터 모델링부에서 이루어지는 LSTM 모델의 기본구조를 예시한 블록도이고, 도 8은 도 7의 셀 스테이트 상세도이고, 도 9는 도 7의 LSTM 연산과정을 예시한 흐름도이고, 도 10은 도 1의 데이터 모델링부에서 이루어지는 딥러닝기반의 LSTM을 이용한 모델 학습시 K-fold Cross Validation 기법을 설명하기 위하여 예시한 참고도로서, 데이터 모델링부(130)는 데이터 연계 및 변수 생성부(120)에서 생성된 지역별 및 날짜별 분석 데이터 셋의 각 파생변수들에 대해 각 통계기반과 딥러닝기반의 모델링을 진행하고 각 파생 변수들이 감염병 확산 위험성에 미치는 영향을 분석하여 감염병 확진인구 예측값을 추정한다. 여기서 통계기반의 모델로는 다중회귀분석(Multiple Regression Analysis)을 이용하여 데이터를 학습하고, 딥러닝기반의 모델로는 고도화된 감염병 확산 위험성 예측을 위해 감염병 바이러스의 잠복기를 고려하여 이전의 입력값을 함께 고려하는 LSTM(Long Short Term Memory)을 이용하며, 데이터 학습 및 분석결과로 지역별 및 날짜별 감염병 확진인구 예측값을 예측한다.
통계기반의 다중회귀분석은 독립변수가 2개 이상인 경우 두 개 이상의 독립변수들과 하나의 종속변수의 관계를 분석하는 기법으로서, 다중 회귀식의 기본 모형은 수학식 1과 같이 정의된다.
수학식 1
Figure 112021073454549-pat00001
수학식 1과 같은 기본 모형에서, 종속변수(
Figure 112021073454549-pat00002
), 독립변수(X1~Xk)의 관계를 분석하여 상수(
Figure 112021073454549-pat00003
), 각 독립변수들의 계수(
Figure 112021073454549-pat00004
)를 선택하는 것으로서, 여기서 독립변수(X1~Xk)는 영향을 미칠 것으로 생각되는 변수이고, 종속변수(
Figure 112021073454549-pat00005
)는 영향을 받을 것으로 생각되는 변수이며, 독립변수가 많을 경우 적절한 회귀모형 선택이 필요하다. 특히 본 발명에서 사용될 수 있는 다중 회귀식 추정방법은 독립변수를 모두 포함하여 분석하는 동시입력방식, 지정한 변수들을 한번에 탈락시키고 상수항으로만 이루어진 모형을 만드는 제거방식, 변수 진입 기준에 따라 하나씩 진입시키는 전진선택방식, 및 모든 변수를 입력후 제거기준에 따라 한 번에 하나씩 제거하는 후진제거방식 중의 어느 하나가 사용될 수 있으며, 도 5에는 전진선택방식과 후진제거방식이 예시되어 있다.
이러한 통계기반의 다중회귀분석을 통해 좋은 모델을 만들기 위해서는 다중 회귀분석 기본가정 검증 및 모델 타당성 검증이 필요하다.
다중회귀분석 기본가정 검증은 선형성, 다중공선성 회피, 잔차 정규성, 잔차 등분산성에 대한 검증이다. 선형성 검증은 도 6의 (a)에 예시된 바와 같이 독립변수와 종속변수 간의 선형성을 만족해야 하는 것이고, 다중공선성 회피 검증은 도 6의 (b)에 예시된 바와 같이 독립변수간 상관관계가 없어야 하는 것이며, 잔차 정규성 검증은 도 6의 (c)에 예시된 바와 같이 잔차의 정규성을 만족해야 하는 것이고, 잔차 등분산성 검증은 도 6의 (d)에 예시된 바와 같이 잔차의 등분산성을 만족해야 하는 것이다.
회귀모델 타당성 검증은 결정계수(R2)와 수정된 결정계수(adj-R2)를 이용하는 것으로서, 결정계수(R2)는 선형회귀분석에서 회귀직선의 적합도를 평가하거나 종속변수에 대한 설명변수들의 설명력을 알고자 할때 이용하며 수학식 2와 같이 정의되고, 수정된 결정계수(adj-R2)는 결정계수(R2)가 독립변수의 개수가 많아질수록 높아지는 단점을 보완하기 위해 이용되며 수학식 2와 같이 정의된다.
수학식 2
Figure 112021073454549-pat00006
여기서,
Figure 112021073454549-pat00007
는 추정값에서 관측값의 평균을 뺀 결과의 총합이고,
Figure 112021073454549-pat00008
는 관측값에서 관측값의 평균을 뺀 결과의 총합이다.
수학식 3
Figure 112021073454549-pat00009
여기서, n은 표본 데이터의 개수, p는 독립변수의 개수, R2은 결정계수이다.
수학식 2에서와 같이 결정계수(R2)는 회귀선에 의해 설명되는 변동값을 전체 변동값으로 나눈 값으로 산출되며, 이러한 결정계수는 설명변수의 변동량으로 설명되는 종속변수의 변동량을 의미한다. 0 < R2 < 1 값을 가지며 1에 가까울수록 좋은 모델이다.
또한 수학식 3에서와 같이 수정된 결정계수(adj-R2)는 독립변수의 개수가 많아질수록 결정계수(R2)가 높아지는 단점을 보완하기 위해 사용하는 것으로서, 0< adj_R2 < 1 값을 가지며 1에 가까울수록 좋은 모델이다.
딥러닝기반의 LSTM은 RNN(Recurrent Neural Networks)의 Vanishing Gradient Problem을 보완한 모델로서 도 7의 블록도 및 도 8의 셀 스테이트 상세도에 예시된 바와 같이 RNN의 히든 스테이트에 셀 스테이트를 추가한 구조로 이루어진다. 셀 스테이트는 정보가 전혀 바뀌지 않고 그대로 흐르게만 하는 것을 매우 쉽게 하며, 이러한 구조의 LSTM은 셀 스테이트에 무언가를 더하거나 없앨 수 있는 능력이 있는데 이 능력은 게이트라 불리는 구조에 의해서 조심스럽게 제어된다. LSTM의 연산과정은 도 9의 흐름도에 예시된 바와 같이 Forget gate는 과거의 셀 스테이트에서 어떤 정보를 제거할지 결정하고, Input gate는 새로운 정보를 셀 스테이트에 저장할지 결정하며, Memory update는 과거 시점의 셀 스테이트를 새로운 셀 스테이트로 갱신하고, Output gate에서는 최종 출력값을 결정한다.
이와 같은 연산과정을 거치는 딥러닝기반의 LSTM은 이전에 들어온 입력값을 함께 고려하여 연산하고 최종 출력값을 결정하기 때문에 고도화된 감염병 확산 위험성 예측을 위해, 예를 들면 코로나 19 등의 경우와 같이 감염병 바이러스의 잠복기를 고려하여야만 하는 경우에 유용하다.
상기와 같은 딥러닝기반의 LSTM을 이용한 모델 학습시 K-fold Cross Validation 기법을 이용하여 향상된 모델을 학습하며, 학습된 결과는 실제 값과 예측값의 차이를 비교하는 방식으로 검증한다.
이러한 K-fold Cross Validation 기법은 통계학에서 모델을 평가하는 방법 중의 하나로서, 도 10에 예시된 바와 같이 (p1) 모든 데이터를 training 데이터 셋과 test 데이터 셋으로 나누고, (p2) training 데이터 셋을 k개(도 10에는 k가 5인 경우가 예시됨)의 fold로 나눈다. 그리고 (p3) 1개의 fold를 validation 데이터 셋으로 지정하고 나머지 fold를 training 데이터 셋으로 지정한 후 학습한다. (p4) 위 (p3)의 학습과정을 각 fold마다 수행(k번 수행)하며, (p5) 각각의 fold에 대한 학습결과를 바탕으로 하여 최적의 모델을 찾고, (p6) test 데이터 셋을 활용하여 검증한다.
기존의 training 데이터 셋과 test 데이터 셋을 이용한 검증방식의 경우 총 데이터의 양이 적으면 training 데이터 셋과 test 데이터 셋에 대한 성능 평가의 신뢰성이 떨어지는 문제가 있으나, 본 발명에서 사용하는 K-fold Cross Validation 기법은 모든 데이터가 최소 한번은 테스트 데이터 셋으로 쓰이도록 함으로써 총 데이터의 개수가 적은 데이터 셋에 대해서 정확도를 향상시킬 수 있다.
학습 결과값 검증은 평균절대비율오차(MAPE; Mean of Absolute Percentage Errors)를 이용한다. 이는 실제값(At)과 모델 학습을 통해 예측된 값(Ft)의 차이를 비교하여 학습 결과를 검증하는 방식으로서 수학식 4와 같이 정의된다.
수학식 4
Figure 112021073454549-pat00010
수학식 4에 정의된 바와 같이 학습 결과값 검증은 데이터값의 크기에 의존하는 크기 의존적 에러를 방지하기 위해 비율 에러 방식으로 검증한다.
이러한 검증방식은 크기 의존적 에러(MPE; Mean of Percentage Errors)의 단점을 커버하기 위한 방법이며, 실제값(At)값이 1보다 작거나 0일 경우 문제가 있을 수 있지만, 예를 들면 현재의 코로나 19 확진인구 수의 규모를 감안했을 시 해당 사항이 없다.
도 11은 도 1의 지수 설정부에서 이루어지는 항목별 분석을 통한 등급화 및 스코어링 동작을 설명하기 위하여 예시한 참고도로서, 지수 설정부(140)는 데이터 모델링부(130)에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값을 이용하여 감염병 확산의 위험등급을 산정하고 이를 기준으로 각 생활에 필요한 지수를 설정한다. 즉, 지수 설정부(140)는 데이터 연계 및 변수 생성부(120)에서 구축된 분석 데이터 셋의 각 항목별 데이터에 대한 분포 및 통계분석 결과, 데이터 모델링부(130)에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값에 대하여 도 11에 예시된 바와 같은 항목별 분석을 통한 등급화 및 스코어링을 실시하고 이를 기반으로 각 지수별 특성에 따른 가중치를 적용하여 지수별 위험점수를 산출하고, 각 지수별 위험점수의 구간을 나누어 등급화한 지표를 설정하여 제공함으로써 각 고객별(기업 또는 공공기관 또는 대국민 등) 맞춤 지수에 따른 권장 행동 지표를 제공할 수 있게 된다.
여기서 산정된 등급별 감염병 확산 위험등급을 기준으로 설정될 수 있는 각 생활에 필요한 지수는 예를 들면 기업의 재택지수, 공공기관의 백신우선 접종지수, 대국민의 일반인 외출지수, 소상공인 매출지수, 대중교통 운행지수 등일 수 있다.
도 12는 도 1의 시각화부에서 이루어지는 시각화의 예시도로서, 시각화부(150)는 데이터 연계 및 변수 생성부(120)에서 구축된 분석 데이터 셋의 각 항목별 데이터에 대한 분포 및 통계분석 결과, 데이터 모델링부(130)에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값, 및 지수 설정부(140)에서 설정된 각종 지수의 설정 현황을 도 12에 예시된 바와 같이 시각화한다.
여기서 시각화 정보는 예를 들면 실시간 감염병 확진인구수 현황 정보, 감염병 확진인구에 대한 지역별 GIS 기반 시각화 정보, 감염병 확진인구수 추이에 대한 날짜별 막대그래프 정보, 감염병 확진인구수에 대한 지역별(예를 들면 시,군,구별) 막대그래프 정보, 외출지수 또는 재택지수 또는 매출지수에 대한 등급별 다른 색상의 도넛차트 등의 방법으로 시각화된다. 또한 이들 시각화 정보는 안내문구로 변환 제공되거나 또는 이들 안내문구와 함께 제공될 수 있다. 예를 들어 외출지수 또는 재택지수 또는 매출지수에 대한 시각화 정보의 경우 예를 들어 일반인 외출지수는 '현재 oo구에 외출 위험 지수가 높음 단계로 외출을 가급적 삼가하도록 바람', 기업의 재택지수는 '현재 oo구에 직장인 출근이 과다한 것으로 판단되므로 기업에서는 선택적 근로 시간제 도입과 출근 인력 25% 재택근무를 권고함', 소상공인 매출지수는 '연일 확진자수 증가로 인해 유동인구가 감소하고 매출 감소에 영향을 미칠것으로 판단됨'등의 안내문구로 변환 제공되거나 또는 이들 안내문구가 함께 제공될 수 있다.
이상의 본 발명에 의하면, 감염병 확산, 지진 등의 재난에 의한 광역적 또는 지역적인 위기 상황 발생시 유동인구 데이터, 공공 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터 등을 기반으로 각 지역이나 경제단위별 피해규모를 예측할 수 있는 지역별 유동인구에 대한 등급별 가용지수를 발생시키고 이를 가시화하여 기업 또는 공공기관 또는 대국민 등에 각 고객별 맞춤형 권장 행동 지표로 제공할 수 있게 되므로 광역적 및 지역적 위기상황에 대한 대처능력을 향상시킬 수 있게 한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 단독 또는 별개의 공급관을 사용하는 것으로 한정되는 것도 아니고, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허 청구 범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.
110 : 데이터 수집부 120 : 데이터 연계 및 변수 생성부
130 : 데이터 모델링부 140 : 지수 설정부
150 : 시각화부

Claims (13)

  1. 유/무선 통신망을 통해 이동통신사 서버, 공공데이터 관리서버, 민간 또는 공공기업의 서버, 카드사 서버, 교통카드 관리서버, 기상청 서버에 연결되어 이동통신사 서버의 유동인구 데이터, 공공데이터 관리서버의 주민등록인구 데이터와 건축물 데이터와 감염병 확진인구 데이터, 민간 또는 공공기업 서버의 기업 개요 데이터, 카드사 서버의 카드매출 데이터, 교통카드 관리서버의 교통카드 데이터, 및 기상청 서버의 날씨 데이터를 각각 수집하는 데이터 수집부(110);
    상기 데이터 수집부(110)에서 수집된 유동인구 데이터, 주민등록인구 데이터, 건축물 데이터, 감염병 확진인구 데이터, 기업 개요 데이터, 카드매출 데이터, 교통카드 데이터, 날씨 데이터를 날짜 및 지역을 기준으로 연계하여 분석에 도움이 될 유동지수, 연령(범주), 실내 밀집도, 타 시도 유입인구, 유동형태를 포함하는 파생변수를 생성하여 지역별 및 날짜별 분석 데이터 셋을 구축하는 데이터 연계 및 변수 생성부(120);
    상기 데이터 연계 및 변수 생성부(120)에서 생성된 지역별 및 날짜별 분석 데이터 셋의 각 파생변수들에 대해 각 통계기반과 딥러닝기반의 모델링을 진행하고 각 파생 변수들이 감염병 확산 위험성에 미치는 영향을 분석하여 감염병 확진인구 예측값을 추정하는 데이터 모델링부(130);
    상기 데이터 모델링부(130)에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값을 이용하여 감염병 확산의 위험등급을 산정하고 이를 기준으로 각 생활에 필요한 지수를 설정하는 지수 설정부(140); 및
    상기 데이터 연계 및 변수 생성부(120)에서 구축된 분석 데이터 셋의 각 항목별 데이터에 대한 분포 및 통계분석 결과, 상기 데이터 모델링부(130)에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값, 및 상기 지수 설정부(140)에서 설정된 각종 지수의 설정 현황 및 모델링 결과를 시각화하는 시각화부(150);를 포함하고,
    상기 데이터 수집부(110)는,
    유동인구 데이터로서 기준년월일, 시도/구군구 코드, 유입지 코드, 유동인구수 정보를 수집하고, 감염병 확진인구 데이터로서 확진일, 지역, 환자정보, 상태(퇴원, 사망) 정보를 수집하고, 건축물 데이터로서 지역, 용도, 면적, 층수 정보를 수집하고, 주민등록인구 데이터로서 기준 월, 지역, 인구수 정보를 수집하고, 카드매출 데이터로서 업종별, 성별, 연령별, 요일별, 시간대별 매출정보를 수집하고, 교통카드 데이터로서 시도별, 시군구별, 일별, 시간별, 이용자 유형별, 교통수단별, 노선별 통행량, 통행시간, 통행거리정보를 수집하고, 기업개요 데이터로서 기업명, 대표명, 창업일, 설립일, 주소, 기업규모, 기업형태, 종업원수, 소속업종 정보를 수집하고, 날씨 데이터로서 지역별, 시간별 강수, 습도, 기온, 풍향, 풍속정보를 수집하며,
    상기 데이터 연계 및 변수 생성부(120)는,
    주거지와 활동지에 따른 감염병 확산 위험 분석을 위한 유동인구, 각 세대별 유동인구에 따른 감염병 확산 위험 분석을 위한 연령(범주), 사회적 거리두기가 유지되는지의 유/무 및 실내 인구 밀집에 따른 감염병 확산 위험 분석을 위한 지역별 및 업종별 단위 면적당 실내 밀집도, 타 시도에서 유입된 인구로부터 확산되는 감염병 현황 파악을 위한 타 시도 유입인구, 업무적 활동과 여가적 활동에 따른 감염병 확산 위험 분석을 위한 유동형태를 파생변수로 생성하되, 유동인구 데이터와 건축물 데이터를 GIS(Geographic Information System) 기반으로 공간 매핑하여 지역별 및 업종별 단위 면적당 실내 밀집도를 산출하고,
    상기 데이터 모델링부(130)는,
    통계기반의 모델로서 다중회귀분석(Multiple Regression Analysis)을 이용하여 데이터를 학습하고, 딥러닝기반의 모델로서 고도화된 감염병 확산 위험성 예측을 위해 감염병 바이러스의 잠복기를 고려하여 이전의 입력값을 함께 고려하는 LSTM(Long Short Term Memory)을 이용하여 데이터 학습 및 분석을 실시하고, 데이터 학습 및 분석결과로 지역별 및 날짜별 감염병 확진인구 예측값을 예측하되,
    영향을 미칠 것으로 생각되는 독립변수(X1~Xk)와, 영향을 받을 것으로 생각되는 종속변수(
    Figure 112021122297381-pat00034
    )에 대하여 수학식 1로 정의되는 통계기반의 다중회귀분석을 위한 다중 회귀식의 기본 모형으로부터 종속변수(
    Figure 112021122297381-pat00035
    ), 독립변수(X1~Xk)의 관계를 분석하여 상수(
    Figure 112021122297381-pat00036
    ), 각 독립변수들의 계수(
    Figure 112021122297381-pat00037
    )를 선택하고,
    수학식 1은
    Figure 112021122297381-pat00038

    로 정의되며,
    상기 지수 설정부(140)는,
    데이터 연계 및 변수 생성부(120)에서 구축된 분석 데이터 셋의 각 항목별 데이터에 대한 분포 및 통계분석 결과, 데이터 모델링부(130)에서 다중회귀분석 및 LSTM 분석결과 예측된 감염병 확진인구 예측값에 대하여 항목별 분석을 통한 등급화 및 스코어링을 실시하고 이를 기반으로 각 지수별 특성에 따른 가중치를 적용하여 지수별 위험점수를 산출하며, 각 지수별 위험점수의 구간을 나누어 등급화한 지표를 설정하되,
    산정된 등급별 감염병 확산 위험등급을 기준으로 하여, 기업의 재택지수, 공공기관의 백신우선 접종지수, 대국민의 일반인 외출지수, 소상공인 매출지수, 대중교통 운행지수를 각 생활에 필요한 지수로 설정하며,
    상기 시각화부(150)는,
    실시간 감염병 확진인구수 현황 정보, 감염병 확진인구에 대한 지역별 GIS 기반 시각화 정보, 감염병 확진인구수 추이에 대한 날짜별 막대그래프 정보, 감염병 확진인구수에 대한 지역별 막대그래프 정보, 외출지수 또는 재택지수 또는 매출지수에 대한 등급별 다른 색상의 도넛차트 중의 적어도 어느 하나 또는 모두의 시각화정보를 제공하는 것을 특징으로 하는 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제1항에 있어서, 상기 데이터 모델링부(130)는,
    다중회귀분석 기본가정의 검증은 선형성, 다중공선성 회피, 잔차 정규성, 잔차 등분산성에 대하여 수행하며,
    회귀모델 타당성의 검증은 결정계수(R2)와, 수정된 결정계수(adj-R2)를 이용하고,
    상기 결정계수(R2)는,
    추정값에서 관측값의 평균을 뺀 결과의 총합(
    Figure 112021122297381-pat00016
    )과, 관측값에서 관측값의 평균을 뺀 결과의 총합(
    Figure 112021122297381-pat00017
    )에 대하여
    Figure 112021122297381-pat00018

    로 정의되고,
    상기 수정된 결정계수(adj-R2)는,
    표본 데이터의 개수(n)와, 독립변수의 개수(p), 및 결정계수(R2)에 대하여
    Figure 112021122297381-pat00019

    로 정의되는 것을 특징으로 하는 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템.
  8. 제1항에 있어서, 상기 데이터 모델링부(130)는,
    딥러닝기반의 LSTM을 이용한 모델 학습시 K-fold Cross Validation 기법을 이용하여 향상된 모델을 학습하고, 학습된 결과는 실제 값과 예측값의 차이를 비교하는 방식으로 검증하며,
    상기 K-fold Cross Validation 기법은,
    (p1) 모든 데이터를 training 데이터 셋과 test 데이터 셋으로 나누는 단계;
    (p2) training 데이터 셋을 k개의 fold로 나누는 단계;
    (p3) 1개의 fold를 validation 데이터 셋으로 지정하고 나머지 fold를 training 데이터 셋으로 지정한 후 학습하는 단계;
    (p4) 상기 (p3)의 학습과정을 각 fold마다 반복 수행(k번 반복수행)하는 단계;
    (p5) 각각의 fold에 대한 학습결과를 바탕으로 하여 신뢰성 측면에서 가장 좋은 최적의 모델을 찾는 단계; 및
    (p6) test 데이터 셋을 활용하여 검증하는 단계를 포함하여 이루어지는 것을 특징으로 하는 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템.
  9. 제8항에 있어서, 상기 데이터 모델링부(130)는,
    학습 결과값에 대하여 실제값(At)과 모델 학습을 통해 예측된 값(Ft)의 차이를 비율에러방식으로 비교하여 학습 결과를 검증하는 평균절대비율오차(MAPE; Mean of Absolute Percentage Errors)를 이용하며,
    평균절대비율오차는,
    Figure 112021073454549-pat00020

    로 정의되는 것을 특징으로 하는 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 제1항에 있어서, 상기 시각화부(150)는,
    상기 시각화정보를 안내문구와 함께 제공하는 것을 특징으로 하는 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템.
KR1020210082948A 2021-06-25 2021-06-25 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템 KR102357236B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210082948A KR102357236B1 (ko) 2021-06-25 2021-06-25 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210082948A KR102357236B1 (ko) 2021-06-25 2021-06-25 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템

Publications (1)

Publication Number Publication Date
KR102357236B1 true KR102357236B1 (ko) 2022-02-08

Family

ID=80252844

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210082948A KR102357236B1 (ko) 2021-06-25 2021-06-25 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템

Country Status (1)

Country Link
KR (1) KR102357236B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102579542B1 (ko) * 2023-06-15 2023-09-18 주식회사 이투온 군중 밀집도 기반의 위험 지역 자동 알림 시스템
KR20230138795A (ko) 2022-03-24 2023-10-05 문수찬 백신접종을 고려한 합리적 사회적 거리두기 관리방법
CN116913547A (zh) * 2023-09-15 2023-10-20 厦门畅享信息技术有限公司 基于惩戒莫兰指数的流感监测方法、装置、介质及设备
CN117151344A (zh) * 2023-10-26 2023-12-01 乘木科技(珠海)有限公司 一种数字孪生城市人口管理方法
CN117290200A (zh) * 2023-11-23 2023-12-26 奇点数联(北京)科技有限公司 一种异常程度分析系统
CN117649737A (zh) * 2024-01-30 2024-03-05 云南电投绿能科技有限公司 一种园区的设备监控方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101733652B1 (ko) 2016-11-25 2017-05-11 에쓰오씨소프트(주) 빅데이터를 활용한 감염병의 지역별 위험도 예측 기반의 예방활동 지원을 위한 방법, 전자 장치 및 시스템
KR101960504B1 (ko) 2017-12-18 2019-07-15 세종대학교산학협력단 전염병 확산 예측 모델링 장치 및 방법
KR102140096B1 (ko) 2019-09-20 2020-07-31 한국과학기술정보연구원 전염병확산예측장치 및 그 동작 방법
KR20210043230A (ko) 2019-10-11 2021-04-21 (주)아레스 감염병 확산 위치 예측 시뮬레이션 장치 및 시스템 및 방법
KR102268157B1 (ko) * 2021-01-05 2021-06-22 주식회사 데이터사이언스랩 감염병에 대한 고위험지역 예측 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101733652B1 (ko) 2016-11-25 2017-05-11 에쓰오씨소프트(주) 빅데이터를 활용한 감염병의 지역별 위험도 예측 기반의 예방활동 지원을 위한 방법, 전자 장치 및 시스템
KR101960504B1 (ko) 2017-12-18 2019-07-15 세종대학교산학협력단 전염병 확산 예측 모델링 장치 및 방법
KR102140096B1 (ko) 2019-09-20 2020-07-31 한국과학기술정보연구원 전염병확산예측장치 및 그 동작 방법
KR20210043230A (ko) 2019-10-11 2021-04-21 (주)아레스 감염병 확산 위치 예측 시뮬레이션 장치 및 시스템 및 방법
KR102268157B1 (ko) * 2021-01-05 2021-06-22 주식회사 데이터사이언스랩 감염병에 대한 고위험지역 예측 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
anjoy,"ML 기초 쌓기",2020.08.16 게재. 구글 검색* *
이미란외 2명."딥러닝 모델 기반의 수두 발생 예측 ".KIEE Vol. 69, No. 1, p.127-137.(2020.01)* *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230138795A (ko) 2022-03-24 2023-10-05 문수찬 백신접종을 고려한 합리적 사회적 거리두기 관리방법
KR102579542B1 (ko) * 2023-06-15 2023-09-18 주식회사 이투온 군중 밀집도 기반의 위험 지역 자동 알림 시스템
CN116913547A (zh) * 2023-09-15 2023-10-20 厦门畅享信息技术有限公司 基于惩戒莫兰指数的流感监测方法、装置、介质及设备
CN116913547B (zh) * 2023-09-15 2024-01-16 厦门畅享信息技术有限公司 基于惩戒莫兰指数的流感监测方法、装置、介质及设备
CN117151344A (zh) * 2023-10-26 2023-12-01 乘木科技(珠海)有限公司 一种数字孪生城市人口管理方法
CN117151344B (zh) * 2023-10-26 2024-02-02 乘木科技(珠海)有限公司 一种数字孪生城市人口管理方法
CN117290200A (zh) * 2023-11-23 2023-12-26 奇点数联(北京)科技有限公司 一种异常程度分析系统
CN117290200B (zh) * 2023-11-23 2024-01-23 奇点数联(北京)科技有限公司 一种异常程度分析系统
CN117649737A (zh) * 2024-01-30 2024-03-05 云南电投绿能科技有限公司 一种园区的设备监控方法、装置、设备及存储介质
CN117649737B (zh) * 2024-01-30 2024-04-30 云南电投绿能科技有限公司 一种园区的设备监控方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
KR102357236B1 (ko) 지역별 유동인구 및 감염병 확진인구에 따른 가용지수 예측시스템
Biba et al. A new method for determining the population with walking access to transit
Parthasarathi et al. Post-construction evaluation of traffic forecast accuracy
Liu et al. Incorporating household gathering and mode decisions in large‐scale no‐notice evacuation modeling
CN113780635A (zh) 一种小空间尺度传染病时空传播模式的预测方法
Shabou et al. MobRISK: a model for assessing the exposure of road users to flash flood events
Dolce et al. Probabilistic assessment of structural operational efficiency in emergency limit conditions: the I. OPà. CLE method
Guth et al. Development of a generic concept to analyze the accessibility of emergency facilities in critical road infrastructure for disaster scenarios: exemplary application for the 2017 wildfires in Chile and Portugal
Serulle et al. The optimal time to evacuate: A behavioral dynamic model on Louisiana resident data
Wang et al. Efficient sample-based approach for effective seismic risk mitigation of transportation networks
Silva-Lopez et al. Commuter welfare-based probabilistic seismic risk assessment of regional road networks
Zamanifar et al. Recovery planning model for roadways network after natural hazards
Gong et al. CARESim: An integrated agent-based simulation environment for crime analysis and risk evaluation (CARE)
Walker Making household microsimulation of travel and activities accessible to planners
Balakrishna Calibration of the demand simulator in a dynamic traffic assignment system
Gu et al. Estimating spatiotemporal contacts between individuals in underground shopping streets based on multi-agent simulation
Ong et al. OpenEMS: an open-source Package for Two-Stage Stochastic and Robust Optimization for Ambulance Location and Routing with Applications to Austin-Travis County EMS Data
Hackl et al. Estimating the risk related to networks: a methodology and an application on a road network
Aboelenen et al. Trip Generation Rates Using Household Surveys in the State of Qatar
Torti et al. Analysing transportation system reliability: the case study of the metro system of Milan
Virtucio et al. A granular framework for modeling the capacity loss and recovery of regional transportation networks under seismic hazards: A case study on the Port of Los Angeles
Doorley et al. Travel demand and traffic prediction with cell phone data: Calibration by mathematical program with equilibrium constraints
Hidayat et al. THE CORRELATION BETWEEN ROAD NETWORK PERFORMANCE AND LAND PRICE: CASE STUDY SALATIGA CITY
Majeed et al. Trip attraction model of selected zones in Baghdad city
Hackl Risk Assessments of Complex Infrastructure Systems Considering Spatial and Temporal Aspects

Legal Events

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