KR102474627B1 - Apparatus and method for detecting location of user using the same - Google Patents

Apparatus and method for detecting location of user using the same Download PDF

Info

Publication number
KR102474627B1
KR102474627B1 KR1020200090551A KR20200090551A KR102474627B1 KR 102474627 B1 KR102474627 B1 KR 102474627B1 KR 1020200090551 A KR1020200090551 A KR 1020200090551A KR 20200090551 A KR20200090551 A KR 20200090551A KR 102474627 B1 KR102474627 B1 KR 102474627B1
Authority
KR
South Korea
Prior art keywords
data
gps signal
gps
user
signal data
Prior art date
Application number
KR1020200090551A
Other languages
Korean (ko)
Other versions
KR20220011520A (en
Inventor
장영민
반부이
Original Assignee
국민대학교산학협력단
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 국민대학교산학협력단 filed Critical 국민대학교산학협력단
Priority to KR1020200090551A priority Critical patent/KR102474627B1/en
Publication of KR20220011520A publication Critical patent/KR20220011520A/en
Application granted granted Critical
Publication of KR102474627B1 publication Critical patent/KR102474627B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
    • G01S2205/02—Indoor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Navigation (AREA)

Abstract

사용자 위치 탐지 장치 및 방법이 개시된다. 상기 사용자 위치 탐지 장치 및 방법은 중복되는 특정 강도의 신호 값을 갖는 초기 GPS 신호 데이터를 분류하여 사용자의 위치가 실내(Indoor)인지 또는 실외(Outdoor)인지를 판단하는 기계학습 모델의 입력 데이터로 사용하여 고정밀한 기계학습 모델을 제공함으로써, 사용자의 고정확한 위치 탐지가 가능한 고신뢰성의 사용자 위치 탐지 장치 및 방법을 제공할 수 있다.A user location detection device and method are disclosed. The apparatus and method for detecting the user's location are used as input data for a machine learning model that determines whether the user's location is indoors or outdoors by classifying initial GPS signal data having overlapping signal values of specific intensity. By providing a high-precision machine learning model by doing so, it is possible to provide a highly reliable user location detection device and method capable of accurately detecting the user's location.

Description

사용자 위치 탐지 장치 및 방법{APPARATUS AND METHOD FOR DETECTING LOCATION OF USER USING THE SAME}Apparatus and method for detecting user location {APPARATUS AND METHOD FOR DETECTING LOCATION OF USER USING THE SAME}

본 발명은 GPS 센서에 기반한 사용자 위치 탐지 장치 및 방법에 관한 것으로, 사용자의 위치가 실내(Indoor)인지 혹은 실외(Outdoor)인지의 여부를 판단하는 위치 탐지 장치 및 방법에 관한 것이다.The present invention relates to a user location detection device and method based on a GPS sensor, and relates to a location detection device and method for determining whether a user's location is indoors or outdoors.

오늘날 제공되는 위치 기반 서비스의 위치 정보는 대부분 글로벌 항법 위성 시스템(Global Positioning System, 이하 GPS) 정보에 기반하고 있다. Location information of location-based services provided today is mostly based on Global Positioning System (GPS) information.

GPS 정보는 지구 주변을 돌고 있는 32개 중 31개의 GPS 위성으로부터 송신되는 신호를 지구상에 위치한 GPS 수신기가 획득하는 정보로, GPS 위성을 추적하기 위한 거리 변화율을 측정한 정보이다.GPS information is information that a GPS receiver located on the earth acquires signals transmitted from 31 of 32 GPS satellites orbiting the earth, and is information obtained by measuring a rate of change in distance for tracking the GPS satellites.

종래에는 모바일 기기 등에 포함된 GPS 센서를 이용하여 GPS 신호를 수신함으로써, 사용자의 실시간 정보에 기반한 긴급 구조 서비스, 지도 검색 서비스 등 실외 환경 정보를 적용한 다양한 애플리케이션 서비스가 제공되고 있다.Conventionally, by receiving a GPS signal using a GPS sensor included in a mobile device, etc., various application services to which outdoor environment information is applied, such as an emergency rescue service based on real-time information of a user and a map search service, are provided.

또한, 이동 통신을 비롯한 ICT 기술의 확산으로 인해, 실외(Outdoor) 공간에서 이루어지던 다양한 활동들이 실내(Indoor) 환경에서도 이루어지고 있어, 최근에는 모바일 기기를 통해 사용자의 실내 또는 실외 위치 여부를 판정하는 I/O(Indoor/Outdoor) 탐지 기술이 주목받고 있다. In addition, due to the spread of ICT technology including mobile communication, various activities that used to be performed in outdoor spaces are also performed in indoor environments. I/O (Indoor/Outdoor) detection technology is attracting attention.

I/O(Indoor/Outdoor) 탐지 기술은 사용자의 위치 기반 서비스뿐 만 아니라, 실외 환경에서 잘 동작하는 GPS 기능을 해제하여 에너지를 절약하거나 Wi-Fi로 통신 모드를 전환하고, 모바일 장치의 볼륨을 조정하거나, 화면의 밝기를 조정하는 등 최적화된 모바일 네트워크 리소스 환경을 제공하기 위한 서비스에도 적용이 가능한 장점이 있다. I/O (Indoor/Outdoor) detection technology not only uses location-based services for users, but also disables the GPS function that works well in outdoor environments to save energy, switch communication mode to Wi-Fi, and adjust the volume of mobile devices. There is an advantage that can be applied to a service for providing an optimized mobile network resource environment, such as adjusting or adjusting screen brightness.

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 고정확, 고정밀 및 고신뢰성의 사용자의 위치를 탐지하기 위한 모델 학습 방법을 제공하는 데 있다.An object of the present invention to solve the above problems is to provide a model learning method for detecting a user's location with high accuracy, high accuracy and high reliability.

또한, 상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 고정확, 고정밀 및 고신뢰성의 사용자의 위치를 탐지하기 위한 모델 학습 장치를 제공하는 데 있다.In addition, another object of the present invention for solving the above problems is to provide a model learning device for detecting a user's location with high accuracy, high accuracy and high reliability.

또한, 상기와 같은 문제점을 해결하기 위한 본 발명의 또다른 목적은 고정확, 고정밀 및 고신뢰성의 사용자 위치 탐지 장치를 제공하는 데 있다.In addition, another object of the present invention for solving the above problems is to provide a user location detection device with high accuracy, high accuracy and high reliability.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 사용자의 위치를 탐지하기 위한 모델 학습 방법은, 적어도 하나의 GPS 신호 데이터를 수집하는 단계, 상기 GPS 신호 데이터 중 특정 강도의 GPS 신호 크기를 갖는 적어도 하나의 입력 데이터를 추출하는 단계, 상기 입력 데이터 중 학습 데이터를 이용하여 사용자의 위치가 실내(Indoor)인지 실외(Outdoor)인지 여부를 판단하기 위한 기계학습 모델을 생성하는 단계 및 상기 입력 데이터 중 검증 데이터를 이용하여 상기 기계학습 모델을 검증하는 단계를 포함한다.In order to achieve the above object, a model learning method for detecting a user's location according to an embodiment of the present invention includes collecting at least one GPS signal data, having a GPS signal size of a specific strength among the GPS signal data. Extracting at least one input data; generating a machine learning model for determining whether the user's location is indoors or outdoors using learning data among the input data; and and verifying the machine learning model using verification data.

여기서, 상기 초기 GPS 신호 데이터는 GPS 센서에 의해 수집될 수 있다.Here, the initial GPS signal data may be collected by a GPS sensor.

또한, 상기 기계학습 모델은 로지스틱 회귀분석(Logistic regression) 모델을 이용하여 생성할 수 있다.In addition, the machine learning model may be generated using a logistic regression model.

상기 입력 데이터는 특정 개수의 데이터들로 구성된 데이터 셋(data set)으로 구성되고, 상기 특정 개수는 특정 지점에서 수신 가능한 GPS 위성의 수신 신호의 개수에 대응될 수 있다.The input data is composed of a data set composed of a specific number of data, and the specific number may correspond to the number of received signals of GPS satellites that can be received at a specific point.

상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 사용자의 위치를 탐지하기 위한 모델 학습 장치는, 메모리(memory) 및 상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되, 상기 적어도 하나의 명령은, 적어도 하나의 GPS 신호 데이터를 수집하도록 하는 명령, 상기 GPS 신호 데이터 중 특정 강도의 GPS 신호 크기를 갖는 적어도 하나의 입력 데이터를 추출하도록 하는 명령, 상기 입력 데이터 중 학습 데이터를 이용하여 사용자의 위치가 실내(Indoor)인지 실외(Outdoor)인지 여부를 판단하기 위한 기계학습 모델을 생성하도록 하는 명령, 및 상기 입력 데이터 중 검증 데이터를 이용하여 상기 기계학습 모델을 검증하도록 하는 명령을 포함한다.A model learning apparatus for detecting a user's location according to another embodiment of the present invention for achieving the above object includes a memory and a processor executing at least one command stored in the memory, The at least one command may include a command to collect at least one piece of GPS signal data, a command to extract at least one piece of input data having a specific strength of the GPS signal from among the GPS signal data, and a command to extract learning data from the input data. A command to generate a machine learning model for determining whether the user's location is indoors or outdoors by using a command, and a command to verify the machine learning model using verification data among the input data include

여기서, 상기 초기 GPS 신호 데이터는 GPS 센서에 의해 수집될 수 있다.Here, the initial GPS signal data may be collected by a GPS sensor.

또한, 상기 기계학습 모델은 로지스틱 회귀분석(Logistic regression) 모델을 이용하여 생성할 수 있다.In addition, the machine learning model may be generated using a logistic regression model.

상기 입력 데이터는, 특정 개수의 데이터들로 구성된 데이터 셋(data set)으로 구성되고, 상기 특정 개수는 특정 지점에서 수신 가능한 GPS 위성의 수신 신호의 개수에 대응될 수 있다.The input data is composed of a data set composed of a specific number of data, and the specific number may correspond to the number of received signals of GPS satellites that can be received at a specific point.

상기 목적을 달성하기 위한 본 발명의 또다른 실시예에 따른 사용자 위치 탐지 장치는, 메모리(memory) 및 상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되, 상기 적어도 하나의 명령은, 사용자의 위치가 실내(Indoor)인지 또는 실외(Outdoor)인지를 판단하는 기계학습 모델을 학습하도록 하는 명령 및 GPS 센서로부터 수집한 사용자 위치 데이터를 상기 기계학습 모델에 적용하여 사용자의 위치를 판단하도록 하는 명령을 포함하고, 상기 기계학습 모델을 학습하도록 하는 명령은, 적어도 하나의 초기 GPS 신호 데이터를 수집하도록 하는 명령, 상기 초기 GPS 신호 데이터를 특정 강도의 GPS 신호 세기를 기준으로 분류하여 적어도 하나의 입력 데이터를 추출하도록 하는 명령, 상기 입력 데이터 중 학습 데이터를 이용하여 사용자의 위치가 실내(Indoor)인지 실외(Outdoor)인지 여부를 판단하기 위한 기계학습 모델을 생성하도록 하는 명령 및 상기 입력 데이터 중 검증 데이터를 이용하여 상기 기계학습 모델을 검증하도록 하는 명령을 포함한다. An apparatus for detecting a user's location according to another embodiment of the present invention for achieving the above object includes a memory and a processor executing at least one command stored in the memory, wherein the at least one command Determining the user's location by applying the command to learn the machine learning model that determines whether the user's location is indoors or outdoors and the user's location data collected from the GPS sensor to the machine learning model The instruction for learning the machine learning model includes a command for collecting at least one piece of initial GPS signal data, classifying the initial GPS signal data based on a GPS signal strength of a specific strength, and A command to extract the input data of the input data, a command to generate a machine learning model for determining whether the user's location is indoors or outdoors using learning data among the input data, and among the input data and a command for verifying the machine learning model using verification data.

이때, 상기 사용자 위치 데이터는 상기 GPS 센서로부터 실시간으로 측정되는 GPS 신호 데이터일 수 있다.In this case, the user location data may be GPS signal data measured in real time from the GPS sensor.

또한, 상기 기계학습 모델은, 로지스틱 회귀분석(Logistic regression) 모델을 이용하여 생성할 수 있다.In addition, the machine learning model may be generated using a logistic regression model.

상기 입력 데이터는, 특정 개수의 데이터들로 구성된 데이터 셋(data set)으로 구성되고, 상기 특정 개수는 특정 지점에서 수신 가능한 GPS 위성의 수신 신호의 개수에 대응될 수 있다.The input data is composed of a data set composed of a specific number of data, and the specific number may correspond to the number of received signals of GPS satellites that can be received at a specific point.

본 발명의 실시예 및 실험예에 따른 사용자 위치 탐지 장치 및 방법은 중복되는 특정 강도의 신호 값을 갖는 초기 GPS 신호 데이터를 분류하여 사용자의 위치가 실내(Indoor)인지 또는 실외(Outdoor)인지를 판단하는 기계학습 모델의 입력 데이터로 사용하여 고정밀한 기계학습 모델을 제공함으로써, 사용자의 고정확한 위치 탐지가 가능한 고신뢰성의 사용자 위치 탐지 장치 및 방법을 제공할 수 있다.An apparatus and method for detecting a user's location according to embodiments and experimental examples of the present invention classify initial GPS signal data having overlapping signal values of specific intensity to determine whether a user's location is indoors or outdoors. It is possible to provide a high-reliability user location detection device and method capable of accurately detecting the user's location by providing a high-precision machine learning model by using it as input data of a machine learning model.

도 1은 본 발명의 실시예에 따른 사용자 위치 탐지 장치를 설명하기 위한 이미지이다.
도 2는 본 발명의 실시예에 따른 사용자 위치 탐지 장치의 블록 구성도이다.
도 3은 본 발명의 실시예에 따른 사용자 위치 탐지 장치를 이용한 사용자 위치 탐지 방법의 순서도이다.
도 4는 본 발명의 실시예에 따른 위치 탐지 방법 중 입력 데이터를 추출하는 단계를 설명하기 위한 순서도이다.1 is an image for explaining a user location detection device according to an embodiment of the present invention.
2 is a block diagram of a user location detection device according to an embodiment of the present invention.
3 is a flowchart of a user location detection method using a user location detection device according to an embodiment of the present invention.
4 is a flowchart illustrating a step of extracting input data in a location detection method according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. Like reference numerals have been used for like elements throughout the description of each figure.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다. Terms such as first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention. The term “and/or” includes any combination of a plurality of related listed items or any of a plurality of related listed items.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. It is understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle. It should be. On the other hand, when an element is referred to as “directly connected” or “directly connected” to another element, it should be understood that no other element exists in the middle.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in this application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, the terms "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present application, they should not be interpreted in an ideal or excessively formal meaning. don't

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. Hereinafter, with reference to the accompanying drawings, preferred embodiments of the present invention will be described in more detail. In order to facilitate overall understanding in the description of the present invention, the same reference numerals are used for the same components in the drawings, and redundant descriptions of the same components are omitted.

도 1은 본 발명의 실시예에 따른 사용자 위치 탐지 장치를 설명하기 위한 이미지이다. 1 is an image for explaining a user location detection device according to an embodiment of the present invention.

도 1을 참조하면, 사용자 위치 탐색 장치(1000)는 GPS 신호에 기반하여 사용자의 위치를 판단하기 위한 기계학습 모델을 생성할 수 있다. 이에 따라, 사용자 위치 탐지 장치(1000)는 생성 및 학습된 상기 기계학습 모델을 이용하여, 사용자의 위치가 실내인지 또는 실외인지의 여부를 판단할 수 있다.Referring to FIG. 1 , an apparatus 1000 for locating a user location may generate a machine learning model for determining a location of a user based on a GPS signal. Accordingly, the user location detection device 1000 may determine whether the user's location is indoors or outdoors by using the generated and learned machine learning model.

예를 들어, 사용자 위치 탐지 장치(1000)는 GPS 센서를 포함하는 마이크로 컨트롤러 유닛(Micro Controller Unit) 또는 휴대용 단말(Potable Device) 등으로 제공될 수 있다. 실시예에 따르면, 사용자 위치 탐지 장치(1000)는, 사용자의 위치가 실내인지 또는 실외인지를 판단하는, 어플리케이션 서비스를 제공하는 스마트 폰(Smart phone) 형태로 제공될 수 있다.For example, the user location detection device 1000 may be provided as a micro controller unit including a GPS sensor or a portable device. According to an embodiment, the user location detection device 1000 may be provided in the form of a smart phone that provides an application service that determines whether the user's location is indoors or outdoors.

사용자 위치 탐색 장치(1000)에 대해서는 하기 도 2를 참조하여 구성별로 보다 자세히 설명하겠다.The user location search device 1000 will be described in more detail for each configuration with reference to FIG. 2 below.

도 2는 본 발명의 실시예에 따른 사용자 위치 탐지 장치의 블록 구성도이다.2 is a block diagram of a user location detection device according to an embodiment of the present invention.

도 2를 참조하면, 사용자 위치 탐색 장치(1000)는 적어도 하나의 명령을 저장하는 메모리(100) 및 상기 메모리의 적어도 하나의 명령을 실행하는 프로세서(200)를 포함할 수 있다.Referring to FIG. 2 , an apparatus 1000 for locating a user's location may include a memory 100 storing at least one command and a processor 200 executing at least one command of the memory.

그리고, 사용자 위치 탐색 장치(1000)는 적어도 하나의 GPS 위성으로부터 GPS 신호를 수신하기 위한 GPS 센서(300), 상기 프로세서(200)를 통해 실행되는 네트워크와 연결되어 통신을 수행하는 송수신 장치(400), 입력 인터페이스 장치(500), 출력 인터페이스 장치(600) 및 저장 장치(700) 등을 더 포함할 수 있다. 여기서, 사용자 위치 탐색 장치(1000)에 포함된 각각의 구성 요소들(100, 200, 300, 400, 500, 600, 700)은 버스(bus, 800)에 의해 연결되어 서로 통신을 수행할 수 있다. In addition, the user location search device 1000 includes a GPS sensor 300 for receiving a GPS signal from at least one GPS satellite and a transceiver device 400 connected to a network executed through the processor 200 to perform communication , an input interface device 500, an output interface device 600, and a storage device 700. Here, each of the components 100, 200, 300, 400, 500, 600, and 700 included in the user location search device 1000 are connected by a bus 800 to communicate with each other. .

사용자 위치 탐색 장치(1000) 내 메모리(100) 및 저장 장치(600)는 각각 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다.The memory 100 and the storage device 600 in the user location search device 1000 may each be configured with at least one of a volatile storage medium and a non-volatile storage medium.

예를 들어, 메모리(100)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.For example, the memory 100 may include at least one of a read only memory (ROM) and a random access memory (RAM).

메모리(100)는 사용자의 위치가 실내인지 또는 실외인지를 판단하는 기계학습 모델을 실행하기 위한 적어도 하나의 프로그램 명령(program command)을 포함할 수 있다. 여기서, 기계학습 모델은 사전 훈련된 학습 모델일 수 있다. 기계학습 모델에 대해서는 하기에서 보다 자세히 설명하겠다.The memory 100 may include at least one program command for executing a machine learning model for determining whether a user's location is indoors or outdoors. Here, the machine learning model may be a pre-trained learning model. The machine learning model will be described in more detail below.

프로세서(200)는 메모리(100)에 저장된 상기 적어도 하나의 프로그램 명령을 실행할 수 있다.The processor 200 may execute the at least one program command stored in the memory 100 .

보다 구체적으로 설명하면, 상기 적어도 하나의 프로그램 명령은, 사용자의 위치가 실내(Indoor)인지 또는 실외(Outdoor)인지를 판단하는 기계학습 모델을 학습하도록 하는 명령 및 GPS 센서로부터 수집한 사용자 위치 데이터를 상기 기계학습 모델에 적용하여 사용자의 위치를 판단하도록 하는 명령을 포함할 수 있다.More specifically, the at least one program command includes a command to learn a machine learning model for determining whether the user's location is indoors or outdoors, and user location data collected from a GPS sensor. It may include a command to determine the location of the user by applying the machine learning model.

프로세서(200)는 메모리(100) 및 저장 장치(600) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 실시예에 따르면, 프로세서(200)는 메모리(100) 내 적어도 하나의 명령을 수행할 수 있다.The processor 200 may execute a program command stored in at least one of the memory 100 and the storage device 600 . According to an embodiment, the processor 200 may execute at least one instruction in the memory 100 .

상기 적어도 하나의 프로그램 명령을 수행하는 프로세서(200)의 동작은 후술될 본 발명의 실시예에 따른 사용자 위치 탐지 장치를 이용한 사용자의 위치 탐지 방법의 설명 시 보다 자세히 설명하겠다.The operation of the processor 200 executing the at least one program command will be described in more detail when a method for detecting a user's location using a device for detecting a user's location according to an embodiment of the present invention will be described later.

도 3은 본 발명의 실시예에 따른 사용자 위치 탐지 장치를 이용한 사용자 위치 탐지 방법의 순서도이다.3 is a flowchart of a user location detection method using a user location detection device according to an embodiment of the present invention.

도 3을 참조하면, 사용자 위치 탐지 장치(1000) 내 프로세서(200)는 GPS 센서(300)를 실행하여 적어도 하나의 GPS 신호 데이터를 수집할 수 있다(S1000).Referring to FIG. 3 , the processor 200 in the user location detection device 1000 may collect at least one GPS signal data by executing the GPS sensor 300 (S1000).

이후, 프로세서(200)는 사전 학습된 기계학습 모델에 수집된 적어도 하나의 GPS 신호 데이터를 입력하여, 사용자의 위치가 실내인지 또는 실외인지의 여부를 판단할 수 있다(S5000). 다시 말하면, 기계학습 모델은 GPS 센서(300)로부터 수신된 GPS 신호 데이터를 입력하면, 사용자의 위치가 실내(Indoor)인지 또는 실외(Outdoor)인지를 판단하여 출력할 수 있다.Then, the processor 200 may determine whether the user's location is indoors or outdoors by inputting at least one piece of GPS signal data collected to the pre-learned machine learning model (S5000). In other words, when the GPS signal data received from the GPS sensor 300 is input, the machine learning model may determine and output whether the user's location is indoors or outdoors.

실시예에 따르면, 프로세서(200)는 기계학습 모델을 생성하여 사전에 학습시킬 수 있다. 다시 말해, 기계학습 모델의 학습은 프로세서(200)에 의해 사용자 위치 탐지 장치의 초기 실행 시 한 번 수행될 수 있다. According to an embodiment, the processor 200 may create a machine learning model and train it in advance. In other words, learning of the machine learning model may be performed once by the processor 200 when the user location detection device is initially executed.

이때, 프로세서(200)는 기계학습 모델의 훈련을 위해, 적어도 하나의 GPS 신호 데이터 중 입력 데이터를 추출하여 훈련 데이터로 이용할 수 있다.At this time, the processor 200 may extract input data from among at least one GPS signal data and use it as training data for training of the machine learning model.

하기 도 4에서는 기계학습 모델의 훈련을 위한 입력 데이터를 추출하는 방법에 대해 보다 구체적으로 설명하겠다.In FIG. 4 below, a method of extracting input data for training of a machine learning model will be described in more detail.

도 4는 본 발명의 실시예에 따른 기계학습 모델의 훈련을 위한 입력 데이터를 추출하는 방법을 설명하기 위한 순서도이다.4 is a flowchart illustrating a method of extracting input data for training of a machine learning model according to an embodiment of the present invention.

도 4를 참조하면, 프로세서(200)는 제1 인자(i) 및 제2 인자(j)를 초기화 할 수 있다(S1310). 다시 말하면, 프로세서(200)는 제1 인자(i) 및 제2 인자(j)에 0값을 적용할 수 있다. Referring to FIG. 4 , the processor 200 may initialize the first factor (i) and the second factor (j) (S1310). In other words, the processor 200 may apply a value of 0 to the first factor (i) and the second factor (j).

이때, 제1 인자(i)는 입력 데이터의 데이터 셋(data set)의 개수를 확인하기 위한 카운팅 정보이며, 제2 인자(j)는 데이터 셋(data set)을 구성하는 GPS 신호 데이터의 개수를 확인하기 위한 카운팅 정보일 수 있다.At this time, the first factor (i) is counting information for checking the number of data sets of the input data, and the second factor (j) is the number of GPS signal data constituting the data set It may be counting information for confirmation.

프로세서(200)는 적어도 하나의 GPS 신호 데이터를 대상으로 특정 강도의 신호 크기를 갖는 데이터(Xij)를 갖는 데이터가 있는지의 여부를 확인할 수 있다(S1330). 여기서, 특정 강도의 신호 크기는 지구 궤도(Earth’s orbit)에 위치한 GPS 위성의 수신 신호 정보를 사전 설정될 수 있다.The processor 200 may check whether there is data having data (X ij ) having a signal size of a specific intensity targeting at least one piece of GPS signal data (S1330). Here, the signal strength of a specific intensity may be preset for received signal information of GPS satellites located in Earth's orbit.

일 실시예에 따라 특정 강도의 신호 크기(Xij)를 갖는 GPS 신호 데이터가 없을 경우, 프로세서(200)는 상기 특정 강도의 신호 크기를 0으로 적용할 수 있다(S1331). According to an embodiment, when there is no GPS signal data having a signal level (X ij ) of a specific strength, the processor 200 may apply the signal level of the specific strength as 0 (S1331).

다른 실시예에 따라 특정 강도의 신호 크기(Xij)를 갖는 GPS 신호 데이터가 있을 경우, 프로세서(200)는 제2 인자(j) 값을 확인할 수 있다. According to another embodiment, if there is GPS signal data having a signal magnitude (X ij ) of a specific strength, the processor 200 may check the value of the second factor (j).

앞서 설명한 바와 같이, 제2 인자(j)는 데이터 셋(data set)에 포함된 GPS 신호 데이터의 개수일 수 있다.As described above, the second factor (j) may be the number of GPS signal data included in the data set.

프로세서(200)는 제2 인자(j) 값과 사전 설정된 한계값을 비교하여, 제2 인자(j)가 한계값 미만일 경우 해당 GPS 신호 데이터를 데이터 셋(data set)에 포함시킬 수 있다(S1350). The processor 200 compares the value of the second factor (j) with a preset threshold value, and when the second factor (j) is less than the threshold value, the corresponding GPS signal data may be included in the data set (S1350 ).

실시예에 따르면, 사전 설정된 한계값은 사용자가 어느 한 지점에 위치할 경우 수신할 수 있는 GPS 신호의 개수 정보로 설정할 수 있다. 예를 들어, 한계값은 9로 설정될 수 있다.According to an embodiment, the preset limit value may be set as information on the number of GPS signals that can be received when the user is located at a certain point. For example, the threshold may be set to 9.

일 실시예에 따라 제2 인자(j) 값이 사전 설정된 한계값(도 4의 9) 대비 미만일 경우, 프로세서(200)는 제2 인자(j) 값을 카운팅할 수 있다. According to an embodiment, when the value of the second factor j is less than a preset threshold value (9 in FIG. 4 ), the processor 200 may count the value of the second factor j.

다시 말하면, 프로세서(200)는 특정 강도의 신호 크기를 갖는 GPS 신호 데이터의 개수가 9개 미만일 경우, 제2 인자(j) 값을 1만큼 증가(j←j+1)시킬 수 있다(S1351). In other words, if the number of GPS signal data having a signal strength of a specific intensity is less than 9, the processor 200 may increase the value of the second factor (j) by 1 (j←j+1) (S1351). .

이후, 프로세서(200)는 다시 S1350 단계로 돌아가, 특정 강도의 신호 크기를 갖는 적어도 하나의 GPS 신호 데이터를 수집할 수 있다.Thereafter, the processor 200 may return to step S1350 to collect at least one piece of GPS signal data having a signal size of a specific strength.

한편, 다른 실시예에 따라, 제2 인자(j) 값이 사전 설정된 한계값 대비 이상일 경우, 프로세서(200)는 특정 강도의 신호 크기(Xij) 정보를 입력 데이터에 저장하지 않고, 저장되어 있는 입력 데이터들을 크기별로 정렬할 수 있다(S1355). 예를 들어, 프로세서(200)는 입력 데이터들을 내림차순으로 정렬할 수 있다.On the other hand, according to another embodiment, when the value of the second factor (j) is greater than or equal to a preset threshold value, the processor 200 does not store the signal magnitude (X ij ) information of a specific intensity in the input data, and the stored Input data may be sorted by size (S1355). For example, the processor 200 may sort input data in descending order.

이후, 프로세서(200)는 제1 인자(i) 값을 카운팅(i←i+1)하고, 제2 인자(j)를 초기화(j←0)할 수 있다(S1370). Thereafter, the processor 200 may count (i←i+1) the value of the first factor (i) and initialize (j←0) the second factor (j) (S1370).

프로세서(200)는 제1 인자(i)의 값을 확인할 수 있다. 다시 말하면, 프로세서(200)는 입력 데이터의 데이터 셋(data set)의 개수를 확인할 수 있다. The processor 200 may check the value of the first factor (i). In other words, the processor 200 may check the number of data sets of input data.

이때, 상기 데이터 셋(data set)의 개수가 사전 설정된 값(도 4의 1000) 대비 미만일 경우(S1390), S1330 단계로 돌아가 일련의 단계를 반복적으로 수행할 수 있다.At this time, when the number of data sets is less than the preset value (1000 in FIG. 4) (S1390), a series of steps may be repeatedly performed by returning to step S1330.

본 발명의 실시예에 따른 사용자 위치 탐지 방법은 중복되는 특정 강도의 신호 값을 갖는 GPS 신호 데이터를 분류하여 기계학습 모델의 입력 데이터로 적용함으로써, 실내(Indoor) 또는 실외(Outdoor)로의 사용자의 위치 파악에 있어서, 노이즈(noise) 데이터가 감소되어 고정밀한 위치 탐지가 가능한 고신뢰성의 사용자 위치 탐지 방법을 제공할 수 있다.A user location detection method according to an embodiment of the present invention classifies GPS signal data having overlapping signal values of specific strength and applies them as input data of a machine learning model, whereby the user's location indoors or outdoors. In the identification, it is possible to provide a highly reliable user location detection method capable of high-precision location detection by reducing noise data.

다시 도 3을 참조하면, 프로세서(200)는 추출된 적어도 하나의 입력 데이터를 바탕으로 기계학습 모델을 생성할 수 있다(S1500).Referring back to FIG. 3 , the processor 200 may generate a machine learning model based on at least one extracted input data (S1500).

보다 구체적으로 설명하면, 프로세서(200)는 추출된 적어도 하나의 입력 데이터 중 일부를 학습 데이터로 분류하여, 기계학습을 통해 학습 모델을 생성할 수 있다. More specifically, the processor 200 may generate a learning model through machine learning by classifying some of the extracted at least one input data as learning data.

실시예에 따르면, 프로세서(200)는 로지스틱 회귀분석(Logistic regression) 모델에 특정 강도의 신호 값을 갖는 초기 GPS 신호 데이터인 입력 데이터를 입력하여, 사용자의 위치가 실내(Indoor)인지 또는 실외인지(Outdoor)의 여부를 판단하는 기계학습 모델을 생성할 수 있다. According to the embodiment, the processor 200 inputs input data, which is initial GPS signal data having a signal value of a specific intensity, to a logistic regression model to determine whether the user's location is indoors or outdoors ( Outdoor) can be created.

이후, 프로세서(200)는 추출된 적어도 하나의 입력 데이터를 바탕으로, 생성된 기계학습 모델을 검증할 수 있다(S1700).Thereafter, the processor 200 may verify the generated machine learning model based on at least one extracted input data (S1700).

보다 구체적으로 설명하면, 프로세서(200)는 추출된 적어도 하나의 입력 데이터 중 일부 분류된 검증 데이터를 기계학습 모델에 입력하여, 기계학습 모델을 검증할 수 있다. More specifically, the processor 200 may verify the machine learning model by inputting partially classified verification data from among at least one extracted input data to the machine learning model.

프로세서(200)는 학습된 기계학습 모델에 GPS 센서로부터 실시간으로 수집한 사용자 위치 데이터를 입력값으로 적용할 수 있다(S3000). The processor 200 may apply the user location data collected in real time from the GPS sensor as an input value to the learned machine learning model (S3000).

이에 따라, 프로세서(200)는 사용자의 위치를 판단할 수 있다(S5000). Accordingly, the processor 200 may determine the user's location (S5000).

다시 말하면, 프로세서(200)는 검증된 기계학습 모델에 GPS 센서로부터 수집되어 csv 파일로 저장된 사용자 위치 데이터를 입력값으로 적용하여, 사용자의 위치가 실내(Indoor)인지 또는 실외인지(Outdoor)를 실시간으로 판단할 수 있다.In other words, the processor 200 applies the user location data collected from the GPS sensor and stored as a csv file to the verified machine learning model as an input value to determine whether the user's location is indoors (Indoor) or outdoors (Outdoor) in real time. can be judged by

하기에서는 본 발명의 실험예에 따른 사용자의 위치 탐지 방법을 설명하겠다.In the following, a method for detecting a user's location according to an experimental example of the present invention will be described.

본 발명의 실험예에 따른 사용자의 위치 탐지 방법User location detection method according to an experimental example of the present invention

GPS 센서를 이용하여 2019.05.02부터 2019.05.23까지 3주간 초기 GPS 신호 데이터들을 수집하였다. 이때, 초기 GPS 신호 데이터는 각각 10㎢ 내에 위치한 서로 다른 장소에서 수집하였다. 서로 다른 장소는 실내(Indoor) 장소인 건물, 레스토랑 및 지하철과 실외(Outdoor) 장소인 언덕, 공원 등지에서 수집하였다.Initial GPS signal data were collected for 3 weeks from 2019.05.02 to 2019.05.23 using the GPS sensor. At this time, the initial GPS signal data was collected from different locations located within 10 km2. Different locations were collected from indoor locations such as buildings, restaurants, and subways, and outdoor locations such as hills and parks.

사용자 위치 탐지 장치의 프로세서의 명령에 따라, 수집된 초기 GPS 신호 데이터들의 전처리를 진행하여 하기 [표 1]에서와 같이 특정 형식의 입력 데이터의 데이터 셋(data set)을 획득하였다.According to the command of the processor of the user location detection device, pre-processing of the collected initial GPS signal data was performed to obtain a data set of input data of a specific format as shown in Table 1 below.

Figure 112020076162974-pat00001
Figure 112020076162974-pat00001

이후, 로지스틱 회귀분석 모델을 이용하여 학습 모델을 생성 및 훈련하였다.Then, a learning model was created and trained using a logistic regression model.

이때, 학습 데이터로는 실내(indoor) 및 실외(outdoor)에서 측정된 초기 GPS 신호 데이터를 기초로 하는 876개의 입력 데이터를 사용하였고, 검증 데이터로는 학습 데이터와 동일하게 실내(indoor) 및 실외(outdoor)에서 측정된 초기 GPS 신호 데이터를 기초로 하는 150개의 입력 데이터를 사용하였다.At this time, as the learning data, 876 pieces of input data based on the initial GPS signal data measured indoors and outdoors were used, and as the verification data, indoor and outdoor ( 150 input data based on the initial GPS signal data measured outdoors) were used.

본 발명의 실험예에 따른 사용자의 위치 탐색 결과, 사용자 위치 탐색의 정확도가 향상됨을 확인하였다. As a result of searching for the user's location according to the experimental example of the present invention, it was confirmed that the accuracy of searching for the user's location was improved.

이상, 본 발명의 실시예 및 실험예에 따른 사용자 위치 탐지 장치 및 방법을 설명하였다.In the above, the user location detection device and method according to the embodiments and experimental examples of the present invention have been described.

본 발명의 실시예 및 실험예에 따른 사용자 위치 탐지 장치 및 방법은 중복되는 특정 강도의 신호 값을 갖는 초기 GPS 신호 데이터를 분류하여 사용자의 위치가 실내(Indoor)인지 또는 실외(Outdoor)인지를 판단하는 기계학습 모델의 입력 데이터로 사용하여 고정밀한 기계학습 모델을 제공함으로써, 사용자의 고정확한 위치 탐지가 가능한 고신뢰성의 사용자 위치 탐지 장치 및 방법을 제공할 수 있다.An apparatus and method for detecting a user's location according to embodiments and experimental examples of the present invention classify initial GPS signal data having overlapping signal values of specific intensity to determine whether a user's location is indoors or outdoors. It is possible to provide a high-reliability user location detection device and method capable of accurately detecting the user's location by providing a high-precision machine learning model by using it as input data of a machine learning model.

본 발명의 실시예들에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.The operation of the method according to the embodiments of the present invention can be implemented as a computer readable program or code on a computer readable recording medium. A computer-readable recording medium includes all types of recording devices in which data that can be read by a computer system is stored. In addition, computer-readable recording media may be distributed to computer systems connected through a network to store and execute computer-readable programs or codes in a distributed manner.

또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.In addition, the computer-readable recording medium may include hardware devices specially configured to store and execute program instructions, such as ROM, RAM, and flash memory. The program command may include high-level language codes that can be executed by a computer using an interpreter or the like as well as machine code generated by a compiler.

본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다. Although some aspects of the present invention have been described in the context of an apparatus, it may also represent a description according to a corresponding method, where a block or apparatus corresponds to a method step or feature of a method step. Similarly, aspects described in the context of a method may also be represented by a corresponding block or item or a corresponding feature of a device. Some or all of the method steps may be performed by (or using) a hardware device such as, for example, a microprocessor, programmable computer, or electronic circuitry. In some embodiments, one or more of the most important method steps may be performed by such an apparatus.

실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.In embodiments, a programmable logic device (eg, a field programmable gate array) may be used to perform some or all of the functions of the methods described herein. In embodiments, a field programmable gate array may operate in conjunction with a microprocessor to perform one of the methods described herein. Generally, methods are preferably performed by some hardware device.

이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention without departing from the spirit and scope of the present invention described in the claims below. You will understand that you can.

1000: 사용자 위치 탐지 장치 100: 메모리
200: 프로세서 300: GPS 센서
400: 송수신 장치 500: 입력 인터페이스 장치
600: 출력 인터페이스 장치 700: 저장 장치
800: 버스(BUS)1000: user location detection device 100: memory
200: processor 300: GPS sensor
400: Transmitting/receiving device 500: Input interface device
600: output interface device 700: storage device
800: BUS

Claims (12)

컴퓨팅 장치에 의해 각 단계가 수행되는 모델 학습 방법에 있어서,
적어도 하나의 GPS 신호 데이터를 수집하는 단계;
상기 GPS 신호 데이터 중 특정 강도의 GPS 신호 크기를 갖는 적어도 하나의 입력 데이터를 추출하는 단계;
상기 입력 데이터 중 학습 데이터를 이용하여 사용자의 위치가 실내(Indoor)인지 실외(Outdoor)인지 여부를 판단하기 위한 기계학습 모델을 생성하는 단계; 및
상기 입력 데이터 중 검증 데이터를 이용하여 상기 기계학습 모델을 검증하는 단계를 포함하고,
상기 입력 데이터를 추출하는 단계는, 수집된 상기 적어도 하나의 GPS 신호 데이터의 각 GPS 신호 데이터에 대하여, 특정 강도의 GPS 신호 크기를 갖는 제1, 2 인자를 포함하는 데이터(Xij)가 있는지 여부를 확인하는 단계;
상기 특정 강도의 GPS 신호 크기를 갖지 않는 GPS 신호 데이터의 신호 크기를 0으로 설정하는 단계;
상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터가 있는 경우, 상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터에 포함된 제2 인자의 값이 사전 설정된 한계값 미만이면, 상기 제2 인자의 값을 증가시키고 해당 GPS 신호 데이터를 하나의 데이터 셋(data set)으로 저장하는 단계; 및
상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터에 포함된 제2 인자의 값이 사전 설정된 한계값 이상인 경우, 해당 GPS 신호 데이터의 신호 크기를 입력 데이터에 저장하지 않고, 데이터 셋에 저장된 일련의 GPS 신호 데이터를 신호 크기에 기반하여 정렬하는 단계를 포함하고,
상기 제1 인자는,
입력 데이터의 데이터셋의 개수를 확인하기 위한 카운팅 정보이며,
상기 제2 인자는,
데이터셋을 구성하는 GPS 신호 데이터의 개수를 확인하기 위한 카운팅 정보이며,
상기 사전 설정된 한계값은,
사용자가 특정 지점에 위치할 경우 수신할 수 있는 GPS 신호의 개수인, 모델 학습 방법.In the model learning method in which each step is performed by a computing device,
collecting at least one GPS signal data;
extracting at least one input data having a GPS signal size of a specific intensity from among the GPS signal data;
generating a machine learning model for determining whether a user's location is indoors or outdoors by using learning data among the input data; and
Including verifying the machine learning model using verification data among the input data,
The step of extracting the input data may include determining whether or not there is data Xij including first and second factors having a specific intensity of the GPS signal with respect to each GPS signal data of the at least one GPS signal data collected. checking;
setting the signal level of GPS signal data that does not have the specific strength of the GPS signal level to 0;
When there is GPS signal data having the GPS signal strength of the specific strength, if the value of the second factor included in the GPS signal data having the GPS signal strength of the specific strength is less than a preset threshold value, the value of the second factor increasing and storing the corresponding GPS signal data as one data set; and
When the value of the second factor included in the GPS signal data having the GPS signal size of the specific strength is greater than or equal to a preset threshold value, the signal size of the corresponding GPS signal data is not stored in the input data, and a series of GPS data stored in the data set aligning signal data based on signal magnitude;
The first factor is,
It is counting information to check the number of datasets of input data,
The second factor is,
Counting information for checking the number of GPS signal data constituting the dataset,
The preset limit value is,
A model learning method, which is the number of GPS signals that can be received when the user is located at a specific point. 제1항에 있어서,
상기 GPS 신호 데이터는 GPS 센서에 의해 수집되는, 모델 학습 방법.According to claim 1,
Wherein the GPS signal data is collected by a GPS sensor. 제1항에 있어서,
상기 기계학습 모델은 로지스틱 회귀분석(Logistic regression) 모델을 이용하여 생성하는, 모델 학습 방법.According to claim 1,
The machine learning model is generated using a logistic regression model, a model learning method. 삭제delete 메모리(memory); 및
상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되,
상기 적어도 하나의 명령은,
적어도 하나의 GPS 신호 데이터를 수집하도록 하는 명령,
상기 GPS 신호 데이터 중 특정 강도의 GPS 신호 크기를 갖는 적어도 하나의 입력 데이터를 추출하도록 하는 명령,
상기 입력 데이터 중 학습 데이터를 이용하여 사용자의 위치가 실내(Indoor)인지 실외(Outdoor)인지 여부를 판단하기 위한 기계학습 모델을 생성하도록 하는 명령, 및
상기 입력 데이터 중 검증 데이터를 이용하여 상기 기계학습 모델을 검증하도록 하는 명령을 포함하고,
상기 입력 데이터를 추출하도록 하는 명령은,
수집된 상기 적어도 하나의 GPS 신호 데이터의 각 GPS 신호 데이터에 대하여, 특정 강도의 GPS 신호 크기를 갖는 제1, 2 인자를 포함하는 데이터(Xij)가 있는지 여부를 확인하는 명령,
상기 특정 강도의 GPS 신호 크기를 갖지 않는 GPS 신호 데이터의 신호 크기를 0으로 설정하는 명령,
상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터가 있는 경우, 상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터에 포함된 제2 인자의 값이 사전 설정된 한계값 미만이면, 상기 제2 인자의 값을 증가시키고 해당 GPS 신호 데이터를 하나의 데이터 셋(data set)으로 저장하는 명령, 및
상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터에 포함된 제2 인자의 값이 사전 설정된 한계값 이상인 경우, 해당 GPS 신호 데이터의 신호 크기를 입력 데이터에 저장하지 않고, 데이터 셋에 저장된 일련의 GPS 신호 데이터를 신호 크기에 기반하여 정렬하는 명령을 포함하고,
상기 제1 인자는,
입력 데이터의 데이터셋의 개수를 확인하기 위한 카운팅 정보이며,
상기 제2 인자는,
데이터셋을 구성하는 GPS 신호 데이터의 개수를 확인하기 위한 카운팅 정보이며,
상기 사전 설정된 한계값은,
사용자가 특정 지점에 위치할 경우 수신할 수 있는 GPS 신호의 개수인, 모델 학습 장치.memory; and
A processor executing at least one instruction stored in the memory,
The at least one command,
instructions for collecting at least one GPS signal data;
A command for extracting at least one input data having a specific intensity of GPS signal from among the GPS signal data;
An instruction for generating a machine learning model for determining whether a user's location is indoors or outdoors by using learning data among the input data; and
Includes a command to verify the machine learning model using verification data among the input data;
The command to extract the input data,
A command for checking whether there is data (X ij ) including first and second factors having a specific intensity of a GPS signal with respect to each GPS signal data of the at least one GPS signal data collected;
A command for setting the signal strength of GPS signal data that does not have the specific strength of the GPS signal strength to 0;
When there is GPS signal data having the GPS signal strength of the specific strength, if the value of the second factor included in the GPS signal data having the GPS signal strength of the specific strength is less than a preset threshold value, the value of the second factor A command to increase and store the corresponding GPS signal data as one data set, and
When the value of the second factor included in the GPS signal data having the GPS signal size of the specific strength is greater than or equal to a preset threshold, the signal size of the corresponding GPS signal data is not stored in the input data, and a series of GPS data stored in the data set Includes instructions for aligning signal data based on signal magnitude;
The first factor is,
It is counting information to check the number of datasets of input data,
The second factor is,
Counting information for checking the number of GPS signal data constituting the dataset,
The preset limit value is,
A model learning device, which is the number of GPS signals that can be received when the user is located at a specific point. 제5항에 있어서,
상기 GPS 신호 데이터는 GPS 센서에 의해 수집되는, 모델 학습 장치.According to claim 5,
The GPS signal data is collected by a GPS sensor, the model learning device. 제5항에 있어서,
상기 기계학습 모델은 로지스틱 회귀분석(Logistic regression) 모델을 이용하여 생성하는, 모델 학습 장치.According to claim 5,
The machine learning model is generated using a logistic regression model, a model learning device. 삭제delete 메모리(memory); 및
상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되,
상기 적어도 하나의 명령은,
사용자의 위치가 실내(Indoor)인지 또는 실외(Outdoor)인지를 판단하는 기계학습 모델을 학습하도록 하는 명령 및
GPS 센서로부터 수집한 사용자 위치 데이터를 상기 기계학습 모델에 적용하여 사용자의 위치를 판단하도록 하는 명령을 포함하고,
상기 기계학습 모델을 학습하도록 하는 명령은,
적어도 하나의 GPS 신호 데이터를 수집하도록 하는 명령,
상기 GPS 신호 데이터 중 특정 강도의 GPS 신호 크기를 갖는 적어도 하나의 입력 데이터를 추출하도록 하는 명령,
상기 입력 데이터 중 학습 데이터를 이용하여 사용자의 위치가 실내(Indoor)인지 실외(Outdoor)인지 여부를 판단하기 위한 기계학습 모델을 생성하도록 하는 명령, 및
상기 입력 데이터 중 검증 데이터를 이용하여 상기 기계학습 모델을 검증하도록 하는 명령을 포함하고,
상기 입력 데이터를 추출하도록 하는 명령은,
수집된 상기 적어도 하나의 GPS 신호 데이터의 각 GPS 신호 데이터에 대하여, 특정 강도의 GPS 신호 크기를 갖는 제1, 2 인자를 포함하는 데이터(Xij)가 있는지 여부를 확인하는 명령,
상기 특정 강도의 GPS 신호 크기를 갖지 않는 GPS 신호 데이터의 신호 크기를 0으로 설정하는 명령,
상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터가 있는 경우, 상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터에 포함된 제2 인자의 값이 사전 설정된 한계값 미만이면, 상기 제2 인자의 값을 증가시키고 해당 GPS 신호 데이터를 하나의 데이터 셋(data set)으로 저장하는 명령, 및
상기 특정 강도의 GPS 신호 크기를 갖는 GPS 신호 데이터에 포함된 제2 인자의 값이 사전 설정된 한계값 이상인 경우, 해당 GPS 신호 데이터의 신호 크기를 입력 데이터에 저장하지 않고, 데이터 셋에 저장된 일련의 GPS 신호 데이터를 신호 크기에 기반하여 정렬하는 명령을 포함하고,
상기 제1 인자는,
입력 데이터의 데이터셋의 개수를 확인하기 위한 카운팅 정보이며,
상기 제2 인자는,
데이터셋을 구성하는 GPS 신호 데이터의 개수를 확인하기 위한 카운팅 정보이며,
상기 사전 설정된 한계값은,
사용자가 특정 지점에 위치할 경우 수신할 수 있는 GPS 신호의 개수인, 사용자 위치 탐지 장치.memory; and
A processor executing at least one instruction stored in the memory,
The at least one command,
Instructions for learning a machine learning model that determines whether the user's location is indoors or outdoors; and
Includes a command to determine the user's location by applying the user's location data collected from the GPS sensor to the machine learning model;
The command to learn the machine learning model,
instructions for collecting at least one GPS signal data;
A command for extracting at least one input data having a specific intensity of GPS signal from among the GPS signal data;
A command for generating a machine learning model for determining whether a user's location is indoors or outdoors by using learning data among the input data; and
Includes a command to verify the machine learning model using verification data among the input data;
The command to extract the input data,
A command for checking whether there is data (X ij ) including first and second factors having a specific intensity of a GPS signal with respect to each GPS signal data of the at least one GPS signal data collected;
A command for setting the signal strength of GPS signal data that does not have the specific strength of the GPS signal strength to 0;
When there is GPS signal data having the GPS signal strength of the specific strength, if the value of the second factor included in the GPS signal data having the GPS signal strength of the specific strength is less than a preset threshold value, the value of the second factor A command to increase and store the corresponding GPS signal data as one data set, and
When the value of the second factor included in the GPS signal data having the GPS signal size of the specific strength is greater than or equal to a preset threshold, the signal size of the corresponding GPS signal data is not stored in the input data, and a series of GPS data stored in the data set Includes instructions for aligning signal data based on signal magnitude;
The first factor is,
It is counting information to check the number of datasets of input data,
The second factor is,
Counting information for checking the number of GPS signal data constituting the dataset,
The preset limit value is,
A device for detecting a user's location, which is the number of GPS signals that can be received when the user is located at a specific point. 제9 항에 있어서,
상기 GPS 신호 데이터는 GPS 센서에 의해 수집되는, 사용자 위치 탐지 장치.According to claim 9,
Wherein the GPS signal data is collected by a GPS sensor. 제9 항에 있어서,
상기 기계학습 모델은 로지스틱 회귀분석(Logistic regression) 모델을 이용하여 생성하는, 사용자 위치 탐지 장치.According to claim 9,
The machine learning model is generated using a logistic regression model, the user location detection device. 삭제delete
KR1020200090551A 2020-07-21 2020-07-21 Apparatus and method for detecting location of user using the same KR102474627B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200090551A KR102474627B1 (en) 2020-07-21 2020-07-21 Apparatus and method for detecting location of user using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200090551A KR102474627B1 (en) 2020-07-21 2020-07-21 Apparatus and method for detecting location of user using the same

Publications (2)

Publication Number Publication Date
KR20220011520A KR20220011520A (en) 2022-01-28
KR102474627B1 true KR102474627B1 (en) 2022-12-05

Family

ID=80051328

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200090551A KR102474627B1 (en) 2020-07-21 2020-07-21 Apparatus and method for detecting location of user using the same

Country Status (1)

Country Link
KR (1) KR102474627B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016133431A (en) * 2015-01-20 2016-07-25 株式会社Ｎｔｔドコモ Indoor/outdoor determination device, indoor/outdoor determination method, and radio communication terminal

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100948412B1 (en) * 2007-12-26 2010-03-19 강릉원주대학교산학협력단 Method and system for estimating the location using a Received Signal Strength Indication
KR20200017611A (en) * 2018-08-08 2020-02-19 (주)휴빌론 Method and apparatus for positioning by using Deep learning
KR102145717B1 (en) * 2018-08-28 2020-08-19 (주)제이엠피시스템 Indoor positioning method and system using machine learning

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016133431A (en) * 2015-01-20 2016-07-25 株式会社Ｎｔｔドコモ Indoor/outdoor determination device, indoor/outdoor determination method, and radio communication terminal

Also Published As

Publication number Publication date
KR20220011520A (en) 2022-01-28

Similar Documents

Publication Publication Date Title
US11087180B2 (en) Risky transaction identification method and apparatus
US20200250461A1 (en) Target detection method, apparatus, and system
CN107066478B (en) False address information identification method and device
US11714426B2 (en) Positioning system and method based on neural network model
CN105631439A (en) Human face image collection method and device
US10692089B2 (en) User classification using a deep forest network
CN111664848B (en) Multi-mode indoor positioning navigation method and system
US20170006436A1 (en) Determining location of a user device
CN113627229B (en) Target detection method, system, device and computer storage medium
US9728204B2 (en) Method and device for drawing a noise map
US11954190B2 (en) Method and apparatus for security verification based on biometric feature
KR102244678B1 (en) Method and apparatus for providing education service using satellite imagery based on Artificial Intelligence
CN103476113B (en) System is set up based on MNL probability identification indoor locating system and method, location model
WO2023029397A1 (en) Training data acquisition method, abnormal behavior recognition network training method and apparatus, computer device, storage medium, computer program and computer program product
KR102474627B1 (en) Apparatus and method for detecting location of user using the same
CN111522937B (en) Speaking recommendation method and device and electronic equipment
US20210073471A1 (en) Natural language processing using hybrid document embedding
US20240137777A1 (en) Traffic scenario identification method and apparatus, device, and storage medium
CN111161042A (en) Personal risk assessment method, device, terminal and storage medium
CN114423076B (en) Fingerprint data generation method and device, electronic equipment and storage medium
CN111897936B (en) Method, device and equipment for evaluating recall accuracy of question-answering system
US20220207377A1 (en) Methods and apparatuses for training neural networks and detecting correlated objects
CN115311547A (en) Method and device for identifying disaster damage area by using characteristics of disaster peripheral area
CN112017634B (en) Data processing method, device, equipment and storage medium
CN112101387A (en) Salient element identification method and device

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant