KR102492843B1 - Apparatus and method for analyzing spatio temporal data for geo-location - Google Patents
Apparatus and method for analyzing spatio temporal data for geo-location Download PDFInfo
- Publication number
- KR102492843B1 KR102492843B1 KR1020190114916A KR20190114916A KR102492843B1 KR 102492843 B1 KR102492843 B1 KR 102492843B1 KR 1020190114916 A KR1020190114916 A KR 1020190114916A KR 20190114916 A KR20190114916 A KR 20190114916A KR 102492843 B1 KR102492843 B1 KR 102492843B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- space
- analysis
- command
- geographic
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000002123 temporal effect Effects 0.000 title claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 40
- 230000007704 transition Effects 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000010219 correlation analysis Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 5
- 241000195493 Cryptophyta Species 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 22
- 241000195628 Chlorophyta Species 0.000 description 14
- 210000004027 cell Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000005422 algal bloom Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000005085 air analysis Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004457 water analysis Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 방법이 개시된다. 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법은, 시공간으로 변화하는 데이터를 이미지화하는 단계; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하는 단계; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계; 및 동일한 그룹 별로 데이터 분석을 수행하는 단계를 포함할 수 있다.A method for analyzing spatio-temporal data for a geographic space including one or more regions is disclosed. A method for analyzing space-time data according to an embodiment of the present invention includes imaging data that changes in space-time; Selecting a representative image according to each transition state according to the temporal and spatial changes of the imaged data; clustering and grouping pixels in the selected image; and performing data analysis for each same group.
Description
본 발명은 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치에 관한 것으로, 더욱 상세하게는 K-MEANS 알고리즘을 이용한 지리적 공간에 대한 시공간 데이터 분석 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for analyzing space-time data of geographic space, and more particularly, to a method and apparatus for analyzing space-time data of geographic space using the K-MEANS algorithm.
일상 생활과 밀접한 관련이 있는 기후환경에 대한 연구가 중요시되면서 환경 연구에 환경공간 정보 및 ICT(Information Communication Technology)/IoT(Internet of Things)를 활용한 연구가 활발히 이루어지고 있다. As research on the climate environment, which is closely related to daily life, is considered important, studies using environmental spatial information and ICT (Information Communication Technology)/IoT (Internet of Things) are being actively conducted.
이러한 연구는 IoT 센서 데이터의 수집을 통해 이루어지는 것이 일반적이다. 센서 데이터는 시계열 데이터로 시간적 연관성을 갖고 있고, 마찬가지로 공간적 연관성을 갖고 있다. IoT 센서가 곳곳에 설치되면서 과거보다 지역적으로 훨씬 조밀한 데이터를 실시간에 수집할 수 있다. 특히, 초분광 카메라와 같은 이미지를 통해 수집된 데이터나 기상 환경 데이터의 경우는 공간적으로 연속성을 갖고 있는 유효한 데이터다. It is common for such research to be done through the collection of IoT sensor data. Sensor data is time-series data and has temporal correlation and similarly spatial correlation. As IoT sensors are installed everywhere, it is possible to collect much denser data locally than in the past in real time. In particular, data collected through images such as hyperspectral cameras or meteorological environment data are valid data that have spatial continuity.
하지만, 이런 연속성 데이터에 대해 기존의 딥러닝 방법, ANN(Artificial Neural Network)이나 RNN(Recurrent Neural Network)의 방법을 사용하여 분석 및 예측을 수행하는 경우 입력 데이터가 과도하게 많아 비효율적이라는 문제점이 발생한다.However, when performing analysis and prediction using the existing deep learning method, ANN (Artificial Neural Network) or RNN (Recurrent Neural Network) method on such continuous data, there is a problem that the input data is excessively large and inefficient. .
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 방법을 제공하는 데 있다.An object of the present invention to solve the above problems is to provide a method for analyzing space-time data for a geographic space including one or more regions.
상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은, 상기 지리적 공간에 대한 시공간 데이터 분석 방법을 이용하는 시공간 데이터 분석 장치를 제공하는 데 있다.Another object of the present invention to solve the above problems is to provide a space-time data analysis device using the space-time data analysis method for the geographic space.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법은 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 방법으로서, 시공간으로 변화하는 데이터를 이미지화하는 단계; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하는 단계; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계; 및 동일한 그룹 별로 데이터 분석을 수행하는 단계를 포함할 수 있다.A method for analyzing space-time data according to an embodiment of the present invention for achieving the above object is a method for analyzing space-time data for a geographic space including one or more regions, comprising: imaging data that changes in space and time; Selecting a representative image according to each transition state according to the temporal and spatial changes of the imaged data; clustering and grouping pixels in the selected image; and performing data analysis for each same group.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계는, 상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하는 단계를 포함할 수 있다.The clustering and grouping of the pixels in the selected image may include color-dividing the pixels using a K-means algorithm and grouping the pixels.
상기 이미지화된 데이터는, 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현될 수 있다. The imaged data may be expressed as a 5-dimensional vector including color-related data and geographic information for each pixel.
상기 동일한 그룹 별로 데이터 분석을 수행하는 단계는, 상기 각 그룹에 대한 대표 값을 선정하는 단계; 및 상기 대표 값을 바탕으로 데이터 분석을 수행하는 단계를 포함할 수 있다. The step of performing data analysis for each group may include selecting a representative value for each group; and performing data analysis based on the representative value.
상기 대표 값을 바탕으로 데이터 분석을 수행하는 단계는, 상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하는 단계; 상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하는 단계; 및 상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하는 단계를 포함할 수 있다.The step of performing data analysis based on the representative value may include: determining a relationship between groups by performing correlation analysis for each group based on the representative value; setting each group as a node and establishing a connection link between nodes based on a result of analyzing the correlation; and performing influence analysis between nodes according to the shape of the connection link between the nodes.
상기 노드 간 영향력 분석을 수행하는 단계는, 상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하는 단계를 포함할 수 있다. The performing of the influence analysis between nodes may include determining a main management target node connected to a plurality of nodes through a graph analysis of a shape of a connection link between the nodes.
상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현될 수 있다. The association between the groups may be expressed as a value of the coefficient of determination derived through correlation analysis.
상기 지리적 공간에 대한 시공간 데이터 분석 방법은, 상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하는 단계를 더 포함할 수 있으며, 여기서 환경 이벤트는 녹조 발생을 포함할 수 있다.The spatio-temporal data analysis method for the geographic space may further include predicting an environmental event for one or more regions included in the corresponding group according to a result of analyzing the data for each group, wherein the environmental event indicates occurrence of algae. can include
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현될 수 있다. The color-related data for each pixel may be expressed in a Hue, Saturation, Lightness (HSL) or Hue, Saturation, Value (HSV) format.
상기 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 시공간 데이터 분석 장치는 하나 이상의 지역을 포함하는 지리적 공간에 대한 시공간 데이터 분석 장치로서, 프로세서; 및 상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리를 포함할 수 있다.In order to achieve the above object, a space-time data analysis apparatus according to an embodiment of the present invention is a space-time data analysis apparatus for a geographic space including one or more regions, comprising: a processor; and a memory storing at least one command executed by the processor.
상기 적어도 하나의 명령은, 시공간으로 변화하는 데이터를 이미지화하도록 하는 명령; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하도록 하는 명령; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령; 및 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다.The at least one command may include a command to image data changing in space-time; a command for selecting a representative image according to each transition state according to a temporal and spatial change of imaged data; A command for clustering and grouping pixels in the selected image; and a command for performing data analysis for each same group.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령은, 상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하도록 하는 명령을 포함할 수 있다.The command for clustering and grouping the pixels in the selected image may include a command for color-dividing and grouping the pixels using a K-means algorithm.
상기 이미지화된 데이터는 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현될 수 있다. The imaged data may be expressed as a 5-dimensional vector including color-related data and geographic information for each pixel.
상기 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령은, 상기 각 그룹에 대한 대표 값을 선정하도록 하는 명령; 및 상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다.The command to perform data analysis for each group may include a command to select a representative value for each group; and a command for performing data analysis based on the representative value.
상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령은, 상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하도록 하는 명령; 상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하도록 하는 명령; 및 상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하도록 하는 명령을 포함할 수 있다. The command for performing data analysis based on the representative value may include: a command for determining a relationship between groups by performing correlation analysis for each group based on the representative value; a command for setting each group as a node and establishing a connection link between nodes based on a result of the correlation analysis; and a command for performing influence analysis between nodes according to the shape of the connection link between the nodes.
상기 노드 간 영향력 분석을 수행하도록 하는 명령은, The command to perform the influence analysis between the nodes,
상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하도록 하는 명령을 포함할 수 있다.It may include a command for determining a main management target node connected to a plurality of nodes through a graph analysis of the shape of the connection link between the nodes.
상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현될 수 있다. The association between the groups may be expressed as a value of the coefficient of determination derived through correlation analysis.
상기 적어도 하나의 명령은, 상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하도록 하는 명령을 더 포함할 수 있으며, 여기서 환경 이벤트는 녹조 발생을 포함한다.The at least one command may further include a command for predicting an environmental event for one or more regions included in the group according to a result of analyzing the data for each group, wherein the environmental event includes occurrence of algal bloom.
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현될 수 있다.The color-related data for each pixel may be expressed in a Hue, Saturation, Lightness (HSL) or Hue, Saturation, Value (HSV) format.
상기와 같은 본 발명의 실시예들에 따르면, 시공간적 연속성이 있는 데이터를 분석하여 효과적으로 녹조를 예측할 수 있다.According to the embodiments of the present invention as described above, it is possible to effectively predict green algae by analyzing data having spatio-temporal continuity.
본 발명에 따르면, 유사성을 기반으로 분할하고 변화를 추적함으로써 특정 지역뿐만 아니라 지역 전체에 대하여 서로 구별되는 세밀한 예측을 수행할 수 있According to the present invention, by segmenting based on similarity and tracking changes, it is possible to perform detailed predictions differentiated from each other not only for a specific region but also for the entire region.
도 1은 딥러닝을 이용하여 녹조를 예측하는 방법을 나타낸 개념도이다.
도 2a는 본 발명의 일 실시예에 따라 녹조 예측 대상 지역을 셀 단위로 구분하여 나타낸 도면이다.
도 2b는 도 2a의 지리 모델에서 색상을 이용해 데이터를 표현한 예를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법의 동작 순서를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 K-평균 알고리즘을 이용하여 이미지 분할을 수행한 결과를 나타낸 도면이다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 특정 결정계수 값에 따라 구성된 연결 링크를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 노드 간 연결 링크를 이용하여 녹조를 예측하는 지리 모델을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 지리적 공간에 대한 시공간 데이터 분석 장치의 블록 구성도이다. 1 is a conceptual diagram illustrating a method of predicting green algae using deep learning.
2A is a diagram showing a green algae prediction target region divided into cells according to an embodiment of the present invention.
FIG. 2B is a diagram illustrating an example of expressing data using colors in the geographic model of FIG. 2A.
3 shows an operation sequence of a method for analyzing space-time data according to an embodiment of the present invention.
4 is a diagram showing a result of performing image segmentation using a K-means algorithm according to an embodiment of the present invention.
5A and 5B are diagrams illustrating connection links configured according to a specific coefficient of determination according to an embodiment of the present invention.
6 is a diagram illustrating a geographic model for predicting green algae using a connection link between nodes according to an embodiment of the present invention.
7 is a block diagram of an apparatus for analyzing space-time data for geographic space 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, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings.
본 발명은 데이터 분석(예측)에 관한 것으로써 시간적 공간적 연속성이 있는 데이터를 지리적 연관성을 바탕으로 분석함으로써, 환경 데이터, 예를 들어 녹조를 미리 예측할 수 있다.The present invention relates to data analysis (prediction), and environmental data, for example, green algae can be predicted in advance by analyzing data having temporal and spatial continuity based on geographical correlation.
도 1은 딥러닝을 이용하여 녹조를 예측하는 방법을 나타낸 개념도이다.1 is a conceptual diagram illustrating a method of predicting green algae using deep learning.
도 1에서는 ANN(Artificial Neural Network)을 이용하여 녹조를 예측한다. In FIG. 1, green algae are predicted using an Artificial Neural Network (ANN).
여기서, 인공신경망(Atificial Neural Network; ANN)은 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다. 인공신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 가리킨다. Here, an Artificial Neural Network (ANN) is a statistical learning algorithm inspired by neural networks in biology (particularly the brain in the central nervous system of animals) in machine learning and cognitive science. An artificial neural network refers to an overall model that has problem-solving ability by changing synaptic coupling strength through learning by artificial neurons (nodes) that form a network by synaptic coupling.
인공신경망에는 교사 신호(정답)의 입력에 의해서 문제에 최적화되어 가는 교사 학습과 교사 신호를 필요로 하지 않는 비교사 학습이 있다. 명확한 해답이 있는 경우에는 교사 학습이, 데이터 클러스터링에는 비교사 학습이 이용되는 것이 보통이다. 인공신경망은 많은 입력들에 의존하면서 일반적으로 베일에 싸인 함수를 추측하고 근사치를 낼 경우 사용한다. 일반적으로 입력으로부터 값을 계산하는 뉴런 시스템의 상호연결로 표현되고, 적응성이 있어 패턴 인식과 같은 기계학습을 수행할 수 있다. In artificial neural networks, there are teacher learning that is optimized for a problem by inputting a teacher signal (correct answer) and comparative teacher learning that does not require a teacher signal. Teacher learning is usually used when there is a clear answer, and comparative teacher learning is usually used for data clustering. Artificial neural networks are used when guessing and approximating a function that depends on many inputs and is generally veiled. It is usually represented as an interconnection of neuron systems that computes values from inputs, and is adaptable, allowing machine learning such as pattern recognition to be performed.
한편, 심층신경망(Deep Neural Network; DNN)은 도 1에 도시된 바와 같이, 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들을 포함하여 구성된 인공신경망(Artificial Neural Network, ANN)이다. 심층신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다.On the other hand, as shown in FIG. 1, a deep neural network (DNN) is an artificial neural network composed of several hidden layers between an input layer and an output layer. Network, ANN). Deep neural networks can model complex non-linear relationships, just like general artificial neural networks.
통상적으로 딥러닝을 이용해 녹조를 예측하는 방법은, 예를 들어, 도 1에서 X 표로 표시된 지점에서 수집된 환경인자 8종을 2개의 은닉층이 있는 네트워크의 입력 데이터로 활용하여 해당 지점에 녹조가 발생할지 또는 발생하지 않을지를 학습한다.Conventionally, a method of predicting algae blooms using deep learning is, for example, by using 8 types of environmental factors collected at the point indicated by the X mark in FIG. Learn whether it will or won't happen.
이때, 예를 들어, 분광 센서로 클로로필-a와 같은 데이터를 수집했을 경우, 조밀한 데이터 측정이 가능하여, 지역적으로 대청호(2.9km x 1.8km)에서 2m 간격의 조밀함으로 데이터를 수집했을 때 60만 지점 이상의 서로 다른 지점에서 데이터를 수집이 가능하다. 여기서, 수집된 서로 다른 측정 데이터를 바탕으로 60만 지점에 대한 ANN 학습을 각각 진행한다는 것은 매우 비효율적이라는 문제가 발생한다.At this time, for example, when data such as chlorophyll-a is collected with a spectral sensor, it is possible to measure dense data, and when data are collected locally at 2m intervals in Daecheong Lake (2.9km x 1.8km), 60 It is possible to collect data from more than 10,000 different points. Here, the problem arises that it is very inefficient to proceed with ANN learning for each of the 600,000 points based on the collected different measurement data.
이러한 문제를 해결하기 위해, 주요 지점에서 데이터 분석(예측)을 진행하고 나머지 부분을 선형 보간으로 채우는 방법이 사용될 수 있지만, 그 결과가 정확하지 못하다는 단점이 있다. 서로 비슷한 위치에 있어도 지리적 특성이 다른 경우 각각이 유의미한 데이터가 될 수 있는데, 해당 방법은 이러한 부분을 충분히 반영할 수 없기 때문이다. In order to solve this problem, a method of performing data analysis (prediction) on the main points and filling the remaining parts with linear interpolation may be used, but the result is not accurate. Even if they are located in similar locations, each can be meaningful data if the geographical characteristics are different, but the method cannot fully reflect these parts.
본 발명은 이와 같은 문제를 충분히 인식하고, 공간적 특성에 따라 지역을 구분하고 그룹화하여 데이터 분석 및 예측을 효율적으로 수행하는 데 그 목적이 있다. 지역적 특성을 반영함으로써 기존의 선형 보간 방법보다는 더 정확한 분석 및 예측이 가능하다. 특히, 본 발명에서는 녹조를 미리 예측하여 제어할 수 있도록 하는 방법을 제안한다. An object of the present invention is to sufficiently recognize such a problem, and to efficiently perform data analysis and prediction by classifying and grouping regions according to spatial characteristics. By reflecting local characteristics, more accurate analysis and prediction than conventional linear interpolation methods are possible. In particular, the present invention proposes a method for predicting and controlling green algae in advance.
도 2a는 본 발명의 일 실시예에 따라 녹조 예측 대상 지역을 셀 단위로 구분하여 나타낸 도면이다. 2A is a diagram showing a green algae prediction target region divided into cells according to an embodiment of the present invention.
본 발명은 전역 공간 데이터를 기반으로 분석한다. 수집된 데이터의 형태가 이미지인 경우는 수집 데이터의 형태를 그대로 사용하고, 수집된 데이터의 형태가 수치인 경우에는 수집된 데이터를 이미지 형태로 변환한다. 도 2a 및 도 2b는 데이터를 지도 위에 가시화하는 방법을 보여준다.The present invention analyzes based on global spatial data. When the form of the collected data is an image, the form of the collected data is used as it is, and when the form of the collected data is a number, the collected data is converted into an image form. 2a and 2b show a method of visualizing data on a map.
도 2a의 201은 금강 유역 일부를 지리 모델링한 내용이다. 격자 하나에 대해 데이터 값이 별개로 수집되거나 모의(시뮬레이션)를 통해 생성된다. 각 셀들은 서로 다른 값을 갖고 별개의 단위로 취급된다.
도 2b는 도 2a의 지리 모델에서 색상을 이용해 데이터를 표현한 예를 나타낸다. 도 2b에서 202는 별개의 데이터로 처리된 격자를 데이터의 구간을 나누어 가시화하고 있다. 붉은 색은 높은 값을 표현하고 파란색은 낮은 값을 표현하는 방식이다. 시간의 흐름에 따라 202 형식의 서로 다른 히트맵(heat map) 이미지가 생성될 수 있고, 사용자는 그 이미지를 통해 데이터의 변화를 알 수 있다.FIG. 2B shows an example of expressing data using colors in the geographic model of FIG. 2A. In FIG. 2B, 202 visualizes the grid processed as separate data by dividing the data section. Red represents high values and blue represents low values. Depending on the lapse of time, different heat map images in 202 format can be created, and the user can know the change in data through the image.
도 2a 및 2b와 같이, 각 셀 별로 데이터를 수집하고 표현하는 방법도 있지만, 초분광 센서(이미지)를 통해 데이터를 수집하면 수집한 원시(Raw) 데이터를 바로 이용할 수도 있다. 또는, 후처리를 거쳐 지리 모델링된 셀에 데이터 값을 입력하고 다시 그 내용을 도 2(b)의 202 형식으로 가시화할 수도 있다.As shown in FIGS. 2A and 2B, there is also a method of collecting and expressing data for each cell, but collecting raw data through a hyperspectral sensor (image) may directly use the collected raw data. Alternatively, data values may be input to geo-modeled cells through post-processing, and the contents may be visualized again in the 202 format of FIG. 2(b).
이때, 도 2a또는 2b에 도시된 수많은 셀들에 대해 셀 별로 각각 신경망을 구축하는 것은 비효율적인 방법일 수 있다. 따라서, 본 발명에서는 유사한 셀을 묶어 분석해야 할 신경망의 개수를 줄이고자 한다.At this time, it may be an inefficient method to build a neural network for each cell for the numerous cells shown in FIG. 2a or 2b. Therefore, in the present invention, it is intended to reduce the number of neural networks to be analyzed by grouping similar cells.
구체적으로, 유사한 셀을 묶는 방법으로, 지역적으로 인접한 셀을 묶는 방법이 있을 수 있다. 예를 들어, 1x1의 단위 사각형 형태의 셀 대신 지역적으로 인접하는 2x2 사각형의 조금 큰 셀 단위로 처리하면 분석해야 하는 신경망의 수를 1/4로 줄일 수 있다. 하지만, 지역적으로 인접했다고 해도 유사한 특성을 지녔다고 단정할 수는 없다. 수(水) 분석의 경우는 물의 흐름에 따른 인접성이 중요하고, 대기를 분석하는 경우에는 바람의 방향이 상관 관계를 형성하게 된다. 문제는 유속장, 풍속, 풍향에 따라 셀을 묶는 방법은 복잡도에 비해 분석 정확도가 높지 않다는 점이다. Specifically, as a method of grouping similar cells, there may be a method of grouping locally adjacent cells. For example, the number of neural networks to be analyzed can be reduced to 1/4 by processing in slightly larger cell units of 2x2 rectangles that are locally adjacent instead of 1x1 unit square cells. However, even if they are geographically adjacent, it cannot be concluded that they have similar characteristics. In the case of water analysis, the proximity according to the flow of water is important, and in the case of air analysis, the direction of the wind forms a correlation. The problem is that the method of tying cells according to the flow field, wind speed, and wind direction does not have high analysis accuracy compared to the complexity.
본 발명에서는 천이에 따른 K-평균 알고리즘(K-means algorithm)을 사용해 이미지를 색 구분하여 분할한다. k-평균 알고리즘은 주어진 데이터를 k개의 클러스터로 묶는 알고리즘으로, 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작한다. 이 알고리즘은 자율 학습의 일종으로, 레이블이 달려 있지 않은 입력 데이터에 레이블을 달아주는 역할을 수행한다. In the present invention, a K-means algorithm according to transition is used to color-code and segment an image. The k-means algorithm is an algorithm that groups given data into k clusters, and operates in a way that minimizes the variance between each cluster and the distance difference. This algorithm is a type of unsupervised learning and serves to label unlabeled input data.
한편, 천이에 따른 대표 이미지 선택과 관련하여, 충분한 데이터 확보가 가능한 경우에는 평균값이 대표 이미지로 선택, 사용할 수 있다. 천이는 시간(계절)이나 사건에 따라 구분되어 발생할 수 있다. Meanwhile, in relation to selection of a representative image according to transition, when sufficient data can be secured, an average value may be selected and used as a representative image. Transitions may occur separately according to time (season) or events.
도 3은 본 발명의 일 실시예에 따른 시공간 데이터 분석 방법의 동작 순서를 나타낸다. 3 shows an operation sequence of a method for analyzing space-time data according to an embodiment of the present invention.
본 발명에 따라 지리적 공간에 대한 시공간 데이터를 분석하고 녹조 예측을 수행하기 위해서는 녹조 관련 전수 조사 데이터를 확보하는 절차가 선행된다. 조사된 데이터는 이미지화하여 저장된다(S310). 조사 데이터의 이미지화는 다량의 전수 조사 데이터에 대해 수행되며, 이를 통해 다량의 전수 조사 데이터의 이미지 세트를 확보한다(S320). According to the present invention, in order to analyze spatio-temporal data for geographic space and predict green algae, a procedure for securing total survey data related to green algae is preceded. The irradiated data is imaged and stored (S310). Imaging of survey data is performed on a large amount of total survey data, and through this, an image set of a large amount of total survey data is secured (S320).
다량의 이미지 세트에 포함된 각 이미지는 상태 천이(과정)에 따라 구분될 수 있다. 구분된 각 천이 상태별로 대표 이미지 또는 평균 이미지를 선정한다(S330). 선정된 이미지에 대해서는 K-평균 알고리즘을 통한 클러스터링(clustering)을 수행한다(S340). 이후 클러스터링에 의해 분할된 그룹별 대표값(또는 평균값)을 선정한다(S350). Each image included in a multi-image set may be classified according to state transition (process). A representative image or an average image is selected for each of the divided transition states (S330). For the selected image, clustering is performed through the K-means algorithm (S340). Then, a representative value (or average value) for each group divided by clustering is selected (S350).
그룹별 대표값이 선정되면 대표값을 바탕으로 그룹별 연관관계 분석을 실행한다(S360). 분할된 그룹을 노드로 하여, 앞서 실행한 연관관계 분석 결과 값을 바탕으로 연결 링크를 생성한다(S370). 이후, 영향력 분석 등의 그래프 분석을 통해 분할된 그룹별 DNN(Deep Neural Network)을 구성하여 분석 및 예측한다(S380).When a representative value for each group is selected, correlation analysis for each group is performed based on the representative value (S360). Using the divided group as a node, a connection link is created based on the previously executed correlation analysis result value (S370). Thereafter, through graph analysis such as influence analysis, a deep neural network (DNN) for each divided group is configured, analyzed, and predicted (S380).
본 발명에 따른 시공간 데이터 분석 방법의 각 단계를 보다 상세히 설명하면 아래와 같다. Each step of the spatio-temporal data analysis method according to the present invention will be described in detail below.
조사 데이터 확보 단계(S310)에서는 일자별 최대한 많은 데이터를 확보하는 것이 중요하다. 각각의 데이터가 천이(과정)에 따른 대표 이미지 또는 평균 이미지를 선정하는 데 사용되기 때문에 사례가 충분히 확보되어야 분석의 정확성을 높일 수 있기 때문이다. In the survey data securing step (S310), it is important to secure as much data as possible for each date. This is because each data is used to select a representative image or an average image according to the transition (process), so the accuracy of the analysis can be increased only when sufficient cases are secured.
조사 데이터는 이미지화하여 저장되는데, 이때 이미지의 저장 형식은 특정 형식으로 제한되지 않는다. 즉, 이미지는 RGB(Red, Green, Blue) 형식으로 저장될 수도 있고, HSL(Hue, Saturation, Lightness) 및/또는 HSV(Hue, Saturation, Value) 형식이 사용될 수도 있다. 조사되는 센서 데이터는 대부분 수치 데이터로서 고저, 장단, 대소가 존재하는 특성을 갖고 있고 그 특성을 반영하기 용이한 이미지 파일 형식이 HSL 및/또는 HSV 형식이다. HSL 또는 HSV를 사용하는 방법은 서로 연관성이 있을 경우에 이변량까지 한 번에 처리하는 것이 가능하여 효과적이다.The survey data is stored as an image, but the storage format of the image is not limited to a specific format. That is, the image may be stored in a red, green, blue (RGB) format, or a hue, saturation, lightness (HSL) and/or a hue, saturation, value (HSV) format. Most of the sensor data to be investigated is numerical data and has characteristics of high and low, long and short, and large and small, and the HSL and/or HSV format is an image file format that is easy to reflect the characteristics. The method using HSL or HSV is effective because it is possible to process even bivariates at once when they are correlated.
HSV 형식을 이용한 예에서, S와 V 값을 결정하는 방법은 아래 수학식 1에 따를 수 있다. In the example using the HSV format, a method for determining S and V values may be according to
예를 들어, 측정하는 데이터가 온도일 때, 온도는 영하 50도(변량 최소값)에서 영상 50도(변량 최대값)까지 변동 가능하다고 가정하면 현재 기온이 영상 20도(변량)인 경우 S 값은 70으로 결정될 수 있다. For example, when the data to be measured is temperature, assuming that the temperature can fluctuate from minus 50 degrees (minimum value of the variance) to 50 degrees (the maximum value of the variance), if the current temperature is 20 degrees (variable), the S value is 70 can be determined.
이렇게 이미지화한 데이터를 구축하면, 데이터의 시기나 상황에 따른 이미지 데이터의 분류(classification)를 수행한다. 이때, 도메인 전문가를 활용하여 데이터를 분류하는 방법이 활용될 수 있다. 이렇게 데이터를 구분하여 분류하는 것을 상태 천이(과정)에 따른 분류라고 할 수 있다. 이를 다르게 표현하면 이미지 데이터에 태그 정보를 붙이는 과정이라고 표현할 수도 있다. 예를 들면, 봄철 대청호 수온, 여름 대청호 수온, 가을 대청호 수온, 겨울 대청호 수온과 같은 시기적인 분류(또는 구분)가 있을 수 있고, 장마철 수질, 봄 가뭄 수질과 같은 사건 기반의 분류도 있을 수 있다. 이러한 분류는 정형화, 자동화되는 것이 바람직하다. When the imaged data is constructed in this way, classification of the image data according to the time or situation of the data is performed. In this case, a method of classifying data using a domain expert may be utilized. Classifying and classifying data in this way can be referred to as classification according to state transitions (processes). In other words, it can be expressed as a process of attaching tag information to image data. For example, there may be temporal classification (or classification) such as water temperature of Daecheong Lake in spring, water temperature of Daecheong Lake in summer, water temperature of Daecheong Lake in autumn, and water temperature of Daecheong Lake in winter, and event-based classification such as water quality in the rainy season and water quality in spring drought. It is desirable that this classification be standardized and automated.
이렇게 이미지들이 분류되어 적어도 하나의 그룹을 형성하면 해당 그룹에 대해 대표 이미지를 선택할 수 있다(S330). 해당 그룹에 충분히 많은 샘플이 존재하는 경우에는 전체 샘플들의 평균값을 구해 대표값으로 선정할 수도 있다. When the images are classified and form at least one group, a representative image may be selected for the corresponding group (S330). When there are sufficiently many samples in the corresponding group, the average value of all samples may be obtained and selected as a representative value.
도 3의 S340 단계에서는, 선정된 대표값(이미지)을 바탕으로 K-평균 알고리즘을 통해 분할(clustering)을 수행한다. 이때, RGB나 HSV나 3차원 벡터로 각 픽셀 데이터를 표현하고 이미지를 분할하는 방법을 사용할 수 있다. 또한, 3차원 벡터에 공간 정보를 삽입하여 5차원 벡터로서 픽셀 데이터를 표현하고 분할하는 방법을 사용할 수도 있다. In step S340 of FIG. 3 , clustering is performed through a K-means algorithm based on the selected representative value (image). In this case, a method of expressing each pixel data in RGB, HSV, or a 3D vector and segmenting the image may be used. In addition, a method of expressing and dividing pixel data as a 5-dimensional vector by inserting spatial information into a 3-dimensional vector may be used.
공간 정보는 다양한 형식을 사용할 수 있는데, 이때 색상값과 단위 차이가 나지 않도록 정규화하는 것이 중요하다. 보통의 경우 RGB값을 포함하여 5차원의 벡터로 표현할 수 있고, 0 내지 1 사이의 값으로 정규화할 수 있다. 예를 들어, 각 픽셀은 표 1과 같은 형식으로 샘플링될 수 있다.Spatial information can use various formats, and at this time, it is important to normalize color values so that there is no unit difference. In general, it can be expressed as a 5-dimensional vector including RGB values, and can be normalized to a value between 0 and 1. For example, each pixel may be sampled in the format shown in Table 1.
도메인의 특성에 따라 지리적 연관성이 크면 공간 정보를 포함하여 구분할 수 있다. 공간 정보를 포함하는 경우에는 K 값을 크게 설정해야 분석(및 예측)의 정확도가 보장될 수 있다. Depending on the characteristics of the domain, if the geographical correlation is large, it can be classified by including spatial information. In the case of including spatial information, the accuracy of the analysis (and prediction) can be guaranteed only when the K value is set high.
도 4는 본 발명의 일 실시예에 따른 K-평균 알고리즘을 이용하여 이미지 분할을 수행한 결과를 나타낸 도면이다.4 is a diagram showing a result of performing image segmentation using a K-means algorithm according to an embodiment of the present invention.
도 4는 K=6인 경우의 이미지 분할의 예를 나타내고 있다. 도 4를 참조하면, 이미지 데이터는 분할 단계를 거친 후 복수의 그룹을 포함하는 형태로 표현될 수 있음을 알 수 있다. 4 shows an example of image segmentation in the case of K=6. Referring to FIG. 4 , it can be seen that image data can be expressed in a form including a plurality of groups after going through a division step.
이후, 그룹 별 대표값 선정 단계(S350)에서는, 도 4에서 하나의 단위로 표현되는 격자별로 중심 벡터를 산출할 수 있고, 대표값을 상징하는 지역을 선정하여 해당 지역의 데이터를 대표값으로 지정할 수도 있다. 해당 그룹의 데이터가 충분하다고 하면 중심 벡터를 구하는 것이 바람직하지만, 데이터 분석을 진행할 때 효율성을 고려한다면 지역을 선정하는 것이 더 나을 수 있다. 중심 벡터를 그때마다 계산하여 입력으로 사용하는 것보다 대표 지점을 선정하여 그곳으로부터 획득되는 측정값을 입력으로 사용하는 것이 보다 편리할 수 있기 때문이다.Subsequently, in the step of selecting a representative value for each group (S350), a center vector may be calculated for each grid represented as a unit in FIG. may be If the data of the group is sufficient, it is desirable to obtain the center vector, but if efficiency is considered when conducting data analysis, it may be better to select a region. This is because it may be more convenient to select a representative point and use the measured value obtained from the representative point as an input than to calculate the center vector each time and use it as an input.
각 그룹별 대표값이 선정되면, 연관 분석을 통해 분할된 그룹 간의 연관성을 파악한다(S360). 연관관계 분석은 그래프를 구성하여 지리적 상관성을 고려한 시공간 복합 분석에 활용된다.When a representative value for each group is selected, correlation between divided groups is identified through association analysis (S360). Association analysis is used for space-time complex analysis considering geographic correlation by constructing a graph.
그룹 간의 연관성이 파악되면, 연관성이 높은 그룹 간의 연결 링크를 만들어 그래프를 구성한다. 본 발명의 일 실시예에서는, 연관계수, 즉, 결정 계수 R2를 0.65로 설정하였지만 이 값은 적용 도메인에 따라 조정될 수 있다. 예를 들어, K 값이 큰 경우 노드가 많아지게 되므로 그래프를 성기게(Sparse), 즉 조밀하지 않게 만들기 위해서는 R2를 값을 높게 설정하여 연결 링크의 개수를 줄이는 것이 효과적이다.When the correlation between groups is identified, a graph is constructed by creating connection links between groups with high correlation. In one embodiment of the present invention, the association coefficient, that is, the coefficient of determination R 2 is set to 0.65, but this value may be adjusted according to the application domain. For example, if the value of K is large, the number of nodes increases. Therefore, in order to make the graph sparse, that is, not dense, it is effective to reduce the number of connecting links by setting R 2 to a high value.
아래 수학식 2는 상관 관계를 분석한 결과로, 그룹 i및 j간의 상관계수를 제곱한 값인 결정계수 R2 ij 의 행렬로 나타내고 있다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 특정 결정계수 값에 따라 구성된 연결 링크를 나타낸 도면이다.5A and 5B are diagrams illustrating connection links configured according to a specific coefficient of determination according to an embodiment of the present invention.
도 5a 및 도 5b에서 각 그룹은 숫자로 구분되는 노드에 의해 표현될 수 있다. 수학식 2 및 도 5a를 참조하면, 예를 들어, 그룹 2와 그룹 3 노드 간의 결정 계수가 0.71이고 경계 값을 0.65로 선택하면 그룹 2에 대한 노드와 그룹 3에 대한 노드 간의 링크가 표시된다. 여기서, 경계 값을 0.8로 높이게 되면 도 5b와 같이 링크가 사라지게 된다.In FIGS. 5A and 5B , each group may be represented by a numbered node. Referring to
도 6은 본 발명의 일 실시예에 따른 노드 간 연결 링크를 이용하여 녹조를 예측하는 지리 모델을 나타낸 도면이다.6 is a diagram illustrating a geographic model for predicting green algae using a connection link between nodes according to an embodiment of the present invention.
도 6은 대청호 수질을 예측하기 위해 구성된 지리 모델에서 서로 유사성을 보이는 셀들을 묶어서 분석(및 예측)의 동일 단위로 활용한 예를 도시한다. 도 6의 예에서는 지리적 연관성을 중요하게 넣어 서로 인접한 단위로 구분하였는데, 실제 RGB값으로만 분할을 실행하면 서로 인접하지 않은 지역도 하나의 그룹으로 같이 묶일 수 있어 지도 위에 표시할 수 없는 경우가 발생하기 때문이다. 도 6에서 노드의 크기는 유사성을 갖는 지역들의 크기와 비례하여 표현되어 있다. 또한, 6 shows an example in which cells showing similarity to each other are grouped and used as the same unit of analysis (and prediction) in the geographic model constructed to predict the water quality of Daecheong Lake. In the example of FIG. 6, geographic relevance is important and divided into units adjacent to each other. However, if division is performed only by actual RGB values, non-adjacent regions can be grouped together and cannot be displayed on the map. because it does In FIG. 6, the size of a node is expressed in proportion to the size of regions having similarities. also,
이렇게 구성된 지리 모델에 대해서는 그래프 분석이 시행될 수 있다. 본 발명에서는 다양한 그래프 분석을 실시할 수 있는데 그 내용은 적용 도메인에 따라 다를 수 있다. 이러한 그래프 분석을 통해 영향력 분석을 진행하면 수질 개선을 위해 어디를 집중 관리해야 하는지 파악할 수 있다. 예를 들어, 도 6에서 노드 50, 51, 52는 다른 노드들에 많은 영향을 끼치는 노드이다. 이들 중 특히 노드 50의 경우 영향력이 가장 큰 노드이므로, 수질 개선을 위해서는 노드 50에 속하는 지역을 집중 관리해야 함을 알 수 있다. A graph analysis may be performed on the geographic model configured in this way. In the present invention, various graph analyzes can be performed, and the content may vary depending on the application domain. By conducting an impact analysis through such graph analysis, it is possible to identify where to focus management to improve water quality. For example,
본 발명은 또한, DNN(Deep Neural Network; 심층신경망)을 이용한 분석을 포함할 수 있다. 앞서 실시예들을 통해 살펴본 바와 같이 본 발명에 따르면 그룹 단위로 분석을 수행하고 예측 결과가 그룹 단위로 고정된다. DNN을 이용해 환경 데이터을 분석하고 예측하는 데 본 발명이 사용되면, 동일한 그룹에 속하는 여러 지점은 서로 유사성을 갖기 때문에 같은 그룹의 대표 지점에서 수집된 데이터만으로도 나머지 지점에서의 녹조 정보를 예측할 수 있다. The present invention may also include analysis using a Deep Neural Network (DNN). As described in the previous embodiments, according to the present invention, analysis is performed in groups, and prediction results are fixed in groups. If the present invention is used to analyze and predict environmental data using DNN, since several points belonging to the same group have similarities, it is possible to predict green algae information at the remaining points only with data collected from representative points of the same group.
도 7은 본 발명의 일 실시예에 따른 지리적 공간에 대한 시공간 데이터 분석 장치의 블록 구성도이다. 7 is a block diagram of an apparatus for analyzing space-time data for geographic space according to an embodiment of the present invention.
본 발명의 일 실시예에 따른 지리적 공간에 대한 시공간 데이터 분석 장치는, 적어도 하나의 프로세서(710), 상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리(720) 및 네트워크와 연결되어 통신을 수행하는 송수신 장치(730)를 포함할 수 있다. 지리적 공간에 대한 시공간 데이터 분석 장치에 의해 분석 및 예측되는 데이터는 환경 이벤트, 특히 녹조 발생과 관련한 데이터일 수 있다. 따라서, 지리적 공간에 대한 시공간 데이터 분석 장치는 예를 들어 녹조 예측 장치일 수 있다.An apparatus for analyzing space-time data for geographic space according to an embodiment of the present invention is connected to at least one
지리적 공간에 대한 시공간 데이터 분석 장치(700)는 또한, 입력 인터페이스 장치(740), 출력 인터페이스 장치(750), 저장 장치(760) 등을 더 포함할 수 있다. 초해상도 영상 생성 장치(700)에 포함된 각각의 구성 요소들은 버스(bus)(770)에 의해 연결되어 서로 통신을 수행할 수 있다. The spatial-temporal
프로세서(710)는 메모리(720) 및 저장 장치(760) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(710)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 메모리(720) 및 저장 장치(760) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(720)는 읽기 전용 메모리(Read Only Memory, ROM) 및 랜덤 액세스 메모리(Random Access Memory, RAM) 중에서 적어도 하나로 구성될 수 있다.The
여기서, 적어도 하나의 명령은, 상기 프로세서로 하여금, 시공간으로 변화하는 데이터를 이미지화하도록 하는 명령; 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하도록 하는 명령; 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령; 및 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다. Here, the at least one command may include: a command for causing the processor to image data changing in space-time; a command for selecting a representative image according to each transition state according to a temporal and spatial change of imaged data; A command for clustering and grouping pixels in the selected image; and a command for performing data analysis for each same group.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령은, 상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하도록 하는 명령을 포함할 수 있다.The command for clustering and grouping the pixels in the selected image may include a command for color-dividing and grouping the pixels using a K-means algorithm.
상기 이미지화된 데이터는 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현될 수 있다. The imaged data may be expressed as a 5-dimensional vector including color-related data and geographic information for each pixel.
상기 동일한 그룹 별로 데이터 분석을 수행하도록 하는 명령은, 상기 각 그룹에 대한 대표 값을 선정하도록 하는 명령; 및 상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령을 포함할 수 있다.The command to perform data analysis for each group may include a command to select a representative value for each group; and a command for performing data analysis based on the representative value.
상기 대표 값을 바탕으로 데이터 분석을 수행하도록 하는 명령은, 상기 대표 값을 바탕으로 그룹별 연관관계 분석을 수행하여 그룹 간의 연관성을 파악하도록 하는 명령; 상기 각 그룹을 노드로 설정하여 상기 연관관계 분석 결과를 바탕으로 노드 간 연결 링크를 설정하도록 하는 명령; 및 상기 노드 간 연결 링크의 형태에 따라 노드 간 영향력 분석을 수행하도록 하는 명령을 포함할 수 있다. The command for performing data analysis based on the representative value may include: a command for determining a relationship between groups by performing correlation analysis for each group based on the representative value; a command for setting each group as a node and establishing a connection link between nodes based on a result of the correlation analysis; and a command for performing influence analysis between nodes according to the shape of the connection link between the nodes.
상기 노드 간 영향력 분석을 수행하도록 하는 명령은, 상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하도록 하는 명령을 포함할 수 있다.The command for performing the influence analysis between nodes may include a command for determining a main management target node connected to a plurality of nodes through a graph analysis of a shape of a connection link between the nodes.
상기 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현될 수 있다. The association between the groups may be expressed as a value of the coefficient of determination derived through correlation analysis.
상기 적어도 하나의 명령은, 상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하도록 하는 명령을 더 포함할 수 있으며, 여기서 환경 이벤트는 녹조 발생을 포함한다.The at least one command may further include a command for predicting an environmental event for one or more regions included in the group according to a result of analyzing the data for each group, wherein the environmental event includes occurrence of algal bloom.
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현될 수 있다.The color-related data for each pixel may be expressed in a Hue, Saturation, Lightness (HSL) or Hue, Saturation, Value (HSV) format.
이상 실시예들을 통해 살펴본 바와 같은 본 발명은 시간과 공간적 연속성이 있는 데이터를 분석하여 미래 예측을 수행하는 데 효과적인 방법을 제시한다. 유사성을 기반으로 이미지를 분할(Clustering)하고 변화를 추적하는 방식으로서, 특정 지역이 아니라 지역 전체에 대해 서로 구별되는 세밀한 예측이 가능하다. 이런 예측은 기존의 선형보간 방법보다 훨씬 정확한 결과를 도출할 수 있다.As described through the above embodiments, the present invention presents an effective method for predicting the future by analyzing data having temporal and spatial continuity. As a method of clustering images based on similarity and tracking changes, it is possible to make detailed predictions differentiated from each other for the entire region rather than a specific region. This prediction can produce much more accurate results than conventional linear interpolation methods.
본 발명의 실시예에 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 embodiment 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.
Claims (20)
상기 지리적 공간 전체에서 확보한 각 지역에서의 시공간으로 변화하는 데이터를 이미지화하여 시간에 따라 생성되는 히트 맵 이미지를 얻는 단계;
상기 히트 맵 이미지들을 포함한 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하는 단계;
상기 선정된 대표 이미지가 그룹들을 포함하는 형태로 표현되도록 상기 선정된 대표 이미지 내 픽셀들을 클러스터링하여 복수의 그룹들로 그룹화하는 단계;
상기 복수의 그룹들의 그룹별 대표값을 상징하는 지역을 선정하고 해당 지역의 데이터를 대표값으로 지정하는 단계;
상기 대표값을 토대로 상기 복수의 그룹들 간 연관관계 분석을 실행하는 단계-여기서 상기 연관관계 분석의 결과는 그래프로 표시됨-;
상기 복수의 그룹들 각각을 노드로 두고 노드들 간 연결 링크를 상기 연관관계 분석의 결과값과 미리 설정된 결정 계수에 따라 생성하는 단계; 및
상기 노드들 간 연결 링크의 형태에 대한 그래프 분석을 통해 그룹 별로 데이터 분석을 수행하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.A method of analyzing space-time data for a geographic space including one or more regions, performed by a processor configured to execute at least one instruction stored in a memory, comprising:
obtaining a heat map image generated according to time by imaging data that changes in time and space in each region obtained from the entire geographic space;
selecting a representative image according to each transition state according to temporal and spatial changes of the imaged data including the heat map images;
clustering pixels in the selected representative image and grouping them into a plurality of groups so that the selected representative image is expressed in a form including groups;
selecting a region symbolizing a representative value of each group of the plurality of groups and designating data of the corresponding region as a representative value;
Executing correlation analysis between the plurality of groups based on the representative value, wherein the result of the correlation analysis is displayed as a graph;
setting each of the plurality of groups as a node and generating a connection link between the nodes according to a result value of the correlation analysis and a predetermined coefficient of determination; and
A method for analyzing space-time data for geographic space, comprising the step of performing data analysis for each group through graph analysis of the shape of a connection link between the nodes.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하는 단계는,
상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.The method of claim 1,
The step of clustering and grouping the pixels in the selected image,
A method of analyzing space-time data for geographic space, comprising the step of color-dividing and grouping the pixels using a K-means algorithm.
상기 이미지화된 데이터는,
픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 방법.The method of claim 1,
The imaged data,
A spatio-temporal data analysis method for geographic space, expressed as a 5-dimensional vector containing pixel-by-pixel color-related data and geographic information.
상기 데이터 분석을 수행하는 단계는,
상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하는 단계를 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.The method of claim 1,
The step of performing the data analysis is,
A method for analyzing space-time data for geographic space, comprising determining a main management target node connected to a plurality of nodes through a graph analysis of a shape of a connection link between the nodes.
상기 연관관계 분석을 통해 파악되는 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 방법.The method of claim 1,
The association between the groups identified through the association analysis is expressed as a coefficient of determination derived through correlation analysis, space-time data analysis method for geographic space.
상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하는 단계를 더 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.The method of claim 1,
The spatio-temporal data analysis method for geographic space, further comprising predicting an environmental event for one or more regions included in the corresponding group according to the data analysis result for each group.
상기 환경 이벤트는 녹조 발생을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 방법.The method of claim 8,
Wherein the environmental event comprises the occurrence of algae, a method for analyzing space-time data for geographic space.
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 방법.The method of claim 3,
Wherein the color-related data for each pixel is expressed in a Hue, Saturation, Lightness (HSL) or Hue, Saturation, Value (HSV) format.
프로세서; 및
상기 프로세서를 통해 실행되는 적어도 하나의 명령을 저장하는 메모리를 포함하고,
상기 적어도 하나의 명령은,
상기 지리적 공간 전체에서 확보한 각 지역에서의 시공간으로 변화하는 데이터를 이미지화하여 시간에 따라 생성되는 히트 맵 이미지를 얻도록 하는 명령;
상기 히트 맵 이미지들을 포함한 이미지화된 데이터의 시공간 변화에 따른 각 천이 상태에 따라 대표 이미지를 선정하도록 하는 명령;
상기 선정된 대표 이미지가 그룹들을 포함하는 형태로 표현되도록 상기 선정된 대표 이미지 내 픽셀들을 클러스터링하여 복수의 그룹들로 그룹화하도록 하는 명령;
상기 복수의 그룹들의 그룹별 대표값을 상징하는 지역을 선정하고 해당 지역의 데이터를 대표값으로 지정하도록 하는 명령;
상기 대표값을 토대로 상기 복수의 그룹들 간 연관관계 분석을 실행하도록 하는 명령-여기서 상기 연관관계 분석의 결과는 그래프로 표시됨-;
상기 복수의 그룹들 각각을 노드로 두고 노드들 간 연결 링크를 상기 연관관계 분석의 결과값과 미리 설정된 결정 계수에 따라 생성하도록 하는 명령; 및
상기 노드들 간 연결 링크의 형태에 대한 그래프 분석을 통해 그룹 별로 데이터 분석을 수행하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.A spatio-temporal data analysis device for a geographic space including one or more regions,
processor; and
a memory storing at least one instruction executed by the processor;
The at least one command,
a command to acquire a heat map image generated according to time by imaging data that changes in space and time in each region obtained from the entire geographic space;
a command for selecting a representative image according to each transition state according to a temporal and spatial change of the imaged data including the heat map images;
a command for clustering pixels in the selected representative image and grouping them into a plurality of groups so that the selected representative image is expressed in a form including groups;
a command for selecting a region symbolizing a representative value of each group of the plurality of groups and designating data of the corresponding region as a representative value;
a command for executing correlation analysis between the plurality of groups based on the representative value, wherein a result of the correlation analysis is displayed as a graph;
a command for setting each of the plurality of groups as a node and generating a connection link between the nodes according to a result value of the correlation analysis and a predetermined coefficient of determination; and
Space-time data analysis apparatus for geographic space, comprising a command to perform data analysis for each group through graph analysis of the shape of the connection link between the nodes.
상기 선정된 이미지 내 픽셀들을 클러스터링하여 그룹화하도록 하는 명령은,
상기 픽셀들을 K-평균(K-means) 알고리즘을 이용해 색분할하여 그룹화하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치. The method of claim 11,
The command to cluster and group the pixels in the selected image,
Apparatus for analyzing space-time data for geographic space, comprising a command for grouping the pixels by color-dividing them using a K-means algorithm.
상기 이미지화된 데이터는 픽셀별 색상 관련 데이터 및 지리 정보를 포함하는 5차원 벡터로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 장치. The method of claim 11,
The imaged data is expressed as a 5-dimensional vector including color-related data and geographic information for each pixel, space-time data analysis device for geographic space.
상기 데이터 분석을 수행하도록 하는 명령은,
상기 노드 간 연결 링크의 형태에 대한 그래프 분석을 통해 다수의 노드와 연결된 주요 관리 대상 노드를 판단하도록 하는 명령을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.The method of claim 11,
The command to perform the data analysis is,
A spatio-temporal data analysis device for geographic space, comprising a command for determining a main management target node connected to a plurality of nodes through a graph analysis of the shape of the connection link between the nodes.
상기 연관관계 분석을 통해 파악된 그룹 간의 연관성은 상관 분석을 통해 도출된 결정계수 값으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 장치.The method of claim 11,
The association between the groups identified through the association analysis is expressed as a coefficient of determination value derived through correlation analysis, space-time data analysis device for geographic space.
상기 적어도 하나의 명령은,
상기 그룹 별 데이터 분석 결과에 따라, 해당 그룹에 포함된 하나 이상의 지역에 대한 환경 이벤트를 예측하도록 하는 명령을 더 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.The method of claim 11,
The at least one command,
Apparatus for analyzing spatio-temporal data for geographic space, further comprising a command for predicting an environmental event for one or more regions included in the corresponding group according to a result of analyzing the data for each group.
상기 환경 이벤트는 녹조 발생을 포함하는, 지리적 공간에 대한 시공간 데이터 분석 장치.The method of claim 18
The environmental event is space-time data analysis device for geographic space, including the occurrence of algae.
상기 픽셀별 색상 관련 데이터는, HSL(Hue, Saturation, Lightness) 또는 HSV(Hue, Saturation, Value) 형식으로 표현되는, 지리적 공간에 대한 시공간 데이터 분석 장치.
The method of claim 13,
The color-related data for each pixel is expressed in a Hue, Saturation, Lightness (HSL) or Hue, Saturation, Value (HSV) format.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/686,909 US11416701B2 (en) | 2018-11-19 | 2019-11-18 | Device and method for analyzing spatiotemporal data of geographical space |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180142910 | 2018-11-19 | ||
| KR20180142910 | 2018-11-19 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200058278A KR20200058278A (en) | 2020-05-27 |
| KR102492843B1 true KR102492843B1 (en) | 2023-01-27 |
Family
ID=70911050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190114916A KR102492843B1 (en) | 2018-11-19 | 2019-09-18 | Apparatus and method for analyzing spatio temporal data for geo-location |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102492843B1 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102398029B1 (en) * | 2020-09-21 | 2022-05-16 | 디토닉 주식회사 | Method and System for Predicting of Road Surface Condition Using Spatial Clustering |
| CN113807208B (en) * | 2021-08-30 | 2024-05-31 | 中科海慧（天津）科技有限公司 | Enteromorpha monitoring method and device, electronic equipment and storage medium |
| CN118133575B (en) * | 2024-05-06 | 2024-07-26 | 中国人民解放军国防科技大学 | Method, device, equipment and medium for digital simulation data subdivision organization |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100913194B1 (en) | 2007-08-10 | 2009-08-24 | 인하대학교 산학협력단 | Ubiquitous realtime monitoring system for underground facility using a GIS |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7110454B1 (en) | 1999-12-21 | 2006-09-19 | Siemens Corporate Research, Inc. | Integrated method for scene change detection |
-
2019
- 2019-09-18 KR KR1020190114916A patent/KR102492843B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100913194B1 (en) | 2007-08-10 | 2009-08-24 | 인하대학교 산학협력단 | Ubiquitous realtime monitoring system for underground facility using a GIS |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200058278A (en) | 2020-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Classifying airborne LiDAR point clouds via deep features learned by a multi-scale convolutional neural network | |
| CN108537742B (en) | Remote sensing image panchromatic sharpening method based on generation countermeasure network | |
| CN107292339B (en) | Unmanned aerial vehicle low-altitude remote sensing image high-resolution landform classification method based on feature fusion | |
| KR102492843B1 (en) | Apparatus and method for analyzing spatio temporal data for geo-location | |
| CN105354273A (en) | Method for fast retrieving high-similarity image of highway fee evasion vehicle | |
| CN113920442B (en) | Hyperspectral classification method combining graph structure and convolutional neural network | |
| CN108052966A (en) | Remote sensing images scene based on convolutional neural networks automatically extracts and sorting technique | |
| CN111639587B (en) | Hyperspectral image classification method based on multi-scale spectrum space convolution neural network | |
| He et al. | A robust method for wheatear detection using UAV in natural scenes | |
| Yadav et al. | An improved deep learning-based optimal object detection system from images | |
| Doi et al. | The effect of focal loss in semantic segmentation of high resolution aerial image | |
| CN109657582A (en) | Recognition methods, device, computer equipment and the storage medium of face mood | |
| Chatterjee et al. | Intelligent Road Maintenance: a Machine Learning Approach for surface Defect Detection. | |
| CN112801236B (en) | Image recognition model migration method, device, equipment and storage medium | |
| Silver et al. | In vino veritas: Estimating vineyard grape yield from images using deep learning | |
| CN112528058B (en) | Fine-grained image classification method based on image attribute active learning | |
| CN117011616B (en) | Image content auditing method and device, storage medium and electronic equipment | |
| CN113378785A (en) | Forest type identification method and device | |
| Guo et al. | Using multi-scale and hierarchical deep convolutional features for 3D semantic classification of TLS point clouds | |
| Li et al. | MVF-CNN: Fusion of multilevel features for large-scale point cloud classification | |
| CN115240168A (en) | Perception result obtaining method and device, computer equipment and storage medium | |
| CN118279320A (en) | Target instance segmentation model building method based on automatic prompt learning and application thereof | |
| US11416701B2 (en) | Device and method for analyzing spatiotemporal data of geographical space | |
| CN116612272A (en) | Intelligent digital detection system for image processing and detection method thereof | |
| CN109993071A (en) | The method and system of discoloration forest automatic identification and investigation based on remote sensing image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |