KR102500534B1 - 순환신경망 기반 수자원 정보 생성 장치 및 방법 - Google Patents
순환신경망 기반 수자원 정보 생성 장치 및 방법 Download PDFInfo
- Publication number
- KR102500534B1 KR102500534B1 KR1020220067656A KR20220067656A KR102500534B1 KR 102500534 B1 KR102500534 B1 KR 102500534B1 KR 1020220067656 A KR1020220067656 A KR 1020220067656A KR 20220067656 A KR20220067656 A KR 20220067656A KR 102500534 B1 KR102500534 B1 KR 102500534B1
- Authority
- KR
- South Korea
- Prior art keywords
- water
- resource information
- neural network
- measurement data
- water resource
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 289
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 109
- 230000009193 crawling Effects 0.000 claims abstract description 19
- 238000013480 data collection Methods 0.000 claims abstract description 18
- 238000010191 image analysis Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 35
- 239000008399 tap water Substances 0.000 claims description 27
- 235000020679 tap water Nutrition 0.000 claims description 27
- 238000000746 purification Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 9
- 238000001704 evaporation Methods 0.000 claims description 4
- 230000008020 evaporation Effects 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 230000008595 infiltration Effects 0.000 claims description 3
- 238000001764 infiltration Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 15
- 238000007781 pre-processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Game Theory and Decision Science (AREA)
- Food Science & Technology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
본 발명은 수자원 정보 생성 장치 및 방법에 관한 것이다. 본 발명의 실시 예에 따른 수자원 정보 생성 장치는 수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센싱부로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하는 수자원 정보 생성부와 과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 대응하는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정하는 순환신경망 보정부를 포함한다. 본 발명의 실시 예에 따른 수자원 정보 생성 장치는 도시 내 물 공급 및 물 순환 정보 등 도시 수자원 정보 제공의 정확도와 신뢰성 향상시키고, 수자원 관리 시설에 의해 생성된 수자원에 대한 시민 만족도 등 직접적인 측정이 불가능한 항목에 대해 정확한 정보를 제공할 수 있다.
Description
본 발명은 수자원 정보 생성 장치 및 방법에 관한 것으로, 특히 지속적으로 보정되는 순환신경망에 기반하여 수자원 정보를 생성하는 수자원 정보 생성 장치 및 그 동작 방법에 관한 것이다.
최근 도시 내 수자원 관리 시설의 효율적 운영 및 관리의 필요성이 대두됨에 따라 도시 수자원 데이터 수집 및 처리에 대한 연구 개발이 가속화되고 있다. 기존의 수자원 데이터 수집 및 처리 기술은 물리적인 센서에만 의존하거나, 수자원 정보 생성/예측을 위한 모델링 예측 결과와 실제 결과 사이의 정확도가 떨어지는 문제점이 있으며, 시민 만족도 등 직접적인 측정이 불가능한 항목에 대한 정보 제공의 정확도가 떨어지는 문제점이 있다.
따라서, 도시 내 물 공급 및 물 순환 정보 등 도시 수자원 정보 제공의 정확도와 신뢰성 향상을 위한 기술과 수자원 관리 시설에 의해 생성된 수자원에 대한 시민 만족도 등 직접적인 측정이 불가능한 항목에 대한 데이터 수집과 처리 기술이 필요한 실정이다.
본 발명이 해결하고자 하는 일 과제는, 지속적인 순환신경망 모델 보정을 통해 도시 내 물 공급 및 물 순환 정보 등 도시 수자원 정보 제공의 정확도와 신뢰성 향상시키는데 있다.
본 발명의 일 과제는, 수자원 관리 시설에 의해 생성된 수자원에 대한 시민 만족도 등 직접적인 측정이 불가능한 항목에 대해 정확한 정보를 제공하는데 있다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다.
본 발명의 실시 예에 따른 수자원 정보 생성 장치는 수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센싱부로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하는 수자원 정보 생성부와 과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 대응하는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정하는 순환신경망 보정부를 포함한다..
실시 예에 있어서, 상기 수자원 정보 생성부는, 상기 제2 측정 데이터에 기초하여 특정 지역의 물순환 시설의 물순환 정보를 생성하는 물 순환 정보 생성부; 및 상기 제1 및 상기 제2 측정 데이터에 기초하여 특정 지역의 물공급 시설의 물공금 정보를 생성하는 물공급 정보 생성부를 포함할 수 있다.
실시 예에 있어서, 상기 수자원 정보 생성부는, 상기 제1 및 상기 제2 측정데이터 및 상기 순환신경망 모델과 상이한 인공신경망 모델에 더 기초하여 수자원 정보에 대한 시민 만족도 점수를 예측하는 시민 만족도 예측부를 더 포함할 수 있다.
실시 예에 있어서, 상기 물순환 정보 생성부는 상기 제 2 측정 데이터 중 위성 영상 정보, 드론 영상 정보, 기상 조건 중 적어도 하나에 기초하여, 상기 물 순환 시설 관련 침투량, 증발량, 표면 유출량, 토양 수분 정보중 적어도 하나를 생성하며, 상기 물공급 정보 생성부는, 상기 제 1측정 데이터 중 탁도 정보, 전도도 정보 중 적어도 하나 및 상기 제2 측정 데이터 중 취수원 조건, 정수장 상태 중 적어도 하나에 기초하여 상기 물 공급 시설 관련 수질 정보 및 수량 정보를 생성할 수 있다.
실시 예에 있어서, 상기 시민 만족도 예측부는, 상기 제1 측정 데이터 중 상기 탁도 정보, 상기 전도도 정보 중 적어도 하나 및 상기 제2 측정 데이터 중 상기 취수원 조건, 상기 정수장 상태, 상기 기상 조건 중 적어도 하나를 포함하는 만족도 예측 입력 변수와 시기별 상기 예측 입력 변수에 대응하는 수돗물의 맛, 수돗물에 대한 신뢰감, 수돗물에 대한 관심 정보를 이용하여 상기 인공신경망 모델을 훈련시키는 인공신경망 모델 훈련부를 포함할 수 있다.
실시 예에 있어서, 인공 신경망 모델 훈련부는, 상기 수돗물의 맛, 상기 수돗물에 대한 신뢰감, 상기 수돗물에 대한 관심 정보에 각각에 서로 상이한 제 1 내지 제3 가중치 파라미터를 이용하여 상기 인공신경망 모델을 훈련시키며, 상기 제1 내지 제3 가중치 파라미터 중 제3 가중치 파라미터가 가장 낮은 값을 가질 수 있다.
본 발명의 일 실시예에 따른, 수자원 정보를 생성하기 위한 수자원 정보 생성 장치에 의해 수행되는 수자원 정보 생성 방법은, 수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센서로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하는 단계; 및
과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 매칭되는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따른 수자원 정보를 생성하는 수자원 정보 생성 장치는, 적어도 하나의 명령어(instruction)를 저장하는 적어도 하나의 메모리(memory); 및 상기 메모리에 연결되는 적어도 하나의 프로세서(processor)를 포함하고, 상기 적어도 하나의 프로세서는 상기 적어도 하나의 명령어를 실행하여:
수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센서로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하고, 과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 매칭되는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정할 수 있다.
본 발명의 일 실시예에 따른 수자원 정보를 생성하는 수자원 정보 생성 장치는, 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하여 제2 측정 데이터를 생성하는 소프트웨어 센싱부; 수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센서로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하는 수자원 정보 생성부; 및 과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 매칭되는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망을 보정하는 순환신경망 보정부를 포함할 수 있다.
본 발명의 실시 예에 따른 수자원 정보 생성 장치는 도시 내 물 공급 및 물 순환 정보 등 도시 수자원 정보 제공의 정확도와 신뢰성 향상시키고, 수자원 관리 시설에 의해 생성된 수자원에 대한 시민 만족도 등 직접적인 측정이 불가능한 항목에 대해 정확한 정보를 제공할 수 있다.
도 1은 순환신경망 기반 수자원 정보 생성 시스템의 예시도이다.
도 2는 도 1의 수자원 정보 생성 장치의 동작을 보다 자세하게 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 수자원 정보 생성부를 보여주는 블록도이다.
도 4는 본 발명의 일 실시예에 따른 시민 만족도 예측부의 구성을 도시하는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 수자원 정보 생성 방법을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 수자원 정보 생성 장치의 구성을 도시하는 블록도이다.
도 2는 도 1의 수자원 정보 생성 장치의 동작을 보다 자세하게 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 수자원 정보 생성부를 보여주는 블록도이다.
도 4는 본 발명의 일 실시예에 따른 시민 만족도 예측부의 구성을 도시하는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 수자원 정보 생성 방법을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 수자원 정보 생성 장치의 구성을 도시하는 블록도이다.
본 발명에서 사용한 용어는 단지 특정한 실시 예를 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 존 재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
도 1은 본 발명의 실시예에 따른 수자원 정보 생성 장치, 하드웨어 센서, 소프트웨어 센서, 데이터 베이스를 포함하는 순환신경망 기반 수자원 정보 생성 시스템의 예시도이다. 도 1을 참조하면, 순환신경망 기반 수자원 정보 생성 시스템(10)은 수자원 정보 생성 장치(100), 하드웨어 센서(210), 소프트웨어 센싱부(220), 데이터 베이스(300)를 포함할 수 있다.
수자원 정보 생성 장치(100)는 하드웨어 센서(210)로부터 생성된 제1 측정 데이터(mea_data1) 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센싱부(220)로부터 생성된 제2 측정 데이터(mea_data2) 중 적어도 하나를 인공신경망 모델에 시계열적으로 입력하여 수자원 정보를 생성할 수 있다.
여기서, 수자원 정보는 특정 지역의 물 순환 시설의 물 순환 정보(w_cir_inf), 특정 지역의 물 공급 시설의 물 순환 정보(w_sup_inf)를 포함할 수 있다. 일 실시예에서, 수자원 정보는 물 순환 정보(w_cir_inf), 물 순환 정보(w_sup_inf)뿐만 아니라 수자원에 대한 시민 만족도 점수(c_sat_scr) 를 더 포함할 수 있다.
수자원 정보 생성 장치(100)는 제1 측정 데이터(mea_data1), 제2 측정 데이터(mea_data2) 및 이에 기초하여 생성된 수자원 정보를 데이터 셋의 형태로 데이터 베이스(300)에 저장할 수 있다. 수자원 정보 생성 장치(100)는 데이터 베이스(300)에 저장된 데이터 셋을 이용하여 수자원 정보 생성시 사용한 인공신경망 모델을 보정할 수 있다. 일 실시예에서, 수자원 정보 생성 장치(100)는 데이터 베이스(300)에 저장된 과거 이력 데이터 셋을 이용하여 수자원 정보 생성시 사용한 인공신경망 모델의 파라미터와 알고리즘을 조정하여 모델을 최적화할 수 있다. 따라서, 신뢰도와 정확성이 높은 수자원 정보를 제공할 수 있다.
데이터 베이스(300)는 수자원 정보 생성 장치(100)에서 생성된 수자원 정보와 수자원 정보 생성시 사용된 입력 데이터를 데이터 셋으로 하여 과거 이력 데이터를 저장할 수 있다. 데이터 베이스(300)는 수자원 정보 생성 장치(100) 내에 배치될 수도 있으나, 수자원 정보 생성 장치(100)와 분리된 장소에 설치될 수 있으며, 클라우드 형태로 사용될 수 있다.
하드웨어 센서(210)는 수처리 시설에 설치된 센서이며, 수질 센서, 수량 계측기 중 적어도 하나를 포함할 수 있다. 수질 센서는 탁도계, pH 센서, 전기전도도 센서 등을 포함할 수 있으며, 수량 계측기는 유량측정장치, 수위 센서 등을 포함할 수 있으나, 이에 한정되지는 않는다.
하드웨어 센서(210)는 제1 측정 데이터(mea_data1)를 생성할 수 있다. 제1 측정 데이터(mea_data1)는 수처리 시설에 대응되는 탁도, 전기 전도도, 온도, 잔류 염소, 수위 데이터를 포함할 수 있으나, 이에 한정되지는 않는다.
소프트웨어 센싱부(220)는 공공 데이터 수집, 웹 크로울링, 위성 영상분석 및 드론 영상분석 중 적어도 하나를 수행하여 제2 측정 데이터(mea_data2)를 생성한다. 소프트웨어 센싱부(220)는 공공 데이터 수집부, 웹크롤링부, 위성 및 드론 영상 수집부를 포함할 수 있다.
소프트웨어 센싱부(220)는 도 1에 도시된 바와 같이 수자원 정보 생성 장치(100)와 별도로 배치되어 수자원 정보 생성 장치(100)에 제2 측정 데이터(mea_data2)를 송신할 수 있다. 다른 실시예에서는, 소프트웨어 센싱부(220)가 수자원 정보 생성 장치(100) 내에 배치되어 수자원 정보 생성장치(100)의 제어 신호에 기초하여 외부 네트워크를 통해 공공 데이터를 수집하고, 웹 크로울링을 수행하거나, 위성 및 드론 영상을 수집할 수도 있다.
공공 데이터 수집부는 강우량 등의 기상 정보, 취수원 조건, 정수장 상태 등의 공공 데이터의 수집을 수행할 수 있다, 공공 데이터는 이에 한정되지 않으며, 공공기관의 웹사이트를 통해 접근할 수 있는 데이터를 포함할 수 있다.
웹 크롤링부는 웹 상에서 수질, 수자원에 대한 시민 만족도와 관련된 데이터를 탐색하여 수집한다. 웹 크롤링부가 수집하는 데이터는 소셜 네트워크 서비스 상에 게재된 수질, 수자원에 대한 만족도와 관련된 비정형 데이터일 수 있으나, 이에 한정되지는 않는다.
위성 및 드론 영상 수집부는 취수원, 물 공급 시설(정수장, 배수지, 상수관망)과 관련된 위성 및 드론 영상을 수집할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 순환신경망 기반 수자원 정보 생성 시스템(10)은 도시 내 물 공급 및 물 순환 정보(w_cir_inf) 등 도시 수자원 정보 제공의 정확도와 신뢰성 향상시키고, 수자원 관리 시설에 의해 생성된 수자원에 대한 시민 만족도 등 직접적인 측정이 불가능한 항목에 대해 정확한 정보를 제공할 수 있다.
도 2는 도 1의 수자원 정보 생성 장치의 동작을 보다 자세하게 설명하기 위한 도면이다.
도 2를 참조하면, 수자원 정보 생성 장치(100)는 데이터 전처리부(110), 수자원 정보 생성부(120), 순환신경망 모델 보정부(130)를 포함한다.
데이터 전처리부(110)는 하드웨어 센서(210)로부터 제1 측정 데이터(mea_data1)를 수집하고, 소프웨어 센싱부(220)로부터 제2 측정 데이터(mea_data2)를 수집한 후, 이에 대한 전처리 동작을 수행하여 전처리된 제1 측정 데이터(mea_data1') 및 제2 측정 데이터(mea_data1')를 생성할 수 있다.
데이터 전처리부(110)는 제1 측정 데이터(mea_data1) 및 제2 측정 데이터(mea_data2)에 포함되는 데이터 별로 상이한 전처리를 수행할 수 있다.
데이터 전처리부(110)는 제1 측정 데이터(mea_data1)에 대해서 보간을 수행할 수 있다. 예를 들어, 데이터 전처리부(110)는 Akima interpolation, Time interpolation 및 Slinear Interpolation 중 적어도 하나의 보간법을 적용하여 센싱되지 않은 구간에 대한 정보를 생성할 수 있다.
데이터 전처리부(110)는 보간된 제1 측정 데이터(mea_data1) 중 수처리 시설에 대응되는 탁도, 전기 전도도, 온도, 잔류 염소, 수위 데이터와 같은 정형 데이터 및 제2 측정 데이터(mea_data2) 중 기상 정보 등의 수치 데이터에 대해서는 정규화 처리를 수행할 수 있다. 구체적으로, 데이터 전처리부는 후술하는 수자원 정보 예측 모델의 안정성과 정확성을 향상시키고 데이터의 오차를 효과적으로 줄이기 위해, 일정하지 않은 부분을 MIN/MAX 등의 알고리즘을 이용하여 정규화할 수 있다.
데이터 전처리부(110)는 제2 측정 데이터(mea_data2) 중 웹 크로울링으로 수집한 텍스트 데이터에 대해서 최소단위의 단어로 Tokenize(표식화) 하여 벡터 공간에 매핑(Mapping)하는 과정을 통해 데이터의 전처리를 수행할 수 있다. 예를 들어, '물 맛에 대한 만족도나 신뢰감'이라는 텍스트에 대해 형태소 분석을 통해 소비자 만족도 점수예측에 필요한 단어인 '물 맛', '만족도', '신뢰'를 추출하여 Word2Vec(Word to Vector)에 적합한 데이터를 만드는 벡터화하는 과정을 수행할 수 있다.
또한, 데이터 전처리부(110)는 위성 영상과 드론 영상에 대해 이미지를 행렬로 변환한 후 이를 입력변수로 활용하기 위한 전처리를 수행할 수 있다.
수자원 정보 생성부(120)는 전처리된 제1 및 제2 측정 데이터(mea_data2)를 입력변수로 하여 인공신경망에 기반한 수자원 정보 예측 모델에 입력하여 수자원 정보를 생성하고 예측할 수 있다.
예를 들어, 수자원 정보 예측 모델은 순환신경망(RNN: Recurrent Neural Network) 모델을 사용할 수 있다. 그러나, 본 발명의 실시예는 이에 한정되지 않으며, 장단기 메모리 (Long Short-Term Memory, LSTM) 모델 등 다른 신경망 모델을 사용할 수 있다.
수자원 정보 생성부(120)가 생성하는 수자원 정보는 특정 지역의 물 순환 시설의 물 순환 정보, 특정 지역의 물 공급 시설의 물 순환 정보(w_sup_inf)를 포함할 수 있다. 일 실시예에서, 수자원 정보는 물 순환 정보, 물 순환 정보(w_sup_inf) 뿐만 아니라 수자원에 대한 시민 만족도 점수(c_sat_scr)를 더 포함할 수 있다. 수자원 정보 생성부에 대해서는 도 3을 참조하여 보다 자세히 설명될 것이다.
수자원 정보 생성부(120)에 의해 생성된 수자원 정보는 수자원 정보 생성시 사용한 입력변수와 함께 데이터 셋의 형태로 데이터 베이스에 저장될 수 있다.
순환신경망 모델 보정부(130)는 데이터베이스에 저장된 데이터 셋을 사용하여 수자원 정보 생성시 사용한 순환신경망 모델을 보정할 수 있다. 일 실시예에서, 수자원 정보 생성 장치(100)는 데이터 베이스(300)에 저장된 과거 이력 데이터 셋을 이용하여 수자원 정보 생성시 사용한 순환신경망 모델의 파라미터와 알고리즘을 조정하여 모델을 최적화할 수 있다.
일 실시예에서, 순환신경망 모델 보정부는 제1 주기에 따라 순환신경망 모델을 보정할 수 있으며, 제1 주기는 수자원 정보 생성 정보 중 시민 만족도 점수(c_sat_scr)를 고려하여 정해질 수 있다. 예를 들어, 시민 만족도 점수(c_sat_scr)가 낮은 경우 제1 주기 값은 이에 이에 비례하여 작을 수 있으며, 이에 따라 순환신경망 모델을 작은 주기로 업데이트함으로써, 순환신경망 모델의 정확도를 높일 수 있으며, 시민 만족도 점수(c_sat_scr)가 높은 경우 제1 주기 값은 이에 비례하여 증가되며, 이에 따라 보다 큰 주기로 업데이트함으로써 이에 수반되는 연산량을 줄이는 효과를 얻을 수 있다.
도 3은 본 발명의 일 실시예에 따른 수자원 정보 생성부를 보여주는 블록도이다. 도 3을 참조하면, 수자원 정보 생성부는 물 순환 정보 생성부(121), 물 공급 정보 생성부(122), 시민 만족도 예측부(123)를 포함할 수 있다.
물 순환 정보 생성부(121)는 소프트웨어 센싱부에 의해 생성된 제2 측정 데이터(mea_data2)에 기초하여 특정 지역의 물순환 시설의 물순환 정보를 생성할 수 있다. 물 순환 정보 생성부는 제 2 측정 데이터 중 위성 영상 정보, 드론 영상 정보, 기상 조건 중 적어도 하나를 입력변수로 하여 순환신경망에 시계열적으로 입력함으로써, 물순환 시설 관련 침투량, 증발량, 표면 유출량, 토양 수분 정보중 적어도 하나를 생성할 수 있다.
일 실시예에서, 물 순환 정보 생성부(121)는 순환신경망 모델을 이루는 임베딩 레이어에 입력 변수로서 전처리된 위성 영상 정보, 드론 영상 정보, 기상 조건를 입력할 수 있다. 이렇게 입력된 시계열 데이터는 라벨링되어 히든레이어에 전달될 수 있으며, 히든레이어를 통해 시계열 입력데이터를 전달받아 시점별로 분석하고 인접한 시점에 대해서 학습을 진행할 수 있으며, 시간 t-(n)에 입력된 위성 영상 데이터, 드론 영상 데이터, 기상 조건 데이터는 그 다음 시점인 t-(n-1)에 입력된 입력 데이터 및 이에 따른 물순환 시설 관련 침투량, 증발량, 표면 유출량, 토양 수분 정보에 영향을 주도록 학습된다. 여기서, 시간 t는 현재 시점이며, t-(n) 내지 t-1은 과거 시점이며, n은 1보다 큰 자연수일 수 있으며, 시간의 단위는 초단위일 수 있다. 물 순환 정보 생성부(121)는 각 시점별 데이터가 서로에게 영향을 미치는 것을 고려하여, 학습 및 시험을 반복함으로써, t 시점에서의 물 순환 정보(w_cir_inf)를 생성할 수 있다. 여기서, 순환신경망에 입력되는 데이터의 입력 주기는 시민 만족도 점수(c_sat_scr) 등에 기초하여 조절될 수 있다.
물 공급 정보 생성부(122)는 하드웨어 센서에 의해 생성된 제 1측정 데이터 중 탁도 정보, 전도도 정보 중 적어도 하나 및 소프트웨어 센싱부에 의해 생성된 제2 측정 데이터(mea_data2) 중 취수원 조건, 정수장 상태 중 적어도 하나에 기초하여 상기 물 공급 시설 관련 수질 정보 및 수량 정보, 누수율 등을 생성할 수 있다.
물 공급 정보 생성부(122)는 물 순환 정보 생성부(121)와 유사하게 순환신경망에 기반하여 물 공급 시설 관련 수질 정보 및 수량 정보, 누수율 정보를 추정하고 생성할 수 있다.
시민 만족도 예측부(123)는 제1 및 상기 제2 측정데이터 및 순환신경망 모델과 상이한 인공신경망에 기반한 시민 만족도 예측 모델에 기초하여 수자원 에 대한 시민 만족도 점수(c_sat_scr)를 예측할 수 있다.
시민 만족도 점수(c_sat_scr)는 시민들의 수자원에 대한 만족도를 수치화한 값으로서, 1내지 10으로 표현될 수 있다. 일 실시예에서, 시민 만족도 점수(c_sat_scr)에 포함되는 평가 지수로서, 수돗물의 맛, 수돗물에 대한 신뢰감, 수돗물에 대한 관심일 수 있다. 시민 만족도 점수(c_sat_scr)는 사전에 설문조사 등을 통하여 측정한 시기별 만족도 점수와, 해당 시기 및 지역에 매칭되는 탁도 정보, 전도도 정보, 취수원 조건, 정수장 상태, 기상 조건을 입력 변수로 하여 인공신경망을 훈련한 후, 이에 기반하여 예측될 수 있다. 시민 만족도 예측부(123)에 대해서는 도 4를 참조하여 보다 자세히 설명될 것이다.
상술한 바와 같이, 본 발명의 실시예에 따른 수자원 정보 생성부는 도시 내 물 공급 및 물 순환 정보등 도시 수자원 정보 제공의 정확도와 신뢰성 향상시킬 수 있다. 사전에 설문조사 등을 통하여 측정한 시기별 만족도 점수와, 해당 시기 및 지역에 매칭되는 탁도 정보, 전도도 정보, 취수원 조건, 정수장 상태, 기상 조건을 입력 변수로 하여 인공신경망을 훈련한 후, 이에 기반하여 시민 만족도를 예측함으로써, 직접적인 측정이 불가능한 시민 만족도에 대해 정확한 정보를 제공할 수 있다. 또한, 이러한 시민 만족도 점수에 기반하여 순환신경망 보정의 주기 등을 조절함에 따라 보다 효율적으로 수자원 정보를 예측할 수 있다.
도 4는 본 발명의 일 실시예에 따른 시민 만족도 예측부의 구성을 도시하는 도면이다. 도4를 참조하면, 시민 만족도 예측부는 시민 만족도 점수 생성부(123_1) 및 인공신경망 모델 훈련부(123_2)를 포함할 수 있다.
시민 만족도 점수 생성부(123_1)는 인공신경망 모델 훈련부(123_2)에 의해 훈련되고 업데이트된 시민 만족도 예측 모델에 기초하여 수자원에 대한 시민 만족도 점수를 생성할 수 있다.
인공신경망 모델 훈련부(123_2)는 제1 측정 데이터(mea_data1) 중 탁도 정보, 전도도 정보 중 적어도 하나 및 상기 제2 측정 데이터(mea_data2) 중 취수원 조건, 정수장 상태, 기상 조건 중 적어도 하나를 포함하는 만족도 예측 입력 변수와 시기별 예측 입력 변수에 대응하는 수돗물의 맛, 수돗물에 대한 신뢰감, 수돗물에 대한 관심 정보를 이용하여 인공신경망 모델을 훈련시켜 지속적으로 업데이트할 수 있다.
시민 만족도 점수 생성부(123_1)는 인공신경망 모델 훈련부(123_2)에 의해 훈련된 시민 만족도 예측 모델에 제1 측정 데이터(mea_data1) 중 탁도 정보, 전도도 정보 중 적어도 하나 및 상기 제2 측정 데이터(mea_data2) 중 취수원 조건, 정수장 상태, 기상 조건을 입력하여, 수돗물의 맛, 수돗물에 대한 신뢰감, 수돗물에 대한 관심 정도를 1에서 10으로 표현된 점수로 수치화하여 시민 만족도 점수(c_sat_scr)를 생성할 수 있다.
일 실시예에서, 인공신경망 모델 훈련부는 수돗물의 맛, 수돗물에 대한 신뢰감, 수돗물에 대한 관심 정보에 각각에 서로 상이한 제 1 내지 제3 가중치 파라미터를 이용하여 시민 만족도 예측 모델을 훈련시킬 수 있다. 일 실시예에서, 1 내지 제3 가중치 파라미터 중 제3 가중치 파라미터가 가장 낮은 값을 가질 수 있다. 이에 따라, 시민 만족도 예측의 정확도를 높일 수 있다.
상술한 바와 같이, 본 발명의 실시예에 따른 시민 만족도 예측부(123)는 제1 측정 데이터(mea_data1) 중 탁도 정보, 전도도 정보 중 적어도 하나 및 제2 측정 데이터(mea_data2) 중 취수원 조건, 정수장 상태, 기상 조건 중 적어도 하나를 포함하는 만족도 예측 입력 변수와 시기별 예측 입력 변수에 대응하는 수돗물의 맛, 수돗물에 대한 신뢰감, 수돗물에 대한 관심 정보를 이용하여 인공신경망 모델을 훈련시켜 지속적으로 업데이트하고, 이에 기반하여 시민 만족도를 수치화함에 따라, 직접적으로 측정 불가능한 시민 만족도를 실시간으로 예측하고, 이를 활용할 수 있게 할 수 있다.
도 5는 본 발명의 일 실시예에 따른 수자원 정보 생성 방법을 나타내는 도면이다.
S110 단계에서, 수자원 정보 생성 장치는 수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터를 수집하고, 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센서로부터 생성된 제2 측정 데이터를 수집할 수 있다.
S120 단계에서, 데이터 전처리부는 수집된 제1 측정 데이터 및 제2 측정 데이터에 대한 전처리 동작을 수행하여 전처리된 제1 측정 데이터(mea_data1') 및 제2 측정 데이터(mea_data1')를 생성할 수 있다.
데이터 전처리부는 제1 측정 데이터(mea_data1) 및 제2 측정 데이터(mea_data2)에 포함되는 데이터 별로 상이한 전처리를 수행할 수 있다.
S130 단계에서, 수자원 정보 생성부는 전처리된 제1 및 제2 측정 데이터(mea_data2)를 입력변수로 하여 인공신경망에 기반한 수자원 정보 예측 모델에 입력하여 수자원 정보를 생성하고 예측할 수 있다.
예를 들어, 수자원 정보 예측 모델은 순환신경망(RNN: Recurrent Neural Network) 모델을 사용할 수 있다. 그러나, 본 발명의 실시예는 이에 한정되지 않으며, 장단기 메모리 (Long Short-Term Memory, LSTM) 모델 등 다른 신경망 모델을 사용할 수 있다.
수자원 정보 생성부가 생성하는 수자원 정보는 특정 지역의 물 순환 시설의 물 순환 정보, 특정 지역의 물 공급 시설의 물 순환 정보(w_sup_inf)를 포함할 수 있다. 일 실시예에서, 수자원 정보는 물 순환 정보, 물 순환 정보(w_sup_inf) 뿐만 아니라 수자원에 대한 시민 만족도 점수(c_sat_scr)를 더 포함할 수 있다.
S140 단계에서, 순환신경망 모델 보정부는 과거에 생성된 제1및 제2 측정 데이터, 및 이에 매칭되는 수자원 정보를 포함하는 데이터 셋을 이용하여, 순환신경망 모델을 보정할 수 있다. 일 실시예에서, 수자원 정보 생성 장치(100)는 데이터 베이스(300)에 저장된 과거 이력 데이터 셋을 이용하여 수자원 정보 생성시 사용한 순환신경망 모델의 파라미터와 알고리즘을 조정하여 모델을 최적화할 수 있다.
한편, 상술한 설명에서, 단계 S110 내지 S140은 본 발명의 구현예에 따라, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
도 6은 본 발명의 일 실시예에 따른 수자원 정보 생성 장치의 구성을 도시하는 블록도이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 수자원 정보 생성 장치 (1000)는 통신 인터페이스(1100), 적어도 하나의 메모리(1200) 및 적어도 하나의 프로세서(1300)를 포함한다.
통신 인터페이스(1100)는 프로세서(1300)와 연결될 수 있고, 유/무선 신호나 데이터를 전송 및/또는 수신할 수 있다. 예를 들어, 통신 인터페이스(1100)는 유/무선 통신망을 통해 하드웨어 센서(210)와 소프트웨어 센싱부(220)와 연결될 수 있다.
여기서, 무선 통신망은 이동 통신망, 무선 LAN, 근거리 무선 통신망 등을 포함할 수 있다. 예를 들어, 무선 통신망은 LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 및 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 예를 들어, 무선 통신망은 WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비 (Zigbee), NFC(near field communication), 및 라디오 프리퀀시(RF) 중 적어도 하나를 포함할 수 있다. 예를 들어, 무선 통신망은 IoT(internet of things) 망을 포함할 수 있고, 여기서 IoT 망은 LTE-M(machine type communication) 및 LoRA(long range) 중 적어도 하나를 포함할 수 있다. 특히, LoRA는 저전력과 저비용으로 운용할 수 있다는 점에서 이점이 있다.
여기서, 유선 통신망은 USB(Universal Serial Bus), USART(Universal Synchronous/Asynchronous Receiver Transmitter), 및 이더넷(ethernet) 중 적어도 하나를 포함할 수 있다.
통신 인터페이스(1100) 는 송신기 및 수신기를 포함할 수 있다. 송수신기는 RF(radio frequency) 유닛과 혼용될 수 있다. 통신 인터페이스(1100)는 프로세서(1300)의 제어를 통해 하드웨어 센서 등 외부 전자장치와 다양한 신호나 데이터를 송수신할 수 있다.
메모리(1200)는 프로세서(1300)와 연결될 수 있고, 프로세서(1300)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(1200)는 프로세서(1300)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 개시의 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령어들(instructions)을 포함하는 소프트웨어 코드를 저장할 수 있다.
프로세서(1300)는 통신 인터페이스(1100) 및/또는 메모리(1200)를 제어하며, 메모리(1200)에 저장된 명령어를 실행하여 전술한 본 발명의 수자원 정보 생성 방법 구현하도록 구성될 수 있다.
상술한 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술한 실시 예들 이외에도, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술한 실시 예들에 국한되어 정해져서는 안되며, 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
10: 수자원 정보 생성 시스템
100: 수자원 정보 생성 장치
210: 하드웨어 센서
220: 소프트웨어 센싱부
300: 데이터 베이스
110: 데이터 전처리부
120: 수자원 정보 생성부
130: 순환신경망 모델 보정부
100: 수자원 정보 생성 장치
210: 하드웨어 센서
220: 소프트웨어 센싱부
300: 데이터 베이스
110: 데이터 전처리부
120: 수자원 정보 생성부
130: 순환신경망 모델 보정부
Claims (13)
- 수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센싱부로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하는 수자원 정보 생성부; 및
과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 대응하는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정하는 순환신경망 보정부를 포함하며,
상기 수자원 정보 생성부는,
상기 제1 및 상기 제2 측정데이터, 상기 순환신경망 모델 및 상기 순환신경망 모델과 상이한 인공신경망 모델에 기초하여 시민 만족도 점수를 예측하는 시민 만족도 예측부를 포함하며,
상기 순환신경망 보정부는,
제1 주기에 따라 상기 순환신경망 모델을 보정하며,
상기 제1 주기는 상기 시민 만족도 점수에 기초하여 조절되는, 수자원 정보 생성 장치. - 제1 항에 있어서,
상기 수자원 정보 생성부는,
상기 제2 측정 데이터에 기초하여 특정 지역의 물순환 시설의 물순환 정보를 생성하는 물순환 정보 생성부; 및
상기 제1 및 상기 제2 측정 데이터에 기초하여 특정 지역의 물공급 시설의 물공급 정보를 생성하는 물공급 정보 생성부를 더 포함하는, 수자원 정보 생성 장치. - 삭제
- 제2 항에 있어서,
상기 물순환 정보 생성부는, 상기 제 2 측정 데이터 중 위성 영상 정보, 드론 영상 정보, 기상 조건 중 적어도 하나에 기초하여, 상기 물 순환 시설 관련 침투량, 증발량, 표면 유출량, 토양 수분 정보중 적어도 하나를 생성하며,
상기 물공급 정보 생성부는, 상기 제 1측정 데이터 중 탁도 정보, 전기 전도도 정보 중 적어도 하나 및 상기 제2 측정 데이터 중 취수원 조건, 정수장 상태 중 적어도 하나에 기초하여 상기 물공급 시설 관련 수질 정보 및 수량 정보를 생성하는, 수자원 정보 생성 장치. - 제4 항에 있어서,
상기 시민 만족도 예측부는,
상기 제1 측정 데이터 중 상기 탁도 정보, 상기 전도도 정보 중 적어도 하나 및 상기 제2 측정 데이터 중 상기 취수원 조건, 상기 정수장 상태, 상기 기상 조건 중 적어도 하나를 포함하는 만족도 예측 입력 변수와 시기별 상기 예측 입력 변수에 대응하는 수돗물의 맛, 수돗물에 대한 신뢰감, 수돗물에 대한 관심 정보를 이용하여 상기 인공신경망 모델을 훈련시키는 인공신경망 모델 훈련부를 포함하는, 수자원 정보 생성 장치. - 제5 항에 있어서,
상기 인공신경망 모델 훈련부는,
상기 수돗물의 맛, 상기 수돗물에 대한 신뢰감, 상기 수돗물에 대한 관심 정보에 각각에 서로 상이한 제 1 내지 제3 가중치 파라미터를 이용하여 상기 인공신경망 모델을 훈련시키며, 상기 제1 내지 제3 가중치 파라미터 중 제3 가중치 파라미터가 가장 낮은 값을 가지는, 수자원 정보 생성 장치. - 삭제
- 수자원 정보를 생성하기 위한 수자원 정보 생성 장치에 의해 수행되는 수자원 정보 생성 방법으로서,
수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센싱부로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하는 단계; 및
과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 매칭되는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정하는 단계를 포함하며,
상기 수자원 정보를 생성하는 단계는,
상기 제1 및 상기 제2 측정데이터 및 상기 순환신경망 모델과 상이한 인공신경망 모델에 더 기초하여 시민 만족도 점수를 예측하는 단계를 포함하며,
상기 순환신경망 모델은 제1 주기에 따라 보정되며, 상기 제1 주기는 상기 시민 만족도 점수에 기초하여 조절되는,수자원 정보 생성 방법. - 제8 항에 있어서,
상기 수자원 정보를 생성하는 단계는,
상기 제2 측정 데이터에 기초하여 특정 지역의 물순환 시설의 물순환 정보를 생성하는 단계; 및
상기 제1 및 상기 제2 측정 데이터에 기초하여 특정 지역의 물공급 시설의 물공급 정보를 생성하는 단계를 더 포함하는, 수자원 정보 생성 방법. - 삭제
- 비일시적인(non-transitory) 기록매체로서,
제8항 또는 제9항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비일시적인(non-transitory) 기록매체. - 수자원 정보를 생성하는 수자원 정보 생성 장치에 있어서,
적어도 하나의 명령어(instruction)를 저장하는 적어도 하나의 메모리(memory); 및
상기 메모리에 연결되는 적어도 하나의 프로세서(processor)를 포함하고,
상기 적어도 하나의 프로세서는 상기 적어도 하나의 명령어를 실행하여:
수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센싱부로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하고,
과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 매칭되는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정하고,
상기 제1 및 상기 제2 측정데이터 및 상기 순환신경망 모델 및 상기 순환신경망 모델과 상이한 인공신경망 모델에 더 기초하여 시민 만족도 점수를 예측하고,
상기 순환신경망 모델은 제1 주기에 따라 보정되며, 상기 제1 주기는 상기 시민 만족도 점수에 기초하여 조절되는, 수자원 정보 생성 장치 - 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하여 제2 측정 데이터를 생성하는 소프트웨어 센싱부;
수질 센서 및 수량 계측 센서 중 적어도 하나를 포함하는 하드웨어 센서로부터 생성된 제1 측정 데이터 및 공공 데이터 수집, 웹 크로울링 및 위성 영상분석 중 적어도 하나를 수행하는 소프트웨어 센싱부로부터 생성된 제2 측정 데이터 중 적어도 하나를 순환신경망(RNN: Recurrent Neural Network) 모델에 시계열적으로 입력하여 수자원 정보를 생성하는 수자원 정보 생성부; 및
과거에 생성된 상기 제1 측정 데이터, 상기 제2 측정 데이터 및 이에 매칭되는 수자원 정보를 포함하는 데이터셋으로 상기 순환신경망 모델을 보정하는 순환신경망 보정부를 포함하며,
상기 수자원 정보 생성부는,
상기 제1 및 상기 제2 측정데이터, 상기 순환신경망 모델 및 상기 순환신경망 모델과 상이한 인공신경망 모델에 기초하여 시민 만족도 점수를 예측하는 시민 만족도 예측부를 포함하며,
상기 순환신경망 보정부는,
제1 주기에 따라 상기 순환신경망 모델을 보정하며,
상기 제1 주기는 상기 시민 만족도 점수에 기초하여 조절되는, 수자원 정보 생성 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220067656A KR102500534B1 (ko) | 2022-06-02 | 2022-06-02 | 순환신경망 기반 수자원 정보 생성 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220067656A KR102500534B1 (ko) | 2022-06-02 | 2022-06-02 | 순환신경망 기반 수자원 정보 생성 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102500534B1 true KR102500534B1 (ko) | 2023-02-16 |
Family
ID=85325949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220067656A KR102500534B1 (ko) | 2022-06-02 | 2022-06-02 | 순환신경망 기반 수자원 정보 생성 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102500534B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102634435B1 (ko) * | 2023-03-27 | 2024-02-06 | (주) 지오그리드 | 스마트 건축물 정수 시스템 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020065808A1 (ja) * | 2018-09-27 | 2020-04-02 | 日本電気株式会社 | 情報処理装置及びシステム、並びに、モデル適応方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
| KR20210017342A (ko) * | 2019-08-08 | 2021-02-17 | 한국전자통신연구원 | 과거 데이터에 기초한 시계열 예측 방법 및 장치 |
| KR102330556B1 (ko) | 2020-09-24 | 2021-11-23 | 한국토지주택공사 | 스마트 시티 물관리 시스템 |
| KR102382211B1 (ko) * | 2020-10-26 | 2022-04-01 | 재단법인 차세대융합기술연구원 | 스마트시티 구축을 위한 시민 만족도 예측시스템 및 이의 동작방법 |
-
2022
- 2022-06-02 KR KR1020220067656A patent/KR102500534B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020065808A1 (ja) * | 2018-09-27 | 2020-04-02 | 日本電気株式会社 | 情報処理装置及びシステム、並びに、モデル適応方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
| KR20210017342A (ko) * | 2019-08-08 | 2021-02-17 | 한국전자통신연구원 | 과거 데이터에 기초한 시계열 예측 방법 및 장치 |
| KR102330556B1 (ko) | 2020-09-24 | 2021-11-23 | 한국토지주택공사 | 스마트 시티 물관리 시스템 |
| KR102382211B1 (ko) * | 2020-10-26 | 2022-04-01 | 재단법인 차세대융합기술연구원 | 스마트시티 구축을 위한 시민 만족도 예측시스템 및 이의 동작방법 |
Non-Patent Citations (1)
| Title |
|---|
| 물수요, 물공급, 물순환 데이터 통합관리 초연결 플랫폼 기반 분석 및 예측 기술 개발 중간보고서 (환경부 한국환경산업기술원, 2019. 12. 31.)* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102634435B1 (ko) * | 2023-03-27 | 2024-02-06 | (주) 지오그리드 | 스마트 건축물 정수 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FI128841B (en) | Sensor calibration | |
| CN106714336A (zh) | 一种基于改进克里金算法的无线传感网温度监测方法 | |
| CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
| Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
| CN112561191A (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
| US10948312B2 (en) | Environmental monitoring systems, methods and media | |
| JP2005528622A (ja) | 位置決め技法のための確率モデル | |
| Pourhabib et al. | Short-term wind speed forecast using measurements from multiple turbines in a wind farm | |
| Redondi | Radio map interpolation using graph signal processing | |
| Xu et al. | Urban noise mapping with a crowd sensing system | |
| Qin et al. | Noisesense: A crowd sensing system for urban noise mapping service | |
| KR102500534B1 (ko) | 순환신경망 기반 수자원 정보 생성 장치 및 방법 | |
| CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
| CN117575111A (zh) | 一种基于迁移学习的农业遥感图像时空序列预测方法 | |
| CN116955450A (zh) | 一种融合流域产汇流时空过程的水文预报方法和系统 | |
| Quezada-Gaibor et al. | Surimi: Supervised radio map augmentation with deep learning and a generative adversarial network for fingerprint-based indoor positioning | |
| Sperati et al. | A new Wind Atlas to support the expansion of the Italian wind power fleet | |
| CN117332702A (zh) | 基于ilstm的内涝水深预测与多因子时序分析方法 | |
| CN117056709A (zh) | 时序预测模型的训练方法、装置和存储介质及电子设备 | |
| CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
| Bosma et al. | Estimating solar and wind power production using computer vision deep learning techniques on weather maps | |
| Li et al. | Tropospheric delay modeling based on multi-source data fusion and machine learning algorithms | |
| Wongchuig et al. | Toward Discharge Estimation for Water Resources Management with a Semidistributed Model and Local Ensemble Kalman Filter Data Assimilation | |
| WO2022212031A1 (en) | Controlling asynchronous fusion of spatio-temporal multimodal data | |
| Wu et al. | Hierarchical Bayesian network based incremental model for flood prediction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |