KR102548894B1 - 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템 및 방법 - Google Patents

Abstract

본 발명은 건물 내에 거주하는 거주자의 개인성향과 센싱 데이터를 기반으로 건물 거주에 대한 거주만족도를 평가하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템이 개시된다. 본 발명의 평가 시스템은 센서부를 통해 센싱된 데이터들과, 사용자 단말들을 포함하는 통신수단을 통해 실시한 설문조사에서 획득된 거주만족도 간의 상관관계를 분석하여 거주자들의 거주만족도를 평가하고, 랜덤 포레스트 모델 학습을 통해 거주자들의 특성별 선호구간을 예측하여 피제어기의 건물 내 공조 시스템을 제어하는 서버;를 포함한다.

Description

건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템 및 방법{Residential satisfaction evaluation system and method based on personal tendency and sensing data of building occupants}

본 발명은 건물 내에 거주하는 거주자의 개인성향과 센싱 데이터를 기반으로 건물 거주에 대한 거주만족도를 평가하는 기술에 관한 것으로, 더욱 상세하게는 건물 내에 거주하는 거주자들의 개인적인 성향과 센서들을 통해 수집한 센싱 데이터들을 기반으로 거주자들이 느끼는 거주만족도를 예측하여 에너지 절감 차원에서의 거주환경을 최적으로 관리할 수 있도록 한 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템 및 방법에 관한 것이다.

건물 내에 거주하는 거주자에게 최적의 거주 공간환경을 제공하기 위한 기술에는 여러 가지가 있을 수 있다. 예를 들어, 거주자에게 가장 편안한 공간환경을 제공하는 동시에 건물관리를 위해 사용되는 설비들의 에너지가 낭비되는 것을 방지하는 기술이 포함될 수 있다. 이를 위해 거주자들이 느끼는 만족도를 객관적으로 그리고 시스템적으로 평가할 수 있는 거주만족도 평가 시스템 개발이 선행될 필요가 있다.

일반적으로, 종래의 건물 관리 시스템에서, 여름철 실내의 적정 온도는 22~26도, 실내의 적정 습도는 40~60% 라고 알려져 있으며 건물 내 적정한 온도와 습도를 유지하기 위해 냉난방기, 공조기 등의 관리가 필요하다. 또한, 에너지 절약 차원에서, 일정 규모 이상의 건물에서는 실내의 온도 기준을 권고하여 건물의 냉난방 온도관리를 하기도 한다. 예를 들어, 하절기(6월~9월)에 건물의 실내온도를 26도 이상, 동절기(11월~3월)에는 20도 이하를 유지하도록 권고하여 건물의 냉난방 온도관리를 한다.

하지만, 이와 같은 종래의 건물 관리 시스템에서의 적정온도에 대한 기준은, 일반적인 경우 혹은 특정 목적(에너지절감)을 위한 것에 적합할 수 있지만, 건물 내 거주하는 다양한 거주자들의 개인성향 및 거주만족도 등을 고려하지 않아 거주자들의 불편함을 유발하는 요인으로 작용할 수 있다.

이로 인하여, 건물 내 각 실별 거주자들이 냉난방기의 온도를 임의로 제어하게 된다. 이에 따라, 에너지 절감 효과를 달성하지 못할 뿐만 아니라, 거주자들의 만족도가 크지 않게 되는 문제점이 발생된다.

본 발명이 이루고자 하는 기술적 과제는 건물 내에 거주하는 거주자들의 개인적인 성향과 센서들을 통해 수집한 센싱 데이터들을 기반으로 다양한 성향의 거주자들에 대한 최적의 거주만족도를 예측하여 거주환경을 관리할 수 있도록 한 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템 및 방법을 제공하는데 있다.

상기 목적을 달성하기 위한 건물 거주자의 개인성향 및 센싱 데이터 기반의 만족도 평가 시스템은, 건물 내 거주자들의 거주만족도 영향인자들에 영향을 주는 영향인자들을 센싱하여 그에 따른 센싱데이터들을 출력하는 센서부; 거주자만족도 설문조사에 참여하는 사용자 단말들; 상기 센싱데이터와, 상기 사용자 단말들을 포함하는 통신수단을 통해 실시한 설문조사에서 획득된 거주만족도 간의 상관관계를 분석하여 상기 거주자들의 거주만족도를 평가하고, 랜덤 포레스트 모델 학습을 통해 상기 거주자들의 특성별 선호구간을 예측하여 피제어기의 건물 내 공조 시스템을 제어하는 서버;를 포함하되, 상기 서버는 상기 센싱데이터들을 수집하고, 상기 건물 내 거주자들을 대상으로 실시한 설문조사에 따른 설문조사 결과 데이터를 수집하는 설문 조사부; 상기 센싱데이터들과 설문조사 결과 데이터를 훈련 데이터로 사용하여 랜덤포레스트 모델을 학습시키되, 상기 설문조사에서 참여도가 낮은 데이터들을 분리해내고 참여도가 높은 데이터들을 포함시켜 학습을 진행하는 거주자별 랜덤포레스트 모델 학습부; 상기 거주자별 랜덤포레스트 모델 학습부에서 공급되는 특성 중요도를 참고하여 특성에 따른 점수 규칙을 가지고 있는 거주자를 필터링해내는 거주자 필터링부; 및 상기 거주자 필터링부에서 도출된 규칙성을 띄고 있는 거주자들의 데이터를 바탕으로 건물 자체의 랜덤포레스트 모델의 학습을 진행하여 거주만족도를 예측하는 건물 랜덤포레스트 모델 학습부;를 포함한다.

또한, 상기 센서부의 영향인자들은 열감, 밝기, 먼지, 소음, 냄새, 혼잡도, 피부온도 중에서 어느 하나 이상을 포함하는 것을 특징으로 한다.

또한, 상기 설문 조사부는 성실하게 설문조사를 수행한 거주자로부터 획득된 거주만족도 조사 데이터를 구분하고, 상기 건물 내 거주자들의 거주만족도 평가시 중요한 영향을 주는 영향인자를 구분하는 전처리과정을 수행하는 것을 특징으로 한다.

또한, 상기 설문 조사부는 상기 거주만족도 조사 데이터를 구분할 때, 상기 설문조사에 참여한 거주자들 중에서 성실하게 설문조사를 수행한 설문 응답자의 거주만족도 조사 데이터를 구분해내는 것을 특징으로 한다.

또한, 상기 거주자별 랜덤포레스트 모델 학습부는 랜덤포레스트가 위험도(label)를 예측하기 위해 사용된 특성들 중 중요도가 높다고 평가한 특성들을 모델학습에 사용한 학습(learning) 데이터와 타겟(target) 데이터에 기록하는 것을 특징으로 한다.

또한, 상기 거주자별 랜덤포레스트 모델 학습부는 온도, 습도, 조도, 먼지, 소음, 악취, 혼잡도, 피부온도 중에서 하나 이상을 포함하는 사용자 객체를 거주공간 영향인자로 구성하고, 상기 영향인자 항목당 기설정된 일정 점수씩 배정한 후 건물 내 거주자 만족도 영향인자별 적정값과, 차감 점수 룰(Rule)을 적용하여 랜덤포레스트 모델을 학습시키는 것을 특징으로 한다.

또한, 상기 거주자 필터링부는 상기 특성에 따른 점수 규칙을 가지고 있는 거주자를 상기 거주자만족도 설문조사에 성실하게 참여한 거주자로 구분하여 필터링하는 것을 특징으로 한다.

또한, 상기 건물 랜덤포레스트 모델 학습부에서 랜덤포레스트 모델에 사용되는 훈련데이터 셋(training dataset)은 "센서 측정 값 - 거주자들의 평균설문점수"인 것을 특징으로 한다.

또한, 상기 건물 랜덤포레스트 모델 학습부는 상기 센서 측정값을 훈련 데이터의 특성값으로 사용하고, 상기 거주자들의 평균점수값을 정답값으로 사용하는 것을 특징으로 한다.

또한, 상기 건물 랜덤포레스트 모델 학습부는 상기 설문조사에 대한 참여도가 높은 거주자들의 설문데이터들을 이용하여 설문점수의 평균값을 산출하는 것을 특징으로 한다.

또한, 상기 건물 랜덤포레스트 모델 학습부는 상기 산출된 평균값을 위험도(Label)로 사용하는 것을 특징으로 한다.

상기 목적을 달성하기 위한 건물 거주자의 개인성향 및 센싱 데이터 기반의 만족도 평가 방법은, 설문 조사부가 센서부의 센서들을 통해 센싱된 센싱데이터들을 수집하고, 건물 내 거주자들을 대상으로 실시한 설문조사에 따른 설문조사 결과 데이터를 수집하는 설문조사 단계; 거주자별 랜덤포레스트 모델 학습부가 상기 센싱데이터와 설문조사 결과 데이터를 훈련 데이터로 사용하여 랜덤포레스트 모델을 학습시키되, 상기 설문조사에서 참여도가 낮은 데이터들을 분리해내고 참여도가 높은 데이터들을 포함시켜 학습을 진행하는 거주자별 랜덤포레스트 모델 학습단계; 거주자 필터링부가 상기 거주자별 랜덤포레스트 모델 학습부에서 공급되는 특성 중요도를 참고하여 특성에 따른 점수 규칙을 가지고 있는 거주자를 필터링하는 거주자 필터링 단계; 및 건물 랜덤포레스트 모델 학습부가 상기 거주자 필터링부에서 도출된 규칙성을 띄고 있는 거주자들의 데이터를 바탕으로 건물 자체의 랜덤포레스트 모델의 학습을 진행하여 거주만족도를 예측하는 건물 랜덤포레스트 모델 학습단계;를 포함한다.

본 발명의 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템은 다음과 같은 효과가 있다.

첫째, 개인성향 및 공간 환경정보 데이터를 고려한 거주 만족도에 대하여, 객관적이고 시스템적으로 판단이 가능하게 되어 건물 맞춤형 에너지 절감 시스템 및 설비의 확산에 기여할 수 있는 효과가 있다.

둘째, 건물 에너지 절감과정에서 거주자 개인들의 거주만족도 침해가 최소화되고, 서비스가 가능해져 건물 에너지 절감에 기여할 수 있고 에너지 절감이 가능한 효과가 있다.

도 1은 본 발명의 실시예에 따른 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템의 전체 블록도이다.
도 2는 센서부의 상세 블록도이다.
도 3은 서버의 상세 블록도이다.
도 4는 센싱데이터들과 거주만족도 정보간의 상관관계를 분석하여 거주만족도를 예측 평가하는 과정에 대한 설명도이다.
도 5는 건물 내 거주 만족도를 평가하는 과정에 대한 설명도이다.
도 6은 거주 만족도 평가 및 관련 설비 자동제어 과정에 대한 설명도이다.
도 7은 본 발명의 실시예에 따른 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 방법의 순서도이다.

이하 본 발명의 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의한다. 또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 당업자에게 자명하거나 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

도 1은 본 발명의 실시예에 따른 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템의 전체 블록도이고, 도 2는 센서부의 상세 블록도이고, 도 3은 서버의 상세 블록도이고, 도 4는 센싱데이터들과 거주만족도 정보간의 상관관계를 분석하여 거주만족도를 예측 평가하는 과정에 대한 설명도이고, 도 5는 건물 내 거주 만족도를 평가하는 과정에 대한 설명도이고, 도 6은 거주 만족도 평가 및 관련 설비 자동제어 과정에 대한 설명도이다.

도 1을 참조하면, 건물 거주자의 개인성향 및 센싱 데이터 기반의 만족도 평가 시스템(1000)은 센서부(100), 사용자 단말(200), 네트워크(300), 서버(400), 데이터베이스(500) 및 피제어기(600)를 포함한다.

이와 같이 구성된 본 발명의 실시예에 따른 건물 거주자의 개인성향 및 센싱 데이터 기반의 만족도 평가 시스템의 작용을 도 2 내지 도 6을 참조하여 설명하면 다음과 같다.

건물에 거주하는 거주자(사용자)들이 느끼는 공간내 환경에 대한 거주만족도(건물 내 특성)는 다양한 요인에 의해서 영향을 받는다. 예를 들어, 거주만족도는 열감(온도, 습도), 밝기(조도), 먼지, 소음, 냄새, 혼잡도(쾌적도), 피부온도(체감온도) 등이 건물 내 거주자의 거주만족도 영향인자들의 영향을 받을 수 있다. 이와 같은 거주자 거주만족도 영향인자들은 다양한 형태의 센서들을 구비한 센서부(100)에 의해 측정될 수 있다.

도 2를 참조하면, 센서부(100)는 온도센서(101), 습도센서(102), 조도센서(103), 먼지센서(104), 소음센서(105), 악취센서(106), 혼잡도센서(107) 및 피부온도센서(108)을 포함한다.

온도센서(101)는 건물 내의 온도를 측정하여 그에 따른 온도측정값을 출력한다. 습도센서(102)는 건물 내의 습도를 측정하여 그에 따른 습도측정값을 출력한다. 조도센서(103)는 건물 내의 조도를 측정하여 그에 따른 조도측정값을 출력한다. 먼지센서(104)는 건물 내의 먼지를 측정하여 그에 따른 먼지측정값을 출력한다. 소음센서(105)는 건물 내의 소음을 측정하여 그에 따른 소음측정값을 출력한다. 악취센서(106)는 건물 내의 악취를 측정하여 그에 따른 악취측정값을 출력한다. 혼잡도센서(107)는 건물 내의 혼잡도를 측정하여 그에 따른 혼잡도측정값을 출력한다. 피부온도센서(108)는 건물 내 거주자의 피부온도를 측정하여 그에 따른 피부온도측정값을 출력한다.

사용자 단말(200)은 기 설치된 웹 애플리케이션(Web Application) 또는 모바일 애플리케이션(Mobile Application)을 통해 거주만족도 조사(예: 설문조사)에 참여할 수 있다. 여기서, 사용자 단말(200)은 해당 건물에 거주하는 사용자 또는 관리자가 소유한 스마트폰을 포함할 수 있다.

서버(400)는 도 4와 같이, 센서부(100)를 통해 수집된 물리적, 정량적인 센싱데이터(ST11)들과 건물 내 거주자들이 느끼는 정서적인 정성적 거주만족도 정보(ST13)간의 상관관계를 분석하여(ST13) 건물 내 거주자의 거주만족도를 예측 평가한다. 이를 위해 서버(400)는 건물에 거주하는 거주자들이 느끼는 공간내 환경에 대한 거주만족도 조사를 다양한 형식으로 실시할 수 있다. 예를 들어, 거주만족도 설문조사는 서면을 통해 수행되거나, 이메일을 통해 수행되거나, 사용자 단말(200)의 웹 애플리케이션(Web Application) 또는 모바일 애플리케이션(Mobile Application)을 통해 수행될 수 있다.

서버(400)가 건물 내 거주자들의 거주만족도를 판단하기 위해서는, 거주자들을 대상으로 현재 건물 내 물리적 환경 조건에서의 정확도가 높은 거주만족도 설문조사가 반드시 필요하다. 이와 같은 거주만족도 설문조사는 여러 조사항목들로 구체화된 서면이나 사용자 단말(200)을 통해 상기와 같이 수행될 수 있다.

서버(400)는 도 5와 같이, 성실하게 수행된 설문조사 데이터를 구분하고(ST21), 거주자 만족도 주요 영향인자를 구분(ST22)한 후 거주자 만족도와 영향인자 간의 상관관계를 분석 및 학습하여(ST23) 거주만족도를 평가한다(ST24).

서버(400)는 설문 조사부(410), 거주자별 랜덤포레스트 모델 학습부(420), 거주자 필터링부(430), 건물 랜덤포레스트 모델 학습부(440), 항목별 조정 및 예측부(450), 선호구간 추적부(460) 및 피제어기 제어부(470)를 포함한다.

설문 조사부(410)는 거주만족도와 같은 정성적인 내용에 대한 설문조사를 실시하는데, 이와 같은 설문조사를 통해 수집되는 데이터의 품질이 거주 대상자의 성격, 의견쏠림, 감정기복, 성실도 등 개인의 성향에 많은 영향을 받게 된다. 따라서, 설문조사부(410)를 이용하여, 센서부(100)를 통해 수집된 물리적, 정량적인 데이터들과 건물 내 거주자들이 느끼는 정서적/정성적 거주만족도 정보간의 상관관계를 정확히 도출하기 위해서는, 도 5와 같이 두 가지의 전처리과정을 필요로 한다.

첫째, 성실하게 설문조사를 수행한 거주자로부터 획득된 거주만족도 조사 데이터(인원)를 구분해 내야한다(ST21). 둘째, 건물 내 거주자들의 거주만족도 평가시 중요한 영향을 주는 영향인자를 구분해 내야 한다(ST22). 이와 같은 일련의 전처리 과정은 정성적인 성격의 거주자 만족도를 시스템적으로 평가하기 위해 필요하다.

설문 조사부(410)는 네트워크(300)를 통해 사용자 단말(200)로부터 거주만족도에 대한 설문조사 결과가 접수되면, 서버(400)는 센서부(100)에서 센서들을 통해 측정된 센서의 측정값들 중 거주자의 설문 참여시간에 측정된 측정값을 읽어온다. 상기 측정값은 설문조사 결과 데이터와 함께 데이터베이스(500)에 저장된다.

거주자별 랜덤포레스트(Random Forest) 모델 학습부(420)는 데이터베이스(500)에 저장된 센서 측정값과 설문조사 결과 데이터를 훈련 데이터로 사용하여 랜덤포레스트 모델을 학습시킨다. 상기 센서 측정값이 훈련 데이터의 특성값으로 사용되고, 설문조사 결과 데이터는 정답 값으로 사용된다. 해당 과정에서의 랜덤포레스트 모델은 설문조사에 참여한 거주자 수 만큼 생성된다.

거주자별 랜덤포레스트 모델 학습부(420)는 설문조사에 참여한 거주자들 중에서 성실하게 설문조사를 수행한 설문 응답자의 거주만족도 조사 데이터를 구분해 내는 필터링 역할을 한다. 설문조사시, 참여도와 성실도가 기 설정된 기준치보다 낮은 설문 응답자들의 거주만족도 조사 데이터들은 상기 상관관계를 분석하는데 있어서 노이즈(Noise)로 작용하여 학습 및 예측 성능을 저하시킬 것이다. 이에 비하여, 성실도가 기 설정된 기준치보다 높은 설문 응답자들의 거주만족도 조사 데이터들을 대상으로 상관관계와 학습 등을 수행한다면 만족도 평가 시스템(1000)의 정확도가 더욱 높아질 것이다.

이를 감안하여, 거주자별 랜덤포레스트 모델 학습부(420)는 기계학습에 사용되는 랜덤포레스트(Random Forest)를 이용하되, 특성 중요도(Feature Importance)를 측정하는 방법을 응용하여, 참여도가 낮은 데이터들을 분리해내고 참여도가 높은 데이터들을 포함시켜 학습을 진행한다. 여기서, 거주자별 랜덤포레스트 모델 학습부(420)에 적용된 랜덤포레스트(Random Forest)를 간단히 설명하면, 다음과 같다.

랜덤포레스트는 수많은 의사결정트리(Decision Tree)를 이용하는 방법으로서, 수많은 속성(Feature) 중에서, n 개의 특성(Feature)을 선택하여 의사결정트리를 만들고, 반복하여 여러 의사결정 트리를 만들어 나간다. 각각의 의사결정트리는 개별적으로 예측값을 출력하게 되는데, 여러 의사결정트리들이 내린 예측값들 중에서 다수결의 원칙을 기반으로 가장 많이 나온 값을 최종 예측값으로 정하는 방법이다. 즉, 강력한 하나의 모델을 사용하는 대신에 약한 모델 여러개를 조합하여 예측하는 방식이 앙상블(Ensemble) 학습법에 속한다고 말할수 있다. 랜덤포레스트 모델의 장점중 하나는 학습과정에서 위험도(Label)를 예측하기 위해 사용된 특성별로 중요도를 확인할 수 있다는 점이다. 거주자별 랜덤포레스트 모델 학습부(420)에서는 특성별 중요도 측정 방법을 활용한다.

거주자별 랜덤포레스트 모델 학습부(420)에서 사용자 객체를 다양하게 구성할 수 있는데, 여기에서는 온도, 습도, 조도, 먼지, 소음, 악취, 혼잡도, 피부온도를 포함하는 총 8개의 사용자 객체를 거주공간 영향인자로 구성한 것을 예로 한다. 추후에 항목이 추가되어도 동일한 프로세스를 적용할 수 있으므로, 결과는 동일하다고 가정한다.

거주자별 랜덤포레스트 모델 학습부(420)는 총 8개의 사용자 객체에 대한 건물 내 거주자의 설문점수를 각 항목당 기설정된 일정 점수(예: 20점)씩 배정하고 총 160점을 만점으로 구성한다. 임의의 데이터 생성을 위한 사용자 객체는 다음의 [표 1]에서 같은 인자를 받아 생성된다.

여러 개의 특성을 중요 특성(importance_features)에 담아서 만들어진 거주자는 해당 특성에 대해서는 반드시 실내 적정값을 맞추어야 20점을 부여하는 특징을 가지고 있다. 다음의 [표 2]는 본 실시예에서 가정한 건물 내 거주자 만족도 영향인자별 적정값(최적값)과, 차감 점수 계산 방법(Rule)을 나타내고 있다.

거주자별 랜덤포레스트 모델 학습부(420)는 중요 특성의 값이 비어있지 않은 거주자들에 대해서는 기설정된 소정의 점수(예:16~20점) 사이의 점수를 랜덤하게 적용한다. 중요 특성이 빈 배열일 경우, 이 참여자는 설문조사에 참여도가 낮은 참여자로서 모든 설문점수를 불성실하게 참여한 것으로 예를 들어, 설문조사에 한줄로 응답하거나, 혹은 완전히 랜덤하게 설문조사에 참여하는 것으로 가정한다.

거주자별 랜덤포레스트 모델 학습부(420)는 다음의 [표 3]에서와 같이 설문조사에 대해 50명의 성실 참여자, 30명의 불성실 참여자, 20명의 매우 불성실 참여자를 생성한다. 이때, 30명의 불성실 참여자는 일관되지 않게 완전히 랜덤하게 설문조사표를 작성하는 것으로 가정하고, 매우 불성실 참여자 20명은 무조건 20점을 일관되게 작성하는 참여자로 가정하여 생성한다.

다음의 [표 4]는 거주자별 랜덤포레스트 모델 학습부(420)가 거주자별로 기설정된 일정 기간(예: 540) 동안의 설문조사 데이터를 임의로 만들어내는 예를 나타낸 것이다. 주석에 나와 있는 숫자의 범위만큼 랜덤하게 하루의 특성 센서값이 결정되며, 위에 만들어진 참여자들은 해당 특성들에 대한 설문조사를 실시하고 그 설문조사의 결과는 데이터베이스(500)에 저장된다.

다음의 [표 5]는 거주자별 랜덤포레스트 모델 학습부(420)에서의 랜덤포레스트 학습예를 나타낸 것이다. 거주자 1번(사용자 1번)의 예시로 540일간의 일부 내용을 나타내고 있다. 여기서, 첫 번째 줄의 항목별 수치(temp, hum, .. ,skin)는 해당일에, 설문조사를 실시하는 시점에서 측정된 센서값을 의미하고, 맨 마지막의 스코어(score) 값은 거주자 1번이 입력한 설문조사값이다. 거주자 1번이 중요하게 생각하는 거주자 만족도 영향인자를 습도(hum), 먼지(dust), 피부온도(skin)로 가정하고 진행한 것이다.

다음은 거주자별 랜덤포레스트 모델 학습부(420)에서 사용한 학습(learning) 데이터와 타겟(target) 데이터에 대한 설명이다. 건물 내 거주공간에 대한 만족도를 기설정한 일정 인원(예:100명)의 설문조사 참여자별로 랜덤포레스트 모델을 이용하여 학습시켰고, 이에 대한 100개의 랜덤포레스트 모델이 나온다. 여기서, 랜덤포레스트가 위험도(label)를 예측하기 위해 사용된 특성들 중 중요도가 높다고 평가한 특성들을 기록함으로써 임의로 생성한 참여도가 높은 거주자와 참여도가 낮은 거주자 간의 어떤 차이를 보이는지 확인할 수 있다.

다음의 [표 6]은 설문조사에 대한 참여도가 높은 거주자들의 순위 리스트 중 일부분을 나타낸 것이다. [표 6]에서와 같이 참여도가 높은 참여자들은 참여자 리스트에 0~49 순위에 위치한다. 여기서, imp features는 참여자가 중요하다고 생각하는 특성을 의미하고, RF imp features는 랜덤포레스트(RF) 학습에서 특정 참여자 설문점수를 예측하는데 가장 중요하게 사용된 특성을 의미한다. 참여도가 높은 모든 참여자들은 실제 참여자가 중요하게 생각하고 설문점수에 반영하는 특성들과 RF 모델이 특성 변화에 따른 점수 예측을 학습할 때, 가장 중요하게 사용했던 특성들이 같은 거주자 분석 결과에서 대부분(50명중 47명 일치함) 일치함을 확인할 수 있다.

거주자 필터링부(430)는 거주자별 랜덤포레스트 모델 학습부(420)에서 공급되는 특성 중요도를 참고하여 특성에 따른 점수 규칙을 가지고 있는 거주자를 필터링해낸다. 이때, 현재 건물 내의 특성에 따른 설문조사에 성실하게(올바르게) 참여한 거주자에 대해서는 특성에 따른 점수가 반영되는데, 이는 특성에 따른 점수의 규칙성을 랜덤포레스트 모델이 학습과정에서 찾아낼 수 있다는 것을 의미한다.

여기서, 특성에 따른 규칙성이 있다면 랜덤포레스트의 특성 중요도는 해당 거주자의 점수를 예측하는데에 가장 규칙성을 띄고 있는 특성을 특성 중요도에 나타낼 수 있다. 이에 비하여, 전혀 규칙성이 없게 설문에 참여한 거주자 예를 들어, 하나의 점수만을 부여하는 거주자 또는 랜덤하게 점수를 부여하는 거주자들은 랜덤포레스트가 학습 과정에서 규칙성을 찾아낼 수 없기 때문에 특성 중요도에 어떠한 특성도 나타나지 않는다. 거주자 필터링부(430)에 의해 거주자 필터링이 수행되면, 설문조사에 성실하게 참여한 거주자 예를 들어, 센서 측정 값에 따른 설문점수에 규칙성을 가지고 있는 거주자들의 데이터만 도출될 수 있다.

다음의 [표 7]에서와 같이 거주자 1번의 랜덤포레스트 모델이 예측학습을 진행하는데 사용된 특성들의 중요도값(왼쪽 막대그래프)과 초기에 설정해준 1번 거주자의 중요특성값(오른쪽 표)이 습도, 먼지, 피부온도 등으로 일치함을 확인할 수 있다.

다음의 [표 8]에서와 같이 참여도가 낮은 거주자들의 경우, 랜덤하게 마구잡이로 점수를 부여하는 참여도가 낮은 참여자들이 50~79(30명) 순위 리스트에 위치하고, 설문조사를 무조건 20점으로 기입하는 참여도가 낮은 참여자들이 80~99 순위 리스트에 위치함을 확인할 수 있었다. 참여도가 낮은 참여자들은 RF Model이 의사결정을 내릴 때 하나의 점수 혹은 특성들과 상관관계가 없는 점수로 이루어져 있고, 특성과 관계가 없는 점수를 주기 때문에 모델이 모든 특성의 중요도를 0으로 측정해서 RF Model 상에도 특성 중요도가 나타나지 않은 것을 확인할 수 있었다.

이상에서 살펴본 결과처럼, 건물 내 거주만족도에 대한 설문조사 수행시, 설문조사에 대한 참여도가 높은 참여자와 참여도가 낮은 참여자를 구분해내는 것이 랜덤포레스트 기계학습의 중요도를 통해서 가능함을 확인할 수 있었다.([표 9] 참조)

건물 랜덤포레스트 모델 학습부(440)는 거주자 필터링부(430)에서 도출된 규칙성을 띄고 있는 거주자들의 데이터를 바탕으로 건물 자체의 랜덤포레스트 모델의 학습을 진행한다. 여기서, 사용되는 훈련데이터 셋(training dataset)은 시간대가 겹치는 "센서 측정 값 - 거주자들의 평균설문점수"이다. 건물 랜덤포레스트 모델 학습부(440)는 거주자별 랜덤포레스트 모델 학습부(420)에서와 같이 센서 측정값을 훈련 데이터의 특성값으로 사용하고, 거주자들의 평균설문점수값을 정답값으로 사용한다.

건물 랜덤포레스트 모델 학습부(440)는 랜덤포레스트 모델의 학습을 통해 특정 건물 또는 건물 내 특정공간(Room, 호실)에 거주하는 거주자의 정확한 거주만족도(선호도)를 예측한다. 이를 위해 건물 랜덤포레스트 모델 학습부(440)는 설문조사에 대한 참여도가 높은 거주자들의 설문데이터들을 이용하여 설문점수의 평균값을 산출하고, 이를 위험도(Label)로 사용한다. 그리고, 건물 랜덤포레스트 모델 학습부(440)는 상기와 같이 사용한 특성들을 그대로 사용해서 랜덤포레스트 학습을 시킨다. 이렇게 함으로써, 특정 건물 또는 호실의 참여도가 높은 참여자들이 선호하는 특성들 순으로 주요 특성을 확인할 수 있다.

건물 랜덤포레스트 모델 학습부(440)에서 성실참여자 50명의 설문조사 결과를 기반으로 랜덤포레스트 학습을 실시한 후 특성 중요도를 확인해 보면, 다음의 [표 10]에서와 같이, 건물 내 거주자들이 선호하는 특성들이 피부온도, 혼잡도, 냄새, 소음, 습도, 온도, 먼지, 조도 순으로 분석됨을 알아낼 수 있다.

다음의 [표 11]은 초기에 실제 거주자들의 특성 선호도를 조사하여 평균낸 결과를 나타낸 것이다.

그리고, 다음의 [표 12]는 실제 거주자 특성 선호도 순위와 랜덤포레스트 모델을 이용한 특징 선호도 순서를 비교하여 나타낸 것이다. 여기서, 파란색은 순위상에서 실제값과 크게 차이가 나지 않는 특성을 표시한 것이고, 빨간색은 순위상에서 크게 차이나는 특성을 표시한 것이다. [표 12]에서의 결과를 보면 평균값을 이용한 랜덤포레스트의 특성 중요도와 실제 거주자들이 선호하는 특징들의 순위 구조가 완전하지는 않지만, 매우 유사한 결과를 나타내고 있음을 확인할 수 있다.

상기 설명에서와 같이, 상기 설문 조사부(410), 거주자별 랜덤포레스트 모델 학습부(420) 및 거주자 필터링부(430)를 통해서는 건물 랜덤포레스트 모델 학습부(440)에서 건물 랜덤포레스트 모델을 학습시키기 이전에 학습에 지장을 줄 수 있는 노이즈를 제거하는 역할을 한다. 여기서, 노이즈는 설문조사에 대한 불성실 참여집단으로 나타나 있다. 이어서, 건물 랜덤포레스트 모델 학습부(440)는 거주자 필터링부(430)에서 도출된 규칙성을 띄고 있는 거주자들의 데이터를 바탕으로 건물 자체의 랜덤포레스트 모델의 학습을 진행한다.

항목별 조정 및 예측부(450)는 상기 건물 랜덤포레스트 모델 학습부(440)에서 도출되는 건물 자체의 랜덤포레스트 모델 즉, 특성에 따른 건물 설문점수 예측 모델을 이용하여 특성별 건물 선호구간을 추적하기 위한 예측 시뮬레이션을 수행한다. 여기서, 시뮬레이션을 수행할 때 특성별로 하나씩 값을 조정(증가)해 나간다. 하나의 특성에 변화를 주는 경우 즉, 오로지 하나의 특성값에만 변화를 주는 경우, 나머지 특성값은 고정된 상태로 시뮬레이션이 진행된다.

여기서, 특성에 따른 건물 설문점수 예측 모델을 만들어 사용하는 이유는 실제 설비에 변화를 주지 않고, 임의의 프로그램에서 특성값만 변화시키면서 설문점수를 미리 볼 수 있는 환경이 마련되기 때문이다. 예를 들어, 선호구간 추적부(460)에서 온도의 선호구간을 추적하고자 하는 경우, 항목별 조정 및 예측부(450)는 온도를 제외한 나머지 특성값은 고정해 두고 온도라는 특성에만 변화를 주면서 설문 조사부(410) 내지 건물 랜덤포레스트 모델 학습부(440)를 통해 생성된 건물 랜덤포레스트 모델에 특성값들을 입력하여 설문점수를 예측하도록 한다.

다음의 [표 13]은 항목별 조정 및 예측부(450)에서 건물 내 거주만족도 영향인자들에 대하여, 항목별로 특성값을 하나씩 증가(조정)시켜 가면서 설문점수를 예측하고, 훈련된 모델을 통해 특성별로 참여자들이 어떤 범위를 선호하는지를 예시적으로 나타낸 것이다.

항목별 조정 및 예측부(450)에서 상기와 같이 설문점수 예측 기능을 수행할 때, 선호구간 추적부(460)는 특성별 이동평균값을 구하여 설문점수 최대값 구간 추적을 통해 특성별 사용자 선호구간을 추적할 수 있다. 이를 좀더 구체적으로 설명하면 다음과 같다.

항목별 조정 및 예측부(450)에서 건물 내 거주 영향인자 특성 별로 값을 증가시킬 때, 다른 특성 값은 0으로 고정시킨 상태로 선호구간을 추적한다. 그리고, 항목별 조정 및 예측부(450)는 출력된 예측값의 이동평균값을 구하여 특성별로 어떤 값의 범위에서 참여자들의 설문점수가 높게 나오는지 확인해나가는 시퀀스로 분석 프로세스를 수행한다. [표 13]에서 빨간색 구간처럼 참여도가 높은 참여자들의 데이터를 통해 훈련된 모델을 통해 특성별로 참여자들이 어떤 범위를 선호하는지 예측 가능하다. 랜덤포레스트 예측 결과물과 이동평균값을 이용하여 특성별 사용자 선호도 구간을 구했을 때, 그 선호도 구간은 초기에 실제 사용자 모델에 설정했던 선호도 구간의 범위를 속하는 것을 [표 13]에서 확인할 수 있다.

도 6을 참조하면, 건물 내 거주영향인자를 예상하고 센서부(100)를 통해 거주영향인자들에 대한 센서 측정값을 획득한다(ST22). 이와 함께, 건물 거주자들을 대상으로 설문조사를 실시한다. 그리고, 사용자별 랜덤포레스트 모델 학습을 통한 특성 중요도를 이용하여 특성에 따른 점수 규칙을 가지고 있는 사용자 필터링을 통해 설문조사에 대한 성실참여자들을 필터링한다(ST21). 필터링을 통해 획득한 성실 참여자들의 평균 설문점수들을 이용하여 해당 건물에 대해 랜덤 포레스트 모델 학습을 수행한다(ST23,ST24). 이때 생성된 예측 모델을 통해 건물 특성(센서측정값)에 따른 거주자들의 설문점수를 예측할 수 있으며, 특성값을 항목별로 조정/분석하여 건물 내 거주자들의 특성별 선호구간을 예측한다(ST25).

선호구간 추적부(460)는 상기 항목별 조정 및 예측부(450)에서 예측에 사용된 특성값과 예측 설문점수를 바탕으로 특성별 이동평균을 구하여 설문점수 최대값 구간을 추적한다. 상기 설명에서와 같이, 상기 상목별 조정 및 예측부(450)에서 하나의 특성값에만 변화를 주는 경우, 나머지의 특성들은 고정된 값에 따른 랜덤포레스트 모델의 설문점수 예측 결과가 도출된다. 선호구간 추적부(460)는 해당 과정에서도 특정 특성만을 관찰한다. 선호구간 추적부(460)는 변화하는 특정 특성에 따른 예측 점수를 이동평균값으로 이동하며, 상기와 같은 추적을 통해 가장 높은 평균 예측 점수의 구간을 특성별로 찾아낸다.

상기 설명에서와 같이, 선호구간 추적부(460)에서 설문점수 최대값 구간을 추적할 때 이동평균값이 사용된다. 예를 들어, 선호구간 추적부(460)에서 설문점수 최대값 구간을 추적할 때 온도값-예측값으로 구성되어 있는 데이터 리스트에서 이동평균 사이즈 3부터 시작하여 전체 데이터의 개수 내에서의 사이즈를 늘려가면서 설문점수 최대값 구간을 추적한다.

선호구간 추적부(460)는 각 사이즈별로 이동평균 최대값의 구간을 도출해 내고, 사이즈-온도 최솟값-온도 최대값-이동평균 최대값을 가지고 있는 데이터를 찾아낸다. 이에 따라, 선호구간 추적부(460)는 온도라는 항목의 최솟값-최대값 구간이 건물 랜덤포레스트 모델에서 거주자들의 설문점수를 가장 높게 받을 수 있는 구간이라고 예측할 수 있다.

피제어기 제어부(470)는 상기와 같은 일련을 과정을 통해 추적된 건물 내 특성별 사용자 선호구간을 근거로 하여, 거주자들이 가장 선호하는 형태의 특성 구간으로 피제어기(600)의 건물 내 공조 시스템을 제어한다.

상기 설문 조사부(410) 내지 피제어기 제어부(470)는 상기와 같은 과정을 반복 수행한다. 즉, 새로운 설문점수(타겟 데이터)가 입력될 때 마다 이를 이용하여 건물 램덤포레스트 모델을 학습시키고, 그 학습 결과를 근거로 설문점수 최대값 구간을 추적하여 거주자들이 가장 선호하는 형태의 특성 구간으로 피제어기(600)의 건물 내 공조 시스템을 제어하는 과정을 반복 수행한다.

도 6을 참조하면, 상기 설명에서와 같이 거주 만족도 영향인자들(온도, 습도, 조도....피부온도 등)에 대한 센서 측정값들을 기반으로 특정 건물 내 거주하는 거주자들의 거주 만족도 설문점수를 예측하고, 이와 동시에 상기 만족도 영향인자별로 선호구간을 예측한다. 피제어기 제어부(470)는 상기 선호구간 예측 결과를 바탕으로 피제어기(600)를 자동 제어한다(ST26). 이에 따라, 피제어기(600)를 통해 건물 내 설비들 예를 들어, 공조기, 조명, 냉/난방기, 환풍기 등에 대한 특성제어를 수행할 수 있게 된다. 여기서, 피제어기(600)는 관리자 혹은 자동화 시스템을 포함할 수 있다. 따라서, 거주만족도 특성별 선호구간 유지를 위한 관련설비의 자동제어가 가능하게 되고, 이로 인하여 건물 내 거주자들의 거주만족도(설문 예측점수)를 최적으로 유지할 수 있게 된다(ST27).

지금까지 살펴본 바와 같이, 건물 내 거주만족도 설문조사를 100명에 대해서 수행하되, 성실 참여자와 비성실 참여자를 구분하고, 성실참여자들의 설문조사 결과를 기반으로 참여자들이 중요하게 생각하는 거주 영향인자 선호도 순위를 예측하였다. 그 결과 거주 영향인자 선호도 순위를 비교적 정확하게 예측하는 것이 가능함을 확인할 수 있었다.

다음의 [표 14]는 예측 설문 시뮬레이션을 통하여 노이즈가 제거된 성실 참여자 집단의 데이터만을 사용하여 만들어진 건물 랜덤포레스트 모델이 예측 모델로서의 역할을 할 수 있는지를 나타낸 것이다.

따라서, 새로운 설문조사에 대한 예측을 수행하고 이에 대한 실제값과의 비교를 통해 설문조사에 대한 예측 정확도를 살펴보고자 한다. 이를 위해 참여도가 높은 참여자들만으로 특정 건물 또는 호의 랜덤포레스트 학습 모델을 만들었다. 이제 새로운 설문조사 시뮬레이션을 500회 돌려 참여도가 높은 참여자들의 설문점수 평균 값과 해당 모델의 예측값에 차이가 어느정도 나는지 분석/확인해본 결과 다음의 [표 15]와 같다. 즉, 실제 선호로 하는 특징 선호 순위와는 차이가 조금 발생했지만, 실제 예측하는 설문점수 결과값에는 크게 차이를 발생하지 않는 것을 확인할 수 있다.

다음의 [표 16]은 참여도가 높은 50명의 참여자들을 토대로 훈련된 모델이 예측을 잘 해낼 수 있다는 것을 예시적으로 나타낸 것이다. 즉, 특성별로 어떤 범위에서 참여자들이 설문점수를 높게 주는지, 그들이 만족하는지를 나타낸 것이다.

상기 설명을 정리해 보면, 상기 설문 조사부(410) 내지 건물 랜덤포레스트 모델 학습부(440)를 통해서는 실제 거주자 특성 선호도와 건물 랜덤포레스트 모델 특성 선호도의 순위를 비교하고, 항목별 조정 및 예측부(450) 및 선호구간 추적부(460)를 통해서는 노이즈가 제거된 성실 참여 집단의 데이터만을 사용해서 만들어진 건물 랜덤포레스트 모델이 예측 모델로 역할을 한다.

한편, 도 7은 본 발명의 실시예에 따른 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 방법의 순서도이다.

도 7을 참조하면, 본 발명에 따른 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 방법은 설문조사 단계(S1), 거주자별 랜덤포레스트 모델 학습단계(S2), 거주자 필터링 단계(S3) 및 건물 랜덤포레스트 모델 학습단계(S4)를 포함한다.

설문조사 단계(S1)에서, 설문 조사부(410)는 센서부(100)를 통해 센싱된 센싱데이터들을 수집하고, 건물 내 거주자들을 대상으로 실시한 설문조사에 따른 설문조사 결과 데이터를 수집한다. 여기서, 센서부(100)를 통해 센싱되는 데이터는 센서부(100)에 구비된 온도센서(101), 습도센서(102), 조도센서(103), 먼지센서(104), 소음센서(105), 악취센서(106), 혼잡도센서(107) 및 피부온도센서(108)들을 통해 센싱되는 데이터를 의미한다. 상기 설문조사 결과 데이터는 사용자 단말(200)들을 포함하는 통신수단을 통해 실시한 설문조사를 통해 획득된 데이터를 의미한다.

거주자별 랜덤포레스트 모델 학습단계(S2)에서, 거주자별 랜덤포레스트 모델 학습부(420)는 상기 센싱데이터와 설문조사 결과 데이터를 훈련 데이터로 사용하여 랜덤포레스트 모델을 학습시킨다. 이때, 거주자별 랜덤포레스트 모델 학습부(420)는 상기 설문조사에서 참여도가 낮은 데이터들을 분리해내고 참여도가 높은 데이터들을 포함시켜 학습을 진행한다.

거주자 필터링 단계(S3)에서, 거주자 필터링부(430)는 상기 거주자별 랜덤포레스트 모델 학습부(420)에서 공급되는 특성 중요도를 참고하여 특성에 따른 점수 규칙을 가지고 있는 거주자를 필터링해낸다.

건물 랜덤포레스트 모델 학습단계(S4)에서, 건물 랜덤포레스트 모델 학습부(440)는 상기 거주자 필터링부(430)에서 도출된 규칙성을 띄고 있는 거주자들의 데이터를 바탕으로 건물 자체의 랜덤포레스트 모델의 학습을 진행하여 거주만족도를 예측한다.

이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것은 아니며, 기술적 사상의 범주를 이탈함없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.

100 : 센서부 101 : 온도센서
102 : 습도센서 103 : 조도센서
104 : 먼지센서 105 : 소음센서
106 : 악취센서 107 : 혼잡도센서
108 : 피부온도센서 200 : 사용자 단말
300 : 네트워크 400 : 서버
410 : 설문 조사부 420 : 거주자별 랜덤포레스트 모델 학습부
430 : 거주자 필터링부 440 : 건물 랜덤포레스트 모델 학습부
450 : 항목별 조정 및 예측부
460 : 선호구간 추적부 470 : 피제어기 제어부
500 : 데이터베이스 600 : 피제어기

Claims (12)

1. 건물 내 거주자들의 거주만족도 영향인자들에 영향을 주는 영향인자들을 센싱하여 그에 따른 센싱데이터들을 출력하는 센서부;
   거주자만족도 설문조사에 참여하는 사용자 단말들;
   상기 센싱데이터들과, 상기 사용자 단말들을 포함하는 통신수단을 통해 실시한 설문조사에서 획득된 거주만족도 간의 상관관계를 분석하여 상기 거주자들의 거주만족도를 평가하고, 랜덤 포레스트 모델 학습을 통해 상기 거주자들의 특성별 선호구간을 예측하여 피제어기의 건물 내 공조 시스템을 제어하는 서버;를 포함하되,
   상기 서버는
   상기 센싱데이터들을 수집하고, 상기 건물 내 거주자들을 대상으로 실시한 설문조사에 따른 설문조사 결과 데이터를 수집하는 설문 조사부;
   상기 센싱데이터와 설문조사 결과 데이터를 훈련 데이터로 사용하여 랜덤포레스트 모델을 학습시키되, 상기 설문조사에서 참여도가 기 설정된 기준치 보다 낮은 데이터들을 분리해내고 참여도가 기 설정된 기준치 보다 높은 데이터들을 포함시켜 학습을 진행하는 거주자별 랜덤포레스트 모델 학습부;
   상기 거주자별 랜덤포레스트 모델 학습부에서 공급되는 특성 중요도를 참고하여 특성에 따른 점수 규칙을 가지고 있는 거주자를 필터링해내는 거주자 필터링부; 및
   상기 거주자 필터링부에서 도출된 규칙성을 띄고 있는 거주자들의 데이터를 바탕으로 건물 자체의 랜덤포레스트 모델의 학습을 진행하여 거주만족도를 예측하는 건물 랜덤포레스트 모델 학습부;를 포함하되,
   상기 거주자 필터링부는
   상기 특성에 따른 점수 규칙을 가지고 있는 거주자를 상기 거주자만족도 설문조사에 성실하게 참여한 거주자로 구분하여 필터링하여 설문점수에 규칙성을 가지고 있는 거주자들의 데이터만 도출하고,
   상기 건물 랜덤포레스트 모델 학습부에서 랜덤포레스트 모델에 사용되는 훈련데이터 셋(training dataset)은
   “ 설문 조사부로부터 공급되는 센서 측정 값 - 거주자 필터링부에서 공급되는 거주자들의 평균설문점수"인 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
2. 제1항에 있어서,
   상기 센서부의 영향인자들은 열감, 밝기, 먼지, 소음, 냄새, 혼잡도, 피부온도 중에서 어느 하나 이상을 포함하는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
3. 제1항에 있어서,
   상기 설문 조사부는
   성실하게 설문조사를 수행한 거주자로부터 획득된 거주만족도 조사 데이터를 구분하고, 상기 건물 내 거주자들의 거주만족도 평가시 중요한 영향을 주는 영향인자를 구분하는 전처리과정을 수행하는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
4. 제3항에 있어서,
   상기 설문 조사부는
   상기 거주만족도 조사 데이터를 구분할 때, 상기 설문조사에 참여한 거주자들 중에서 성실하게 설문조사를 수행한 설문 응답자의 거주만족도 조사 데이터를 구분해내는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
5. 제1항에 있어서,
   상기 거주자별 랜덤포레스트 모델 학습부는
   랜덤포레스트가 위험도(label)를 예측하기 위해 사용된 특성들 중 중요도가 높다고 평가한 특성들을 모델학습에 사용한 학습(learning) 데이터와 타겟(target) 데이터에 기록하는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
6. 제1항에 있어서,
   상기 거주자별 랜덤포레스트 모델 학습부는
   온도, 습도, 조도, 먼지, 소음, 악취, 혼잡도, 피부온도 중에서 하나 이상을 포함하는 사용자 객체를 거주공간 영향인자로 구성하고, 상기 영향인자 항목당 기설정된 일정 점수씩 배정한 후 건물 내 거주자 만족도 영향인자별 적정값과, 차감 점수 룰(Rule)을 적용하여 랜덤포레스트 모델을 학습시키는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
7. 삭제
8. 삭제
9. 제1항에 있어서,
   상기 건물 랜덤포레스트 모델 학습부는
   상기 센서 측정값을 훈련 데이터의 특성값으로 사용하고, 상기 거주자들의 평균점수값을 정답값으로 사용하는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
10. 제1항에 있어서,
    상기 건물 랜덤포레스트 모델 학습부는
    상기 설문조사에 대한 참여도가 기 설정된 기준치 보다 높은 거주자들의 설문데이터들을 이용하여 설문점수의 평균값을 산출하는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
11. 제10항에 있어서,
    상기 건물 랜덤포레스트 모델 학습부는
    상기 산출된 평균값을 위험도(Label)로 사용하는 것을 특징으로 하는 건물 거주자의 개인성향 및 센싱 데이터 기반의 거주만족도 평가 시스템.
12. 삭제

Images