KR102558696B1 - System and method for predicting odor of livestock farm based on artificial intelligence - Google Patents

System and method for predicting odor of livestock farm based on artificial intelligence Download PDF

Info

Publication number
KR102558696B1
KR102558696B1 KR1020220098728A KR20220098728A KR102558696B1 KR 102558696 B1 KR102558696 B1 KR 102558696B1 KR 1020220098728 A KR1020220098728 A KR 1020220098728A KR 20220098728 A KR20220098728 A KR 20220098728A KR 102558696 B1 KR102558696 B1 KR 102558696B1
Authority
KR
South Korea
Prior art keywords
data
odor
value
livestock farm
learning
Prior art date
Application number
KR1020220098728A
Other languages
Korean (ko)
Inventor
최현정
이광현
Original Assignee
주식회사 베가스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 베가스 filed Critical 주식회사 베가스
Priority to KR1020220098728A priority Critical patent/KR102558696B1/en
Application granted granted Critical
Publication of KR102558696B1 publication Critical patent/KR102558696B1/en

Links

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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Medicinal Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Animal Husbandry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mining & Mineral Resources (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

인공지능 기반의 축산농가의 악취 예측 시스템 및 방법이 제공된다. 본 발명의 일 실시예에 따른 인공지능 기반의 축산농가의 악취 예측 시스템은, 축산농가에 설치된 악취 측정장비로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집하는 데이터 수집부; 상기 학습 데이터 내 이상값 또는 결측값을 보정하고, 상기 학습 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 설명 변수를 설정된 시간 간격에 따라 각각 나열하고, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동(shift)시키며, 특정 시점을 기준으로 상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 데이터 전처리부; 상기 모델링 데이터를 이용하여 악취 예측모형을 생성하는 모델링부; 및 상기 검증 데이터를 이용하여 상기 악취 예측모형을 검증하는 검증부를 포함한다.An artificial intelligence-based odor prediction system and method for livestock farms are provided. An artificial intelligence-based livestock farm odor prediction system according to an embodiment of the present invention includes a data collection unit that collects learning data including a plurality of measurement data for measuring the odor of the livestock farm from odor measurement equipment installed in the livestock farm; A data preprocessor that corrects outliers or missing values in the learning data, lists a dependent variable related to a target to be predicted in the learning data and an explanatory variable that affects the dependent variable according to a set time interval, shifts the arrangement of the learning data according to a correlation analysis between the dependent variable and the explanatory variable, and separates the learning data into modeling data and verification data based on a specific point in time; a modeling unit generating an odor prediction model using the modeling data; and a verification unit verifying the odor prediction model using the verification data.

Description

인공지능 기반의 축산농가의 악취 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING ODOR OF LIVESTOCK FARM BASED ON ARTIFICIAL INTELLIGENCE}Artificial intelligence-based odor prediction system and method for livestock farms {SYSTEM AND METHOD FOR PREDICTING ODOR OF LIVESTOCK FARM BASED ON ARTIFICIAL INTELLIGENCE}

본 발명의 실시예들은 축산농가에서 발생되는 악취를 실시간으로 예측하여 조기에 예보 및 경보를 발생시키는 기술과 관련된다.Embodiments of the present invention relate to a technology for generating an early forecast and warning by predicting odors generated in livestock farms in real time.

일반적으로, 소, 돼지, 양 등의 가축을 이용한 축산농가에서는 악취가 끊이지 않는다. 축산농가에서 일정 수준 이상의 악취가 계속되는 경우 암모니아 측정값 또는 황화수소 측정값을 기반으로 악취의 농도를 파악하고 이에 따라 악취저감을 위한 거품이 축산농가에 도포된다. 그러나, 축산농가의 규모가 크고 노동인력이 부족한 상황에서 이러한 악취의 농도를 매번 측정하여 거품도포 여부를 결정하는 것은 매우 번거롭고 어려운 일이다. 또한, 이미 일정 수준 이상의 악취가 발생된 후에는 악취저감을 위한 거품을 도포하더라도 악취가 완전히 저감되는 데까지 많은 시간이 걸리므로, 악취 발생을 사전에 예측하여 거품도포 여부를 결정할 필요가 있다.In general, in livestock farms using livestock such as cows, pigs, and sheep, odors do not cease. If the odor continues to exceed a certain level in the livestock farm, the concentration of the odor is determined based on the ammonia measurement value or the hydrogen sulfide measurement value, and accordingly, foam for odor reduction is applied to the livestock farm. However, it is very cumbersome and difficult to determine whether or not to apply foam by measuring the concentration of such odor each time in a situation where the scale of livestock farms is large and labor is insufficient. In addition, after a certain level of odor has already occurred, even if foam for odor reduction is applied, it takes a long time until the odor is completely reduced, so it is necessary to predict the occurrence of odor in advance and determine whether to apply foam.

한국등록특허공보 제10-2185378호(2020.11.25)Korean Registered Patent Publication No. 10-2185378 (2020.11.25)

본 발명의 실시예들은 인공지능을 기반으로 악취 예측을 위한 악취 예측모형을 생성하고, 상기 악취 예측모형을 이용하여 축산농가에서의 악취를 실시간으로 예측하여 조기에 예보 및 경보를 발생시키는 수단을 제공하기 위한 것이다.Embodiments of the present invention are to provide a means for generating an odor prediction model for odor prediction based on artificial intelligence, predicting odor in livestock farms in real time using the odor prediction model, and generating an early forecast and warning.

예시적인 실시예에 따르면, 축산농가에 설치된 악취 측정장비로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집하는 데이터 수집부; 상기 학습 데이터 내 이상값 또는 결측값을 보정하고, 상기 학습 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 설명 변수를 설정된 시간 간격에 따라 각각 나열하고, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동(shift)시키며, 특정 시점을 기준으로 상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 데이터 전처리부; 상기 모델링 데이터를 이용하여 악취 예측모형을 생성하는 모델링부; 및 상기 검증 데이터를 이용하여 상기 악취 예측모형을 검증하는 검증부를 포함하는, 인공지능 기반의 축산농가의 악취 예측 시스템이 제공된다.According to an exemplary embodiment, a data collection unit for collecting learning data including a plurality of measurement data for measuring the odor of the livestock farm from odor measurement equipment installed in the livestock farm; A data preprocessor that corrects outliers or missing values in the learning data, lists a dependent variable related to a target to be predicted in the learning data and an explanatory variable that affects the dependent variable according to a set time interval, shifts the arrangement of the learning data according to a correlation analysis between the dependent variable and the explanatory variable, and separates the learning data into modeling data and verification data based on a specific point in time; a modeling unit generating an odor prediction model using the modeling data; and a verification unit verifying the odor prediction model using the verification data, and an artificial intelligence-based odor prediction system for livestock farms is provided.

상기 데이터 전처리부는, 설정된 시간 동안 상기 이상값 및 상기 결측값을 제외한 다른 대체값이 존재하는 경우 상기 이상값 또는 상기 결측값을 상기 대체값으로 대체하거나, 또는 선형 보간법(Linear Interpolation)을 이용하여 상기 이상값 또는 상기 결측값을 보정할 수 있다.The data pre-processing unit may replace the abnormal value or the missing value with the replacement value if there are replacement values other than the abnormal value and the missing value during a set time period, or use linear interpolation to correct the abnormal value or the missing value.

상기 데이터 전처리부는, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 각 설명 변수가 상기 종속 변수에 영향을 미치는 시간을 파악하고, 설정된 시간 간격에 따라 나열된 상기 각 설명 변수를 상기 영향을 미치는 시간만큼 현재 시점에 가깝게 이동시킬 수 있다.The data pre-processing unit determines the time at which each explanatory variable affects the dependent variable according to the correlation analysis between the dependent variable and the explanatory variable, and moves each of the explanatory variables listed according to a set time interval closer to the current point in time by the influencing time.

상기 데이터 전처리부는, 상기 학습 데이터의 나열이 이동된 상태에서 특정 시점을 기준으로 상기 특정 시점의 전(before)에 해당하는 학습 데이터를 상기 모델링 데이터로 분리하고, 상기 특정 시점의 후(after)에 해당하는 학습 데이터를 상기 검증 데이터로 분리할 수 있다.The data pre-processing unit separates learning data corresponding to before the specific time point into the modeling data based on a specific point in time in a state in which the arrangement of the learning data is moved, and learning data corresponding to after the specific point in time can be separated into the verification data.

상기 모델링부는, 상기 모델링 데이터를 MLR (Multiple Linear Regression), RF (Random Forest), ANN (Artificial Neural Network), LSTM (Long Short Term Memory), ARIMAX (Auto regressive Integrated Moving Average), XGBoost (Extreme Gradient Boosting) 및 lightGBM (Light Gradient Boosting Machine) 중 적어도 하나에 적용하여 상기 악취 예측모형을 생성할 수 있다.The modeling unit may generate the odor prediction model by applying the modeling data to at least one of multiple linear regression (MLR), random forest (RF), artificial neural network (ANN), long short term memory (LSTM), auto regressive integrated moving average (ARIMAX), extreme gradient boosting (XGBoost), and light gradient boosting machine (lightGBM).

상기 검증부는, 상기 검증 데이터를 상기 악취 예측모형에 적용하여 상기 타깃에 대한 예측값을 획득하고, 동일 시점에서의 상기 예측값과 상기 타깃의 실제 측정값을 비교하여 상기 예측값을 검증할 수 있다.The verifier may obtain a predicted value for the target by applying the verification data to the odor prediction model, and verify the predicted value by comparing the predicted value with an actual measured value of the target at the same time point.

상기 검증부는, 상기 예측값과 설정된 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 예측 분류값을 획득하고, 상기 타깃의 실제 측정값과 상기 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 실제 분류값을 획득하며, 상기 예측 분류값과 상기 실제 분류값을 비교하여 상기 예측 분류값을 검증할 수 있다.The verifier may obtain a predicted classification value including odor or normal through comparison between the predicted value and a set reference value, obtain an actual classification value including odor or normal through comparison between an actual measured value of the target and the reference value, and compare the predicted classification value with the actual classification value to verify the predicted classification value.

상기 인공지능 기반의 축산농가의 악취 예측 시스템은, 상기 악취 측정장비로부터 예측대상 데이터를 수집하고, 상기 예측대상 데이터를 전처리한 후 상기 악취 예측모형에 적용하여 상기 축산농가의 악취를 예측하는 예측 모듈을 더 포함할 수 있다.The artificial intelligence-based livestock farm odor prediction system collects prediction target data from the odor measurement equipment, pre-processes the prediction target data, and then applies the odor prediction model to predict the odor of the livestock farm. It may further include a prediction module.

다른 예시적인 실시예에 따르면, 학습 모듈의 데이터 수집부에서, 축산농가에 설치된 악취 측정장비로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집하는 단계; 상기 학습 모듈의 데이터 전처리부에서, 상기 학습 데이터 내 이상값 또는 결측값을 보정하는 단계; 상기 데이터 전처리부에서, 상기 학습 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 설명 변수를 설정된 시간 간격에 따라 각각 나열하는 단계; 상기 데이터 전처리부에서, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동(shift)시키는 단계; 상기 데이터 전처리부에서, 특정 시점을 기준으로 상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 단계; 상기 학습 모듈의 모델링부에서, 상기 모델링 데이터를 이용하여 악취 예측모형을 생성하는 단계; 및 상기 학습 모듈의 검증부에서, 상기 검증 데이터를 이용하여 상기 악취 예측모형을 검증하는 단계를 포함하는, 인공지능 기반의 축산농가의 악취 예측 방법이 제공된다.According to another exemplary embodiment, in the data collection unit of the learning module, collecting learning data including a plurality of measurement data for measuring the odor of the livestock farm from odor measurement equipment installed in the livestock farm; correcting abnormal values or missing values in the learning data in a data pre-processing unit of the learning module; listing, in the data pre-processing unit, dependent variables related to a target to be predicted within the learning data and explanatory variables affecting the dependent variables according to set time intervals; shifting, in the data pre-processing unit, an array of the learning data according to correlation analysis between the dependent variable and the explanatory variable; Separating the learning data into modeling data and verification data based on a specific time point in the data pre-processing unit; generating, in the modeling unit of the learning module, an odor prediction model using the modeling data; and verifying the odor prediction model by using the verification data in the verification unit of the learning module.

상기 학습 데이터 내 이상값 또는 결측값을 보정하는 단계는, 설정된 시간 동안 상기 이상값 및 상기 결측값을 제외한 다른 대체값이 존재하는 경우 상기 이상값 또는 상기 결측값을 상기 대체값으로 대체하거나, 또는 선형 보간법(Linear Interpolation)을 이용하여 상기 이상값 또는 상기 결측값을 보정할 수 있다.In the step of correcting an outlier or missing value in the learning data, if there are replacement values other than the outlier or missing value during a set period of time, the outlier or missing value may be replaced with the replacement value, or the outlier or missing value may be corrected using linear interpolation.

상기 학습 데이터의 나열을 이동(shift)시키는 단계는, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 각 설명 변수가 상기 종속 변수에 영향을 미치는 시간을 파악하고, 설정된 시간 간격에 따라 나열된 상기 각 설명 변수를 상기 영향을 미치는 시간만큼 현재 시점에 가깝게 이동시킬 수 있다.In the step of shifting the list of learning data, the time at which each explanatory variable affects the dependent variable is determined according to the correlation analysis between the dependent variable and the explanatory variable, and each of the listed explanatory variables according to a set time interval can be moved closer to the current point in time by the influencing time.

상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 단계는, 상기 학습 데이터의 나열이 이동된 상태에서 특정 시점을 기준으로 상기 특정 시점의 전(before)에 해당하는 학습 데이터를 상기 모델링 데이터로 분리하고, 상기 특정 시점의 후(after)에 해당하는 학습 데이터를 상기 검증 데이터로 분리할 수 있다.In the step of separating the learning data into modeling data and verification data, in a state in which the list of the learning data is moved, learning data corresponding to a point in time before the specific point in time may be separated into modeling data, and learning data corresponding to after the specific point in time may be separated into the verification data.

상기 악취 예측모형을 생성하는 단계는, 상기 모델링 데이터를 MLR (Multiple Linear Regression), RF (Random Forest), ANN (Artificial Neural Network), LSTM (Long Short Term Memory), ARIMAX (Auto regressive Integrated Moving Average), XGBoost (Extreme Gradient Boosting) 및 lightGBM (Light Gradient Boosting Machine) 중 적어도 하나에 적용하여 상기 악취 예측모형을 생성할 수 있다.In the generating of the odor prediction model, the odor prediction model may be generated by applying the modeling data to at least one of Multiple Linear Regression (MLR), Random Forest (RF), Artificial Neural Network (ANN), Long Short Term Memory (LSTM), Auto regressive Integrated Moving Average (ARIMAX), Extreme Gradient Boosting (XGBoost), and Light Gradient Boosting Machine (lightGBM).

상기 악취 예측모형을 검증하는 단계는, 상기 검증 데이터를 상기 악취 예측모형에 적용하여 상기 타깃에 대한 예측값을 획득하고, 동일 시점에서의 상기 예측값과 상기 타깃의 실제 측정값을 비교하여 상기 예측값을 검증할 수 있다.In the verifying the odor prediction model, a predicted value for the target may be obtained by applying the verification data to the odor prediction model, and the predicted value may be verified by comparing the predicted value with an actual measured value of the target at the same time point.

상기 악취 예측모형을 검증하는 단계는, 상기 예측값과 설정된 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 예측 분류값을 획득하고, 상기 타깃의 실제 측정값과 상기 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 실제 분류값을 획득하며, 상기 예측 분류값과 상기 실제 분류값을 비교하여 상기 예측 분류값을 검증할 수 있다.The step of verifying the odor prediction model may include obtaining a predicted classification value including odor or normal through comparison between the predicted value and a set reference value, obtaining an actual classification value including odor or normal through comparison between an actual measured value of the target and the reference value, and comparing the predicted classification value with the actual classification value to verify the predicted classification value.

상기 인공지능 기반의 축산농가의 악취 예측 방법은, 예측모델에서, 상기 악취 측정장비로부터 예측대상 데이터를 수집하고, 상기 예측대상 데이터를 전처리한 후 상기 악취 예측모형에 적용하여 상기 축산농가의 악취를 예측하는 단계를 더 포함할 수 있다.The artificial intelligence-based odor prediction method of livestock farms collects prediction target data from the odor measuring equipment in the prediction model, preprocesses the prediction target data, and then applies the odor prediction model to the livestock farm. It may further include predicting the odor.

본 발명의 실시예들에 따르면, 축산농가의 악취 측정장비에서 획득된 학습 데이터를 악취 예측에 적합한 데이터 형태로 전처리한 후 전처리된 학습 데이터의 일부를 인공지능 모델에 적용하여 악취 예측모형을 생성하고, 상기 학습 데이터의 나머지를 이용하여 상기 악취 예측모형을 검증함으로써 악취 예측에 최적화된 모형을 생성할 수 있다.According to the embodiments of the present invention, after preprocessing learning data obtained from odor measurement equipment of livestock farms into a data form suitable for odor prediction, a part of the preprocessed learning data is applied to an artificial intelligence model to generate an odor prediction model, and the odor prediction model can be verified using the rest of the learning data, thereby generating a model optimized for odor prediction.

또한, 본 발명의 실시예들에 따르면, 상기 악취 예측모형을 이용하여 축산농가에서의 악취를 실시간으로 예측하도록 함으로써, 조기에 예보 및 경보를 발생시키거나 악취저감을 위한 거품도포 여부를 최적의 시점에 결정할 수 있다.In addition, according to the embodiments of the present invention, by using the odor prediction model to predict the odor in livestock farms in real time, it is possible to generate an early warning and warning or to determine whether to apply foam to reduce odor at an optimal time.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 축산농가의 악취 예측 시스템을 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 학습 모듈의 세부 구성을 나타낸 블록도
도 3은 본 발명의 일 실시예에 따른 학습 데이터의 예시
도 4는 본 발명의 일 실시예에 따른 이상값의 예시
도 5는 본 발명의 일 실시예에 따른 학습 데이터 내 이상값 또는 결측값의 보정 과정을 나타낸 예시
도 6은 본 발명의 일 실시예에 따른 학습 데이터 내 이상값 또는 결측값의 보정 과정을 나타낸 예시
도 7은 본 발명의 일 실시예에 따른 데이터 전처리부에서 학습 데이터 내 종속 변수와 설명 변수를 설정된 시간 간격에 따라 나열한 예시
도 8은 본 발명의 일 실시예에 따른 데이터 전처리부에서 종속 변수와 설명 변수 간의 상관 분석에 따라 학습 데이터의 나열을 이동시킨 예시
도 9는 본 발명의 일 실시예에 따른 데이터 전처리부에서 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 과정을 나타낸 예시
도 10은 본 발명의 일 실시예에 따른 예측 모듈의 세부 구성을 나타낸 블록도
도 11은 본 발명의 일 실시예에 따른 학습 모듈에서 악취 예측모형을 생성하여 검증하는 과정을 설명하기 위한 흐름도
도 12는 본 발명의 일 실시예에 따른 예측 모듈에서 악취 예측모형을 이용하여 축산농가의 악취를 예측하는 과정을 설명하기 위한 흐름도
도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도1 is a block diagram for explaining an artificial intelligence-based odor prediction system for livestock farms according to an embodiment of the present invention.
2 is a block diagram showing the detailed configuration of a learning module according to an embodiment of the present invention
3 is an example of learning data according to an embodiment of the present invention
4 is an example of an ideal value according to an embodiment of the present invention
5 is an example showing a process of correcting an outlier or missing value in learning data according to an embodiment of the present invention.
6 is an example of a process of correcting an outlier or missing value in training data according to an embodiment of the present invention.
7 is an example in which dependent variables and explanatory variables in training data are arranged according to set time intervals in a data preprocessing unit according to an embodiment of the present invention.
8 is an example in which the list of learning data is moved according to the correlation analysis between the dependent variable and the explanatory variable in the data preprocessing unit according to an embodiment of the present invention.
9 is an example showing a process of separating learning data into modeling data and verification data in a data pre-processing unit according to an embodiment of the present invention.
10 is a block diagram showing the detailed configuration of a prediction module according to an embodiment of the present invention
11 is a flowchart for explaining a process of generating and verifying an odor prediction model in a learning module according to an embodiment of the present invention.
12 is a flowchart for explaining a process of predicting the odor of a livestock farm using an odor prediction model in a prediction module according to an embodiment of the present invention.
13 is a block diagram for illustrating and describing a computing environment including a computing device suitable for use in example embodiments.

이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.Hereinafter, specific embodiments of the present invention will be described with reference to the drawings. The detailed descriptions that follow are provided to provide a comprehensive understanding of the methods, devices and/or systems described herein. However, this is only an example and the present invention is not limited thereto.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.In describing the embodiments of the present invention, if it is determined that the detailed description of the known technology related to the present invention may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of a user or operator. Therefore, the definition should be made based on the contents throughout this specification. Terminology used in the detailed description is only for describing the embodiments of the present invention and should in no way be limiting. Unless expressly used otherwise, singular forms of expression include plural forms. In this description, expressions such as “comprising” or “comprising” are intended to indicate certain characteristics, numbers, steps, operations, elements, parts or combinations thereof, and should not be construed to exclude the existence or possibility of one or more other characteristics, numbers, steps, operations, elements, parts or combinations thereof other than those described.

도 1은 본 발명의 일 실시예에 따른 인공지능 기반의 축산농가의 악취 예측 시스템(100)을 설명하기 위한 블록도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 기반의 축산농가의 악취 예측 시스템(100)은 데이터베이스(120)를 통해 하나 이상의 악취 측정장비(110), 관리자 단말(130) 및 사용자 단말(140)과 각각 연결될 수 있다.1 is a block diagram illustrating an artificial intelligence-based odor prediction system 100 of a livestock farm according to an embodiment of the present invention. As shown in FIG. 1, the artificial intelligence-based livestock farm odor prediction system 100 according to an embodiment of the present invention may be connected to one or more odor measurement equipment 110, a manager terminal 130, and a user terminal 140 through a database 120, respectively.

악취 측정장비(110)는 축산농가에 설치되어 상기 축산농가의 악취 측정을 위한 각종 측정 데이터를 획득하는 장비이다. 본 실시예들에 있어서, 축산농가는 소, 돼지, 양 등의 가축을 이용한 농가, 농장 등을 의미하며, 악취 측정 및 저감이 필요한 모든 종류의 농가 또는 농장을 포함하는 넓은 의미로 사용된다. 또한, 측정 데이터는 예를 들어, 악취 측정장비(110)의 설치 위치(즉, 축산농가의 위치)에 관한 정보, 측정 시각, 악취 측정장비(110)가 설치된 지점에서 측정된 암모니아 측정값, 황화수소 측정값, 온도, 습도, 환기팬 측정값, 축산농가의 악취저감을 위해 도포된 거품의 도포시각, 거품의 도포량 등이 될 수 있다. 악취 측정장비(110)는 이러한 측정 데이터의 획득을 위한 각종 센서들을 구비할 수 있다. 악취 측정장비(110)는 하나의 축산농가에 복수 개 설치될 수 있으며, 또한 서로 다른 각 축산농가마다 하나 이상 설치될 수도 있다.The odor measuring device 110 is installed in a livestock farm and acquires various measurement data for measuring the odor of the livestock farm. In the present embodiments, a livestock farm means a farmhouse, farm, etc. using livestock such as cows, pigs, and sheep, and is used in a broad sense including all kinds of farmhouses or farms that require odor measurement and reduction. In addition, the measurement data may be, for example, information on the installation location of the odor measuring device 110 (i.e., the location of the livestock farm), measurement time, ammonia measurement value measured at the point where the odor measurement device 110 is installed, hydrogen sulfide measurement value, temperature, humidity, ventilation fan measurement value, application time of foam applied to reduce odor in livestock farms, application amount of foam, and the like. The odor measuring device 110 may include various sensors for acquiring such measurement data. A plurality of odor measuring devices 110 may be installed in one livestock farm, and one or more may be installed in each different livestock farm.

데이터베이스(120)는 네트워크(미도시)를 통해 악취 측정장비(110), 관리자 단말(130) 및 사용자 단말(140)과 연결되어 각종 데이터를 저장 및 관리하는 저장소다. 데이터베이스(120)는 악취 예측 시스템(100)의 일 구성으로 존재하거나, 또는 악취 예측 시스템(100)과 구분되는 별도의 구성으로 존재할 수도 있다. 여기서, 네트워크는 예를 들어, 인터넷, 와이파이 네트워크(wifi network), 3G 네트워크, LTE 네트워크 등과 같은 모바일 네트워크(mobile network), 광역 네트워크(wire area networks) 등을 포함할 수 있다. 데이터베이스(120)에는 악취 측정장비(110)에서 획득된 측정 데이터가 저장될 수 있다. 또한, 후술할 바와 같이, 데이터베이스(120)에는 예측 모듈(300)에서 도출된 악취 예측결과와 관련된 데이터가 저장될 수 있다.The database 120 is a storage that stores and manages various data by being connected to the odor measurement equipment 110, the manager terminal 130, and the user terminal 140 through a network (not shown). The database 120 may exist as one component of the odor prediction system 100 or may exist as a separate component separated from the odor prediction system 100 . Here, the network may include, for example, a mobile network such as the Internet, a wifi network, a 3G network, an LTE network, and the like, a wire area network, and the like. The database 120 may store measurement data obtained by the odor measuring device 110 . Also, as will be described later, data related to odor prediction results derived from the prediction module 300 may be stored in the database 120 .

관리자 단말(130)은 축산농가의 악취를 관리하는 관리자가 소지하는 단말이다. 관리자 단말(130)은 예를 들어, 데스크탑, 노트북, 태블릿 컴퓨터, 스마트폰, PDA, 스마트 워치와 같은 웨어러블 디바이스 등이 될 수 있다. 관리자 단말(130)은 데이터베이스(120)에 접근하여 축산농가의 악취와 관련하여 필요한 정보를 열람하거나 가져올 수 있다.The manager terminal 130 is a terminal possessed by a manager who manages the odor of a livestock farm. The manager terminal 130 may be, for example, a desktop computer, a laptop computer, a tablet computer, a smart phone, a PDA, or a wearable device such as a smart watch. The manager terminal 130 may access the database 120 to view or bring necessary information related to the odor of livestock farms.

사용자 단말(140)은 악취 예측 시스템(100)에서 출력되는 악취 예측결과를 제공 받는 사용자가 소지하는 단말로서, 예를 들어, 데스크탑, 노트북, 태블릿 컴퓨터, 스마트폰, PDA, 스마트 워치와 같은 웨어러블 디바이스 등이 될 수 있다. 여기서, 사용자는 예를 들어, 축산농가의 소유자, 축산농가에서 근무하는 근로자 등이 될 수 있다. 사용자 단말(130)은 데이터베이스(120)에 접근하여 축산농가의 악취와 관련하여 필요한 정보를 열람하거나 가져올 수 있다.The user terminal 140 is a terminal possessed by a user receiving the odor prediction result output from the odor prediction system 100, and may be, for example, a desktop computer, a laptop computer, a tablet computer, a smartphone, a PDA, or a wearable device such as a smart watch. Here, the user may be, for example, an owner of a livestock farm or a worker working at a livestock farm. The user terminal 130 can access the database 120 to read or bring necessary information related to the odor of livestock farms.

축산농가의 악취 예측 시스템(100)은 악취 측정장비(110)로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집한 후 이를 기반으로 악취 예측모형을 생성하고, 상기 악취 예측모형을 이용하여 축산농가의 악취를 실시간으로 예측한다. 도 1에 도시된 바와 같이, 축산농가의 악취 예측 시스템(100)은 학습 모듈(200) 및 예측 모듈(300)을 포함한다.The odor prediction system 100 of the livestock farm collects learning data including a plurality of measurement data for measuring the odor of the livestock farm from the odor measuring device 110, generates an odor prediction model based on this, and predicts the odor of the livestock farm in real time using the odor prediction model. As shown in FIG. 1 , the odor prediction system 100 of a livestock farm includes a learning module 200 and a prediction module 300.

학습 모듈(200)은 악취 측정장비(110)로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집하고, 상기 학습 데이터를 전처리한 후 이로부터 악취 예측모형을 생성한다. 후술할 바와 같이, 학습 모듈(200)은 데이터 전처리 과정에서 학습 데이터를 모델링 데이터와 검증 데이터로 분리할 수 있다. 학습 모듈(200)은 상기 모델링 데이터를 이용하여 악취 예측모형을 생성할 수 있다. 또한, 학습 모듈(200)은 상기 검증 데이터를 이용하여 악취 예측모형을 검증할 수 있다. The learning module 200 collects learning data including a plurality of measurement data for measuring the odor of the livestock farm from the odor measuring device 110, pre-processes the learning data, and generates an odor prediction model therefrom. As will be described later, the learning module 200 may separate learning data into modeling data and verification data in a data pre-processing process. The learning module 200 may generate an odor prediction model using the modeling data. Also, the learning module 200 may verify the odor prediction model using the verification data.

예측 모듈(300)은 학습 모듈(200)에서 생성된 악취 예측모형을 이용하여 축산농가의 악취를 실시간으로 예측한다. 예측 모듈(300)은 데이터베이스(120)를 통해 악취 측정장비(110)로부터 예측대상 데이터(즉, 측정 데이터)를 수집하고, 상기 예측대상 데이터를 전처리한 후 상기 악취 예측모형에 적용하여 축산농가의 악취를 실시간으로 예측할 수 있다. 이하에서는, 도 2 내지 도 9를 참조하여 학습 모듈(200) 및 예측 모듈(300)의 세부 구성에 대해 보다 자세히 살펴보기로 한다.The prediction module 300 predicts the odor of livestock farms in real time using the odor prediction model generated by the learning module 200 . The prediction module 300 collects prediction target data (i.e., measurement data) from the odor measurement equipment 110 through the database 120, preprocesses the prediction target data, and applies it to the odor prediction model to predict the odor of livestock farms in real time. Hereinafter, detailed configurations of the learning module 200 and the prediction module 300 will be described in more detail with reference to FIGS. 2 to 9 .

도 2는 본 발명의 일 실시예에 따른 학습 모듈(200)의 세부 구성을 나타낸 블록도이다. 도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 모듈(200)은 데이터 수집부(202), 데이터 전처리부(204), 모델링부(206) 및 검증부(208)를 포함한다.Figure 2 is a block diagram showing the detailed configuration of the learning module 200 according to an embodiment of the present invention. As shown in FIG. 2 , the learning module 200 according to an embodiment of the present invention includes a data collection unit 202 , a data pre-processing unit 204 , a modeling unit 206 and a verification unit 208 .

데이터 수집부(202)는 축산농가에 설치된 악취 측정장비(110)로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집한다. 데이터 수집부(202)는 데이터베이스(120)에 접근하여 상기 학습 데이터를 수집할 수 있다.The data collection unit 202 collects learning data including a plurality of measurement data for measuring the odor of the livestock farm from the odor measuring device 110 installed in the livestock farm. The data collection unit 202 may access the database 120 and collect the learning data.

도 3은 본 발명의 일 실시예에 따른 학습 데이터의 예시이다.3 is an example of learning data according to an embodiment of the present invention.

도 3을 참조하면, 학습 데이터에 포함된 측정 데이터는 예를 들어, 악취 측정장비(110)의 설치 위치(즉, 축산농가의 위치)에 관한 정보, 측정 시각, 악취 측정장비(110)가 설치된 지점에서 측정된 암모니아 측정값, 황화수소 측정값, 온도, 습도, 환기팬 측정값, 축산농가의 악취저감을 위해 도포된 거품의 도포시각, 거품의 도포량 등이 될 수 있다. 상술한 바와 같이, 악취 측정장비(110)는 이러한 측정 데이터의 획득을 위한 각종 센서들을 구비할 수 있으며, 데이터 수집부(202)는 악취 측정장비(110)에서 획득된 각종 측정 데이터를 포함한 학습 데이터를 수집할 수 있다. 3, the measurement data included in the learning data may be, for example, information on the installation location of the odor measuring device 110 (i.e., the location of the livestock farm), measurement time, ammonia measurement value measured at the location where the odor measurement device 110 is installed, hydrogen sulfide measurement value, temperature, humidity, ventilation fan measurement value, application time of foam applied to reduce odor in livestock farms, and amount of foam applied. As described above, the odor measurement device 110 may include various sensors for acquiring such measurement data, and the data collection unit 202 may collect learning data including various measurement data acquired by the odor measurement device 110.

데이터 전처리부(204)는 악취 예측모형을 생성하기 위해 학습 데이터를 전처리한다. 먼저, 데이터 전처리부(204)는 학습 데이터 내 이상값 또는 결측값을 보정할 수 있다. 여기서, 이상값은 학습 데이터 내 측정 데이터가 설정된 허용 범위를 벗어나거나 상기 측정 데이터의 단위 변환과정(예를 들어, 암모니아 측정값의 단위를 mV에서 ppm으로 변환하는 과정)에서 설정된 변환 범위를 벗어나는 값을 의미한다. 또한, 결측값은 연속적으로 측정되는 측정 데이터 중 특정 시간대의 측정 데이터가 없거나 NULL 로 입력된 값을 의미한다. The data pre-processing unit 204 pre-processes the learning data to generate an odor prediction model. First, the data pre-processing unit 204 may correct abnormal values or missing values in the learning data. Here, the outlier value means a value outside of the range of measurement data set in the learning data or outside of the conversion range set in the unit conversion process of the measurement data (for example, conversion of the unit of the measured value of ammonia from mV to ppm). In addition, a missing value means a value input as NULL or there is no measurement data for a specific time period among continuously measured measurement data.

도 4는 본 발명의 일 실시예에 따른 이상값의 예시이다.4 is an example of an ideal value according to an embodiment of the present invention.

도 4를 참조하면, 데이터 전처리부(204)는 측정 데이터 내 암모니아 측정값 또는 황화수소 측정값을 mV에서 ppm 단위로 변환하는 전처리를 수행할 수 있다. 이 과정에서, 데이터 전처리부(204)는 변환된 암모니아 측정값 또는 황화수소 측정값이 설정된 변환 범위를 벗어나는 경우 상기 암모니아 측정값 또는 황화수소 측정값을 이상값으로 판단할 수 있다. 또한, 데이터 전처리부(204)는 예를 들어, 측정 데이터 중 온도값이 50℃ 초과 또는 -50℃ 미만이거나, 측정 데이터 중 습도값이 음수 또는 100 초과이거나, 측정 데이터 중 암모니아 측정값 또는 황화수소 측정값이 음수인 경우 상기 측정 데이터를 이상값으로 판단할 수 있다.Referring to FIG. 4 , the data preprocessing unit 204 may perform preprocessing of converting a measured value of ammonia or a measured value of hydrogen sulfide in measurement data from mV to ppm. In this process, the data pre-processing unit 204 may determine the ammonia measurement value or the hydrogen sulfide measurement value as an abnormal value when the converted ammonia measurement value or hydrogen sulfide measurement value is out of a set conversion range. In addition, the data preprocessing unit 204 may, for example, determine the measured data as an ideal value if the temperature value is greater than 50 ° C or less than -50 ° C, the humidity value is negative or greater than 100, or the ammonia measurement value or hydrogen sulfide measurement value is a negative number in the measurement data.

데이터 전처리부(204)는 상술한 이상값 또는 결측값을 다른 대체값으로 대체하거나, 선형 보간법(Linear Interpolation)을 이용하여 상기 이상값 또는 결측값을 보정할 수 있다. The data preprocessing unit 204 may replace the above-described abnormal value or missing value with another replacement value or correct the abnormal value or missing value using linear interpolation.

도 5 및 도 6은 본 발명의 일 실시예에 따른 학습 데이터 내 이상값 또는 결측값의 보정 과정을 나타낸 예시이다.5 and 6 are examples illustrating a process of correcting an outlier or missing value in learning data according to an embodiment of the present invention.

도 5를 참조하면, 데이터 전처리부(204)는 예를 들어, 설정된 시간 동안 상기 이상값 및 결측값을 제외한 다른 대체값이 존재하는 경우 상기 이상값 또는 결측값을 상기 대체값으로 대체할 수 있다. 구체적으로, 2시 20분, 2시 40분에 각각 3 이라는 측정 데이터가 존재하고 3시의 측정 데이터가 NULL 값으로 존재하는 경우, 데이터 전처리부(204)는 2시 20분 및 2시 40분의 측정 데이터를 기반으로 2 ~ 3시의 측정 데이터를 3으로 결정할 수 있다. 즉, 데이터 전처리부(204)는 3시의 측정 데이터가 존재하지 않지만 3시의 결측값을 제외한 다른 대체값(2시 20분 및 2시 40분의 측정 데이터)이 존재하는 경우 상기 결측값을 상기 대체값으로 대체할 수 있다.Referring to FIG. 5 , the data pre-processing unit 204 may, for example, replace the abnormal value or missing value with the replacement value if there are replacement values other than the abnormal value and missing value for a set period of time. Specifically, when there is measurement data of 3 at 2:20 and 2:40, and the measurement data at 3 o'clock exists as a NULL value, the data preprocessor 204 may determine the measurement data at 2 to 3 o'clock based on the measurement data at 2:20 and 2:40 as 3. That is, the data preprocessing unit 204 may replace the missing value with the replacement value when there is no measurement data at 3:00 but there are other replacement values (measurement data at 2:20 and 2:40) excluding the missing value at 3:00.

도 6을 참조하면, 데이터 전처리부(204)는 예를 들어, 선형 보간법을 이용하여 상기 이상값 또는 상기 결측값을 보정할 수도 있다. 구체적으로, 2시 20분, 2시 40분, 3시의 측정 데이터가 각각 존재하지 않는 경우, 데이터 전처리부(204)는 1시의 측정 데이터와 3시의 측정 데이터를 기반으로 선형 보간법을 적용하여 2시의 측정 데이터를 3과 5의 평균인 4로 추정할 수 있다. 즉, 데이터 전처리부(204)는 2시 ~ 3시의 측정 데이터가 존재하지 않지만 1시의 측정 데이터와 3시의 측정 데이터를 기반으로 2시의 측정 데이터를 NULL 값에서 4로 보정할 수 있다.Referring to FIG. 6 , the data pre-processor 204 may correct the abnormal value or the missing value by using, for example, a linear interpolation method. Specifically, when the measurement data at 2:20, 2:40, and 3 o'clock do not exist, the data preprocessor 204 applies a linear interpolation method based on the measurement data at 1:00 and the measurement data at 3:00. The measurement data at 2:00 can be estimated as 4, which is the average of 3 and 5. That is, the data preprocessing unit 204 may correct the measurement data at 2:00 from a NULL value to 4 based on the measurement data at 1:00 and the measurement data at 3:00 even though there is no measurement data between 2:00 and 3:00.

이와 같이, 데이터 전처리부(204)는 설정된 시간 동안 이상값 및 결측값을 제외한 다른 대체값이 존재하는 경우 상기 이상값 또는 결측값을 상기 대체값으로 대체하거나, 또는 선형 보간법을 이용하여 상기 이상값 또는 결측값을 보정할 수 있다.In this way, the data preprocessing unit 204 may replace the abnormal value or missing value with the replacement value if there are other replacement values other than the abnormal value and missing value for a set time period, or use a linear interpolation method to correct the abnormal value or missing value.

다음으로, 데이터 전처리부(204)는 상기 학습 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 설명 변수를 설정된 시간 간격에 따라 각각 나열한다. 여기서, 예측 대상이 되는 타깃은 후술할 악취 예측모형에서 출력값으로 도출하고자 하는 값으로서, 예를 들어 암모니아 농도, 황화수소 농도 등이 될 수 있다. 또한, 종속 변수는 측정 데이터 내에서 상기 타깃과 관련된 데이터로서, 예를 들어 암모니아 측정값(ppm), 황화수소 측정값(ppm) 등이 될 수 있다. 또한, 설명 변수는 측정 데이터 중 상기 종속 변수에 영향을 미치는 데이터로서, 예를 들어 축산농가의 온도, 습도, 축산농가에서의 거품 도포시각, 거품 도포량 등이 될 수 있다. Next, the data pre-processing unit 204 lists the dependent variables related to the target to be predicted within the learning data and the explanatory variables affecting the dependent variables at set time intervals. Here, the target to be predicted is a value to be derived as an output value from an odor prediction model to be described later, and may be, for example, ammonia concentration or hydrogen sulfide concentration. In addition, the dependent variable is data related to the target within the measurement data, and may be, for example, an ammonia measurement value (ppm), a hydrogen sulfide measurement value (ppm), and the like. In addition, the explanatory variable is data that affects the dependent variable among the measured data, and may be, for example, the temperature and humidity of livestock farms, the time of foam application in livestock farms, and the amount of foam applied.

도 7은 본 발명의 일 실시예에 따른 데이터 전처리부(204)에서 학습 데이터 내 종속 변수와 설명 변수를 설정된 시간 간격에 따라 나열한 예시이다.7 is an example in which dependent variables and explanatory variables in training data are arranged according to set time intervals in the data pre-processing unit 204 according to an embodiment of the present invention.

도 7을 참조하면, 데이터 전처리부(204)는 설정된 시간 간격(예를 들어, 1시간 간격)마다 종속 변수와 설명 변수를 각각 나열할 수 있다. 일 예시로서, 데이터 전처리부(204)는 6월 1일 1시, 6월 1일 2시,…6월 1일 23시에 대응되는 종속 변수와 상기 종속 변수에 영향을 미치는 설명 변수를 각각 나열할 수 있다. 도 7에 도시된 종속변수, 설명변수 1, 설명변수 2는 예를 들어, 각각 암모니아 측정값, 축산농가의 온도, 축산농가의 습도가 될 수 있다.Referring to FIG. 7 , the data pre-processing unit 204 may enumerate dependent variables and explanatory variables at each set time interval (eg, 1-hour interval). As an example, the data pre-processing unit 204 is 1:00 on June 1st, 2:00 on June 1st, . . . Dependent variables corresponding to 23:00 on June 1 and explanatory variables affecting the dependent variables may be listed. The dependent variable, explanatory variable 1, and explanatory variable 2 shown in FIG. 7 may be, for example, the ammonia measurement value, the temperature of the livestock farm, and the humidity of the livestock farm, respectively.

이후, 데이터 전처리부(204)는 상기 종속 변수와 설명 변수 간의 상관 분석에 따라 학습 데이터의 나열을 이동(shift)시킬 수 있다. 상관 분석(correlation)이란 통계 분석방법의 일종으로서 시계열적으로 나열된 두 변수 간에 어떠한 선형적 관계를 갖고 있는지 분석하는 기법이다. 데이터 전처리부(204)는 상기 종속 변수와 설명 변수 간의 상관 분석 또는 교차 상관 분석(cross correlation)에 따라 각 설명 변수가 상기 종속 변수에 영향을 미치는 시간을 파악하고, 설정된 시간 간격에 따라 나열된 상기 각 설명 변수를 상기 영향을 미치는 시간만큼 현재 시점에 가깝게 이동시킬 수 있다. Thereafter, the data pre-processing unit 204 may shift the array of learning data according to the correlation analysis between the dependent variable and the explanatory variable. Correlation is a type of statistical analysis method that analyzes what kind of linear relationship there is between two variables listed in time series. The data preprocessing unit 204 determines the time at which each explanatory variable affects the dependent variable according to correlation analysis or cross-correlation between the dependent variable and the explanatory variable, and moves each of the listed explanatory variables according to a set time interval closer to the current point in time by the influencing time.

도 8은 본 발명의 일 실시예에 따른 데이터 전처리부(204)에서 종속 변수와 설명 변수 간의 상관 분석에 따라 학습 데이터의 나열을 이동시킨 예시이다.8 is an example in which the list of training data is moved according to the correlation analysis between the dependent variable and the explanatory variable in the data preprocessing unit 204 according to an embodiment of the present invention.

도 8을 참조하면, 데이터 전처리부(204)는 상기 종속 변수와 설명 변수 간의 상관 분석에 따라 각 설명 변수가 상기 종속 변수에 영향을 미치는 시간을 파악할 수 있다. 일 예시로서, 도 8에 도시된 종속변수, 설명변수 1이 각각 암모니아 측정값, 축산농가의 온도라 가정하는 경우, 축산농가의 온도가 증가하기 시작하는 시점으로부터 1시간 뒤 암모니아 측정값이 상승하면 설명 변수 1이 종속 변수에 영향을 미치는 시간은 1시간일 수 있다. 다른 예시로서, 도 8에 도시된 종속변수, 설명변수 2가 각각 암모니아 측정값, 축산농가의 습도라 가정하는 경우, 축산농가의 습도가 증가하기 시작하는 시점으로부터 2시간 뒤 암모니아 측정값이 상승하면 설명 변수 2가 종속 변수에 영향을 미치는 시간은 2시간일 수 있다. Referring to FIG. 8 , the data preprocessing unit 204 may determine the time each explanatory variable has an effect on the dependent variable according to the correlation analysis between the dependent variable and the explanatory variable. As an example, assuming that the dependent variable and explanatory variable 1 shown in FIG. 8 are the ammonia measurement value and the temperature of the livestock farm, respectively, the ammonia measurement value rises 1 hour after the temperature of the livestock farm starts to increase. The time that explanatory variable 1 affects the dependent variable may be 1 hour. As another example, assuming that the dependent variable and the explanatory variable 2 shown in FIG. 8 are the ammonia measurement value and the humidity of the livestock farm, respectively, the ammonia measurement value rises 2 hours after the humidity of the livestock farm starts to increase. The time at which explanatory variable 2 affects the dependent variable may be 2 hours.

데이터 전처리부(204)는 이러한 상관 분석에 따라 각 설명 변수가 상기 종속 변수에 영향을 미치는 시간을 파악하고, 설정된 시간 간격에 따라 나열된 상기 각 설명 변수를 상기 영향을 미치는 시간만큼 현재 시점에 가깝게 이동시킬 수 있다. 위 예시에서, 데이터 전처리부(204)는 설명 변수 1을 1시간만큼 현재 시점에 가깝게 이동시키고, 설명 변수 2를 2시간만큼 현재 시점에 가깝게 이동시킬 수 있다. 상술한 바와 같이, 설명 변수의 변화가 시작된 경우 해당 시점에서 종속 변수가 곧바로 영향을 미쳐 그 값이 변화하는 것이 아니라 일정 시간 이후에 종속 변수가 영향을 미쳐 그 값이 변화하게 되므로, 데이터 전처리부(204)는 이러한 종속 변수와 설명 변수 간의 상관관계를 고려하여 각 설명 변수를 해당 설명 변수의 특성 또는 종속 변수에 영향을 미치는 정도, 시간 등에 따라 일정 시간만큼 현재 시점에 가깝게 이동시킬 수 있다. 또한, 각 설명 변수가 이동되는 시점 또는 시간은 종속 변수와의 상관관계에 따라 서로 다를 수 있다.The data preprocessing unit 204 determines the time each explanatory variable has an effect on the dependent variable according to this correlation analysis, and moves each of the explanatory variables listed according to a set time interval closer to the current point in time by the influencing time. In the above example, the data preprocessor 204 may move explanatory variable 1 closer to the current time point by 1 hour and explanatory variable 2 may move closer to the current time point by 2 hours. As described above, when the explanatory variable starts to change, the value of the dependent variable does not immediately affect and change at that point in time, but the dependent variable affects and changes its value after a certain time. Therefore, the data preprocessor 204 may move each explanatory variable closer to the current point in time by a certain amount of time according to the characteristics of the corresponding explanatory variable, the degree of influence on the dependent variable, time, etc., in consideration of the correlation between the dependent variable and the explanatory variable. In addition, the point in time or time at which each explanatory variable is moved may be different depending on the correlation with the dependent variable.

다음으로, 데이터 전처리부(204)는 상기 학습 데이터의 나열이 이동된 상태에서 종속 변수 및 각 설명 변수가 존재하는 시간대의 학습 데이터(예를 들어, 2월 1일 1시 ~ 6월 1일 22시 사이의 학습 데이터)를 특정 시점을 기준으로 나눈다. 구체적으로, 데이터 전처리부(204)는 특정 시점을 기준으로 상기 특정 시점의 전(before)에 해당하는 학습 데이터를 모델링 데이터로 분리하고, 상기 특정 시점의 후(after)에 해당하는 학습 데이터를 검증 데이터로 분리할 수 있다. 여기서, 모델링 데이터는 악취 예측모형을 생성하는 데 사용되는 데이터이며, 검증 데이터는 생성된 악취 예측모형을 검증하는 데 사용되는 데이터이다.Next, the data pre-processing unit 204 divides the learning data of the time zone in which the dependent variable and each explanatory variable exist (for example, learning data between 1:00 on February 1st and 22:00 on June 1st) in a state where the list of learning data is moved. Specifically, the data pre-processing unit 204 separates learning data corresponding to before the specific time point into modeling data, and learning data corresponding to after the specific point in time as verification data. Here, the modeling data is data used to generate the odor prediction model, and the verification data is data used to verify the generated odor prediction model.

도 9는 본 발명의 일 실시예에 따른 데이터 전처리부(204)에서 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 과정을 나타낸 예시이다.9 is an example illustrating a process of separating learning data into modeling data and verification data in the data pre-processing unit 204 according to an embodiment of the present invention.

도 9를 참조하면, 데이터 전처리부(204)는 상기 학습 데이터의 나열이 이동된 상태에서 특정 시점을 기준으로 상기 특정 시점의 전(before)에 해당하는 학습 데이터를 모델링 데이터로 분리하고, 상기 특정 시점의 후(after)에 해당하는 학습 데이터를 검증 데이터로 분리할 수 있다. 예를 들어, 데이터 전처리부(204)는 ~ 4월 1일까지의 학습 데이터를 모델링 데이터로 분리하고, 4월 2일 ~ 현재까지 수집된 학습 데이터를 검증 데이터로 분리할 수 있다. 상기 모델링 데이터와 검증 데이터의 비율은 예를 들어, 7:3일 수 있으나 이에 한정되는 것은 아니다. 상술한 바와 같이, 특정 시점을 기준으로 과거에 해당하는 학습 데이터는 모델링 데이터로서 악취 예측모형을 생성하는 데 사용되며, 특정 시점을 기준으로 현재에 가까운 학습 데이터는 검증 데이터로서 악취 예측모형을 검증하는 데 사용될 수 있다.Referring to FIG. 9 , the data preprocessor 204 separates learning data corresponding to before the specific time point into modeling data based on a specific point in time in a state in which the list of training data is moved, and learning data corresponding to after the specific point in time can be separated into verification data. For example, the data pre-processing unit 204 may separate learning data from April 1st to modeling data, and may separate learning data collected from April 2nd to the present into verification data. The ratio of the modeling data to the verification data may be, for example, 7:3, but is not limited thereto. As described above, learning data corresponding to the past based on a specific point in time is used as modeling data to generate an odor prediction model, and learning data close to the present based on a specific point in time is used as verification data to verify the odor prediction model. Can be used.

다시 도 2로 돌아오면, 모델링부(206)는 상기 모델링 데이터를 이용하여 악취 예측모형을 생성한다. 구체적으로, 모델링부(206)는 상기 모델링 데이터를 MLR (Multiple Linear Regression), RF (Random Forest), ANN (Artificial Neural Network), LSTM (Long Short Term Memory), ARIMAX (Auto regressive Integrated Moving Average), XGBoost (Extreme Gradient Boosting) 및 lightGBM (Light Gradient Boosting Machine) 중 적어도 하나에 적용하여 상기 악취 예측모형을 생성할 수 있다. 모델링부(206)는 상기 모델링 데이터를 상술한 알고리즘 또는 상술한 알고리즘의 조합에 각각 적용하여 가장 성능이 우수한 악취 예측모형을 생성할 수 있다. 즉, 모델링부(206)는 상기 모델링 데이터를 각종 인공지능 모델 또는 이들의 조합에 반복적으로 적용함으로써 최적의 악취 예측모형을 자동으로 생성할 수 있다.Returning to FIG. 2 again, the modeling unit 206 generates an odor prediction model using the modeling data. Specifically, the modeling unit 206 may generate the odor prediction model by applying the modeling data to at least one of multiple linear regression (MLR), random forest (RF), artificial neural network (ANN), long short term memory (LSTM), auto regressive integrated moving average (ARIMAX), extreme gradient boosting (XGBoost), and light gradient boosting machine (lightGBM). The modeling unit 206 may apply the modeling data to the above-described algorithm or a combination of the above-described algorithms, respectively, to generate an odor prediction model with the best performance. That is, the modeling unit 206 may automatically generate an optimal odor prediction model by repeatedly applying the modeling data to various artificial intelligence models or a combination thereof.

검증부(208)는 상기 검증 데이터를 이용하여 상기 악취 예측모형을 검증한다. 먼저, 검증부(208)는 상기 검증 데이터를 상기 악취 예측모형에 적용하여 상기 타깃에 대한 예측값을 획득하고, 동일 시점에서의 상기 예측값과 상기 타깃의 실제 측정값을 비교하여 상기 예측값을 검증할 수 있다. 여기서, 상기 타깃에 대한 예측값은 예를 들어, 암모니아 농도에 대한 예측값일 수 있으며, 상기 타깃의 실제 측정값은 예를 들어, 동일 시점에서 측정된 실제 암모니아 농도값일 수 있다. 검증부(208)는 상기 예측값과 상기 타깃의 실제 측정값을 비교하는 과정에서 설정된 제1 평가지표를 통해 상기 예측값을 검증할 수 있다. 이때, 상기 제1 평가지표는 예를 들어, MAPE(Mean Absolute Percentage Error)로서 0과 1 사이의 값(또는 0 ~ 100%)을 가질 수 있으며, 검증부(208)는 상기 제1 평가지표를 통해 상기 예측값을 검증할 수 있다. 검증부(208)는 예를 들어, 상기 제1 평가지표가 임계치 이상인 경우 상기 예측값이 정상범주에 속하는 것으로 판단할 수 있다.The verification unit 208 verifies the odor prediction model using the verification data. First, the verification unit 208 may obtain a predicted value for the target by applying the verification data to the odor prediction model, and verify the predicted value by comparing the predicted value with an actual measurement value of the target at the same time point. Here, the predicted value of the target may be, for example, a predicted value of ammonia concentration, and the actual measured value of the target may be, for example, an actual ammonia concentration value measured at the same time point. The verification unit 208 may verify the predicted value through a first evaluation index set in the process of comparing the predicted value with the actual measured value of the target. At this time, the first evaluation index may have a value between 0 and 1 (or 0 to 100%) as MAPE (Mean Absolute Percentage Error), for example, and the verification unit 208 may verify the predicted value through the first evaluation index. For example, the verification unit 208 may determine that the predicted value belongs to a normal category when the first evaluation index is greater than or equal to a threshold value.

다음으로, 검증부(208)는 상기 예측값과 설정된 기준치(α) 간의 비교를 통해 악취 또는 정상을 포함하는 예측 분류값을 획득하고, 상기 타깃의 실제 측정값과 상기 기준치(α) 간의 비교를 통해 악취 또는 정상을 포함하는 실제 분류값을 획득하며, 상기 예측 분류값과 상기 실제 분류값을 비교하여 상기 예측 분류값을 검증할 수 있다. 여기서, 기준치(α)는 악취 예측모형으로부터 출력된 타깃에 대한 예측값 또는 상기 타깃의 실제 측정값으로부터 축산농가의 현재 상태가 악취발생 상태인지 또는 정상 상태인지 여부(또는 축산농가의 현재 상태가 거품도포가 필요한 상태인지 그렇지 않은 상태인지 여부)를 판단하는 데 기준이 되는 수치로서, 예를 들어 암모니아 농도 20ppm, 황화수도 농도 0.5ppm 등이 될 수 있다. 상기 예측값이 상기 기준치(α)를 초과하면 악취, 상기 예측값이 상기 기준치(α) 이하면 정상으로 판단되고, 상기 타깃의 실제 측정값이 상기 기준치(α)를 초과하면 악취, 상기 타깃의 실제 측정값 상기 기준치(α) 이하면 정상으로 판단될 수 있다. 검증부(208)는 아래 표 1과 같이 상기 예측 분류값과 상기 실제 분류값을 비교하는 과정에서 설정된 제2 평가지표를 통해 상기 예측 분류값을 검증할 수 있다. 이때, 상기 제2 평가지표는 예를 들어, Accuracy(상기 예측 분류값과 상기 타깃의 실제 측정값이 일치하는 개수 / 전체 경우의 수)로서 0과 1 사이의 값을 가질 수 있으며, 검증부(208)는 상기 제2 평가지표를 통해 상기 예측 분류값을 검증할 수 있다. 검증부(208)는 예를 들어, 상기 제2 평가지표가 임계치 이상인 경우 상기 예측 분류값이 정상범주에 속하는 것으로 판단할 수 있다.Next, the verifier 208 obtains a predicted classification value including odor or normal through comparison between the predicted value and the set reference value α, obtains an actual classification value including odor or normal through comparison between the actual measured value of the target and the reference value α, and compares the predicted classification value with the actual classification value to verify the predicted classification value. Here, the reference value (α) is a reference value for determining whether the current state of the livestock farm is in an odor generating state or a normal state (or whether the current state of the livestock farm requires foaming or not) from the predicted value for the target output from the odor prediction model or the actual measured value of the target. If the predicted value exceeds the reference value (α), it is judged to be bad smell, and if the predicted value is less than the reference value (α), it is determined to be normal. As shown in Table 1 below, the verification unit 208 may verify the predicted classification value through a second evaluation index set in the process of comparing the predicted classification value and the actual classification value. At this time, the second evaluation index may have a value between 0 and 1 as, for example, Accuracy (the number of matches between the predicted classification value and the actual measured value of the target/the number of total cases), and the verification unit 208 may verify the predicted classification value through the second evaluation index. For example, the verification unit 208 may determine that the predicted classification value belongs to a normal category when the second evaluation index is greater than or equal to a threshold value.

실제 분류값actual classification value 악취stink 정상normal 예측 분류값predicted classification value 악취stink OO XX 정상normal XX OO

검증부(208)는 상술한 두 단계의 검증(즉, 예측값의 검증 단계 및 예측 분류값의 검증 단계)을 거친 후 이들의 검증 결과를 통해 최종적으로 악취 예측모형을 결정할 수 있다. 검증부(208)는 예를 들어, 복수 개의 악취 예측모형 중 상술한 두 단계의 검증 결과가 가장 우수한 악취 예측모형을 최종 악취 예측모형으로 결정할 수 있다. 검증부(208)는 최종적으로 결정된 악취 예측모형을 내부 저장소에 저장할 수 있다.The verification unit 208 can finally determine the odor prediction model through the above-described verification results of the two verification steps (ie, verification of the predicted value and verification of the predicted classification value). For example, the verification unit 208 may determine, as the final odor prediction model, among the plurality of odor prediction models, an odor prediction model having the best verification results in the above two steps. The verification unit 208 may store the finally determined odor prediction model in an internal storage.

도 10은 본 발명의 일 실시예에 따른 예측 모듈(300)의 세부 구성을 나타낸 블록도이다. 상술한 바와 같이, 예측 모듈(300)은 학습 모듈(200)에서 생성된 악취 예측모형을 이용하여 축산농가의 악취를 실시간으로 예측한다. 도 10에 도시된 바와 같이, 본 발명의 일 실시예에 따른 예측 모듈(300)은 데이터 수집부(302), 데이터 전처리부(304), 모형 호출부(306) 및 모형 적용부(308)를 포함한다.10 is a block diagram showing a detailed configuration of a prediction module 300 according to an embodiment of the present invention. As described above, the prediction module 300 predicts the odor of livestock farms in real time using the odor prediction model generated by the learning module 200 . As shown in FIG. 10 , the prediction module 300 according to an embodiment of the present invention includes a data collection unit 302, a data pre-processing unit 304, a model calling unit 306, and a model application unit 308.

데이터 수집부(302)는 악취 측정장비(110)로부터 예측대상 데이터를 수집한다. 여기서, 예측대상 데이터는 축산농가의 악취를 예측하기 위해 사용되는 데이터로서, 악취 측정장비(110)에서 실시간으로 측정되는 측정 데이터들의 집합을 의미한다. 데이터 수집부(302)는 데이터베이스(120)에 접근하여 상기 예측대상 데이터를 수집할 수 있다.The data collection unit 302 collects prediction target data from the odor measurement equipment 110 . Here, the prediction target data is data used to predict the odor of livestock farms, and refers to a set of measurement data measured in real time by the odor measurement equipment 110 . The data collection unit 302 may access the database 120 and collect the prediction target data.

데이터 전처리부(304)는 상기 예측대상 데이터를 전처리한다. 데이터 전처리부(304)는 앞서 설명한 학습 모듈(200)의 데이터 전처리부(204)에서 수행되는 데이터 전처리와 동일한 방식으로 상기 예측대상 데이터를 전처리할 수 있다. 구체적으로, 데이터 전처리부(304)는 상기 예측대상 데이터 내 이상값 또는 결측값을 보정하고, 상기 예측대상 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 설명 변수를 설정된 시간 간격에 따라 각각 나열하고, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동시킬 수 있다. 이때, 각 설명 변수의 이동은 앞서 설명한 학습 데이터 내 각 설명 변수의 이동과 동일할 수 있다.The data pre-processing unit 304 pre-processes the prediction target data. The data pre-processing unit 304 may pre-process the prediction target data in the same manner as the data pre-processing performed by the data pre-processing unit 204 of the learning module 200 described above. Specifically, the data pre-processing unit 304 corrects abnormal values or missing values in the prediction target data, lists the dependent variable related to the target to be predicted in the prediction target data and the explanatory variable affecting the dependent variable according to a set time interval, and moves the arrangement of the learning data according to correlation analysis between the dependent variable and the explanatory variable. In this case, the movement of each explanatory variable may be the same as the movement of each explanatory variable in the learning data described above.

모형 호출부(306)는 학습 모듈(200)에서 최종적으로 결정된 악취 예측모형을 호출한다.The model calling unit 306 calls the odor prediction model finally determined in the learning module 200 .

모형 적용부(308)는 전처리된 상기 예측대상 데이터를 상기 악취 예측모형에 적용하여 상기 축산농가의 악취를 예측한다. 모형 적용부(308)는 필요시 상기 예측대상 데이터를 상기 악취 예측모형에 맞게 그 포맷(format)을 변환하고, 이를 악취 예측모형에 적용하여 상기 축산농가의 악취를 예측할 수 있다. 모형 적용부(308)는 상기 악취 예측모형에서 출력된 악취 예측결과와 관련된 데이터를 데이터베이스(120)에 저장할 수 있다. 데이터베이스(120)에 저장된 악취 예측결과와 관련된 데이터는 관리자 단말(130) 또는 사용자 단말(140)로 전달될 수 있다.The model application unit 308 predicts the odor of the livestock farm by applying the preprocessed prediction target data to the odor prediction model. If necessary, the model application unit 308 can predict the odor of the livestock farm by converting the format of the prediction target data to fit the odor prediction model and applying it to the odor prediction model. The model application unit 308 may store data related to the odor prediction result output from the odor prediction model in the database 120 . Data related to odor prediction results stored in the database 120 may be transmitted to the manager terminal 130 or the user terminal 140 .

도 11은 본 발명의 일 실시예에 따른 학습 모듈(200)에서 악취 예측모형을 생성하여 검증하는 과정을 설명하기 위한 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.11 is a flowchart illustrating a process of generating and verifying an odor prediction model in the learning module 200 according to an embodiment of the present invention. In the flowchart shown, the method is divided into a plurality of steps, but at least some of the steps are performed in reverse order, combined with other steps, performed together, omitted, divided into detailed steps, or one or more steps not shown may be added and performed.

S102 단계에서, 학습 모듈(200)은 악취 측정장비(110)로부터 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집한다.In step S102, the learning module 200 collects learning data including a plurality of measurement data for measuring the odor of livestock farms from the odor measurement equipment 110.

S104 단계에서, 학습 모듈(200)은 상기 학습 데이터를 전처리한다. 구체적으로, 학습 모듈(200)은 상기 학습 데이터 내 이상값 또는 결측값을 보정하고, 상기 학습 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 설명 변수를 설정된 시간 간격에 따라 각각 나열하고, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동(shift)시키며, 특정 시점을 기준으로 상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리할 수 있다.In step S104, the learning module 200 pre-processes the learning data. Specifically, the learning module 200 corrects an outlier or missing value in the training data, lists a dependent variable related to a target to be predicted within the training data and an explanatory variable affecting the dependent variable according to a set time interval, shifts the list of the training data according to a correlation analysis between the dependent variable and the explanatory variable, and separates the learning data into modeling data and verification data based on a specific time point.

S106 단계에서, 학습 모듈(200)은 상기 모델링 데이터를 이용하여 악취 예측모형을 생성한다. In step S106, the learning module 200 generates an odor prediction model using the modeling data.

S108 단계에서, 학습 모듈(200)은 상기 검증 데이터를 이용하여 상기 악취 예측모형을 검증한다. 학습 모듈(200)에서 악취 예측모형을 생성하고 검증하는 구체적인 방법은 앞에서 자세히 설명하였는바 여기서는 그 자세한 설명을 생략하기로 한다.In step S108, the learning module 200 verifies the odor prediction model using the verification data. Since the specific method of generating and verifying the odor prediction model in the learning module 200 has been described in detail above, a detailed description thereof will be omitted here.

도 12는 본 발명의 일 실시예에 따른 예측 모듈(300)에서 악취 예측모형을 이용하여 축산농가의 악취를 예측하는 과정을 설명하기 위한 흐름도이다.12 is a flowchart illustrating a process of predicting odor of a livestock farm using an odor prediction model in the prediction module 300 according to an embodiment of the present invention.

S202 단계에서, 예측 모듈(300)은 악취 측정장비(110)에서 실시간으로 측정되는 측정 데이터들의 집합인 예측대상 데이터를 수집한다.In step S202, the prediction module 300 collects prediction target data, which is a set of measurement data measured in real time by the odor measurement equipment 110.

S204 단계에서, 예측 모듈(300)은 상기 예측대상 데이터를 전처리한다. 구체적으로, 예측 모듈(300)은 상기 예측대상 데이터 내 이상값 또는 결측값을 보정하고, 상기 예측대상 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 설명 변수를 설정된 시간 간격에 따라 각각 나열하고, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동시킬 수 있다.In step S204, the prediction module 300 preprocesses the prediction target data. Specifically, the prediction module 300 corrects an outlier or missing value in the prediction target data, lists a dependent variable related to a target to be predicted in the prediction target data and an explanatory variable affecting the dependent variable according to a set time interval, and moves the arrangement of the learning data according to a correlation analysis between the dependent variable and the explanatory variable.

S206 단계에서, 예측 모듈(300)은 악취 예측모형을 호출한다.In step S206, the prediction module 300 calls the odor prediction model.

S208 단계에서, 예측 모듈(300)은 예측대상 데이터를 상기 악취 예측모형에 적용하여 상기 축산농가의 악취를 예측한다.In step S208, the prediction module 300 predicts the odor of the livestock farm by applying the prediction target data to the odor prediction model.

도 13은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 않은 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.13 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments. In the illustrated embodiment, each component may have different functions and capabilities other than those described below, and may include additional components other than those not described below.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 악취 예측 시스템(100), 또는 악취 예측 시스템(100)에 포함되는 하나 이상의 컴포넌트일 수 있다.The illustrated computing environment 10 includes a computing device 12 . In one embodiment, computing device 12 may be odor prediction system 100 , or one or more components included in odor prediction system 100 .

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.Computing device 12 includes at least one processor 14 , a computer readable storage medium 16 and a communication bus 18 . Processor 14 may cause computing device 12 to operate according to the above-mentioned example embodiments. For example, processor 14 may execute one or more programs stored on computer readable storage medium 16 . The one or more programs may include one or more computer-executable instructions, which when executed by processor 14 may be configured to cause computing device 12 to perform operations in accordance with an example embodiment.

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. Program 20 stored on computer readable storage medium 16 includes a set of instructions executable by processor 14 . In one embodiment, computer-readable storage medium 16 may be memory (volatile memory such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash memory devices, other forms of storage medium that can be accessed by computing device 12 and store desired information, or any suitable combination thereof.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.Communications bus 18 interconnects various other components of computing device 12, including processor 14 and computer-readable storage medium 16.

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24 . An input/output interface 22 and a network communication interface 26 are connected to the communication bus 18 . Input/output device 24 may be coupled to other components of computing device 12 via input/output interface 22 . Exemplary input/output devices 24 may include input devices such as pointing devices (such as a mouse or trackpad), keyboards, touch input devices (such as a touchpad or touchscreen), voice or audio input devices, sensor devices of various kinds, and/or imaging devices, and/or output devices such as display devices, printers, speakers, and/or network cards. The exemplary input/output device 24 may be included inside the computing device 12 as a component constituting the computing device 12, or may be connected to the computing device 12 as a separate device distinct from the computing device 12.

이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 전술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다. Although the present invention has been described in detail through representative embodiments above, those skilled in the art to which the present invention belongs will understand that various modifications are possible within the above-described embodiments without departing from the scope of the present invention. Therefore, the scope of the present invention should not be limited to the described embodiments and should not be defined, and should be defined by not only the claims to be described later, but also those equivalent to these claims.

100 : 인공지능 기반의 축산농가의 악취 예측 시스템
110 : 악취 측정장비
120 : 데이터베이스
130 : 관리자 단말
140 : 사용자 단말
200 : 학습 모듈
202, 302 : 데이터 수집부
204, 304 : 데이터 전처리부
206 : 모델링부
208 : 검증부
300 : 예측 모듈
306 : 모형 호출부
308 : 모형 적용부100: Artificial intelligence-based odor prediction system for livestock farms
110: Odor measuring equipment
120: database
130: administrator terminal
140: user terminal
200: learning module
202, 302: data collection unit
204, 304: data pre-processing unit
206: modeling unit
208: verification unit
300: prediction module
306: model calling unit
308: model application unit

Claims (16)

축산농가에 설치된 악취 측정장비로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집하는 데이터 수집부;
상기 학습 데이터 내 이상값 또는 결측값을 보정하고, 상기 학습 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 둘 이상의 설명 변수를 설정된 시간 간격에 따라 각각 나열하고, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동(shift)시키며, 특정 시점을 기준으로 상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 데이터 전처리부;
상기 모델링 데이터를 이용하여 악취 예측모형을 생성하는 모델링부; 및
상기 검증 데이터를 이용하여 상기 악취 예측모형을 검증하는 검증부를 포함하며,
상기 데이터 전처리부는, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 각 설명 변수가 상기 종속 변수에 영향을 미치는 시간을 파악하고, 설정된 시간 간격에 따라 나열된 상기 각 설명 변수를 상기 영향을 미치는 시간만큼 현재 시점에 가깝게 이동시키며,
상기 데이터 전처리부에서 상기 각 설명 변수가 이동되는 시간은, 상기 각 설명 변수와 상기 종속 변수와의 상관관계에 따라 서로 상이하고,
상기 종속 변수는, 암모니아 측정값(ppm) 및 황화수소 측정값(ppm) 중 어느 하나이며,
상기 설명 변수는, 상기 축산농가의 온도, 상기 축산농가의 습도, 상기 축산농가에서의 거품 도포시각 및 상기 축산농가에서의 거품 도포량 중 적어도 둘 이상을 포함하는, 인공지능 기반의 축산농가의 악취 예측 시스템.
a data collection unit that collects learning data including a plurality of measurement data for measuring the odor of the livestock farm from odor measurement equipment installed in the livestock farm;
A data pre-processor that corrects outliers or missing values in the learning data, lists a dependent variable related to a target to be predicted in the learning data and two or more explanatory variables that affect the dependent variable according to a set time interval, shifts the arrangement of the learning data according to correlation analysis between the dependent variable and the explanatory variable, and separates the learning data into modeling data and verification data based on a specific time point;
a modeling unit generating an odor prediction model using the modeling data; and
A verification unit verifying the odor prediction model using the verification data,
The data preprocessing unit determines the time at which each explanatory variable affects the dependent variable according to the correlation analysis between the dependent variable and the explanatory variable, and moves each of the explanatory variables listed according to a set time interval closer to the current point in time by the influencing time,
The time at which each of the explanatory variables is moved in the data preprocessing unit is different from each other according to a correlation between each of the explanatory variables and the dependent variable,
The dependent variable is any one of ammonia measured value (ppm) and hydrogen sulfide measured value (ppm),
The explanatory variable includes at least two or more of the temperature of the livestock farm, the humidity of the livestock farm, the foam application time at the livestock farm, and the amount of foam applied at the livestock farm. Odor prediction system.
 청구항 1에 있어서,
상기 데이터 전처리부는, 설정된 시간 동안 상기 이상값 및 상기 결측값을 제외한 다른 대체값이 존재하는 경우 상기 이상값 또는 상기 결측값을 상기 대체값으로 대체하거나, 또는 선형 보간법(Linear Interpolation)을 이용하여 상기 이상값 또는 상기 결측값을 보정하는, 인공지능 기반의 축산농가의 악취 예측 시스템.
The method of claim 1,
The data pre-processing unit replaces the abnormal value or the missing value with the replacement value when there is another replacement value other than the abnormal value and the missing value during a set time period, or linear interpolation An artificial intelligence-based odor prediction system for livestock farms that corrects the abnormal value or the missing value.
 삭제delete 청구항 1에 있어서,
상기 데이터 전처리부는, 상기 학습 데이터의 나열이 이동된 상태에서 특정 시점을 기준으로 상기 특정 시점의 전(before)에 해당하는 학습 데이터를 상기 모델링 데이터로 분리하고, 상기 특정 시점의 후(after)에 해당하는 학습 데이터를 상기 검증 데이터로 분리하는, 인공지능 기반의 축산농가의 악취 예측 시스템.
The method of claim 1,
The data pre-processing unit separates learning data corresponding to before the specific time point into the modeling data based on a specific time point in a state in which the list of learning data is moved, and learning data corresponding to after the specific point in time is separated into the verification data. An artificial intelligence-based livestock farm odor prediction system.
 청구항 1에 있어서,
상기 모델링부는, 상기 모델링 데이터를 MLR (Multiple Linear Regression), RF (Random Forest), ANN (Artificial Neural Network), LSTM (Long Short Term Memory), ARIMAX (Auto regressive Integrated Moving Average), XGBoost (Extreme Gradient Boosting) 및 lightGBM (Light Gradient Boosting Machine) 중 적어도 하나에 적용하여 상기 악취 예측모형을 생성하는, 인공지능 기반의 축산농가의 악취 예측 시스템.
The method of claim 1,
The modeling unit generates the odor prediction model by applying the modeling data to at least one of Multiple Linear Regression (MLR), Random Forest (RF), Artificial Neural Network (ANN), Long Short Term Memory (LSTM), Auto regressive Integrated Moving Average (ARIMAX), Extreme Gradient Boosting (XGBoost), and Light Gradient Boosting Machine (lightGBM) to generate the odor prediction model based on artificial intelligence.
 청구항 1에 있어서,
상기 검증부는, 상기 검증 데이터를 상기 악취 예측모형에 적용하여 상기 타깃에 대한 예측값을 획득하고, 동일 시점에서의 상기 예측값과 상기 타깃의 실제 측정값을 비교하여 상기 예측값을 검증하는, 인공지능 기반의 축산농가의 악취 예측 시스템.
The method of claim 1,
The verification unit obtains a predicted value for the target by applying the verification data to the odor prediction model, and compares the predicted value with an actual measurement value of the target at the same time point to verify the predicted value. Odor prediction system for livestock farms based on artificial intelligence.
 청구항 6에 있어서,
상기 검증부는, 상기 예측값과 설정된 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 예측 분류값을 획득하고, 상기 타깃의 실제 측정값과 상기 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 실제 분류값을 획득하며, 상기 예측 분류값과 상기 실제 분류값을 비교하여 상기 예측 분류값을 검증하는, 인공지능 기반의 축산농가의 악취 예측 시스템.
The method of claim 6,
The verification unit obtains a predicted classification value including odor or normal through comparison between the predicted value and a set reference value, and obtains an actual classification value including odor or normal through comparison between the actual measurement value of the target and the reference value, and compares the predicted classification value with the actual classification value to verify the predicted classification value.
 청구항 1에 있어서,
상기 악취 측정장비로부터 예측대상 데이터를 수집하고, 상기 예측대상 데이터를 전처리한 후 상기 악취 예측모형에 적용하여 상기 축산농가의 악취를 예측하는 예측 모듈을 더 포함하는, 인공지능 기반의 축산농가의 악취 예측 시스템.
The method of claim 1,
An artificial intelligence-based livestock farm odor prediction system, further comprising a prediction module that collects prediction target data from the odor measuring device, preprocesses the prediction target data, and then applies it to the odor prediction model to predict the odor of the livestock farm.
 학습 모듈의 데이터 수집부에서, 축산농가에 설치된 악취 측정장비로부터 상기 축산농가의 악취 측정을 위한 다수의 측정 데이터를 포함하는 학습 데이터를 수집하는 단계;
상기 학습 모듈의 데이터 전처리부에서, 상기 학습 데이터 내 이상값 또는 결측값을 보정하는 단계;
상기 데이터 전처리부에서, 상기 학습 데이터 내에서 예측 대상이 되는 타깃과 관련된 종속 변수 및 상기 종속 변수에 영향을 미치는 둘 이상의 설명 변수를 설정된 시간 간격에 따라 각각 나열하는 단계;
상기 데이터 전처리부에서, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 상기 학습 데이터의 나열을 이동(shift)시키는 단계;
상기 데이터 전처리부에서, 특정 시점을 기준으로 상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 단계;
상기 학습 모듈의 모델링부에서, 상기 모델링 데이터를 이용하여 악취 예측모형을 생성하는 단계; 및
상기 학습 모듈의 검증부에서, 상기 검증 데이터를 이용하여 상기 악취 예측모형을 검증하는 단계를 포함하며,
상기 학습 데이터의 나열을 이동(shift)시키는 단계는, 상기 종속 변수와 상기 설명 변수 간의 상관 분석에 따라 각 설명 변수가 상기 종속 변수에 영향을 미치는 시간을 파악하고, 설정된 시간 간격에 따라 나열된 상기 각 설명 변수를 상기 영향을 미치는 시간만큼 현재 시점에 가깝게 이동시키며,
상기 데이터 전처리부에서 상기 각 설명 변수가 이동되는 시간은, 상기 각 설명 변수와 상기 종속 변수와의 상관관계에 따라 서로 상이하고,
상기 종속 변수는, 암모니아 측정값(ppm) 및 황화수소 측정값(ppm) 중 어느 하나이며,
상기 설명 변수는, 상기 축산농가의 온도, 상기 축산농가의 습도, 상기 축산농가에서의 거품 도포시각 및 상기 축산농가에서의 거품 도포량 중 적어도 둘 이상을 포함하는, 인공지능 기반의 축산농가의 악취 예측 방법.
Collecting, in the data collection unit of the learning module, learning data including a plurality of measurement data for measuring the odor of the livestock farm from odor measurement equipment installed in the livestock farm;
correcting abnormal values or missing values in the learning data in a data pre-processing unit of the learning module;
enumerating, in the data pre-processing unit, a dependent variable related to a target to be predicted within the learning data and two or more explanatory variables influencing the dependent variable according to a set time interval;
shifting, in the data pre-processing unit, an array of the learning data according to correlation analysis between the dependent variable and the explanatory variable;
Separating the learning data into modeling data and verification data based on a specific time point in the data pre-processing unit;
generating, in the modeling unit of the learning module, an odor prediction model using the modeling data; and
In the verification unit of the learning module, verifying the odor prediction model using the verification data,
In the step of shifting the list of learning data, the time at which each explanatory variable affects the dependent variable is determined according to the correlation analysis between the dependent variable and the explanatory variable, and each of the explanatory variables listed according to a set time interval is moved closer to the current point by the influencing time,
The time at which each of the explanatory variables is moved in the data preprocessing unit is different from each other according to a correlation between each of the explanatory variables and the dependent variable,
The dependent variable is any one of ammonia measured value (ppm) and hydrogen sulfide measured value (ppm),
The explanatory variable includes at least two or more of the temperature of the livestock farm, the humidity of the livestock farm, the foam application time at the livestock farm, and the amount of foam applied at the livestock farm. Odor prediction method of the livestock farm based on artificial intelligence.
 청구항 9에 있어서,
상기 학습 데이터 내 이상값 또는 결측값을 보정하는 단계는, 설정된 시간 동안 상기 이상값 및 상기 결측값을 제외한 다른 대체값이 존재하는 경우 상기 이상값 또는 상기 결측값을 상기 대체값으로 대체하거나, 또는 선형 보간법(Linear Interpolation)을 이용하여 상기 이상값 또는 상기 결측값을 보정하는, 인공지능 기반의 축산농가의 악취 예측 방법.
The method of claim 9,
In the step of correcting the abnormal value or missing value in the learning data, if there are other replacement values other than the abnormal value and the missing value for a set time period, the abnormal value or the missing value is replaced with the replacement value, or linear interpolation is used to correct the abnormal value or the missing value. An artificial intelligence-based livestock farm odor prediction method.
 삭제delete 청구항 9에 있어서,
상기 학습 데이터를 모델링 데이터와 검증 데이터로 분리하는 단계는, 상기 학습 데이터의 나열이 이동된 상태에서 특정 시점을 기준으로 상기 특정 시점의 전(before)에 해당하는 학습 데이터를 상기 모델링 데이터로 분리하고, 상기 특정 시점의 후(after)에 해당하는 학습 데이터를 상기 검증 데이터로 분리하는, 인공지능 기반의 축산농가의 악취 예측 방법.
The method of claim 9,
In the step of separating the learning data into modeling data and verification data, the learning data corresponding to before the specific time point is separated into the modeling data, and the learning data corresponding to after the specific time point is separated into the verification data based on the specific time point in the state in which the list of the learning data is moved. An artificial intelligence-based livestock farm odor prediction method.
 청구항 9에 있어서,
상기 악취 예측모형을 생성하는 단계는, 상기 모델링 데이터를 MLR (Multiple Linear Regression), RF (Random Forest), ANN (Artificial Neural Network), LSTM (Long Short Term Memory), ARIMAX (Auto regressive Integrated Moving Average), XGBoost (Extreme Gradient Boosting) 및 lightGBM (Light Gradient Boosting Machine) 중 적어도 하나에 적용하여 상기 악취 예측모형을 생성하는, 인공지능 기반의 축산농가의 악취 예측 방법.
The method of claim 9,
In the step of generating the odor prediction model, the modeling data is applied to at least one of Multiple Linear Regression (MLR), Random Forest (RF), Artificial Neural Network (ANN), Long Short Term Memory (LSTM), Auto Regressive Integrated Moving Average (ARIMAX), XGBoost (Extreme Gradient Boosting), and lightGBM (Light Gradient Boosting Machine) to generate the odor prediction model. odor prediction method.
 청구항 9에 있어서,
상기 악취 예측모형을 검증하는 단계는, 상기 검증 데이터를 상기 악취 예측모형에 적용하여 상기 타깃에 대한 예측값을 획득하고, 동일 시점에서의 상기 예측값과 상기 타깃의 실제 측정값을 비교하여 상기 예측값을 검증하는, 인공지능 기반의 축산농가의 악취 예측 방법.
The method of claim 9,
In the step of verifying the odor prediction model, a predicted value for the target is obtained by applying the verification data to the odor prediction model, and the predicted value is compared with an actual measurement value of the target at the same point in time to verify the predicted value. An artificial intelligence-based odor prediction method for livestock farmers.
 청구항 14에 있어서,
상기 악취 예측모형을 검증하는 단계는, 상기 예측값과 설정된 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 예측 분류값을 획득하고, 상기 타깃의 실제 측정값과 상기 기준치 간의 비교를 통해 악취 또는 정상을 포함하는 실제 분류값을 획득하며, 상기 예측 분류값과 상기 실제 분류값을 비교하여 상기 예측 분류값을 검증하는, 인공지능 기반의 축산농가의 악취 예측 방법.
The method of claim 14,
In the step of verifying the odor prediction model, a predicted classification value including odor or normal is acquired through comparison between the predicted value and a set reference value, and an actual measurement value of the target is compared with the reference value to obtain an actual classification value including odor or normal, and comparing the predicted classification value and the actual classification value to verify the predicted classification value.
 청구항 9에 있어서,
예측모델에서, 상기 악취 측정장비로부터 예측대상 데이터를 수집하고, 상기 예측대상 데이터를 전처리한 후 상기 악취 예측모형에 적용하여 상기 축산농가의 악취를 예측하는 단계를 더 포함하는, 인공지능 기반의 축산농가의 악취 예측 방법.The method of claim 9,
In the prediction model, collecting prediction target data from the odor measurement equipment, pre-processing the prediction target data, and then predicting the odor of the livestock farm by applying the prediction target data to the odor prediction model. Odor prediction method of livestock farms based on artificial intelligence.
KR1020220098728A 2022-08-08 2022-08-08 System and method for predicting odor of livestock farm based on artificial intelligence KR102558696B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220098728A KR102558696B1 (en) 2022-08-08 2022-08-08 System and method for predicting odor of livestock farm based on artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220098728A KR102558696B1 (en) 2022-08-08 2022-08-08 System and method for predicting odor of livestock farm based on artificial intelligence

Publications (1)

Publication Number Publication Date
KR102558696B1 true KR102558696B1 (en) 2023-07-25

Family

ID=87428555

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220098728A KR102558696B1 (en) 2022-08-08 2022-08-08 System and method for predicting odor of livestock farm based on artificial intelligence

Country Status (1)

Country Link
KR (1) KR102558696B1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6130977B2 (en) * 1977-10-31 1986-07-17 Glory Kogyo Kk
US6411905B1 (en) * 2000-07-18 2002-06-25 The Governors Of The University Of Alberta Method and apparatus for estimating odor concentration using an electronic nose
KR102185378B1 (en) 2020-02-20 2020-12-01 안형일 Monitoring System for Livestock Odor Using ICT convergence technology
JP2021139914A (en) * 2017-09-22 2021-09-16 東海電子株式会社 Odor determination system and odor determination program
KR20210137604A (en) * 2020-05-11 2021-11-18 주식회사 에이젠글로벌 Automatic data analysis method and system using artificial intelligence

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6130977B2 (en) * 1977-10-31 1986-07-17 Glory Kogyo Kk
US6411905B1 (en) * 2000-07-18 2002-06-25 The Governors Of The University Of Alberta Method and apparatus for estimating odor concentration using an electronic nose
JP2021139914A (en) * 2017-09-22 2021-09-16 東海電子株式会社 Odor determination system and odor determination program
KR102185378B1 (en) 2020-02-20 2020-12-01 안형일 Monitoring System for Livestock Odor Using ICT convergence technology
KR20210137604A (en) * 2020-05-11 2021-11-18 주식회사 에이젠글로벌 Automatic data analysis method and system using artificial intelligence

Similar Documents

Publication Publication Date Title
CN109816221B (en) Project risk decision method, apparatus, computer device and storage medium
CN109492830B (en) Mobile pollution source emission concentration prediction method based on time-space deep learning
CN109345302B (en) Machine learning model training method and device, storage medium and computer equipment
US20130024167A1 (en) Computer-Implemented Systems And Methods For Large Scale Automatic Forecast Combinations
KR102468316B1 (en) Time series prediction method and apparatus based on past prediction data
CN109684302B (en) Data prediction method, device, equipment and computer readable storage medium
CN112148557B (en) Method for predicting performance index in real time, computer equipment and storage medium
CN109714201B (en) Network system reliability evaluation method and device, computer equipment and storage medium
Helgason Fractional integration methods and short time series: Evidence from a simulation study
KR20190071812A (en) Failure Risk Indicator Estimator and Failure Risk Indicator Estimation Method
CN107798332B (en) User behavior prediction method and device
CN115587666A (en) Load prediction method and system based on seasonal trend decomposition and hybrid neural network
KR20230144301A (en) Encironmental health monitoring system and the method
CN110866682B (en) Underground cable early warning method and device based on historical data
JP2021184139A (en) Management computer, management program, and management method
CN112181659A (en) Cloud simulation memory resource prediction model construction method and memory resource prediction method
CN116909534B (en) Operator flow generating method, operator flow generating device and storage medium
KR102558696B1 (en) System and method for predicting odor of livestock farm based on artificial intelligence
CN114398059A (en) Parameter updating method, device, equipment and storage medium
CN114338416B (en) Space-time multi-index prediction method and device and storage medium
CN114050978B (en) Communication load big data adjusting method and system
JP2016520220A (en) Hidden attribute model estimation device, method and program
KR20200112495A (en) Server and method for providing commercial analysis services
Naz Forecasting daily maximum temperature of Umeå
CN113918817B (en) Push model construction method, push model construction device, computer equipment and storage medium

Legal Events

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