KR20120080960A - 학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법 - Google Patents

학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR20120080960A
KR20120080960A KR1020110002449A KR20110002449A KR20120080960A KR 20120080960 A KR20120080960 A KR 20120080960A KR 1020110002449 A KR1020110002449 A KR 1020110002449A KR 20110002449 A KR20110002449 A KR 20110002449A KR 20120080960 A KR20120080960 A KR 20120080960A
Authority
KR
South Korea
Prior art keywords
path
user
coordinates
learned
similarity
Prior art date
Application number
KR1020110002449A
Other languages
English (en)
Other versions
KR101275748B1 (ko
Inventor
박영택
김제민
김미화
Original Assignee
숭실대학교산학협력단
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 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to KR1020110002449A priority Critical patent/KR101275748B1/ko
Publication of KR20120080960A publication Critical patent/KR20120080960A/ko
Application granted granted Critical
Publication of KR101275748B1 publication Critical patent/KR101275748B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/38—Transceivers, i.e. devices in which transmitter and receiver form a structural unit and in which at least one part is used for functions of transmitting and receiving

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Social Psychology (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Navigation (AREA)

Abstract

본 발명은, 학습 경로 DB 내의 사용자의 학습 경로들 중에서, 사용자의 현재 이동 좌표 집합으로부터 최소 경계 범위 이내에 속하는 후보 학습 경로를 추출하는 단계와, 상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로 사이의 유사도를 계산하여 유사도가 가장 높은 후보 학습 경로를 결정하는 단계, 및 상기 결정된 후보 학습 경로에 대한 유효성을 검증하는 단계를 포함하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법 및 시스템을 제공한다.
상기 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템 및 방법에 따르면, 사용자의 기 학습된 학습 경로 모델과 사용자의 현재 GPS 로그를 바탕으로 사용자의 현재 이동 중인 경로를 손쉽게 예측할 수 있으며, 이를 통해 스마트폰 상에서 지능형 모바일 서비스를 제공할 수 있는 이점이 있다.

Description

학습된 경로 모델과 ＧＰＳ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법{System for user rajectory prediction based on learned trajectory model and GPS log and method thereof}
본 발명은 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 학습된 사용자의 경로와 사용자의 GPS 로그를 바탕으로 현재 사용자의 이동 중인 경로를 예측할 수 있는 시스템 및 방법에 관한 것이다.
현재, 많은 사람들이 스마트폰을 사용하고 있으며 스마트폰을 기반으로 다양한 지능형 서비스들이 개발되고 있다. 이러한 지능형 서비스의 궁극적인 목적은 서비스 실행을 위해 필요한 정보의 직접적인 요구 없이 사용자에게 서비스를 제공하는 것이다. 따라서, 지능형 서비스를 제공하는 어플리케이션을 개발하기 위해서는 사용자와 사용자의 주변 환경에 대한 의미 있는 정보가 필요하다.
스마트폰에 장착된 다양한 센서들은 사용자와 사용자의 주변 정보를 인지하는데 필요한 원천 데이터를 제공할 수 있다. GPS는 사용자의 현재 위치에 대한 좌표를 위도와 경도로 표현하며 일정 시간마다 감지된 좌표 값의 배열은 사용자의 이동 경로를 의미한다. 사용자가 이동 시 감지된 GPS 좌표 집합을 기반으로 이동 경로 모델을 학습하는 기법이 진행되고 있으며, 학습된 경로 모델은 다양한 분야의 위치 기반 서비스에 적용된다.
사용자가 이동 중인 경로를 나타내고 있는 GPS 좌표 집합을 바탕으로 사용자의 목적지를 예측하거나, 특정 장소를 나타내고 있는 GPS 좌표 집합을 바탕으로 원하는 장소를 순서대로 방문하는 적절한 경로를 탐색하는 서비스를 제공한다면 스마트폰 기반의 모바일 환경에서 매우 유용하게 사용될 수 있을 것이다.
본 발명은 학습된 사용자의 경로와 사용자의 GPS 로그를 바탕으로 현재 사용자의 이동 중인 경로를 예측할 수 있는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 학습 경로 DB 내의 사용자의 학습 경로들 중에서, 사용자의 현재 이동 좌표 집합으로부터 최소 경계 범위 이내에 속하는 후보 학습 경로를 추출하는 단계와, 상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로 사이의 유사도를 계산하여 유사도가 가장 높은 후보 학습 경로를 결정하는 단계, 및 상기 결정된 후보 학습 경로에 대한 유효성을 검증하는 단계를 포함하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법을 제공한다.
여기서, 상기 최소 경계 범위는, 상기 이동 좌표들의 좌, 우, 상, 하 방향에 대해 적용된 최소 임계 거리를 통해 얻어지는 최소 경계 사각형(Minimum Boundary Rectangular; MBR) 영역일 수 있다.
또한, 상기 유사도는, 상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로를 구성하는 좌표들 사이의 개별 최소 거리의 합에 해당될 수 있다.
또한, 상기 유효성을 검증하는 단계는, 상기 결정된 후보 학습 경로 상에서 상기 유사도의 계산에 사용된 m개의 좌표에 대하여 최하 경계(Low boundary) 값을 설정하고, 상기 m개의 좌표에 대한 최하 경계 값의 합이 상기 m개의 최소 거리의 합보다 큰 경우, 상기 결정된 후보 학습 경로가 유효한 것으로 판단할 수 있다.
여기서, 상기 사용자 경로 예측 방법은, 상기 유효한 것으로 판단된 후보 학습 경로를 상기 사용자에게 제공하는 단계를 더 포함할 수 있다.
그리고, 본 발명은 상기 사용자 경로 예측 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공한다.
그리고, 본 발명은, 학습 경로 DB 내의 사용자의 학습 경로들 중에서, 사용자의 현재 이동 좌표 집합으로부터 최소 경계 범위 이내에 속하는 후보 학습 경로를 추출하는 후보 학습 경로 추출부와, 상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로 사이의 유사도를 계산하여 유사도가 가장 높은 후보 학습 경로를 결정하는 경로 유사도 판단부, 및 상기 결정된 후보 학습 경로에 대한 유효성을 검증하는 유효성 검증부를 포함하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템을 제공한다.
여기서, 상기 사용자 경로 예측 시스템은, 상기 유효한 것으로 판단된 후보 학습 경로를 상기 사용자에게 제공하는 추천 경로 제공부를 더 포함할 수 있다.
본 발명에 따른 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템 및 방법에 따르면, 사용자의 기 학습된 학습 경로 모델과 사용자의 현재 GPS 로그를 바탕으로 사용자의 현재 이동 중인 경로를 손쉽게 예측할 수 있으며, 이를 통해 스마트폰 상에서 지능형 모바일 서비스를 제공할 수 있는 이점이 있다.
도 1은 본 발명의 실시예에 따른 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법의 흐름도이다.
도 2는 도 1을 위한 시스템 구성도이다.
도 3은 도 1의 S110단계에서 사용자의 현재 이동 좌표에 대해 최소 경계 범위를 설정한 예를 나타낸다.
도 4는 도 1의 S130단계에서 유효성 검증을 위한 개념도이다.
도 5는 본 발명의 실시예에 따른 학습 경로 모델 t와 GPS 로그 Q를 기반으로 하여, 현재 사용자의 이동 경로를 예측하기 위한 알고리즘을 나타낸다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
일반적으로 스마트폰에 포함된 GPS 센서는 사용자의 좌표 값을 감지한다. 일정 시간마다 감지된 좌표 값의 배열을 이용하면 사용자의 이동 경로를 표현할 수 있다. 또한, 사람들은 생활하면서 규칙적으로 이동하는 경로를 가지고 있다. 이러한 점을 이용하여, 본 발명은 사용자의 기 학습된 학습 경로 모델과 사용자의 현재 GPS 로그를 바탕으로 사용자의 현재 이동 중인 경로를 예측하는 방법 및 시스템에 관한 것이다.
도 1은 본 발명의 실시예에 따른 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법의 흐름도이다. 도 2는 도 1을 위한 시스템 구성도이다.
상기 시스템(100)은 후보 학습 경로 추출부(110), 경로 유사도 판단부(120), 유효성 검증부(130), 추천 경로 제공부(140), 학습 경로 DB(150)를 포함한다. 본 발명은 상기 시스템(100)을 통해 후보 경로 집합 결정(Candidate Trajectory Set Decision), 유사도 계산(Similarity Calculation), 경로의 유효성 검증(Trajectory Validation)의 과정을 거침에 따라 상기 사용자 경로 예측을 수행한다.
이하에서는, 도 1 및 도 2를 바탕으로 상기 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법에 관하여 보다 상세히 알아본다.
먼저, 상기 학습 경로 DB(150) 내의 사용자의 학습 경로들 중에서, 사용자의 현재 이동 좌표 집합으로부터 최소 경계 범위 이내에 속하는 후보 학습 경로를 추출한다(S110). 이는 상기 후보 학습 경로 추출부(110)에서 수행한다.
상기 사용자 경로 예측은 학습된 경로 모델과 사용자의 현재 이동 경로(이동 좌표)를 나타내는 GPS 로그가 기반이 된다.
그 중에서, 상기 사용자의 GPS 로그는 2~5분 전에 감지된 좌표로부터 사용자의 현재 위치까지의 좌표 배열로 구성된다. 만약, 스마트폰의 배터리 성능을 가정하여 10초에 한번씩 GPS 값을 로그에 저장하도록 한다면, GPS 로그는 2분 동안 총 12개가 누적된다.
상기 GPS 로그 Q는 시간 순서를 적용한 위도(latitude)와 경도(longitude)의 좌표 들로 표현되며, 아래의 수학식 1과 같다.
Figure pat00001
다음, 상기 학습 경로는, 상기 사용자의 스마트폰을 통해 주기적으로 여러 번 측정된 경로 데이터(훈련 경로 데이터)들의 학습에 의해 얻어진 경로 데이터를 의미한다. 이러한 학습 경로는 매일의 통근 또는 출근 경로, 주말의 교회 이용 경로 등을 포함한다.
상기 학습 경로 T는 각각의 경로 t의 집합으로 표현되며, 수학식 2와 같다.
Figure pat00002
여기서, t는 경로를 구성하는 구간 s의 순서로 배열된다. 그리고, 구간 s는 순서를 적용한 위도(latitude), 경도(longitude)와 시간(time stamp; ts) 정보로 구성된다.
도 3은 도 1의 S110단계에서 사용자의 현재 이동 좌표에 대해 최소 경계 범위를 설정한 예를 나타낸다. 도 3을 참조하면, 상기 최소 경계 범위는 상기 사용자의 현재 이동 좌표들의 좌, 우, 상, 하 방향에 대해 적용된 최소 임계 거리(λ)를 통해 얻어지는 최소 경계 사각형(Minimum Boundary Rectangular; MBR) 영역을 의미한다. 도 3의 경우는, 학습 경로 DB(150) 내의 경로 a,b,c,d 중 경로 d를 제외한 나머지 경로 a,b,c를 후보 학습 경로로 결정하는 과정을 나타낸다. 이는 경로 a,b,c가 상기 최소 경계 사각형 영역에 포함되기 때문이다.
상기 후보 집합 결정 과정은 다음의 순서로 이루어진다. 먼저, 상기 GPS 로그 Q를 구성하는 각각의 사용자 이동 좌표 qi에 대한 최소 경계 범위를 구하기 위한 임계값 λ를 설정한다. 여기서, i는 1 내지 n 사이의 값을 나타낸다.
상기 임계값 λ은 GPS의 오차 범위, 훈련(training) 경로 데이터와 학습 경로 데이터 간의 최대 편차, 사용자의 현재 이동 좌표에 대한 기준 시간 동안의 평균 이동 거리를 고려하여 설정될 수 있다. 본 발명의 실시예에서는 상기 임계값 λ를 구하기 위하여 상기 최대 편차(max_deviation)와 평균 이동 거리(ave_dist/time)를 적용하며, 이는 수학식 3과 같다.
Figure pat00003
상기 임계값 λ의 설정 이후에는, 상기 임계값 λ를 이용하여 상기 경계 범위의 좌(MBleft), 우(MBright), 상(MBtop), 하(MBbottom)에 대한 좌표를 각각 산출한다. 그 방법은 수학식 4를 참조한다.
Figure pat00004
여기서, q.lat, q.long란, 사용자의 현재 GPS 이동 좌표 q에 대한 위도값과 경도값을 나타낸다.
상기 경계 범위의 좌표를 획득한 다음에는, 상기 학습 경로 DB(150)로부터 상기 임계값 λ를 기준으로 각 이동 좌표 qi의 경계 범위 내에 속하는 후보 학습 경로 t를 검색하여, 후보 경로 집합 C에 추가하며, 이는 수학식 5와 같다.
Figure pat00005
수학식 5를 참조하면, 이동 좌표 q1에 대해 최소 경계 범위를 설정한 결과, 그 후보 경로는 ta와 tb가 검색되었고 이를 c1 집합으로 구분하고 있다. 이동 좌표 q2에 대해 최소 경계 범위를 설정한 결과 후보 경로는 ta와 tc가 검색되어 이를 c2집합으로 구분하고 있다. 이러한 과정을 n개의 좌표에 대해 모두 적용하며, 최종의 후보 경로 집합 C는 모든 후보 경로에 대한 합 집합으로 산출된다.
이상과 같은 상기 S110단계는 이후에 학습 경로와 현재 사용자의 이동 경로와의 유사성을 검사하기에 앞서, 사용자의 현재 이동 좌표들에 대해 최소 경계를 설정하여, 상기 학습 경로 DB(150) 내의 학습 경로들 중에서 비교 대상이 되는 후보 학습 경로들을 결정하는 단계이다. 이는 학습 경로 DB(150) 내에 존재하는 모든 학습 경로를 대상으로 유사도를 계산하는 것은 비효율적이기 때문이다.
상기 S110 단계 이후에는, 상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로 사이의 유사도를 계산하여 유사도가 가장 높은 후보 학습 경로를 결정한다(S120). 이는 상기 경로 유사도 판단부(120)를 통해 수행한다.
이러한 S120 단계는 비교 대상이 되는 후보 경로 집합이 완성되면, 각 후보 경로와 GPS 로그 간의 유사도를 계산한 후, 가장 높은 유사도를 갖는 최적의 후보 경로를 결정하는 단계이다. 이를 위해, 상기 유사도는 상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로를 구성하는 좌표들 사이의 개별 최소 거리의 합으로 계산한다.
본 발명의 실시예에서는 상기 유사도 값의 산출을 위하여 지수 함수(e)를 사용한다. 상기 유사도를 산출하는 수학식은 수학식 6과 같다.
Figure pat00006
여기서, dist(qi, t)는 후보 학습 경로 t를 구성하는 좌표들 중, qi와 가장 가까운 해당 좌표와 qi 사이의 거리를 의미한다. 두 좌표 간의 거리 계산에 있어서 적용되는 속성은 오직 위도와 경도이므로 본 발명에서는 일반적인 유클리드 거리 대신 하버사인(Haversine) 공식 기반의 거리를 사용한다.
즉, 본 발명의 경우 후보 학습 경로를 구성하는 좌표와 사용자의 GPS 로그 좌표 간의 거리 계산에 하버사인 공식을 적용한다. 하버사인 공식은 구체에 존재하는 두 점 간의 거리를 구하는 공식으로서, 일반적으로 지구는 구체에 가까운 타원형이므로 최대한의 추정 거리를 얻을 수 있다. 수학식 7은 하버사인 공식을 기반으로 두 좌표 간의 거리를 계산하는 수식을 나타낸다.
Figure pat00007
여기서, pj란 후보 학습 경로를 구성하는 좌표를 나타낸다.
앞서 상술한 바와 같이, 후보 학습 경로와 GPS 로그는 사용자의 이동 방향에 따라 좌표의 순서가 정해진다. 따라서, 거리의 계산 시에 정확한 경로(또는 구간)를 구분하기 위해서는 가장 가까운 해당 좌표를 찾는데 있어서 그 순서를 고려할 필요가 있다.
순서를 적용한 유사도 계산 방법은 다음과 같다. 후보 학습 경로 t와 GPS 로그 Q를 구성하는 좌표는 리스트로 표현된다. 아래의 수학식 8을 참조하면, head(Q)는 Q의 좌표 리스트 중 맨 앞의 좌표를 의미하고, rest(Q)는 맨 앞의 좌표를 제외한 Q의 나머지 좌표들을 의미한다.
Figure pat00008
상기와 같은 방법으로, 상기 유사도 계산을 통해 유사도가 가장 높은 최적의 후보 학습 경로가 결정된 다음에는, 상기 결정된 후보 학습 경로에 대한 유효성을 검증한다(S130). 이는 상기 유효성 검증부(130)에서 수행한다.
본 발명은 현재 사용자 이동 경로를 단순 추천하는 것이 아니라 정확히 예측하는 것을 목적으로 한다. 따라서, 이러한 S130단계에서는 최적의 후보 학습 경로가 실제 사용자의 현재 이동 경로에 대응되는 적합한 것인지 검증한다.
즉, S130단계는 상기 최적의 학습 경로가 예측 가능한 것인지 결정하는 단계로서, 최적의 유사도를 갖는 선택된 학습 경로에 대한 최하 경계 값(Low Bound)을 통해 유효성을 검증한다. 이때, 상기 유사도 계산 과정을 통해 선택된 후보 학습 경로가 예측 가능한 것인지 결정하기 위해서는 상기 선택된 후보 학습 경로의 유사도 값이 상기 최소 경계 값 이상 이어야 한다.
이러한 유효성 검증 단계를 보다 상세히 설명하면 다음과 같다. 먼저, 상기 유사도 측정을 통해 최종 선택된 후보 학습 경로 상에서 상기 유사도의 계산에 사용된 m개의 좌표(상기 후보 학습 경로 t를 구성하는 좌표들 중 qi와 가장 가까운 해당 좌표; mpi)에 대하여 최하 경계 값 Rλ를 설정한다. 이때, 상기 최하 경계 Rλ는 최종 선택된 후보 학습 경로를 구성하는 좌표 중 상기 mpi 들의 임계값 Rλ를 누적시켜 구한다.
도 4는 도 1의 S130단계에서 유효성 검증을 위한 개념도이다. 이를 참조하면, 상기 학습 경로 mpi에 대해 최하 경계 값 Rλ가 설정되어 있다. 그리고, 학습 경로의 각 mpi 좌표와 사용자 GPS 로그의 각 qi좌표 사이의 최소거리 d1,d2,d3,d4의 합은 상기 유사도 값에 해당된다. 물론, 도 4는 설명의 편의를 위해 유사도 계산에 사용된 좌표가 4개 즉 m=4인 경우이나, 본 발명이 반드시 이에 한정되지 않는다. 만약, 10초당 1번 GPS 로그 값이 기록되는 경우에는 2분 동안 측정된 총 12개의 좌표 값을 통해 상기의 과정을 진행한다.
이러한 과정을 통해, 상기 m개의 좌표에 대한 최하 경계 값의 합이 상기 m개의 최소 거리의 합보다 큰 경우, 상기 결정된 후보 학습 경로가 유효한 것으로 판단한다.
상기 m개의 좌표에 대한 최하 경계 값의 합은 수학식 9를 참조한다.
Figure pat00009
여기서, 상기 Rλ를 결정하는 요소는 여러 가지가 있으나, 본 발명의 실시예에서는 mpi와 훈련 경로 데이터 간의 표준 편차를 사용한다. 도 4의 경우를 예를 들면, 4×Rλ > d1+d2+d3+d4인 경우, 상기 결정된 후보 학습 경로가 유효한 것으로 판단한다.
이상과 같은 유효성 검증 과정 이후에는, 상기 유효한 것으로 판단된 후보 학습 경로를 상기 사용자에게 제공한다(S140). 이는 상기 추천 경로 제공부(140)를 통해 수행한다. 이때, 상기 유효한 경로 전체를 스마트폰 사용자에게 제공하거나, 현재 사용자가 상기 유효 경로 내의 어떠한 구간에 위치하고 있는지를 제공할 수 있다.
여기서, 현재 사용자가 상기 해당 경로 상의 어떠한 구간에 위치하는지 결정하기 위해서는 구간 결정 과정을 거친다. 예를 들면, 상기 사용자의 현재 GPS 로그의 마지막 5개의 좌표를 기준으로, 이 5개의 좌표와 가까운 거리로 매치되는 해당 경로 상의 좌표를 상기 사용자의 소속된 구간으로 결정하여 제공한다. 여기서, GPS 로그의 좌표를 마지막 5개까지 고려하는 이유는 일반적으로 스마트 폰에서는 GPS 센싱 오차 범의 때문에 실제 위치가 아닌 좌표를 감지하는 경우가 발생하기 때문이다.
도 5는 본 발명의 실시예에 따른 학습 경로 모델 t와 GPS 로그 Q를 기반으로 하여, 현재 사용자의 이동 경로를 예측하기 위한 알고리즘을 나타낸다. 경로 모델 중에는 "집에서 학교" 또는 "집에서 사무실"과 같이 자주 반복 예측되는 경로 구간이 존재한다. 따라서, 본 알고리즘에는 구간 캐시를 적용하여 한번 예측된 경로의 구간을 저장해 두었다가, 차후 경로 예측이 필요할 때 캐시에 저장된 구간들과 먼저 비교해 본다.
왼쪽 알고리즘의 S는 구간 캐시를 대상으로 한 후보 경로 구간의 집합을 의미하며, 오른쪽 알고리즘의 T는 후보 경로 모델 데이터베이스를 대상으로 한 후보 경로 집합을 의미한다. BCT(Best Connected Trajectory)는 Q와 가장 유사도가 높은 경로를, BCS(Best Connected Trajectory)는 Q와 가장 유사도가 높은 구간을 의미한다.
이상과 같은 본 발명은 다음과 같은 지능형 모바일 서비스 분야에 적용할 수 있다. 그 첫 번째 예는 사용자의 현재 경로에 따른 적절한 교통정보 예측 서비스로서, 현재 이동할 경로가 예측되면 사용자가 이용할 교통수단의 다양한 정보(탑승해야 할 교통수단의 도착 예정시간, 이동 경로의 교통사항 등)를 미리 제공하는 것이다. 두 번째는 행위 예측 서비스로서, 예측된 이동 경로의 목적지에 따라 사용자가 어떤 행위를 할지 예측하는 것이다. 예를 들어, 현재 이동 경로의 목적지가 회사일 경우, "be going to work"라는 사용자의 행위가 예측되고, 예측된 행위에 따라 지능화된 서비스가 가능하게 된다. 마지막으로 이동 경로에 따른 소셜 네트워크 서비스를 제공할 수 있다.
이상과 같은 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 매체로서 데이터가 저장되는 모든 종류의 기록장치를 포함한다.
컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CO-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 사용자 경로 예측 시스템 110: 후보 학습 경로 추출부
120: 경로 유사도 판단부 130: 유효성 검증부
140: 추천 경로 제공부 150: 학습 경로 DB

Claims (11)

  1. 학습 경로 DB 내의 사용자의 학습 경로들 중에서, 사용자의 현재 이동 좌표 집합으로부터 최소 경계 범위 이내에 속하는 후보 학습 경로를 추출하는 단계;
    상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로 사이의 유사도를 계산하여 유사도가 가장 높은 후보 학습 경로를 결정하는 단계; 및
    상기 결정된 후보 학습 경로에 대한 유효성을 검증하는 단계를 포함하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법.
  2. 청구항 1에 있어서,
    상기 최소 경계 범위는,
    상기 이동 좌표들의 좌, 우, 상, 하 방향에 대해 적용된 최소 임계 거리를 통해 얻어지는 최소 경계 사각형(Minimum Boundary Rectangular; MBR) 영역인 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법.
  3. 청구항 1에 있어서,
    상기 유사도는,
    상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로를 구성하는 좌표들 사이의 개별 최소 거리의 합인 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법.
  4. 청구항 3에 있어서,
    상기 유효성을 검증하는 단계는,
    상기 결정된 후보 학습 경로 상에서 상기 유사도의 계산에 사용된 m개의 좌표에 대하여 최하 경계(Low boundary) 값을 설정하고, 상기 m개의 좌표에 대한 최하 경계 값의 합이 상기 m개의 최소 거리의 합보다 큰 경우, 상기 결정된 후보 학습 경로가 유효한 것으로 판단하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법.
  5. 청구항 4에 있어서,
    상기 유효한 것으로 판단된 후보 학습 경로를 상기 사용자에게 제공하는 단계를 더 포함하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 방법.
  6. 청구항 1 내지 청구항 5 중 어느 한 항에 기재된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  7. 학습 경로 DB 내의 사용자의 학습 경로들 중에서, 사용자의 현재 이동 좌표 집합으로부터 최소 경계 범위 이내에 속하는 후보 학습 경로를 추출하는 후보 학습 경로 추출부;
    상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로 사이의 유사도를 계산하여 유사도가 가장 높은 후보 학습 경로를 결정하는 경로 유사도 판단부; 및
    상기 결정된 후보 학습 경로에 대한 유효성을 검증하는 유효성 검증부를 포함하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템.
  8. 청구항 7에 있어서,
    상기 최소 경계 범위는,
    상기 이동 좌표들의 좌, 우, 상, 하 방향에 대해 적용된 최소 임계 거리를 통해 얻어지는 최소 경계 사각형(Minimum Boundary Rectangular; MBR) 영역인 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템.
  9. 청구항 7에 있어서,
    상기 유사도는,
    상기 사용자의 현재 이동 좌표 집합과 상기 후보 학습 경로를 구성하는 좌표들 사이의 개별 최소 거리의 합인 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템.
  10. 청구항 9에 있어서,
    상기 유효성 검증부는,
    상기 결정된 후보 학습 경로 상에서 상기 유사도의 계산에 사용된 m개의 좌표에 대하여 최하 경계(Low boundary) 값을 설정하고, 상기 m개의 좌표에 대한 최하 경계 값의 합이 상기 m개의 최소 거리의 합보다 큰 경우, 상기 결정된 후보 학습 경로가 유효한 것으로 판단하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템.
  11. 청구항 10에 있어서,
    상기 유효한 것으로 판단된 후보 학습 경로를 상기 사용자에게 제공하는 추천 경로 제공부를 더 포함하는 학습된 경로 모델과 GPS 로그에 기반한 사용자 경로 예측 시스템.
KR1020110002449A 2011-01-10 2011-01-10 학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법 KR101275748B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110002449A KR101275748B1 (ko) 2011-01-10 2011-01-10 학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110002449A KR101275748B1 (ko) 2011-01-10 2011-01-10 학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20120080960A true KR20120080960A (ko) 2012-07-18
KR101275748B1 KR101275748B1 (ko) 2013-06-14

Family

ID=46713362

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110002449A KR101275748B1 (ko) 2011-01-10 2011-01-10 학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR101275748B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101425891B1 (ko) * 2012-10-26 2014-08-01 홍익대학교 산학협력단 사용자 예측위치를 이용한 홍보 서비스 제공방법 및 이를 위한 시스템
KR20160144761A (ko) * 2015-06-09 2016-12-19 현대자동차주식회사 차량사고 기록장치 및 그의 사고정보 생성 방법
KR20190117070A (ko) * 2018-04-06 2019-10-16 충북대학교 산학협력단 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치
KR102217193B1 (ko) * 2019-10-10 2021-02-18 군산대학교산학협력단 SNS(Social Network Service) 정보에 따라 위치 기반의 상황 정보 알림을 위한 알림 제공 서버, 분석 서버, 및 사용자 단말과 그 동작 방법들

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000155167A (ja) * 1998-11-19 2000-06-06 Mitsubishi Electric Corp 経路予測装置
JP3257991B2 (ja) * 1999-07-12 2002-02-18 アイシン・エィ・ダブリュ株式会社 車両用ナビゲーション装置
JP4390948B2 (ja) * 2000-02-16 2009-12-24 富士通テン株式会社 ナビゲーション装置
JP2010249642A (ja) * 2009-04-15 2010-11-04 Denso Corp 車両用ナビゲーション装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101425891B1 (ko) * 2012-10-26 2014-08-01 홍익대학교 산학협력단 사용자 예측위치를 이용한 홍보 서비스 제공방법 및 이를 위한 시스템
KR20160144761A (ko) * 2015-06-09 2016-12-19 현대자동차주식회사 차량사고 기록장치 및 그의 사고정보 생성 방법
CN106251423A (zh) * 2015-06-09 2016-12-21 现代自动车株式会社 车辆事故记录装置和生成其事故信息的方法
US9607518B2 (en) 2015-06-09 2017-03-28 Hyundai Motor Company Vehicle accident recorder and method for generating accident information thereof
CN106251423B (zh) * 2015-06-09 2020-01-03 现代自动车株式会社 车辆事故记录装置和生成其事故信息的方法
KR20190117070A (ko) * 2018-04-06 2019-10-16 충북대학교 산학협력단 딥 러닝 알고리즘 기반의 항만 데이터를 이용한 선박 목적지 예측 방법 및 장치
KR102217193B1 (ko) * 2019-10-10 2021-02-18 군산대학교산학협력단 SNS(Social Network Service) 정보에 따라 위치 기반의 상황 정보 알림을 위한 알림 제공 서버, 분석 서버, 및 사용자 단말과 그 동작 방법들

Also Published As

Publication number Publication date
KR101275748B1 (ko) 2013-06-14

Similar Documents

Publication Publication Date Title
CN108875007B (zh) 兴趣点的确定方法和装置、存储介质、电子装置
Mohamed et al. Accurate real-time map matching for challenging environments
CN102907151B (zh) 混合移动电话地理定位
KR101787929B1 (ko) 모바일 사용자의 위치를 예측하는 방법 및 디바이스
CN103916821A (zh) 一种基于楼层间rssi差异的楼层判别方法
JP6130524B2 (ja) 人口推定装置、プログラム及び人口推定方法
CN105635956B (zh) 一种基于室内虚拟地标的定位方法及装置
US9749805B2 (en) Methods, wireless device and network node for managing positioning method based on prediction
KR101275748B1 (ko) 학습된 경로 모델과 ｇｐｓ 로그에 기반한 사용자 경로 예측 시스템 및 그 방법
JP6803205B2 (ja) 対象経路を含む移動位置範囲群に基づき通行量を推定する装置、プログラム及び方法
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Li et al. Abnormal crowd traffic detection for crowdsourced indoor positioning in heterogeneous communications networks
CN109631922A (zh) 信息处理装置、信息处理方法和存储程序的非暂时性存储介质
US11006238B1 (en) Method for profiling based on foothold and terminal using the same
CN107133689B (zh) 一种位置标记方法
Jariyasunant et al. Overcoming battery life problems of smartphones when creating automated travel diaries
KR20130071755A (ko) 사용자 행동의 예측에 기반하여 서비스를 제공하기 위한 서비스 서버 및 단말
JP2015021768A (ja) 目的地予測装置、目的地予測方法、および、コンピュータ・プログラム
KR101201932B1 (ko) 모바일 단말기에 사용되는 버스 번호 추출 장치 및 방법
Hang et al. Platys: User-centric place recognition
KR20140119333A (ko) 위치 정확도 향상을 위한 위치 측위 방법 및 장치
JP2018073043A (ja) 移動開始終了情報に基づき通行量を推定する装置、プログラム及び方法
US10006985B2 (en) Mobile device and method for determining a place according to geolocation information
KR100990336B1 (ko) 위치 정보를 산출하기 위한 방법, 장치 및 컴퓨터로 읽을 수 있는 기록매체
JP6134149B2 (ja) 情報処理装置、情報処理方法及びプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20170410

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180409

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190522

Year of fee payment: 7