KR20180061813A - Time Series Data Learning System and Method for Semantic-based Metadata Extraction - Google Patents

Time Series Data Learning System and Method for Semantic-based Metadata Extraction Download PDF

Info

Publication number
KR20180061813A
KR20180061813A KR1020160161387A KR20160161387A KR20180061813A KR 20180061813 A KR20180061813 A KR 20180061813A KR 1020160161387 A KR1020160161387 A KR 1020160161387A KR 20160161387 A KR20160161387 A KR 20160161387A KR 20180061813 A KR20180061813 A KR 20180061813A
Authority
KR
South Korea
Prior art keywords
data
metadata
semantic
stored
time series
Prior art date
Application number
KR1020160161387A
Other languages
Korean (ko)
Inventor
지영민
유준재
Original Assignee
전자부품연구원
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 전자부품연구원 filed Critical 전자부품연구원
Priority to PCT/KR2016/013955 priority Critical patent/WO2018101504A1/en
Priority to KR1020160161387A priority patent/KR20180061813A/en
Publication of KR20180061813A publication Critical patent/KR20180061813A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24573—Query processing with adaptation to user needs using data annotations, e.g. user-defined metadata
    • G06F17/30525—
    • G06F15/18—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

A time-series data learning system and method for semantic-based metadata extraction are provided. The data learning method according to an embodiment of the present invention includes the steps of collecting/storing data and generating/storing metadata by machine-learning the stored data. Accordingly, the data is classified by semantic references through machine learning and meaning is given, thereby enabling a user to interwork with a service only through the Internet connection of a sensing device without an additional operation.

Description

시멘틱 기반 메타 데이터 추출을 위한 시계열 데이터 학습 시스템 및 방법{Time Series Data Learning System and Method for Semantic-based Metadata Extraction}[0001] The present invention relates to a time series data learning system and method for extracting semantic-based metadata,

본 발명은 ICBMS 관련 기술에 관한 것으로, 더욱 상세하게는 서비스를 위해 필요한 디바이스의 메타 데이터를 자동으로 추출하기 위한 시스템 및 방법에 관한 것이다.The present invention relates to ICBMS related technologies, and more particularly, to a system and method for automatically extracting metadata of a device necessary for a service.

센싱 디바이스를 인터넷 서비스와 연계 하려면, 센싱 디바이스에 저장된 서비스 및 기능을 서버에 전송하거나, 서버에 등록된 센싱 디바이스의 데이터 타입 및 기타 정보를 사용자가 센싱 디바이스에 입력하여야 한다. In order to link the sensing device with the Internet service, the service and function stored in the sensing device must be transmitted to the server, or the user must input the data type and other information of the sensing device registered in the server into the sensing device.

두 가지 방법 중 어느 것을 이용하여도 무방하지만, 어떤 방법이던 사용자가 개입하여 메타 데이터를 서버 측에 전달해야만 컴퓨터가 인터넷 서비스를 제공하는데 활용이 가능하다.Either way can be used, but the user must intervene in any way and deliver the metadata to the server side so that the computer can be used to provide the Internet service.

하지만 무수히 많은 디바이스 정보를 수작업으로 생성하는 것은 불가능하며, 그 형식도 다르다. 이는 실질적인 인터넷 서비스를 어렵게 하는 요인으로 작용한다.However, it is impossible to manually generate a large number of device information, and the format is different. This makes the actual Internet service difficult.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 사용자의 추가적인 작업이 없이도, 데이터들을 기계 학습을 통해 의미기준으로 분류하고 의미를 부여하여, 시멘틱 서비스 체계에 즉각 활용 가능하도록 하는 시멘틱 기반 메타 데이터 추출을 위한 데이터 학습 시스템 및 방법을 제공함에 있다.SUMMARY OF THE INVENTION The present invention has been made in order to solve the above-mentioned problems, and it is an object of the present invention to provide a semantic- And to provide a data learning system and method for extracting semantic-based metadata.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 데이터 학습 방법은, 데이터를 수집하는 단계; 수집된 데이터를 저장하는 단계; 저장된 데이터를 기계 학습하여, 메타 데이터를 생성하는 단계; 및 생성된 메타 데이터를 저장하는 단계;를 포함한다.According to an aspect of the present invention, there is provided a data learning method including: collecting data; Storing the collected data; Machine learning the stored data to generate metadata; And storing the generated metadata.

그리고, 메타 데이터 생성단계는, 저장된 데이터를 의미 기준으로 분류하는 단계; 저장된 데이터가 신규 분류인 경우, 저장된 데이터에 대한 메타 데이터를 생성하는 단계;를 포함할 수 있다.The metadata generation step may include classifying the stored data into a semantic reference; And generating metadata for the stored data if the stored data is a new classification.

또한, 신규 분류는, 메타 데이터가 저장되어 있지 않은 데이터 분류일 수 있다.Further, the new classification may be a data classification in which the metadata is not stored.

그리고, 본 발명의 실시예에 따른 데이터 학습 방법은, 저장된 데이터가 신규 분류가 아니면, 저장된 데이터에 대한 메타 데이터를 생성하는 단계; 및 생성된 메타 데이터가 기저장된 메타 데이터와 다르면, 기저장된 메타 데이터를 갱신하는 단계;를 더 포함할 수 있다.According to another aspect of the present invention, there is provided a data learning method comprising: generating metadata for stored data if stored data is not a new classification; And updating the stored metadata if the generated metadata is different from the previously stored metadata.

또한, 본 발명의 실시예에 따른 데이터 학습 방법은, 저장된 메타 데이터를 서버에 제공하는 단계;를 더 포함할 수 있다.In addition, the data learning method according to an embodiment of the present invention may further include providing stored metadata to a server.

그리고, 본 발명의 실시예에 따른 데이터 학습 방법은, 제공된 메타 데이터를 기초로 서버가 요청하는 데이터를 제공하는 단계;를 더 포함할 수 있다.The data learning method according to an embodiment of the present invention may further include providing data requested by the server based on the provided metadata.

또한, 데이터는, 시계열 데이터이고, 메타 데이터는, 시멘틱 기반 메타 데이터일 수 있다.Further, the data may be time series data, and the metadata may be semantic based metadata.

한편, 본 발명의 다른 실시예에 따른, 데이터 학습 시스템은, 데이터를 수집하는 어댑터; 수집된 데이터를 저장하는 제1 저장부; 저장된 데이터를 기계 학습하여, 메타 데이터를 생성하는 생성부; 및 생성된 메타 데이터를 저장하는 제2 저장부;를 포함한다.Meanwhile, according to another embodiment of the present invention, a data learning system includes: an adapter for collecting data; A first storage unit for storing the collected data; A generator for mechanically learning the stored data and generating metadata; And a second storage unit for storing the generated metadata.

이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 데이터들을 기계 학습을 통해 의미 기준으로 분류하고 의미를 부여하여, 사용자가 추가적인 작업이 없이 센싱 디바이스의 인터넷 연결만으로 서비스에 연동시킬 수 있게 된다.As described above, according to the embodiments of the present invention, the data is classified into semantic references through machine learning, and meaning is given, so that the user can interlock with the service only through the Internet connection of the sensing device without additional work.

또한, 본 발명의 실시예들에 따르면, 센싱 디바이스에 개별 식별 및 기능 정보를 가지고 있지 않아도 시스템에서 시계열 데이터 학습 기반으로 이 디바이스의 기능과 디바이스가 주는 데이터의 의미 등을 추출하여 시스템에 등록할 수 있게 된다.Also, according to embodiments of the present invention, even if the sensing device does not have individual identification and function information, the function of the device and the meaning of data given by the device can be extracted and registered in the system based on time series data learning in the system .

또한, 본 발명의 실시예들에 따르면, 자동으로 등록된 디바이스 명세 의미기반 정보를 활용하여 서비스에 자동 연계하여 사용할 수 있게 된다.In addition, according to the embodiments of the present invention, it is possible to automatically use the automatically registered device specification semantic-based information and use it in connection with the service.

도 1은 본 발명의 일 실시예에 따른 데이터 학습 시스템의 개념 설명에 제공되는 도면,
도 2는 본 발명의 다른 실시예에 따른 실시간 시계열 데이터 시멘틱 추론 방법의 설명에 제공되는 흐름도,
도 3은 시맨틱 웹 서비스 연계 방법의 설명에 제공되는 도면,
도 4는, 도 3에 도시된 디바이스의 블럭도,
도 5는, 도 3에 도시된 웹 서비스 서버의 블럭도이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram of a data learning system according to an embodiment of the present invention; FIG.
FIG. 2 is a flowchart of a real-time time series data semantic reasoning method according to another embodiment of the present invention;
3 is a diagram illustrating a method of linking a semantic web service,
4 is a block diagram of the device shown in Fig. 3,
5 is a block diagram of the Web service server shown in FIG.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.Hereinafter, the present invention will be described in detail with reference to the drawings.

1. 시멘틱 기반 메타 데이터 추출을 위한 시계열 데이터 학습 시스템1. Time Series Data Learning System for Semantic-based Metadata Extraction

도 1은 본 발명의 일 실시예에 따른 데이터 학습 시스템의 개념 설명에 제공되는 도면이다. 본 발명의 실시예에 따른 데이터 학습 시스템은, 시계열 데이터를 학습하여 시멘틱 기반의 메타 데이터 생성/갱신한다.1 is a diagram provided in a conceptual description of a data learning system according to an embodiment of the present invention. The data learning system according to the embodiment of the present invention learns time series data and generates / updates semantic based meta data.

구체적으로, 본 발명의 실시예에 따른 데이터 학습 시스템은, 시계열 데이터들을 기계학습을 통해 의미 기준으로 분류하고, 의미를 부여하여 자동으로 시멘틱 어노테이션(Semantic Annotaion) 함으로써, 사용자가 추가적인 작업을 하지 않고도 시멘틱 웹서비스(Sementic Webservice) 체계에 즉각 활용을 가능하게 한다.Specifically, the data learning system according to the embodiment of the present invention classifies time series data into semantic references through machine learning, automatically assigns meaning to the semantic annotations, Enables immediate use of the Web services (Sementic Webservice) framework.

본 발명의 실시예에 따른 데이터 학습 시스템은, 도 1에 도시된 바와 같이, 데이터 어댑터(110), SA(Semantic Annotaion) 생성부(120), 시계열 데이터 DB(130) 및 온톨로지 DB(140)를 포함한다.1, a data learning system according to an embodiment of the present invention includes a data adapter 110, a Semantic Annotation (SA) generating unit 120, a time series data DB 130, and an ontology DB 140 .

데이터 어댑터(110)는 다양한 시계열 데이터를 실시간으로 수집하여 시계열 데이터 DB(130)에 저장한다.The data adapter 110 collects various time series data in real time and stores them in the time series data DB 130.

데이터 어댑터(110)에 의해 수집되어 시계열 데이터 DB(130)에 저장되는 데이터에는, IoT 디바이스의 데이터, Non-IoT 디바이스의 데이터, 기타 다른 디바이스의 데이터가 포함된다.The data collected by the data adapter 110 and stored in the time series data DB 130 include data of the IoT device, data of the non-IoT device, and data of other devices.

따라서, 데이터 어댑터(110)는 다양한 프로토콜과 호환 가능하며, 데이터를 공통 포맷으로 변환할 수 있다.Thus, the data adapter 110 is compatible with various protocols and can convert data into a common format.

SA 생성부(120)는 시계열 데이터 DB(130)에 저장된 시계열 데이터들을 학습하여 시맨틱 정보를 추출하고 이를 이용하여 시맨틱 메타 데이터를 생성하여 온톨로지 DB(140)에 저장한다.The SA generator 120 learns the time series data stored in the time series data DB 130, extracts the semantic information, generates semantic metadata using the extracted semantic information, and stores the semantic metadata in the ontology DB 140.

SA 생성부(120)에 의한 시맨틱 메타 데이터 생성 대상이 되는 시계열 데이터는 온톨로지 DB(140)에 시멘틱 메타 데이터가 저장되어 있지 않은 시계열 데이터이다.The time series data to be generated by the SA generator 120 by the semantic metadata is time series data in which the semantic metadata is not stored in the ontology DB 140.

이를 위해, SA 생성부(120)는 시계열 데이터 DB(130)에 저장된 시계열 데이터들을 기계학습을 통해 의미 기준으로 분류하고, 시멘틱 메타 데이터가 온톨로지 DB(140)에 저장되어 있지 않은 신규 분류인 경우, 시멘틱 메타 데이터를 생성하여 온톨로지 DB(140)에서 SA 한다.To this end, the SA generator 120 classifies the time series data stored in the time series data DB 130 into semantic references through machine learning, and when the semantic metadata is a new classification not stored in the ontology DB 140, Generates semantic metadata and SAs the semantic metadata in the ontology DB 140.

시멘틱 메타 데이터가 온톨로지 DB(140)에 저장되어 있는 경우에도, SA 생성부(120)는 시계열 데이터를 학습하여 온톨로지 DB(140)에 저장된 기존 시멘틱 메타 데이터를 갱신할 수 있다.The SA generator 120 can update the existing semantic metadata stored in the ontology DB 140 by learning the time series data even when the semantic metadata is stored in the ontology DB 140. [

서비스 서버는 디바이스 정보와 데이터 조회를 위해 필요한 메타 데이터를 온톨로지 DB(140)로부터 획득하고, 시계열 데이터 DB(130)에서 필요한 데이터를 획득할 수 있다.The service server can obtain the device information and the metadata necessary for inquiring the data from the ontology DB 140 and acquire necessary data from the time series data DB 130. [

2. 실시간 시계열 데이터 시멘틱 추론 과정2. Real time-series data semantic reasoning process

도 1에 도시된 데이터 학습 시스템에 의한 실시간 시계열 데이터 시멘틱 추론 과정에 대해, 도 2를 참조하여 상세히 설명한다. 도 2는 본 발명의 다른 실시예에 따른 실시간 시계열 데이터 시멘틱 추론 방법의 설명에 제공되는 흐름도이다.The real-time time series data semantic reasoning process by the data learning system shown in FIG. 1 will be described in detail with reference to FIG. FIG. 2 is a flowchart illustrating a real-time time series data semantic reasoning method according to another embodiment of the present invention.

도 2에 도시된 바와 같이, 먼저 데이터 어댑터(110)가 실시간으로 시계열 데이터를 입력받아, 시계열 데이터 DB(130)에 저장한다(S210).As shown in FIG. 2, first, the data adapter 110 receives time series data in real time and stores the time series data in the time series data DB 130 (S210).

그러면, SA 생성부(120)는 S210단계에서 저장된 시계열 데이터에 대한 시멘틱 메타 데이터가 온톨로지 DB(140)에 저장되어 있는지 판별한다(S220).In step S220, the SA generator 120 determines whether the semantic metadata of the stored time series data is stored in the ontology DB 140 in step S210.

S220단계에서 시멘틱 메타 데이터가 온톨로지 DB(140)에 저장되어 있지 않은 것으로 판별된 경우(S220-N), SA 생성부(120)는 S210단계에서 저장된 시계열 데이터에 대한 시멘틱 추론을 통해 메타 데이터를 생성하여(S230), 온톨로지 DB(140)에 저장한다(S240).If it is determined in step S220 that the semantic metadata is not stored in the ontology DB 140 (S220-N), the SA generating unit 120 generates metadata by semantic reasoning about the stored time series data in step S210 (S230), and stores it in the ontology DB 140 (S240).

S220단계에서 시멘틱 메타 데이터가 온톨로지 DB(140)에 저장되어 있는 것으로 판별된 경우(S220-Y), SA 생성부(120)는 S210단계에서 저장된 시계열 데이터에 대한 시멘틱 추론을 통해 메타 데이터를 생성한다(S250).If it is determined in step S220 that the semantic metadata is stored in the ontology DB 140 (S220-Y), the SA generation unit 120 generates metadata through semantic reasoning on the stored time series data in step S210 (S250).

S250단계에서 생성된 메타 데이터의 의미가 기존으로부터 변경된 경우(S260-Y), SA 생성부(120)는 S250단계의 결과를 온톨로지 DB(140)에 추가/변경 저장한다(S240).If the meaning of the metadata generated in step S250 is changed from the existing one (S260-Y), the SA generating unit 120 adds / changes the result of step S250 to the ontology DB 140 (S240).

S250단계에서 생성된 메타 데이터의 의미가 기존과 동일한 경우(S260-N), S240단계는 수행되지 않는다.If the meaning of the metadata generated in step S250 is the same as the existing metadata (S260-N), step S240 is not performed.

3. 시맨틱 웹 서비스 연계3. Linking Semantic Web Services

도 3은 시맨틱 웹 서비스 연계 방법의 설명에 제공되는 도면이다. 도 3에 도시된 바와 같이, 시맨틱 웹 서비스는 시계열 데이터 DB(130)와 온톨로지 DB(140)를 참조하여, 디바이스(300)와 웹 서비스 서버(400)가 연계하여 이루어진다.FIG. 3 is a diagram for explaining a method of linking a semantic web service. 3, the semantic web service is created by linking the device 300 and the web service server 400 with reference to the time series data DB 130 and the ontology DB 140.

이하에서, 시맨틱 웹 서비스 연계 과정에 대해 상세히 설명한다.Hereinafter, the semantic Web service association process will be described in detail.

먼저, 디바이스(300), 이를 테면, 센서와 그가 생성하는 데이터에 대한 시멘틱 메타 데이터가 온톨로지 DB(140)에 등록/저장된다(①). 이 과정에 대해서는 도 2를 통해 상세히 설명한 바 있다.First, the semantic metadata about the device 300, such as the sensor and the data to be generated, are registered / stored in the ontology DB 140 (1). This process has been described in detail with reference to FIG.

이후, 디바이스(300)는 센싱 등을 통해 생성하는 시계열 데이터를 시계열 데이터 DB(130)에 저장한다(②).Then, the device 300 stores the time series data generated through sensing or the like in the time series data DB 130 (2).

다음, 웹 서비스 서버(400)는 온톨로지 DB(140)에서 자신의 서비스 제공에 필요한 디바이스와 데이터를 조회하여(③), 필요한 시멘틱 메타 데이터를 획득한다(④).Next, the web service server 400 inquires of the ontology DB 140 about devices and data necessary for providing its own service (3), and acquires necessary semantic metadata (4).

웹 서비스 서버(400)는 ④를 통해 획득한 메타 데이터를 이용하여, 필요한 데이터를 시계열 데이터 DB(130)에 요청하여 획득한다(⑤,⑥).The web service server 400 requests and acquires necessary data from the time series data DB 130 using the metadata obtained through (4) ((5) and (6)).

이에, 웹 서비스 서버(400)는 필요한 서비스, 이를 테면 매쉬-업 서비스를 구성하여 제공하며, 필요한 경우 디바이스(300)에 액세스하여 제어를 수행할 수도 있다(⑦).Accordingly, the web service server 400 may provide a required service, such as a mash-up service, and may access the device 300 to perform control if necessary (g).

4. 연계 시스템 구성4. Connection system configuration

도 4는, 도 3에 도시된 디바이스(300)의 블럭도이다. 디바이스(300)는, 도 4에 도시된 바와 같이, 기능 블럭(310), 프로세서(320) 및 통신부(330)를 포함한다.4 is a block diagram of the device 300 shown in FIG. The device 300 includes a functional block 310, a processor 320 and a communication unit 330, as shown in FIG.

기능 블럭(310)은 디바이스(300)의 본연의 기능을 수행하는 수단으로, 센서, 액츄에이터 등이 이에 해당한다. 통신부(330)는 데이터 학습 시스템 및 웹 서비스 서버(400)와 데이터 통신을 위한 통신 인터페이스이다. 프로세서(320)는 통신부(330)를 통해 외부 시스템과 통신하고, 기능 블럭(310)을 제어한다.The function block 310 is a means for performing the function of the device 300, such as a sensor, an actuator, or the like. The communication unit 330 is a communication interface for data communication with the data learning system and the web service server 400. The processor 320 communicates with the external system through the communication unit 330 and controls the functional block 310.

도 5는, 도 3에 도시된 웹 서비스 서버(400)의 블럭도이다. 웹 서비스 서버(400)는, 도 5에 도시된 바와 같이, 통신부(410), 프로세서(420) 및 저장부(430)를 포함한다.5 is a block diagram of the Web service server 400 shown in FIG. The web service server 400 includes a communication unit 410, a processor 420, and a storage unit 430, as shown in FIG.

통신부(410)는 디바이스(300)와 통신하고, 시계열 데이터 DB(130) 및 온톨로지 DB(140)에 액세스하기 위한 수단이다.The communication unit 410 is a means for communicating with the device 300 and for accessing the time series data DB 130 and the ontology DB 140.

프로세서(420)는 필요한 서비스를 구성하는데 필요한 처리, 이를 테면, 시계열 데이터 DB(130)와 온톨로지 DB(140)로부터 데이터를 조회/획득하고 디바이스(300)를 제어하는 등의 처리를 수행한다.The processor 420 performs processing such as inquiry / acquisition of data from the time series data DB 130 and the ontology DB 140, and control of the device 300, which are processes required for configuring necessary services.

저장부(430)는 프로세서(420)가 서비스를 구성하는 과정에서 필요한 저장 공간을 제공한다.The storage unit 430 provides a storage space necessary for the processor 420 to configure the service.

5. 변형예5. Modifications

지금까지, 시멘틱 기반 메타 데이터 추출을 위한 시계열 데이터 학습 시스템 및 방법에 대해 바람직한 실시예를 들어 상세히 설명하였다.Up to now, a time-series data learning system and method for extracting semantic-based metadata has been described in detail with a preferred embodiment.

위 실시예에서 상정한 시계열 데이터는 예시적인 것에 불과하다. 시계열 데이터가 아닌 다른 종류의 데이터에 대해서도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다.The time series data assumed in the above embodiment are merely illustrative. It goes without saying that the technical idea of the present invention can also be applied to data other than time series data.

한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.It goes without saying that the technical idea of the present invention can also be applied to a computer-readable recording medium having a computer program for performing the functions of the apparatus and method according to the present embodiment. In addition, the technical idea according to various embodiments of the present invention may be embodied in computer-readable code form recorded on a computer-readable recording medium. The computer-readable recording medium is any data storage device that can be read by a computer and can store data. For example, the computer-readable recording medium may be a ROM, a RAM, a CD-ROM, a magnetic tape, a floppy disk, an optical disk, a hard disk drive, or the like. In addition, the computer readable code or program stored in the computer readable recording medium may be transmitted through a network connected between the computers.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해 되어져서는 안될 것이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, It will be understood by those skilled in the art that various changes in form and detail may be made therein without departing from the spirit and scope of the present invention.

110 : 데이터 어댑터 120 : SA(Semantic Annotaion) 생성부
130 : 시계열 데이터 DB 140 : 온톨로지 DB
300 : 디바이스 400 : 웹 서비스 서버110: Data adapter 120: Semantic Annotation (SA) generating unit
130: time series data DB 140: ontology DB
300: Device 400: Web service server

Claims (8)

데이터를 수집하는 단계;
수집된 데이터를 저장하는 단계;
저장된 데이터를 기계 학습하여, 메타 데이터를 생성하는 단계; 및
생성된 메타 데이터를 저장하는 단계;를 포함하는 것을 특징으로 하는 데이터 학습 방법.
Collecting data;
Storing the collected data;
Machine learning the stored data to generate metadata; And
And storing the generated meta data.
청구항 1에 있어서,
메타 데이터 생성단계는,
저장된 데이터를 의미 기준으로 분류하는 단계;
저장된 데이터가 신규 분류인 경우, 저장된 데이터에 대한 메타 데이터를 생성하는 단계;를 포함하는 것을 특징으로 하는 데이터 학습 방법.
The method according to claim 1,
In the metadata generation step,
Classifying the stored data into a semantic basis;
And if the stored data is a new classification, generating metadata for the stored data.
청구항 2에 있어서,
신규 분류는,
메타 데이터가 저장되어 있지 않은 데이터 분류인 것을 특징으로 하는 데이터 학습 방법.
The method of claim 2,
The new classification,
Wherein the metadata is a data classification in which metadata is not stored.
청구항 2에 있어서,
저장된 데이터가 신규 분류가 아니면, 저장된 데이터에 대한 메타 데이터를 생성하는 단계; 및
생성된 메타 데이터가 기저장된 메타 데이터와 다르면, 기저장된 메타 데이터를 갱신하는 단계;를 더 포함하는 것을 특징으로 하는 데이터 학습 방법.
The method of claim 2,
If the stored data is not a new classification, generating metadata for the stored data; And
And updating the pre-stored meta data if the generated meta data is different from the pre-stored meta data.
청구항 1에 있어서,
저장된 메타 데이터를 서버에 제공하는 단계;를 더 포함하는 것을 특징으로 하는 데이터 학습 방법.
The method according to claim 1,
And providing the stored metadata to a server.
청구항 5에 있어서,
제공된 메타 데이터를 기초로 서버가 요청하는 데이터를 제공하는 단계;를 더 포함하는 것을 특징으로 하는 데이터 학습 방법.
The method of claim 5,
And providing the data requested by the server based on the provided metadata.
청구항 1에 있어서,
데이터는, 시계열 데이터이고,
메타 데이터는, 시멘틱 기반 메타 데이터인 것을 특징으로 하는 데이터 학습 방법.
The method according to claim 1,
The data is time series data,
Wherein the meta data is semantic-based meta data.
데이터를 수집하는 어댑터;
수집된 데이터를 저장하는 제1 저장부;
저장된 데이터를 기계 학습하여, 메타 데이터를 생성하는 생성부; 및
생성된 메타 데이터를 저장하는 제2 저장부;를 포함하는 것을 특징으로 하는 데이터 학습 시스템.
An adapter for collecting data;
A first storage unit for storing the collected data;
A generator for mechanically learning the stored data and generating metadata; And
And a second storage unit for storing the generated meta data.
KR1020160161387A 2016-11-30 2016-11-30 Time Series Data Learning System and Method for Semantic-based Metadata Extraction KR20180061813A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2016/013955 WO2018101504A1 (en) 2016-11-30 2016-11-30 Method and system for generating metadata for service mashup
KR1020160161387A KR20180061813A (en) 2016-11-30 2016-11-30 Time Series Data Learning System and Method for Semantic-based Metadata Extraction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160161387A KR20180061813A (en) 2016-11-30 2016-11-30 Time Series Data Learning System and Method for Semantic-based Metadata Extraction

Publications (1)

Publication Number Publication Date
KR20180061813A true KR20180061813A (en) 2018-06-08

Family

ID=62241776

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160161387A KR20180061813A (en) 2016-11-30 2016-11-30 Time Series Data Learning System and Method for Semantic-based Metadata Extraction

Country Status (2)

Country Link
KR (1) KR20180061813A (en)
WO (1) WO2018101504A1 (en)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9251421B2 (en) * 2012-09-13 2016-02-02 General Electric Company System and method for generating semantic annotations
KR102111696B1 (en) * 2012-12-11 2020-05-15 한국전자통신연구원 Method and apparatus for providing semantic information service

Also Published As

Publication number Publication date
WO2018101504A1 (en) 2018-06-07

Similar Documents

Publication Publication Date Title
US20110153748A1 (en) Remote forensics system based on network
CN109726763B (en) Information asset identification method, device, equipment and medium
JP2019513246A (en) Training method of random forest model, electronic device and storage medium
CN110321544B (en) Method and device for generating information
US20190164556A1 (en) Master-slave personal digital assistant data and knowledge exchange system and method
KR102067032B1 (en) Method and system for data processing based on hybrid big data system
CN110515944B (en) Data storage method based on distributed database, storage medium and electronic equipment
US11423219B2 (en) Generation and population of new application document utilizing historical application documents
JP2022091904A (en) Mini program page skin changeover method, device, and electronic apparatus
KR20170109404A (en) Ontology Management Method and System for IoT Service Interworking
CN112582073B (en) Medical information acquisition method, device, electronic equipment and medium
KR20170109399A (en) Ontology based IoT Service Configuration Method and System
CN108647284A (en) Record method and device, medium and the computing device of user behavior
CN108932225A (en) For natural language demand to be converted into the method and system of semantic modeling language statement
JP4734454B2 (en) System analysis program, system analysis method, and system analysis apparatus
KR20180061813A (en) Time Series Data Learning System and Method for Semantic-based Metadata Extraction
CN113778455B (en) Code conversion method and device, electronic equipment and storage medium
KR20210000041A (en) Method and apparatus for analyzing log data in real time
KR20110070767A (en) Remote forensics system based on network
JP2002351702A (en) Method and device for preparing terminal operation statistical data utilizing online
KR102289401B1 (en) Apparatus and method for generating feature vector with label information
KR101586482B1 (en) Method and System for Conversion of Search Result Suitable for User State
JP2014115908A (en) Word search device and word search method
CN114475631B (en) Driving data processing method, device, automatic driving vehicle medium and product
CN116594658B (en) Version upgrading method and device for metadata, electronic equipment and medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination