KR20190099155A - 사람수 카운팅 장치 및 사람수 카운팅 방법 - Google Patents

사람수 카운팅 장치 및 사람수 카운팅 방법 Download PDF

Info

Publication number
KR20190099155A
KR20190099155A KR1020190095518A KR20190095518A KR20190099155A KR 20190099155 A KR20190099155 A KR 20190099155A KR 1020190095518 A KR1020190095518 A KR 1020190095518A KR 20190095518 A KR20190095518 A KR 20190095518A KR 20190099155 A KR20190099155 A KR 20190099155A
Authority
KR
South Korea
Prior art keywords
search request
request packet
people
density data
information
Prior art date
Application number
KR1020190095518A
Other languages
English (en)
Inventor
이용석
서용석
김윤겸
손동우
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190095518A priority Critical patent/KR20190099155A/ko
Publication of KR20190099155A publication Critical patent/KR20190099155A/ko
Priority to US16/688,497 priority patent/US11363479B2/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation
    • H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
    • H04W48/14—Access restriction or access information delivery, e.g. discovery data delivery using user query or user detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

탑재된 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하여 사람수 카운팅을 수행하고 5G 통신 환경에서 사용자 단말기 및 서버와 통신할 수 있는 사람수 카운팅 장치 및 사람수 카운팅 방법이 개시된다. 본 발명의 일 실시 예에 따른 사람수 카운팅 방법은, 제1 수집부에 의해, 공유기(access point)의 존재를 확인하기 위해 탐색 요청(probe request) 패킷을 전송하는 사용자 단말기로부터, 기설정된 시간 동안 탐색 요청 패킷을 수집하는 단계와, 측정부에 의해, 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하는 단계와, 추정부에 의해, 사용자 단말기로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정하는 단계를 포함할 수 있다.
본 발명에 의하면, 사용자 단말기가 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 사람의 수를 정확하게 카운트할 수 있다.

Description

사람수 카운팅 장치 및 사람수 카운팅 방법{METHOD AND DEVICE FOR PEOPLE COUNTING}
본 발명은 사람수 카운팅 장치 및 사람수 카운팅 방법에 관한 것으로, 더욱 상세하게는 주변의 와이파이 공유기를 확인하기 위해 사용자 단말기가 전달하는 탐색 요청(request) 패킷을 수집 및 분석하여 사람수를 추정하는 사람수 카운팅 장치 및 사람수 카운팅 방법에 관한 것이다.
정보통신 기술의 발전과 더불어 다양한 무선 통신 기술이 개발되고 있다. 이 중에서 무선랜(wireless local area network)은 무선 주파수 기술을 바탕으로 단말을 사용하여 가정이나 기업 또는 특정 서비스 제공지역에서 무선으로 인터넷에 접속할 수 있도록 하는 기술이다.
이러한 무선랜 기술을 기초로 한 시스템에 있어서, 단말이 능동 검색 방식을 통해 공유기(access point)를 검색하는 경우, 단말은 탐색 요청 패킷을 전송하고, 공유기는 탐색 요청 패킷에 대한 응답으로 탐색 응답(probe response) 패킷을 전송한다. 복수의 단말과 복수의 공유기가 존재하는 환경에서, 각각의 단말은 자신의 탐색 요청 패킷을 전송하고, 각각의 공유기는 탐색 요청 패킷에 대한 응답으로 탐색 응답 패킷을 전송한다.
선행기술 1에는 카메라를 이용하지 않고, 임펄스 전자기파(electro-magnetic wave)의 반사 신호를 이용하여 사람들을 계수하여 불특정 대상 영역의 환경에 무관하게 사람들을 계수할 수 있는 사람들을 계수하는 방법 및 장치가 개시되어 있으나, 단말이 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 단말의 개수를 사람의 수로 추정하는 기술이 개시되어 있지 않다.
선행기술 2에는 CCTV 등의 영상 촬영 장치에서 촬영된 영상을 이용하여 입장 및 퇴장하는 사람을 계수하는 사람 계수 장치 및 방법이 개시되어 있으나, 단말이 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 단말의 개수를 사람의 수로 추정하는 기술이 개시되어 있지 않다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
선행기술 1: 한국 공개특허공보 제10-2015-0053158호(2015.05.15) 선행기술 2: 한국 등록특허공보 제10-1480348호(2015.01.02)
본 발명의 일 과제는, 단말이 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 단말의 개수를 카운팅하고 이를 사람의 수로 추정하는데 있다.
본 발명의 일 과제는, 단말이 공유기로 전송하는 탐색 요청 패킷에 머신 러닝 학습을 적용하여 사람수를 카운팅 하는데 있다.
본 발명의 일 과제는, 단말이 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 단말의 개수를 카운팅 하고 이를 사람의 수로 추정함으로써, 탐색 요청 패킷을 이용하여 사람수 카운팅이 불가능했던 종래 기술의 문제점을 최적의 프로세스 자원을 사용하면서 해결하는 것이다.
본 발명의 일 과제는, 단말이 공유기로 전송하는 탐색 요청 패킷에 인공지능 학습을 적용하여 사람수를 카운팅 함으로써, 탐색 요청 패킷을 이용하여 사람수 카운팅이 불가능했던 종래 기술의 문제점을 최적의 프로세스 자원을 사용하면서 해결하는 것이다.
본 발명의 일 과제는, 단말이 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 단말의 개수를 카운팅하고 이를 사람의 수로 추정하여 특정 지역의 유동인구 분석 및 인기도 정보 산출 시에 반영하는데 있다.
본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
본 발명의 일 실시 예에 따른 사람수 카운팅 방법은, 공유기(access point)의 존재를 확인하기 위해 탐색 요청(probe request) 패킷을 전송하는 사용자 단말기로부터 탐색 요청 패킷을 수집 및 분석하여 사람의 수를 추정하는 단계를 포함할 수 있다.
구체적으로 본 발명의 일 실시 예에 따른 사람수 카운팅 방법은, 제1 수집부에 의해, 공유기(access point)의 존재를 확인하기 위해 탐색 요청(probe request) 패킷을 전송하는 사용자 단말기로부터, 기설정된 시간 동안 탐색 요청 패킷을 수집하는 단계와, 측정부에 의해, 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하는 단계와, 추정부에 의해, 사용자 단말기로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정하는 단계를 포함할 수 있다.
또한, 밀도 데이터를 생성하는 단계는, 사용자 단말기의 개수에 따라 다르게 분포되는 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하는 단계를 포함할 수 있다.
또한, 밀도 데이터를 생성하는 단계는, 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 탐색 요청 패킷간 간격의 표준편차를 포함하는 밀도 데이터를 생성하는 단계를 포함할 수 있다.
또한, 밀도 데이터를 생성하는 단계는, 사용자 단말기의 개수에 비례하여 탐색 요청 패킷의 개수가 증가하는 밀도 데이터를 생성하는 단계를 포함할 수 있다.
또한, 밀도 데이터를 생성하는 단계는, 사용자 단말기의 개수에 비례하여 탐색 요청 패킷 사이의 간격이 좁아지는 밀도 데이터를 생성하는 단계를 포함할 수 있다.
또한, 밀도 데이터를 생성하는 단계는, 탐색 요청 패킷의 신호 세기 평균값과, 탐색 요청 패킷의 신호 세기 표준편차를 더 포함하는 밀도 데이터를 생성하는 단계를 포함할 수 있다.
또한, 본 실시 예에 따른 사람 카운팅 방법은, 제2 수집부에 의해, 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 탐색 요청 패킷을 수집한 날짜 정보와, 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 탐색 요청 패킷을 수집한 장소 정보 중 하나 이상을 수집하는 단계를 더 포함할 수 있다.
또한, 본 실시 예에 따른 사람 카운팅 방법은, 제공부에 의해, 제2 수집부가 수집한 적어도 어느 한 정보에 대응하여, 추정부가 추정한 사람수의 분포 상태 정보를 제공하는 단계를 더 포함할 수 있다.
또한, 제공하는 단계는, 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 제2 수집부가 수집한 적어도 어느 한 정보와, 추정부가 추정한 사람수의 분포 상태 정보를 표시하여 제공하는 단계를 포함할 수 있다.
또한, 사람의 수를 추정하는 단계는, 사람수 카운팅 학습 모델을 이용하여 수행되고, 사람수 카운팅 학습 모델은, 기설정된 시간 동안 수집한 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습시켜 생성될 수 있다.
본 발명의 일 실시 예에 따른 사람수 카운팅 장치는, 공유기(access point)의 존재를 확인하기 위해 탐색 요청(probe request) 패킷을 전송하는 사용자 단말기로부터, 기설정된 시간 동안 탐색 요청 패킷을 수집하는 제1 수집부와, 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하는 측정부와, 사용자 단말기로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정하는 추정부를 포함할 수 있다.
또한, 측정부는, 사용자 단말기의 개수에 따라 다르게 분포되는 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하도록 구성될 수 있다.
또한, 측정부는, 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 탐색 요청 패킷간 간격의 표준편차를 포함하는 밀도 데이터를 생성하도록 구성될 수 있다.
또한 측정부는, 사용자 단말기의 개수에 비례하여 탐색 요청 패킷의 개수가 증가하는 밀도 데이터를 생성하도록 구성될 수 있다.
또한, 측정부는, 사용자 단말기의 개수에 비례하여 탐색 요청 패킷 사이의 간격이 좁아지는 밀도 데이터를 생성하도록 구성될 수 있다.
또한, 측정부는, 탐색 요청 패킷의 신호 세기 평균값과, 탐색 요청 패킷의 신호 세기 표준편차를 더 포함하는 밀도 데이터를 생성하도록 구성될 수 있다.
또한, 본 실시 예에 따른 사람수 카운팅 장치는, 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 탐색 요청 패킷을 수집한 날짜 정보와, 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 탐색 요청 패킷을 수집한 장소 정보 중 하나 이상을 수집하는 제2 수집부를 더 포함할 수 있다.
또한, 본 실시 예에 따른 사람수 카운팅 장치는, 제2 수집부가 수집한 적어도 어느 한 정보에 대응하여, 추정부가 추정한 사람수의 분포 상태 정보를 제공하는 제공부를 더 포함할 수 있다.
또한, 제공부는, 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 제2 수집부가 수집한 적어도 어느 한 정보와, 추정부가 추정한 사람수의 분포 상태 정보를 표시하여 제공하도록 구성될 수 있다.
또한, 추정부에 의한 사람의 수 추정은 사람수 카운팅 학습 모델을 이용하여 수행되고, 사람수 카운팅 학습 모델은, 기설정된 시간 동안 수집한 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습시켜 생성되도록 구성될 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명에 의하면, 단말이 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 사람의 수를 정확하게 카운트할 수 있다.
또한, 단말이 공유기로 전송하는 탐색 요청 패킷에 인공지능 학습을 적용하여 사람수를 정확하게 카운팅할 수 있다.
본 발명의 일 과제는, 단말이 공유기로 전송하는 탐색 요청 패킷을 수집 및 분석하여 단말의 개수를 카운팅하고 이를 사람의 수로 추정하여 특정 지역의 유동인구 분석 및 인기도 정보 산출 시에 반영할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 사람수 카운팅 장치, 사용자 단말기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 사람수 카운팅 환경의 예시도 이다.
도 2는 본 발명의 일 실시 예에 따른 사람수 카운팅 장치의 탐색 요청 패킷의 수집 환경을 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 사람수 카운팅 장치 중심의 탐색 요청 패킷의 수집 상황을 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 사람수 카운팅 장치의 개략적인 블록도이다.
도 5는 도 4의 사람수 카운팅 장치 중 사람수 카운팅부의 개략적인 블록도이다.
도 6은 도 5의 사람수 카운팅부가 수집한 탐색 요청 패킷으로부터 밀도 데이터의 생성을 설명하기 위하여 도시한 도면이다.
도 7은 도 5의 사람수 카운팅부가 생성하는 트레이닝 데이터 셋을 설명하기 위하여 도시한 도면이다.
도 8은 본 발명의 일 실시 예에 따른 사람수 카운팅 장치가 제공하는 사람수 분포 상태정보를 도시한 도면이다.
도 9는 본 발명의 일 실시 예에 따른 사람수 카운팅 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 사람수 카운팅 장치, 사용자 단말기, 서버 및 이들을 서로 연결하는 네트워크를 포함하는 사람수 카운팅 환경의 예시도 이다.
도 1을 참조하면, 사람수 카운팅 환경(1)은 사람수 카운팅 장치(100), 사용자 단말기(200) 및 서버(300)가 네트워크(400)에 의해 서로 통신 연결되어 있는 상태가 묘사되어 있다. 사람수 카운팅 장치(100)는 통신부(도 4의 110)를 포함하고 있어서, 유선 또는 무선의 네트워크(400)를 통해 개인 통신 기기에 해당하는 사용자 단말기(200) 및 서버(300)와 데이터를 송신 및 수신할 수 있다. 또한 사람수 카운팅 장치(100), 사용자 단말기(200) 및 서버(300)는 5G 통신 환경에서 서로 연결될 수 있다.
사람수 카운팅 장치(100)는 사용자 단말기(200 또는 500)가 공유기(도 2의 600)의 존재를 확인하기 위해 전송하는 탐색 요청 패킷(probe request)을 수집 및 분석하여 사람수를 추정할 수 있다. 사람수 카운팅 장치(100)는 수집한 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성할 수 있다. 사람수 카운팅 장치(100)는 사용자 단말기 사용자 단말기(200 또는 500)로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정할 수 있다.
사용자 단말기(200)는 서버(300)를 통해 사람수 카운팅 장치(100)의 운전을 제어할 수 있다. 또한 사용자 단말기(200)는 사람수 카운팅 장치(100)로부터 음성 인식 장치(100)의 동작에 관한 각종 메시지를 수신할 수 있다. 이러한 메시지는 그 종류로서 사람수 카운팅 장치(100)의 사람수 카운팅의 시작 및/또는 종료를 알리는 알림 메시지, 사람수 카운팅 장치(100)의 이상 상황 발생을 알리는 경고 메시지 등을 포함할 수 있다.
사용자 단말기(200)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기를 포함할 수 있으며, 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 이러한 사용자 단말기(200)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 사람수 추정에 관한 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 단말기(200)에 설치된 애플리케이션 또는 웹 브라우저를 이용하여 사람수 카운팅 장치(100)를 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
서버(300)는 사람수 카운팅 장치(100)로부터 수신한 탐색 요청 패킷으로부터 밀도 데이터를 생성하고, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정한 후, 사람의 수 추정 결과를 사람수 카운팅 장치(100)로 전송할 수 있다.
사람수 카운팅 장치(100)의 프로세싱 능력에 따라, 상술한 밀도 데이터 생성 및 사람수 카운팅 학습 모델을 이용하여 사람수 추정 중 적어도 일부는 사람수 카운팅 장치(100)에 의해 수행될 수 있다.
네트워크(400)는 사람수 카운팅 장치(100) 및/또는 사용자 단말기(200) 및/또는 서버(300)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 사람수 카운팅 장치의 탐색 요청 패킷의 수집 환경을 도시한 도면이고, 도 3은 본 발명의 일 실시 예에 따른 사람수 카운팅 장치 중심의 탐색 요청 패킷의 수집 상황을 도시한 도면이다. 도 2 및 도 3을 참조하면, 사람수 카운팅 장치(100)는 복수의 사용자 단말기(500: 500_1 내지 500_N)가 공유기(600)로 전송하는 탐색 요청 패킷을 수집 및 분석하여 사람수를 추정할 수 있다. 본 실시 예에서 도 1에 도시된 사용자 단말기(200)는 사람수 카운팅 장치(100)에 사람수 카운팅 결과를 요청할 수 있는 단말기로서, 탐색 요청 패킷을 전송하는 사용자 단말기(500)에 포함될 수 있다. 또한 도 2에 도시된 사용자 단말기(500: 500_1 내지 500_N) 중 하나 이상은 사람수 카운팅 장치(100)에 사람수 카운팅 결과를 요청할 수 있는 단말기일 수도 있다.
사용자 단말기(500)는 주변의 공유기(600)를 검색하기 위해, 주기적으로 탐색 요청 패킷을 공유기(600)로 전송할 수 있다. 공유기(600)는 사용자 단말기(500)로부터 탐색 요청 패킷을 수신한 후, 이에 대한 응답으로 탐색 응답 패킷을 사용자 단말기(500)로 전송하여 공유기(600)의 존재를 알릴 수 있다.
여기서, 사용자 단말기(500)가 주변의 공유기(600)로 전송하는 탐색 요청 신호는, 에포크 시간(epoch time), TSF(time synchronization function) time, TSFT(transmitting service finish time) 플래그, 데이터 전송률(data rate), 채널 주파수(channel frequency), PHY(physical) 타입, SSI(signal strength indicator) 신호, 안테나(antenna), 수신자 어드레스(receiver address), 목적지 어드레스(destination address), 소스 어드레스(source address), 메시지 타입(message type), 지원 레이트(supported rate)를 포함할 수 있다.
이중 소스 어드레스(source address)는 사용자 단말기(500)를 구분할 수 있는 맥 어드레스로서, 예를 들어, 두 개의 탐색 요청 패킷에 포함된 소스 어드레스가 동일할 경우 동일한 사용자 단말기(500)로 구분할 수 있고, 두 개의 탐색 요청 패킷에 포함된 소스 어드레스가 다를 경우 서로 다른 사용자 단말기(500)로 구분할 수 있다. 그러나 현재 프라이버시 보호를 위해, 사용자 단말기(500)가 탐색 요청 패킷을 전송할 때마다, 소스 어드레스 값을 랜덤하게 변경해서 전송하는 방식을 이용함으로써, 사용자 단말기(500)를 구분할 수 없도록 하고 있다. 따라서 하나의 사용자 단말기(500)가 탐색 요청 패킷을 예를 들어, 10회 전송하는 경우, 소스 어드레스가 전부 다를 수 있기 때문에, 사람수 카운팅 장치(100)가 소스 어드레스로부터 사용자 단말기(500)를 구분하여 사람수를 추정하는 것이 어려울 수 있다. 이에 본 실시 예에서는 사용자 단말기(500)가 공유기(600)로 전송하는 탐색 요청 패킷을 수집하는 사람수 카운팅 장치(100)가 인공지능 학습을 수행하여 사람수를 카운팅 할 수 있도록 할 수 있다.
사람수 카운팅 장치(100)는 기설정된 시간 동안 사용자 단말기(500)들로부터 탐색 요청 패킷을 수집할 수 있다. 사람수 카운팅 장치(100)는 사용자 단말기(500)의 개수에 따라 다르게 분포하는 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성할 수 있다. 사람수 카운팅 장치(100)는 사용자 단말기(500)로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람 카운팅 학습 모델을 이용하여 사람의 수를 추정할 수 있다. 여기서, 사람수 카운팅 장치(100)는 사람의 수를 추정하기 위해 사람 카운팅 학습 모델을 이용하며, 사람 카운팅 학습 모델은, 기설정된 시간 동안 수집한 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 입력 받은 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습시켜 생성할 수 있다. 이러한 사람 카운팅 학습 모델은 저장 매체(도 4의 120)에 기저장되어 있거나, 서버(300)로부터 제공 받을 수 있거나, 새로이 생성될 수 있다.
본 실시 예에서 사용자 단말기(500)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기를 포함할 수 있으며, 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(500)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 이러한 사용자 단말기(500)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 사람수 카운팅 장치의 개략적인 블록도이다. 이하의 설명에서 도 1 내지 도 3에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 4를 참조하면, 사람수 카운팅 장치(100)는 통신부(110), 저장 매체(120), 프로그램 저장부(130), 데이터베이스(140), 사람수 카운팅부(150) 및 프로세서(160)를 포함할 수 있다.
통신부(110)는 후술하는 네트워크(400)와 연동하여 사용자 단말기(200,500)와의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(110)는 사용자 단말기(200,500)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고, 사람수 카운팅부(150)가 처리한 정보를 사용자 단말기(200,500)로 전송하는 역할을 수행할 수 있다. 또한 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
저장 매체(120)는 프로세서(160)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 저장 매체(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 저장 매체(120)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
프로그램 저장부(130)는 기설정된 시간 동안 사용자 단말기(200,500)들로부터 탐색 요청 패킷을 수집하는 작업, 수집한 탐색 요청 패킷의 밀도를 측정하여 밀도 데이트를 생성하는 작업, 사용자 단말기(200,500)로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람 카운팅 학습 모델을 이용하여 사람의 수를 추정하는 작업, 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 탐색 요청 패킷을 수집한 날짜 정보와, 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 탐색 요청 패킷을 수집한 장소 정보 중 하나 이상을 수집하는 작업, 사용자의 요청에 의해, 수집한 적어도 어느 한 정보에 대응하여, 추정한 사람 수의 분포 상태 정보를 제공하는 작업, 사용자의 요청에 의해, 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 수집한 적어도 어느 한 정보와, 추정한 사람 수의 분포 상태 정보를 출력하는 작업 등을 수행하는 제어 소프트웨어를 탑재하고 있다.
데이터베이스(140)는 사람수 카운팅 장치(100)가 수집하고, 가공하여 생성한 정보를 저장하는 관리 데이터베이스를 포함할 수 있다.
이로부터 관리 데이터베이스에는 탐색 요청 패킷, 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 탐색 요청 패킷간 간격의 표준편차, 탐색 요청 패킷의 신호 세기 평균값과, 탐색 요청 패킷의 신호 세기 표준편차, 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 탐색 요청 패킷을 수집한 날짜 정보와, 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 탐색 요청 패킷을 수집한 장소 정보, 탐색 요청 패킷으로부터 생성한 밀도 데이터에 사용자 단말기(200,500)들의 개수를 레이블로서 태깅하여 생성한 트레이닝 데이터 세트 등이 저장될 수 있다. 여기서, 관리 데이터베이스는 사람수 카운팅 장치(100)의 동작을 제어하기 위한 하나 이상의 설정 정보를 포함할 수 있고, 사람수 추정 정보 생성을 위한 인덱스 정보를 포함할 수 있다.
나아가, 데이터베이스(140)는 사람수 카운팅 결과를 요구하는 사용자와 관련한 기초 정보를 저장하는 유저 데이터베이스를 더 포함할 수 있다. 여기서, 사용자 관련한 기초 정보에는 객체의 이름, 소속, 인적 사항, 성별, 나이, 연락처, 이메일, 주소 등 객체에 대한 기본적인 정보와, 아이디(ID) (또는 이메일) 및 패스워드(password) 등 인증(로그인)에 대한 정보, 접속 국가, 접속 위치, 접속에 이용한 장치에 대한 정보, 접속된 네트워크 환경 등 접속과 관련된 정보 등을 포함할 수 있다.
사람수 카운팅부(150)는 기설정된 시간 동안 사용자 단말기(200,500)들로부터 탐색 요청 패킷을 수집할 수 있다. 사람수 카운팅부(150)는 사용자 단말기(200,500)의 개수에 따라 다르게 분포하는 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성할 수 있다. 사람수 카운팅부(150)는 사용자 단말기(200,500)로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람 카운팅 학습 모델을 이용하여 사람의 수를 추정할 수 있다. 여기서, 사람수 카운팅부(150)는 사람의 수를 추정하기 위해 사람 카운팅 학습 모델을 이용하며, 사람 카운팅 학습 모델은, 기설정된 시간 동안 수집한 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 입력 받은 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습시켜 생성할 수 있다.
본 실시 예에서 사람수 카운팅부(150)는 프로세서(160)와 연계하여 학습을 수행하거나, 프로세서(160)로부터 학습 결과를 수신할 수 있다. 본 실시 예에서 사람수 카운팅부(150)는 도 3에 도시된 바와 같이 프로세서(160) 외부에 구비될 수도 있고, 프로세서(160) 내부에 구비되어 프로세서(160)처럼 동작할 수도 있다. 이하 사람수 카운팅부(150)의 상세한 내용은 도 5를 참조하여 설명하기로 한다.
프로세서(160)는 일종의 중앙처리장치로서 프로그램 저장부(130)에 탑재된 제어 소프트웨어를 구동하여 사람수 카운팅 장치(100) 전체의 동작을 제어할 수 있다. 프로세서(160)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 실시 예에서 프로세서(160)는 인공지능 기술을 이용하여 사용자 단말기(200)로부터 수집한 탐색 요청 패킷을 이용하여 사람의 수를 카운팅할 수 있다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등을 대표적으로 포함할 수 있다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법을 포함할 수 있다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델을 포함할 수 있다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합할 수 있다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용할 수 있다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템을 포함할 수 있다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘을 포함할 수 있다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분될 수 있다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성될 수 있다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성될 수 있다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달할 수 있다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력할 수 있다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법을 포함할 수 있다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킬 수 있다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 할 수 있다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭할 수 있다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않을 수 있다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법을 포함할 수 있다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망을 포함할 수 있다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함할 수 있다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행될 수 있다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어갈 수 있다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행될 수 있다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현될 수 있다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론을 포함할 수 있다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출할 수 있다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함할 수 있다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함할 수 있다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법을 포함할 수 있다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘은 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등을 포함할 수 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법을 포함할 수 있다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭할 수 있다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법을 포함할 수 있다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법을 포함할 수 있다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징을 포함할 수 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요할 수 있다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정할 수 있다.
도 5는 도 4의 사람수 카운팅 장치 중 사람수 카운팅부의 개략적인 블록도이고, 도 6은 도 5의 사람수 카운팅부가 수집한 탐색 요청 패킷으로부터 밀도 데이터의 생성을 설명하기 위하여 도시한 도면이고, 도 7은 도 5의 사람수 카운팅부가 생성하는 트레이닝 데이터 셋을 설명하기 위하여 도시한 도면이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 5 내지 도 7을 참조하면, 사람수 카운팅부(150)는 제1 수집부(151), 측정부(152), 추정부(153), 학습부(154), 제2 수집부(155) 및 제공부(156)를 포함할 수 있다.
제1 수집부(151)는 기설정된 시간(예를 들어, 5분) 동안 복수의 사용자 단말기(200)로부터 탐색 요청 패킷을 수집할 수 있다.
측정부(152)는 제1 수집부(151)가 수집한 탐색 요청 패킷을 이용하여, 사용자 단말기(200)의 개수에 따라 다르게 분포하는 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성할 수 있다. 측정부(152)가 생성하는 밀도 데이터는 수집된 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 탐색 요청 패킷간 간격의 표준편차를 포함할 수 있다.
도 6은 사람수 카운팅부(150)에 포함되는 측정부(152)에 의한 탐색 요청 패킷으로부터 밀도 데이터의 생성을 설명하기 위한 도면으로, 도 6a는 한 대의 사용자 단말기(500)로부터 5분 동안 탐색 요청 패킷을 수집하여 생성한 밀도 데이터를 도시하고, 도 6b는 5분 동안 두 대의 사용자 단말기(500)로부터 탐색 요청 패킷을 수집하여 생성한 밀도 데이터를 도시하고, 도 6c는 5분 동안 다섯 대의 사용자 단말기(500)로부터 탐색 요청 패킷을 수집하여 생성한 밀도 데이터를 도시하고 있다.
도 6a를 참조하면, 한 대의 사용자 단말기(500)로부터 탐색 요청 패킷을 수집하여 생성한 밀도 데이터에는, 4개의 패킷(패킷 1 내지 패킷 4)이 존재하고, 4개의 패킷 간 간격이 30초, 20초 105초, 45초 100초로, 패킷간 간격의 평균이 60000msec이고, 패킷간 간격의 표준편차가 39843msec 임을 알 수 있다.
한편, 사용자 단말기(500)는 사용자가 구비하고 있으므로, 사용자 단말기(500)의 카운팅 개수(몇 대)와 사용자의 카운팅 결과(몇 명)는 동일하다고 할 수 있다. 도 6a 내지 도 6c로부터 사람이 많을수록 측정부(152)가 생성하는 밀도 데이터는 패킷의 수가 많아지고, 패킷간 간격이 좁아짐을 알 수 있다. 즉, 사용자 단말기(500)의 개수에 비례하여 탐색 요청 패킷의 개수가 증가하고, 사용자 단말기(500)의 개수에 비례하여 탐색 요청 패킷 사이의 간격이 좁아질 수 있다.
본 실시 예에서 밀도 데이터라 함은, 도 6a 내지 도 6c에 도시된 바와 같이 탐색 요청 패킷 내에 포함되는 패킷의 적고 많은 정도를 포함할 수 있다. 사용자 단말기(500)의 대수가 많아질수록 밀도 데이터가 점점 복잡해 지므로, 임의의 밀도 데이터가 생성되었을 때 몇 대의 사용자 단말기(500)가 존재하는지 학습하여 그 대수를 추정할 수 있다.
본 실시 예에서 측정부(152)가 생성하는 밀도 데이터에는 상술한 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 탐색 요청 패킷간 간격의 표준편차 이외에, 탐색 요청 패킷의 신호 세기 평균 및 표준 편차를 더 포함할 수 있다. 밀도 데이터에 탐색 요청 패킷의 신호 세기 평균 및 표준 편차가 더 추가되면 더욱 정확한 사람수 카운팅 결과를 생성할 수 있다.
추정부(153)는 사용자 단말기(500)로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정할 수 있다.
학습부(154)는 추정부(153)의 사람수 추정을 위한 사람수 카운팅 학습 모델을 생성할 수 있다. 학습부(154)는 기설정된 시간 동안 수집한 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습하여 사람수 카운팅 학습 모델을 생성할 수 있다. 여기서 사람수 카운팅 학습 모델은 머신 러닝 기법을 이용한 RF(random forest), SVM(support vector machine), 심층 신경망을 이용하여 생성될 수 있다.
도 7은 사람수 카운팅부(150)에 포함되는 측정부(152)가 생성한 밀도 데이터를 이용하여 생성한 트레이닝 데이터 셋을 도시하고 있다. 도 7로부터 710은 패킷간 간격 평균(msec)을 나타내고, 720은 패킷간 간격의 표준편차(msec)를 나타내고, 730은 패킷의 수를 나타내고, 740은 사용자 단말기(500)의 개수를 나타낼 수 있다.
본 실시 예에서 추정부(153)가 추정한 사람의 수 추정 결과는 사람수 카운팅 결과와 동일할 수 있고, 사람수 카운팅 결과는 저장 매체(120) 또는 데이터베이스(140)에 저장될 수 있다.
제2 수집부(155)는 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 탐색 요청 패킷을 수집한 날짜 정보와, 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 탐색 요청 패킷을 수집한 장소 정보와, 탐색 요청 패킷을 수집한 장소를 포함하는 지도 정보 중 하나 이상을 수집할 수 있다.
제공부(156)는 사용자 단말기(200)를 구비한 사용자의 요청에 의해, 제2 수집부(155)가 수집한 적어도 어느 한 정보에 대응하여, 추정부(153)가 추정한 사람수의 분포 상태 정보를 사용자 단말기(200)로 제공할 수 있다.
여기서, 제공부(156)는 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 제2 수집부(155)가 수집한 적어도 어느 한 정보와, 추정부(153)가 추정한 사람수의 분포 상태 정보를 표시하여 제공할 수 있다. 제공부(156)가 사용자 단말기(200)에 제공하는 정보의 형태는, 이미지, 도표, 그래프, 이들의 조합 등 다양할 수 있다. 사람수 카운팅 결과를 수신한 사용자 단말기(200)는 특정 지역의 유동인구 분석 및 인기도 정보 산출 시에 반영할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 사람수 카운팅 장치가 제공하는 사람수 분포 상태정보를 도시한 도면으로, 사용자 단말기(200)의 요청에 의해 제공부(156)가 사용자 단말기(200)에 제공하기 위해 생성한 정보로서, 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 제2 수집부(155)가 수집한 적어도 어느 한 정보(예를 들어 시간 간격 정보)와, 추정부(153)가 추정한 사람수 카운팅 결과를 도시하고 있다.
본 실시 예에서 사용자 단말기(200)는 사람수 카운팅 장치(100)를 포함할 수 있다. 사용자 단말기(200) 내에 대화 사람수 카운팅 장치(100)가 포함되도록 하는 방법은 다양하다. 구체적인 실시 예로서, 통신망을 통하여 사용자 단말기(200) 내에 사람수 카운팅 장치(100)를 설치할 수 있고, 예를 들면 사람수 카운팅 장치(100)를 하나의 어플리케이션(예를 들어, 사람수 카운팅 어플리케이션) 형태로 사용자 단말기(200)에 설치할 수 있다. 또 다른 구체적인 실시 예로서 사용자 단말기(200)에 오프라인을 통하여 사람수 카운팅 장치(100)가 설치될 수도 있다. 그러나 이는 예시적인 형태로서 본 발명은 이에 한정되지 않고, 사람수 카운팅 장치(100)가 사용자 단말기(200) 내에 다양한 형태로 설치될 수 있는 경우를 포함할 수 있다.
본 실시 예에서, 사람수 카운팅 장치(100)를 포함하는 사용자 단말기(200)는 사람수 카운팅 어플리케이션을 실행하고, 자신과 다른 사용자 단말기(이하, 사용자 단말기(200)라 표기함)가 공유기로 전송하는 탐색 요청 패킷을 기설정된 시간 동안 수집할 수 있다. 사용자 단말기(200)는 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하며, 밀도 데이터에 사용자 단말기(200)의 개수를 매핑한 트레이닝 데이터 셋을 생성할 수 있다. 사용자 단말기(200)는 트레이닝 데이터 셋을 입력으로 사용자 단말기 카운팅 알고리즘을 학습시켜 사람수 카운팅 알고리즘을 생성하고, 이후 사용자 단말기(200)로부터 탐색 요청 패킷을 수집하여 밀도 데이터를 생성하면, 사람수 카운팅 알고리즘을 실행하여 사용자 단말기(200)를 구비하는 사람의 수를 추정할 수 있다.
선택적 실시 예로, 사람수 카운팅 장치(100)의 일부(100A)는 사용자 단말기(200) 내에 포함될 수 있고, 다른 일부(100B)는 네트워크(400)를 통하여 사용자 단말기(200)와 연결될 수 있다.
예를 들면, 도 1 내지 도 5에 도시된 대화 내용에 대한 사람수 카운팅 장치(100)의 부재들 중 제1 수집부(151), 측정부(152), 제2 수집부(155) 및 제공부(156)를 포함하는 일부(100A)는 사용자 단말기(200) 내에 포함될 수 있다. 사람수 카운팅 장치(100)의 일부(100A)가 사용자 단말기(200) 내에 포함되도록 하는 방법은 상술한 설명과 같으므로 구체적인 설명은 생략한다. 또한 도 1 내지 도 5에 도시된 사람수 카운팅 장치(100)의 부재들 중 추정부(153) 및 학습부(154)를 포함하는 다른 일부(100B)는 네트워크(400)를 통하여 사용자 단말기(200)와 연결될 수 있다.
본 실시 예에서는 사람수 카운팅 장치(100)의 부재들 중 추정부(153) 및 학습부(154)가 일부(100B)로써 사용자 단말기(200)와 네트워크(400)로 연결된 경우를 설명하였으나, 이는 하나의 실시 예로서 본 발명은 이에 한정되지 아니한다. 즉 사람수 카운팅 장치(100)에 포함된 복수개의 부재들 중 적어도 어느 하나가 선택적으로 네트워크(400)에 의하여 사용자 단말기(200)와 연결될 수 있다.
도 9는 본 발명의 일 실시 예에 따른 사람수 카운팅 방법의 동작 방법을 설명하기 위한 흐름도이다. 이하의 설명에서 도 1 내지 도 8에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 9를 참조하면, S910단계에서, 사람수 카운팅 장치(100)는 사용자 단말기(200,500)로부터 주변의 공유기 검색을 위해 주기적으로 전송하는 탐색 요청 패킷을 수집한다.
S920단계에서, 사람수 카운팅 장치(100)는 수집한 탐색 요청 패킷을 이용하여, 사용자 단말기(200)의 개수에 따라 다르게 분포하는 탐색 요청 패킷의 밀도를 측정하고, 밀도 데이터(수집된 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 탐색 요청 패킷간 간격의 표준편차, 탐색 요청 패킷의 신호 세기 평균 및 표준 편차)를 생성한다.
S930단계에서, 사람수 카운팅 장치(100)는 사용자 단말기(200,500)로부터 탐색 요청 패킷을 수집하여 생성된 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정할 수 있다.
여기서, 사람수 카운팅 학습 모델은, 기설정된 시간 동안 수집한 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습시켜 생성할 수 있다.
선택적 실시 예로 사람수 카운팅 장치(100) 는 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 탐색 요청 패킷을 수집한 날짜 정보와, 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 탐색 요청 패킷을 수집한 장소 정보와, 탐색 요청 패킷을 수집한 장소를 포함하는 지도 정보 중 하나 이상을 수집할 수 있다. 사람수 카운팅 장치(100)는 사용자 단말기(200)를 구비한 사용자의 요청에 의해, 가 수집한 적어도 어느 한 정보에 대응하여, 추정부(153)가 추정한 사람수의 분포 상태(사람수 카운팅 결과) 정보를 사용자 단말기(200)로 제공할 수 있는데, 구체적으로, 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 수집한 적어도 어느 한 정보와, 추정한 사람수의 분포 상태(사람수 카운팅 결과) 정보를 표시하여 제공할 수 있다. 사람수 카운팅 결과를 수신한 사용자 단말기(200)는 특정 지역의 유동인구 분석 및 인기도 정보 산출 시에 반영할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 사람수 카운팅 장치
200: 사용자 단말기
300: 공유기
400: 네트워크

Claims (20)

  1. 사람수를 카운팅하는 방법으로서,
    제1 수집부에 의해, 공유기(access point)의 존재를 확인하기 위해 탐색 요청(probe request) 패킷을 전송하는 사용자 단말기로부터, 기설정된 시간 동안 상기 탐색 요청 패킷을 수집하는 단계;
    측정부에 의해, 상기 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하는 단계; 및
    추정부에 의해, 상기 사용자 단말기로부터 상기 탐색 요청 패킷을 수집하여 생성된 상기 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정하는 단계를 포함하는,
    사람수 카운팅 방법.
  2. 제 1 항에 있어서,
    상기 밀도 데이터를 생성하는 단계는,
    상기 사용자 단말기의 개수에 따라 다르게 분포되는 상기 탐색 요청 패킷의 밀도를 측정하고 상기 밀도 데이터를 생성하는 단계를 포함하는,
    사람수 카운팅 방법.
  3. 제 1 항에 있어서,
    상기 밀도 데이터를 생성하는 단계는,
    상기 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 상기 탐색 요청 패킷간 간격의 표준편차를 포함하는 상기 밀도 데이터를 생성하는 단계를 포함하는,
    사람수 카운팅 방법.
  4. 제 3 항에 있어서,
    상기 밀도 데이터를 생성하는 단계는,
    상기 사용자 단말기의 개수에 비례하여 상기 탐색 요청 패킷의 개수가 증가하는 상기 밀도 데이터를 생성하는 단계를 포함하는,
    사람수 카운팅 방법.
  5. 제 3 항에 있어서,
    상기 밀도 데이터를 생성하는 단계는,
    상기 사용자 단말기의 개수에 비례하여 상기 탐색 요청 패킷 사이의 간격이 좁아지는 상기 밀도 데이터를 생성하는 단계를 포함하는,
    사람수 카운팅 방법.
  6. 제 3 항에 있어서,
    상기 밀도 데이터를 생성하는 단계는,
    상기 탐색 요청 패킷의 신호 세기 평균값과, 상기 탐색 요청 패킷의 신호 세기 표준편차를 더 포함하는 상기 밀도 데이터를 생성하는 단계를 포함하는,
    사람수 카운팅 방법.
  7. 제 1 항에 있어서,
    제2 수집부에 의해, 상기 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 상기 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 상기 탐색 요청 패킷을 수집한 날짜 정보와, 상기 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 상기 탐색 요청 패킷을 수집한 장소 정보 중 하나 이상을 수집하는 단계를 더 포함하는,
    사람수 카운팅 방법.
  8. 제 7 항에 있어서,
    제공부에 의해, 상기 제2 수집부가 수집한 적어도 어느 한 정보에 대응하여, 상기 추정부가 추정한 사람수의 분포 상태 정보를 제공하는 단계를 더 포함하는,
    사람수 카운팅 방법.
  9. 제 8 항에 있어서,
    상기 제공하는 단계는,
    상기 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 상기 제2 수집부가 수집한 적어도 어느 한 정보와, 상기 추정부가 추정한 사람수의 분포 상태 정보를 표시하여 제공하는 단계를 포함하는,
    사람수 카운팅 방법.
  10. 제 1 항에 있어서,
    상기 사람의 수를 추정하는 단계는,
    상기 사람수 카운팅 학습 모델을 이용하여 수행되고,
    상기 사람수 카운팅 학습 모델은,
    기설정된 시간 동안 수집한 상기 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 상기 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습시켜 생성되는,
    사람수 카운팅 방법.
  11. 사람수를 카운팅하는 장치로서,
    공유기(access point)의 존재를 확인하기 위해 탐색 요청(probe request) 패킷을 전송하는 사용자 단말기로부터, 기설정된 시간 동안 상기 탐색 요청 패킷을 수집하는 제1 수집부;
    상기 탐색 요청 패킷의 밀도를 측정하고 밀도 데이터를 생성하는 측정부; 및
    상기 사용자 단말기로부터 상기 탐색 요청 패킷을 수집하여 생성된 상기 밀도 데이터를 기반으로, 탐색 요청 패킷의 밀도에 따라 사람을 카운팅하도록 미리 훈련된 사람수 카운팅 학습 모델을 이용하여 사람의 수를 추정하는 추정부를 포함하는,
    사람수 카운팅 장치.
  12. 제 11 항에 있어서,
    상기 측정부는,
    상기 사용자 단말기의 개수에 따라 다르게 분포되는 상기 탐색 요청 패킷의 밀도를 측정하고 상기 밀도 데이터를 생성하도록 구성되는,
    사람수 카운팅 장치.
  13. 제 11 항에 있어서,
    상기 측정부는,
    상기 탐색 요청 패킷의 개수와, 탐색 요청 패킷간 간격의 평균과, 상기 탐색 요청 패킷간 간격의 표준편차를 포함하는 상기 밀도 데이터를 생성하도록 구성되는,
    사람수 카운팅 장치.
  14. 제 13 항에 있어서,
    상기 측정부는,
    상기 사용자 단말기의 개수에 비례하여 상기 탐색 요청 패킷의 개수가 증가하는 상기 밀도 데이터를 생성하도록 구성되는,
    사람수 카운팅 장치.
  15. 제 13 항에 있어서,
    상기 측정부는,
    상기 사용자 단말기의 개수에 비례하여 상기 탐색 요청 패킷 사이의 간격이 좁아지는 상기 밀도 데이터를 생성하도록 구성되는,
    사람수 카운팅 장치.
  16. 제 13 항에 있어서,
    상기 측정부는,
    상기 탐색 요청 패킷의 신호 세기 평균값과, 상기 탐색 요청 패킷의 신호 세기 표준편차를 더 포함하는 상기 밀도 데이터를 생성하도록 구성되는,
    사람수 카운팅 장치.
  17. 제 1 항에 있어서,
    상기 탐색 요청 패킷의 수집을 개시한 개시 시간 정보와, 상기 탐색 요청 패킷의 수집을 종료한 종료 시간 정보와, 상기 탐색 요청 패킷을 수집한 날짜 정보와, 상기 탐색 요청 패킷을 수집한 날짜의 날씨 정보와, 상기 탐색 요청 패킷을 수집한 장소 정보 중 하나 이상을 수집하는 제2 수집부를 더 포함하는,
    사람수 카운팅 장치.
  18. 제 17 항에 있어서,
    상기 제2 수집부가 수집한 적어도 어느 한 정보에 대응하여, 상기 추정부가 추정한 사람수의 분포 상태 정보를 제공하는 제공부를 더 포함하는,
    사람수 카운팅 장치.
  19. 제 18 항에 있어서,
    상기 제공부는,
    상기 탐색 요청 패킷을 수집한 장소 정보를 포함하는 지도 상에, 상기 제2 수집부가 수집한 적어도 어느 한 정보와, 상기 추정부가 추정한 사람수의 분포 상태 정보를 표시하여 제공하도록 구성되는,
    사람수 카운팅 장치.
  20. 제 11 항에 있어서,
    상기 추정부에 의한 상기 사람의 수 추정은 상기 사람수 카운팅 학습 모델을 이용하여 수행되고,
    상기 사람수 카운팅 학습 모델은,
    기설정된 시간 동안 수집한 상기 탐색 요청 패킷으로부터 생성한 밀도 데이터에, 사용자 단말기들의 개수를 레이블로서 태깅하여 트레이닝 데이터 세트를 생성하고, 상기 트레이닝 데이터 세트를 이용하여 심층 신경망 모델을 학습시켜 생성되도록 구성되는,
    사람수 카운팅 장치.
KR1020190095518A 2019-08-06 2019-08-06 사람수 카운팅 장치 및 사람수 카운팅 방법 KR20190099155A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190095518A KR20190099155A (ko) 2019-08-06 2019-08-06 사람수 카운팅 장치 및 사람수 카운팅 방법
US16/688,497 US11363479B2 (en) 2019-08-06 2019-11-19 Method and device for people counting

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190095518A KR20190099155A (ko) 2019-08-06 2019-08-06 사람수 카운팅 장치 및 사람수 카운팅 방법

Publications (1)

Publication Number Publication Date
KR20190099155A true KR20190099155A (ko) 2019-08-26

Family

ID=67807988

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190095518A KR20190099155A (ko) 2019-08-06 2019-08-06 사람수 카운팅 장치 및 사람수 카운팅 방법

Country Status (2)

Country Link
US (1) US11363479B2 (ko)
KR (1) KR20190099155A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112760831A (zh) * 2020-12-30 2021-05-07 西安标准工业股份有限公司 一种基于缝纫设备的智能计件方法及系统
KR102386435B1 (ko) 2020-11-12 2022-04-15 주식회사 랩피스 모바일 디바이스 카운팅 시스템 및 방법
KR20220068363A (ko) * 2020-11-19 2022-05-26 (주)성진하이텍 스마트 사생활 보호 기능을 갖는 휴대용 단말기 및 이의 사생활 보호 방법
CN115937791A (zh) * 2023-01-10 2023-04-07 华南农业大学 一种适用于多种养殖模式的家禽计数方法及其计数装置
KR20230056617A (ko) * 2021-10-20 2023-04-27 주식회사 에세텔 WiFi 채널 추정 정보 기반 실내 사람 탐지 시스템 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11353230B1 (en) * 2020-12-31 2022-06-07 Lennox Industries Inc. Occupancy tracking using wireless signal distortion
CN114581946B (zh) * 2022-02-25 2023-06-13 江西师范大学 人群计数方法、装置、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101480348B1 (ko) 2013-05-31 2015-01-09 삼성에스디에스 주식회사 사람 검출 장치 및 방법과 사람 계수 장치 및 방법
KR20150053158A (ko) 2013-11-07 2015-05-15 삼성테크윈 주식회사 사람들을 계수하는 방법 및 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241895B (zh) * 2018-08-28 2021-06-04 北京航空航天大学 密集人群计数方法及装置
US20200286391A1 (en) * 2019-03-08 2020-09-10 Here Global B.V. Method and apparatus for computing a three-dimensional route based on risk-related data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101480348B1 (ko) 2013-05-31 2015-01-09 삼성에스디에스 주식회사 사람 검출 장치 및 방법과 사람 계수 장치 및 방법
KR20150053158A (ko) 2013-11-07 2015-05-15 삼성테크윈 주식회사 사람들을 계수하는 방법 및 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102386435B1 (ko) 2020-11-12 2022-04-15 주식회사 랩피스 모바일 디바이스 카운팅 시스템 및 방법
KR20220068363A (ko) * 2020-11-19 2022-05-26 (주)성진하이텍 스마트 사생활 보호 기능을 갖는 휴대용 단말기 및 이의 사생활 보호 방법
CN112760831A (zh) * 2020-12-30 2021-05-07 西安标准工业股份有限公司 一种基于缝纫设备的智能计件方法及系统
KR20230056617A (ko) * 2021-10-20 2023-04-27 주식회사 에세텔 WiFi 채널 추정 정보 기반 실내 사람 탐지 시스템 및 방법
CN115937791A (zh) * 2023-01-10 2023-04-07 华南农业大学 一种适用于多种养殖模式的家禽计数方法及其计数装置

Also Published As

Publication number Publication date
US20200092742A1 (en) 2020-03-19
US11363479B2 (en) 2022-06-14

Similar Documents

Publication Publication Date Title
KR20190099155A (ko) 사람수 카운팅 장치 및 사람수 카운팅 방법
Messaoud et al. A survey on machine learning in Internet of Things: Algorithms, strategies, and applications
US20210064882A1 (en) Method for searching video and equipment with video search function
KR20190119548A (ko) 이미지 노이즈 처리방법 및 처리장치
Nguyen et al. Transfer learning for future wireless networks: A comprehensive survey
Bedogni et al. Context‐aware Android applications through transportation mode detection techniques
Anagnostopoulos et al. Predicting the location of mobile users: a machine learning approach
US11164565B2 (en) Unsupervised learning system and method for performing weighting for improvement in speech recognition performance and recording medium for performing the method
KR20190109337A (ko) 증강현실 기반의 기기 제어 장치 및 그 방법
Nguyen et al. Transfer learning for wireless networks: A comprehensive survey
Mohammadi et al. Path planning in support of smart mobility applications using generative adversarial networks
US20210092219A1 (en) Apparatus and control method for recommending do-not-disturb mode based on context-awareness
Wu et al. EdgeLSTM: Towards deep and sequential edge computing for IoT applications
Rolim et al. Situation awareness and computational intelligence in opportunistic networks to support the data transmission of urban sensing applications
EP4156631A1 (en) Reinforcement learning (rl) and graph neural network (gnn)-based resource management for wireless access networks
Wang et al. Attentional Markov model for human mobility prediction
KR20200080418A (ko) 단말기 및 그의 동작 방법
Meddeb et al. A Deep Learning based Intrusion Detection Approach for MANET
Cárdenas et al. GraTree: A gradient boosting decision tree based multimetric routing protocol for vehicular ad hoc networks
US20230262489A1 (en) Apparatuses and methods for collaborative learning
US20210103811A1 (en) Apparatus and method for suggesting action item based on speech
Saffar et al. Mobile user environment detection using deep learning based multi-output classification
Lima et al. Cognitive smart cities and deep learning: A classification framework
De Vita et al. A deep learning approach for indoor user localization in smart environments
Chow et al. FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments

Legal Events

Date Code Title Description
A201 Request for examination