KR20200052460A - 이미지 기반 정보 예측 시스템 및 그 방법 - Google Patents

이미지 기반 정보 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR20200052460A
KR20200052460A KR1020180132054A KR20180132054A KR20200052460A KR 20200052460 A KR20200052460 A KR 20200052460A KR 1020180132054 A KR1020180132054 A KR 1020180132054A KR 20180132054 A KR20180132054 A KR 20180132054A KR 20200052460 A KR20200052460 A KR 20200052460A
Authority
KR
South Korea
Prior art keywords
information
image
statistical information
imaged
statistical
Prior art date
Application number
KR1020180132054A
Other languages
English (en)
Other versions
KR102166547B1 (ko
Inventor
최원익
이충헌
Original Assignee
한국전력공사
인하대학교 산학협력단
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 한국전력공사, 인하대학교 산학협력단 filed Critical 한국전력공사
Priority to KR1020180132054A priority Critical patent/KR102166547B1/ko
Publication of KR20200052460A publication Critical patent/KR20200052460A/ko
Application granted granted Critical
Publication of KR102166547B1 publication Critical patent/KR102166547B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

이미지 기반 정보 예측 시스템 및 그 방법이 개시된다. 본 발명의 일실시예에 따른 정보 예측 방법은 통계 정보를 이미지로 변환하는 단계; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 및 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 단계를 포함할 수 있다.

Description

이미지 기반 정보 예측 시스템 및 그 방법{SYSTEM AND METHOD FOR PREDICTING INFORMATION BASED ON IMAGES}
본 발명은 통계 정보를 이용하여 미래의 목표 정보를 예측하는 장치 및 방법에 관한 것이다.
예측하고자 하는 정보가 일정한 패턴으로 변화하거나, 조건에 따라 변화하는 경우, 과거에 측정된 통계 정보를 이용하여 미래의 정보를 예측하는 예측 기술이 개발되고 있다.
종래의 정보 예측 기술은 통계 정보에 포함된 정보들을 각각 분석하여 미래의 정보를 예측하고 있으므로, 다양한 통계 정보를 통합하여 분석하기 어렵다는 한계가 있었다.
따라서, 통계 정보를 통합하여 분석함으로써, 미래의 정보를 예측하는 방법이 요청되고 있다.
본 발명은 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측하는 장치 및 방법을 제공할 수 있다.
또한, 본 발명은 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측하는 장치 및 방법을 제공할 수 있다.
본 발명의 일실시예에 따른 정보 예측 방법은 통계 정보를 이미지로 변환하는 단계; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 및 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 예측 방법의 통계 정보는, 과거에 측정된 과거의 목표 정보, 상기 과거의 목표 정보를 측정한 시간 정보, 및 상기 과거의 목표 정보와 관련된 관련 정보 중 적어도 하나를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 예측 방법의 이미지로 변환하는 단계는, 상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하는 단계; 및 상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 예측 방법의 목표 정보는, 전력 수요량, 주가, 유가, 기온 중 적어도 하나를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 예측 방법의 목표 정보를 예측하는 단계는, 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하는 단계; 및 미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 예측 방법의 학습된 딥러닝 알고리즘은, 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하며, 상기 목표 정보를 예측하는 단계는, 상기 학습된 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측할 수 있다.
본 발명의 일실시예에 따른 정보 학습 방법은 통계 정보를 이미지로 변환하는 단계; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 단계; 및 상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 학습 방법의 분류 기준을 학습하는 단계는, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하는 단계; 및 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 예측 장치는 통계 정보를 이미지로 변환하는 이미지 변환부; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부; 및 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 정보 예측부를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 예측 장치의 정보 예측부는, 인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하고, 미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측할 수 있다.
본 발명의 일실시예에 따른 정보 예측 장치의 이미지 변환부는, 상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하고, 상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.
본 발명의 일실시예에 따른 정보 예측 장치는 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부를 더 포함하고, 상기 정보 예측부는, 상기 학습된 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측할 수 있다.
본 발명의 일실시예에 따른 정보 학습 장치는 통계 정보를 이미지로 변환하는 이미지 변환부; 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부; 딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부; 및 상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 정보 학습부를 포함할 수 있다.
본 발명의 일실시예에 따른 정보 학습 장치의 정보 학습부는, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하고, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경할 수 있다.
본 발명의 일실시예에 의하면, 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측할 수 있다.
또한, 본 발명의 일실시예에 의하면, 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수도 있다.
도 1은 본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템을 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 과정을 나타내는 도면이다.
도 3은 본 발명의 일실시예에 따라 이미지화 된 통계 정보의 일례이다.
도 4는 본 발명의 일실시예에 따라 통계 정보를 이미지화 하는 과정이다.
도 5는 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 구조이다.
도 6은 본 발명의 일실시예에 따른 정보 예측 장치의 동작을 나타내는 도면이다.
도 7은 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 동작 일례이다.
도 8은 본 발명의 일실시예에 따른 이미지 기반 정보 학습 방법을 도시한 플로우차트이다.
도 9는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 방법을 도시한 플로우차트이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명의 일실시예에 따른 이미지 기반 정보 예측 방법은 이미지 기반 정보 예측 시스템에 의해 수행될 수 있다.
도 1은 본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템을 나타내는 도면이다.
이미지 기반 정보 예측 시스템은 도 1에 도시된 바와 같이 정보 학습 장치(110)와 정보 예측 장치(120)로 구성될 수 있다.
정보 학습 장치(110)는 이미지 변환부(111), 패턴 인식부(112), 및 정보 학습부(114)를 포함할 수 있다. 또한, 정보 예측 장치(120)는 이미지 변환부(121), 패턴 인식부(122), 및 정보 예측부(124)를 포함할 수 있다. 그리고, 이미지 변환부(111), 패턴 인식부(112), 정보 분류부(113), 정보 학습부(114), 이미지 변환부(121), 패턴 인식부(122), 정보 분류부(123), 및 정보 예측부(124)는 서로 다른 프로세스, 또는 하나의 프로세스에서 수행되는 프로그램에 포함된 각각의 모듈일 수 있다.
정보 학습 장치(110)는 통계 정보들을 이용하여 정보 예측 장치(120)에서 미래의 목표 정보를 예측하기 위하여 사용하는 딥러닝 알고리즘을 학습할 수 있다. 이때, 목표 정보는 일정 패턴, 또는 관련 정보의 변화에 따라 일정한 규칙으로 변화하는 정보일 수 있다. 예를 들어, 목표 정보는, 전력 수요량, 주가, 유가, 기온 중 적어도 하나를 포함할 수 있다.
이미지 변환부(111)는 통계 정보를 이미지로 변환할 수 있다. 이때, 통계 정보는 과거에 측정된 과거의 목표 정보, 과거의 목표 정보를 측정한 시간 정보, 및 과거의 목표 정보와 관련된 관련 정보 중 적어도 하나를 포함하는 다차원 정보일 수 있다.
예를 들어, 목표 정보가 최대 전력 수요인 경우, 과거의 목표 정보는 예측 시점을 기준으로 과거에 측정된 최대 전력 수요들의 값이고, 시간 정보는 과거에 측정된 최대 전력 수요들의 값들이 각각 측정된 시간일 수 있다. 또한, 관련 정보는 기온, 경제지수, 습도와 같이 최대 전력 수요의 증가 및 감소에 영향을 줄 수 있는 정보일 수 있다. 예를 들어, 기온, 및 습도가 증가하면 거주 환경의 쾌적한 온도 및 습도를 유지하기 위하여 에어컨 사용량이 증가하므로, 최대 전력 수요도 증가할 수 있다. 또한, 경제 지수가 감소하면, 전기료 인상이 부담되는 가정에서 에어컨 사용량이 감소하므로, 최대 전력 수요도 감소할 수 있다.
구체적으로, 이미지 변환부(111)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(111)는 변환된 픽셀 라인들을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.
패턴 인식부(112)는 이미지 변환부(111)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다. 예를 들어, 이미지 분석 알고리즘은 CNN(convolutional neural network) 알고리즘일 수 있다.
정보 학습부(114)는 통계 정보의 패턴과 이미지화 된 통계 정보에 대응하는 목표 정보를 이용하여 지정된 미래의 목표 정보를 포함하는 이미지를 생성하도록 딥 러닝 알고리즘을 학습할 수 있다.
예를 들어, 정보 학습부(114)는 2017년의 통계 정보를 이미지화 하여 인식한 패턴과 2018년 상반기의 통계 정보를 이미지화 하여 인식한 패턴을 비교하여 2018년 하반기의 목표 정보가 포함된 이미지를 생성하도록 딥 러닝 알고리즘을 학습할 수 있다.
또한, 정보 학습 장치(110)는 정보 분류부(113)를 더 포함할 수 있다. 이때, 이미지 변환부(111)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(111)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(111)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.
그리고, 정보 분류부(113)는 패턴 인식부(112)에서 인식된 통계 정보의 패턴들을 딥러닝 알고리즘을 이용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다. 이때, 정보 분류부(113)는 기간 별로 기준값을 설정할 수 있다.
또한, 정보 분류부(113)는 학습을 반복하는 과정에서 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과의 일치 비율에 따라 기준값을 변경할 수 있다. 예를 들어, 기준값을 초과하는 이미지로 분류된 결과의 일치 비율이 기준값 이하의 이미지로 분류된 결과의 일치 비율보다 적다는 것은 통계 정보에 대응하는 패턴들이 목표 정보 보다 낮은 값을 가지는 이미지로 분류되는 경우가 많다는 것을 의미할 수 있다. 따라서, 정보 분류부(113)는 기준값을 증가시킴으로써, 통계 정보에 대응하는 패턴들이 목표 정보 보다 낮은 값을 가지는 것으로 분류되는 것을 최소화할 수 있다.
또한, 기준값을 초과하는 이미지로 분류된 결과의 일치 비율이 기준값 이하의 이미지로 분류된 결과의 일치 비율보다 크다는 것은 통계 정보에 대응하는 패턴들이 목표 정보 보다 높은 값을 가지는 이미지로 분류되는 경우가 많다는 것을 의미할 수 있다. 따라서, 정보 분류부(113)는 기준값을 감소시킴으로써, 통계 정보에 대응하는 패턴들이 목표 정보 보다 높은 값을 가지는 것으로 분류되는 것을 최소화할 수 있다.
그리고, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수에 따라 기준값을 변경할 수 있다. 예를 들어, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수가 동일해지도록 가장 높은 값과 가장 낮은 값부터 순차적으로 분류할 수 있다. 그리고, 기준값을 초과하는 이미지로 분류된 이미지와 기준값 이하의 이미지로 분류된 이미지가 인접하는 경우, 정보 분류부(113)는 인접한 이미지들 사이의 값을 기준값으로 결정할 수도 있다.
정보 학습부(114)는 정보 분류부(110)의 분류 결과에 따라 이미지화 된 통계 정보에 포함될 추정값을 변경하여 통계 정보의 패턴들의 분류 기준을 학습할 수 있다.
이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 정보 학습부(114)는 이미지 변환부(111)에서 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다. 예를 들어, 목표 정보가 기준값을 초과하고, 패턴들이 기준값을 초과하는 이미지로 분류된 경우, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다. 또한, 목표 정보가 기준값 이하이고, 패턴들이 기준값 이하의 이미지로 분류된 경우, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다.
또한, 이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 정보 학습부(114)는 이미지 변환부(111)에서 이미지화 된 통계 정보에 포함될 추정값을 변경할 수 있다. 예를 들어, 목표 정보가 기준값을 초과하지만, 패턴들이 기준값 이하의 이미지로 분류된 경우, 이미지화 된 통계 정보의 패턴들이 목표 정보보다 낮게 생성되었으므로, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 증가시킴으로써, 이미지화 된 통계 정보의 패턴들이 목표 정보에 대응되도록 학습할 수 있다.
또한, 목표 정보가 기준값 이하이고, 패턴들이 기준값을 초과하는 이미지로 분류된 경우, 이미지화 된 통계 정보의 패턴들이 목표 정보보다 높게 생성되었으므로, 정보 학습부(114)는 이미지화 된 통계 정보에 포함될 추정값을 감소시킴으로써, 이미지화 된 통계 정보의 패턴들이 목표 정보에 대응되도록 학습할 수 있다.
정보 예측 장치(120)는 통계 정보를 이미지화하고, 정보 학습 장치(110)가 학습한 딥러닝 알고리즘에 이지화 된 통계 정보를 적용하여 미래의 목표 정보를 예측할 수 있다.
이미지 변환부(121)는 입력받은 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(121)는 변환된 픽셀 라인들을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.
패턴 인식부(122)는 이미지 변환부(121)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다. 예를 들어, 이미지 분석 알고리즘은 CNN(convolutional neural network) 알고리즘일 수 있다.
정보 예측부(124)는 통계 정보의 패턴을 정보 학습 장치(110)에서 학습된 GAN(Generative Adversarial Network)와 같은 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성할 수 있다. 그리고, 이미지 변환부(121)는 정보 예측부(124)가 생성한 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 복원함으로써, 미래의 특정 기간에 대응하는 목표 정보를 예측할 수 있다. 이때, 정보 예측부(124)는 일기 예보와 같은 수단을 이용하여 미래의 관계 정보를 고정함으로써, 미래의 특정 기간에 대응하는 이미지의 정확도를 높일 수 있다.
또한, 정보 예측 장치(120)는 정보 분류부(123)를 더 포함할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(121)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(121)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.
그리고, 정보 분류부(123)는 정보 학습 장치(110)에서 이미지화 된 통계 정보를 이용하여 학습된 딥러닝 알고리즘에 패턴 인식부(122)에서 인식된 통계 정보의 패턴들을 적용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다.
또한, 정보 예측부(124)는 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 구체적으로, 정보 예측부(124)는 기준값을 초과하는 이미지로 분류된 이미지와 인접한 기준값 이하의 이미지로 분류된 이미지를 검색할 수 있다. 이때, 검색한 이미지와 인접한 이미지 사이의 값은 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값일 수 있다. 따라서, 정보 예측부(124)는 검색한 이미지와 인접한 이미지 사이의 값을 미래의 목표 정보로 예측할 수 있다.
본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템은 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측할 수 있다.
또한, 본 발명의 일실시예에 따른 이미지 기반 정보 예측 시스템은 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수도 있다.
도 2는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 과정을 나타내는 도면이다.
단계(210)에서 이미지 변환부(121)는 원시 데이터를 예측 대상 이미지로 변환할 수 있다. 이때, 원시 데이터는 이미지 변환부(121)가 입력받는 정보이며, 변환과 같은 가공이 수행되지 않은 상태의 통계 정보일 수 있다. 또한, 예측 대상 이미지는 이미지화 된 통계 정보일 수 있다.
단계(220)에서 정보 학습 장치(110)는 학습된 딥 러닝 알고리즘을 패턴 인식부(122), 또는 정보 분류부(123)로 전송할 수 있다. 이때, 정보 학습 장치(110)가 전송하는 딥 러닝 알고리즘은 도 2에 도시된 바와 같이 과거의 원시 데이터(통계 정보)를 이용하여 통계 정보의 패턴들이 기준값을 초과하는지 여부에 따라 '크다'와 '작다'로 분류하는 분류 기준이 학습된 상태일 수 있다.
단계(230)에서 패턴 인식부(122), 및 정보 분류부(123)는 딥러닝 알고리즘 관련 변수와 예측 대상 이미지를 단계(220)에서 수신한 딥러닝 알고리즘에 적용하여 예측 대상 이미지를 '크다'와 '작다'로 분류할 수 있다.
단계(240)에서 정보 예측부(124)는 예측 대상 이미지를 '크다' 또는 '작다'로 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 예를 들어, 도 2에서 '크다'로 분류된 예측 대상 이미지는 최대 전력 수요가 86800MW 이상인 예측 대상 이미지들이고, '작다'로 분류된 예측 대상 이미지들은 최대 전력 수요가 86700MW 이하인 예측 대상 이미지들일 수 있다.
즉, 도 2에서 예측 대상 이미지를 '크다' 또는 '작다'로 분류하는 기준값은 86700MW 내지 86800MW일 수 있다. 그리고, 정보 예측부(124)는 86700MW 내지 86800MW 사이의 값을 미래의 목표 정보로 예측할 수 있다.
도 3은 본 발명의 일실시예에 따라 이미지화 된 통계 정보의 일례이다.
이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보를 측정한 시간 정보에 따라 이미지화 된 통계 정보에서 과거의 목표 정보에 대응하는 픽셀의 위치를 결정할 수 있다. 구체적으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 시간의 경과에 따라 좌측에서 우측, 혹은 상단에서 하단으로 하나씩 이동한 위치의 픽셀을 해당 시간에 대응하는 픽셀의 위치로 결정할 수 있다. 예를 들어, 이미지 변환부(111) 또는 이미지 변환부(121)는 시간(00:05)에 대응하는 픽셀의 위치를 (1,0)로 결정하고, 시간(00:10)에 대응하는 픽셀의 위치를 (2,0)로 결정하는 과정을 반목하여 시간(01:00)에 대응하는 픽셀의 위치를 (7,0)로 결정할 수 있다.
다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 결정된 위치의 픽셀의 밝기를 과거의 목표 정보에 따라 결정할 수 있다. 이때, 픽셀이 표현 가능한 밝기의 범위는 0~255이므로, 목표 정보의 최대값이 255인 경우, 목표 정보와 밝기가 일대일로 매칭되지 않을 수 있다.
따라서, 이미지 변환부(111) 또는 이미지 변환부(121)는 목표 정보의 최소값 내지 최대값 사이의 구간을 255개로 분류하고, 목표 정보의 값에 대응하는 구간에 따라 픽셀의 밝기를 결정할 수 있다. 예를 들어, 목표 정보가 최대 전력 수요이고, 최소값은 0KW, 최대값 10000KW일 수 있다. 이때, 목표 정보의 값이 5000KW 인 경우, 이미지 변환부(111) 또는 이미지 변환부(121)는 픽셀의 밝기를 128로 결정할 수 있다. 또한, 목표 정보의 값이 10000KW인 경우, 이미지 변환부(111) 또는 이미지 변환부(121)는 픽셀의 밝기를 255로 결정할 수 있다.
그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 밝기와 위치가 결정된 픽셀들을 연결하여 이미지에서 과거의 목표 정보를 나타내는 픽셀 라인(330)을 생성할 수 있다.
또한, 이미지 변환부(111) 또는 이미지 변환부(121)는 기온, 경제지수, 습도와 같은 관련 정보는 과거의 목표 정보를 나타내는 픽셀과 다른 좌표에 표시할 수 있다. 이때, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보와 관련 정보의 시간을 동기화할 수 있다. 그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 동기화된 시간에 따라 관련 정보를 표시하는 픽셀의 위치 및 밝기를 결정할 수 있다. 그 다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 위치 및 밝기가 결정된 픽셀들을 연결하여 이미지에서 관련 정보를 표시하는 픽셀 라인(320)을 생성할 수 있다.
그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보와 관련 정보의 시간을 나타내는 픽셀들을 연결하여 시간 정보를 표시하는 픽셀 라인(310)을 생성할 수 있다.
구체적으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보에 대응하는 시간(00년 00월00일)과 관련 정보에 대응하는 시간(00년 00월00일)을 동기화하여 동일한 시간 구간 동안 측정된 과거의 목표 정보에 대응하는 픽셀 및 관련 정보에 대응하는 픽셀이 픽셀 라인(330)과 픽셀 라인(320)에서 상하로 인접하도록 배치할 수 있다.
그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 과거의 목표 정보, 또는 관련 정보가 측정된 시간 구간에 따라 밝기가 결정된 픽셀을 과거의 목표 정보에 대응하는 픽셀 및 관련 정보에 대응하는 픽셀과 결합함으로써, 과거의 목표 정보에 대응하는 픽셀 및 관련 정보에 대응하는 픽셀이 측정된 시간을 표시할 수 있다.
정리하면, 도 3에서 픽셀 라인(330)과 픽셀 라인(320)는 통계 정보의 값을 밝기로 변환하여 표시한 이미지이고, 픽셀 라인(310)은 픽셀 라인(330)과 픽셀 라인(320)에 포함된 통계 정보의 시간을 밝기로 변환하여 표시한 이미지일 수 있다.
그리고, 이미지 변환부(111) 또는 이미지 변환부(121)는 임의로 설정한 추정값(340)을 추가함으로써, 다양한 값을 가지는 이미지화 된 통계 정보가 딥 러닝 알고리즘에 입력되도록 할 수 있다.
도 4는 본 발명의 일실시예에 따라 통계 정보를 이미지화 하는 과정이다.
이미지 변환부(111) 또는 이미지 변환부(121)는 변환과 같은 가공이 수행되지 않은 상태의 통계 정보인 원시 데이터(410)를 입력받을 수 있다.
다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 원시 데이터(410)에 포함된 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지(420)를 생성할 수 있다.
그 다음으로, 이미지 변환부(111) 또는 이미지 변환부(121)는 임의로 설정한 추정값(340)를 원시 이미지(420)에 결합하여 이미지화 된 통계 정보(430)를 생성할 수 있다.
도 5는 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 구조이다.
본 발명의 일실시예에 따른 딥 러닝 알고리즘은 도 5에 도시된 바와 같이 CNN(Convolutional Neural Network)(510)과 DNN(Deep Neural Network)(520)로 구성될 수 있다. 예를 들어, CNN(510)은 Relu함수이고, DNN(520)은 Softmax함수일 수 있다.
이때, CNN(510)은 분류 대상 이미지인 이미지화 된 통계 정보(501)를 분석하여 통계 정보의 패턴(502)을 인식할 수 있다. 다음으로, DNN(520)은 통계 정보의 패턴(502)에 따라 이미지화 된 통계 정보(501)를 기준값을 초과하는 이미지(503)와 기준값 이하의 이미지(504)로 분류할 수 있다.
도 6은 본 발명의 일실시예에 따른 정보 예측 장치의 동작을 나타내는 도면이다.
단계(610)에서 이미지 변환부(121)는 입력받은 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하여 이미지화 된 통계 정보를 생성할 수 있다.
단계(620)에서 패턴 인식부(122)는 이미지 변환부(121)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다.
단계(630)에서 정보 분류부(123)는 정보 학습 장치(110)에서 학습된 딥러닝 알고리즘(600)에 패턴 인식부(122)에서 인식된 통계 정보의 패턴들을 적용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다.
단계(640)에서 정보 예측부(124)는 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 구체적으로, 정보 예측부(124)는 기준값을 초과하는 이미지로 분류된 이미지와 인접한 기준값 이하의 이미지로 분류된 이미지를 검색할 수 있다. 이때, 검색한 이미지와 인접한 이미지 사이의 값은 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값일 수 있다. 따라서, 정보 예측부(124)는 검색한 이미지와 인접한 이미지 사이의 값을 미래의 목표 정보로 예측할 수 있다.
도 7은 본 발명의 일실시예에 따른 딥 러닝 알고리즘의 동작 일례이다.
단계(710)에서 정보 학습 장치(110)에 포함된 딥 러닝 알고리즘은 도 7에 도시된 바와 같이 2006년의 통계 정보, 2007년의 통계 정보 내지 2016년의 통계 정보들을 각각 기준값을 초과하는 이미지 '크다'와 기준값 이하의 이미지 '작다'로 분류(711,712,713)할 수 있다.
이때, 도 7에 도시된 바와 같이 2006년의 통계 정보의 기준값은 58994MW, 2007년의 통계 정보의 기준값은 62285MW, 2016년의 통계 정보의 기준값은 85297MW로 매년 변경될 수 있다. 그리고, 딥 러닝 알고리즘(710)는 매년 변경되는 기준값들에 따라 통계 정보들을 각각 기준값을 초과하는 이미지 '크다'와 기준값 이하의 이미지 '작다'로 분류하는 기준(714)를 학습할 수 있다.
그리고, 정보 학습 장치(110)는 학습 결과를 정보 예측 장치(120)의 딥 러닝 알고리즘(723)으로 전달할 수 있다.
단계(720)에서 정보 예측 장치(120)는 2017년의 통계 정보(721)를 입력 받아 이미지로 변환할 수 있다. 다음으로, 정보 예측 장치(120)는 이미지화 한 통계 정보(722)를 학습 결과가 적용된 딥 러닝 알고리즘(723)에 입력하여 기준값을 초과하는 이미지(724)와 기준값 이하의 이미지(725) 중 하나로 분류할 수 있다.
그리고, 정보 예측 장치(120)는 기준값을 초과하는 이미지(724)와 기준값 이하의 이미지(725)의 경계값인 기준값을 목표 정보로 예측할 수 있다.
도 8은 본 발명의 일실시예에 따른 이미지 기반 정보 학습 방법을 도시한 플로우차트이다.
단계(810)에서 이미지 변환부(111)는 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(111)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(111)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(111)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.
단계(820)에서 패턴 인식부(112)는 단계(810)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다.
단계(830)에서 정보 분류부(113)는 단계(820)에서 인식된 통계 정보의 패턴들을 딥러닝 알고리즘을 이용하여 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다. 이때, 정보 분류부(113)는 또한, 정보 분류부(113)는 학습을 반복하는 과정에서 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과의 일치 비율에 따라 기준값을 변경할 수 있다. 또한, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수에 따라 기준값을 변경할 수 있다. 예를 들어, 정보 분류부(113)는 기준값을 초과하는 이미지의 개수와 기준값 이하의 이미지의 개수가 동일해지도록 가장 높은 값과 가장 낮은 값부터 순차적으로 분류할 수 있다. 그리고, 기준값을 초과하는 이미지로 분류된 이미지와 기준값 이하의 이미지로 분류된 이미지가 인접하는 경우, 정보 분류부(113)는 인접한 이미지들 사이의 값을 기준값으로 결정할 수도 있다.
단계(840)에서 정보 학습부(114)는 단계(830)의 분류 결과에 따라 이미지화 된 통계 정보에 포함될 추정값을 변경하여 통계 정보의 패턴들의 분류 기준을 학습할 수 있다. 이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 정보 학습부(114)는 단계(810)에서 이미지화 된 통계 정보에 포함될 추정값을 유지할 수 있다. 또한, 이미지화 된 통계 정보에 대응하는 목표 정보와 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 정보 학습부(114)는 단계(810)에서 이미지화 된 통계 정보에 포함될 추정값을 변경할 수 있다.
도 9는 본 발명의 일실시예에 따른 이미지 기반 정보 예측 방법을 도시한 플로우차트이다.
단계(910)에서 이미지 변환부(121)는 입력받은 통계 정보를 이미지로 변환할 수 있다. 이때, 이미지 변환부(121)는 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환할 수 있다. 다음으로, 이미지 변환부(121)는 변환된 픽셀 라인들을 결합하여 원시 이미지를 생성할 수 있다. 그 다음으로, 이미지 변환부(121)는 원시 이미지와 무작위로 설정된 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성할 수 있다.
단계(920)에서 패턴 인식부(122)는 단계(920)에서 이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식할 수 있다.
단계(930)에서 정보 분류부(123)는 정보 학습 장치(110)에서 학습된 딥러닝 알고리즘에 단계(920)에서 인식된 통계 정보의 패턴들을 적용하여 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류할 수 있다.
단계(940)에서 정보 예측부(124)는 단계(930)의 분류 결과에 따라 목표 정보를 예측할 수 있다. 이때, 정보 예측부(124)는 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수 있다. 구체적으로, 정보 예측부(124)는 기준값을 초과하는 이미지로 분류된 이미지와 인접한 기준값 이하의 이미지로 분류된 이미지를 검색할 수 있다. 이때, 검색한 이미지와 인접한 이미지 사이의 값은 학습된 딥러닝 알고리즘이 이미지화 된 통계 정보를 분류하는 기준값일 수 있다. 따라서, 정보 예측부(124)는 검색한 이미지와 인접한 이미지 사이의 값을 미래의 목표 정보로 예측할 수 있다.
본 발명은 다양한 정보로 구성된 통계 정보를 이미지로 변환하여 분석함으로써, 이미지 분석 알고리즘으로 다차원 통계 정보의 패턴을 인식하여 목표 정보를 예측할 수 있다.
또한, 본 발명은 이미지화 한 통계 정보를 두가지 카테고리로 분류하여 딥러닝 알고리즘을 학습하고, 학습된 딥러닝 알고리즘을 이용하여 분류한 통계 정보를 분류하는 기준값을 미래의 목표 정보로 예측할 수도 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
110: 정보 학습 장치
120: 정보 예측 장치

Claims (14)

  1. 통계 정보를 이미지로 변환하는 단계;
    이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계; 및
    인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 단계
    를 포함하는 정보 예측 방법.
  2. 제1항에 있어서,
    상기 통계 정보는,
    과거에 측정된 과거의 목표 정보, 상기 과거의 목표 정보를 측정한 시간 정보, 및 상기 과거의 목표 정보와 관련된 관련 정보 중 적어도 하나를 포함하는 정보 예측 방법.
  3. 제2항에 있어서,
    상기 이미지로 변환하는 단계는,
    상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하는 단계; 및
    상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성하는 단계
    를 포함하는 정보 예측 방법.
  4. 제1항에 있어서,
    상기 목표 정보는,
    전력 수요량, 주가, 유가, 기온 중 적어도 하나를 포함하는 정보 예측 방법.
  5. 제1항에 있어서,
    상기 목표 정보를 예측하는 단계는,
    인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하는 단계; 및
    미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측하는 단계
    를 포함하는 정보 예측 방법.
  6. 제1항에 있어서,
    상기 학습된 딥러닝 알고리즘은,
    상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하며,
    상기 목표 정보를 예측하는 단계는,
    상기 학습된 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측하는 정보 예측 방법.
  7. 통계 정보를 이미지로 변환하는 단계;
    이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 단계;
    딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 단계; 및
    상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 단계
    를 포함하는 정보 학습 방법.
  8. 제7항에 있어서,
    상기 분류 기준을 학습하는 단계는,
    상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하는 단계; 및
    상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하는 단계
    를 포함하는 정보 학습 방법.
  9. 통계 정보를 이미지로 변환하는 이미지 변환부;
    이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부; 및
    인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 목표 정보를 예측하는 정보 예측부
    를 포함하는 정보 예측 장치.
  10. 제9항에 있어서,
    상기 정보 예측부는,
    인식한 패턴을 딥러닝 알고리즘에 입력하여 미래의 특정 기간에 대응하는 이미지를 생성하고, 미래의 특정 기간에 대응하는 이미지를 역변환하여 미래의 특정 기간에 대응하는 목표 정보를 예측하는 정보 예측 장치.
  11. 제9항에 있어서,
    상기 이미지 변환부는,
    상기 과거의 목표 정보, 시간 정보, 및 관련 정보를 각각 이미지의 픽셀 라인들로 변환하고, 픽셀 라인들을 결합하여 원시 이미지를 생성하고, 상기 원시 이미지와 무작위로 설정된 상기 목표 정보의 추정값을 결합하여 이미지화 된 통계 정보를 생성하는 정보 예측 장치.
  12. 제11항에 있어서,
    상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부를 더 포함하고,
    상기 정보 예측부는,
    상기 학습된 딥러닝 알고리즘이 상기 이미지화 된 통계 정보를 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 기준점을 상기 목표 정보로 예측하는 정보 예측 장치.
  13. 통계 정보를 이미지로 변환하는 이미지 변환부;
    이미지화 된 통계 정보에 이미지 분석 알고리즘을 적용하여 통계 정보의 패턴을 인식하는 패턴 인식부;
    딥러닝 알고리즘을 이용하여 상기 통계 정보의 패턴들을 기준값을 초과하는 이미지와 기준값 이하의 이미지로 분류하는 정보 분류부; 및
    상기 분류 결과에 따라 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하여 상기 통계 정보의 패턴들의 분류 기준을 학습하는 정보 학습부
    를 포함하는 정보 학습 장치.
  14. 제13항에 있어서,
    상기 정보 학습부는,
    상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 대응하는 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 유지하고, 상기 이미지화 된 통계 정보에 대응하는 목표 정보와 상기 이미지화 된 통계 정보에 대응하는 패턴들이 분류된 결과가 서로 다른 경우, 상기 이미지화 된 통계 정보에 포함될 추정값을 변경하는 정보 학습 장치.
KR1020180132054A 2018-10-31 2018-10-31 이미지 기반 정보 예측 시스템 및 그 방법 KR102166547B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180132054A KR102166547B1 (ko) 2018-10-31 2018-10-31 이미지 기반 정보 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180132054A KR102166547B1 (ko) 2018-10-31 2018-10-31 이미지 기반 정보 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20200052460A true KR20200052460A (ko) 2020-05-15
KR102166547B1 KR102166547B1 (ko) 2020-10-16

Family

ID=70678689

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180132054A KR102166547B1 (ko) 2018-10-31 2018-10-31 이미지 기반 정보 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102166547B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022025413A1 (ko) * 2020-07-29 2022-02-03 삼성전자 주식회사 전자 장치 및 전자 장치의 인공 지능 학습 모델의 훈련 데이터 생성 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102602448B1 (ko) 2022-09-21 2023-11-14 백승훈 Cnn과 annoy 딥러닝 분석 기술을 활용한 미래 수요 예측 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101738373B1 (ko) * 2016-06-15 2017-06-08 주식회사 두리 빅데이터 기반의 보험계약 패턴분석을 통한 직관형 특약보험 비교정보 생성 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101738373B1 (ko) * 2016-06-15 2017-06-08 주식회사 두리 빅데이터 기반의 보험계약 패턴분석을 통한 직관형 특약보험 비교정보 생성 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022025413A1 (ko) * 2020-07-29 2022-02-03 삼성전자 주식회사 전자 장치 및 전자 장치의 인공 지능 학습 모델의 훈련 데이터 생성 방법

Also Published As

Publication number Publication date
KR102166547B1 (ko) 2020-10-16

Similar Documents

Publication Publication Date Title
CN110929622A (zh) 视频分类方法、模型训练方法、装置、设备及存储介质
US20160189048A1 (en) Data analysis system and method
JP2008146353A (ja) 観測対象の異常を検出する技術
CN113283282B (zh) 一种基于时域语义特征的弱监督时序动作检测方法
WO2019167784A1 (ja) 位置特定装置、位置特定方法及びコンピュータプログラム
Wang et al. Video object matching across multiple non-overlapping camera views based on multi-feature fusion and incremental learning
JP2018529157A (ja) ドメイン適応を用いたパターン認識装置、方法およびプログラム
KR101979375B1 (ko) 감시 영상의 객체 행동 예측 방법
KR102166547B1 (ko) 이미지 기반 정보 예측 시스템 및 그 방법
CN114503131A (zh) 检索装置、检索方法、检索程序和学习模型检索系统
CN111368911A (zh) 一种图像分类方法、装置和计算机可读存储介质
CN111639591B (zh) 轨迹预测模型生成方法、装置、可读存储介质及电子设备
CN114429675A (zh) 动作识别方法、模型训练方法、装置及电子设备
Bose et al. In-situ recognition of hand gesture via Enhanced Xception based single-stage deep convolutional neural network
CN115587335A (zh) 异常值检测模型的训练方法、异常值检测方法及系统
CN117392604A (zh) 物联网实时信息监控管理系统及方法
KR102110375B1 (ko) 학습 전이 기반의 비디오 감시 방법
Putro et al. An efficient face detector on a cpu using dual-camera sensors for intelligent surveillance systems
CN116894210B (zh) 包含力传感器的电子设备及数据处理方法
CN117058595B (zh) 视频语义特征和可扩展粒度感知时序动作检测方法及装置
CN117033956A (zh) 基于数据驱动的数据处理方法、系统、电子设备及介质
Putro et al. A faster real-time face detector support smart digital advertising on low-cost computing device
CN115761576A (zh) 视频动作识别方法、装置及存储介质
Katoch et al. Fast non-linear methods for dynamic texture prediction
Raja et al. An GMM Method in IoT Approach to Improve Energy Efficiency in Smart Building

Legal Events

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