KR20200063338A

KR20200063338A - 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법

Info

Publication number: KR20200063338A
Application number: KR1020180144957A
Authority: KR
Inventors: 김도현
Original assignee: 제주대학교 산학협력단
Priority date: 2018-11-22
Filing date: 2018-11-22
Publication date: 2020-06-05
Also published as: KR102225370B1; WO2020105812A1

Abstract

본 발명은 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법에 관한 것이다. 본 예측 시스템은, 예측 파라미터를 입력받아 미래 데이터를 생성하는 예측 알고리즘 모듈과, 이전 데이터와 현재 데이터를 입력받아 학습하여 예측 파라미터를 개선하여 상기 예측 알고리즘 모듈에 입력하는 학습 모듈을 포함하여, 향상된 예측 알고리즘을 실현한다. 상기 예측 알고리즘 모듈은, 특정 환경의 센서 감지값과 센서 에러값을 입력받아 처리하여 특정 환경 예측값을 출력하는 칼만 필터를 포함하고, 상기 학습 모듈은, 적어도 하나의 특정 환경의 센서 감지값과 상기 특정 환경 예측값을 입력받아 그 차이값에 의해 학습하여 학습된 센서 에러값을 형성하여 상기 칼만 필터에 입력한다. 이러한 구성에 의하여, 학습 모듈로 센서 에러값을 학습하여 예측 알고리즘 모듈 중의 하나인 칼만 필터에 입력하면 칼만 필터는 학습된 센서 에러값에 의해 온도를 보다 정확히 예측하게 되고, 그에 따라, 칼만 필터가 예측한 예측 온도를 이용하여 실내 환경을 보다 효율적으로 제어할 수 있게 된다.

Description

학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법{PREDICTION SYSTEM BASED ON PARAMETER IMPROVEMENT THROUGH LEARNING AND METHOD THEREOF}

본 발명은 예측 시스템에 관한 것으로서, 보다 상세하게는 학습을 통한 예측 시스템 성능을 향상시키기 위해, 이전과 현재 데이터를 이용하여 학습 알고리즘 기반의 예측 파라미터를 학습하여 예측 파라미터를 개선하고, 이를 이용하여 데이터를 예측하는, 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법에 관한 것이다.

종래에는, 실내 환경 파라미터의 예측에 기반한 최적화 기법은 센서로부터 실내 환경 파라미터를 예측하기 위해 다양한 예측 알고리즘이 있으며, 대표적으로 칼만 필터를 사용하였다.

이들 예측 알고리즘은 핵심 파라미터를 포함하고 있으며, 일반적으로 다양한 애플리케이션에서 사용되어 노이즈가 심한 조건에서 시스템 상태를 정확하게 추정한다.

한편, 대개 센서에서 읽은 데이터는 정확성에 영향을 줄 뿐만 아니라 데이터 스파이크를 발생시키는 노이즈를 가진다. 예를 들어 칼만 필터는 이전 상태(즉, 모든 기록 데이터를 보관할 필요는 없음)를 사용하여 시스템 실제 상태를 지능적으로 추측할 수 있다. 이 추측은, 칼만의 이득(흔히 'K'로 표시)에 의해 수행되며, 이 이득은 시스템의 실제 상태를 정확하게 추정하기 위해 센서 판독 또는 시스템 자체 예측에 더 많은 선호도를 부여할지를 정의한다.

그런데, 실내 환경 제어 시스템에서는, 실내 환경의 센서값을 입력받아 실내 환경의 센서값을 학습하여 학습된 센서값에 따라 실내 환경의 구동기(액추에이터)를 제어하였을 뿐이며, 실내 환경 제어 시스템에서 칼만 필터를 학습하는 기술은 개발되어 있지 않다.

따라서, 본 발명은 상기한 문제점을 해결하기 위해 창안된 것으로, 이전과 현재 데이터를 학습 알고리즘에 입력하여 개선된 예측 파라미터를 도출하고, 이를 예측 알고리즘에 입력함으로써, 향상된 데이터 예측 성능 결과를 제공하는 것이다. 이전 데이터와 현재 데이터를 학습 알고리즘에 입력하여 개선된 예측 파라미터를 도출하고, 예를 들어 대표적인 예측 알고리즘인 칼만 필터가 개선된 파라미터를 이용하게 함으로써 향상된 칼만 필터 알고리즘을 실현하는 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법을 제공하는 것이다.

상기의 목적을 달성하기 위한 본 발명의 제1양태에 따른 구성은, 학습을 통한 파라미터 개선 기반의 예측 시스템에 관한 것으로서, 예측 파라미터를 입력받아 미래 데이터를 생성하는 예측 알고리즘 모듈과, 이전 데이터와 현재 데이터를 입력받아 학습하여 예측 파라미터를 개선하여 상기 예측 알고리즘 모듈에 입력하는 학습 모듈을 포함하여, 향상된 예측 알고리즘을 실현하는 것을 특징으로 한다.

상기 예측 알고리즘 모듈은, 특정 환경의 센서 감지값과 센서 에러값을 입력받아 처리하여 특정 환경 예측값을 출력하는 칼만 필터를 포함하고, 상기 학습 모듈은, 적어도 하나의 특정 환경의 센서 감지값과 상기 특정 환경 예측값을 입력받아 그 차이값에 의해 학습하여 학습된 센서 에러값을 형성하여 상기 칼만 필터에 입력하는 것을 특징으로 한다.

여기서, 상기 학습 모듈은 신경망과, 상기 신경망에서 출력되는 학습된 센서 에러값과 미리 설정되는 에러 인자를 이용하여 상기 센서 에러값을 계산하는 센서 에러 계산부를 포함하는 것이 바람직하다.

상기 신경망의 입력층에는 온도센서의 감지값, 습도센서의 감지값, 상기 칼만 필터에서 출력되는 예측 온도값이 입력되고, 상기 칼만 필터는, 상태변이 메트릭스와 제어 메트릭스를 이용하여 예측 온도를 계산하는 예측 온도 계산부, 특정 환경의 센서값 독출부, 상기 학습 모듈에서 학습된 센서 에러값 독출부, 공분산 값을 계산하고 갱신하여 출력하는 공분산 값 계산 및 갱신부, 상기 학습된 센서 에러값과 상기 공분산 값을 입력받아 계산하여 칼만이득을 출력하는 칼만이득 계산부, 상기 센서값 독출부의 센서값과 상기 예측온도 계산부로부터의 예측 온도 및 상기 칼만이득에 의해 온도를 추정하여 예측 온도를 출력하는 실제 온도 추정부를 포함하는 것이 바람직하다.

여기서, 상기 예측 온도 계산부가 예측 온도를 계산하는 식은

이고, 상기 공분산 계산 및 갱신부가 상기 공분산값(P_t)을 계산하는 식은

이고 상기 갱신된 공분산값(P_predicted)을 계산하는 식은

이며, 상기 칼만이득 계산부가 칼만이득을 계산하는 식은

이고, 상기 실제 온도 추정부가 실제온도를 추정하는 식은,

인 것이 바람직하다.

여기서, A: 상태 전환 매트릭스이고, A^T : 상태 전환 매트릭스의 전치이고, B : 제어 매트릭스 이고, T_t-1 : 이전에 계산된 온도이고, u_t: 제어 벡터이고, T_t : 현재의 센서 온도이고, I : 식별 메트릭스로서, 매트릭스 곱을 용이하게 하는데 사용되고, H : 관측 메트릭스이고, z_t : 센서 입력값(판독값)이고, K : 칼만 게인 이다.

상기의 목적을 달성하기 위한 본 발명의 제2양태에 따른 구성은, 학습을 통한 파라미터 개선 기반의 예측 방법에 있어서, 예측 알고리즘 모듈이 예측 파라미터를 입력받아 미래 데이터를 생성하는 제1단계와, 학습 모듈이 이전 데이터와 현재 데이터를 입력받아 학습하여 예측 파라미터를 개선하여 상기 예측 알고리즘 모듈에 입력하는 제2단계를 포함하는 것을 특징으로 한다.

여기서, 상기 예측 알고리즘 모듈은, 특정 환경의 센서 감지값과 센서 에러값을 입력받아 처리하여 특정 환경 예측값을 출력하는 칼만 필터를 포함하고, 상기 제2단계는, 상기 학습 모듈이, 적어도 하나의 특정 환경의 센서 감지값과 상기 특정 환경 예측값을 입력받아 그 차이값에 의해 학습하여 학습된 센서 에러값을 형성하여 상기 칼만 필터에 입력하는 단계를 포함하는 것을 특징으로 하는 것이 바람직하다.

상기의 구성으로 이루어진 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법에 따르면, 학습 모듈로 센서 에러값을 학습하여 예측 알고리즘 모듈의 일예인 칼만 필터에 입력하면 학습된 센서 에러값을 입력받은 칼만 필터가 온도를 정확히 예측하게 되고, 그에 따라, 예측 시스템의 칼만 필터가 예측한 예측 온도를 이용하여 실내 환경을 보다 효율적으로 제어할 수 있게 된다.

도 1은 본 발명에 따른 학습을 통한 파라미터 개선 기반의 예측 시스템의 개념도,
도 2는 본 발명에 따라, 학습 기반 칼만 필터를 갖는 학습을 통한 파라미터 개선 기반의 예측 시스템의 구성도이고,
도 3은 도 2의 칼만 필터와 학습 모듈의 상세 블록도,
도 4는 다양한 센서 에러값에 따른 종래의 칼만 필터의 온도 예측 결과 그래프,
도 5는 다양한 에러 인자값에 따라 학습된 칼만 필터의 온도 예측 결과 그래프,
도 6은 본 발명에 따른 학습 기반 칼만 필터에서 센서 에러 학습 결과 인터페이스 화면,
도 7은 본 발명에 따른 학습 기반 칼만 필터의 예측 결과 인터페이스 화면,
도 8은 본 발명에 따른 상이한 센서 에러값을 갖는 학습 기반 칼만 필터의 예측 결과 인터페이스 화면이다.

본 발명의 이점 및 특징, 그리고 그것을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 통해 설명될 것이다. 그러나 본 발명은 여기에서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 단지, 본 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여 제공되는 것이다.

도면들에 있어서, 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니며 명확성을 기하기 위하여 과장된 것이다. 또한, 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소를 나타낸다. 본 명세서에서 "및/또는"이란 표현은 전후에 나열된 구성요소들 중 적어도 하나를 포함하는 의미로 사용된다. 또한, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 또한, 명세서에서 사용되는 "포함한다" 또는 "포함하는"으로 언급된 구성요소, 단계, 동작 및 소자는 하나 이상의 다른 구성요소, 단계, 동작, 소자 및 장치의 존재 또는 추가를 의미한다.

이하에서, 본 발명의 바람직한 실시 예가 첨부된 도면들을 참조하여 본 발명을 구체적으로 설명한다. 본 발명을 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

본 발명에 따른 학습을 통한 파라미터 개선 기반의 예측 시스템은, 학습 모듈, 학습 모듈에 센싱 신호를 제공하는 실내 환경의 온도, 습도를 포함하는 다양한 센서, 제어기, 제어기의 제어신호를 수신하는 실내 환경의 다양한 액추에이터를 포함한다. 학습 모듈에는 ANN(인공 신경망)과 같은 다양한 시스템 학습 알고리즘을 사용할 수 있다. 보다 구체적으로, 본 발명의 학습 기반 환경 제어 시스템은, 특정 환경의 센서 감지값과 센서 에러값을 입력받아 처리하여 특정 환경 예측값을 출력하는 칼만 필터와, 적어도 하나의 특정 환경의 센서 감지값과 상기 특정 환경 예측값을 입력받아 그 차이값에 의해 학습하여 학습된 센서 에러값을 형성하여 상기 칼만 필터에 입력하는 학습 모듈과, 상기 칼만 필터에서 출력되는 특정 환경 예측값에 기초하여 실내환경의 소정의 액추에이터를 제어하는 제어기를 포함한다.

센서는 환경으로부터 온도, 습도 등과 같은 다른 환경 매개변수에 대한 데이터를 수집하기 위해 다양한 센서를 포함할 수 있다.

본 발명에서는 다양한 센서 중에서 습도 변화로 인한 온도 센서 수치(판독값)의 가변적 오류를 가정한다. 본 발명에 따른 학습 기반 환경 제어 시스템은, 현재 센서 판독값의 오류량을 추정하고 이에 따라 칼만 필터의 센서 에러 'R'을 업데이트하기 위해 신경망을 기반으로 한 학습 모듈을 포함한다. 학습 모듈은, 칼만 필터로 입력되는 센서 에러 'R'를 학습한다. 이 센서 에러 'R'의 의미는 실제 온도와 센싱(측정)된 온도와의 차이값을 의미한다.

본 발명에서는, 칼만 필터 알고리즘 모듈과 학습 알고리즘 모듈이라는 두 가지 주요 모듈을 포함한다. 데이터가 환경에서 센서로부터 수집되고 학습 알고리즘 모듈 및 칼만 필터 알고리즘 모듈에 입력된다.

칼만 필터에서 예측 파라미터는 이득(K)에 의해 가장 영향을 받는다. 칼만 필터의 이득(K)을 구할 때 중요한 파라메터가 되므로 정확히 구하면, 예측도 정확하게 이루어진다.

본 발명은, 이전과 현재 데이터를 학습 알고리즘에 입력하여 개선된 예측 파라미터를 도출하고, 이를 예측 알고리즘에 입력함으로써, 예측 알고리즘이 향상된 데이터 예측 성능 결과를 제공하게 하는 것이다. 보다 구체적으로, 이전 데이터와 현재 데이터를 학습 알고리즘에 입력하여 개선된 예측 파라미터(예를 들어, 칼만 필터 파라미터)를 도출하고, 대표적인 예측 알고리즘인 칼만 필터가 개선된 예측 파라미터를 이용함으로써 향상된 칼만 필터 알고리즘을 실현하는 학습을 통한 파라미터 개선 기반의 예측 시스템을 제공하는 것이다.

도 1은 본 발명에 따른 학습을 통한 파라미터 개선 기반의 예측 시스템의 개념도이고, 도 2는 본 발명에 따라, 칼만 필터를 이용한 학습을 통한 파라미터 개선 기반의 예측 시스템의 구성도이고, 도 3은 도 2의 칼만 필터와 학습 모듈의 상세 블록도이다.

도 1에 보인 바와 같이, 학습을 통한 파라미터 개선 기반의 예측 시스템(1)은, 환경(5)의 각종 센서(30)의 감지값을 입력받아 예측값을 출력하는 예측 알고리즘(칼만필터 알고리즘)(10), 이전 데이터와 현재 데이터(환경 센서 에러값)를 입력받아 학습된 예측 파라미터(칼만 필터 파라미터)를 출력하는 학습 알고리즘(20)을 포함한다.

제어기(4)는 예측 알로리즘(칼만필터 알고리즘)(10)에서 출력되는 예측값을 입력받아 각종 센서(30)를 포함하는 환경(5)의 구동기(52)를 제어한다.

도 2에 보인 바와 같이, 온도센서의 현재 감지값이 칼만 필터 알고리즘(10)에 입력되어 예측값(미래값)이 출력된다. 그리고, 학습 알고리즘(신경망)(20)에는 온도센서(31)의 현재 감지값과 예측값 및 습도 센서의 감지값이 입력된다.

도 3에 보인 바와 같이, 칼만 필터는, 특정 환경의 센서값 독출부(12), 학습 모듈(20)에서 학습된 센서 에러값을 독출하는 센서 에러 독출부(11), 공분산 값 계산 및 갱신부(13), 학습된 센서 에러값과 공분산 값을 입력받아 계산하여 칼만이득을 출력하는 칼만이득 계산부(15), 상태변이 메트릭스와 제어 메트릭스를 이용하여 예측 온도를 계산하는 예측 온도 계산부(17), 실제 온도 추정부(18), 센서에러(R) 계산부(204)를 포함한다.

본 발명에 따라, 오류율을 예측하기 위해 학습모듈로서, 신경망을 사용한다. 예측된 오류율을 기준으로 식(1)을 사용하여 칼만 필터 알고리즘의 입력값인 R 값(에러 예측값)을 설정한다.

R=Err_pre/ C --- 식 1

여기서, C는 에러 인자이고, Err_pre이전 에러값이다.

상태변이 메트릭스와 제어 메트릭스는 칼만 필터 기술에서 주로 사용되는 공지된 기술이므로 상세한 설명은 생략한다.

실제 온도 추정부(18)는 센서값 독출부(12)가 독출한 센서값과, 예측온도 계산부(17)로부터의 예측 온도와, 칼만이득 계산부(15)로부터의 칼만이득을 입력받아 온도를 추정하여 추정 온도 T_t를 출력한다.

한편, 시간 't'에 추정 온도를 T_t로 가정해 본다. 추정 온도 T_t를 사용하여 다음 번에 t+1시간의 온도를 예측할 수 있다. 칼만 필터 알고리즘을 사용한 T_t+1 단계별 계산은 다음과 같다. 먼저, 다음과 같이 이전에 추정된 값에서 예측 온도를 계산한다.

--- 식 2

여기서, A는 상태 전환 매트릭스이고, A^T는 상태 전환 매트릭스의 전치이다. B는 제어 매트릭스이고, T_t-1는 이전에 계산된 온도이고 u_t는 제어 벡터이다.

다음으로, 예측 공분산 인자를 다음과 식에 의해 업데이트할 수 있다.

---식 3

P_t는 시간 t동안 처리(process) 공분산을 의미하고, P_predicted는 이전 공분산과 처리중인 추정 에러를 사용한 갱신된 공분산을 의미한다.

여기서, P_t-1는 이전에 계산된 공분산이며, Q는 처리(process)에서 추정된 에러이다.

P_predicted를 이용하여 칼만 게인(Kalman gain) 'K'를 다음 식에 의해 구한다.

---식 4

여기서, H(H^T는 H의 전치)는 관측 행렬이고, R은 측정에서 추정된 에러이다.

현재의 센서 예상 온도는 T_t 이고, 센서 입력값(판독값)이 z_t라고 가정한다. 그러면, 칼만 필터의 현재 시간 간격의 추정 온도(T_t)는,

--- 식 5가 된다.

마지막으로, 다음과 같이 다음 반복에 대한 공분산 계수 P_t를 업데이트한다. 공분산(covariance)은 둘 이상의 변량(變量)이 서로 관계를 가지며 분포하는 모양을 전체적으로 나타내는 분산이다.

--- 식 6

I는 식별 메트릭스이고, 이것은 매트릭스 곱을 용이하게 하는데 사용된다.

H는 관측 메트릭스로서 사용된다. K·H는 칼만 게인과 관측 메트릭스의 곱이다.

칼만 필터(10)는 온도 센서로부터 센서 판독값을 얻고 노이즈를 제거해서 실제 온도를 예측한다.

칼만 게인 'K' 값은 방정식에 표시된 것처럼 프로세스 공분산 행렬 P와 센서 판독 'R'의 예측 오류를 사용하여 조정할 수 있다.

학습 모듈(20)이 센서 판독치 'R'에서 예측 오류를 찾는 것을 수행한다.

도 3에 보인 바와 같이 학습 모듈(20)내의 신경망(200)은 입력 레이어(201)와 은닉 레이어(202) 및 출력 레이어(203)를 포함한다. 신경망(200)의 입력 레이어(201)에는 온도 센서의 감지값과 습도 센서의 감지값 및 칼만 필터의 추정 온도 T_t가 입력된다.

즉, 실제 온도 추정부(18)의 출력인 추정 온도 T_t는 피드백되어 신경망(200)의 입력값으로 들어간다. 이에 따라, 신경망(200)의 입력값은 센싱(측정)된 온도와 습도와 추정 온도 T_t의 값 3개가 된다.

신경망(200)의 출력 레이어에서는 에러값(err)이 출력된다.

학습 모듈(20)의 R계산부는 에러인자(C)로 에러값(err)을 나누어 계산하여, 학습된 센서 에러를 출력한다. 학습된 센서 에러는 칼만 필터의 센서 에러 독출부(11)에 의해 독출되어 입력된다.

종래의 칼만 필터 알고리즘 예측 결과와, 본 발명에 따른 학습 기반 칼만 필터 알고리즘 결과에 대한 학습 효과를 비교하여, 학습 기반 칼만 필터의 성능을 평가한 결과를 도 4 내지 도 8을 참조하여 설명한다.

성능 평가를 위해 기존의 칼만 필터 알고리즘 예측 결과와 제안된 예측 모델 학습결과를 비교하여, 칼만필터 알고리즘 결과의 예측 가능성 결과 향상을 관찰했다.

종래의 기존 칼만 필터의 경우, 다양한 센서 에러 R값을 사용하여 결과가 수집된다. 센서 에러 R의 최적값은 고정되지 않고 이용가능한 데이터 세트에 따라 달라진다. 칼만 필터에서 센서 에러 R에 대한 최적값을 수동으로 선택하기 매우 어려우므로 센서 에러 R 값의 변화에 따라 실험이 수행된다. 그러면, 센서 에러 R이 변화됨에 따라 칼만 필터의 예측 정확도가 변하는 것이 관찰된다.

도 4는 다양한 센서 에러값에 따른 종래의 칼만 필터의 온도 예측 결과 그래프를 나타낸다. 다양한 센서 에러값 R=5, R=10, R=15, R=20에 따라 종래의 칼만 필터는 온도 예측값이 달라진다.

한편, 본 발명에 따르면, 인공 신경망(ANN)으로 구성된 학습 모듈에서 훈련 후, 훈련된 모듈을 사용하여 변수 R을 적절히 조정하여 칼만 필터 알고리즘의 성능을 개선한다.

예측 오류 R을 얻기 위해, 식 R=err/C에서 주어진 비례 상수로서 에러 인자 C의 적절한 값을 선택한다. 따라서, 에러 인자 C의 다양한 값으로 실험을 수행한다.

도 5는 에러 인자 C의 가변값으로 학습 모듈을 포함하는 칼만 필터 알고리즘의 예측 결과를 보여준다. 즉, 도 5는 학습 모듈을 적용한 칼만 필터의 온도 예측 결과 그래프를 보인다.

아래 표 1은 센서 에러 R과 에러 인자 C의 다른 값에 대해 학습 모듈을 포함하거나 학습하지 않은 칼만 필터 예측 결과의 요약을 나타낸다.

[표 1]

종래 칼만 필터에서, 센서 에러 R 값을 변경하면 표 1에 나타난 예측 정확도(RMSE)가 변경되는 것을 알 수 있다. 예측 정확도는 그 값이 작을수록 칼만 필터의 성능이 높은 것이다.

이하에서, 예측 정확도(RMSE)에 대해 상세히 설명하면 다음과 같다.

MSE(Mean Square Error)는 다음 식 8과 같이, 실제 값과 예측 값 사이의 절대적 차이의 합을 데이터 항목 수로 나누어 계산한 MAD(Mean Absolute Deviation)식(식 7)에서, 실제 값과 예측 값 사이의 절대적 차이의 합에 제곱을 추가한 것이다.

---식 7

---식 8

RMSE(Root Mean Square Error)는 아래 식 9와 같이, MSE에 제곱근을 취하여 구한다.

---식 9

여기서, n은 시험 데이터 집합의 총 항목 수이고, Ti는 데이터 집합의 i번째 인스턴스에 대한 실제 온도(℃)이며, (Ti)^는 해당 예상 온도이다. 이러한 통계수치는 예측 정확도를 정량화할 수 있는 단일 숫자를 제공한다. 예측 결과가 실제 온도에 더 가깝다면, 이러한 통계수치에 해당하는 값도 작을 것이다.

표 2는 학습 모듈을 포함하거나 포함하지 않는 칼만 필터 수행 결과의 통계 요약을 나타낸다.

[표 2]

결과는 학습 모듈 없이 칼만 필터에 대해 수행된 실험의 경우 사용되는 센서 에러 R의 다양한 값에 대해 요약된다.

마찬가지로, ANN 학습 모듈에 대한 칼만 필터 예측 결과의 통계 요약에는 에러 인자 C 등 다양한 선택값이 제시되어 있다.

다양한 에러 인자 C 값을 갖는 예측 모델 학습으로 칼만 필터 알고리즘의 성능을 평가하기 위한 실험을 수행한다. 비교 분석을 위해 센서 에러 R 값이 다양한 칼만 필터(학습 모듈 없음)의 결과를 수집했다. 결과는 세 가지 통계 측정(즉, 평균 절대 편차(MAD:Mean Absolute Deviation), 평균 제곱 오차(MSE:Mean Squared Error), 제곱근 평균 제곱 오차(RMSE:Root Mean Squared Error)와 비교분석된다.

표 2를 비교 분석하면, 에러 인자 C = 0.01의 결과를 예측하기 위해 제안된 학습을 가진 칼만 필터가 모든 통계 측정에 대한 다른 모든 설정을 능가한다는 것을 보여준다.

표 2를 참조하면, 학습 모듈이 없는 칼만 필터에 대한 최적의 결과는 센서 에러 R = 15로, RMSE의 측면에서 2.06의 예측 정확도를 가지고 있다. 마찬가지로, 학습 모듈을 사용한 칼만 필터에 대한 최적의 결과는 에러 인자 C = 0.01로 나타났다.

학습 모듈이 없는 칼만 필터의 최적 및 최악의 경우 결과와 비교할 때, 예측 모델에서의 학습에 의한 예측 정확성의 향상 정도는 RMSE 측정 기준으로 각각 6.79%와 15.04%이다.

도 6은 본 발명에 따른 학습 기반 칼만 필터에서 센서 에러 학습 결과 인터페이스 화면이다. 즉, 학습된 센서 에러값이 입력된 칼만 필터 결과를 나타낸 화면으로서, 도 3의 신경망의 학습 결과를 나타낸다.

도 6의 인터페이스 화면에서 좌측에는, 칼만 필터의 센서 에러값 R이 입력되는 입력칸(61)과, 칼만 필터 학습을 위한 에러 인자(Error Factor)의 입력칸(62), 칼만 필터 예측 수행 버튼(63), 학습 모듈의 학습 시작 버튼(64)과 학습 정지 버튼 등이 마련된다.

도 6 화면의 좌측에서, 칼만 필터의 센서 에러(R)이 5로 설정되고, 에러 인자(Error Factor) C 값은 0.01로 설정되었다.

도 6의 인터페이스 화면의 우측에는 원래의 에러 그래프(66)와 학습 결과에 따른 예측 에러 그래프(67)가 표시된다.

도 6의 실제 온도 그래프(66)와 학습 결과에 따른 예측 에러 그래프(67)을 비교하면, 신경망(200)에 의한 예측된 오류와 실제 오류가 잘 정렬되어 있다는 것을 알 수 있다. 이는 학습 모듈(20)이 주어진 데이터 세트에 대해 완벽하게 훈련되었음을 보여준다. 학습 모듈(20)으로 훈련한 후, 이 훈련된 학습 모듈을 사용하여 칼만 필터 알고리즘(10)의 성능이 개선된다.

도 6의 설명과 표 1에서 알 수 있는 바와 같이, 최상의 결과는 에러 인자 C=0.01인 학습 모듈을 포함한 칼만 필터에서 확인할 수 있다.

도 7은 본 발명에 따른 학습 모듈을 사용하여, 학습 기반 칼만 필터 알고리즘의 평가를 위한 애플리케이션 인터페이스 화면이다.

도 7의 인터페이스 화면의 좌측에는, 칼만 필터의 센서 에러값 R이 입력되는 입력칸(71)과, 칼만 필터 학습을 위한 에러 인자(Error Factor) C의 입력칸(72), 칼만 필터 예측 수행 버튼(73), 학습 모듈의 학습 시작 버튼(74)과 학습 정지 버튼 등이 마련된다.

도 7의 인터페이스 화면에서 우측에는 실제 온도 그래프(75), 센싱 데이터 그래프(76), 칼만 필터 의 예측 결과 그래프(77), 학습 모듈을 갖는 칼만 필터의 예측 결과 그래프(78)가 표시된다.

즉, 도 7의 인터페이스 화면에는 원래 온도 데이터와 온도 센서 판독값, 칼만 필터 결과 데이터, 학습된 칼만 필터 결과 데이터를 보인다. 센서 판독값은 루트 평균 제곱 오류(Root Mean Square Error: RMSE)로 나타냈다.

서로 다른 센서 에러 R 값을 사용하여 수행되며 그에 상응하는 결과가 수집된다. 센서 에러 R = 5인 칼만 필터를 사용하는 예측 온도의 RMSE(예측 정확도)는 2.25이고, 센서 판독값의 RMSE 4.74이고, 학습된 칼만 필터에 의한 예측 온도의 RMSE는 1.92이다. 즉, 칼만 필터를 사용한 경우 RMSE는 센서 판독값의 RMSE에 비해 훨씬 우수하다(오류 52.32% 감소). 또한, 칼만 필터만을 사용하는 예측 온도의 RMSE에 비해 학습 모듈을 갖는 칼만 필터(학습된 칼만 필터)의 예측 온도의 RMSE가 우수하다.

학습 모듈은, 칼만 필터 알고리즘의 예측 정확도를 향상시키는 것을 알 수 있다.

도 8은 학습 모듈(20)을 사용하는 칼만 필터 알고리즘의 예측 결과를 나타낸다. 도 8의 인터페이스 화면에서, 칼만 필터의 센서 에러 R이 20으로 설정되고, 좌측의 에러 인자 C는 0.01로 설정되었다.

학습 모듈(20)에서 에러 인자 C=0.01이 포함된 칼만 필터(10)의 결과이다. 에러 인자 C=0.01을 사용하는 경우 RMSE(Root Mean Square Error)는 1.82이다.

상술한 실시예에서 알 수 있듯이, 학습 모듈을 포함한 칼만 필터가 루트 평균 제곱 오류 메트릭스 측면에서 기존의 칼만 필터 알고리즘보다 더 나은 성능을 보인다.

즉, 칼만 필터가 학습된 센서 에러값을 입력받는 경우 효과는, 다음과 같다. 칼만 필터(10)에서 예측은 이득(K)에 의해 가장 영향을 받는다. 이 센서 에러값의미는 실제 온도와 센싱(측정)된 온도와의 차이값을 의미한다. 칼만 필터의 이득(K)을 구할 때 중요한 파라미터가 된다. 이 센서 에러값을 정확히 구하면, 예측도 정확하게 이루어진다.

이러한 구성에 의하여, 칼만 필터가 센서값(예를 들어 온도)을 정확히 예측할 수 있게 된다. 그에 따라, 예측 시스템의 제어기가 칼만 필터에 의해 예측된 센서값을 이용하여 실내 환경을 보다 효율적으로 제어할 수 있게 된다.

1 : 학습 기반 제어 시스템 2 : 칼만 필터 알고리즘
3 : 환경 4 : 제어기
10 : 칼만 필터 알고리즘 11 : 학습된 센서에러 독출부
12 : 센서 독출부 13 : 공분산값 계산부
15 : 칼만이득 계산부 17 : 예측온도 계산부
18 : 실제온도 추정부 20 : 학습 모듈
30 : 센서 31 : 온도 센서
32 : 습도 센서 35 : 구동기
200:　신경망 201 : 입력층
202 : 은닉층 203 : 출력층
204 : R 계산부

Claims

학습을 통한 파라미터 개선 기반의 예측 시스템에 있어서,
예측 파라미터를 입력받아 미래 데이터를 생성하는 예측 알고리즘 모듈과,
이전 데이터와 현재 데이터를 입력받아 학습하여 예측 파라미터를 개선하여 상기 예측 알고리즘 모듈에 입력하는 학습 모듈을 포함하여, 향상된 예측 알고리즘을 실현하는 학습을 통한 파라미터 개선 기반의 예측 시스템.
제1항에 있어서,
상기 예측 알고리즘 모듈은, 특정 환경의 센서 감지값과 센서 에러값을 입력받아 처리하여 특정 환경 예측값을 출력하는 칼만 필터를 포함하고,
상기 학습 모듈은, 적어도 하나의 특정 환경의 센서 감지값과 상기 특정 환경 예측값을 입력받아 그 차이값에 의해 학습하여 학습된 센서 에러값을 형성하여 상기 칼만 필터에 입력하는 것을 특징으로 하는, 학습을 통한 파라미터 개선 기반의 예측 시스템.
제2항에 있어서,
상기 학습 모듈은 신경망과, 상기 신경망에서 출력되는 학습된 센서 에러값과 미리 설정되는 에러 인자를 이용하여 상기 센서 에러값을 계산하는 센서 에러 계산부를 포함하는 것인, 학습을 통한 파라미터 개선 기반의 예측 시스템.
제3항에 있어서,
상기 신경망의 입력층에는 온도센서의 감지값, 습도센서의 감지값, 상기 칼만 필터에서 출력되는 추정 온도값이 입력되고,
상기 칼만 필터는,
상태변이 메트릭스와 제어 메트릭스를 이용하여 예측 온도를 계산하는 예측 온도 계산부와, 특정 환경의 센서값 독출부와, 상기 학습 모듈에서 학습된 센서 에러값 독출부와, 공분산 값을 계산하고 갱신된 공분산 값을 계산하는 공분산 값 계산 및 갱신부와, 상기 학습된 센서 에러값과 상기 공분산 값을 입력받아 계산하여 칼만이득을 출력하는 칼만이득 계산부, 상기 센서값 독출부의 센서값과 상기 예측온도 계산부로부터의 예측 온도 및 상기 칼만이득에 의해 온도를 추정하여 추정 온도를 출력하는 실제 온도 추정부를 포함하는, 학습을 통한 파라미터 개선 기반의 예측 시스템.
제4항에 있어서,
상기 예측 온도 계산부가 예측 온도를 계산하는 식은,
이고,
상기 공분산 계산 및 갱신부가 상기 공분산값(P_t)을 계산하는 식은,
이고, 상기 갱신된 공분산값(P_predicted)을 계산하는 식은,
이며,
상기 칼만이득 계산부가 칼만이득을 계산하는 식은,
이고,
상기 실제 온도 추정부가 실제온도를 추정하는 식은,
이고,
여기서,
A: 상태 전환 매트릭스
A^T : 상태 전환 매트릭스의 전치
B : 제어 매트릭스
T_t-1 : 이전에 계산된 온도
u_t: 제어 벡터
T_t : 현재의 센서 온도
I : 식별 메트릭스로서, 매트릭스 곱을 용이하게 하는데 사용됨
H : 관측 메트릭스
z_t : 센서 입력값(판독값)
K : 칼만 게인
Q : 추정 오류
학습을 통한 파라미터 개선 기반의 예측 방법에 있어서,
예측 알고리즘 모듈이 예측 파라미터를 입력받아 미래 데이터를 생성하는 제1단계와,
학습 모듈이 이전 데이터와 현재 데이터를 입력받아 학습하여 예측 파라미터를 개선하여 상기 예측 알고리즘 모듈에 입력하는 제2단계를 포함하여, 향상된 예측 알고리즘을 실현하는 학습을 통한 파라미터 개선 기반의 예측 방법.
제6항에 있어서,
상기 예측 알고리즘 모듈은, 특정 환경의 센서 감지값과 센서 에러값을 입력받아 처리하여 특정 환경 예측값을 출력하는 칼만 필터를 포함하고,
상기 제2단계는, 상기 학습 모듈이, 적어도 하나의 특정 환경의 센서 감지값과 상기 특정 환경 예측값을 입력받아 그 차이값에 의해 학습하여 학습된 센서 에러값을 형성하여 상기 칼만 필터에 입력하는 단계를 포함하는, 학습을 통한 파라미터 개선 기반의 예측 방법.