KR20200091193A - 위치기반 sns 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법 - Google Patents

위치기반 sns 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법 Download PDF

Info

Publication number
KR20200091193A
KR20200091193A KR1020190008142A KR20190008142A KR20200091193A KR 20200091193 A KR20200091193 A KR 20200091193A KR 1020190008142 A KR1020190008142 A KR 1020190008142A KR 20190008142 A KR20190008142 A KR 20190008142A KR 20200091193 A KR20200091193 A KR 20200091193A
Authority
KR
South Korea
Prior art keywords
data
location
sns
spatial analysis
map
Prior art date
Application number
KR1020190008142A
Other languages
English (en)
Other versions
KR102159617B1 (ko
Inventor
조재희
Original Assignee
광운대학교 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 광운대학교 산학협력단 filed Critical 광운대학교 산학협력단
Priority to KR1020190008142A priority Critical patent/KR102159617B1/ko
Publication of KR20200091193A publication Critical patent/KR20200091193A/ko
Application granted granted Critical
Publication of KR102159617B1 publication Critical patent/KR102159617B1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명은 제휴 이동통신사의 LBS 기반형 통신설비와, 상기 LBS 기반형 통신설비로부터 제공되는 위치기반형 SNS 데이터를 수신하는 위치기반형 SNS 데이터 수신모듈과, 상기 위치기반형 SNS 데이터 수신모듈을 통해 수신된 SNS 데이터를 분류, 정제하는 알고리즘을 적용하여 노이즈를 제거하고, 노이즈가 제거된 SNS 데이터를 이용하여 지도데이터를 도출하는 쓰리 이펙트형 공간 분석 제어모듈과, 상기 쓰리 이펙트형 공간 분석 제어모듈을 통해 도출된 지도데이터를 인증 및 결재가 확인된 고객에게 제공하는 인증 및 보상 제어모듈을 포함하여 이루어지는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치와; LBS 기반형 통신설비로부터 위치기반형 SNS 데이터를 수신하는 단계와, 수신된 위치기반형 SNS 데이터를 분류 및 정제하여 노이즈를 제거하는 단계와, 분류 및 정제된 위치기반형 SNS 데이터로부터 도넛형 공간분석 데이터와 파이형 공간분석 데이터를 도출하는 단계와, 상기 도넛형 공간분석 데이터와 파이형 공간분석 데이터로부터 쓰리 이펙트형 공간 분석 제어모듈을 이용하여 다트형 공간분석 데이터를 도출하는 단계와, 지도 상에 상기 다트형 공간분석 데이터를 맵핑하여 지도데이터 도출하는 단계와, 지도데이터를 인증절차 후 결재가 확인된 고객에게 제공하는 단계를 포함하여 이루어지는 도심권, 역세권, 핫플레이스 자동분석방법에 관한 것이다.

Description

위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법{APPARATUS AND METHOD FOR AUTOMATICALLY ANALYZING URBAN AREAS, STATION AREA AND HOT PLACE THROUGH LOCATION-BASED SNS DATA}
본 발명은 위치기반 SNS 데이터를 통해 공간분포를 비교 및 분석하여, 도심권, 역세권, 핫플레이스를 자동으로 도출하는 자동분석장치 및 이를 통한 자동분석방법에 관한 것으로서,
더욱 상세하게는, 제휴 이동통신사의 LBS 기반형 통신설비와, 상기 LBS 기반형 통신설비로부터 제공되는 위치기반형 SNS 데이터를 수신하는 위치기반형 SNS 데이터 수신모듈과, 상기 위치기반형 SNS 데이터 수신모듈을 통해 수신된 SNS 데이터를 분류, 정제하는 알고리즘을 적용하여 노이즈를 제거하고, 노이즈가 제거된 SNS 데이터를 이용하여 지도데이터를 도출하는 쓰리 이펙트형 공간 분석 제어모듈과, 상기 쓰리 이펙트형 공간 분석 제어모듈을 통해 도출된 지도데이터를 인증 및 결재가 확인된 고객에게 제공하는 인증 및 보상 제어모듈을 포함하여 이루어지는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치와,
상기 도심권, 역세권, 핫플레이스 자동분석장치를 통해 이루어지는 것으로서, LBS 기반형 통신설비로부터 위치기반형 SNS 데이터를 수신하는 단계와, 수신된 위치기반형 SNS 데이터를 분류 및 정제하여 노이즈를 제거하는 단계와, 분류 및 정제된 위치기반형 SNS 데이터로부터 도넛형 공간분석 데이터와 파이형 공간분석 데이터를 도출하는 단계와, 상기 도넛형 공간분석 데이터와 파이형 공간분석 데이터로부터 쓰리 이펙트형 공간 분석 제어모듈을 이용하여 다트형 공간분석 데이터를 도출하는 단계와, 지도 상에 상기 다트형 공간분석 데이터를 맵핑하여 지도데이터 도출하는 단계와, 지도데이터를 인증절차 후 결재가 확인된 고객에게 제공하는 단계를 포함하여 이루어지는 도심권, 역세권, 핫플레이스 자동분석방법에 관한 것이다.
스마트폰과 소셜네트워크서비스의 등장으로 인해 사람들은 언제나 정보를 얻고 공유할 수 있게 되었다. 이로 인해 발생되는 데이터의 양이 폭발적으로 증가하고 있는 추세이며, 이와 같은 SNS 데이터를 활용하여 가치 있는 정보를 이끌어내기 위해 많은 연구가 이루어지고 있다.
사용자의 위치 정보를 포함하는 지오트윗 데이터는 사람들의 도시 및 핫플레이스 공간 내 분포분석이나 이동성을 연구하기에 적합한 데이터이다.
과거에는 로케이션 분석이나 이동성 분석을 위해서 CDR(Call Detail Records; 휴대폰 통화내역)이나 교통카드 사용내역 등을 이용하여 분석하였으나, 이러한 데이터들은 고객정보 보호 때문에 극히 제한적으로 공개되었다. 이로 인해 가용 데이터량이 적었으며, 로컬 데이터이므로 다른 국가와 비교연구가 불가능하고, 사용자의 위치정보가 정확하지 않다는 단점이 있었다.
이에 반해 지오트윗 데이터는 무제한으로 다운로드 받을 수 있으며, 지역적 제한없이 국가 간 비교연구가 가능하고, GPS 값을 포함하고 있어 개인의 상세한 시공간 패턴을 분석할 수 있다.
공간에서 사람의 물리적 위치를 정확하게 나타낼 수 있는 장점이 존재하는 지오트윗 데이터를 활용한 근래의 연구를 분류하여 보면 다음과 같다.
지오트윗이 집중적으로 발생된 공간의 분포 및 활동패턴을 나타낸 연구와 지오트윗을 분류해 거주지역을 유추한 연구, 국가에서 조사된 인구통계 외에 인구구조의 정확도를 높일 수 있는 추가 요인으로 지오트윗의 활용 가능성을 제기한 연구, 지오트윗을 통해 자연재해 또는 대규모 시위 등과 같은 실시간 이벤트 등에 대해 감지하고 그에 따른 대피 행동을 분석 후 기계학습을 통해 효과적으로 사용자의 동작을 분류하고자 한 연구 등이다.
토지를 구획하거나 공간을 분할하기 위해 활용하는 기하모양에는 단순한 격자형태, 델로네 삼각분할, 보로노이 다이어그램 등의 방법이 있고, 이들 중 계획도시에서 가장 쉽게 관찰할 수 있는 공간분할 형태는 격자형태이다.
그러나 격자형 공간분할 방법을 통해 분할된 서울은 교통 혼잡을 비롯한 각종 시설의 과부하 문제가 발생하고 있다. 또한 격자는 공간 내에서 개인의 이동에 관계없이 미리 구획된 크기에 의해 위치가 선행적으로 결정된다.
최근에는 스마트폰 등의 이동기기를 통해 수집된 빅데이터를 활용하여 인구분포를 추정하는 연구가 진행되고 있다. 인구 집계, 연령, 성별 분포, 정책적 함의 등에 대해 전통적인 통계처리 방식을 활용해 연구하고 인구분포를 나열한 연구, 지리적 시각화를 통한 인구분포 현황을 내포한 연구가 있다.
이종환 외(2016)는 실시간 인구이동 데이터인 지오위치기반 SNS을 수집 후 이동 통계 시스템을 구축해 인구밀도 등을 계산하고자 하였고, 이건학과 김감영(2016)은 이동통신 모바일폰에서 수집된 빅데이터를 통해 다양한 지역 연구에 활용 가능한 현주인구를 추정하고자 하였으며, 이금숙 외(2015)는 정보통신정책연구원에서 제공된 미디어 다이어리 데이터를 통해 이용자들의 활동공간별로 미디어 이용에 관한 시공간 정보를 추출하여 도시의 실시간 인구분포를 산정하는 방법론을 제시하였다. 조재희와 서일정(2005)은 교통카드 데이터 중 지하철역별로 승하차인원을 추출하여 지하철 인구이동 맵을 생성하였다.
이와 같이 실시간 인구이동에 관한 연구가 이루어지고 있기는 하나, 데이터의 확보가 어려워 연구가 미미한 실정이며, 여전히 높은 정확성을 띄고 있는 통계청 자료로 분석한 연구가 우세한 실정이다. 그러나 통계청 자료는 실시간성이 부족하여 활용도가 떨어지기 때문에 비즈니스 효과를 창출하는 것에는 한계가 있다.
지오트윗 데이터는 사용자 스스로 트위터를 이용하고자 하는 의지에 의해 곧바로 발생되고, 더불어 인구의 집계 및 분포에 대한 관찰이 가능하다는 장점이 존재한다. 즉, 지오트윗은 사용자의 자발적 의사에 따라 발생되는 지리정보 데이터가 포함되어 있고, 데이터를 분석함으로써 인구분포를 집계할 수 있다. 지리정보가 포함된 사용자의 데이터를 비즈니스 측면에서 활용한다면 소비자의 동의를 얻어 해당 편의점을 지나가면 쿠폰을 준다거나, 세일품목을 알려주는 등 여러 정보를 제공하는 비콘 등의 서비스를 통해 소비자의 구매를 이끌어낼 수 있다. 이에 본 발명에서는 지리정보가 포함된 지오트윗 데이터를 활용하여 도심권, 역세권, 핫플레이스에 대한 자동분석장치 및 자동분석방법을 제공하고자 한다.
대한민국 등록특허 10-1232037(등록일자 2013.02.05.)
TTA Journal No.130., "스마트폰 위치기반 서비스(LBS) 기술동향", 정구민, 최완식, pp. 77
본 발명은 위치정보를 포함하고 있는 데이터를 활용하여 특정 지역 내의 사람의 공간분포를 비교, 분석하고, 이를 기반으로 하여 도심권, 역세권, 핫플레이스를 자동으로 분석하는 장치 및 방법을 제공하고자 하는 것으로서,
더욱 구체적으로는, LBS 기반형 통신설비와, 위치기반형 SNS 데이터 수신모듈과, 쓰리 이펙트형 공간 분석 제어모듈과, 인증 및 보상 제어모듈을 포함하여 이루어지는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치와, 상기 자동분석장치를 통해 이루어지는 도심권, 역세권, 핫플레이스 자동분석방법을 제공하고자 하는 것을 발명의 목적으로 한다.
상기 목적을 달성하기 위하여,
본 발명은 제휴 이동통신사의 LBS 기반형 통신설비와,
상기 LBS 기반형 통신설비로부터 제공되는 위치기반형 SNS 데이터를 수신하는 위치기반형 SNS 데이터 수신모듈과,
상기 위치기반형 SNS 데이터 수신모듈을 통해 수신된 SNS 데이터를 분류, 정제하는 알고리즘을 적용하여 노이즈를 제거하고, 노이즈가 제거된 SNS 데이터를 이용하여 지도데이터를 도출하는 쓰리 이펙트형 공간 분석 제어모듈과,
상기 쓰리 이펙트형 공간 분석 제어모듈을 통해 도출된 지도데이터를 인증 및 결재가 확인된 고객에게 제공하는 인증 및 보상 제어모듈을 포함하여 이루어지는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치를 제공한다.
그리고 상기 도심권, 역세권, 핫플레이스 자동분석장치를 활용하여 이루어지는 것으로서,
제휴 이동통신사 서버로부터 위치기반형 SNS 데이터를 수신하고 저장하는 단계(S10)와,
분류, 정제 알고리즘을 이용하여 상기 수신된 위치기반형 SNS 데이터를 분류, 정제하여 노이즈를 제거하는 단계(S20)와,
상기 분류, 정제된 위치기반형 SNS 데이터에 기반하여, 쓰리 이펙트형 공간 분석 제어모듈을 통해 도넛형 공간분석 데이터와 파이형 공간분석 데이터를 도출하는 단계(S30)와,
상기 도넛형 공간분석 데이터와 파이형 공간분석 데이터에 기반하여, 쓰리 이펙트형 공간 분석 제어모듈을 통해 다트형 공간분석 데이터를 도출하는 단계(S40)와,
지도맵핑제어부를 통해, 지도 위에 상기 다트형 공간분석 데이터를 맵핑하여 지도데이터 도출하는 단계(S50)와,
인증절차를 거친 후 결재가 확인된 고객에게 상기 지도데이터를 제공하는 단계(S60)를 포함하여 이루어지는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석방법을 제공한다.
본 발명에 따른 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법은 위치기반 SNS 데이터를 분류, 정제한 후 이를 통해 1차적으로 도넛형 공간분석 데이터와 파이형 공간분석 데이터를 도출하고, 이를 기반으로 다트형 공간분석 데이터를 도출한 다음, 지도 상에 상기 다트형 공간분석 데이터를 맵핑하는 방식으로 도심권, 역세권, 핫플레이스를 도출함에 있어, 정보의 정확성 및 실시간성이 뛰어나고, 직관적 확인이 용이하다.
또한 이와 같이 도출된 자료를 토대로 도심권, 역세권, 핫플레이스에 대한 정밀 분석을 통해 지하철역 건설, 주택건설에 따른 입지 선정 자료 활용 등 다양한 분야의 적용가능성이 높다는 장점을 갖는다.
도 1은 본 발명에 따른 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치의 전체 구성도.
도 2는 본 발명에 따른 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석방법에 따른 순서도.
도 3은 도넛형 공간분할 통계 모형을 예시적으로 도시한 도면.
도 4는 파이형 공간분할 통계 모형을 예시적으로 도시한 도면.
도 5는 다트(Dart)형 공간분할 통계 모형을 예시적으로 도시한 도면.
도 6은 본 발명에 따른 도넛형 차원과 파이형 차원을 이용한 공간분할 시각화 분석을 구현하기 위한 데이터마트 도면.
도 7은 본 발명에 따른 파이 차원으로 8개 역세권의 폴리곤에 대해 시각화한 제1도면.
도 8은 본 발명에 따른 파이 차원으로 8개 역세권의 폴리곤에 대해 시각화한 제2도면.
도 9는 본 발명에 따른 파이 차원으로 8개 역세권의 폴리곤에 대해 시각화한 제3도면.
도 10은 본 발명에 따른 다트형으로 공간분할된 역세권의 SNS 분포도를 보인 제1도면.
도 11은 본 발명에 따른 다트형으로 공간분할된 역세권의 SNS 분포도를 보인 제2도면.
이하, 본 발명에 따른 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 방법의 구체적인 내용에 대해 살펴보도록 한다.
본 발명은 위치정보를 포함하고 있는 데이터를 활용하여 특정 지역 내의 사람의 공간분포를 비교, 분석하고, 이를 기반으로 하여 도심권, 역세권, 핫플레이스를 자동으로 분석하는 장치 및 방법에 관한 것으로서,
위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치(1)는 제휴 이동통신사의 LBS 기반형 통신설비(10)와,
상기 LBS 기반형 통신설비(10)로부터 제공되는 위치기반형 SNS 데이터를 수신하는 위치기반형 SNS 데이터 수신모듈(20)과,
상기 위치기반형 SNS 데이터 수신모듈(20)을 통해 수신된 SNS 데이터를 분류, 정제하는 알고리즘을 적용하여 노이즈를 제거하고, 노이즈가 제거된 SNS 데이터를 이용하여 지도데이터를 도출하는 쓰리 이펙트형 공간 분석 제어모듈(30)과,
상기 쓰리 이펙트형 공간 분석 제어모듈(30)을 통해 도출된 지도데이터를 인증 및 결재가 확인된 고객에게 제공하는 인증 및 보상 제어모듈(40)을 포함하여 이루어진다.
상기 자동분석장치(1)를 이루는 각 부 구성에 대한 구체적인 내용을 살펴보도록 한다.
[ LBS 기반형 통신설비(10) ]
LBS(Location Based Service)란 이동단말을 이용하여 사람이나 사물의 위치를 정확하게 파악하는 시스템 및 측정된 위치와 관련된 다양한 부가 정보 서비스를 제공하기 위한 기술이다.
LBS는 이동통신망이나 GPS 등의 장치를 이용하여 이동단말의 위치를 파악하는 무선측위기술(Position Determination Technology)과 위치기반 서비스를 위한 LBS 플렛폼 기술 및 다양한 LBS 응용기술 등으로 나눌 수 있다.
무선측위기술(PDT)은 이동단말의 위치를 측정하기 위한 기술로서 통신망의 기지국 신호를 이용하는 망 기반 방식, 단말기에 장착된 GPS 수신기 등을 이용하는 단말기 기반 방식, 그리고 이들을 혼합하여 사용하는 혼합 방식으로 나눌 수 있다.
Cell-ID 방식: 기지국에 할당된 ID를 사용하여 기지국에 단말이 등록되면 기지국의 위치를 단말의 위치로 파악하는 방식이다.
AOA(Angle of Arrival) 방식: 두 개의 기지국에서 단말기가 전송하는 신호의 방향각을 측정하여 위치를 결정하는 방식이다.
TOA(Timing of Arrival) 방식: 단말기와 3개의 기지국간 사이의 전파전달 시간을 측정하여 취지를 측정하는 방식이다.
TDOA(Time Difference of Arrival) 방식: 단말에서 두 개의 이상의 기지국에서 전송한 신호의 도달 시간차를 계산하여 위치를 측정하는 방식이다.
E-OTD(Enhanced Observed Time Difference) 방식은 단말에 내장된 위치측정장치가 기지국에서 전송된 신호의 상대적인 도착 시간차를 측정하여 위치를 결정하는 방식이다.
A-GPS 방식: 단말에 내장된 GPS 위치측정장치가 3개 이상의 위성에서 전송되는 신호를 측정하여 단말의 위치를 결정하는 방식이다.
LBS(Location Based Service)는 주변정보제공, 길찾기, 친구찾기, 자녀 위치조회, 위치운세, 위치기반 광고 등 그 서비스 형태가 무궁무진하다. 특히 'LBS+증강현실', 'LBS+SNS' 등의 융합형 서비스가 증가하고 있는 실정이다.
[ 위치기반형 SNS 데이터 수신모듈(20) ]
상기 위치기반형 SNS 데이터 수신모듈(20)은 상기 LBS 기반형 통신설비(10)와 연결되어 유선 또는 무선으로 위치기반형 SNS 데이터를 수신하는 모듈이다.
[ 쓰리 이펙트형 공간 분석 제어모듈(30) ]
상기 쓰리 이펙트형 공간 분석 제어모듈(30)은 해버사인 거리 공식(Haversine Distance Formula)을 적용하여 해버사인 반경거리로 도넛형 차원을 생성하는 도넛형 공간분석 제어부(401)와,
아지무스 각도 공식(Azimuth Angle Formula)을 적용하여 30°각도로 등분하여 12가지 파이형 차원을 창출하는 파이형 공간분석 제어부(402)와,
상기 도넛형 차원과 파이형 차원을 통합하여 다트형(Dart) 공간차원을 창출하는 다트형 공간분석 제어부(403)와,
지도 위에 상기 다트형 공간분석 데이터를 맵핑하여 지도데이터를 도출하는 지도맵핑제어부(404)를 포함하여 이루어진다.
상기 도넛형은 역세권의 경우, 지하철역과 SNS가 위치한 직선거리를 측정하는 차원이고, 파이형은 직선거리 내의 움직임이 있는 SNS 간의 각도를 살펴볼 수 있는 차원이다.
역세권은 유동인구에 의해 지가가 형성되는데, 지하철역을 이용하는 사람 수가 많을수록 상권이 발달하게 되며 신도시 등 주거지역 개발계획으로 발전될 가능성이 높아 경제적 파급효과가 커진다. 역세권의 공간범위에 대해 다수의 연구자들은 격자 분할 등의 방법으로 공간을 단순 분할하고 있으나 기존의 공간 분할 방법으로는 사람들이 이동하는 방향이나 실제 역세권의 크기 및 발달 방향을 알 수 없다. 본 발명은 도넛형과 파이형을 동시에 이용함으로써 효과적인 공간 형태의 측정이 가능하도록 한다. 또한 이를 통해 각 역세권 공간을 면밀히 관찰할 수 있다. 이는 결과적으로 공간의 형태를 측정할 수 있는 두 차원이 결합된 다트형 공간분할 방안을 제시한다.
< 해버사인 반경거리 공식과 아지무스 각도 공식을 이용한 공간분할 >
본 발명은 지하철역 중심과 개별 SNS 위치 간의 거리를 구하는 대표적인 공식인 해버사인 공식을 이용한다. 해버사인 대신 역탄젠트 함수로 작성되는 경우도 있지만 비슷한 수치의 문제가 발생하기 때문에, 구면기하 삼각함수를 사용한 해버사인 공식을 이용한다.
Figure pat00001
식 (1)에서 A는 (Lati-Latc)이고, O는 (Loni-Lonc)이다. Lat은 Latitude의 줄임말로 위도를 표시한 것이고, Lon은 Longitude의 줄임말인 경도이다. i는 트윗의 좌표를, c는 지하철역의 중심 좌표를 나타낸 것이다. r은 지구 반경 6371.0009km를 나타낸다. 식 (1)을 이용하여 각 지하철역 중심좌표에서부터 반경 600미터 이내에 위치하는 SNS 만을 추출한다.
Figure pat00002
식 (2)는 지하철역 중심점과 정북 대비 트윗위치 간의 사이각을 계산해주는 아지무스 각도 공식을 이용한다. 각도를 구하기 위해 역탄젠트를 이용해 SNS와 지하철역 간의 각도를 구한다. π는 3.14를 나타낸다. 식 (2)를 이용하여 식 (1)에서 추출된 SNS의 각도를 계산한다.
< 도넛형 차원과 파이형 차원을 이용한 다트형 공간분할 >
도 3에 도시된 도넛형 공간차원(Donut-shaped Dimension)은 반경구간을 100 m로 설정함으로써 원형 역세권 600 m를 6개의 도넛형 공간으로 분할한 예시이다.
원의 중심에는 지하철역이 있고, a부터 e까지 다섯 개의 트윗지점이 있다고 가정한다. 트윗지점 a는 500 m ~ 600 m 구간에 있고, b와 c는 300 m ~ 400 m 구간에, d는 400 m ~ 500 m 구간에, 그리고 e는 200 m ~ 300 m 구간에 위치하고 있다.
도 4에 도시된 파이형 공간차원(Pie-shaped Dimension)은 설계자의 설계에 따라 적정 간격으로 공간을 설정하는 것이 가능하다. 본 발명에서는 30°각도로 등분하여 12가지 파이형 공간을 창출하였다. 여러 각도를 적용해 본 결과, 12각형 폴리곤이 적정하다고 판단된다.
사분면(Quadrant)은 파이형 차원의 부분합이다. a와 b는 북동(NE)쪽에 위치하고 있는데, 트윗지점 a는 정북 대비 0 ~ 30°공간에 그리고 b는 60 ~ 90° 공간에 있다. 남동(SE)쪽에 위치한 c는 120 ~ 150°공간에 있고, 남서(SW)쪽에 있는 d는 180 ~ 210°사이에 그리고 북서(NW)쪽에 위치한 e는 300 ~ 330°사이에 존재한다.
도넛형과 파이형 두 공간차원을 통합하면 다트형(DART) 공간차원이 만들어 지는데 도 5에 도시된 바와 같다.
본 발명에서는 다트형 공간을 활용하여 위치기반형 SNS의 위치를 측정한다. 위치기반형 SNS 좌표는 사람이 존재했던 장소로 판단 가능하고 사람들이 밀집한 공간을 확보한다면, 다트형 공간분할 기법으로 목적에 알맞은 상가시설 등 새로운 사업 또한 창출 가능할 것이다.
본 발명에서 역세권 분석에 적절하다고 판단한 공간범위는 반경 600m이고, 각 도넛의 거리 간격은 25 m, 각 파이의 간격은 30°로 분할하였고, 이에 따라 총 288개의 다트형 공간으로 구성된다.
상기 다트형 공간분석 기법은 법적으로 규정된 역세권 범위와 본 발명에서 지정한 역으로부터 반경 600 m 이내의 공간범위를 통틀어, 기존의 격자 형태를 통해서는 원이라는 형태의 사각지대까지 분석하기 어렵고, 같은 공간 내에 있지만 다른 사람일 경우를 포착하는 것이 어렵다는 단점을 발견하였다. 이에 다트형 공간분석 기법을 제안하였다. 이러한 다트형 공간차원은 사분면에 따라 인구와 SNS의 개수를 산출하여 적용한다.
< 위치기반 SNS 데이터 범위 및 역세권 분석용 데이터마트 구축 >
본 발명에 활용된 연구 자료는 위치정보가 포함된 위치기반 SNS 데이터와 공공데이터포털에서 제공된 지하철역 좌표를 통합한 데이터이다. 분석 대상인 지하철역은 서울시 강북권 4개역과 강남권 4개역을 선정하였다. 위치기반 SNS 데이터는 스트리밍 API 방식으로 수집되었고 수집 분량은 2014년 8월 24일부터 2016년 2월 18일까지이며, 수집건수는 31,344개의 SNS 이고, 사람은 6천 52명으로 집계되었다.(표 1)
LBSNS Data Collection
Data Column Case
2014.08.24 ~
2016.02.18		 Number of LBSNS (case) 31,344
Number of LBSNS (person) 6,052
서울시의 상업·업무 중심지는 도심, 강남, 영등포·여의도 세 권역으로 구분되는데, 서울시에서 위치기반 SNS 데이터가 발생되는 고밀도 영역은 강남역, 역삼역, 선릉역, 삼성역 등 강남구가 가장 큰 면적을 차지하고, 다음으로 서울역과 시청, 종로 등 종로구로 통칭되는 지역이다.
이에 본 발명에서는 위치기반 SNS 데이터 양이 많은 역을 선택하여 분석하였는데, 강남권은 테헤란로를 따라 형성된 ‘강남’, ‘역삼’, ‘선릉’, ‘삼성’역을 택하였고, 강북권은 남대문로, 태평로, 청계천로에 위치한 ‘서울’, ‘시청’, ‘종각’, ‘종로3가’역이다.
본 발명에서 제안하는 공간분할 시각화 분석을 구현하기 위한 데이터마트 스키마는 도 6과 같다.
팩트 테이블인‘Fact_GeoTweet’과 4가지 차원 테이블 (Dim_User, Dim_Location, Dim_Dartboard, Dim_Time)로 구성되어 있고, 다트 차원은 두 가지 차원 테이블(Dim_Donut, Dim_Pie)을 가지고 있는 스노우플레이크 형태이다.
측정 변수는 거리(Distance), 각도(Angle), 트윗량(Number of Tweets), 트윗인구(Tweet Population), 1인당 트윗량(Tweets per Person), 그리고 경도(Longitude)와 위도(Latitude)로 구성되어 있다.
사용자 차원(Dim_User)은 사용자 고유번호(User_ID), creen_Name(별명), User_Language(사용자 언어)라는 차원항목으로 구성되어 있고, 위치 차원(Dim_Location)은 권역(Region; 2개), 행정구역(District; 3개), 지하철역(Station; 8개)이라는 차원항목이 있다.
도넛 차원(Dim_Donut)은 600 m의 반경을 25 m 단위로 분할한 공간이 있고, 파이 차원(Dim_Pie)은 30°크기로 분할된 공간과 그 부분합인 사분면(Quadrant)으로 구성되어 있다.
마지막으로 시간 차원(Dim_TIME)은 트윗이 발생한 시간 정보를 담고 있는데, 연도와 분기, 월, 일, 시간과 같은 계층구조를 가지고 있다.
도 6의 구축된 데이터마트를 활용하여 분석대상으로 삼은 지하철역의 특성을 분석하였다. 이에 관한 자세한 사양은 표 2와 같다.
Attributes of Analysis Stations
Division Analysis
Subway (unit: piece) 8
Total Data (unit: column) 31,344
GeoTweets Population (unit: person) 6,052
Avg. Distance (unit: m) 361.2
Avg. Tweets per Person (unit: count) 5.2
분석대상인 지하철역은 8개이고, 분석에 사용된 데이터는 총 31,344열이며 지오트윗 인구는 6,052명이다. 8개 역의 역세권 평균거리는 361.2 m이고, 1명당이 보낸 평균 위치기반 SNS 개수는 5.2개이다.
< 공간분석단위별 인구의 위치기반 SNS 데이터양 >
지하철역과 같이 유동인구가 많은 장소를 분석할 때는 도넛형 차원과 파이형 차원을 응용하여 분석할 때 큰 의미가 있다. 표 3과 표 4는 각 역을 사분면으로 분할하여 집계한 것으로, 각 지하철역의 중심좌표부터 600 m 이내에서 발생한 위치기반 SNS를 집계한 것이다.
Geotweet Population by Quadrant
Region Station NW NE SW SE Total


Gangbuk		 Seoul 71 402 631 814 1,918
City Hall 1,053 1,553 327 1,036 3,969
Jonggak 511 741 2,044 522 3,818
Jongno 3-ga 469 43 420 139 1,071


Gangnam		 Gangnam 656 259 115 200 1,230
Yeoksam 138 209 140 79 566
Seolleung 85 97 123 79 384
Samsung 682 75 169 91 1,017
Total 3,665 3,379 3,969 2,960 13,973
상기 표 3은 지오트윗 인구를 집계한 것으로, 8개 역에서 트윗을 보낸 연인원은 총 13,973명이다. 그런데 이 인원 수는 표 2에서 밝힌 고유인구 수(6,052명)와 크게 차이가 나는데, 그 이유는 같은 사람이 같은 역의 다른 사분면 또는 아예 다른 역에서 트윗 했을 경우, 표 3에는 중복 집계되어 있기 때문이다.
사분면 중 가장 많은 인구가 나타난 지점은 남서 방향이고, 8개 역 중 가장 많은 사람들이 활동한 공간 역시 종각역의 남서 방향(2,044명)이다. 이곳은 청계천이 시작되는 지점인 청계광장과 서울시청, 을지로입구역으로 이어진 길로 인파가 많은 장소이다.
Geotweet Counts by Quadrant
Region Station NW NE SW SE Total


Gangbuk		 Seoul 79 548 977 1,380 2,984
City Hall 2,087 4,330 612 1,931 8,960
Jonggak 1,182 1,525 5,486 1,034 9,227
Jongno 3-ga 1,375 179 884 268 2,706


Gangnam		 Gangnam 1,626 547 280 508 2,961
Yeoksam 346 665 286 139 1,436
Seolleung 170 168 350 197 885
Samsung 1,439 153 373 220 2,185
Total 8,304 8,115 9,248 5,677 31,344
상기 표 4는 지하철역별 위치기반 지오트윗량을 집계한 것으로 강남권에서 가장 많은 트윗량이 발생한 곳이 강남역(2,961건)인데, 강북의 최대 트윗발생지점인 종각역(9,227건) 트윗량의 32 %에 불과하다.
가장 많은 트윗량이 나타난 방향은 상기 표 3과 마찬가지로 종각역 남서방향인데, 트윗량은 트윗인구 수에 비례한다는 일반적인 사실에 대한 증거로 볼 수 있다.
< 역세권 거리 및 역세권 면적 추정 >
표 5는 8개 지하철역의 중심좌표와 각 LBSNS 간의 평균 거리를 나타내었다.
Average Distance by Quadrant
Region Station NW NE SW SE Avg.


Gangbuk		 Seoul 328.6 378.5 245.6 358.5 327.8
City Hall 447.8 349.6 345.9 458.4 400.4
Jonggak 430.4 425.2 512.2 388.3 439.0
Jongno 3-ga 430.9 478.3 370.0 383.7 415.7


Gangnam		 Gangnam 319.6 337.8 292.3 329.9 319.9
Yeoksam 353.1 334.9 330.6 289.3 327.0
Seolleung 201.7 314.4 398.3 341.9 314.1
Samsung 359.4 325.6 314.8 382.7 345.6
Average 358.9 368.0 351.2 366.6 361.2
상기 표 5를 근거로 역세권의 평균 거리를 살펴보면, 종각역(473.5 m)이 가장 크게 역세권이 형성되어 있고, 특히 종각역의 남서방향은 역 가까이 보다는 먼 지점에 상권이 발달되어 있을 것으로 예상된다.
강남권(약 320 ~ 350 m)은 강북권(약 320 ~ 470 m)에 비해 역세권이 작게 형성되어 있다. 즉, 거의 모든 방향에 걸쳐서 상권이 역 가까이에 조밀하게 발달해 있다.
역세권의 거리가 600 m에 가깝게 형성된 거대 상권 지역이라고 해서 꼭 좋은 것은 아니지만, 실제로 유동인구가 많다면 SNS 인구가 증가할 가능성 또한 높다고 판단하였다.
본 발명에서 사용된 LBSNS는 사용자가 자발적으로 본인의 위치를 밝혔다는 점과 즉각적인 정보가 발생된다는 점에서 SNS의 특성이 잘 반영되어 있다.
Area Size of Subway Station Area
Region Station Area size(㎡)

Gangbuk		 Seoul 317,957
City Hall 372,937
Jonggak 535,214
Jongno 3-ga 490,495


Gangnam		 Gangnam 298,725
Yeoksam 293,574
Seolleung 286,365
Samsung 291,861
Average 360,891
상기 표 6은 역세권 공간범위인 면적을 polyarea 함수를 이용하여 산출한 것이다. 식은 (3)과 같다.
Figure pat00003
30°각도로 계산된 12각형의 면적을 구할 수 있고, 무게중심 좌표 X와 Y의 배열에서 시작해 시계 방향으로 추적하게 된다. i는 n일 때의 Xn+1은 연결된 다음 점 X1을 의미하고, Yn+1은 Y1을 의미한다.
역세권이라는 다각형의 근간은 파이형 공간별 중심점이며, 이 중심점은 해당 파이형 공간의 트윗량 밀도에 의해 결정된다.
본 발명에서는 이 중심점들을 연결한 다각형을 각 지하철역의 역세권으로 정의한다.
8개 지하철역의 역세권별 평균 공간범위는 360,891 ㎡이고, 평균 대비 큰 역세권 면적을 가진 역은 종각역(148 %)과 종로3가역(136 %)이고, 강남권의 4개 역은 모두 강북에 비해 역세권 면적이 작다는 점(평균 대비 약 80 %)이 특징이다.
< 다차원 시각화 분석 >
파이(Pie) 차원과 다트(DART) 차원의 공간분할 기법으로 역세권을 분석하면, 역세권이 형성된 폴리곤의 형상과 명소를 알 수 있기 때문에 역세권 내에서도 발달되지 못한 부분에 대해 세밀한 분석과 대응 방안에 대한 연구가 가능하다. 이러한 파이 차원과 다트 차원은 '태블로'을 포함하는 비주얼 애널리틱스 툴을 이용하거나 또는 '파이썬'을 포함하는 컴퓨터 언어를 통해 시각화할 수 있다.
상기 '파이썬'의 경우, 본 출원인에 의해 2018년도에 개발된 자동화 프로그램으로서, 현재 3종의 SW저작권으로 등록되어 있다.(“세계도시 트윗량 공간시각화”: C-2018-031388, “도쿄 Top 20 명소의 권역 추정 및 핫플레이스 공간시각화”: C-2018-031150, “서울 지하철 역세권 추정 및 핫플레이스 발견을 위한 공간분석맵”: C-2018-031149)
도 7, 도 8, 도 9는 파이 차원으로 8개 역세권의 폴리곤에 대해 시각화한 것이다. 다트 차원으로 시각화하였을 때는 원의 크기를 통해 SNS양을 파악할 수 있고 명소를 발견할 수 있다. 다트형으로 공간분할된 역세권의 SNS 분포도는 도 10과 도 11을 통해 확인 가능하다.
각 역의 중심좌표로부터 총 600 m 이내의 공간에서 발생된 SNS양과 파이형 차원을 활용하여 도 7과 같이 역세권의 폴리곤을 구현하였다. 선의 굵기는 SNS양을 나타내는데, 동일한 지점에서 발생된 SNS양이 많을수록 선이 굵게 나타난다. 다트형의 원의 크기와 파이형의 선의 굵기는 동일한 내용이다.
본 발명에서 추정된 각 역세권의 공간적 범위 내에는 트윗의 빈 공간이 발생하지 않았기 때문에, 트윗 인구를 집계하여 역세권의 공간범위를 추정한 본 연구에서 공간 분포를 가시화하는 데에 도 7부터 도 11까지 도면이 가장 적합하다고 판단된다.
도 8은 테헤란로를 따라 형성되어 있는 강남권 4개역의 역세권을 폴리곤으로 표현한 것으로, 좌측부터‘강남, 역삼, 선릉, 삼성’순으로 배치되어 있다. 선의 굵기는 각 역마다 트윗이 집중적으로 발생된 방향을 나타낸다. 즉, 그 방향에 명소가 존재함을 예측할 수 있다. 강남역은 강남권의 타 역에 비해 전체적으로 높은 트윗량을 보이는데, 이는 위락시설의 밀집도가 높기 때문인 것으로 추정되며, 특히 북서방향에서 트윗량이 높게 발생되고 있다. 삼성역 또한 코엑스 내에서 트윗량이 높게 발생되는 것을 알 수 있었다.
도 9는 강북권 4개역의 역세권을 폴리곤 형태로 살펴본 것이고, 좌측부터 ‘서울’, ‘시청’, ‘종각’, ‘종로3가’역이 위치해 있다. 강북권역은 반듯하게 구획되어 일직선상에서 연결된 강남권과 달리 곡선 형태로 연결되어 있다. 강북은 시청과 종각 사이에서 중첩이 발생하고 있다. 폴리곤 간의 중첩이 발생된 지역은 행정구역의 합성 외에도 유동인구와 상주인구로 인해 다량의 트윗을 발견할 수 있어, 역세권 내 명소와 깊은 연관이 있을 수 있다. 중첩이 발생된 시청과 종각역 사이의 이 지점은 을지로, 명동 등이 인접한 위치로 직장인과 쇼핑 인파 등이 혼재해 있는 지역이다.
역세권에 대해 세밀한 관찰이 가능한 다트형 차원을 이용해 도 10과 같이 원의 크기로 트윗량을 나타냄과 동시에 각 역세권의 명소가 드러날 수 있도록 표현하였다. 삼성역에서 가장 높은 트윗량이 발생된 곳은 역과 연결된 코엑스이고, 강남역에서 트윗이 밀집한 지점은 역 내 지하상가인 것으로 확인되었다.
역과 연결된 복합쇼핑몰 등의 휴게시설에서 가장 많은 트윗이 발생되는 것이 발견되었고, 많은 사람들이 각 역의 명소로 알고 있는 장소가 실제 명소라는 사실이 입증되었다. 실제 상점을 이용하는 고객 및 유동인구가 많은 것은 표 5의 승하차인원(Boarding Population)을 통해 확인 가능하다.‘강남’,‘역삼’,‘선릉’역은 테헤란로를 따라 트윗이 지속되고 있는 모습을 보인다.
폴리곤 간 중첩이 발생된 역세권은 각 행정구역의 합성으로 이어져 도시계획에 관한 정보를 추출하는 것이 가능하다. 폴리곤 간 중첩 발생에 관한 정보는 본 연구에서 개발된 다트형 공간분할 방법으로 관찰할 수 있다는 점에서 그 의의가 크다.
도 11은 강북권의 명소를 판별하기 위해 다트형 차원으로 시각화하였으며, 도 9의 폴리곤 중첩이 발생된 지점과 동일한 장소에서 원의 크기가 가장 크게 나타난 것을 알 수 있다. 서울특별시청과 청계광장이 있는 공간이며, 서울을 대표하는 중심가이기 때문에 내국인은 물론 외국인도 많이 찾는 명소로 알려져 있다.
[ 인증 및 보상 제어모듈(40) ]
상기 인증 및 보상 제어모듈(40)은 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치를 통해 도출된 도심권, 역세권, 핫플레이스를 나타낸 지도데이터를 인증 및 결재 과정을 마친 고객에게 제공하는 모듈로서,
전자재모듈과 전자결재 고객과 무선 또는 유선으로 연결되어 전자결재시 상기 지도데이터를 고객에게 전송하는 인터페이스부를 포함하여 구성된다.
앞서 제시된 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치를 통한 도심권, 역세권, 핫플레이스 자동분석방법을 정리하면 다음과 같다.
즉, 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석방법은 제휴 이동통신사 서버로부터 위치기반형 SNS 데이터를 수신하고 저장하는 단계(S10)와,
분류, 정제 알고리즘을 이용하여 상기 수신된 위치기반형 SNS 데이터를 분류, 정제하여 노이즈를 제거하는 단계(S20)와,
상기 분류, 정제된 위치기반형 SNS 데이터에 기반하여, 쓰리 이펙트형 공간 분석 제어모듈을 통해 도넛형 공간분석 데이터와 파이형 공간분석 데이터를 도출하는 단계(S30)와,
상기 도넛형 공간분석 데이터와 파이형 공간분석 데이터에 기반하여, 쓰리 이펙트형 공간 분석 제어모듈을 통해 다트형 공간분석 데이터를 도출하는 단계(S40)와,
지도맵핑제어부를 통해, 지도 위에 상기 다트형 공간분석 데이터를 맵핑하여 지도데이터 도출하는 단계(S50)와,
인증절차를 거친 후 결재가 확인된 고객에게 상기 지도데이터를 제공하는 단계(S60)를 포함하여 이루어진다.
본 발명에 따른 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 방법은 LBS 기반형 통신설비로부터 제공되는 위치기반형 SNS 데이터를 활용하여 각 지역의 특성에 기반을 둔 도심권, 역세권, 핫플레이스의 적정 범위를 효과적으로 제시함으로써 정밀 분석을 통해 지하철역 건설, 주택건설에 따른 입지 선정 자료 활용 등 다양한 분야의 적용가능성이 높아 산업상 이용가능성이 크다.
10: LBS 기반형 통신설비
20: 위치기반형 SNS 데이터 수신모듈
30: 쓰리 이펙트형 공간 분석 제어모듈
40: 인증 및 보상 제어모듈

Claims (3)

  1. 제휴 이동통신사의 LBS 기반형 통신설비(10)와,
    상기 LBS 기반형 통신설비(10)로부터 제공되는 위치기반형 SNS 데이터를 수신하는 위치기반형 SNS 데이터 수신모듈(20)과,
    상기 위치기반형 SNS 데이터 수신모듈(20)을 통해 수신된 SNS 데이터를 분류, 정제하는 알고리즘을 적용하여 노이즈를 제거하고, 노이즈가 제거된 SNS 데이터를 이용하여 지도데이터를 도출하는 쓰리 이펙트형 공간 분석 제어모듈(30)과,
    상기 쓰리 이펙트형 공간 분석 제어모듈(30)을 통해 도출된 지도데이터를 인증 및 결재가 확인된 고객에게 제공하는 인증 및 보상 제어모듈(40)을 포함하여 이루어지는 것임을 특징으로 하는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치.
  2. 청구항 1에 있어서,
    쓰리 이펙트형 공간 분석 제어모듈(40)은
    해버사인 거리 공식(Haversine Distance Formula)을 적용하여 해버사인 반경거리로 도넛형 차원을 생성하는 도넛형 공간분석 제어부(401)와,
    아지무스 각도 공식(Azimuth Angle Formula)을 적용하여 30°각도로 등분하여 12가지 파이형 차원을 창출하는 파이형 공간분석 제어부(402)와,
    상기 도넛형 차원과 파이형 차원을 통합하여 다트형(Dart) 공간차원을 창출하는 다트형 공간분석 제어부(403)와,
    지도 위에 상기 다트형 공간분석 데이터를 맵핑하여 지도데이터를 도출하는 지도맵핑제어부(404)를 포함하여 이루어지는 것임을 특징으로 하는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치.
  3. 제휴 이동통신사 서버로부터 위치기반형 SNS 데이터를 수신하고 저장하는 단계(S10)와,
    분류, 정제 알고리즘을 이용하여 상기 수신된 위치기반형 SNS 데이터를 분류, 정제하여 노이즈를 제거하는 단계(S20)와,
    상기 분류, 정제된 위치기반형 SNS 데이터에 기반하여, 쓰리 이펙트형 공간 분석 제어모듈을 통해 도넛형 공간분석 데이터와 파이형 공간분석 데이터를 도출하는 단계(S30)와,
    상기 도넛형 공간분석 데이터와 파이형 공간분석 데이터에 기반하여, 쓰리 이펙트형 공간 분석 제어모듈을 통해 다트형 공간분석 데이터를 도출하는 단계(S40)와,
    지도맵핑제어부를 통해, 지도 위에 상기 다트형 공간분석 데이터를 맵핑하여 지도데이터 도출하는 단계(S50)와,
    인증절차를 거친 후 결재가 확인된 고객에게 상기 지도데이터를 제공하는 단계(S60)를 포함하여 이루어지는 것임을 특징으로 하는 위치기반 SNS 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석방법.
KR1020190008142A 2019-01-22 2019-01-22 위치기반 sns 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법 KR102159617B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190008142A KR102159617B1 (ko) 2019-01-22 2019-01-22 위치기반 sns 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190008142A KR102159617B1 (ko) 2019-01-22 2019-01-22 위치기반 sns 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법

Publications (2)

Publication Number Publication Date
KR20200091193A true KR20200091193A (ko) 2020-07-30
KR102159617B1 KR102159617B1 (ko) 2020-09-24

Family

ID=71839254

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190008142A KR102159617B1 (ko) 2019-01-22 2019-01-22 위치기반 sns 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법

Country Status (1)

Country Link
KR (1) KR102159617B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116495946A (zh) * 2023-06-27 2023-07-28 珠江水利委员会珠江水利科学研究院 一种用于城市雨污水截污调蓄和清淤综合处理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072085A (ko) * 2010-12-23 2012-07-03 주식회사 케이티 위치 기반의 창업 지원 서비스 제공 시스템 및 그 방법
KR101232037B1 (ko) 2011-05-04 2013-02-12 이상현 웹-지도정보 기반 상권분석 자동화시스템 및 자동화방법
KR20160036747A (ko) * 2014-09-25 2016-04-05 디노플러스 (주) 지역적 특성이 반영된 맞춤형 광고를 위한 빅데이터 구축시스템
KR20170025454A (ko) * 2015-08-28 2017-03-08 서울대학교산학협력단 소셜 미디어 데이터의 시공간 분석 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072085A (ko) * 2010-12-23 2012-07-03 주식회사 케이티 위치 기반의 창업 지원 서비스 제공 시스템 및 그 방법
KR101232037B1 (ko) 2011-05-04 2013-02-12 이상현 웹-지도정보 기반 상권분석 자동화시스템 및 자동화방법
KR20160036747A (ko) * 2014-09-25 2016-04-05 디노플러스 (주) 지역적 특성이 반영된 맞춤형 광고를 위한 빅데이터 구축시스템
KR20170025454A (ko) * 2015-08-28 2017-03-08 서울대학교산학협력단 소셜 미디어 데이터의 시공간 분석 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TTA Journal No.130., "스마트폰 위치기반 서비스(LBS) 기술동향", 정구민, 최완식, pp. 77

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116495946A (zh) * 2023-06-27 2023-07-28 珠江水利委员会珠江水利科学研究院 一种用于城市雨污水截污调蓄和清淤综合处理方法及系统
CN116495946B (zh) * 2023-06-27 2023-10-13 珠江水利委员会珠江水利科学研究院 一种用于城市雨污水截污调蓄和清淤综合处理方法及系统

Also Published As

Publication number Publication date
KR102159617B1 (ko) 2020-09-24

Similar Documents

Publication Publication Date Title
US10750470B2 (en) Systems and methods for determining if a receiver is inside or outside a building or area
Silva et al. A comparison of foursquare and instagram to the study of city dynamics and urban social behavior
Zheng et al. Detecting collective anomalies from multiple spatio-temporal datasets across different domains
US9373130B2 (en) System and method for aggregating and associating mobile device location data
Weppner et al. Monitoring crowd condition in public spaces by tracking mobile consumer devices with wifi interface
US20130095855A1 (en) Method, System, and Computer Program Product for Obtaining Images to Enhance Imagery Coverage
CN110020221B (zh) 职住分布确认方法、装置、服务器及计算机可读存储介质
US9049546B2 (en) User description based on a context of travel
US20120162225A1 (en) View dependent techniques to determine user interest in a feature in a 3d application
US20130035089A1 (en) Generating an OD Matrix
KR20150037769A (ko) 모바일 애플리케이션 사용자의 관심 프로파일
WO2019153889A1 (zh) 地理位置服务的实现
US20140045517A1 (en) System for determination of real-time queue times by correlating map data and mobile users&#39; location data
CN107688955A (zh) 一种基于自适应dbscan密度聚类的城市商业圈群簇划分方法
Li et al. A two-phase clustering approach for urban hotspot detection with spatiotemporal and network constraints
CN108108997B (zh) 车载广告投放公交线路选取方法及装置
KR102159617B1 (ko) 위치기반 sns 데이터를 통한 도심권, 역세권, 핫플레이스 자동분석장치 및 자동분석방법
Huang et al. Recognition of Functional Areas in an Old City Based on POI: A Case Study in Fuzhou, China
Mitchell et al. Geographies of locative apps
Nuzir et al. Dynamic Land-Use Map Based on Twitter Data.
KR101118534B1 (ko) 위치기반 서비스 정보 제공 방법
Lin et al. Visualizing population mobility from spatiotemporally aggregated mobile phone data via a 3D gradient approach
Pavlicek et al. Big data analytics–geolocation from the perspective of mobile network operator
Gautama et al. Observing human activity through sensing
CN106682015B (zh) 一种兴趣点的推荐方法及装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right