KR20200128226A - Fine dust concentration prediction system - Google Patents
Fine dust concentration prediction system Download PDFInfo
- Publication number
- KR20200128226A KR20200128226A KR1020190045697A KR20190045697A KR20200128226A KR 20200128226 A KR20200128226 A KR 20200128226A KR 1020190045697 A KR1020190045697 A KR 1020190045697A KR 20190045697 A KR20190045697 A KR 20190045697A KR 20200128226 A KR20200128226 A KR 20200128226A
- Authority
- KR
- South Korea
- Prior art keywords
- fine dust
- dust concentration
- big data
- neural network
- artificial neural
- Prior art date
Links
- 239000000428 dust Substances 0.000 title claims abstract description 301
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 34
- 238000013480 data collection Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000000474 nursing effect Effects 0.000 abstract description 6
- 238000000149 argon plasma sintering Methods 0.000 description 8
- 239000013618 particulate matter Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000005250 beta ray Effects 0.000 description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000000711 cancerogenic effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical compound OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011133 lead Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Refuse Collection And Transfer (AREA)
Abstract
Description
본 발명은 테마파크 또는 요양시설 등의 소정 지역 내의 다수의 분할영역 각각에 미세먼지 센서를 구비하며, 미세먼지 센서들로부터 측정된 미세먼지 농도를 메인서버가 수신하여 데이터베이스에 저장하고, 메인서버는 데이터베이스에 저장된 미세먼지 농도들을 이용하여 빅데이터 패턴 분석을 행하여 각 분할영역 별로 미세먼지 농도를 예측하며, 지역별 현재의 미세먼지 농도 뿐만아니라 향후의 미세먼지 농도를 사용자의 스마트폰으로 전송하는, 미세먼지 농도 예측 시스템에 관한 것이다.The present invention includes a fine dust sensor in each of a plurality of divided areas within a predetermined area such as a theme park or a nursing facility, the main server receives the fine dust concentration measured from the fine dust sensors and stores it in a database, and the main server is a database Fine dust concentration that predicts the fine dust concentration for each segment by performing big data pattern analysis using the fine dust concentrations stored in, and transmits not only the current fine dust concentration by region but also the future fine dust concentration to the user's smartphone. It relates to a prediction system.
먼지란 대기 중에 떠다니거나 흩날려 내려오는 입자상 물질을 말한다. 먼지는 입자의 크기에 따라 50μm 이하인 총먼지(TSP, Total Suspended Particles)와 입자크기가 매우 작은 미세먼지(PM, Particulate Matter)로 구분한다. 미세먼지는 다시 지름이 10μm보다 작은 미세먼지(PM10)와 지름이 2.5μm보다 작은 미세먼지(PM2.5)로 나뉘며, PM2.5가 국제적인 비교 기준으로 주로 활용된다. PM10이 사람의 머리카락 지름(50~70μm)보다 약 1/5~1/7 정도로 작은 크기라면, PM2.5는 머리카락의 약 1/20~1/30에 불과할 정도로 매우 작다. 미세먼지 성분은 주로 아황산가스ㆍ질소산화물ㆍ납 등을 포함한 대기오염물질이다.Dust refers to particulate matter that floats or scatters in the air. Dust is classified into total dust (TSP, Total Suspended Particles), which is less than 50μm, and fine dust (PM, Particulate Matter), which has a very small particle size, depending on the size of the particles. Fine dust is further divided into fine dust (PM 10 ) whose diameter is smaller than 10 μm and fine dust (PM 2.5 ) whose diameter is smaller than 2.5 μm, and PM 2.5 is mainly used as an international comparison standard. If PM 10 is about 1/5~1/7 smaller than the diameter of human hair (50~70μm), PM 2.5 is very small, about 1/20~1/30 of the hair. The fine dust components are mainly air pollutants including sulfurous acid gas, nitrogen oxides, and lead.
미세먼지는 눈에 보이지 않을 만큼 매우 작기 때문에 대기 중에 머물러 있다 호흡기를 거쳐 폐 등에 침투하거나 혈관을 따라 체내로 이동하여 들어감으로써 건강에 나쁜 영향을 미칠 수도 있다. 세계보건기구(WHO)는 미세먼지(PM10, PM2.5)에 대한 대기질 가이드라인을 1987년부터 제시해 왔고, 2013년에는 세계보건기구 산하의 국제암연구소(IARC, International Agency for Research on Cancer)에서 미세먼지를 사람에게 발암이 확인된 1군 발암물질(Group 1)로 지정하였다. 미세먼지에 대한 국내 환경기준은 현재 ‘㎥당 25㎛ 이하’인데, 이는 WHO 권고기준보다 2배 이상 높은 수준이다. Because fine dust is so small that it is invisible, it stays in the air. It may have a negative impact on health by infiltrating the lungs through the respiratory tract or moving into the body through blood vessels. The World Health Organization (WHO) has proposed air quality guidelines for fine dust (PM 10 and PM 2.5 ) since 1987, and in 2013, the International Agency for Research on Cancer (IARC) under the World Health Organization Fine dust was designated as a
특히, 요양시설 등등은 다양한 환자들이 모여있으며, 이들 환자는 저항력이 상대적으로 약하므로, 미세먼지 농도를 수시로 체크하고, 향후를 예측하여 사전 대비하는 것이 필요하다.In particular, a variety of patients are gathered in nursing homes and the like, and these patients have relatively weak resistance, so it is necessary to check the concentration of fine dust from time to time and to predict the future and prepare in advance.
따라서 본 발명은 테마파크 또는 요양시설 등의 소정 지역 내의 다수의 분할영역 각각에 미세먼지 센서를 구비하며, 미세먼지 센서들로부터 측정된 미세먼지 농도를 메인서버가 수신하여 데이터베이스에 저장하고, 메인서버는 데이터베이스에 저장된 미세먼지 농도들을 이용하여 빅데이터 패턴 분석을 행하여 각 분할영역 별로 미세먼지 농도를 예측하며, 지역별 현재의 미세먼지 농도 뿐만아니라 향후의 미세먼지 농도를 사용자의 스마트폰으로 전송하는, 미세먼지 농도 예측 시스템을 제안한다.Accordingly, the present invention includes a fine dust sensor in each of a plurality of divided areas within a predetermined area such as a theme park or a nursing facility, the main server receives the fine dust concentration measured from the fine dust sensors and stores it in the database, and the main server Fine dust, which predicts the fine dust concentration for each segment by performing big data pattern analysis using the fine dust concentrations stored in the database, and transmits not only the current fine dust concentration by region but also the future fine dust concentration to the user's smartphone. We propose a concentration prediction system.
미세먼지 측정 방법은 미세먼지를 포집하는 방법에 따라 크게 수동 측정법과 자동 측정법으로 구분되며, 자동 측정법으로는 크게 베타선 측정법(Beta gauge), 광산란법(Light Scattering Method), TEOM(Tapered element oscillating microbalance)으로 구분되며, 여기서 베타선 측정법과 광산란법은 모두 빛을 이용하는 광학법(Optical method)이다. 베타선 측정법은 베타선 흡수법(Beta attenuation monitor)이라고도 하며, 테이프 처럼 시간에 따라 감기는 포집 테이프에 베타선을 쪼여 포집 전후의 농도를 측정하는 방법으로, 자동 측정이 가능하여 쉽고 편하지만, 실시간 측정이 어려워 최소시간 단위로 측정되며 일반적으로 최소 1시간 단위로 측정되어, 짧은 시간에 수시로 변하는 환경의 모니터링을 위한 사용에는 부적절하므로 다단충돌기(Cascade impactor)와 같은 보조적인 장치가 필요하다. 광산란법은 대기중에 부유하고 있는 입자상물질에 빛을 조사하면 입자상 물질에 의하여 빛이 산란하게 되고 이때, 물리적 성질이 동일한 입자상물질에 빛을 조사하면 산란광의 양은 질량농도에 비례되는 성질을 이용하는 것으로, 이러한 원리를 이용하여 산란광의 양을 측정하고 그 값으로부터 입자상 물질의 농도를 구하는 방법이다. 광산란법은 실시간 측정이 가능하고 휴대가 용이하며, 한 개의 장치로 PM2.5, PM10, TSP 등과 같은 입자 크기 별 측정이 동시에 가능하다는 장점이 있으나, 입자의 개수농도를 측정하며, 이를 질량 농도로 전환하는 과정에서 다소 오차가 발생할 수 있으나, 일반적으로 많은 종류의 미세먼지 측정기기들에서 이 방법을 적용한다.Fine dust measurement methods are largely divided into manual and automatic measurement methods depending on the method of collecting fine dust, and the automatic measurement methods are largely beta gauge, light scattering method, TEOM (tapered element oscillating microbalance). Here, both the beta ray measurement method and the light scattering method are optical methods using light. Beta ray measurement method, also called beta attenuation monitor, is a method of measuring the concentration before and after collection by applying a beta ray to a collection tape that is wound over time like a tape.It is easy and convenient because it can be automatically measured, but it is difficult to measure in real time. It is measured in the minimum time unit and is generally measured in the unit of at least 1 hour, so it is inappropriate for use for monitoring the environment that changes frequently in a short time, so an auxiliary device such as a cascade impactor is required. In the light scattering method, when light is irradiated on particulate matter floating in the atmosphere, light is scattered by particulate matter. At this time, when light is irradiated on particulate matter with the same physical property, the amount of scattered light is proportional to the mass concentration. It is a method of measuring the amount of scattered light using this principle and obtaining the concentration of particulate matter from the value. The light scattering method has the advantage that real-time measurement is possible and portable, and it is possible to measure each particle size such as PM 2.5 , PM 10 , TSP with one device at the same time, but it measures the number concentration of particles, and this is used as mass concentration. There may be some errors in the conversion process, but in general, this method is applied to many types of fine dust measuring devices.
일반적으로 측정된 데이터를 근거리 무선통신을 이용하여 클라우드 서버로 전송하도록 이루어지나, 근거리 무선네트워크로 WIFI, Bluetooth, IoT 모듈 등이 있지만 모두 거리 제한이 있어 일정지역내에서 데이터를 전송하기 위해서는 촘촘한 네트워크를 구성해야 하는 단점이 있다. In general, the measured data is transmitted to a cloud server using short-range wireless communication.However, there are WIFI, Bluetooth, and IoT modules as short-range wireless networks, but all have distance limitations, so a dense network is required to transmit data within a certain area. There is a downside to configuring.
따라서 본 발명은 실시간 측정이 가능한 광산란법을 적용한 센서를 이용하며, 상대적으로 거리에 구애받지 않고 데이터를 수집할 수 있는 근거리 통신방식인, SK텔레콤이 구축한 사물인터넷(IoT) 전용망 로라(LoRa) 네트워크를 이용하여 메인서버로 측정된 미세먼지 농도를 전송하도록 이루어지며, 메인서버는 저장된 빅데이터를 분석하여 미세먼지의 시간별, 계절별, 날씨별 패턴을 추출하고, 이를 바탕으로 예측 및 경보를 행하도록 이루어진, 미세먼지 농도 예측 시스템을 제안한다.Therefore, the present invention uses a sensor to which a light scattering method capable of real-time measurement is applied, and a short-range communication method capable of collecting data regardless of a relatively distance, the Internet of Things (IoT) dedicated network LoRa built by SK Telecom. The network is used to transmit the measured fine dust concentration to the main server, and the main server analyzes the stored big data to extract patterns by time, season, and weather of fine dust, and predicts and alarms based on this. A system for predicting the concentration of fine dust is proposed.
선행기술로, 국내 등록특허 제10-1915704호의 미세먼지 측정 시스템 및 방법은, 다수 개의 측정장치, 사용자 단말기와 측정서버를 포함하며, 상기 사용자단말기의 미세먼지정보의 요청에 따라 미세먼지정보를 상기 사용자단말기로 전송하기 위한 측정서버를 포함한다. 국내 등록특허 제10-1915704호의 경우는 미세먼지 농도를 사전에 예측할 수 없다.As a prior art, the fine dust measuring system and method of Korean Patent Registration No. 10-1915704 includes a plurality of measuring devices, a user terminal and a measuring server, and the fine dust information is recalled according to the request of the fine dust information of the user terminal. It includes a measurement server for transmission to the user terminal. In the case of Korean Patent No. 10-1915704, the concentration of fine dust cannot be predicted in advance.
다른 선행기술로, 국내 공개특허공보 제10-2015-0049433호의 미세 먼지 농도 결정 시스템 및 방법은, 시간 인덱스 데이터 및 베타선 강도 평균값으로 구성된 블록 데이터의 자기상관 및 상호상관을 통한 근사함수의 파라미터산출을 하는 파라미터 산출부와, 상기 파라미터 산출부에서 추정된 근사함수로부터 잡음 제거된 데이터 세그먼트 블록 데이터의 베타선 강도 데이터의 추정값을 산출하여 베타선 강도를 예측하는 베타선 강도 예측부와, 상기 베타선 강도 예측부에서 산출된 베타선 강도 데이터의 추정값을 이용하여 미세 먼지의 농도를 산출하는 농도 산출부를 포함한다. 국내 공개특허공보 제10-2015-0049433호에서도 미세먼지 농도를 사전에 예측할 수 없다.As another prior art, the system and method for determining the fine dust concentration of Korean Laid-Open Patent Publication No. 10-2015-0049433 uses auto-correlation and cross-correlation of block data composed of time index data and beta-line intensity average values to calculate parameters of approximate functions. And a beta-line strength predictor for predicting beta-line strength by calculating an estimate of the beta-line strength data of the data segment block data noise-removed from the approximation function estimated by the parameter calculating unit; and the beta-line strength predicting unit. It includes a concentration calculator for calculating the concentration of fine dust using the estimated value of the beta ray intensity data. Even in Korean Patent Publication No. 10-2015-0049433, the concentration of fine dust cannot be predicted in advance.
다른 선행기술로, 국내 공개특허공보 제10-2015-0070692호의 스마트폰 어플리케이션과 스마트폰과 결합된 미세먼지 센서 장치를 이용한 미세먼지 농도 측정 방법은, 미세먼지 센서 장치로부터 검출된 신호를 스마트폰 단말를 통해 서비스 운영시스템으로 전달되고, 서비스 운영시스템은 상기 신호를 데이터 처리하여 스마트폰 단말로 전송하여 출력하게 한다. 국내 공개특허공보 제10-2015-0070692호에서도 미세먼지 농도를 사전에 예측할 수 없다.As another prior art, the method for measuring the concentration of fine dust using the smart phone application of Korean Patent Publication No. 10-2015-0070692 and the fine dust sensor device combined with the smart phone, uses a signal detected from the fine dust sensor device to the smart phone terminal. It is transmitted to the service operating system through the service operating system, and the service operating system processes the data and transmits it to the smartphone terminal for output. Even in Korean Patent Application Publication No. 10-2015-0070692, the concentration of fine dust cannot be predicted in advance.
본 발명이 이루고자 하는 기술적 과제는, 테마파크 또는 요양시설 등의 소정 지역 내의 다수의 분할영역 각각에 미세먼지 센서를 구비하며, 미세먼지 센서들로부터 측정된 미세먼지 농도를 메인서버가 수신하여 데이터베이스에 저장하고, 메인서버는 데이터베이스에 저장된 미세먼지 농도들을 이용하여 빅데이터 패턴 분석을 행하여 각 분할영역 별로 미세먼지 농도를 예측하며, 지역별 현재의 미세먼지 농도 뿐만아니라 향후의 미세먼지 농도를 사용자의 스마트폰으로 전송하는, 미세먼지 농도 예측 시스템을 제공하는 것이다.The technical problem to be achieved by the present invention is to provide a fine dust sensor in each of a plurality of divided areas within a predetermined area such as a theme park or a nursing facility, and the main server receives the fine dust concentration measured from the fine dust sensors and stores it in a database. And, the main server performs big data pattern analysis using the fine dust concentrations stored in the database to predict the fine dust concentration for each segment, and not only the current fine dust concentration by region, but also the future fine dust concentration to the user's smartphone. It is to provide a system for predicting the concentration of fine dust that is transmitted.
본 발명이 이루고자 하는 다른 기술적 과제는, 실시간 측정이 가능한 광산란법을 적용한 센서를 이용하며, 상대적으로 거리에 구애받지 않고 데이터를 수집할 수 있는 근거리 통신방식인, SK텔레콤이 구축한 사물인터넷(IoT) 전용망 로라(LoRa) 네트워크를 이용하여 메인서버로 측정된 미세먼지 농도를 전송하도록 이루어지며, 메인서버는 저장된 빅데이터를 분석하여 미세먼지의 시간별, 계절별, 날씨별 패턴을 추출하고, 이를 바탕으로 예측 및 경보를 행하도록 이루어진, 미세먼지 농도 예측 시스템을 제공하는 것이다.Another technical problem to be achieved by the present invention is the Internet of Things (IoT) built by SK Telecom, a short-range communication method that uses a sensor to which a light scattering method capable of real-time measurement is applied and data can be collected without being restricted by a relatively distance. ) Dedicated network LoRa network is used to transmit the measured fine dust concentration to the main server, and the main server analyzes the stored big data to extract patterns by time, season, and weather of fine dust, and based on this It is to provide a system for predicting the concentration of fine dust, configured to perform prediction and warning.
상기 과제를 해결하기 위해, 본 발명은, 소정 기일의 소정 분할지역의 미세먼지 농도를 알기 위해, 소정 분할지역의 식별코드 및 소정 기일정보를 포함하는 미세먼지농도 예측 요청정보를 메인서버로 전송하는, 사용자가 사용자 단말기; 미세먼지농도 예측 인공신경망에 입력데이터로 소정 분할지역의 식별코드 및 소정 기일정보를 입력하고, 미세먼지농도 예측 인공신경망에서 출력된 소정 기일의 해당 분할지역의 미세먼지 농도 정보를 사용자 단말기로 전송하는, 메인서버;를 포함하는 것을 특징으로 한다.In order to solve the above problem, the present invention transmits the fine dust concentration prediction request information including the identification code of the predetermined divided area and the predetermined date information to the main server in order to know the fine dust concentration of a predetermined divided area of a predetermined date. , User terminal; Prediction of fine dust concentration, inputting the identification code and predetermined date information of the divided area as input data into the artificial neural network, and transmitting the fine dust concentration information of the divided area of the predetermined date output from the fine dust concentration prediction artificial neural network to the user terminal. It characterized in that it comprises a;, the main server.
다수의 분할영역 각각에 미세먼지 센서를 구비한 미세먼지 측정장치가 장착되어 있으며 각 미세먼지 센서에서 검출된 미세먼지 농도 정보를 메인서버로 전송하는 미세먼지 농도 검출부를 더 포함하며, 메인서버는 수신한 미세먼지 농도 정보 및 기상청으로부터 제공된 기상정보를 축적하여 빅데이터를 형성하고, 빅데이터를 미세먼지 농도 패턴검출 인공신경망에 적용하여 미세먼지 농도의 패턴을 추출하하도록 이루어진다.A fine dust measuring device equipped with a fine dust sensor is installed in each of the plurality of divided areas, and further includes a fine dust concentration detection unit that transmits fine dust concentration information detected by each fine dust sensor to the main server, and the main server receives Big data is formed by accumulating information on the concentration of fine dust and meteorological information provided by the Meteorological Agency, and extracting the pattern of the fine dust concentration by applying the big data to the artificial neural network for detecting the fine dust concentration pattern.
메인서버는, 미세먼지농도 예측 인공신경망에서 미세먼지 농도의 패턴 및 빅데이터를 이용하여 해당 기일의 해당 분할지역의 미세먼지 농도 정보를 추출한다.The main server extracts the fine dust concentration information of the divided area of the corresponding date by using the pattern of the fine dust concentration and big data from the fine dust concentration prediction artificial neural network.
기상정보는, 기상청에서 제공하는 AWS(Automatic Weather System) 측정정보 및 UM(Unified Model) 기상정보이다.Weather information is AWS (Automatic Weather System) measurement information and UM (Unified Model) weather information provided by the Meteorological Agency.
메인서버는, 미세먼지 농도 및 기상정보를 수집하고 분할지역별 기일별로 분류하여 빅데이터를 형성하는, 빅데이터 수집 및 분류 시스템; 빅데이터를 미세먼지 농도 패턴검출 인공신경망에 적용하여 미세먼지 농도의 패턴을 추출하는, 미세먼지농도 패턴추출 인공신경망 시스템; 미세먼지농도 예측 인공신경망에서 미세먼지 농도의 패턴 및 빅데이터를 이용하여 해당 기일의 해당 분할지역의 미세먼지 농도 정보를 추출하는, 미세먼지농도 예측 시스템;을 포함한다.The main server comprises: a big data collection and classification system, which collects fine dust concentration and meteorological information, and classifies by date of each divided area to form big data; A fine dust concentration pattern extraction artificial neural network system for extracting a pattern of fine dust concentration by applying big data to a fine dust concentration pattern detection artificial neural network; It includes; a fine dust concentration prediction system for extracting fine dust concentration information of a corresponding divided area at a corresponding date by using the pattern and big data of the fine dust concentration in the artificial neural network.
빅데이터 수집 및 분류 시스템은, 미세먼지 농도 검출부로부터 수신한 미세먼지 농도정보, 기상청에서 제공하는 기상정보를 수집하는 빅데이터 수집 모듈; 빅데이터 수집 모듈에서 수집된 빅데이터에 대한 분류 및 처리를 행하는, 빅데이터 분류 및 처리 모듈; 빅데이터 분류 및 처리 모듈에서 작업된 빅데이터가 저장되는, 빅데이터 저장부;를 포함한다.The big data collection and classification system includes: a big data collection module for collecting fine dust concentration information received from the fine dust concentration detection unit and meteorological information provided by the Meteorological Agency; A big data classification and processing module that classifies and processes big data collected by the big data collection module; It includes; a big data storage unit that stores the big data worked in the big data classification and processing module.
미세먼지농도 패턴추출 인공신경망 시스템은, 빅데이터 저장부로부터 전달받은 상기 빅데이터를 미세먼지농도 패턴추출 인공신경망에 적용하기 위한 분류작업을 행하는, 인공신경망 입력층 분류 모듈; 미세먼지농도 패턴추출 인공신경망을 이용하여 미세먼지 농도 패턴을 추출하는, 인공신경망 기반 학습 모듈; 인공신경망 기반 학습 모듈에서 추출된 미세먼지 농도 패턴에 관한 데이터를 저장하는, 미세먼지농도 패턴 데이터베이스;를 포함한다.The fine dust concentration pattern extraction artificial neural network system includes: an artificial neural network input layer classification module for performing a classification operation for applying the big data received from the big data storage unit to the fine dust concentration pattern extraction artificial neural network; A learning module based on an artificial neural network for extracting a fine dust concentration pattern using an artificial neural network for extracting a fine dust concentration pattern; And a fine dust concentration pattern database for storing data on the fine dust concentration pattern extracted from the artificial neural network-based learning module.
미세먼지농도 예측 시스템은, 미세먼지 농도 예측 인공신경망을 이용하여 빅데이터 저장부 및 미세먼지 농도 패턴 데이터베이스에 저장된 데이터들을 기반으로, 미세먼지농도 예측 요청정보의 해당 기일의 해당 분할지역의 미세먼지 농도를 예측하는, 미세먼지 농도 예측모듈; 미세먼지 농도 예측모듈로부터 수신된 미세먼지 농도를 사용자 단말기로 전송하고, 상기 미세먼지 농도가 기설정된 기준치를 초가하였는지를 판단하여, 초과하였다면 위험상태를 알리는 메시지를 사용자 단말기로 전송하는, 미세먼지 농도 예보 모듈;을 포함한다.The fine dust concentration prediction system uses the fine dust concentration prediction artificial neural network, based on the data stored in the big data storage unit and the fine dust concentration pattern database, the fine dust concentration of the divided area of the corresponding date of the fine dust concentration prediction request information. A fine dust concentration prediction module that predicts; The fine dust concentration forecast that transmits the fine dust concentration received from the fine dust concentration prediction module to the user terminal, determines whether the fine dust concentration exceeds a preset reference value, and transmits a message notifying the danger status to the user terminal if it exceeds Module; includes.
미세먼지농도 패턴추출 인공신경망은 미세먼지 농도 검출부로부터 수신한 미세먼지 농도정보와, 기상청에서 제공하는 기상정보를 이용하여 미세먼지 농도의 패턴을 추출하도록 사전에 학습된 인공신경망이고, 미세먼지농도 예측 인공신경망은, 미세먼지농도 패턴 데이터베이스에 저장된 데이터와, 빅데이터 저장부에 저장된 데이터를 이용하여, 기일에 따른 각 분할지역의 미세먼지 농도를 출력하도록 사전에 학습된 인공신경망이다.The fine dust concentration pattern extraction artificial neural network is an artificial neural network that has been learned in advance to extract the pattern of the fine dust concentration using the fine dust concentration information received from the fine dust concentration detection unit and the meteorological information provided by the Meteorological Agency, and predicts the fine dust concentration. The artificial neural network is an artificial neural network that has been learned in advance to output the fine dust concentration of each divided area according to a date using data stored in the fine dust concentration pattern database and the data stored in the big data storage unit.
본 발명의 미세먼지 농도 예측 시스템은, 테마파크 또는 요양시설 등의 소정 지역 내의 다수의 분할영역 각각에 미세먼지 센서를 구비하며, 미세먼지 센서들로부터 측정된 미세먼지 농도를 메인서버가 수신하여 데이터베이스에 저장하고, 메인서버는 데이터베이스에 저장된 미세먼지 농도들을 이용하여 빅데이터 패턴 분석을 행하여 각 분할영역 별로 미세먼지 농도를 예측하며, 지역별 현재의 미세먼지 농도 뿐만아니라 예측된 향후의 미세먼지 농도를 사용자의 스마트폰으로 전송하여, 미세먼지에 취약한 사람들, 예를 들어 환자들과 같은 사람들이, 미세먼지 농도를 수시로 체크하고, 향후의 미세먼지를 예측하여 약속 등과 같은 생활활동에서 미세먼지에 대해 사전 대비할 수 있다.The fine dust concentration prediction system of the present invention includes a fine dust sensor in each of a plurality of divided areas within a predetermined area such as a theme park or a nursing facility, and the main server receives the fine dust concentration measured from the fine dust sensors to the database. And the main server performs big data pattern analysis using the fine dust concentrations stored in the database to predict the fine dust concentration for each segment, and not only the current fine dust concentration by region, but also the predicted future fine dust concentration. By sending to a smartphone, people who are vulnerable to fine dust, for example, patients, can check the concentration of fine dust from time to time, predict the future fine dust, and prepare in advance for fine dust in life activities such as appointments. have.
또한, 본 발명은 실시간 측정이 가능한 광산란법을 적용한 센서를 이용하며, 로라(LoRa) 네트워크를 이용하여 메인서버로 측정된 미세먼지 농도를 전송하도록 이루어지며, 메인서버는 저장된 빅데이터를 분석하여 미세먼지의 시간별, 계절별, 날씨별 패턴을 추출하고, 이를 바탕으로 예측 및 경보를 행하도록 이루어져, 다른 근거리통신 방식보다는 거리에 구애받지 않고 데이터를 수집할 수 있으며, 빅데이터를 분석을 통해 보다 정확한 현재의 먼지농도 및 향후의 먼지농도를 출력할 수 있다.In addition, the present invention uses a sensor to which a light scattering method capable of real-time measurement is applied, and is made to transmit the measured fine dust concentration to the main server using a LoRa network, and the main server analyzes the stored big data to It is configured to extract patterns by time, season, and weather of dust, and make predictions and alarms based on them. Data can be collected regardless of distance than other short-range communication methods, and through analysis of big data, more accurate current The dust concentration of and future dust concentration can be output.
도 1은 본 발명의 미세먼지 농도 예측 시스템을 개략적으로 설명하는 설명도이다.
도 2는 도 1의 메인서버에서 빅데이터 및 인공지능 학습 기반의 미세먼지 농도 예측부의 구성을 나타내는 블록도이다.
도 3은 본 발명의 미세먼지 농도 예측 시스템을 통해 사용자 단말기로 미세먼지 농도를 나타낸 일예이다.1 is an explanatory diagram schematically illustrating a fine dust concentration prediction system of the present invention.
FIG. 2 is a block diagram showing the configuration of a fine dust concentration prediction unit based on big data and artificial intelligence learning in the main server of FIG. 1.
3 is an example showing the fine dust concentration to a user terminal through the fine dust concentration prediction system of the present invention.
본 발명의 미세먼지 농도 예측 시스템을 첨부된 도면을 참조하여 이하 상세히 설명한다.With reference to the accompanying drawings the fine dust concentration prediction system of the present invention will be described in detail below.
도 1은 본 발명의 미세먼지 농도 예측 시스템을 개략적으로 설명하는 설명도이다.1 is an explanatory diagram schematically illustrating a fine dust concentration prediction system of the present invention.
소정 지역 내에서 다수의 분할영역 각각에 미세먼지 센서(미도시)를 구비한 미세먼지 측정장치(310)가 장착되어 있으며, 다수의 분할영역 각각에 있는 미세먼지 측정장치(310) 들을 총칭하여 미세먼지 농도 검출부(300)라 한다. 각 분할지역은 식별코드를 구비한다.A fine
미세먼지 측정장치(310)는 미세먼지 센서(미도시)를 통해 검출한 미세먼지 농도 신호를 메인서버(200)로 전송한다. 여기서, 미세먼지 센서는 광산란법을 적용한 센서일 수 있으며, 시판되는 미세먼지 센서로, 샤프사의 GP2Y1010AUOF 모델, 시나이 테크놀로지(Shinyei Technology)의 PPD42NJ/PPD60PV 모델, 암페놀 어드벤스 센서(Amphenol Advanced Sensors)의 SM-PWM-01A 모델 등을 사용할 수 있다.The fine
미세먼지 측정장치(310)의 미세먼지 센서(미도시)에서 검출된 미세먼지 농도신호는, 미세먼지 측정장치(310)의 통신부(미도시)를 통해 메인서버(200)로 전송하되, 메인서버(200)로 전송시, SK텔레콤이 구축한 사물인터넷(IoT) 전용망 로라(LoRa) 네트워크를 이용한다.The fine dust concentration signal detected by the fine dust sensor (not shown) of the fine
사용자 단말기(100)은 소정 응용프로그램이 설치되어 있으며, 사용자의 스마트폰, 노트북, 컴퓨터, PDA 등일 수 있다. 사용자 단말기(100)는 메인서버(200)로 소정 분할영역 별로 현재의 미세먼지 농도 또는 향후의 예측된 미세먼지 농도를 요청할 수 있으며, 메인서버(200)로부터 전송된 로 현재의 미세먼지 농도 또는 향후의 예측된 미세먼지 농도를 출력한다.The
메인서버(200)는 미세먼지 측정장치(310)들로부터 수신된 미세먼지 농도 신호를 수신하여 메인서버(200)의 데이터베이스에 저장하고, 이를 이용히여 빅데이터 패턴 분석을 행하며, 각 분할영역 별로 미세먼지 농도를 예측하며, 분할영역별 현재의 미세먼지 농도 뿐만아니라 향후의 미세먼지 농도를 사용자의 스마트폰으로 전송한다.The
도 2는 도 1의 메인서버에서 빅데이터 및 인공지능 학습 기반의 미세먼지 농도 예측부의 구성을 나타내는 블록도이다.FIG. 2 is a block diagram showing the configuration of a fine dust concentration prediction unit based on big data and artificial intelligence learning in the main server of FIG. 1.
빅데이터 및 인공지능 학습 기반의 미세먼지 농도 예측부는, 메인서버(100)에 포함된 일 구성요소로서, 빅데이터 기술을 이용하여, 미세먼지 농도 신호를 포함하는 미세먼지 농도에 영향을 미치는 환경 정보를 실시간으로 수집 및 축적하고, 이를 바탕으로 미세먼지 농도 패턴검출 인공신경망(설명의 편의상 "인공신경망"이라 함) 기반의 인공지능 학습법으로 미세먼지 농도의 패턴을 추론하여 차후의 미세먼지 농도를 미리 예측하고 대비할 수있도록 구현된다.The fine dust concentration prediction unit based on big data and artificial intelligence learning, as a component included in the
빅데이터 및 인공지능 학습 기반의 미세먼지 농도 예측부는, 빅데이터 수집 및 분류 시스템(210), 미세먼지농도 패턴추출 인공신경망 시스템(220) 및, 미세먼지 농도 예측 서브시스템(230) 등을 포함한다.The fine dust concentration prediction unit based on big data and artificial intelligence learning includes a big data collection and
빅데이터 수집 및 분류 시스템(210)은 미세먼지 농도를 포함하는 빅데이터를 수집하고, 분류하는 수단으로, 빅데이터 수집 모듈(212), 빅데이터 분류 및 처리 모듈(215), 빅데이터 저장부(216)를 포함하여 이루어진다.The big data collection and
빅데이터 수집 모듈(212)는 미세먼지 농도 검출부(300)로부터의 미세먼지 농도신호를 수집할 뿐만아니라, 소정 지역의 지형정보, 분할 영역의 분포도를 저장한다. 또한, 도 1에는 미도시되었지만, 빅데이터 수집 모듈(212)은 기상청에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템) 측정정보, 즉, 기온, 강수, 풍향·풍속, 습도, 기압, 일사, 일조관련 정보를 수신하며, 기상청에서 제공하는 UM(Unified Model, 통합형 수치예보모델) 기상정보, 즉, 눈, 비, 대기오염 등의 예측정보를 수신한다. The big
빅데이터 분류 및 처리 모듈(215)은 빅데이터 수집 모듈(212)에서 수집된 빅데이터에 대한 분류 및 처리작업을 행한다. 즉, 빅데이터를 분할지역별, 기일별(또는 시간별) 등으로 분류할 수 있다.The big data classification and
빅데이터 저장부(216)는 빅데이터 분류 및 처리 모듈(215)에서 작업된 빅데이터가 저장된다. The big
미세먼지농도 패턴추출 인공신경망 시스템(220)은, 각 분할지역별로 축적된 미세먼지 농도 정보와, 기상청에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템) 측정정보, UM(Unified Model, 통합형 수치예보모델) 기상정보의 빅데이터를, 빅데이터 수집 및 분류시스템(210)으로부터 전달받아 반복적으로 학습한 후, 이러한 학습을 바탕으로 각 분할지역 별로 미세먼지 농도의 패턴을 추론하여 저장한다. 여기서, 기상청에서 제공하는 AWS 측정정보, UM 기상정보를, 설명의 편의상 '기상 정보'로 총칭한다.The fine dust concentration pattern extraction artificial
미세먼지농도 패턴추출 인공신경망 시스템(220)은 인공신경망 입력층 분류 모듈(222), 인공신경망 기반 학습 모듈(225), 미세먼지농도 패턴 데이터베이스(226)로 이루어진다.The fine dust concentration pattern extraction artificial
인공신경망 입력층 분류 모듈(222)은 빅데이터 저장부(216)로부터 전달받은 상기 빅데이터를 인공신경망에 입력하기 위한 분류작업을 행한다.The artificial neural network input
인공신경망 기반 학습 모듈(225)은 인공신경망을 이용하여 미세먼지 농도 패턴을 추출하는 수단이다. The artificial neural network-based learning module 225 is a means for extracting a fine dust concentration pattern using an artificial neural network.
미세먼지농도 패턴 데이터베이스(226)는 인공신경망 기반 학습 모듈(225)에서 추출된 미세먼지 농도 패턴에 관한 데이터를 저장하는 데이터베이스이다.The fine dust concentration pattern database 226 is a database that stores data on the fine dust concentration pattern extracted from the artificial neural network-based learning module 225.
미세먼지농도 패턴 기반 미세먼지농도 예측 시스템(230)은 사용자 단말기(100)를 통해 요청된 분할지역의 소정 일(또는 소정 일의 소정 시간) 미세먼지 농도를 예측하기 위해, 미세먼지농도 패턴추출 인공신경망 시스템(220)으로부터 해당 분할지역의 미세먼지 농도 패턴과, 빅데이터 저장부(216)에 저장된 해당 분할지역의 미세먼지 농도 데이터를 이용하여 해당 기일(소정 월 소정 일 또는 소정 시간)의 미세먼지 농도를 미리 예측하고, 해당 정보를 사용자 단말기(100)로 전송하여 예보하는 수단이다. 미세먼지농도 예측 시스템(230)은 미세먼지 농도 예측모듈(232), 미세먼지 농도 예보 모듈(235)를 포함한다.The fine dust
미세먼지 농도 예측모듈(232)은 사용자 단말기(100)를 통해 요청된 분할지역의 소정 일(기일)의 미세먼지 농도를 예측하기 위해, 미세먼지 농도 예측 인공신경망을 이용하여 빅데이터 저장부(216) 및 미세먼지 농도 패턴 데이터베이스(226)에 저장된 데이터들을 기반으로 요청된 일(또는 소정 일의 소정 시간)의 해당 분할지역의 미세먼지 농도를 미리 예측한다.The fine dust
여기서, 미세먼지 농도 예측모듈(232)은 미세먼지농도 예측 인공신경망을 이용하여 빅데이터 저장부(216) 및 미세먼지 농도 패턴 데이터베이스(226)에 저장된 데이터들을 기반으로 미세먼지 농도를 추출하는 것에 대해 사전에 학습되어 있다. Here, the fine dust
미세먼지 농도 예보 모듈(235)은 미세먼지 농도 예측모듈(232)로부터 수신된 미세먼지 농도를 사용자 단말기(100)로 전송하며, 또한, 미세먼지 농도 예측모듈(232)로부터 수신된 미세먼지 농도가 기설정된 기준치를 초가하였는지를 판단하고, 초과하였다면 위험상태를 알리는 메시지를 사용자 단말기(100)로 전송한다. The fine dust
이하, 도 1 및 도 2를 참조하여, 미세먼지 농도 예측 시스템의 구동방법을 개략적으로 설명한다.Hereinafter, a method of driving a fine dust concentration prediction system will be schematically described with reference to FIGS. 1 and 2.
사용자가 사용자 단말기(100) 상에서 소정 분할지역의 소정 일(기일)의 미세먼지 농도정보를 요청하면, 사용자 단말기(100)는 소정 분할지역의 식별코드 및 소정 기일정보(월, 일, 시간 등)를 포함하는 미세먼지농도 예측 요청정보를 메인서버(200)로 전송된다.When a user requests fine dust concentration information on a predetermined day (date) of a predetermined divided area on the
메인서버(200)는 사용자가 사용자 단말기(100)로부터 미세먼지 요청정보를 수신하고, 미세먼지농도 예측 인공신경망에 입력데이터로 소정 분할지역의 식별코드 및 소정 기일정보를 입력하고, 미세먼지농도 예측 인공신경망에서 출력된 소정 기일의 해당 분할지역의 미세먼지 정보를 사용자 단말기(100)로 출력한다. 즉, 미세먼지농도 예측 시스템(230)은 미세먼지농도 패턴추출 인공신경망 시스템(220)으로부터 해당 분할지역의 미세먼지 농도 패턴과, 빅데이터 저장부(216)에 저장된 해당 분할지역의 미세먼지 농도 데이터를 미세먼지농도 예측 인공신경망에 적용하여 해당 기일(소정 월 소정 일 또는 소정 시간)의 미세먼지 농도를 미리 예측한다.The
메인서버(200), 즉, 미세먼지 농도 예보 모듈(235)은 미세먼지 농도 예측모듈(232)로부터 수신된 미세먼지 농도를 사용자 단말기(100)로 전송한다.The
메인서버(200), 즉, 미세먼지 농도 예보 모듈(235)은 미세먼지 농도 예측모듈(232)로부터 수신된 미세먼지 농도가 기설정된 기준치를 초가하였는지를 판단하고, 초과하였다면 위험상태를 알리는 메시지를 사용자 단말기(100)로 전송한다. The
도 3은 본 발명의 미세먼지 농도 예측 시스템을 통해 사용자 단말기로 미세먼지 농도를 나타낸 일예이다.3 is an example showing the fine dust concentration to a user terminal through the fine dust concentration prediction system of the present invention.
각 분할지역의 미세먼지 농도를 나타내고, 소정 분할지역의 미세먼지 농도 및 기타 대기질 정보를 나나탠다.It shows the concentration of fine dust in each divided area, and shows the concentration of fine dust and other air quality information in the predetermined divided area.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.As described above, although the present invention has been described by the limited embodiments and drawings, the present invention is not limited to the above embodiments, which is various modifications and variations from these descriptions to those of ordinary skill in the field to which the present invention belongs. Transformation is possible. Accordingly, the spirit of the present invention should be grasped only by the claims set forth below, and all equivalent or equivalent modifications thereof will be said to belong to the scope of the present invention.
100 : 사용자 단말기 200 : 메인서버
210 : 빅데이터 수집 및 분류 서브시스템 212 : 빅데이터 수집 모듈
215 : 빅데이터 분류 및 처리 모듈 216 : 빅데이터 저장부
220 : 인공신경망 학습 서브시스템 222 : 인공신경망 입력층 분류 모듈
225 : 인공신경망 기반 학습 모듈 226 : 미세먼지농도 패턴 데이터베이스
230 : 미세먼지 농도 예측 서브시스템 232 : 미세먼지 농도 예측모듈
235 : 미세먼지 농도 예보 모듈 300 : 미세번지 농도 검출부
310 : 미세먼지 측정장치100: user terminal 200: main server
210: Big data collection and classification subsystem 212: Big data collection module
215: big data classification and processing module 216: big data storage unit
220: artificial neural network learning subsystem 222: artificial neural network input layer classification module
225: artificial neural network-based learning module 226: fine dust concentration pattern database
230: fine dust concentration prediction subsystem 232: fine dust concentration prediction module
235: fine dust concentration forecast module 300: fine address concentration detection unit
310: fine dust measuring device
Claims (10)
미세먼지농도 예측 인공신경망에 입력데이터로 소정 분할지역의 식별코드 및 소정 기일정보를 입력하고, 미세먼지농도 예측 인공신경망에서 출력된 소정 기일의 해당 분할지역의 미세먼지 농도 정보를 사용자 단말기로 전송하는, 메인서버;
를 포함하는 것을 특징으로 하는, 미세먼지 농도 예측 시스템.A user terminal for transmitting fine dust concentration prediction request information including an identification code of a predetermined divided area and a predetermined date information to the main server in order to know the concentration of fine dust in a predetermined divided area of a predetermined date;
Prediction of fine dust concentration, inputting the identification code and predetermined date information of the divided area as input data into the artificial neural network, and transmitting the fine dust concentration information of the divided area of the predetermined date output from the fine dust concentration prediction artificial neural network to the user terminal. , Main server;
It characterized in that it comprises a, fine dust concentration prediction system.
다수의 분할영역 각각에 미세먼지 센서를 구비한 미세먼지 측정장치가 장착되어 있으며 각 미세먼지 센서에서 검출된 미세먼지 농도 정보를 메인서버로 전송하는 미세먼지 농도 검출부를 더 포함하며,
메인서버는 수신한 미세먼지 농도 정보 및 기상청으로부터 제공된 기상정보를 축적하여 빅데이터를 형성하고, 빅데이터를 미세먼지 농도 패턴검출 인공신경망에 적용하여 미세먼지 농도의 패턴을 추출하는 것을 특징으로 하는, 미세먼지 농도 예측 시스템.The method of claim 1,
A fine dust measuring device equipped with a fine dust sensor is mounted in each of the plurality of divided areas, and further includes a fine dust concentration detector that transmits fine dust concentration information detected by each fine dust sensor to the main server,
The main server forms big data by accumulating the received fine dust concentration information and meteorological information provided from the Meteorological Agency, and extracts the pattern of the fine dust concentration by applying the big data to the fine dust concentration pattern detection artificial neural network. Fine dust concentration prediction system.
미세먼지농도 예측 인공신경망에서 미세먼지 농도의 패턴 및 빅데이터를 이용하여 해당 기일의 해당 분할지역의 미세먼지 농도 정보를 추출하는 것을 특징으로 하는, 미세먼지 농도 예측 시스템. The method of claim 2, wherein the main server,
Fine dust concentration prediction system, characterized in that to extract the fine dust concentration information of the divided area of the corresponding date using the pattern and big data of the fine dust concentration from the artificial neural network.
기상정보는, 기상청에서 제공하는 AWS(Automatic Weather System) 측정정보 및 UM(Unified Model) 기상정보인 것을 특징으로 하는, 미세먼지 농도 예측 시스템. The method of claim 2,
The meteorological information, characterized in that the AWS (Automatic Weather System) measurement information and UM (Unified Model) meteorological information provided by the Meteorological Agency, a fine dust concentration prediction system.
미세먼지 농도 및 기상정보를 수집하고 분할지역별 기일별로 분류하여 빅데이터를 형성하는, 빅데이터 수집 및 분류 시스템;
빅데이터를 미세먼지 농도 패턴검출 인공신경망에 적용하여 미세먼지 농도의 패턴을 추출하는, 미세먼지농도 패턴추출 인공신경망 시스템;
미세먼지농도 예측 인공신경망에서 미세먼지 농도의 패턴 및 빅데이터를 이용하여 해당 기일의 해당 분할지역의 미세먼지 농도 정보를 추출하는, 미세먼지농도 예측 시스템;
을 포함하는 것을 특징으로 하는, 미세먼지 농도 예측 시스템. The method of claim 3, wherein the main server,
A big data collection and classification system that collects fine dust concentration and meteorological information, and classifies it by date of each divided area to form big data;
A fine dust concentration pattern extraction artificial neural network system for extracting a pattern of fine dust concentration by applying big data to a fine dust concentration pattern detection artificial neural network;
Fine dust concentration prediction system for extracting fine dust concentration information of a corresponding segmented area at a corresponding date by using a pattern of fine dust concentration and big data from an artificial neural network;
It characterized in that it comprises a, fine dust concentration prediction system.
미세먼지 농도 검출부로부터 수신한 미세먼지 농도정보, 기상청에서 제공하는 기상정보를 수집하는 빅데이터 수집 모듈;
빅데이터 수집 모듈에서 수집된 빅데이터에 대한 분류 및 처리를 행하는, 빅데이터 분류 및 처리 모듈;
빅데이터 분류 및 처리 모듈에서 작업된 빅데이터가 저장되는, 빅데이터 저장부;
를 포함하는 것을 특징으로 하는, 미세먼지 농도 예측 시스템. The method of claim 5, wherein the big data collection and classification system,
A big data collection module for collecting fine dust concentration information received from the fine dust concentration detection unit and meteorological information provided by the Meteorological Agency;
A big data classification and processing module that classifies and processes big data collected by the big data collection module;
A big data storage unit for storing big data processed by the big data classification and processing module;
It characterized in that it comprises a, fine dust concentration prediction system.
빅데이터 저장부로부터 전달받은 상기 빅데이터를 미세먼지농도 패턴추출 인공신경망에 적용하기 위한 분류작업을 행하는, 인공신경망 입력층 분류 모듈;
미세먼지농도 패턴추출 인공신경망을 이용하여 미세먼지 농도 패턴을 추출하는, 인공신경망 기반 학습 모듈;
인공신경망 기반 학습 모듈에서 추출된 미세먼지 농도 패턴에 관한 데이터를 저장하는, 미세먼지농도 패턴 데이터베이스;
를 포함하는 것을 특징으로 하는, 미세먼지 농도 예측 시스템. The method of claim 6, wherein the fine dust concentration pattern extraction artificial neural network system,
An artificial neural network input layer classification module for performing a classification operation for applying the big data received from a big data storage unit to an artificial neural network extracting a fine dust concentration pattern;
A learning module based on an artificial neural network for extracting a fine dust concentration pattern using an artificial neural network for extracting a fine dust concentration pattern;
A fine dust concentration pattern database for storing data on the fine dust concentration pattern extracted from the artificial neural network-based learning module;
It characterized in that it comprises a, fine dust concentration prediction system.
미세먼지 농도 예측 인공신경망을 이용하여 빅데이터 저장부 및 미세먼지 농도 패턴 데이터베이스에 저장된 데이터들을 기반으로, 미세먼지농도 예측 요청정보의 해당 기일의 해당 분할지역의 미세먼지 농도를 예측하는, 미세먼지 농도 예측모듈;
미세먼지 농도 예측모듈로부터 수신된 미세먼지 농도를 사용자 단말기로 전송하고, 상기 미세먼지 농도가 기설정된 기준치를 초가하였는지를 판단하여, 초과하였다면 위험상태를 알리는 메시지를 사용자 단말기로 전송하는, 미세먼지 농도 예보 모듈;
을 포함하는 것을 특징으로 하는, 미세먼지 농도 예측 시스템. The method of claim 7, wherein the fine dust concentration prediction system,
Fine dust concentration prediction Using an artificial neural network, based on the data stored in the big data storage unit and the fine dust concentration pattern database, the fine dust concentration predicts the fine dust concentration in the divided area at the corresponding date of the fine dust concentration prediction request information. Prediction module;
The fine dust concentration forecast that transmits the fine dust concentration received from the fine dust concentration prediction module to the user terminal, determines whether the fine dust concentration exceeds a preset reference value, and transmits a message notifying the danger status to the user terminal if it exceeds module;
It characterized in that it comprises a, fine dust concentration prediction system.
미세먼지농도 패턴추출 인공신경망은 미세먼지 농도 검출부로부터 수신한 미세먼지 농도정보와, 기상청에서 제공하는 기상정보를 이용하여 미세먼지 농도의 패턴을 추출하도록 사전에 학습된 인공신경망인 것을 특징으로 하는, 미세먼지 농도 예측 시스템. The method of claim 7,
The fine dust concentration pattern extraction artificial neural network is an artificial neural network that has been learned in advance to extract a pattern of fine dust concentration using the fine dust concentration information received from the fine dust concentration detection unit and the meteorological information provided by the Meteorological Agency, Fine dust concentration prediction system.
미세먼지농도 예측 인공신경망은, 미세먼지농도 패턴 데이터베이스에 저장된 데이터와, 빅데이터 저장부에 저장된 데이터를 이용하여, 기일에 따른 각 분할지역의 미세먼지 농도를 출력하도록 사전에 학습된 인공신경망인 것을 특징으로 하는, 미세먼지 농도 예측 시스템.
The method of claim 9,
The artificial neural network for predicting fine dust concentration is an artificial neural network that has been learned in advance to output the fine dust concentration of each divided area according to the date using the data stored in the fine dust concentration pattern database and the data stored in the big data storage unit. Characterized by, fine dust concentration prediction system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190045697A KR102445068B1 (en) | 2019-04-18 | 2019-04-18 | Fine dust concentration prediction system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190045697A KR102445068B1 (en) | 2019-04-18 | 2019-04-18 | Fine dust concentration prediction system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200128226A true KR20200128226A (en) | 2020-11-12 |
| KR102445068B1 KR102445068B1 (en) | 2022-09-21 |
Family
ID=73398609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190045697A KR102445068B1 (en) | 2019-04-18 | 2019-04-18 | Fine dust concentration prediction system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102445068B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102425572B1 (en) * | 2021-10-08 | 2022-07-29 | 주식회사 에어핏 | Fine dust concentration measurement method, device and program using concentration measurement model and concentration estimation model reflecting regional and seasonal characteristics |
| KR20230068184A (en) * | 2021-11-10 | 2023-05-17 | 서울대학교산학협력단 | System and method for monitoring indoor space using air quality information based on Artificial Intelligence |
| KR102560106B1 (en) | 2022-02-16 | 2023-07-26 | 경희대학교 산학협력단 | Multi-objective optimization of a time-delay compensated ventilation control system in a subway facility-A harmony search strategy |
| KR102594820B1 (en) * | 2023-01-02 | 2023-10-27 | 서울특별시 | fine dust prediction system using artificial intelligence |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160020745A (en) * | 2014-08-14 | 2016-02-24 | 영진기술 주식회사 | Ultrafine particles information providing apparatus and system |
| KR20160098541A (en) * | 2015-02-09 | 2016-08-19 | (주)평화엔지니어링 | Alarming System of Occuring Particulate Matters in Atmosphere Using Mobile Phone |
| KR101666820B1 (en) * | 2015-02-10 | 2016-10-17 | 주식회사 주빅스 | Air quality prediction and management system for environment disaster early detection |
| KR20180041828A (en) * | 2016-10-17 | 2018-04-25 | 주식회사에스에이티 | An apparatus and method for constructing microscopic dust information by measuring, compensating and predicting the concentration density of microscopic dust |
| KR20180076084A (en) * | 2016-12-27 | 2018-07-05 | 조흔우 | Apparatus and method for dealing with fine dust |
| KR101948236B1 (en) * | 2018-05-18 | 2019-02-14 | 케이웨더(주) | System for providing fine dust information according to town area |
-
2019
- 2019-04-18 KR KR1020190045697A patent/KR102445068B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160020745A (en) * | 2014-08-14 | 2016-02-24 | 영진기술 주식회사 | Ultrafine particles information providing apparatus and system |
| KR20160098541A (en) * | 2015-02-09 | 2016-08-19 | (주)평화엔지니어링 | Alarming System of Occuring Particulate Matters in Atmosphere Using Mobile Phone |
| KR101666820B1 (en) * | 2015-02-10 | 2016-10-17 | 주식회사 주빅스 | Air quality prediction and management system for environment disaster early detection |
| KR20180041828A (en) * | 2016-10-17 | 2018-04-25 | 주식회사에스에이티 | An apparatus and method for constructing microscopic dust information by measuring, compensating and predicting the concentration density of microscopic dust |
| KR20180076084A (en) * | 2016-12-27 | 2018-07-05 | 조흔우 | Apparatus and method for dealing with fine dust |
| KR101948236B1 (en) * | 2018-05-18 | 2019-02-14 | 케이웨더(주) | System for providing fine dust information according to town area |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102425572B1 (en) * | 2021-10-08 | 2022-07-29 | 주식회사 에어핏 | Fine dust concentration measurement method, device and program using concentration measurement model and concentration estimation model reflecting regional and seasonal characteristics |
| KR20230068184A (en) * | 2021-11-10 | 2023-05-17 | 서울대학교산학협력단 | System and method for monitoring indoor space using air quality information based on Artificial Intelligence |
| KR102560106B1 (en) | 2022-02-16 | 2023-07-26 | 경희대학교 산학협력단 | Multi-objective optimization of a time-delay compensated ventilation control system in a subway facility-A harmony search strategy |
| KR102594820B1 (en) * | 2023-01-02 | 2023-10-27 | 서울특별시 | fine dust prediction system using artificial intelligence |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102445068B1 (en) | 2022-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102445068B1 (en) | Fine dust concentration prediction system | |
| KR102475566B1 (en) | Fine dust measurement system linked with smartphone | |
| WO2016129715A1 (en) | Air quality prediction and management system for early detection of environmental disasters | |
| CN112437876A (en) | Method and system for improving objectivity of atmospheric pollutant monitoring data | |
| CN205748466U (en) | A kind of dust from construction sites noise supervisory systems | |
| TW201911194A (en) | System for providing air quality information | |
| CN108051547A (en) | It is a kind of that there is the air quality monitoring system of real-time early warning | |
| KR20160020745A (en) | Ultrafine particles information providing apparatus and system | |
| KR100734861B1 (en) | System for real-time monitoring odor and method thereof | |
| Hong-di et al. | Urban aerosol particulates on Hong Kong roadsides: size distribution and concentration levels with time | |
| CN112816380A (en) | Building engineering construction site construction environment online monitoring method based on big data analysis and monitoring cloud platform | |
| CN113655175A (en) | Gridding air monitoring method, system, computer equipment and storage medium | |
| CN108732313A (en) | Urban air pollution object concentration intelligence observation system | |
| CN113155196A (en) | Bridge operation real-time monitoring system based on AIoT and monitoring method thereof | |
| CN113053063A (en) | Mobile terminal-based disaster online disposal flow implementation method | |
| KR102313465B1 (en) | Multi-sensor based air quality status mobile notification system and method | |
| Dubey et al. | Evaluation of vertical and horizontal distribution of particulate matter near an urban roadway using an unmanned aerial vehicle | |
| Badicu et al. | PMs concentration forecasting using ARIMA algorithm | |
| CN109187297A (en) | A kind of city raised dust digital control monitoring and early warning forecast system | |
| CN210183356U (en) | Sponge city rainstorm detection early warning system | |
| CN117571056B (en) | Environment protection monitoring method and system based on Internet of things | |
| CN114708132A (en) | Environment monitoring and early warning processing method and device, computer equipment and storage medium | |
| CN108806201A (en) | A kind of air quality method for early warning and device | |
| KR20230021564A (en) | Integral type cctv camera system for fine dust measuring apparatus with light scattering type | |
| TWM552632U (en) | System to provide air quality information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |