KR20210023113A - Air purifier control system - Google Patents

Air purifier control system Download PDF

Info

Publication number
KR20210023113A
KR20210023113A KR1020190102842A KR20190102842A KR20210023113A KR 20210023113 A KR20210023113 A KR 20210023113A KR 1020190102842 A KR1020190102842 A KR 1020190102842A KR 20190102842 A KR20190102842 A KR 20190102842A KR 20210023113 A KR20210023113 A KR 20210023113A
Authority
KR
South Korea
Prior art keywords
air purifier
disc
disc propensity
iot
user
Prior art date
Application number
KR1020190102842A
Other languages
Korean (ko)
Other versions
KR102281159B1 (en
Inventor
최희재
Original Assignee
주식회사 지금컴퍼니
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 주식회사 지금컴퍼니 filed Critical 주식회사 지금컴퍼니
Priority to KR1020190102842A priority Critical patent/KR102281159B1/en
Publication of KR20210023113A publication Critical patent/KR20210023113A/en
Application granted granted Critical
Publication of KR102281159B1 publication Critical patent/KR102281159B1/en

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • 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

Abstract

According to the present invention, an IoT air purifier control system comprises: a log collection unit; an environmental data collection unit; a DISC tendency prediction unit; and a device control recommendation unit. The log collection unit collects log data of an IoT air purifier of a user, the environmental data collection unit accesses a public data portal to collect environmental data, the DISC tendency prediction unit classifies variables used for learning according to a predefined data schema from the collected log data and the environmental data, predicts DISC tendency of the user through a DISC tendency prediction engine based on deep learning preliminarily learning the classified variables, and the device control recommendation unit recommends control of the IoT air purifier to a user terminal based on the predicted DISC tendency of the user.

Description

공기 청정기 제어 시스템{AIR PURIFIER CONTROL SYSTEM}Air purifier control system {AIR PURIFIER CONTROL SYSTEM}

본 발명은 공기 청정기 제어 시스템에 관한 것으로서, 더욱 상세하게는 개인의 생활공간에 설치된 IoT 공기 청정기의 사용패턴으로부터 DISC 기반 개인성향을 예측하고, 예측된 DISC 기반 개인성향을 고려하여 IoT 공기 청정기에 대한 개인화된 서비스를 추천하는 공기 청정기 제어 시스템에 관한 것이다.The present invention relates to an air purifier control system, and more particularly, predicts DISC-based personal preferences from the usage pattern of an IoT air purifier installed in an individual's living space, and considers the predicted DISC-based personal preferences for IoT air purifiers. It relates to an air purifier control system that recommends personalized service.

사람들은 저마다 서로 다른 행동의 경향성을 가지고 있으며, 서로 다른 방식으로 사물을 이해하고 판단한다. 이렇듯 저마다 다른 독특한 인간의 특성을 설명하는 행동 모델의 하나로 DISC 행동유형 패턴모델이 있다. DISC는 192I년 미국 콜롬비아 대학의 Marston 박사가 고안한 인간의 행동유형 패턴을 검사하는 방법으로 성격 유형을 사람들의 행동유형에 따라 구분하여 주도형(Dominance), 사교형(Influence), 안정형(Steadiness), 신중형(Conscientiousness)의 4가지 유형으로 분류한다. DISC는 이 4가지 유형의 머리글자를 따서 이르는 말이다.Different people have different behavioral tendencies, and they understand and judge things in different ways. As such, one of the behavioral models that explain different and unique human characteristics is the DISC behavioral pattern model. DISC is a method designed by Dr. Marston of Columbia University in the United States in 192I to examine the patterns of human behavior. It is classified into four types: Conscientiousness. DISC stands for these four types of acronyms.

최근 미세먼지와 황사 등으로 인해 대기질이 악화되면서 공기 청정기에 대한 관심이 높아지고 있는 추세이다. 이는 쾌적하고 좋은 환경에서 생활하고자 하는 요구가 반영된 것이다. 실내 공기를 정화하는 공기 청정기는 공기에 포함되어 있는 미세먼지를 비롯한 먼지, 세균 및 냄새를 제거하여 오염된 공기를 정화하는 장치이다. 최근 각종 센서와 무선통신 기술을 포함하는 IoT(Internet of Things) 기반의 공기 청정기가 개발되어 주변 환경을 자동으로 인식하여 실내 공기를 정화한다.Recently, as air quality has deteriorated due to fine dust and yellow dust, interest in air purifiers is increasing. This reflects the desire to live in a pleasant and good environment. An air purifier that purifies indoor air is a device that purifies contaminated air by removing dust, bacteria, and odors including fine dust contained in the air. Recently, IoT (Internet of Things)-based air purifiers including various sensors and wireless communication technologies have been developed to automatically recognize the surrounding environment and purify indoor air.

다만, 이러한 IoT 공기 청정기는 주변 환경만을 인식하여 획일적으로 동작할 뿐이며 사용자의 스마트 폰 등과 같은 단말기에 설치된 소프트웨어를 이용하여 IoT 공기 청정기를 사용자가 직접 설정하거나 제어할 수 있을 뿐이다.However, such an IoT air purifier only operates uniformly by recognizing only the surrounding environment, and the user can only directly set or control the IoT air purifier using software installed on a terminal such as a user's smartphone.

본 발명은 개인의 생활공간 내에 설치된 IoT 공기 청정기의 사용패턴을 학습하여 개인의 DISC 성향을 예측하는 공기 청정기 제어 시스템을 제공하는 것을 목적으로 한다.An object of the present invention is to provide an air purifier control system that predicts an individual's DISC tendency by learning a usage pattern of an IoT air purifier installed in an individual's living space.

추가로, 본 발명은 예측된 개인의 DISC 성향을 기초로 IoT 공기 청정기의 사용에 대한 사용자의 행동을 추천하는 시스템을 제공하는 것을 목적으로 한다.In addition, an object of the present invention is to provide a system for recommending a user's behavior for the use of an IoT air purifier based on the predicted personal DISC disposition.

본 발명의 일 양상에 따르면 공기 청정기 제어 시스템은 로그 수집부와, 환경 데이터 수집부와, 저장부와, DISC 성향 예측부와, 기기 제어 추천부를 포함한다.According to an aspect of the present invention, an air purifier control system includes a log collection unit, an environment data collection unit, a storage unit, a DISC propensity prediction unit, and a device control recommendation unit.

로그 수집부는 사용자의 IoT 공기 청정기 사용에 대한 로그 데이터를 수집한다.The log collection unit collects log data on the user's use of the IoT air purifier.

환경 데이터 수집부는 공공 데이터 포털에 접속하여 환경 데이터를 수집한다.The environmental data collection unit accesses the public data portal and collects environmental data.

저장부는 데이터베이스로 수집한 로그 데이터와 환경 데이터를 저장한다.The storage unit stores log data and environment data collected in the database.

DISC 성향 예측부는 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측한다.The DISC propensity prediction unit selects variables to be used for learning according to a predefined data schema from the collected log data and environmental data, and predicts the user's DISC propensity through a deep learning-based DISC propensity prediction engine that has previously learned the selected variables. do.

기기 제어 추천부는 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천한다.The device control recommendation unit recommends control of the IoT air purifier to the user terminal based on the predicted user's DISC disposition.

본 발명의 일 실시 예에 따르면 IoT 공기 청정기 제어 시스템의 공기 청정기 제어 방법은 로그 수집 단계와, 환경 데이터 수집 단계와, 변수 선별 단계와, DISC 성향 예측 단계와, 제어 추천 단계를 포함한다.According to an embodiment of the present invention, an air purifier control method of an IoT air purifier control system includes a log collection step, an environment data collection step, a variable selection step, a DISC tendency prediction step, and a control recommendation step.

로그 수집 단계는 IoT 공기 청정기 제어 시스템이 사용자의 IoT 공기 청정기사용에 대한 로그 데이터를 수집하는 단계이고, 환경 데이터 수집 단계는 IoT 공기 청정기 제어 시스템이 공공 데이터 포털에 접속하여 환경 데이터를 수집하는 단계이고, 변수 선별 단계는 IoT 공기 청정기 제어 시스템이 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 변수 선별 단계이고, DISC 성향 예측 단계는 IoT 공기 청정기 제어 시스템이 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 단계이고, 제어 추천 단계는 IoT 공기 청정기 제어 시스템이 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 단계이다.The log collection step is a step in which the IoT air purifier control system collects log data on the user's IoT air purifier use, and the environmental data collection step is a step in which the IoT air purifier control system accesses the public data portal to collect environmental data. , The variable selection step is a variable selection step in which the IoT air purifier control system selects variables to be used for learning according to a predefined data schema from the collected log data and environmental data, and the DISC propensity prediction step is the IoT air purifier control system selects. This is the step of predicting the user's DISC propensity through a deep learning-based DISC propensity prediction engine that has previously learned the variables, and the control recommendation step is the IoT air purifier control system controls the IoT air purifier based on the predicted user's DISC propensity. This is the step of recommending to the user terminal.

본 발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템의 공기 청정기 제어 방법은 피드백 수신 단계를 더 포함할 수 있고, 피드백 수신 단계는 IoT 공기 청정기 제어 시스템이 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하는 단계이다. 이때, 제어 추천 단계에서 IoT 공기 청정기 제어 시스템이 해당 피드백을 IoT 공기 청정기의 제어 추천에 반영할 수 있다.According to another embodiment of the present invention, the air purifier control method of the IoT air purifier control system may further include a feedback receiving step, and in the feedback receiving step, the IoT air purifier control system recommends the control of the IoT air purifier from the user terminal. This is the step of receiving feedback on acceptance. At this time, in the control recommendation step, the IoT air purifier control system may reflect the feedback to the control recommendation of the IoT air purifier.

본 발명의 IoT 공기 청정기 제어 시스템에 의하면 생활공간 내에 설치된 IoT 공기 청정기의 사용패턴을 학습하여 개인의 DISC 성향을 예측할 수 있다.According to the IoT air purifier control system of the present invention, it is possible to predict an individual's DISC disposition by learning a usage pattern of an IoT air purifier installed in a living space.

또한, 본 발명의 IoT 공기 청정기 제어 시스템에 의하면 예측된 개인의 DISC 성향을 기초로 IoT 공기 청정기의 사용에 대한 사용자의 행동을 추천할 수 있다.In addition, according to the IoT air purifier control system of the present invention, it is possible to recommend a user's behavior for the use of the IoT air purifier based on the predicted personal DISC disposition.

도 1은 본 발명의 일 양상에 따른 IoT 공기 청정기 제어 시스템을 개념적으로 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 IoT 공기 청정기 제어 시스템의 제어 절차를 도시한 절차도이다.
도 3은 본 발명의 또 다른 실시 예에 따른 IoT 공기 청정기 제어 시스템이 DISC 성향 예측을 공기 청정기 동작 모드에 따라 달리한 절차를 도시한 것이다.
도 4는 본 발명의 또 다른 실시예에 따른 IoT 공기 청정기 제어 시스템이 동작 모드에 따른 DISC 성향 예측 결과를 병합하여 DISC 성향을 예측하는 절차를 도시한 것이다.1 is a block diagram conceptually showing an IoT air purifier control system according to an aspect of the present invention.
2 is a flowchart illustrating a control procedure of an IoT air purifier control system according to an embodiment of the present invention.
3 is a diagram illustrating a procedure in which the IoT air purifier control system according to another embodiment of the present invention makes a DISC propensity prediction different according to the air purifier operation mode.
4 is a diagram illustrating a procedure for predicting a DISC propensity by merging a DISC propensity prediction result according to an operation mode by the IoT air purifier control system according to another embodiment of the present invention.

이하, 첨부한 도면을 참조하여 본 발명의 IoT 공기 청정기 제어 시스템이 사용자의 IoT 공기 청정기 사용패턴을 분석하여 예측한 DISC 기반의 성향을 기초로 IoT 공기 청정기 사용에 대한 제어를 추천하는 바람직한 실시 예를 상세히 설명한다.Hereinafter, with reference to the accompanying drawings, a preferred embodiment in which the IoT air purifier control system of the present invention recommends control of the IoT air purifier use based on the DISC-based propensity predicted by analyzing the user's IoT air purifier usage pattern. It will be described in detail.

각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.The same reference numerals shown in each drawing indicate the same members. In addition, specific structural or functional descriptions of the embodiments of the present invention are exemplified only for the purpose of describing the embodiments according to the present invention, and unless otherwise defined, all terms used herein including technical or scientific terms They have the same meaning as commonly understood by those of ordinary skill in the art to which the present invention belongs. Terms as defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in the present specification. It is desirable not to.

도 1은 본 발명의 일 양상에 따른 IoT 공기 청정기 제어 시스템을 개념적으로 도시한 블록도이다. 도 1을 참조하여 설명하면, IoT 공기 청정기 제어 시스템(10)은 각 사용자의 생활 공간(예를 들어, 가정집 등)에 설치된 IoT 공기 청정기의 사용 이력 정보 즉, 로그 데이터를 수집한다. 각 사용자의 생활 공간에 설치되는 IoT 디바이스들은 복수 개가 존재하는 것이 일반적이므로 IoT 게이트웨이 또는 IoT 허브를 통해 타 시스템과 연결되고, IoT 디바이스들은 Bluetooth, Z-Wave, ZigBee 등의 저전력 무선통신 프로토콜을 이용하여 IoT 게이트웨이 또는 IoT 허브와 통신하도록 IoT 인프라가 구성될 수 있다. 따라서, IoT 공기 청정기 또한 IoT 공기 청정기 제어 시스템(10)과 직접 연결되지 않고 IoT 게이트웨이 또는 IoT 허브를 통해 연결될 수 있다. 다만, 이에 한정되는 것은 아니고 직접 연결될 수 있다. IoT 공기 청정기 제어 시스템(10)은 사용자의 IoT 공기 청정기 사용 패턴을 분석하여 사용자의 DISC 성향을 예측하고 예측된 DISC 성향에 기초하여 사용자에게 개인화된 IoT 공기 청정기 사용을 사용자에게 추천할 수 있다.1 is a block diagram conceptually showing an IoT air purifier control system according to an aspect of the present invention. Referring to FIG. 1, the IoT air purifier control system 10 collects usage history information, that is, log data, of an IoT air purifier installed in each user's living space (eg, a home, etc.). Since it is common to have a plurality of IoT devices installed in each user's living space, they are connected to other systems through an IoT gateway or IoT hub, and IoT devices use low-power wireless communication protocols such as Bluetooth, Z-Wave, and ZigBee. The IoT infrastructure can be configured to communicate with an IoT gateway or IoT hub. Accordingly, the IoT air purifier may also be connected through an IoT gateway or an IoT hub without being directly connected to the IoT air purifier control system 10. However, it is not limited thereto and may be directly connected. The IoT air purifier control system 10 may analyze a user's IoT air purifier usage pattern to predict a user's DISC disposition and recommend a personalized IoT air purifier to the user based on the predicted DISC disposition.

발명의 양상에 따라서는 IoT 공기 청정기와 IoT 공기 청정기 제어 시스템(10)은 데이터 교환을 위한 통신 프로토콜로 저전력의 소형기기 제어에 적합한 MQTT(Message Queueing Telemetry Transport) 프로토콜을 사용할 수 있다. MQTT 프로토콜은 사물 통신(Machine to Machine, M2M), 사물 인터넷(IoT)과 같이 대역폭이 제한된 통신 환경에 최적화된 푸시 기반의 경량 메시지 전송 프로토콜이다. MQTT 프로토콜에서는 푸시 기술에서 일반적으로 사용되는 클라이언트-서버 방식이 아닌 브로커라는 메시지 매개자를 통해 송신측에서 특정 토픽에 대한 메시지를 발행(publish)하고 해당 토픽에 대하여 수신자가 구독(subscribe)하는 방식으로 메시지를 수신한다. 따라서, MQTT 프로토콜이 사용되는 경우에는 IoT 공기 청정기와 IoT 공기 청정기 제어 시스템(10) 사이에 MQTT 브로커 서버가 추가될 수 있으며, IoT 공기 청정기가 로그 데이터를 토픽으로 하여 메시지를 발행하고, IoT 공기 청정기 제어 시스템(10)이 해당 토픽을 구독하여 MQTT 브로커로부터 해당 메시지를 전달받는다.According to an aspect of the invention, the IoT air purifier and the IoT air purifier control system 10 may use a message queuing telemetry transport (MQTT) protocol suitable for controlling small devices with low power as a communication protocol for data exchange. The MQTT protocol is a push-based lightweight message transmission protocol optimized for bandwidth-limited communication environments such as Machine to Machine (M2M) and Internet of Things (IoT). In the MQTT protocol, not a client-server method commonly used in push technology, but a message in which the sender publishes a message on a specific topic through a message intermediary called a broker, and the receiver subscribes to the topic. Receive. Therefore, when the MQTT protocol is used, an MQTT broker server can be added between the IoT air purifier and the IoT air purifier control system 10, and the IoT air purifier issues a message with log data as a topic, and the IoT air purifier The control system 10 subscribes to the topic and receives the message from the MQTT broker.

IoT 공기 청정기 제어 시스템(10)은 IoT 공기 청정기로부터 수집한 데이터들을 정형 데이터와, 비정형 데이터로 분류하여 각 타입에 적합한 데이터베이스에 저장할 수 있다.The IoT air purifier control system 10 may classify data collected from the IoT air purifier into structured data and unstructured data and store them in a database suitable for each type.

발명의 일 양상에 따르는 공기 청정기 제어 시스템(10)은 로그 수집부(100)와, 환경 데이터 수집부(110)와, 저장부(140)와, DISC 성향 예측부(120)와, 기기 제어 추천부(130)를 포함한다.The air purifier control system 10 according to an aspect of the invention includes a log collection unit 100, an environment data collection unit 110, a storage unit 140, a DISC propensity prediction unit 120, and a device control recommendation. Includes section 130.

로그 수집부(100)는 사용자의 IoT 공기 청정기의 로그 데이터를 수집한다. 로그 수집은 전술한 MQTT 프로토콜을 이용하여 수행될 수 있다. 이때 수집되는 IoT 공기 청정기의 로그 데이터는 작동 시간, 작동 모드, 습도, 온도, 실내 먼지농도, 평균 실내 먼지농도, 모터 스피드, 필터 종류, 필터 사용 시간 등을 포함할 수 있다.The log collection unit 100 collects log data of the user's IoT air purifier. Log collection may be performed using the MQTT protocol described above. The log data of the IoT air purifier collected at this time may include operation time, operation mode, humidity, temperature, indoor dust concentration, average indoor dust concentration, motor speed, filter type, filter usage time, and the like.

환경 데이터 수집부(110)는 공공 데이터 포털에 접속하여 공공 데이터 포털로부터 날씨, 미세먼지 농도 등을 포함하는 외부 환경 데이터를 수집한다.The environmental data collection unit 110 accesses the public data portal and collects external environmental data including weather and fine dust concentration from the public data portal.

저장부(140)는 데이터베이스들로 구성되며 IoT 공기 청정기의 로그 데이터와 외부 환경 데이터들을 정형 데이터와, 비정형 데이터로 분류하여 각 타입에 적합한 데이터베이스에 저장할 수 있다.The storage unit 140 is composed of databases, and may classify log data and external environment data of the IoT air purifier into structured data and unstructured data, and store them in a database suitable for each type.

DISC 성향 예측부(120)는 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다. 이때 학습에 사용될 변수를 선별하기 위한 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 IoT 공기 청정기 사용패턴과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 DISC 성향 예측 모델(엔진)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 즉, 사용자의 IoT 공기 청정기 사용패턴과 DISC 성향의 높은 연관성을 나타내는 변수를 최종 선별하게 된다.The DISC propensity prediction unit 120 selects variables to be used for learning from the collected log data and environmental data according to a predefined data schema. At this time, the data schema for selecting variables to be used for learning is determined by considering the relationship between DISC propensity and IoT air purifier usage pattern through research on thesis and academic information. At this time, the determined variable may be verified through a deep learning-based DISC propensity prediction model (engine) learned with the accumulated test data set, and may be changed depending on whether it matches the DISC propensity of users surveyed in advance. In other words, variables that show a high correlation between the user's IoT air purifier usage pattern and the DISC propensity are finally selected.

DISC 성향 예측부(120)는 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측한다.The DISC propensity prediction unit 120 predicts the user's DISC propensity through a deep learning-based DISC propensity prediction engine that has previously learned the selected variables.

기기 제어 추천부(130)는 예측된 사용자의 DISC 성향에 기초하여 개인화된 IoT 공기 청정기의 제어를 사용자 단말에 추천한다. 일 예로 사용자와 동일한 DISC 성향을 가진 사용자들의 IoT 공기 청정기 사용 패턴이 실내 미세먼지 농도가 높을 때 특정 속도의 모터 스피드로 공기 청정기를 작동시키는 경향을 보이고, 현재의 공기 청정기가 이와 다르게 동작하고 있다면 기기 제어 추천부(130)는 사용자 단말에 단말에 동일한 DISC 성향을 가진 사용자들의 사용 방법을 사용자 단말에 추천할 수 있다. 이때, 사용자 단말은 IoT 공기 청정기 등을 제어할 수 있는 챗봇 클라이언트 소프트웨어가 설치된 단말일 수 있다. 이 경우에는 IoT 공기 청정기 제어 시스템(10)이 챗봇 서버의 역할을 수행할 수 있다. 이에 한정되는 것은 아니며 IoT 공기 청정기를 전용으로 제어할 수 있는 소프트웨어가 설치된 단말일 수도 있다. 기기 제어 추천부(130)는 사용자 단말에 추천한 제어에 대응되게 IoT 공기 청정기의 제어 명령을 생성하고, IoT 공기 청정기에 해당 제어 명령을 전송하여 추천 제어에 대응되게 IoT 공기 청정기를 제어할 수 있다. 이때, 기기 추천 제어부는 제조사별로 제어 명령이 다를 수 있어, 제어 명령을 해당 제조사와 호환되는 제어 명령으로 먼저 변환하고 전송할 수 있다.The device control recommendation unit 130 recommends a personalized IoT air purifier control to the user terminal based on the predicted user's DISC disposition. For example, if the IoT air purifier usage pattern of users with the same DISC disposition as the user shows a tendency to operate the air purifier at a specific motor speed when the indoor fine dust concentration is high, and the current air purifier operates differently, the device The control recommendation unit 130 may recommend a usage method of users having the same DISC propensity to the user terminal to the user terminal to the user terminal. In this case, the user terminal may be a terminal on which chatbot client software capable of controlling an IoT air purifier or the like is installed. In this case, the IoT air purifier control system 10 may serve as a chatbot server. It is not limited thereto, and may be a terminal installed with software that can exclusively control the IoT air purifier. The device control recommendation unit 130 may generate a control command of the IoT air purifier corresponding to the control recommended to the user terminal, and transmit the control command to the IoT air purifier to control the IoT air purifier corresponding to the recommended control. . In this case, the device recommendation controller may have different control commands for each manufacturer, and thus may first convert and transmit the control command to a control command compatible with the manufacturer.

발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 DISC 성향 예측부(120)의 DISC 성향 예측 엔진은 제1 DISC 성향 예측 엔진과, 제2 DISC 성향 예측 엔진을 포함할 수 있다.The DISC propensity prediction engine of the DISC propensity prediction unit 120 of the air purifier control system 10 according to another aspect of the present invention may include a first DISC propensity prediction engine and a second DISC propensity prediction engine.

제1 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제1 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 동작 모드와, 작동 시간, 먼지 농도, 모터 스피드를 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제1 DISC 성향 예측 엔진은 동작 모드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제1 DISC 성향 예측 엔진의 입력 변수로 동작 모드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.The first DISC propensity prediction engine is a model learned by setting the operation mode of the IoT air purifier as a variable having a high weight. The first DISC propensity prediction engine is a deep learning learning model that selects and trains operation mode, operation time, dust concentration, and motor speed as input variables from log data collected from IoT air purifiers. In this case, the first DISC propensity prediction engine assigns a higher weight to the operation mode variable than other variables. However, the present invention is not limited thereto, and variables other than the operation mode and operation time as input variables of the first DISC propensity prediction engine may be selected as variables to be used for learning.

제2 DISC 성향 예측 엔진은 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제2 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 모터 스피드와, 작동 시간을 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제2 DISC 성향 예측 엔진은 모터 스피드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제2 DISC 성향 예측 엔진의 입력 변수로 모터 스피드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.The second DISC propensity prediction engine is a model learned by setting the motor speed of the IoT air purifier as a variable with a high weight. The second DISC propensity prediction engine is a deep learning learning model that selects and trains motor speed and operating time as input variables from log data collected from IoT air purifiers. At this time, the second DISC propensity prediction engine assigns a higher weight to the motor speed variable than other variables. However, the present invention is not limited thereto, and variables other than motor speed and operating time as input variables of the second DISC propensity prediction engine may be selected as variables to be used for learning.

일반적으로 IoT 공기 청정기는 자동 운전 모드와 수동 운전 모드로 동작한다. 일 예로, IoT 공기 청정기는 자동 운전 모드인 Auto mode와, 수동 운전 모드인 Silence mode, Favorite mode, Random mode로 동작할 수 있다.In general, IoT air purifiers operate in an automatic operation mode and a manual operation mode. For example, the IoT air purifier may operate in an automatic mode, which is an automatic operation mode, and a manual operation mode, such as a silence mode, a favorite mode, and a random mode.

IoT 공기 청정기의 동작 모드가 자동 운전 모드(예, Auto mode)로 설정된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 자동 운전 모드 이외의 다른 운전 모드(예, Silence mode, Favorite mode, Random mode)로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측할 수 있다.When the operation mode of the IoT air purifier is set to an automatic operation mode (e.g., Auto mode), the second DISC propensity prediction engine predicts the user's DISC propensity, and other operating modes other than the automatic operation mode (e.g., Silence mode, Favorite mode, Random mode), the first DISC propensity prediction engine may predict the user's DISC propensity.

발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 DISC 성향 예측부(120)는 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.The DISC propensity prediction unit 120 of the air purifier control system 10 according to another aspect of the invention merges the prediction results of the first DISC propensity prediction engine and the second DISC propensity prediction engine to determine the user's DISC propensity. It is predictable.

사용자는 IoT 공기 청정기를 두 가지 이상의 모드로 작동시켜 사용할 수 있다. 즉, 사용자의 DISC 성향을 예측할 수 있는 데이터가 누적되는 동안 사용자가 공기 청정기를 상황에 따라서 자동 운전 모드로 작동시킬 수도 있고, 수동 운전 모드로 작동시킬 수 있다. 이 경우에는 제1 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있고, 제2 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있으므로 제1 DISC 성향 예측 엔진을 통해 예측한 결과와 제2 DISC 성향 예측 엔진을 통해 예측한 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.Users can use the IoT air purifier by operating it in more than one mode. That is, while data that can predict the user's DISC tendency are accumulated, the user may operate the air purifier in an automatic operation mode or a manual operation mode depending on the situation. In this case, log data that can predict DISC propensity with the first DISC propensity prediction engine is also accumulated, and log data that can predict DISC propensity with the second DISC propensity prediction engine is also accumulated. The user's DISC propensity may be predicted by merging the predicted result and the predicted result through the second DISC propensity prediction engine.

발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 기기 제어 추천부(130)는 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하고, 수신한 피드백을 다음 IoT 공기 청정기의 제어 추천에 반영하여 사용자에게 공기 청정기의 사용을 제안할 수 있다.The device control recommendation unit 130 of the air purifier control system 10 according to another aspect of the invention receives a feedback on whether to accept the IoT air purifier control recommendation from the user terminal, and receives the feedback from the next IoT air purifier. Reflected in the control recommendations of the user can be suggested to use the air purifier.

IoT 공기 청정기 제어 시스템(10)이 사용자의 공기 청정기 사용 패턴과 DISC 성향에 따라 공기 청정기의 사용을 제안하더라도 사용자가 제안을 수용할 지 알 수 없으므로 IoT 공기 청정기 제어 시스템(10)은 사용자의 수용 여부에 대한 피드백을 수신한 다음 IoT 공기 청정기의 제어 추천에 반영하여 보다 엄밀하게 개인화된 추천을 할 수 있다.Even if the IoT air purifier control system 10 proposes to use the air purifier according to the user's air purifier usage pattern and DISC propensity, the user does not know whether to accept the offer, so the IoT air purifier control system 10 will accept the user's acceptance or not. After receiving the feedback on the IoT air purifier, it can be reflected in the control recommendation of the IoT air purifier to make a more strictly personalized recommendation.

예를 들어, 동일한 DISC 성향을 가진 사용자들의 사용패턴으로부터 특정한 공기 청정기 사용 방법을 추천하였는데 사용자가 이를 반복적으로 수용하지 않으면 해당 패턴에 대한 추천을 배제하거나 다른 사용 방법을 추천할 수 있다.For example, if a specific air purifier usage method is recommended from the usage pattern of users with the same DISC tendency, but the user does not repeatedly accept this, the recommendation for the pattern may be excluded or a different usage method may be recommended.

발명의 또 다른 양상에 따르는 공기 청정기 제어 시스템(10)의 DISC 성향 예측부(120)의 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진일 수 있다. The DISC propensity prediction engine of the DISC propensity prediction unit 120 of the air purifier control system 10 according to another aspect of the present invention may be a deep learning engine trained with a cyclic neural network (RNN) model.

제1 DISC 성향 예측 엔진과 제2 DISC 성향 예측 엔진 또한 순환 신경망 모델로 학습된 딥러닝 엔진일 수 있다. 다만, 이에 한정되는 것은 아니며 다른 딥러닝 알고리즘으로 학습된 딥러닝 엔진일 수도 있다.The first DISC propensity prediction engine and the second DISC propensity prediction engine may also be deep learning engines trained with a recurrent neural network model. However, the present invention is not limited thereto, and may be a deep learning engine learned by other deep learning algorithms.

발명의 일 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법은 로그 수집 단계와, 환경 데이터 수집 단계와, 변수 선별 단계와, DISC 성향 예측 단계와, 제어 추천 단계를 포함한다.According to an embodiment of the present invention, an air purifier control method of the IoT air purifier control system 10 includes a log collection step, an environmental data collection step, a variable selection step, a DISC tendency prediction step, and a control recommendation step.

로그 수집 단계는 IoT 공기 청정기 제어 시스템(10)이 사용자의 IoT 공기 청정기사용에 대한 로그 데이터를 수집하는 단계이다. IoT 공기 청정기 제어 시스템(10)의 로그 수집은 전술한 MQTT 프로토콜을 이용하여 수행될 수 있다. 이때 수집되는 IoT 공기 청정기의 로그 데이터는 작동 시간, 작동 모드, 습도, 온도, 실내 먼지농도, 평균 실내 먼지농도, 모터 스피드, 필터 종류, 필터 사용 시간 등을 포함할 수 있다.The log collection step is a step in which the IoT air purifier control system 10 collects log data on the user's use of the IoT air purifier. Log collection of the IoT air purifier control system 10 may be performed using the MQTT protocol described above. The log data of the IoT air purifier collected at this time may include operation time, operation mode, humidity, temperature, indoor dust concentration, average indoor dust concentration, motor speed, filter type, filter usage time, and the like.

환경 데이터 수집 단계는 IoT 공기 청정기 제어 시스템(10)이 공공 데이터 포털에 접속하여 공공 데이터 포털로부터 날씨, 미세먼지 농도 등을 포함하는 외부 환경 데이터를 수집하는 단계이다.The environmental data collection step is a step in which the IoT air purifier control system 10 accesses the public data portal and collects external environmental data including weather, fine dust concentration, etc. from the public data portal.

변수 선별 단계는 IoT 공기 청정기 제어 시스템(10)이 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 변수 선별 단계이다. IoT 공기 청정기 제어 시스템(10)은 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다. 이때 학습에 사용될 변수를 선별하기 위한 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 IoT 공기 청정기 사용패턴과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 DISC 성향 예측 모델(엔진)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 즉, 사용자의 IoT 공기 청정기 사용패턴과 DISC 성향의 높은 연관성을 나타내는 변수를 최종 선별하게 된다. The variable selection step is a variable selection step in which the IoT air purifier control system 10 selects variables to be used for learning according to a predefined data schema from the collected log data and environmental data. The IoT air purifier control system 10 selects variables to be used for learning according to a predefined data schema from the collected log data and environmental data. At this time, the data schema for selecting variables to be used for learning is determined by considering the relationship between DISC propensity and IoT air purifier usage pattern through research on thesis and academic information. At this time, the determined variable may be verified through a deep learning-based DISC propensity prediction model (engine) learned with the accumulated test data set, and may be changed depending on whether it matches the DISC propensity of users surveyed in advance. In other words, variables that show a high correlation between the user's IoT air purifier usage pattern and the DISC propensity are finally selected.

DISC 성향 예측 단계는 IoT 공기 청정기 제어 시스템(10)이 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 단계이다.The DISC propensity prediction step is a step in which the IoT air purifier control system 10 predicts the user's DISC propensity through a deep learning-based DISC propensity prediction engine that has previously learned the selected variables.

제어 추천 단계는 IoT 공기 청정기 제어 시스템(10)이 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 단계이다. IoT 공기 청정기 제어 시스템(10)은 예측된 사용자의 DISC 성향에 기초하여 개인화된 IoT 공기 청정기의 제어를 사용자 단말에 추천한다. 일 예로 사용자와 동일한 DISC 성향을 가진 사용자들의 IoT 공기 청정기 사용 패턴이 실내 미세먼지 농도가 높을 때 특정 속도의 모터 스피드로 공기 청정기를 작동시키는 경향을 보이고, 현재의 공기 청정기가 이와 다르게 동작하고 있다면 IoT 공기 청정기 제어 시스템(10)은 사용자 단말에 단말에 동일한 DISC 성향을 가진 사용자들의 사용 방법을 사용자 단말에 추천할 수 있다. 이때, 사용자 단말은 IoT 공기 청정기 등을 제어할 수 있는 챗봇 클라이언트 소프트웨어가 설치된 단말일 수 있다. 이 경우에는 IoT 공기 청정기 제어 시스템(10)이 챗봇 서버의 역할을 수행할 수 있다. 이에 한정되는 것은 아니며 IoT 공기 청정기를 전용으로 제어할 수 있는 소프트웨어가 설치된 단말일 수도 있다. IoT 공기 청정기 제어 시스템(10)은 사용자 단말에 추천한 제어에 대응되게 IoT 공기 청정기의 제어 명령을 생성하고, IoT 공기 청정기에 해당 제어 명령을 전송하여 추천 제어에 대응되게 IoT 공기 청정기를 제어할 수 있다. 이때, IoT 공기 청정기 제어 시스템(10)은 공기 청정기의 제조사별로 제어 명령이 다를 수 있어, 제어 명령을 해당 제조사와 호환되는 제어 명령으로 먼저 변환하고 전송할 수 있다.The control recommendation step is a step in which the IoT air purifier control system 10 recommends control of the IoT air purifier to the user terminal based on the predicted user's DISC disposition. The IoT air purifier control system 10 recommends personalized IoT air purifier control to the user terminal based on the predicted user's DISC disposition. For example, if the IoT air purifier usage pattern of users with the same DISC disposition as the user shows a tendency to operate the air purifier at a specific motor speed when the indoor fine dust concentration is high, and the current air purifier operates differently, IoT The air purifier control system 10 may recommend a method of use of users having the same DISC propensity to the user terminal to the user terminal to the user terminal. In this case, the user terminal may be a terminal on which chatbot client software capable of controlling an IoT air purifier or the like is installed. In this case, the IoT air purifier control system 10 may serve as a chatbot server. It is not limited thereto, and may be a terminal installed with software that can exclusively control the IoT air purifier. The IoT air purifier control system 10 can control the IoT air purifier in response to the recommended control by generating a control command of the IoT air purifier corresponding to the control recommended to the user terminal, and transmitting the control command to the IoT air purifier. have. In this case, the IoT air purifier control system 10 may have a different control command for each manufacturer of the air purifier, and thus may first convert the control command into a control command compatible with the manufacturer and transmit it.

발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법의 DISC 성향 예측 단계에서 사용되는 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 제1 DISC 성향 예측 엔진과 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 제2 DISC 성향 예측 엔진을 포함할 수 있다.According to another embodiment of the invention, the DISC propensity prediction engine used in the DISC propensity prediction step of the air purifier control method of the IoT air purifier control system 10 is learned by setting the operation mode of the IoT air purifier to a variable having a high weight. The first DISC propensity prediction engine and the second DISC propensity prediction engine learned by setting the motor speed of the IoT air purifier as a variable having a high weight may be included.

제1 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제1 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 동작 모드와, 작동 시간, 먼지 농도, 모터 스피드를 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제1 DISC 성향 예측 엔진은 동작 모드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제1 DISC 성향 예측 엔진의 입력 변수로 동작 모드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.The first DISC propensity prediction engine is a model learned by setting the operation mode of the IoT air purifier as a variable having a high weight. The first DISC propensity prediction engine is a deep learning learning model that selects and trains operation mode, operation time, dust concentration, and motor speed as input variables from log data collected from IoT air purifiers. In this case, the first DISC propensity prediction engine assigns a higher weight to the operation mode variable than other variables. However, the present invention is not limited thereto, and variables other than the operation mode and operation time as input variables of the first DISC propensity prediction engine may be selected as variables to be used for learning.

제2 DISC 성향 예측 엔진은 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 모델이다. 제2 DISC 성향 예측 엔진은 IoT 공기 청정기로부터 수집한 로그 데이터에서 모터 스피드와, 작동 시간을 입력 변수로 선별하여 학습시킨 딥러닝 학습 모델이다. 이때, 제2 DISC 성향 예측 엔진은 모터 스피드 변수를 다른 변수에 비해 높은 가중치를 부여한다. 다만, 이에 한정되는 것은 아니며 제2 DISC 성향 예측 엔진의 입력 변수로 모터 스피드와 작동 시간 외에 다른 변수가 학습에 사용될 변수로 선별될 수도 있다.The second DISC propensity prediction engine is a model learned by setting the motor speed of the IoT air purifier as a variable with a high weight. The second DISC propensity prediction engine is a deep learning learning model that selects and trains motor speed and operating time as input variables from log data collected from IoT air purifiers. At this time, the second DISC propensity prediction engine assigns a higher weight to the motor speed variable than other variables. However, the present invention is not limited thereto, and variables other than motor speed and operating time as input variables of the second DISC propensity prediction engine may be selected as variables to be used for learning.

일반적으로 IoT 공기 청정기는 자동 운전 모드와 수동 운전 모드로 동작한다. 일 예로, IoT 공기 청정기는 자동 운전 모드인 Auto mode와, 수동 운전 모드인 Silence mode, Favorite mode, Random mode로 동작할 수 있다.In general, IoT air purifiers operate in an automatic operation mode and a manual operation mode. For example, the IoT air purifier may operate in an automatic mode, which is an automatic operation mode, and a manual operation mode, such as a silence mode, a favorite mode, and a random mode.

DISC 성향 예측 단계는 IoT 공기 청정기의 동작 모드가 자동 운전 모드(예,로 설정Auto mode)된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 다른 운전 모드(예, Silence mode, Favorite mode, Random mode)로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측할 수 있다.In the DISC propensity prediction step, when the operation mode of the IoT air purifier is in the automatic operation mode (e.g., set to Auto mode), the second DISC propensity prediction engine predicts the user's DISC propensity, and other operation modes (e.g., Silence mode, Favorite mode) , Random mode), the first DISC propensity prediction engine may predict the user's DISC propensity.

발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법의 DISC 성향 예측 단계는 병합 예측 단계를 포함할 수 있다.According to another embodiment of the present invention, the DISC tendency prediction step of the air cleaner control method of the IoT air cleaner control system 10 may include a merge prediction step.

병합 예측 단계는 IoT 공기 청정기 제어 시스템(10)이 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 단계이다.The merge prediction step is a step in which the IoT air purifier control system 10 merges the prediction results of the first DISC propensity prediction engine and the prediction results of the second DISC propensity prediction engine to predict the user's DISC propensity.

사용자는 IoT 공기 청정기를 두 가지 이상의 모드로 작동시켜 사용할 수 있다. 즉, 사용자의 DISC 성향을 예측할 수 있는 데이터가 누적되는 동안 사용자가 공기 청정기를 상황에 따라서 자동 운전 모드로 작동시킬 수도 있고, 수동 운전 모드로 작동시킬 수 있다. 이 경우에는 제1 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있고, 제2 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있으므로 제1 DISC 성향 예측 엔진을 통해 예측한 결과와 제2 DISC 성향 예측 엔진을 통해 예측한 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.Users can use the IoT air purifier by operating it in more than one mode. That is, while data that can predict the user's DISC tendency are accumulated, the user may operate the air purifier in an automatic operation mode or a manual operation mode depending on the situation. In this case, log data that can predict DISC propensity with the first DISC propensity prediction engine is also accumulated, and log data that can predict DISC propensity with the second DISC propensity prediction engine is also accumulated. The user's DISC propensity may be predicted by merging the predicted result and the predicted result through the second DISC propensity prediction engine.

발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법은 피드백 수신 단계를 더 포함할 수 있다.According to another embodiment of the present invention, the air purifier control method of the IoT air purifier control system 10 may further include a feedback receiving step.

피드백 수신 단계는 IoT 공기 청정기 제어 시스템(10)이 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하는 단계이다. 이때, 제어 추천 단계에서 IoT 공기 청정기 제어 시스템(10)이 해당 피드백을 IoT 공기 청정기의 제어 추천에 반영할 수 있다.The feedback receiving step is a step in which the IoT air purifier control system 10 receives a feedback on whether to accept the IoT air purifier control recommendation from the user terminal. At this time, in the control recommendation step, the IoT air purifier control system 10 may reflect the feedback in the IoT air purifier control recommendation.

IoT 공기 청정기 제어 시스템(10)이 사용자의 공기 청정기 사용 패턴과 DISC 성향에 따라 공기 청정기의 사용을 제안하더라도 사용자가 제안을 수용할 지 알 수 없으므로 IoT 공기 청정기 제어 시스템(10)은 사용자의 수용 여부에 대한 피드백을 수신한 다음 IoT 공기 청정기의 제어 추천에 반영하여 보다 엄밀하게 개인화된 추천을 할 수 있다.Even if the IoT air purifier control system 10 proposes to use the air purifier according to the user's air purifier usage pattern and DISC propensity, the user does not know whether to accept the offer, so the IoT air purifier control system 10 will accept the user's acceptance or not. After receiving the feedback on the IoT air purifier, it can be reflected in the control recommendation of the IoT air purifier to make a more strictly personalized recommendation.

예를 들어, 동일한 DISC 성향을 가진 사용자들의 사용패턴으로부터 특정한 공기 청정기 사용 방법을 추천하였는데 사용자가 이를 반복적으로 수용하지 않으면 해당 패턴에 대한 추천을 배제하거나 다른 사용 방법을 추천할 수 있다.For example, if a specific air purifier usage method is recommended from the usage pattern of users with the same DISC tendency, but the user does not repeatedly accept this, the recommendation for the pattern may be excluded or a different usage method may be recommended.

발명의 또 다른 실시 예에 따르면 IoT 공기 청정기 제어 시스템(10)의 공기 청정기 제어 방법의 DISC 성향 예측 단계에서 사용되는 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진일 수 있다. According to another embodiment of the present invention, the DISC propensity prediction engine used in the DISC propensity prediction step of the air purifier control method of the IoT air purifier control system 10 may be a deep learning engine trained with a cyclic neural network (RNN) model.

제1 DISC 성향 예측 엔진과 제2 DISC 성향 예측 엔진 또한 순환 신경망 모델로 학습된 딥러닝 엔진일 수 있다. 다만, 이에 한정되는 것은 아니며 다른 딥러닝 알고리즘으로 학습된 딥러닝 엔진일 수도 있다.The first DISC propensity prediction engine and the second DISC propensity prediction engine may also be deep learning engines trained with a recurrent neural network model. However, the present invention is not limited thereto, and may be a deep learning engine learned by other deep learning algorithms.

도 2는 본 발명의 일 실시예에 따른 IoT 공기 청정기 제어 시스템의 제어 절차를 도시한 절차도이다. 도 2를 참조하여 설명하면, 사용자의 DISC 성향에 기초하여 공기 청정기 제어를 추천하는 절차는 IoT 공기 청정기 제어 시스템(10)이 IoT 공기 청정기로부터 로그 데이터를 수집한다(S1000). 또한, IoT 공기 청정기 제어 시스템(10)은 기상 등의 외부 환경도 고려하기 위해 기상 데이터 등을 제공하는 공공 데이터 포털에 접속하여 환경 데이터를 수집한다(S1020). IoT 공기 청정기 제어 시스템(10)은 수집된 공기 청정기 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다(S1040). 선별된 변수를 딥러닝 기반의 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S1060). IoT 공기 청정기 제어 시스템(10)은 예측된 사용자의 DISC 성향에 기초하여 사용자에게 공기 청정기 제어방법을 추천 및 제안하고(S1080), 사용자 단말로부터 사용자가 해당 추천 제어방법을 수용했는지에 대한 피드백을 수신하고(S1100) 이를 다음 제어방법 추천 시 반영한다.2 is a flowchart illustrating a control procedure of an IoT air purifier control system according to an embodiment of the present invention. Referring to FIG. 2, in a procedure for recommending air purifier control based on the user's DISC disposition, the IoT air purifier control system 10 collects log data from the IoT air purifier (S1000). In addition, the IoT air purifier control system 10 collects environmental data by accessing a public data portal that provides meteorological data in order to consider external environments such as weather (S1020). The IoT air purifier control system 10 selects variables to be used for learning according to a predefined data schema from the collected air purifier log data and environmental data (S1040). The selected variable is provided as an input variable to the deep learning-based DISC propensity prediction engine to predict the user's DISC propensity (S1060). The IoT air purifier control system 10 recommends and suggests an air purifier control method to the user based on the predicted user's DISC tendency (S1080), and receives feedback from the user terminal on whether the user has accepted the recommended control method. And reflect this when recommending the next control method (S1100).

도 3은 본 발명의 또 다른 실시 예에 따른 IoT 공기 청정기 제어 시스템(10)이 DISC 성향 예측을 공기 청정기 동작 모드에 따라 달리한 절차를 도시한 것이다. 도 3을 참조하여 설명하면, 사용자의 DISC 성향에 기초하여 공기 청정기 제어를 추천하는 절차는 IoT 공기 청정기 제어 시스템(10)이 IoT 공기 청정기로부터 로그 데이터를 수집한다(S2000). 또한, IoT 공기 청정기 제어 시스템(10)은 기상 등의 외부 환경도 고려하기 위해 기상 데이터 등을 제공하는 공공 데이터 포털에 접속하여 환경 데이터를 수집한다(S2020). IoT 공기 청정기 제어 시스템(10)은 수집된 로그 데이터에서 공기 청정기의 운전 모드를 확인하여(S2040) 운전 모드가 자동 운전 모드로 설정되어 있는 경우에는 수집된 공기 청정기 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 제2 DISC 성향 예측 엔진이 학습에 사용할 변수를 선별한다(S2060). 선별된 변수를 딥러닝 기반의 제2 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S2070). IoT 공기 청정기 제어 시스템(10)은 운전 모드가 수동 운전 모드로 설정되어 있는 경우에는 수집된 공기 청정기 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 제1 DISC 성향 예측 엔진이 학습에 사용할 변수를 선별한다(S2080). 선별된 변수를 딥러닝 기반의 제1 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S2090). IoT 공기 청정기 제어 시스템(10)은 예측된 사용자의 DISC 성향에 기초하여 사용자에게 공기 청정기 제어방법을 추천 및 제안하고(S2100), 사용자 단말로부터 사용자가 해당 추천 제어방법을 수용했는지에 대한 피드백을 수신하고 이를 다음 제어방법 추천 시 반영한다(S2120).3 is a diagram illustrating a procedure in which the IoT air purifier control system 10 according to another embodiment of the present invention performs a DISC propensity prediction differently according to the air purifier operation mode. Referring to FIG. 3, in a procedure for recommending air purifier control based on the user's DISC disposition, the IoT air purifier control system 10 collects log data from the IoT air purifier (S2000). In addition, the IoT air purifier control system 10 collects environmental data by accessing a public data portal that provides meteorological data in order to consider external environments such as weather (S2020). The IoT air purifier control system 10 checks the operation mode of the air purifier from the collected log data (S2040), and when the operation mode is set to the automatic operation mode, it is predefined from the collected air purifier log data and environmental data. According to the data schema, the second DISC propensity prediction engine selects a variable to be used for learning (S2060). The selected variable is provided as an input variable to the deep learning-based second DISC propensity prediction engine to predict the user's DISC propensity (S2070). When the operation mode is set to the manual operation mode, the IoT air purifier control system 10 determines the variables to be used for learning by the first DISC propensity prediction engine according to a predefined data schema from collected air purifier log data and environmental data. It is selected (S2080). The selected variable is provided as an input variable to the first DISC propensity prediction engine based on deep learning to predict the user's DISC propensity (S2090). The IoT air purifier control system 10 recommends and suggests an air purifier control method to the user based on the predicted user's DISC tendency (S2100), and receives feedback from the user terminal on whether the user has accepted the recommended control method. And reflect this when recommending the next control method (S2120).

도 4는 본 발명의 또 다른 실시예에 따른 IoT 공기 청정기 제어 시스템이 동작 모드에 따른 DISC 성향 예측 결과를 병합하여 DISC 성향을 예측하는 절차를 도시한 것이다. 도 4를 참조하여 설명하면, 도 3에 도시된 절차에서 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 절차가 추가되어 있다(S3100).4 is a diagram illustrating a procedure for predicting a DISC propensity by merging a DISC propensity prediction result according to an operation mode by the IoT air purifier control system according to another embodiment of the present invention. Referring to FIG. 4, in the procedure shown in FIG. 3, a procedure for predicting the user's DISC propensity by merging the prediction results of the first DISC propensity prediction engine and the prediction results of the second DISC propensity prediction engine is added ( S3100).

사용자는 IoT 공기 청정기를 두 가지 이상의 모드로 작동시켜 사용할 수 있다. 즉, 사용자의 DISC 성향을 예측할 수 있는 데이터가 누적되는 동안 사용자가 공기 청정기를 상황에 따라서 자동 운전 모드로 작동시킬 수도 있고, 수동 운전 모드로 작동시킬 수 있다. 이 경우에는 제1 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있고, 제2 DISC 성향 예측 엔진으로 DISC 성향을 예측할 수 있는 로그 데이터도 축적되어 있으므로 제1 DISC 성향 예측 엔진을 통해 예측한 결과와 제2 DISC 성향 예측 엔진을 통해 예측한 결과를 병합하여 사용자의 DISC 성향을 예측할 수 있다.Users can use the IoT air purifier by operating it in more than one mode. That is, while data that can predict the user's DISC tendency are accumulated, the user may operate the air purifier in an automatic operation mode or a manual operation mode depending on the situation. In this case, log data that can predict DISC propensity with the first DISC propensity prediction engine is also accumulated, and log data that can predict DISC propensity with the second DISC propensity prediction engine is also accumulated. The user's DISC propensity may be predicted by merging the predicted result and the predicted result through the second DISC propensity prediction engine.

상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.The above-described embodiments of the present invention are disclosed for the purpose of illustration, and those skilled in the art who have ordinary knowledge of the present invention will be able to make various modifications, changes, and additions within the spirit and scope of the present invention, and such modifications, changes and additions It should be seen as falling within the scope of the following claims.

10: 공기 청정기 제어 시스템
100: 로그 수집부
110: 환경 데이터 수집부
120: DISC 성향 예측부
130: 기기 제어 추천부
140: 저장부10: air purifier control system
100: log collection unit
110: environmental data collection unit
120: DISC propensity prediction unit
130: device control recommendation unit
140: storage unit

Claims (10)

사용자의 IoT 공기 청정기 사용에 대한 로그 데이터를 수집하는 로그 수집부;
공공 데이터 포털에 접속하여 환경 데이터를 수집하는 환경 데이터 수집부;
수집한 로그 데이터와 환경 데이터를 저장하는 저장부;
수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 DISC 성향 예측부; 및
예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 기기 제어 추천부;
를 포함하는 공기 청정기 제어 시스템.
A log collection unit that collects log data on the user's use of the IoT air purifier;
An environmental data collection unit that accesses a public data portal and collects environmental data;
A storage unit for storing collected log data and environmental data;
DISC propensity prediction that predicts the user's DISC propensity through a deep learning-based DISC propensity prediction engine that selects variables to be used for learning according to a predefined data schema from collected log data and environmental data. part; And
A device control recommendation unit for recommending control of the IoT air purifier to a user terminal based on the predicted user's DISC disposition;
Air purifier control system comprising a.
 제 1 항에 있어서,
DISC 성향 예측부의 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 제1 DISC 성향 예측 엔진과 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 제2 DISC 성향 예측 엔진을 포함하되,
IoT 공기 청정기의 동작 모드가 자동 운전 모드로 설정된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 다른 운전 모드로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하는 공기 청정기 제어 시스템.
The method of claim 1,
The DISC propensity prediction engine of the DISC propensity prediction unit is the first DISC propensity prediction engine learned by setting the operation mode of the IoT air purifier to a variable with high weight and the second learned by setting the motor speed of the IoT air purifier to a variable with high weight. Including the DISC propensity prediction engine,
When the operation mode of the IoT air purifier is set to the automatic operation mode, the second DISC propensity prediction engine predicts the user's DISC propensity, and when set to another operation mode, the first DISC propensity prediction engine predicts the user's DISC propensity. system.
 제 2 항에 있어서,
DISC 성향 예측부는 제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 공기 청정기 제어 시스템.
The method of claim 2,
The DISC propensity prediction unit is an air purifier control system that predicts the user's DISC propensity by merging the prediction results of the first DISC propensity prediction engine and the prediction results of the second DISC propensity prediction engine.
 제 1 항에 있어서,
기기 제어 추천부가 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하고, 해당 피드백을 다음 IoT 공기 청정기의 제어 추천에 반영하는 공기 청정기 제어 시스템.
The method of claim 1,
An air purifier control system in which the device control recommendation unit receives feedback on whether or not to accept the IoT air purifier control recommendation from the user terminal, and reflects the feedback to the next IoT air purifier control recommendation.
 제 1 항에 있어서,
DISC 성향 예측부의 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진인 공기 청정기 제어 시스템.
The method of claim 1,
The DISC propensity prediction engine of the DISC propensity prediction unit is an air purifier control system that is a deep learning engine trained with a recurrent neural network (RNN) model.
 IoT 공기 청정기 제어 시스템의 공기 청정기 제어 방법에 있어서,
상기 제어 시스템이 사용자의 IoT 공기 청정기 사용에 대한 로그 데이터를 수집하는 로그 수집 단계;
상기 제어 시스템이 공공 데이터 포털에 접속하여 환경 데이터를 수집하는 환경 데이터 수집 단계;
상기 제어 시스템이 수집된 로그 데이터와 환경 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 변수 선별 단계;
상기 제어 시스템이 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 DISC 성향 예측 단계; 및
상기 제어 시스템이 예측된 사용자의 DISC 성향에 기초하여 IoT 공기 청정기의 제어를 사용자 단말에 추천하는 제어 추천 단계;
를 포함하는 IoT 공기 청정기 제어 방법.
In the air purifier control method of the IoT air purifier control system,
A log collection step in which the control system collects log data on the user's use of the IoT air purifier;
An environmental data collection step in which the control system accesses a public data portal to collect environmental data;
A variable selection step of selecting a variable to be used for learning from the log data and environment data collected by the control system according to a predefined data schema;
A DISC propensity prediction step of predicting a user's DISC propensity through a deep learning-based DISC propensity prediction engine that has previously learned the selected variable by the control system; And
A control recommendation step of recommending, by the control system, control of the IoT air purifier to a user terminal based on the predicted user's DISC disposition;
IoT air purifier control method comprising a.
 제 6 항에 있어서,
DISC 성향 예측 단계의 DISC 성향 예측 엔진은 IoT 공기 청정기의 동작 모드를 가중치가 높은 변수로 설정하여 학습한 제1 DISC 성향 예측 엔진과 IoT 공기 청정기의 모터 속도를 가중치가 높은 변수로 설정하여 학습한 제2 DISC 성향 예측 엔진을 포함하되,
DISC 성향 예측 단계는 IoT 공기 청정기의 동작 모드가 자동 운전 모드로 설정된 경우 제2 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하고 다른 운전 모드로 설정된 경우 제1 DISC 성향 예측 엔진으로 사용자의 DISC 성향을 예측하는 단계인 IoT 공기 청정기 제어 방법.
The method of claim 6,
The DISC propensity prediction engine in the DISC propensity prediction stage is the first DISC propensity prediction engine learned by setting the operation mode of the IoT air purifier as a variable with high weight and the first DISC propensity prediction engine learned by setting the motor speed of the IoT air purifier as a variable with high weight. 2 Including the DISC propensity prediction engine,
In the DISC propensity prediction step, when the operation mode of the IoT air purifier is set to the automatic operation mode, the second DISC propensity prediction engine predicts the user's DISC propensity, and when set to another driving mode, the first DISC propensity prediction engine determines the user's DISC propensity. IoT air purifier control method, which is a predictive step.
 제 7 항에 있어서,
DISC 성향 예측 단계는
제1 DISC 성향 예측 엔진의 예측 결과와 제2 DISC 성향 예측 엔진의 예측 결과를 병합하여 사용자의 DISC 성향을 예측하는 병합 예측 단계를 포함하는 IoT 공기 청정기 제어 방법.
The method of claim 7,
DISC propensity prediction stage
An IoT air purifier control method comprising a merge prediction step of predicting a user's DISC propensity by merging the prediction result of the first DISC propensity prediction engine and the prediction result of the second DISC propensity prediction engine.
 제 6 항에 있어서, 상기 방법은
상기 시스템이 사용자 단말로부터 IoT 공기 청정기의 제어 추천의 수용 여부에 대한 피드백을 수신하는 피드백 수신 단계;
를 더 포함하되,
제어 추천 단계에서 상기 시스템이 해당 피드백을 IoT 공기 청정기의 제어 추천에 반영하는 IoT 공기 청정기 제어 방법.
The method of claim 6, wherein the method
A feedback receiving step of receiving, by the system, a feedback on whether to accept a control recommendation of the IoT air purifier from a user terminal;
But further include,
The IoT air purifier control method in which the system reflects the feedback in the control recommendation of the IoT air purifier in the control recommendation step.
 제 6 항에 있어서,
상기 시스템의 DISC 성향 예측 엔진은 순환 신경망(RNN) 모델로 학습된 딥러닝 엔진인 IoT 공기 청정기 제어 방법.The method of claim 6,
The system's DISC propensity prediction engine is a deep learning engine trained with a cyclic neural network (RNN) model.
KR1020190102842A 2019-08-22 2019-08-22 Air purifier control system KR102281159B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190102842A KR102281159B1 (en) 2019-08-22 2019-08-22 Air purifier control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190102842A KR102281159B1 (en) 2019-08-22 2019-08-22 Air purifier control system

Publications (2)

Publication Number Publication Date
KR20210023113A true KR20210023113A (en) 2021-03-04
KR102281159B1 KR102281159B1 (en) 2021-07-23

Family

ID=75174436

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190102842A KR102281159B1 (en) 2019-08-22 2019-08-22 Air purifier control system

Country Status (1)

Country Link
KR (1) KR102281159B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117398817A (en) * 2023-11-30 2024-01-16 中山市凌宇机械有限公司 Intensive compressed air purification system and method

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150117404A (en) * 2014-04-10 2015-10-20 삼성전자주식회사 Air conditioner and mobile communication terminal, and method for control of air conditioner using the same
KR20170035137A (en) 2015-09-22 2017-03-30 최용규 System for operating an application use for property management using an individual personality information
KR101771522B1 (en) * 2014-12-31 2017-08-25 시아오미 아이엔씨. method of determining remaining use time, apparatus thereof, program and recording medium
KR20190087347A (en) * 2019-07-03 2019-07-24 엘지전자 주식회사 Air conditioner and method for operating the air conditioner
KR20190096310A (en) * 2019-04-23 2019-08-19 엘지전자 주식회사 Artificial intelligence device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150117404A (en) * 2014-04-10 2015-10-20 삼성전자주식회사 Air conditioner and mobile communication terminal, and method for control of air conditioner using the same
KR101771522B1 (en) * 2014-12-31 2017-08-25 시아오미 아이엔씨. method of determining remaining use time, apparatus thereof, program and recording medium
KR20170035137A (en) 2015-09-22 2017-03-30 최용규 System for operating an application use for property management using an individual personality information
KR20190096310A (en) * 2019-04-23 2019-08-19 엘지전자 주식회사 Artificial intelligence device
KR20190087347A (en) * 2019-07-03 2019-07-24 엘지전자 주식회사 Air conditioner and method for operating the air conditioner

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117398817A (en) * 2023-11-30 2024-01-16 中山市凌宇机械有限公司 Intensive compressed air purification system and method
CN117398817B (en) * 2023-11-30 2024-04-30 中山市凌宇机械有限公司 Intensive compressed air purification system and method

Also Published As

Publication number Publication date
KR102281159B1 (en) 2021-07-23

Similar Documents

Publication Publication Date Title
Jo et al. Intelligent smart home energy efficiency model using artificial TensorFlow engine
Li et al. PyramidFL: A fine-grained client selection framework for efficient federated learning
Santos et al. Providing user context for mobile and social networking applications
Gelenbe et al. Self-aware networks that optimize security, QoS, and energy
KR102058557B1 (en) Apparatus and method for recommending indoor condition control mode based on smart home
US11146599B1 (en) Data stream processing to facilitate conferencing based on protocols
JP2016526221A (en) Signaling device for teaching learning devices
Alawad et al. Value of information in wireless sensor network applications and the IoT: A review
US10219202B1 (en) System and method of wifi router based detection and control
Varlamis et al. Using big data and federated learning for generating energy efficiency recommendations
US20160373384A1 (en) System and method for instant messaging
KR102281159B1 (en) Air purifier control system
JP2023527481A (en) Digital cloud-based platform and method for providing shell communication with cognitive cross-collaborative access using authenticated attribute parameters and operant conditioning tags
KR102269629B1 (en) Washing machine control system
KR102278104B1 (en) System for recommending exercise
KR102264534B1 (en) System for recommending meditation
Sadio et al. Rethinking intelligent transportation systems with Internet of Vehicles: Proposition of sensing as a service model
KR102257690B1 (en) System for recommending performance
US20230195066A1 (en) Building data platform with policy learning for digital twins
KR102248094B1 (en) Lighting control system
KR20210019818A (en) Interactive sympathetic learning contents providing system and method
KR102278103B1 (en) System for controlling the electric curtain
Gorodetsky Agents and distributed data mining in smart space: Challenges and perspectives
KR102212677B1 (en) Disc based chatbot system
KR102426748B1 (en) System for recommending service based on disc

Legal Events

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