KR20210030133A - Gan을 이용한 이동경로 예측방법 - Google Patents

Abstract

관심영역 내에서 이동한 이동대상의 상기 관심영역 내에서의 이동경로를 제1입력배열로 표현하는 입력데이터 생성 프로세스를 이용하는 GAN 학습방법 및 이를 이용한 이동경로 예측방법을 공개한다. 상기 GAN 학습방법은 상기 이동대상이 상기 관심영역 내에서 이동한 이동이벤트를 복수 회 관찰하여, 상기 각각의 이동이벤트마다 상기 입력데이터 생성 프로세스를 반복하여 수행함으로써 상기 이동대상이 상기 관심영역 내에서 이동할 때마다 관찰된 복수 개의 경로들에 대응하는 복수 개의 상기 제1입력배열들을 생성하는 단계, 각각 배열 형태로 되어 있는 복수 개의 랜덤 입력데이터를 생성하여, 상기 생성된 각각의 랜덤 입력데이터를 상기 GAN의 생성기에 입력함으로써, 상기 생성기가 상기 제1입력배열과 동일한 크기를 갖는 복수 개의 제2입력배열을 생성하는 단계, 및 상기 복수 개의 제1입력배열들 및 상기 복수 개의 제2입력배열들을 상기 GAN의 판별기에 입력하여 상기 판별기를 학습시키는 단계를 포함한다.

Description

GAN을 이용한 이동경로 예측방법{Method for predicting human mobility route based on a generative adversarial network}

본 발명은 컴퓨팅 장치를 이용하여 인간의 이동경로를 예측하는 정보처리 기술에 관한 것으로서 특히 GAN(generative adversarial network)을 이용하는 기술에 관한 것이다.

최근에는 인간의 이동성에 관한 많은 연구가 진행되어 학계와 산업계의 다양한 분야에서 개인 맞춤형 솔루션이 제안되고 있다. 딥러닝과 결합된 이동성 데이터는 주어진 과거 트렌드에서 객체의 경로를 예측하고 생성하는 데에 사용될 수 있다.

개별 이동성 데이터는 막대한 용량을 가지며 관련 산업에 중요한 정보와 지식을 제공할 수 있다. 분석된 모바일 데이터 세트의 결과를 사용하여 기업은 인적 자산을 쉽게 얻을 수 있으므로 고객과 효율적으로 상호 작용하고 마케팅 분야에서 방향을 제시할 수 있다. 예를 들어 소비자 데이터를 분석하면 새로운 상업 상점 지점의 위치를 파악하고 고객이 공통적으로 방문하는 교차 위치를 찾을 수 있다. 따라서 회사는 이동성 데이터로 분석한 구별된 위치 간의 상관관계에서 추출한 개인 선호도를 통해 고객 만족 서비스를 제공할 수 있다.

이동성 데이터 마이닝, 이동성 데이터 분석 및 궤도 패턴 생성과 함께 위치 예측 분야에서 몇 가지 관련 기술이 개발되어 왔다. 과거 연구의 대부분에 따르면, 방문된 위치 및 방문 빈도를 기반으로 이동성 패턴 트리를 생성할 수 있으며 이후에 개체의 향후 방문 위치를 예측할 수 있다. 또한 GAN과 같은 심층 학습 기반 접근법은 합성 데이터 생성 분석에 사용된다. 최근 연구들에 따르면 시계열 데이터의 분석을 가속화하기 위해 GAN 모델과 유사한 심층 학습 아키텍처를 사용하기도 한다.

개인 위치 데이터는 분포에 따라 위치 클러스터로 나눌 수 있다. 각 클러스터의 움직임 패턴은 개인의 목적과 욕구에 따라 다를 수 있다. 위치 클러스터는 개인의 라이프 스타일을 의미할 수 있으며, 주요 위치 클러스터 간의 상관관계를 분석하여 과거의 거점을 추론하거나 향후 방문을 예측할 수 있다. 이 상관관계는 새로운 모바일 경로를 만드는 데 필요한 중요한 요소이다. 일반적으로, GAN(Generative Adversarial Network)에 의해 인간의 위치 데이터를 훈련시키기 위해서는 데이터 전처리가 필요하다.

종래 기술에 따르면, 객체의 이동성을 패턴 마이닝함으로써 이동성 시퀀스 트리 생성을 통해 객체의 다음 위치를 예측할 수 있다. 또 다른 종래 기술에 따르면 패턴 마이닝에 의해 점진적으로 확장되는 이동성 트리를 제안하고 이동성 패턴을 생성하기 위해 위치 기반 서비스(LBS)를 활용할 수 있다. 또 다른 종래 기술에 따르면, 이동성 패턴 트리 생성과 다음 위치 예측을 포함한 다양한 방법을 통해 최근에 확률론적 접근과 데이터 마이닝 기술의 결합이 적용되었다.

종래 기술에 따른 마르코프 체인 기반의 접근법을 이용하면 인간의 이동성 패턴에 적용되어 인간의 이동성 패턴에 기반한 다음 위치 예측에서 현저한 성능을 얻을 수 있다. 종래 기술에서는 주로 데이터 마이닝, 궤도 패턴 트리 및 마르코프 체인 도구가 적용되었다.

GAN의 관점에서 볼 때 합성 데이터 생성을 분석하기 위한 몇 가지 최근의 연구가 수행되어 왔다. GAN은 신경망과 딥러닝의 한 부분이다. 또한, GAN을 사용하여 데이터를 생성하는 뉴런의 활동 패턴에 관한 연구도 진행되어 왔다. 또한, 사회적으로 수용 가능한 행동을 기반으로 한 운동 궤적이 조사되었다. 그리고 속도 및 방향과 같은 매개 변수로 걷는 동안 사람을 지나가거나 만나는 행위가 포함된다. 인간의 이동성에 대한 심층 데이터 생성을 위한 근래의 연구들에 따르면 가속 시간 시리즈 데이터를 생성하기 위해 밀도 네트워크가 혼합된 GAN 모델과 유사한 아키텍처가 사용된다. 그러나 이러한 종래의 연구들에서는 완전한 GAN 아키텍처를 사용하지 않았으며 이 연구의 입력 데이터 세트는 궤도의 데이터를 위치 지정하는 것이 아니라 가속 데이터만 사용했다는 점에 주목할 수 있다.

종래 기술과는 달리, 매일 움직이는 패턴을 바탕으로 새로운 이동 경로를 생성할 필요가 있다.

본 발명에서는 매일 움직이는 패턴을 바탕으로 새로운 이동 경로를 생성하는 기술을 제공하고자 한다.

본 발명에서는 누적된 개인 이동성 데이터 집합을 기반으로 개별 이동 경로를 생성하기 위해 GAN (Generative Adversarial Network) 모델을 도입한다. 이동성 데이터는 지리 정보 시스템과 개인 휴대 장치를 사용하여 수집될 수 있다. GAN은 신경망으로 구성된 판별기(Discriminator) 및 생성기(Generator)를 가지고 있으며, 지구 위치 정보를 추출하고 훈련할 수 있다. 위도와 경도 순서는 지리적으로 매핑될 수 있으며 이러한 이미지는 GAN이 처리할 수 있다. GAN 기반 모델은 이러한 방식으로 개별 이동 경로를 성공적으로 처리할 수 있다.

본 발명에서, 개인 이동 궤적의 영상 데이터로 GAN 성능을 향상시켰다. 데이터의 사전 처리 작업에서 위도와 경도의 형태로 필수 위치 기능을 보존하는 CNN (Convolutional Neural Networks)에 의해 상술한 문제를 해결할 수 있다. 본 발명에서는 이동성 경로 생성을 위한 GAN을 제시한다. 이 GAN에는 잔여 오류를 학습하고, 각 이동성 데이터에서 추출한 위도 및 경도 특성을 향상시키는 판별기 및 생성기 네트워크가 있으며, 이 두 네트워크가 서로 경쟁한다. 판별기는 잡음이 발생하는 이동 경로를 추가하여 이동 경로 전체에서 추출한 특징을 학습하고 생성기에서 얻은 가짜 경로와 입력 데이터 집합의 실제 경로 간의 특징을 극대화하고 차별 능력을 향상시킨다. 또한 차별화된 기능을 향상시키는 자체 생성 GAN 네트워크가 미지의 경로를 생성할 수 있다.

본 발명에서는 새로운 이동 경로 또는 다음 위치를 만들기 위해 데이터 마이닝에 의한 궤적 패턴의 트리 생성에 초점을 맞춘 인간의 이동성 패턴에 대한 이전 조사를 검토하고 확률론적 접근을 확립하기 위해 마르코프 체인과 같은 확률 모델을 적용한다.

스마트 폰과 같은 위치 확인 장치에 의해 수집된 이동성 데이터에는 위도, 경도 및 시간 정보가 존재한다. 본 발명의 창작하는 과정에서, 4년 넘게 측정한 특정 객체의 위치 정보를 포함한 원시 데이터가 이용되었다.

<거시적 관점>

본 발명의 일 양상에 따라 제공된 거시적 관점에서의 클러스터링 분석 과정에서 K-means 클러스터링 분석 방법을 통해 위치 및 밀도를 기반으로 수집된 데이터 분포에서 크게 N개(예컨대 4개)의 클러스터가 추출될 수 있다. 각 위치 클러스터의 기본 속성은 도 1에 나타낸 표에 제시되어 있다. 도 2는 도 1에 제시한 각 클러스터에 대한 위치 지점의 막대 그래프를 나타낸다. 빈도 값은 센터와 각 위치 클러스터의 위치 데이터 사이의 거리에 따라 표시된다. 도 2에서 가로축은 거리를 나타내며, 세로축은 빈도를 나타낸다. 도 2에 제시된 4개의 그래프들은 각각 서로 다른 지역(클러스터)에 대하여, 상기 클러스터의 중심부로부터 거리에 의해 나뉘어진 빈도를 나타낸다. 좌측상단은 서울, 우측상단은 제주도, 좌측하단은 광주, 우측하단은 포항에 관한 것이다.

클러스터 0은 비교적 많은 수의 위치 데이터를 포함하며 이 클러스터는 라이프 스타일의 위치 데이터를 반영한다. 반면 클러스터 2, 3, 및 4에는 적은 수의 데이터가 수집되므로 여행과 같은 객체의 불규칙 이동 패턴이 표시된다. 이것은 개체의 미세 이동성이 방문 목적에 따라 각 클러스터에서 현저한 차이를 나타냄을 의미한다.

<미시적 관점>

광대한 인간 이동성 데이터의 클러스터링을 사용하여 뚜렷한 포인트를 찾을 수 있다. Word2Vec, NLP (Natural Language Processing) 알고리즘을 적용하여 주요 장소의 과거 방문 지점을 예측할 수 있다. Word2Vec의 모델 중 하나인 Continuous Bag of Word (CBOW)는 단어를 추론할 수 있다. 그것은 모든 단어와 그 자체 사이의 연결을 학습합니다. 즉, 주변 단어의 분포에 의한 중앙 단어의 확률을 계산한다. 한 단어가 하나의 주요 지점에 해당한다고 가정하면 전체 텍스트가 전체 경로와 일치할 수 있다.

구별점을 추출하기 위해 K-means 클러스터링 알고리즘을 3년 전체 이동성 데이터의 각 날에 적용할 수 있다. 185개의 지구위치 포인트에 대해 중복된 데이터가 제거되었다. 이 클러스터된 장소에서 매일 경로가 주 지점에 매핑되었다. 각 주요 지점으로 구성된 전체 경로는 약 2,700 개의 주요 클러스터 지점으로 구성된다. 도 3은 객체의 주요 클러스터 포인트를 사용하여 매핑된 결과를 시각화하는 다이어그램을 나타낸 것이다.

<데이터 전처리>

본 발명의 일 관점에 따라, 위치 데이터 세트의 범위는 GAN 모델이 훈련하기에는 너무 과도하기 때문에 적절한 데이터 사전 처리가 제공될 수 있다. 구조화되지 않은 원시 데이터는 처음에는 비공식적인 구조이기 때문에 직접 GAN 모델에 적용할 수 없다.

연속 순차 데이터를 학습하여 GAN 모델을 적용하려면 입력 데이터 집합을 구조화해야 한다. 수학적 관점에서 위도와 경도와 같은 위치 값의 오류는 값의 다섯 번째 소수점에서 효과적으로 발견된다. 즉, 소수점 이하 6 자리에서 11 자리까지의 자리를 삭제해도 위치 정보가 왜곡되지 않는다. 본 발명의 일 실시예에서는 round 함수를 적용하여 512x512 배열 크기로 시작할 수 있다. 일 실시예에서, 모든 위치 정보를 보존하기 위해 CNN은 각 필터 크기가 2x2x128, 2x2x64, 2x2x32 및 2x2x1 인 4개의 레이어를 사용한다. 데이터 컨볼루션 프로세스에서 GAN 모델의 입력 데이터 집합은 32x32 크기의 행렬로 변환될 수 있다. 이 문제는 이동성 데이터를 콜볼루션 스테이지인 활성화 함수로서 누설(Leaky) ReLU를 갖는 다수의 CNN 층을 통과시킴으로써 해결될 수 있다. 도 4은 컨볼루션 경로에 대한 프로세스를 나타낸 것이다.

입력 데이터 집합은, 본 발명에 따른 이동성, 구체적으로는 축적된 일일 이동성 경로를 이해하는 데에는 불완전하다. 입력 데이터의 40 % ~ 90 %를 임의로 셔플링하여 추출한 잡음 입력이 복제되어 GAN 모델이 다양한 입력 데이터 세트를 학습할 수 있다. 많은 수의 방문이 더 긴 이동 경로와 더 큰 입력 데이터를 구성하는 것은 자연스러운 일이다.

<데이터 후처리>

GAN 모델의 출력은 32x32 크기의 행렬이다. 출력 데이터를 지도에 시각화하려면 후 처리로서의 디콘볼루션(deconvolution)이 필요하다. 디콘볼루션 레이어(deconvolution layer)인 CNN은 4 개의 레이어로 이용된다. 이 디콘볼루션 프로세스에서 Nearest Neighbor 기능을 사용하여 출력을 64x64, 128x128, 256x256 및 512x512 크기로 단계적으로 변환하는 프로세스의 크기를 조정합니다. 도 5는 지리적 맵에서 시각화를 위한 디콘볼루션의 단계를 나타낸다.

<GAN을 이용한 방법론>

GAN은 먼저 신경 회로망에 의해 구조화된 생성기와 판별기로 구성된 형태로 소개되었다. GAN의 기본 이론은 비-포화(non-saturating) 게임 아래에서 시작됩니다. 자세히 말하면, 판별기는 방정식 1의 값을 최소화하고 생성기는 방정식 2의 값을 최대화한다. 일반적으로 GAN 모델에는 초기화와 함께 발생하는 포화 문제가 있습니다. 방정식 3은 이 문제를 해결하기 위한 목적 함수로 사용된다.

본 발명의 일 양상에 따라 새로운 이동 경로를 생성하기 위해 GAN을 이용한다. 이 GAN에서 두 신경망은 서로 경합하여 위도 및 경도 기능을 향상시킨다. 판별기는 입력 데이터가 실제 데이터인 것으로 판별될 때에, 실제 이동 경로를 구분하고 객체의 누적 이동 경로로부터 트레이닝하여, "1"에 가까운 확률값을 내보내려고 한다. 반면 생성기는 임의의 잠재 벡터(latent vector)를 입력으로 가지며 배열을 생성합니다. 판별기는 생성기에서 생성된 배열과 입력 데이터 집합을 비교하려고 한다. 어레이가 구별될 수 없을 때에 생성기는 광범위한 일일 경로를 결합하는 새로운 경로를 제안할 수 있다. 도 6 및 도 7은 실험을 위한 GAN 아키텍처를 나타낸다.

<콘볼루션 및 디콘볼루션 테스트>.

데이터 처리에도 불구하고, 데이터가 컨볼루션 및 디콘볼루션 계층을 통과할 때 지리적 위치지정 데이터가 보존된다는 점을 알 수 있다. 도 8은 본래의 경로, 컨볼루션된 경로 및 디콘볼루션된 경로를 다이어그램으로 도시한 것이다. 컨볼루션과 디콘볼루션의 테스트에서, 도 9의 (a)는 원시 데이터로부터 매핑된 경로를 보여주며, 도 9의 (b)는 오류 없는 디컨볼루션 처리 후의 경로를 나타낸다. 이 결과로부터 GAN 모델로 컨벌루션 및 디콘볼루션 레이어를 적용하는 것이 적절하다는 것을 이해할 수 있다.

<활성화 기능 실험>

경로 생성을 위한 더 나은 결과를 얻기 위해 생성기 및 판별기에 대한 다양한 활성화 함수를 실험할 수 있다. 도 10에 나타낸 것과 같이, 20,000 및 50,000 에폭(epoch)을 갖는 6가지 활성화 함수 예컨대 ReLU, ReLU6, Softplus, Tanh, Softsign 및 eLU 와 같이 가 작업에 적용되었다. 6개의 활성화 함수를 사용한 결과 중 ReLU 활성화 함수가 최악의 출력을 나타내었고 Tanh 활성화 함수가 가장 좋은 결과를 보였다.

ReLU로 학습하는 동안 일부 위치 데이터를 부분적으로 놓칠 가능성이 있다. 반면, Tanh으로 학습하는 동안 Tanh가 위치 데이터를 줄이더라도 위치 데이터를 놓치지 않고 이동 경로를 생성할 수 있다.

이는 모델의 네트워크가 입력 경로를 사용하여 학습하면서 ReLU 활성화 기능을 통과할 때 경로 데이터를 부분적으로 잃어버리는 경향이 있기 때문이다. 반면 Tanh는 함수를 전달할 때 경로를 최소화하고 0을 만들지 않기 때문에 누락된 값 없이 빈도로 구성된 경로를 만들 수 있다.

본 발명의 일 관점에 따라 관심영역 내에서 이동한 이동대상의 상기 관심영역 내에서의 이동경로를 제1입력배열로 표현하는 입력데이터 생성 프로세스를 이용하는 GAN(Generative Adversarial Network) 학습방법을 제공할 수 있다. 상기 GAN 학습방법은, 상기 이동대상이 상기 관심영역 내에서 이동한 이동이벤트를 복수 회 관찰하여, 상기 각각의 이동이벤트마다 상기 입력데이터 생성 프로세스를 반복하여 수행함으로써 상기 이동대상이 상기 관심영역 내에서 이동할 때마다 관찰된 복수 개의 경로들에 대응하는 복수 개의 상기 제1입력배열들을 생성하는 단계; 각각 배열 형태로 되어 있는 복수 개의 랜덤 입력데이터를 생성하여, 상기 생성된 각각의 랜덤 입력데이터를 상기 GAN의 생성기에 입력함으로써, 상기 생성기가 상기 제1입력배열과 동일한 크기를 갖는 복수 개의 제2입력배열을 생성하는 단계; 및 상기 복수 개의 제1입력배열들 및 상기 복수 개의 제2입력배열들을 상기 GAN의 판별기에 입력하여 상기 판별기를 학습시키는 단계를 포함할 수 있다. 이때, 상기 판별기는, 상기 제1입력배열들이 상기 판별기에 입력되었을 때에 상기 제1입력배열들이 실제로 관찰하여 얻은 것이라는 결론을 내리고, 상기 생성기가 생성한 제2입력배열이 상기 판별기에 입력되었을 때에 상기 제2입력배열이 실제로 관찰하여 얻은 것이 아니라는 결론을 내리도록 학습되도록 되어 있고, 상기 생성기는, 상기 판별기가 상기 제2입력배열을 입력받았을 때에 상기 판별기가 상기 제2입력배열이 실제로 관찰하여 얻은 것이라는 결론을 내리도록, 상기 제2입력배열을 생성하는 방향으로 학습되도록 되어 있을 수 있다.

이때, 상기 입력데이터 생성 프로세스는, 미리 결정된 위도폭과 미리 결정된 경도폭을 갖는 상기 관심영역을 N행 및 M열로 분할하여, N*M개의 서브영역들로 분할하는 단계; 상기 관심영역 내에서 이동한 이동대상이 상기 N*M개의 서브영역들 i번째 행 및 j번째 열의 서브영역인 서브영역(SAij)를 통과한 경우에는 N*M 크기를 갖는 초기행렬의 i행 및 j열의 요소인 행렬요소(Eij)에 제1바이너리값을 할당하고, 상기 이동대상이 상기 서브영역(SAij)를 통과하지 않은 경우에는 상기 행렬요소(Eij)에 제2바이너리값을 할당하는 단계(단, i는 1 이상 N 이하의 자연수, j는 1 이상 M 이하의 자연수); 상기 초기행렬을 축소하여 N1*M1 크기를 갖는 제1축소행렬을 만드는 전처리 단계(N1≤N, M1≤M); 및 상기 제1축소행렬의 각 행 또는 각 열들을 캐스캐이드하여 연결하는 제1변환을 수행함으로써, N1*M1 개의 요소를 갖는 상기 제1입력배열을 만드는 단계를 포함할 수 있다.

이때, 상기 각각의 랜덤 입력데이터는 상기 제1입력배열과 동일한 크기를 가질 수 있다.

이때, 학습이 완료된 상기 생성기는, ①상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 관찰된 이동경로를 상기 생성기에 입력할 입력배열로 변환한 후, ②상기 생성기가 상기 입력배열을 입력받아 생성한 N1*M1 개의 요소를 갖는 상기 제2입력배열에 대하여 상기 제1변환의 역변환을 수행함으로써 N1*M1 크기를 갖는 제1복원행렬을 생성하고, ③상기 제1복원행렬을 확장하여 N*M 크기를 갖는 예측행렬을 생성하며, ④상기 예측행렬의 i행 및 j열의 요소인 예측행렬요소(Eij)의 값을 상기 서브영역(SAij)에 대응시킴으로써, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 예측하는 데에 사용될 수 있다.

본 발명의 일 관점에 따라 상기 GAN 학습방법을 이용하여 학습된 상기 GAN의 생성기를 이용하여 상기 이동대상의 이동경로를 예측하는 방법을 제공할 수 있다. 상기 이동대상의 이동경로를 예측하는 방법은, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 관찰하는 단계; 상기 관찰된 이동경로를 상기 생성기에 입력가능한 입력배열로 변환하는 단계; 상기 생성기가 상기 입력배열을 입력받아 생성한 N1*M1 개의 요소를 갖는 상기 제2입력배열에 대하여 상기 제1변환의 역변환을 수행함으로써 N1*M1 크기를 갖는 제1복원행렬을 생성하는 단계; 상기 제1복원행렬을 확장하여 N*M 크기를 갖는 예측행렬을 생성하는 단계; 및 상기 예측행렬의 i행 및 j열의 요소인 예측행렬요소(Eij)의 값을 상기 서브영역(SAij)에 대응시킴으로써, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 예측하는 단계를 포함할 수 있다.

이때, 상기 각각의 랜덤 입력데이터는 상기 제1입력배열과 동일한 크기를 가질 수 있다.

본 발명의 일 관점에 따라 관심영역 내에서 이동한 이동대상의 상기 관심영역 내에서의 이동경로를 제1입력배열로 표현하는 입력데이터 생성 프로세스를 이용하는 GAN(Generative Adversarial Network) 학습방법을 수행하는 처리장치를 제공할 수 있다. 상기 처리장치는, 데이터 획득부 및 처리부를 포함할 수 있다. 이때, 상기 데이터 획득부는, 상기 이동대상이 상기 관심영역 내에서 이동한 이동이벤트를 복수 회 관찰하여 얻은 정보를 획득하도록 되어 있을 수 있다. 그리고 상기 처리부는, 상기 각각의 이동이벤트마다 상기 입력데이터 생성 프로세스를 반복하여 수행함으로써 상기 이동대상이 상기 관심영역 내에서 이동할 때마다 관찰된 복수 개의 경로들에 대응하는 복수 개의 상기 제1입력배열들을 생성하고, 각각 배열 형태로 되어 있는 복수 개의 랜덤 입력데이터를 생성하여, 상기 생성된 각각의 랜덤 입력데이터를 상기 GAN의 생성기에 입력함으로써, 상기 생성기가 상기 제1입력배열과 동일한 크기를 갖는 복수 개의 제2입력배열을 생성하고, 그리고 상기 복수 개의 제1입력배열들 및 상기 복수 개의 제2입력배열들을 상기 GAN의 판별기에 입력하여 상기 판별기를 학습시키도록 되어 있을 수 있다. 그리고 상기 판별기는, 상기 제1입력배열들이 상기 판별기에 입력되었을 때에 상기 제1입력배열들이 실제로 관찰하여 얻은 것이라는 결론을 내리고, 상기 생성기가 생성한 제2입력배열이 상기 판별기에 입력되었을 때에 상기 제2입력배열이 실제로 관찰하여 얻은 것이 아니라는 결론을 내리도록 학습되도록 되어 있을 수 있다. 그리고 상기 생성기는, 상기 판별기가 상기 제2입력배열을 입력받았을 때에 상기 판별기가 상기 제2입력배열이 실제로 관찰하여 얻은 것이라는 결론을 내리도록, 상기 제2입력배열을 생성하는 방향으로 학습되도록 되어 있을 수 있다.

이때, 상기 처리부는 상기 입력데이터 생성 프로세스를 실행하기 위하여, 미리 결정된 위도폭과 미리 결정된 경도폭을 갖는 상기 관심영역을 N행 및 M열로 분할하여, N*M개의 서브영역들로 분할하고, 상기 관심영역 내에서 이동한 이동대상이 상기 N*M개의 서브영역들 i번째 행 및 j번째 열의 서브영역인 서브영역(SAij)를 통과한 경우에는 N*M 크기를 갖는 초기행렬의 i행 및 j열의 요소인 행렬요소(Eij)에 제1바이너리값을 할당하고, 상기 이동대상이 상기 서브영역(SAij)를 통과하지 않은 경우에는 상기 행렬요소(Eij)에 제2바이너리값을 할당하고(단, i는 1 이상 N 이하의 자연수, j는 1 이상 M 이하의 자연수), 상기 초기행렬을 축소하여 N1*M1 크기를 갖는 제1축소행렬을 만들고(N1≤N, M1≤M), 그리고 상기 제1축소행렬의 각 행 또는 각 열들을 캐스캐이드하여 연결하는 제1변환을 수행함으로써, N1*M1 개의 요소를 갖는 상기 제1입력배열을 만들도록 되어 있을 수 있다.

본 발명의 일 관점에 따라 상기 처리장치에 의해 학습된 상기 GAN의 생성기를 이용하여 상기 이동대상의 이동경로를 예측하는 이동경로 예측장치를 제공할 수 있다. 이때, 상기 이동경로 예측장치는 데이터 획득부 및 처리부를 포함할 수 있다. 상기 데이터 획득부는, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 관찰하여 얻은 정보를 획득하도록 되어 있을 수 있다. 그리고 상기 처리부는, 상기 관찰된 이동경로를 상기 생성기에 입력가능한 입력배열로 변환하고, 상기 생성기가 상기 입력배열을 입력받아 생성한 N1*M1 개의 요소를 갖는 상기 제2입력배열에 대하여 상기 제1변환의 역변환을 수행함으로써 N1*M1 크기를 갖는 제1복원행렬을 생성하고, 상기 제1복원행렬을 확장하여 N*M 크기를 갖는 예측행렬을 생성하고, 그리고 상기 예측행렬의 i행 및 j열의 요소인 예측행렬요소(Eij)의 값을 상기 서브영역(SAij)에 대응시킴으로써, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 예측하도록 되어 있을 수 있다.

본 발명에 따르면 기존의 개인 위치 정보 데이터 집합에서 미지의 경로를 생성하여 제안할 수 있다.

본 발명에 따르면 매일 움직이는 패턴을 바탕으로 새로운 이동 경로를 생성하는 기술을 제공할 수 있다.

도 1은 각 위치 클러스터의 기본 속성을 표로 나타낸 것이다.
도 2는 도 1에 제시한 각 클러스터에 대한 위치 지점의 막대 그래프를 나타낸 것이다.
도 3은 객체의 주요 클러스터 포인트를 사용하여 매핑된 결과를 시각화하는 다이어그램을 나타낸 것이다.
도 4는 컨볼루션 경로에 대한 프로세스를 나타낸 것이다.
도 5는 지리적 맵에서 시각화를 위한 디콘볼루션의 단계를 나타낸다.
도 6 및 도 7은 실험을 위한 GAN 아키텍처를 나타낸다.
도 8은 본래의 경로, 컨볼루션된 경로 및 디콘볼루션된 경로를 다이어그램으로 도시한 것이다.
도 9의 (a)는 원시 데이터로부터 매핑된 경로를 보여주며, 도 9의 (b)는 오류 없는 디컨볼루션 처리 후의 경로를 나타낸다.
도 10은 20,000 및 50,000 에폭(epoch)을 갖는 6가지 활성화 함수를 적용한 그래프를 나타낸 것이다.
도 11은 본 발명에서 다루를 관심영역(100) 및 이동경로(501)를 나타낸 다이어그램이다.
도 12는 본 발명의 일 실시예에 따라 제공되는 입력데이터 생성 프로세스를 나타낸 순서도이다.
도 13은 본 발명의 일 실시예에 따른 축소행렬의 예를 설명하기 위한 것이다.
도 14는 본 발명의 일 실시예에 따라 제공되는 GAN 학습방법을 나타낸 순서도이다.
도 15는 본 발명의 일 실시예에 따라 제공되는 GAN의 구조 및 생성기와 판별기에 입력되는 데이터를 나타낸 것이다.
도 16은 본 발명의 일 실시예에 따라 이동대상의 이동경로를 예측하는 방법을 나타낸 순서도이다.
도 17은 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로 및 이 정보와 생성기를 이용하여 이동경로를 예측하는 개념을 설명하기 위한 것이다.

이하, 본 발명의 실시예를 첨부한 도면을 참고하여 설명한다. 그러나 본 발명은 본 명세서에서 설명하는 실시예에 한정되지 않으며 여러 가지 다른 형태로 구현될 수 있다. 본 명세서에서 사용되는 용어는 실시예의 이해를 돕기 위한 것이며, 본 발명의 범위를 한정하고자 의도된 것이 아니다. 또한, 이하에서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다.

본 발명의 일 실시예에 따라, 관심영역(100) 내에서 이동한 이동대상의 상기 관심영역(100) 내에서의 이동경로(501)를 제1입력배열(10)로 표현하는 입력데이터 생성 프로세스를 이용하는 GAN(Generative Adversarial Network) 학습방법이 제공될 수 있다.

도 11은 본 발명에서 다루를 관심영역(100) 및 이동경로(501)를 나타낸 다이어그램이다.

도 12는 본 발명의 일 실시예에 따라 제공되는 입력데이터 생성 프로세스를 나타낸 순서도이다.

단계(S10)에서, 미리 결정된 위도폭과 미리 결정된 경도폭을 갖는 상기 관심영역(100)을 N행 및 M열로 분할하여, N*M개의 서브영역들로 분할할 수 있다. 도 11에 제시한 예에서, N은 7이고, M은 7이다. 그리고 서브영역은 총 7*7=49개가 있는 것으로 제시되었다.

단계(S20)에서, 상기 관심영역(100) 내에서 이동한 이동대상이 상기 N*M개의 서브영역들의 i번째 행 및 j번째 열의 서브영역인 서브영역(SAij)를 통과한 경우에는 N*M 크기를 갖는 초기행렬의 i행 및 j열의 요소인 행렬요소(Eij)에 제1바이너리값을 할당하고, 상기 이동대상이 상기 서브영역(SAij)를 통과하지 않은 경우에는 상기 행렬요소(Eij)에 제2바이너리값을 할당할 수 있다. 단, i는 1 이상 N 이하의 자연수이고 j는 1 이상 M 이하의 자연수이다.

이때, 도 11에 제시한 예에서 상기 초기행렬은 7*7 크기를 갖는다. 이때 상기 제1바이너리값은 1(또는 0)이고, 상기 제2바이너리값은 0(또는 1)일 수 있다.

단계(S30)에서, 상기 초기행렬을 축소하여 N1*M1 크기를 갖는 제1축소행렬을 만들 수 있다. 이때, N1<N이고 M1<M일 수 있다. 이는 초기행렬의 데이터의 크기를 줄일 목적이며, 만일 초기행렬이 크지 않다면 초기행렬 그차제를 상기 제1축소행렬로 간주할 수도 있다.

도 13은 본 발명의 일 실시예에 따른 축소행렬의 예를 설명하기 위한 것이다.

도 13에서 축소행렬은 N1*M1 = 3*3의 크기를 갖는다. 이때, 상기 관심영역(100) 내에서 이동한 이동대상이 상기 N1*M1개의 서브영역들의 i번째 행 및 j번째 열의 서브영역인 서브영역(SAij)를 통과한 경우에는 N1*M1 크기를 갖는 축소행렬의 i행 및 j열의 요소인 축소행렬요소(Eij)에 제1바이너리값(예컨대 1)을 할당하고, 상기 이동대상이 상기 서브영역(SAij)를 통과하지 않은 경우에는 상기 축소행렬요소(Eij)에 제2바이너리값(예컨대 0)을 할당할 수 있다. 단, i는 1 이상 N1 이하의 자연수이고 j는 1 이상 M1 이하의 자연수이다.

단계(S40)에서, 상기 제1축소행렬의 각 행 또는 각 열들을 캐스캐이드하여 연결하는 제1변환을 수행함으로써, N1*M1 개의 요소를 갖는 제1입력배열을 만들 수 있다.

도 13의 예에서 상기 제1입력배열은 {0,0,1,0,1,1,1,1,0}이다.

도 14는 본 발명의 일 실시예에 따라 제공되는 GAN 학습방법을 나타낸 순서도이다.

단계(S100)에서, 상기 이동대상이 상기 관심영역(100) 내에서 이동한 이동이벤트를 복수 회 관찰하여, 상기 각각의 이동이벤트마다 상기 입력데이터 생성 프로세스를 반복하여 수행함으로써 상기 이동대상이 상기 관심영역(100) 내에서 이동할 때마다 관찰된 복수 개의 경로들(501, 502, 503...)에 대응하는 복수 개의 상기 제1입력배열들(1501, 1502, 1503, ...)을 생성할 수 있다.

단계(S110)에서, 각각 배열 형태로 되어 있는 복수 개의 랜덤 입력데이터(3501, 3502, 3503, ...)를 생성하여, 상기 생성된 각각의 랜덤 입력데이터(3501, 3502, 3503, ...)를 상기 GAN(1)의 생성기(11)에 입력함으로써, 상기 생성기(11)가 상기 제1입력배열(1501, 1502, 1503, ...)과 동일한 크기를 갖는 복수 개의 제2입력배열(2501, 2502, 2503, ...)을 생성할 수 있다.

단계(S120)에서, 상기 복수 개의 제1입력배열들(1501, 1502, 1503, ...) 및 상기 복수 개의 제2입력배열들(2501, 2502, 2503, ...)을 상기 GAN(1)의 판별기(12)에 입력하여 상기 판별기(12)를 학습시킬 수 있다.

상술한 GAN(1), 생성기(11), 및 판별기(12)의 구성 및 활용 방법은 종래기술에 의해 주지되어 있는 것이므로 본 명세서에서는 그 구체적인 사용 방법에 대한 설명을 생략한다.

도 15는 본 발명의 일 실시예에 따라 제공되는 GAN의 구조 및 생성기와 판별기에 입력되는 데이터를 나타낸 것이다.

GAN(1)은 생성기(11) 및 판별기(12)를 포함하여 구성될 수 있다.

생성기(11)에는 배열 형태로 되어 있는 복수 개의 랜덤 입력데이터(3501, 3502, 3503, ...)가 입력될 수 있으며, 제1입력배열(1501, 1502, 1503, ...)과 동일한 크기를 갖는 복수 개의 제2입력배열(2501, 2502, 2503, ...)을 생성할 수 있다.

복수 개의 제1입력배열들(1501, 1502, 1503, ...) 및 상기 복수 개의 제2입력배열들(2501, 2502, 2503, ...)을 상기 GAN(1)의 판별기(12)에 입력될 수 있으며, 판별기(12)는 입력된 데이터를 이용하여 학습될 수 있다.

이때, 상기 판별기(12)는, 상기 제1입력배열들(1501, 1502, 1503, ...)이 상기 판별기(12)에 입력되었을 때에 상기 제1입력배열들(1501, 1502, 1503, ...)이 실제로 관찰하여 얻은 것이라는 결론을 내리고, 상기 생성기(11)가 생성한 제2입력배열(2501, 2502, 2503, ...)이 상기 판별기(12)에 입력되었을 때에 상기 제2입력배열(2501, 2502, 2503, ...)이 실제로 관찰하여 얻은 것이 아니라는 결론을 내리도록 학습되도록 되어 있다.

상기 생성기(11)는, 상기 판별기(12)가 상기 제2입력배열(2501, 2502, 2503, ...)을 입력받았을 때에 상기 판별기(12)가 상기 제2입력배열(2501, 2502, 2503, ...)이 실제로 관찰하여 얻은 것이라는 결론을 내리도록, 상기 제2입력배열(2501, 2502, 2503, ...)을 생성하는 방향으로 학습되도록 되어 있다.

도 16은 본 발명의 일 실시예에 따라 이동대상의 이동경로를 예측하는 방법을 나타낸 순서도이다.

도 17은 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로 및 이 정보와 생성기를 이용하여 이동경로를 예측하는 개념을 설명하기 위한 것이다.

이하 도 16 및 도 17을 함께 참조하여 설명한다.

이동대상의 이동경로를 예측하는 방법은 상술한 GAN 학습방법을 이용하여 학습된 상기 GAN(1)의 생성기(11)를 이용할 수 있다.

단계(S210)에서, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로(601)를 관찰할 수 있다(도 17의 (a) 참조).

단계(S220)에서, 상기 관찰된 이동경로(601)를 상기 생성기에 입력가능한 입력배열로 변환할 수 있다(도 17의 (b) 참조). 이 단계는 상술한 단계(S10), 단계(S20), 단계(S30), 및 단계(S40)와 동일한 절차를 거쳐 구현될 수도 있다. 이 경우 도 17의 예에서 상기 입력배열은 {0,0,0,1,1,0,0,0,0}(6501)이다.

단계(S230)에서, 상기 생성기(11)가 상기 입력배열(6501)을 입력받아 생성한 N1*M1 개의 요소를 갖는 상기 제2입력배열(7501)에 대하여 상기 제1변환의 역변환을 수행함으로써 N1*M1 크기를 갖는 제1복원행렬(8501)을 생성할 수 있다.

단계(S240)에서, 상기 제1복원행렬(8501)을 확장하여 N*M 크기를 갖는 예측행렬(9501)을 생성할 수 있다.

단계(S250)에서, 상기 예측행렬(9501)의 i행 및 j열의 요소인 예측행렬요소(Eij)의 값을 상기 서브영역(SAij)에 대응시킴으로써, 상기 관심영역(100) 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 예측이동경로(601')를 결정할 수 있다.

본 발명의 일 실시예에 따라, LBS 지향 연구로서 이미지 생성을 전문으로하는 GAN(Generative Adversarial Network)을 기반으로 인간의 이동 경로를 생성할 수 있다.

본 발명의 일 실시예에 따라, 개별 이동성 데이터에 대한 GAN 모델을 성공적으로 훈련시킬 수 있으며, 본 발명에 다른 모델은 특정 대상의 선호도를 반영하는 새로운 경로를 제안할 수 있다. 또한 본 발명의 일 실싱예에 따른 모델 앞에 CNN 레이어를 적용하여 대규모의 지형 배치 데이터 대신 광범위한 궤도 패턴을 학습할 수 있다.

본 발명에 따르면 GAN 모델이 궤도 패턴과 같은 연속적인 순차적 데이터를 학습할 수 있으며 추가 정보로 이동 경로를 생성할 수 있다. 이를 이용하여 개인 선호 기반 추천 시스템을 개발할 수 있다. 상술한 본 발명의 실시예들을 이용하여, 본 발명의 기술 분야에 속하는 자들은 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에 다양한 변경 및 수정을 용이하게 실시할 수 있을 것이다. 특허청구범위의 각 청구항의 내용은 본 명세서를 통해 이해할 수 있는 범위 내에서 인용관계가 없는 다른 청구항에 결합될 수 있다.

Claims (9)

1. 관심영역 내에서 이동한 이동대상의 상기 관심영역 내에서의 이동경로를 제1입력배열로 표현하는 입력데이터 생성 프로세스를 이용하는 GAN(Generative Adversarial Network) 학습방법으로서,
   상기 이동대상이 상기 관심영역 내에서 이동한 이동이벤트를 복수 회 관찰하여, 상기 각각의 이동이벤트마다 상기 입력데이터 생성 프로세스를 반복하여 수행함으로써 상기 이동대상이 상기 관심영역 내에서 이동할 때마다 관찰된 복수 개의 경로들에 대응하는 복수 개의 상기 제1입력배열들을 생성하는 단계;
   각각 배열 형태로 되어 있는 복수 개의 랜덤 입력데이터를 생성하여, 상기 생성된 각각의 랜덤 입력데이터를 상기 GAN의 생성기에 입력함으로써, 상기 생성기가 상기 제1입력배열과 동일한 크기를 갖는 복수 개의 제2입력배열을 생성하는 단계; 및
   상기 복수 개의 제1입력배열들 및 상기 복수 개의 제2입력배열들을 상기 GAN의 판별기에 입력하여 상기 판별기를 학습시키는 단계;
   를 포함하며,
   상기 판별기는, 상기 제1입력배열들이 상기 판별기에 입력되었을 때에 상기 제1입력배열들이 실제로 관찰하여 얻은 것이라는 결론을 내리고, 상기 생성기가 생성한 제2입력배열이 상기 판별기에 입력되었을 때에 상기 제2입력배열이 실제로 관찰하여 얻은 것이 아니라는 결론을 내리도록 학습되도록 되어 있고,
   상기 생성기는, 상기 판별기가 상기 제2입력배열을 입력받았을 때에 상기 판별기가 상기 제2입력배열이 실제로 관찰하여 얻은 것이라는 결론을 내리도록, 상기 제2입력배열을 생성하는 방향으로 학습되도록 되어 있는 것을 특징으로 하는,
   GAN 학습방법.
2. 제1항에 있어서,
   상기 입력데이터 생성 프로세스는,
   미리 결정된 위도폭과 미리 결정된 경도폭을 갖는 상기 관심영역을 N행 및 M열로 분할하여, N*M개의 서브영역들로 분할하는 단계;
   상기 관심영역 내에서 이동한 이동대상이 상기 N*M개의 서브영역들 i번째 행 및 j번째 열의 서브영역인 서브영역(SAij)를 통과한 경우에는 N*M 크기를 갖는 초기행렬의 i행 및 j열의 요소인 행렬요소(Eij)에 제1바이너리값을 할당하고, 상기 이동대상이 상기 서브영역(SAij)를 통과하지 않은 경우에는 상기 행렬요소(Eij)에 제2바이너리값을 할당하는 단계(단, i는 1 이상 N 이하의 자연수, j는 1 이상 M 이하의 자연수);
   상기 초기행렬을 축소하여 N1*M1 크기를 갖는 제1축소행렬을 만드는 전처리 단계(N1≤N, M1≤M); 및
   상기 제1축소행렬의 각 행 또는 각 열들을 캐스캐이드하여 연결하는 제1변환을 수행함으로써, N1*M1 개의 요소를 갖는 상기 제1입력배열을 만드는 단계;
   를 포함하는,
   GAN 학습방법.
3. 제1항에 있어서, 상기 각각의 랜덤 입력데이터는 상기 제1입력배열과 동일한 크기를 갖는 것을 특징으로 하는, GAN 학습방법.
4. 제2항에 있어서,
   학습이 완료된 상기 생성기는,
   ①상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 관찰된 이동경로를 상기 생성기에 입력할 입력배열로 변환한 후,
   ②상기 생성기가 상기 입력배열을 입력받아 생성한 N1*M1 개의 요소를 갖는 상기 제2입력배열에 대하여 상기 제1변환의 역변환을 수행함으로써 N1*M1 크기를 갖는 제1복원행렬을 생성하고,
   ③상기 제1복원행렬을 확장하여 N*M 크기를 갖는 예측행렬을 생성하며,
   ④상기 예측행렬의 i행 및 j열의 요소인 예측행렬요소(Eij)의 값을 상기 서브영역(SAij)에 대응시킴으로써, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 예측하는 데에 사용되는 것을 특징으로 하는,
   GAN 학습방법.
5. 제2항의 GAN 학습방법을 이용하여 학습된 상기 GAN의 생성기를 이용하여 상기 이동대상의 이동경로를 예측하는 방법으로서,
   상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 관찰하는 단계;
   상기 관찰된 이동경로를 상기 생성기에 입력가능한 입력배열로 변환하는 단계;
   상기 생성기가 상기 입력배열을 입력받아 생성한 N1*M1 개의 요소를 갖는 상기 제2입력배열에 대하여 상기 제1변환의 역변환을 수행함으로써 N1*M1 크기를 갖는 제1복원행렬을 생성하는 단계;
   상기 제1복원행렬을 확장하여 N*M 크기를 갖는 예측행렬을 생성하는 단계; 및
   상기 예측행렬의 i행 및 j열의 요소인 예측행렬요소(Eij)의 값을 상기 서브영역(SAij)에 대응시킴으로써, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 예측하는 단계;
   를 포함하는,
   이동대상의 이동경로를 예측하는 방법.
6. 제5항에 있어서, 상기 각각의 랜덤 입력데이터는 상기 제1입력배열과 동일한 크기를 갖는 것을 특징으로 하는, 이동대상의 이동경로를 예측하는 방법.
7. 관심영역 내에서 이동한 이동대상의 상기 관심영역 내에서의 이동경로를 제1입력배열로 표현하는 입력데이터 생성 프로세스를 이용하는 GAN(Generative Adversarial Network) 학습방법을 수행하는 처리장치로서,
   데이터 획득부 및 처리부를 포함하며,
   상기 데이터 획득부는, 상기 이동대상이 상기 관심영역 내에서 이동한 이동이벤트를 복수 회 관찰하여 얻은 정보를 획득하도록 되어 있고,
   상기 처리부는,
   상기 각각의 이동이벤트마다 상기 입력데이터 생성 프로세스를 반복하여 수행함으로써 상기 이동대상이 상기 관심영역 내에서 이동할 때마다 관찰된 복수 개의 경로들에 대응하는 복수 개의 상기 제1입력배열들을 생성하고,
   각각 배열 형태로 되어 있는 복수 개의 랜덤 입력데이터를 생성하여, 상기 생성된 각각의 랜덤 입력데이터를 상기 GAN의 생성기에 입력함으로써, 상기 생성기가 상기 제1입력배열과 동일한 크기를 갖는 복수 개의 제2입력배열을 생성하고, 그리고
   상기 복수 개의 제1입력배열들 및 상기 복수 개의 제2입력배열들을 상기 GAN의 판별기에 입력하여 상기 판별기를 학습시키도록 되어 있고,
   상기 판별기는, 상기 제1입력배열들이 상기 판별기에 입력되었을 때에 상기 제1입력배열들이 실제로 관찰하여 얻은 것이라는 결론을 내리고, 상기 생성기가 생성한 제2입력배열이 상기 판별기에 입력되었을 때에 상기 제2입력배열이 실제로 관찰하여 얻은 것이 아니라는 결론을 내리도록 학습되도록 되어 있고,
   상기 생성기는, 상기 판별기가 상기 제2입력배열을 입력받았을 때에 상기 판별기가 상기 제2입력배열이 실제로 관찰하여 얻은 것이라는 결론을 내리도록, 상기 제2입력배열을 생성하는 방향으로 학습되도록 되어 있는 것을 특징으로 하는,
   처리장치.
8. 제7항에 있어서,
   상기 처리부는 상기 입력데이터 생성 프로세스를 실행하기 위하여,
   미리 결정된 위도폭과 미리 결정된 경도폭을 갖는 상기 관심영역을 N행 및 M열로 분할하여, N*M개의 서브영역들로 분할하고,
   상기 관심영역 내에서 이동한 이동대상이 상기 N*M개의 서브영역들 i번째 행 및 j번째 열의 서브영역인 서브영역(SAij)를 통과한 경우에는 N*M 크기를 갖는 초기행렬의 i행 및 j열의 요소인 행렬요소(Eij)에 제1바이너리값을 할당하고, 상기 이동대상이 상기 서브영역(SAij)를 통과하지 않은 경우에는 상기 행렬요소(Eij)에 제2바이너리값을 할당하고(단, i는 1 이상 N 이하의 자연수, j는 1 이상 M 이하의 자연수),
   상기 초기행렬을 축소하여 N1*M1 크기를 갖는 제1축소행렬을 만들고(N1≤N, M1≤M), 그리고
   상기 제1축소행렬의 각 행 또는 각 열들을 캐스캐이드하여 연결하는 제1변환을 수행함으로써, N1*M1 개의 요소를 갖는 상기 제1입력배열을 만들도록 되어 있는,
   처리장치.
9. 제8항의 처리장치에 의해 학습된 상기 GAN의 생성기를 이용하여 상기 이동대상의 이동경로를 예측하는 이동경로 예측장치로서,
   데이터 획득부 및 처리부를 포함하며,
   상기 데이터 획득부는, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 관찰하여 얻은 정보를 획득하도록 되어 있고,
   상기 처리부는,
   상기 관찰된 이동경로를 상기 생성기에 입력가능한 입력배열로 변환하고,
   상기 생성기가 상기 입력배열을 입력받아 생성한 N1*M1 개의 요소를 갖는 상기 제2입력배열에 대하여 상기 제1변환의 역변환을 수행함으로써 N1*M1 크기를 갖는 제1복원행렬을 생성하고,
   상기 제1복원행렬을 확장하여 N*M 크기를 갖는 예측행렬을 생성하고, 그리고
   상기 예측행렬의 i행 및 j열의 요소인 예측행렬요소(Eij)의 값을 상기 서브영역(SAij)에 대응시킴으로써, 상기 관심영역 내에서 이동 중인 상기 이동대상의 상기 관심영역 내에서의 이동경로를 예측하도록 되어 있는,
   이동경로 예측장치.

Images