KR20210078203A

KR20210078203A - 거점 기반의 프로파일링 방법 및 이를 이용하는 단말기

Info

Publication number: KR20210078203A
Application number: KR1020190170026A
Authority: KR
Inventors: 정부순; 조충회; 방수라; 이진상; 김중근
Original assignee: 엘지전자 주식회사
Priority date: 2019-12-18
Filing date: 2019-12-18
Publication date: 2021-06-28
Also published as: US11006238B1

Abstract

거점 기반 프로파일링 방법 및 이를 이용하는 단말기가 개시된다. 거점 기반 프로파일링 방법은, 이벤트에 관한 정보 수집, 이벤트가 발생한 때의 단말기의 위치 정보 수집, 위치 정보에 기반하여 거점 선별 및 거점과 관련된 정보 수집을 포함한다. 본 발명에 따르면, 연결성 관련 단말기의 이벤트에 기반하여 거점들이 확보되고, 거점들 간의 이동에 있어 프로파일링 정보가 수집될 수 있다.

Description

거점 기반의 프로파일링 방법 및 이를 이용하는 단말기{METHOD FOR PROFILING BASED ON FOOTHOLD AND TERMINAL USING THE SAME}

본 발명은 거점 기반의 프로파일링 방법 및 이를 이용하는 단말기에 관한 것으로, 더욱 상세하게는 사용자의 거점을 기반으로 하는 프로파일링을 통해 거점 및 거점 간의 이동에 활용 가능한 정보를 제공하는 방법 및 이를 이용하는 단말기에 관한 것이다.

2018년 위치정보사업자 및 위치기반서비스업자를 대상으로 한 설문조사에 따르면 광고 마케팅, 교통, 공공 및 안전 등의 분야에서 산업 성장을 기대하고 있지만, 강한 규제로 인해 여러 장애 요인이 있다는 응답자가 30.4%에 이르렀다.

위치 정보의 법적 정의는 움직일 수 있는 물건이나 개인이 특정 시간에 존재하거나 존재했던 장소의 정보를 각종 전자기기를 이용해 수집한 것을 말한다. 개인위치정보의 경우 개인의 민감한 정보에 해당하는 만큼 충분히 보호할 필요가 있는 반면, 사물위치정보는 이러한 가능성이 적은 만큼 규제를 완화하고 다양한 산업에 활용할 수 있도록 지원해 관련 산업을 육성할 필요가 있다.

프로파일링(profiling)은 개인의 업무 성과, 경제 상황, 건강, 성향, 관심사, 행동, 위치 또는 이동 등을 포함한 개인에 대한 정보를 분석, 평가하거나 예측하기 위한 개인정보의 처리를 말한다.

하나의 관련 기술로서 모바일 단말 개인화 방법이 등록번호 KR 제10-1494164호의 등록공보에 개시된다. 이 관련 기술에 따르면 모바일 단말이 모바일 단말 개인화 서버를 통해 개인화 설정 목록을 수집한다. 그리고 모바일 단말의 사용자가 누구냐에 따라 개인화 설정 프로파일이 결정되는 것이 특징이다.

하나의 관련 기술로서 위치정보 및 프로파일링 정보를 이용한 통번역 장치 및 방법이 등록번호 KR 제10-1945258호의 등록공보에 개시된다. 이 관련 기술에 따르면 위치정보 및 프로파일링 정보를 통해 검출된 장소와 관련된 도메인의 정보가 통번역된다.

위의 관련 기술들은 프로파일링에 관한 어떠한 구성도 개시하고 있지 않고 있다. 즉, 위의 관련 기술들은 위치정보와 프로파일링 정보와의 어떠한 관계도 개시하고 있지 않고 있다. 그러나 본 발명의 일 실시 예에 따른 거점 기반의 프로파일링 방법은 단말기에서 발생한 이벤트 및 위치 정보를 이용한 거점 검출과 검출된 거점 활용 방법에 관한 것이다.

KR 등록특허공보 제10-1494164호 (2015.02.11 등록) KR 등록특허공보 제10-1945258호 (2019.01.29 등록)

본 발명의 일 과제는, 위치정보의 단순 수집을 개시할 뿐, 위치정보가 수집되는 조건을 개시하지 못했던 종래 기술의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 다양한 장소의 위치정보들 중에서 사용자와의 관련성 및 높은 중요도를 갖는 거점에 관한 이론을 제시하지 못했던 종래 기술의 문제점을 해결하는 것이다.

본 발명의 일 과제는, 데이터를 이용한 학습 모델 생성이 네트워크를 통한 학습 서버에 의존되어 있어서, 개인 데이터 보호의 이슈를 갖는 종래 기술의 문제점을 해결하는 것이다.

본 발명의 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 거점 기반의 프로파일링 방법은, 단말기에서 발생하는 이벤트로서, 통신 연결, 충전 및 사용자 입력 중에서 적어도 하나를 포함하는 이벤트(event)에 관한 정보 수집, 이벤트가 발생한 때의 단말기의 위치 정보 수집, 위치 정보에 기반하여 거점(foothold) 선별 및 거점과 관련된 정보 수집을 포함하도록 구성될 수 있다.

또한, 단말기의 위치 정보 수집은, 실내 측위 및 글로벌항법위성시스템(global navigation satellite system, GNSS) 중에서 적어도 하나에 기반할 수 있다.

또한, 단말기의 위치 정보 수집은, 거리 정확도, 이동거리 및 이동속도 중에서 적어도 하나를 이용하여 GNSS 기반의 위치 정보 검증을 포함하도록 구성될 수 있다.

또한, 거점 선별은, 무선 랜, 근거리 통신 및 이동 통신망 중에서 적어도 하나에 관한 단말기의 통신 연결성 정보 이용을 포함하도록 구성될 수 있다.

또한, 거점 선별은, 충전 정보를 이용하여 단말기의 충전 시작 거점 선별을 포함하도록 구성될 수 있다.

또한, 거점 선별은, 수신된 결제 정보를 이용하여 방문했던 레스토랑, 카페 및 점포가 포함된 거점 선별을 포함하도록 구성될 수 있다.

또한, 거점 선별은, 임계 값 이상의 시간 동안 머물던 장소의 위치 정보에 기반한 해당 장소의 거점 선별을 포함하도록 구성될 수 있다.

또한, 거점 선별은, 방문일 회수 및 누적 방문 시간을 이용하여 거점 중에서 집과 직장 판별을 포함하도록 구성될 수 있다.

또한, 거점과 관련된 정보 수집은, 집과 직장 간의 이동 시간 동안에 위치 정보 수집, 위치 정보를 이용한 출근/퇴근 경로 분석, 분석에 따른 결과에 기반한 출근/퇴근 경로 패턴 탐색 및 출근/퇴근 경로 패턴 학습을 포함하는, 출근/퇴근 경로 패턴 정보 수집을 더 포함하도록 구성될 수 있다.

또한, 거점과 관련된 정보 수집은, 거점과 관련된 정보 수집은, 출근/퇴근 시에 도착 장소에 대한 출발 장소에서의 출발 각을 이용하는 출발 예측, 출근/퇴근 경로 패턴에 기반한 이동 경로 모니터링 및 도착 예측을 포함하는, 경로 패턴 정보에 기반한 출근/퇴근 상황 인식을 더 포함하도록 구성될 수 있다.

상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 단말기는, 단말기에서 발생하는 이벤트로서, 통신 연결, 충전 및 사용자 입력 중에서 적어도 하나를 포함하는 이벤트(event)에 관한 데이터를 이용하여 이벤트가 발생한 때의 단말기의 위치 데이터를 수집하는 데이터 수집기(data collector), 위치 데이터를 이용하여 이벤트가 발생한 장소에 대해 학습하는 장소 학습기(place learner) 및 장소 학습기의 학습 결과에 기반하여 이벤트가 발생한 장소 중에서 거점을 선별하고, 거점과 관련된 정보를 수집하는 프로세서를 포함하도록 구성될 수 있다.

또한, 단말기는, 실내 측위를 위해 필요한 각종 통신 신호를 송신 및 수신하는 통신부 및 글로벌항법위성시스템(global navigation satellite system, GNSS)의 위치 신호를 수신하는 위치 센서를 더 포함하도록 구성될 수 있다. 그리고 프로세서는, 통신부 및 위치 센서를 이용하여 실내 및 실외 측위의 위치 데이터를 수집하는 데이터 수집기를 제어할 수 있다.

또한, 프로세서는, 거리 정확도, 이동거리 및 이동속도 중에서 적어도 하나를 이용하여 글로벌항법위성시스템(GNSS) 기반의 위치 데이터를 검증할 수 있다.

또한, 데이터 수집기는, 무선 랜, 근거리 통신 및 이동 통신망 중에서 적어도 하나를 통해 단말기가 통신 연결되는 통신 연결 거점의 위치 데이터를 생성하는 통신 연결성 데이터 생성기(connectivity data producer)를 포함하도록 구성될 수 있다. 그리고 프로세서는, 통신 연결 거점의 위치 데이터를 이용하여 학습한 장소 학습기의 학습 결과에 기반하여 통신 연결 거점을 선별할 수 있다.

또한, 데이터 수집기는, 단말기의 충전이 시작되는 충전 거점의 위치 데이터를 수집하는 배터리 데이터 생성기(battery data producer)를 포함하도록 구성될 수 있다. 그리고 프로세서는, 충전 거점의 위치 데이터를 이용하여 학습한 장소 학습기의 학습 결과에 기반하여 충전 거점을 선별할 수 있다.

또한, 데이터 수집기는, 단말기기가 결제 데이터를 수신한 결제 거점의 위치 데이터를 생성하는 결제 데이터 생성기를 포함하도록 구성될 수 있다. 그리고 프로세서는, 결제 거점의 위치 데이터를 이용하여 학습한 장소 학습기의 학습 결과를 기반하여 결제 거점을 선별할 수 있다.

또한, 프로세서는, 임계 값 이상의 시간 동안 단말기가 머물던 장소의 위치 데이터를 이용하여 학습한 장소 학습기에 기반하여 장소를 거점으로 선별할 수 있다.

또한, 프로세서는, 방문일 회수 및 누적 방문 시간을 이용하여 거점 중에서 집과 직장을 판별할 수 있다.

또한, 단말기는, 집과 직장 간의 이동 시간 동안에 수집된 위치 데이터를 이용하여 탐색된 출근/퇴근 경로 패턴을 학습하는 경로 패턴 학습기를 더 포함하도록 구성될 수 있다. 그리고 프로세서는, 경로 패턴 학습기를 이용하여 출근/퇴근 경로 패턴 데이터를 수집할 수 있다.

또한, 프로세서는, 출근/퇴근 시에 도착 장소에 대한 출발 장소에서의 출발 각을 이용한 출발 예측, 출근/퇴근 경로 패턴에 기반한 이동 경로 모니터링 및 도착 예측 프로세스를 통해, 경로 패턴 데이터에 기반하여 출근/퇴근 상황을 인식할 수 있다.

본 발명에 의하면, 연결성 관련 단말기의 이벤트에 기반하여 위치정보를 수집하므로 모바일 기기의 전력 관리의 효율성이 높아진다.

또한, 연결성 관련 단말기의 이벤트에 기반하여 거점들이 확보되고, 거점들 간의 이동에 있어 프로파일링 정보가 수집될 수 있다.

또한, 거점 기반 프로파일링을 위한 플렛폼이 구축될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 단말기가 연결된 네트워크 환경의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 단말기의 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 데이터 수집기와 학습기의 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 거점 기반의 프로파일링 방법의 흐름도이다.
도 5는 본 발명의 일 실시 예에 따른 거점의 요건 및 수집 데이터의 예시도이다.
도 6은 본 발명의 일 실시 예에 따른 위치 정보 검증 방법의 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 거점들 중에서 집과 직장을 판별하는 방법의 흐름도이다.
도 8은 본 발명의 일 실시 예에 따른 출근/퇴근 경로 패턴 정보 수집의 흐름도이다.
도 9는 도 8에서 S440의 흐름도이다.
도 10은 도 8에서 S460의 흐름도이다.
도 11은 본 발명의 일 실시 예에 따른 데이터 수집 UI의 예시도이다.
도 12는 본 발명의 일 실시 예에 따른 데이터 수집 UI의 예시도이다.
도 13은 본 발명의 일 실시 예에 따른 출근/퇴근 인식 방법의 예시도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 명세서에서 사용되는 "위치 정보"와 "위치 데이터", "이벤트에 관한 정보"와 "이벤트에 관한 데이터" 및 "거점 정보" 및 "거점 데이터"에서 "정보"와 "데이터"는 서로 동일한 의미로 사용될 수 있다. 예를 들어 단말기(100)의 프로세스 측면에서 동일 대상에 대하여 "데이터"가 사용된다면, 사용자 측면에서 "정보"가 사용될 수 있다.

본 발명은 사용자의 이동 패턴을 파악하고, 이동 패턴을 이용하여 자동으로 생성된 거점을 기반으로 하는 개인 프로파일링 서비스 플랫폼 구축을 위한, 거점 기반의 프로파일링 방법 및 이를 이용하는 단말기에 관한 것이다.

도 1은 본 발명의 일 실시 예에 따른 단말기가 연결된 네트워크 환경의 예시도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 단말기(100), 학습 장치, 글로벌항법위성시스템(global navigation satellite system, GNSS)(300), 그리고 이들이 서로 통신할 수 있도록 서로를 통신 연결시키는 네트워크(500)로 구성된 네트워크 환경(1)이 묘사되어 있다.

단말기(100)는 거점(foothold) 기반의 프로파일링 방법을 실행하는 장치로서 위치 정보를 수집할 수 있는 센서, 네트워크 환경(1)에 연결될 수 있는 통신 장치 및 사용자 인터페이스(user interface, UI)를 표시하는 디스플레이부를 포함하는 모바일 단말기(mobile terminal), 예를 들어 스마트폰(smart phone) 형태로 구현될 수 있다.

서버(200)는 기능별로 복수의 서버를 포함하도록 구성될 수 있다. 복수의 서버는 인공지능 모델을 학습시키는 학습 서버, 인공지능 모델과 관련된 각종 파일을 제공하는 파일 서버, 데이터베이스 서버, 웹 서버, 애플리케이션 서버, 및 클라우드 서버를 포함하도록 구성될 수 있다.

글로벌항법위성시스템(global navigation satellite system, GNSS)(300)은 우주궤도를 돌고 있는 인공위성에 발신하는 전파를 이용해 지구 전역에서 움직이는 물체의 위치, 고도치, 속도를 계산하는 위성항법시스템으로, 현재 미사일 유도 같은 군사적 용도뿐만 아니라 측량이나 항공기, 선박, 자동차 등의 항법장치에 이용되고 있다.

미국의 GPS, 러시아의 GLONASS, 유럽의 Galileo, 중국의 Beidou, 일본의 QZSS가 대표적인 GNSS이다. 글로벌항법위성시스템 중에서 GPS와 GLONASS는 현재 정상 가동되어 활발하게 서비스를 제공하고 있다.

GPS(Global Positioning System)는 20,200 km 상공에서 운영 중인 미국의 GPS 위성을 이용하여 지상의 위치정보를 획득하는 시스템이다. GPS 수신기는 3개 이상의 GPS 위성으로부터 송신된 신호를 수신하여 위성과 수신기의 위치를 결정한다. 위성에서 송신된 신호와 수신기에서 수신된 신호의 시차를 측정하면 위성과 수신기 사이의 거리를 구할 수 있는데, 이때 송신된 신호에는 위성의 위치에 대한 정보가 들어있다.

최소한 3개의 위성과의 거리와 각 위성의 위치를 알게 되면 삼각측량과 같은 방법으로 수신기의 위치를 계산할 수 있다. 하지만, 시간 동기가 완전히 정확하지 않아 오차를 보정하고자 보통 4개 이상의 위성을 이용해 위치를 결정한다.

GPS 위성은 정확도를 유지하기 위해 전 세계에 설치된 관제국 및 감시국을 통해 정확성 및 운영 전반에 관한 제어를 받게 된다. 지구상 어디에서나 24시간 이용할 수 있고 기상조건/외부의 간섭 및 방해에 강하다. 이 밖에도 전 세계적으로 공통좌표계(World Geodetic System, WGS)를 사용한다는 점에서 측위정보의 신뢰성 및 정확성이 우수하다.

GPS는 6개의 궤도에 24개의 위성을 배치해 서비스를 제공하며, 위성으로부터의 신호는 2개의 반송파 L1(1575.42 MHz)과 L2(1227.6 MHz)로 송신하고 있다. 이 2개의 주파수는 C/A 코드와 P코드의 불규칙 코드로 위상 변조되며 항법 정보는 표준 측위서비스(SPS: Standard Positioning System)와 고정도측위서비스(PPS: Precise Positioning System)로 구분하여 서비스를 제공하고 있다. SPS는 측위와 시각 전송의 업무로서 민간용으로 이용되어 L1주파수의 C/A코드만 사용할 수 있고, PPS는 주로 군용으로 설계되어 측위, 타이밍, 속도 기능을 가지며 L1, L2의 P(Y) 코드가 사용되고 있다.

네트워크(500)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G, LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.

네트워크(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.

단말기(100)는 5G 네트워크를 통해 서버(200)와 데이터를 전송하고 수신할 수 있다. 특히 스마트폰 형태로 구현되는 단말기(100)는 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 서버(200)와 데이터 통신을 할 수 있다.

eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.

URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.

mMTC(Massive Machine-type communications)는 비교적 적은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.

도 1에 묘사된 스마트폰은 단말기(100)의 다양한 실시 예 중의 하나에 해당한다. 이하 스마트폰(smart phone)에 초점을 맞추어 본 발명의 일 실시 예에 따른 단말기(100)에 대해 설명하기로 한다. 다른 특별한 가정 또는 조건이 없다면 스마트폰에 관한 설명 내용이 단말기(100)의 다른 형태의 실시 예에도 그대로 적용될 수 있다.

본 발명의 일 실시 예에 따른 거점 기반의 프로파일링 방법을 수행하는 단말기(100)는 학습기를 포함하도록 구성될 수 있다. 학습기는 위치 정보를 이용하여 장소에 대한 학습을 수행할 수 있고, 장소 학습의 결과에 기초하여 장소들 중에서 거점이 판별될 수 있다. 또한, 학습기는 거점 간의 경로에 대한 학습을 수행할 수 있고, 경로 학습의 결과에 기초하여 거점 간 이동 상황이 인식될 수 있다.

본 발명의 일 실시 예에 따른 학습은 통계적 학습 이론에 기반하고 있다. 통계적 학습 이론은 데이터에 근거하는 예측함수를 찾는 문제를 다룬다. 학습의 목표는 이해와 예측이다. 학습은 지도 학습, 비지도 학습, 온라인 학습 및 강화 학습을 비롯한 여러 범주로 분류된다. 통계적 학습 이론의 관점에서는 지도 학습이 가장 잘 이해된다.

지도 학습은 훈련된 데이터 집합으로부터 학습하는 것을 포함한다. 훈련된 모든 포인트는 입출력쌍이며, 입력은 출력에 매핑된다. 학습 문제는 학습된 함수가 미래의 입력으로부터의 결과를 예측하는 데 사용될 수 있도록, 입력과 출력 사이를 매핑하는 함수를 추론하는 것으로 구성된다.

또한, 단말기(100)는 전이학습 방식에 기반하여 사용자의 개인 데이터를 이용하여 학습에 의해 훈련된 인공지능 모델을 재학습 시킬 수 있다. 인공지능 모델을 실행시키거나 재학습 과정에서 단말기(100)는 서버(200)로부터 제공되는 각종 인공지능 응용 프로그램을 이용할 수 있다.

본 발명의 일 실시 예에 따른 딥 러닝(deep learning) 기반의 거점 학습 및 거점 간의 경로 패턴 학습에는 크게 2가지 방법이 이용될 수 있다. 그 중에서 하나의 방법은 기초부터 딥 러닝 모델을 훈련시키는 것이고 다른 하나는 이미 훈련된 딥 러닝 모델을 이용하는 것이다.

딥 러닝 모델의 기초 훈련, 즉 딥 네트워크의 훈련은 레이블이 지정된, 매우 방대한 훈련 데이터 세트를 모으고, 네트워크 아키텍처를 설계하여 특징을 학습하고 모델을 완성하는 과정이 필요하다. 딥 네트워크의 훈련을 통해 뛰어난 결과물을 얻을 수 있지만, 이러한 접근 방식을 위해서는 방대한 분량의 훈련 데이터 셋이 필요하고, 이용되는 네트워크, 가령 심층 신경망(deep neural network)에 레이어와 가중치 설정이 필요하다.

사전에 훈련된 딥 러닝 모델에서 이용되는 다수의 딥 러닝 응용 프로그램은 사전 훈련된 모델을 세밀하게 조정하는 방법이 포함된 프로세스인 전이 학습 방식이 사용될 수 있다. 이 전이 학습 방식에서는 AlexNet 또는 GoogLeNet과 같은 기존 네트워크를 사용하여 이전에 알려지지 않은 클래스를 포함하는 새로운 데이터가 딥 네트워크에 주입될 수 있다.

전이 학습방법의 사용에 따르면 연결성 기반의 빅데이터로 모델을 미리 훈련한 덕분에 시간 소모가 줄게 되고 결과물이 빠르게 산출할 수 있다.

머신 러닝 기반의 거점 학습 및 거점 간의 경로 패턴의 학습은 수동의 특징 추출과 추출된 특징을 분류하는 과정을 포함할 수 있다. 예를 들어 SVM(Support Vector Machine) 머신 러닝 알고리즘을 이용한 HOG 특징 추출이 본 발명의 일 실시 예로서 사용될 수 있다. 그 밖의 특징 추출 알고리즘으로 Harris corner, Shi & Tomasi, SIFT-DoG, FAST, AGAST, 주요 불변 특징량(SURF, BRIEF, ORB) 방법이 이용될 수 있다.

도 2는 본 발명의 일 실시 예에 따른 단말기의 블록도이다.

단말기(100)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.

즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

도 2를 참조하면, 단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원공급부(190)를 포함할 수 있다.

학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.

한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.

무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.

입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.

이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.

구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다.

본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.

이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.

러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.

선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치의 메모리, 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.

프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)와 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광출력부(154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.

메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

메모리(170)는 러닝 프로세서(130) 또는 학습 장치에서 학습된 모델을 저장할 수 있다.

이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.

이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.

이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.

프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

단말기(100)는 데이터 수집기(10)와 학습기(20)를 추가적으로 포함하도록 구성될 수 있다. 데이터 수집기(10)는, 단말기(100)에서 이벤트가 발생한 때의 단말기(100)의 위치 정보를 수집하는 역할을 한다. 학습기(20)는 위치 정보를 이용하여 장소들을 학습하고, 장소들 중에서 거점 간의 경로 패턴에 대해서 학습할 수 있다. 이하 데이터 수집기(10)와 학습기에 대해서 자세히 설명하기로 한다.

도 3은 본 발명의 일 실시 예에 따른 데이터 수집기와 학습기의 블록도이다.

도 3을 참조하면, 데이터 수집기(10)와 학습기(20)의 블록도가 묘사되어 있다. 데이터 수집기(10)와 학습기(20)는 도 2와 같이 메모리(170)와는 별도의 하드웨어, 예를 들어 주문형 반도체(application specific integrated, ASIC) 또는 프로그램 가능한 반도체(field programmable gate array) 형태로 구현되거나, 도 3과 같이 메모리(170) 상에 로딩되는 소프트웨어 형태로 구현될 수 있다.

메모리(170)에는 각종 컴퓨터 프로그램 모듈이 탑재될(loaded) 수 있다. 메모리(170)에 탑재되는 컴퓨터 프로그램의 범위에 운영체제(operating system), 하드웨어를 관리하는 시스템 프로그램 외에 응용 프로그램으로 데이터 수집기(10)와 학습기(20)가 포함될 수 있다.

데이터 수집기(10)는 위치 데이터를 생성하는 통신 연결성 데이터 생성기(11), 배터리 데이터 생성기(12), 결제 데이터 생성기(13) 및 행동 인식 데이터 생성기(14)와 센서로부터 수집된 원시 데이터를 보존하는 데이터 로커(16), 각종 데이터를 학습기(20)에 제공하는 데이터 공급기(17), 수집된 원시 데이터(18) 및 데이터 수집기(10)의 구성요소들 사이의 데이터 흐름을 제어하는 데이터 제어기(15)를 포함하도록 구성될 수 있다.

본 발명의 일 실시 예에 따른 거점 기반의 프로파일링 방법에서는 행동 인식(activity recognition) 기술이 이용될 수 있다. 행동 인식 기술은 사용자 행동 인식(human activity recognition, HAR)이라고 지칭될 수 있다. HAR은 다양한 센서를 활용하여 사람의 모션이나 제스처와 관련된 정보를 수집하고 해석하여 행동을 인식하는 기술을 의미한다. 사용자 행동은 다른 사람과 효과적인 소통을 위한 중요한 정보가 되면, 특히 HCI(human-computer interaction), HRI(human-robot interaction) 등 사람과 기술이 소통하기 위한 필수적인 정보를 제공해 준다.

행동 인식 데이터 생성기(14)는 단말기(100)에 포함된 센싱부(140)를 이용하여 수집된 신호를 이용하여 AR 데이터를 생성하는 역할을 한다. 본 발명의 일 실시 예에 따른 AR 데이터는 사용자의 이동 상태, 예를 들어 정착(idle), 도보(walking), 구보(running), 드라이빙(driving) 상태 파악을 위한 정보, 각 거점별 이동 수단의 추정, 위치 정보 수집 주기(tracking interval) 조정에 이용될 수 있다.

학습기(20)는 이벤트가 발생한 장소에서 수집된 위치 데이터를 이용하여 장소에 대해 학습을 수행하는 장소 학습기(21), 장소들 중에서 거점의 위치 데이터를 이용하여 거점 간의 경로에 대해서 학습하는 경로 패턴 학습기(22), 학습에 필요한 통계 알고리즘, 인공지능 알고리즘, 예를 들어 심층 신경망 모델을 위한 플레임워크(flamework) 등을 공급하는 API 공급(23) 및 가공된 형태의 데이터, 예를 들면 컨텍스트 데이터(24)와 프로파일 데이터(25)를 포함하도록 구성될 수 있다.

도 3에 도시된 각 구성요소들 간의 화살표는 제어 신호와 데이터 흐름의 방향을 개략적으로 나타내고 있으므로, 실제 제어신호와 데이터 흐름의 방향이 도시된 화살표의 방향에 한정되는 것은 아니다.

본 발명의 일 실시 예에 따른 단말기(100)와 프로세서(180)는 프로파일링 방법(S100)을 수행하는 주체에 해당한다. 즉 단말기(100)에 포함된 프로세서(180)가 단말기(100)에 포함된 각종 구성요소를 제어함으로써 프로파일링 방법(S100)이 실행될 수 있다.

도 4는 본 발명의 일 실시 예에 따른 거점 기반의 프로파일링 방법의 흐름도이다.

연결성(connectivity) 또는 연결 지향(connection oriented) 서비스는 두 개체 간에 1 이상의 메시지들이 연결상태를 유지하며 데이터 교환이 가능한 서비스를 말한다. 연결 지향 서비스의 특징은 통신이 시작되기 전에 송수신측 간에 논리적인 연결이 설정되어 있어야 한다.

본 발명의 일 실시 예에 따른 연결성은 단말기(100)가 외부와 데이터 교환이 가능한 상태를 포함하며, 단말기(100)와 충전 원(charging source) 간의 무선 또는 유선의 연결을 포함할 수 있다.

연결성에는 단말기(100)와 사용자 관계에서 연결성이 추가될 수 있다. 단말기(100)와 사용자 관계에서 연결성이란 사용자가 단말기(100)의 디스플레이부(151)를 통해서 정보를 수집하는 것을 말한다. 사용자는 단말기(100)의 디스플레이부(151)를 활성화하기 위해 사용자 입력, 예를 들어 디스플레이부(151) 활성화 버튼을 누르거나, 락 걸린 단말기(100)의 패스워드 입력 창에 추가로 패스워드를 입력하거나, 터치 패턴을 입력할 수 있다.

단말기(100)와 사용자 관계에서 연결성과 관련하여 발생한 이벤트에 관한 정보 또는 데이터를 사용자 제공 데이터(user present data)로 명명할 수 있다.

단말기(100)는 연결성과 관련하여 발생한 이벤트(event)에 관한 정보를 수집할 수 있다(S110). 본 발명의 일 실시 예에 따른 거점은 이벤트가 발생했던 장소 중에서 선별될 수 있다. 이하 거점과 관련하여 거점의 요건 및 이벤트에 관한 정보가 될 수 있는 수집 데이터에 대해 설명하기로 한다.

도 5는 본 발명의 일 실시 예에 따른 거점의 요건 및 수집 데이터의 예시도이다.

도 5를 참조하면, 본 발명의 일 실시 예에 따른 단말기(100)의 연결성 타입(type), 조건(condition) 수집 데이터가 묘사되어 있다. 단말기(100)에서 근거리 통신, 무선 랜, 문자 메시지, 이동통신, 배터리 및 머물기(stay)라는 연결성을 통해 이벤트가 발생할 수 있다.

단말기(100)는 근거리 통신을 통해 확장 기기와 연결될 수 있다. 근거리 통신은 범위에 RFID, NFC, 블루투스(BT), 비콘, 지그비(Zigbee)가 포함될 수 있다. 도 5를 참조하면 근거리 통신을 대표해서 BT에 관한 조건 및 수집 데이터가 묘사되어 있다.

단말기(100)는 무선 랜을 통해 네트워크(500)에 연결될 수 있다. 무선 랜 기술은 IEEE 802.11 표준에 기반하고 있으며, 와이파이(wireless fidelity, Wi-Fi)라는 마케팅 네임으로 알려져 있다. 도 5를 참조하면 Wi-Fi에 관한 조건 및 수집 데이터가 묘사되어 있다.

단말기(100)는 가입된 이동통신사(mobile network operator)의 단문 메시지 서비스(small message service, SMS)를 통해 결제 정보가 포함된 문자 메시지를 수신할 수 있다. 즉 단말기(100)의 사용자가 카페, 레스토랑, 상점과 같이 결제가 발생할 수 있는 장소에서 신용카드를 사용한 경우, 해당 거래의 결제 정보가 단말기(100)의 SMS를 통해 수신될 수 있다. 따라서, 결제 정보가 포함된 문자 메시지 수신 장소가 거점(foothold)이 될 수 있다. 도 5를 참조하면 SMS에 관한 조건 및 수집 데이터가 묘사되어 있다.

단말기(100)는 가입된 이동통신사의 기지국들의 정보를 수신하고 그 중에서 원하는 기지국을 통해 네트워크로 접속을 시도한다. 이때 기지국의 무선접속 정보를 수신하려는 행위를 셀 탐색(cell search)이라 한다. 하나의 기지국은 셀(cell)이라는 무선통신 서비스 영역(service coverage area)을 갖는다. 따라서 단말기(100)가 셀 탐색 과정에서 셀(cell)이 거점이 될 수 있으며, 단말기(100)는 셀 아이디(cell ID)의 변화를 통해 거점의 이동을 파악할 수 있다. 도 5를 참조하면 셀 아이디(cell ID)에 관한 조건 및 수집 데이터가 묘사되어 있다.

유선 또는 무선의 충전 장치를 통해 단말기(100)의 배터리가 충전될 수 있다. 예를 들어 충전을 위해서 단말기(100)는 USB 커넥터의 충전 단자를 통해 전력을 수신하거나, 수신 코일을 통해 발신 코일로부터 전력을 수신할 수 있다. 즉 본 발명의 일 실시 예에서는 연결성 개념이 충전을 위한 유선 및 무선의 커넥팅까지 확장될 수 있다. 도 5를 참조하면 Battery에 관한 조건 및 수집 데이터가 묘사되어 있다.

연결성으로 인한 이벤트 중에서 단말기(100)는 일정 시간 일정 구역 내에 머물러(stay) 있으면서 유사 범위의 위치 정보 값을 수신할 수 있다. 즉 단말기(100)와 GNSS, 예를 들어 GPS 위성과의 연결성이 일정 지역에서 일정 시간 지속되는 경우, 머무름 자체가 연결성과 관련된 단말기(100)의 이벤트가 될 수 있다. 도 5를 참조하면 Stay에 관한 조건 및 수집 데이터가 묘사되어 있다.

이와 같이 단말기(100)에서 도 5에 묘사된 타입의 연결성과 관련된 이벤트가 발생하고, 단말기(100)는 해당 이벤트에 관한 정보를 수집해서 데이터 형태로 저장한다.

단말기(100)는 이벤트가 발생한 때의 단말기(100)의 위치 정보를 수집할 수 있다(S120). 도 3을 다시 참조하면, 통신 연결성 데이터 생성기(11), 배터리 데이터 생성기(12), 및 결제 데이터 생성기(13) 중에서 적어도 하나를 통해서 해당 이벤트가 발생한 때의 단말기(100)의 위치 정보가 수집될 수 있다.

단말기(100)는 위치정보 모듈(115)을 통해 수신된 위치 정보를 이용하여 현재 위치를 탐색하는 경우, GPS 오차로 인해 정확한 현재 위치를 탐색하지 못하는 경우가 있을 수 있다. 이러한 GPS 오차를 해결하기 위해 본 발명의 일 실시 예에서는 위치 정보 검증 방법이 사용될 수 있다.

도 6은 본 발명의 일 실시 예에 따른 위치 정보 검증 방법의 예시도이다.

도 6을 참조하면, 일명 GPS 튐 현상(GPS error)을 보정하기 위한 로직이 묘사되어 있다. GPS 튐 현상은 단말기(100)가 한 장소에 머물러 있거나 느리게 이동 중에 단말기(100)의 기지국 변경 등에 의해 현재 위치와 떨어진 지점으로 위치가 인식되는 현상이다. 단말기(100)가 현재 위치를 비정상적인 위치로 인식할 경우, 이전 기록 위치, 현재 위치 및 현재 AR 상태값(머무름, 걷기, 자전거, 자동차 이동 등)을 이용하여 해당 데이터가 필터링 될 수 있다.

먼저 단말기(100)는 GNSS, 예를 들어 GPS를 통해 위도, 경도, 및 정확도 반경을 포함하는, 현재 위치에 관한 위치 정보를 수집할 수 있다(S210).

프로세서(180)는 정확도 반경을 이용하여 위치 정보를 검증할 수 있다(S220). 예를 들어 정확도 반경이 기준치인 2km보다 작은 경우 해당 위치 정보는 신뢰될 수 있다. 정확도 반경이 작을수록 해당 위치 정보의 신뢰도는 높을 것이다. GPS 위치 정보의 정확도는 대기, 가시성, 다중 경로 에러의 영향을 받을 수 있다. GPS의 최소 오차 범위가 수백 미터임을 감안하고, 이러한 영향 인자 및 충분한 여유를 감안하여 2km가 기준치로 설정될 수 있다.

프로세서(180)는 행동 인식(activity recognition, AR) 데이터 생성기(14)를 통해 수집된 AR 데이터를 이용하여 이동거리를 검증할 수 있다(S230). 예를 들어 AR 상태가 정지(still) 상태이고 이동거리가 기준치, 예를 들어 20m보다 작은 경우 해당 위치 정보는 신뢰될 수 있다.

프로세서(180)는 AR 데이터를 이용하여 단말기(100)의 이동속도를 검증할 수 있다(S240). 예를 들어 이동속도가 현재 AR 기준치보다 작은 경우 해당 위치 정보는 신뢰될 수 있다. 도 6을 다시 참조하면, AR 기준치의 예시가 묘사되어 있다. 자동차 이동은 200, 자전거 이동은 40, 도보는 4, 정착(still)은 2, 속보(walking)는 6, 그리고 구보(running)는 30의 AR 기준치를 갖는다. 여기서 각 기준치 단위는 km/h이다.

이상의 과정에서 위치 정보를 구성하는 정확도 반경, 이동거리 및 이동속도가 어느 하나의 조건을 만족(Yes)하는 경우 해당 위치 정보는 무효가 될 수 있다. 단말기(100)의 프로세서(180)는 S210 내지 S240 과정을 반복 수행함으로써 세가지 조건에서 기준치 미만의 값을 갖는 위치 정보를 얻을 수 있다.

단말기(100)는 이벤트에 관한 정보 및 위치 정보에 기반하여 거점을 선별할 수 있다(S130).

구체적으로 장소 학습기(21)는 이벤트가 발생한 장소의 위치 정보를 이용하여 해당 위치가 거점이 될 수 있는 지에 관해 학습을 한다. 여기서 위치 정보를 학습하는 장소 학습기(21)는 반복해서 수집되는 동일 위치에 관한 위치 정보의 통계적 분석 방법을 이용한다. 또는, 학습에 있어 인공지능 알고리즘, 예를 들어 심층 신경망 모델이 이용될 수 있다. 반복적으로 수집되는 동일 장소에 관한 위치 정보를 통해 심층 신경망 모델은 해당 위치를 거점으로 인식할 수 있다.

구체적으로 무선 인터넷 모듈(113)이 Wi-Fi의 AP를 검색하고, 단말기(100)가 검색된 AP를 통해 네트워크(500)에 연결되면, 통신 연결성 데이터 생성기(11)는 위치정보 모듈, 예를 들어 GPS 모듈을 이용하여 단말기(100)의 이벤트가 발생한 장소의 위치 데이터를 수집할 수 있다. 단말기(100)는 일정 기간, 예를 들어 2주 동안 반복하여 이벤트 발생 장소의 위치 데이터를 수집하고, 장소 학습기(21)는 수집된 위치 데이터를 이용하여 해당 위치가 거점이 될 수 있는지를 학습한다.

사용자의 생활이 근거가 되는 거점들 중에서 가장 흔하게 탐지되는 거점으로 집과 직장이 포함될 수 있다. 이하 본 발명의 일 실시 예에 따라 여러 거점들 중에서 집과 직장을 판별하는 방법에 대해 설명하기로 한다.

도 7은 본 발명의 일 실시 예에 따른 거점들 중에서 집과 직장을 판별하는 방법의 흐름도이다.

도 7을 참조하면, 집과 직장을 판별하는 방법(S300)의 로직이 묘사되어 있다. 집과 직장을 판별하는 방법(S300)은 장소 학습기(22)의 학습 결과를 이용하여 프로세서(180)에 의해 수행될 수 있다.

먼저 프로세서(180)는 저장된 거점 정보를 읽어 들인다(S310). 거점 정보는 이벤트 발생에 따라 거점으로 선별된 장소의 방문 일, 방문 시각, 및 위치 정보를 포함할 수 있다. 프로세서(180)는 데이터 수집기(10)에 의해 수집된 원시 데이터(18)로부터 거점 정보를 읽어 들일 수 있다.

이벤트 발생과 관련된 거점들은 방문일 수, 머문 시간, 및 방문 회수를 통해 서로 구별될 수 있다. 따라서 집과 직장도 방문일 수, 머문 시간, 및 방문 회수를 이용하여 다른 거점들과 구별될 수 있다.

프로세서(180)는 단말기(100)의 각 거점 방문일 수를 이용하여 집과 직장을 구별하기 위한 거점들의 범위를 좁힐 수 있다(S320). 예를 들어 거점의 위치 데이터 수집 중에 어느 한 거점의 방문 일수가 3일 이상이면 해당 거점은 집 또는 직장 후보에 해당할 수 있다. 이 경우 정확도를 높이기 위해 기준 기간, 예를 들어 7일 동안의 방문 일수가 3일 이상인 거점이 후보가 될 수 있다.

프로세서(180)는 단말기(100)가 거점들에 머문 시간을 이용하여 집과 직장을 구별하기 위한 거점들의 범위를 좁힐 수 있다(S330). 예를 들어 기준 기간 내에 머문 시간이 12시간 이상이면 해당 거점은 집 또는 직장 후보에 해당할 수 있다. 여기서, 기준 시간은 집 또는 직장이 될 수 있는 후보들의 최소 시간을 고려하여, 하루에 4시간씩 최소 3일 동안 최소 12시간 이상 머문 거점을 후보로 삼았다.

프로세서(180)는 거점 방문 일수와 머문 시간 조건을 만족하는 거점들을 자주 방문한 순으로 내림차분 정렬할 수 있다(S340).

프로세서(180)는 내림차순 정렬에서 가장 빈도가 높은 거점을 집으로 유추할 수 있다(S350). 실험에 따르면 직장보다는 집에 방문한 빈도 수가 더 높았다.

그리고 프로세서(180)는 집을 제외한 나머지 거점 정보를 읽어 들인다(S360). 여기서, 거점 정보는 내림차순 정렬에서 2번째 거점 정보를 포함할 수 있다.

프로세서(180)는 직장과 집의 거리를 이용하여 유추된 거점들이 집과 직장에 해당 여부를 검증할 수 있다(S370). 예를 들어 직장과 집의 거리 검증에는 사용자의 집 주소와 직장 주소가 이용될 수 있다. 즉 주소를 기반으로 전자 지도 상에서 계산된 집과 직장 사이의 거리와 거점 정보를 이용하여 수집된 집과 직장 사이의 거리 비교를 통해서 직장과 집의 거리가 검증될 수 있다.

프로세서(180)는 집을 제외한 나머지 거점 정보에 기반하여 집 다음으로 방문 빈도가 가장 높은 거점을 직장으로 유추할 수 있다(S380).

이상으로 단말기(100)의 프로세서(180)는 장소 학습기(21)의 학습 결과를 이용하여 거점들 중에서 집과 직장을 판별할 수 있다. 그 밖에도 각종 거점을 판별하는 알고리즘을 통해 해당 거점의 정체가 유추될 수 있다. 예를 들어 집 또는 직장에서의 거리, 방문 일수, 머문 시간 및 방문 회수를 기반으로 집 또는 직장 근처의 거점들이 레스토랑, 카페, 또는 상점 등으로 유추될 수 있다.

거점의 정체가 인식되면, 단말기(100)는 거점과 관련된 정보를 수집할 수 있다(S140). 특히 단말기(100)는 집과 직장 판별에 기반하여 출근/퇴근 경로 패턴 정보를 수집할 수 있다(S141). 이하 거점과 관련된 정보 중에서 집과 직장 간의 출근/퇴근 경로 패턴 정보를 수집하는 방법에 대해 설명하기로 한다.

도 8은 본 발명의 일 실시 예에 따른 출근/퇴근 경로 패턴 정보 수집의 흐름도이다.

도 8을 참조하면, 단말기(100) 및 프로세서(180)는 컨텍스트 학습기(22)를 이용하여 출근/퇴근 경로 패턴 정보 수집 방법(S400)을 수행할 수 있다.

프로세서(180)는 일정 기간, 예를 들어 과거 2주간의 거점 데이터를 수집할 수 있다(S410). 신뢰도를 높이기 위해 데이터 수집 기간은 1주 대신 2주로 잡혔다. 거점 데이터는 이벤트 발생에 따라 거점으로 선별된 장소의 방문 일, 방문 시각 및 위치 데이터를 포함할 수 있다. 프로세서(180)는 데이터 수집기(10)를 이용하여 거점 데이터를 수집할 수 있다.

프로세서(180)는 거점들 중에서 집과 직장을 판별하고, 출근/퇴근 이동 시간대를 확인할 수 있다(S420). 집과 직장의 판별에는 본 발명의 일 실시 예에 따른 집과 직장을 판별하는 방법(S300)이 이용될 수 있다. 출근/퇴근 이동 시간대는 집과 직장에서 누적하여 수집된 위치 정보를 기반으로 산출될 수 있다. 수집된 위치 정보에는 시간 정보가 포함되어 있으므로 집과 직장에서 수집된 위치 정보의 기간 정보를 이용하여 출근/퇴근 이동 시간대, 즉 출근 및 퇴근 시의 평균 출발시각들 및 평균 도착시각들이 산출될 수 있다. 여기서, 조기 출퇴근 또는 야근 등으로 인해 기준 범위를 벗어나는 시각들은 평균 시각 계산에서 제외될 수 있다.

프로세서(180)는 위치정보 모듈(115)을 이용하여 집과 직장 사이의 이동 시간대의 위치 데이터를 획득할 수 있다(S430). 예를 들어 프로세서(180)는 GPS 센서를 이용하여 출근/퇴근 경로 상의 위치에서 raw GPS 데이터를 획득할 수 있다.

프로세서(180)는 출근/퇴근 경로 상의 위치에서 획득한 위치 데이터를 이용하여 출근/퇴근 경로를 분석할 수 있다(S440). 출근/퇴근 경로의 분석에는 세부 과정이 포함될 수 있다.

도 9는 도 8에서 S440의 흐름도이다.

도 9를 참조하면, S440은 출근/퇴근 경로의 평균 이동 거리 산출(S441), 최소 편차의 이동 거리의 경로 선택(S442), 선택된 경로의 데이터 이용(S443) 및 이동 거리의 상한성 설정(S444)을 포함하도록 구성될 수 있다.

출근/퇴근 경로는 복수의 경로(route)를 포함할 수 있다. 프로세서(180)는 각 경로의 이동거리를 구하여 평균 값과, 최소값을 확인할 수 있다. 여기서, 이동거리 편차 값이 제일 작은 경로(경로 A)의 데이터가 섹션(section) 학습을 위한 정답 데이터로 사용될 수 있다. 집에서 직장까지의 출근 경로 또는 직장에서 집까지의 퇴근 경로가 60% 인식되는 시점에서는 나머지 구간의 거점 데이터 수집 작업은 생략될 수 있다.

그리고 출근/퇴근 경로 분석 시에 경로 A의 이동거리의 180% 이상의 경로는 출근/퇴근 경로 분석에서 제외될 수 있다. 180%라는 기준은 실험에 의해 정해진 값으로 출근/퇴근 경로의 길이 분포에 따라 경로 A의 180% 이상의 경로는 출근/퇴근 경로에 해당하지 않을 확률이 가장 높았다.

프로세서(180)는 출근/퇴근 경로 분석에 따른 결과를 이용하여 출근/퇴근 경로 패턴을 탐색할 수 있다(S450). 출근/퇴근 경로 패턴 탐색 시에 몇 가지 규칙이 적용될 수 있다. 제1 규칙은 가장 많은 raw data가 모여 있는 지점, 예를 들어 일정 기간 내에 최소 2일 이상 거처간 지점을 연결한 경로를 제1 후보 경로로 설정하는 것이다. 제2 규칙은 개별 경로 중 제1 후보와 매치율이 가장 높은 경로를 제2 후보로 설정하는 것이다. 제3 규칙은 각 요일 별 이동 경로를 제3 후보로 설정하는 것이다.

프로세서(180)는 출근/퇴근 경로를 섹션 별로 학습할 수 있다(S460).

도 10은 도 8에서 S460의 흐름도이다.

도 10을 참조하면, S460은 경로 특성에 따라 섹션 타입 설정(S461), 섹션 타입 별 경로 분할(S462) 및 섹션 타입 별 구간 학습(S463)을 포함하도록 구성될 수 있다.

예를 들어 경로 특성에 따라 section type이 설정될 수 있다. 9분 미만의 이동시간 또는 1km 이하의 이동거리를 갖는 경로를 Whole section으로 설정할 수 있다.

75분 이상의 이동시간 또는 30km 이상의 이동거리를 갖는 경로를 Distance base section으로 설정할 수 있다. 그 밖에 중간 섹션으로 Time base section이 설정될 수 있다.

Section type별로 출퇴근 인지 확률 계산을 위한 Section 분할방법 결정을 소개하면 다음과 같다. Whole section에 포함된 경로는 하나의 구간으로 취급될 수 있다. Distance base section에 포함된 경로는 4km 단위의 구간으로 나뉠 수 있다. Time base section에 포함된 경로는 15분 단위의 구간으로 나뉠 수 있다. 부연 설명을 하자면 단거리에 속하는 Whole section은 하나의 구간으로 취급되어 인식될 수 있고, 중거리에 속하는 Time base section은 시간 단위로 세부 구간이 설정될 수 있고, 장거리에 속하는 Distance base section은 거리 단위로 세부 구간이 설정될 수 있다.

이상의 방법을 통해 컨텍스트 학습기(22)는 경로 별 섹션 타입을 나누어 출근/퇴근 경로 패턴을 학습할 수 있다(S463). 이후 프로세서(180)는 새로 누적된 거점 데이터를 더 수집할 수 있다(S470). 추가로 수집된 거점 데이터들은 다음 이어지는 S420 단계에서 처리된다.

도 11은 본 발명의 일 실시 예에 따른 데이터 수집 UI의 예시도이다.

도 11을 참조하면, 이동 프로파일(journey profile)에 따른 수집된 데이터와 지도가 표시된 UI가 묘사되어 있다. 이동 프로파일의 메뉴는 데이 경로(day route), 내 거점(my place), 출근/퇴근(commute), 및 요약(summary) 항목을 포함하도록 구성될 수 있다. 도 9에는 데이 경로의 맵과 수집된 데이터에 관한 정보가 묘사되어 있다. 맵에 표시된 직선은 집과 직장 사이의 출근/퇴근 경로를 나타내며, 경로 상에는 위치 데이터가 수집된 지점과 거점이 표시되어 있다. 위치 데이터는 주로 사용자 제공 데이터(user present data), 즉 사용자의 단말기(100) 조작 이벤트에 따라 수집된 위치 데이터에 해당한다. 각 수집된 데이터에는 일련 번호가 설정되고, 시간 정보, 정확도 및 데이터 종류가 표시되어 있다.

도 12는 본 발명의 일 실시 예에 따른 데이터 수집 UI의 예시도이다.

도 12를 참조하면, 내 거점에 관한 맵과 거점 정보가 표시되어 있다. 거점 정보는 해당 거점에 방문한 방문 일수, 머문 시간, 방문 회수 및 거점 타입 및 거점 명칭이 표시되어 있다.

이동 프로파일(journey profile)은 애플리케이션 형태로 단말기(100)에 설치될 수 있다. 프로세서(180)는, 메모리(170)에 로딩된 이동 프로파일의 제어를 통해 연결성과 관련하에 발생한 이벤트에 관한 정보, 이벤트가 발생한 때의 단말기(100)의 위치 정보를 수집하고, 위치 정보에 기반하여 거점을 선별할 수 있다.

프로세서(180)는 수집된 출근/퇴근 경로 패턴 정보를 이용하여 사용자의 출근/퇴근 상황을 인식할 수 있다(S142). 종래의 기술에 따르면 단말기(100)는 사용자 입력을 통해 도착지로서 집 또는 직장을 인식할 수 있었다. 단말기(100)는 네비게이션 애플리케이션의 알고리즘을 이용하여 개인 데이터에 무관하게 검색된 경로를 사용자에게 추천할 수 있었다. 이하 본 발명의 일 실시 예에 따른 출근/퇴근 상황 인식 방법(S500)에 대해 설명하기로 한다.

도 13은 본 발명의 일 실시 예에 따른 출근/퇴근 상황 인식 방법의 예시도이다.

도 13을 참조하면, 출근/퇴근 상황 인식 방법(S500)의 로직이 묘사되어 있다. 단말기(100)는 수집된 출근/퇴근 경로 패턴 정보를 이용하여 사용자의 출근/퇴근 상황을 인식하고, 사용자 입력 없이도 출근/퇴근 상황에 필요한 정보를 사용자에게 제공할 수 있다.

먼저 단말기(100)가 집/직장 거점에 도착해 있는 상태를 가정한다(S501).

단말기(100)는 집/직장 거점 출발 상태를 감지하기 위한 모니터링을 시작한다(S502). 그리고 프로세서(180)는 출발 상태 모니터링을 위한 로직을 백그라운드 상태에서 실행시킬 수 있다.

프로세서(180)는 집/직장 거점 출발 조건을 판단한다. 예를 들어 집 또는 직장 위치에서 단말기(100)가 반경 300m를 벗어나기 시작하면 출발로 인식될 수 있다 (S503).

프로세서(180)는 경로 패턴의 첫 번째, 두 번째 좌표와 현 위치 비교를 통해 출발각이 70도 이내인지 여부를 판단한다(S504). 출발각은 현재 위치가 학습된 출근/퇴근 경로와 비교하여 얼마나 벗어났는지를 기준으로 현재 위치의 위치 정보에 기반하여 측정된다. 프로세서(180)는 출발 지의 위치 정보와 출발 후에 수집된 위치 정보를 이용하여 출발각이 70도 이하인지 판단할 수 있다(S505). 출발각은 출발 후 일정 시간, 예를 들어 10분이 경과된 시점에서 측정될 수 있다. 실험에 의하면 격자 형태의 도로 구조가 많은 실험 지역에서 출발각이 90도 이상이면, 출근/퇴근 경로를 벗어났을 확률이 높았다. 다만, 신뢰도를 높이기 위해 출발각의 기준을 70도로 정하였다.

출발각이 70도 이하이면 단말기(100)의 프로세서(180)는 출근/퇴근 경로 모니터링을 시작한다(S506).

출발각이 70도 초과이면 출근/퇴근 외에 여행/여가 활동으로 인식될 수 있다(S512). 그리고 경로 모니터링은 종료된다.

모니터링 시작 후에 단말기(100)는 자신이 경로 패턴 내에 위치하는 지 판단할 수 잇다(S507).

단말기(100)가 경로 패턴 내에 위치하지 않으면, 경로 모니터링은 종료된다. 단말기(100)가 경로 패턴 내에 위치하면, 단말기(100)는 자신이 동일 섹션에 8분이상 머무는지 판단할 수 있다(S508).

단말기(100)가 동일 섹션에 8분이상 머무는 경우 경로 모니터링은 종료된다. 단말기(100)가 동일 섹션에 8분 미만으로 머무는 경우 섹션 타입 별 출근/퇴근 확률이 계산될 수 있다(S509). 실험에 의하면, 러시아워 및 표준 신호 대기 시간 등을 고려하여 동일 섹션에 머무는 시간의 기준이 8분인 경우에 실험 데이터의 신뢰도가 가장 높았다.

확률 계산에 따라 확률이 80프로 이상이면, 단말기(100)의 목적지 도달 여부가 판단될 수 있다(S511). S511의 결과에 따라 단말기(100)는 S507를 처리하거나 경로 모니터링을 종료할 수 있다.

확률 계산에 따라 확률이 80프로 미만이면, 단말기(100)는 자신이 경로 패턴 내에 위치 하는 지 판단한다(S507). 결과에 따라 S508 또는 경로 모니터링은 종료된다.

이와 같이 본 발명의 일 실시 예에 의하면, 연결성 관련 단말기의 이벤트에 기반하여 위치정보를 수집하므로 모바일 기기의 전력 관리의 효율성이 높아진다.

이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 '상기'의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

10: 데이터 수집기
11: 통신 연결성 데이터 생성기
12: 배터리 데이터 생성기
13: 행동 인식 데이터 생성기
20: 학습기
21: 장소 학습기
22: 경로 패턴 학습기
100: 단말기
200: 서버

Claims

단말기가 수행하는 방법으로서,
상기 단말기에서 발생하는 이벤트로서, 통신 연결, 충전 및 사용자 입력 중에서 적어도 하나를 포함하는 이벤트(event)에 관한 정보를 수집하는 단계;
상기 이벤트가 발생한 때의 상기 단말기의 위치 정보를 수집하는 단계;
상기 위치 정보에 기반하여 거점(foothold)을 선별하는 단계; 및
상기 거점과 관련된 정보를 수집하는 단계를 포함하는,
거점 기반 프로파일링 방법.
제1항에 있어서,
상기 단말기의 위치 정보를 수집하는 단계는,
실내 측위 및 글로벌항법위성시스템(global navigation satellite system, GNSS) 중에서 적어도 하나에 기반하는,
거점 기반 프로파일링 방법.
제2항에 있어서,
상기 단말기의 위치 정보를 수집하는 단계는,
거리 정확도, 이동거리 및 이동속도 중에서 적어도 하나를 이용하여 상기 GNSS 기반의 위치 정보를 검증하는 단계를 포함하는,
거점 기반 프로파일링 방법.
제1항에 있어서,
상기 거점을 선별하는 단계는,
무선 랜, 근거리 통신 및 이동 통신망 중에서 적어도 하나에 관한 상기 단말기의 통신 연결성 정보를 이용하는 단계를 포함하는,
거점 기반 프로파일링 방법.
제1항에 있어서,
상기 거점을 선별하는 단계는,
충전 정보를 이용하여 상기 단말기의 충전 시작 거점을 선별하는 단계를 포함하는,
거점 기반 프로파일링 방법.
제1항에 있어서,
상기 거점을 선별하는 단계는,
수신된 결제 정보를 이용하여 방문했던 레스토랑, 카페 및 점포가 포함된 거점을 선별하는 단계를 포함하는,
거점 기반 프로파일링 방법.
제1항에 있어서,
상기 거점을 선별하는 단계는,
임계 값 이상의 시간 동안 머물던 장소의 위치 정보에 기반하여 해당 장소를 거점으로 선별하는 단계를 포함하는,
거점 기반 프로파일링 방법.
제1항에 있어서,
상기 거점을 선별하는 단계는,
방문일 회수 및 누적 방문 시간을 이용하여 상기 거점 중에서 집과 직장을 판별하는 단계를 포함하는,
거점 기반 프로파일링 방법.
제8항에 있어서,
상기 거점과 관련된 정보를 수집하는 단계는,
상기 집과 직장 간의 이동 시간 동안에 위치 정보를 수집하는 단계;
상기 위치 정보를 이용하여 출근/퇴근 경로를 분석하는 단계;
상기 분석에 따른 결과에 기반하여 출근/퇴근 경로 패턴을 탐색하는 단계; 및
상기 출근/퇴근 경로 패턴을 학습하는 단계를 포함하도록 구성되는,
출근/퇴근 경로 패턴 정보를 수집하는 단계를 더 포함하는,
거점 기반 프로파일링 방법.
제9항에 있어서,
상기 거점과 관련된 정보를 수집하는 단계는,
출근/퇴근 시에 도착 장소에 대한 출발 장소에서의 출발 각을 이용하여 출발을 예측하는 단계;
상기 출근/퇴근 경로 패턴에 기반하여 이동 경로를 모니터링하는 단계; 및
도착을 예측하는 단계를 포함하도록 구성되는,
상기 경로 패턴 정보에 기반하여 출근/퇴근 상황을 인식하는 단계를 더 포함하는,
거점 기반 프로파일링 방법.
단말기에서 발생하는 이벤트로서, 통신 연결, 충전 및 사용자 입력 중에서 적어도 하나를 포함하는 이벤트(event)에 관한 데이터를 이용하여 상기 이벤트가 발생한 때의 상기 단말기의 위치 데이터를 수집하는 데이터 수집기(data collector);
상기 위치 데이터를 이용하여 상기 이벤트가 발생한 장소에 대해 학습하는 장소 학습기(place learner); 및
상기 장소 학습기의 학습 결과에 기반하여 상기 이벤트가 발생한 장소 중에서 거점을 선별하고, 상기 거점과 관련된 정보를 수집하는 프로세서를 포함하는,
단말기.
제11항에 있어서,
실내 측위를 위해 필요한 각종 통신 신호를 송신 및 수신하는 통신부; 및
글로벌항법위성시스템(global navigation satellite system, GNSS)의 위치 신호를 수신하는 위치 센서를 더 포함하고,
상기 프로세서는,
상기 통신부 및 위치 센서를 이용하여 실내 및 실외 측위의 위치 데이터를 수집하는 상기 데이터 수집기를 제어하는,
단말기.
제12항에 있어서,
상기 프로세서는,
거리 정확도, 이동거리 및 이동속도 중에서 적어도 하나를 이용하여 글로벌항법위성시스템(GNSS) 기반의 위치 데이터를 검증하는,
단말기.
제11항에 있어서,
상기 데이터 수집기는,
무선 랜, 근거리 통신 및 이동 통신망 중에서 적어도 하나를 통해 상기 단말기가 통신 연결되는 통신 연결 거점의 위치 데이터를 생성하는 통신 연결성 데이터 생성기(connectivity data producer)를 포함하고,
상기 프로세서는,
상기 통신 연결 거점의 위치 데이터를 이용하여 학습한 상기 장소 학습기의 학습 결과에 기반하여 상기 통신 연결 거점을 선별하는,
단말기.
제11항에 있어서,
상기 데이터 수집기는,
상기 단말기의 충전이 시작되는 충전 거점의 위치 데이터를 수집하는 배터리 데이터 생성기(battery data producer)를 포함하고,
상기 프로세서는,
상기 충전 거점의 위치 데이터를 이용하여 학습한 상기 장소 학습기의 학습 결과에 기반하여 상기 충전 거점을 선별하는,
단말기.
제11항에 있어서,
상기 데이터 수집기는,
상기 단말기가 결제 데이터를 수신한 결제 거점의 위치 데이터를 생성하는 결제 데이터 생성기를 포함하고,
상기 프로세서는,
상기 결제 거점의 위치 데이터를 이용하여 학습한 상기 장소 학습기의 학습 결과를 기반하여 상기 결제 거점을 선별하는,
단말기.
제11항에 있어서,
상기 프로세서는,
임계 값 이상의 시간 동안 상기 단말기가 머물던 장소의 위치 데이터를 이용하여 학습한 상기 장소 학습기에 기반하여 상기 장소를 거점으로 선별하는,
단말기.
제11항에 있어서,
상기 프로세서는,
방문일 회수 및 누적 방문 시간을 이용하여 상기 거점 중에서 집과 직장을 판별하는,
단말기.
제18항에 있어서,
상기 집과 직장 간의 이동 시간 동안에 수집된 위치 데이터를 이용하여 탐색된 출근/퇴근 경로 패턴을 학습하는 경로 패턴 학습기를 더 포함하고,
상기 프로세서는,
상기 경로 패턴 학습기를 이용하여 출근/퇴근 경로 패턴 데이터를 수집하는,
단말기.
제19항에 있어서,
상기 프로세서는,
출근/퇴근 시에 도착 장소에 대한 출발 장소에서의 출발 각을 이용한 출발 예측, 상기 출근/퇴근 경로 패턴에 기반한 이동 경로 모니터링 및 도착 예측 프로세스를 통해, 상기 경로 패턴 데이터에 기반하여 출근/퇴근 상황을 인식하는,
단말기.