KR20220149151A - 그래프 기반 관광행태 분석 시스템 및 그 방법 - Google Patents
그래프 기반 관광행태 분석 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20220149151A KR20220149151A KR1020210056414A KR20210056414A KR20220149151A KR 20220149151 A KR20220149151 A KR 20220149151A KR 1020210056414 A KR1020210056414 A KR 1020210056414A KR 20210056414 A KR20210056414 A KR 20210056414A KR 20220149151 A KR20220149151 A KR 20220149151A
- Authority
- KR
- South Korea
- Prior art keywords
- tourism
- graph
- information
- tourist
- behavior
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims description 29
- 230000006399 behavior Effects 0.000 claims description 104
- 230000000694 effects Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 그래프 기반 관광행태 분석 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 스마트 관광행태 분석을 위한 디지털 정보를 구축하여 공간정보, 관광정보, 커머스 정보 등 다양한 정보를 실시간으로 제공하고, 신뢰할 수 있는 실시간 정보를 가공 또는 그대로 관광객(사용자)들에게 제공할 수 있는 그래프 기반 관광행태 분석 시스템 및 그 방법에 관한 것이다.
Description
본 발명은 그래프 기반 관광행태 분석 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 스마트 관광행태 분석을 위한 디지털 정보를 구축하여 공간정보, 관광정보, 커머스 정보 등 다양한 정보를 실시간으로 제공하고, 이러한 정보의 사용 기록을 그래프로 재구성하여 관광객들의 행동을 파악할 수 있는 그래프 기반 관광행태 분석 시스템 및 그 방법에 관한 것이다.
종래의 관광행태 분석을 위해서는 관광객들이 관광지에 와서 어떠한 관광행동을 하는지 정확하게 파악하는 체계화된 기술이 존재하지 않아 관찰자의 직접 관찰과 수기 계량에 의존할 수 밖에 없었다.
그래서 스마트 관광 기술의 발달로 생성되는 다양한 스마트 관광 콘텐츠/서비스들이 개발되고 있으나, 이들을 사용하는 사용자에 대한 분석은 파편화되어 정확한 관광행태(Tourism Behavior)를 분석할 수 없었다.
따라서 관광행태를 분석할 수 있는 체계와 방법론 제시가 필요하게 되었는 데, 스마트 관광행태 분석을 위한 디지털 정보를 구축하여 공간정보, 관광정보, 커머스 정보 등 다양한 정보를 실시간으로 제공하고, 이를 사용하는 관광객의 관광활동을 수집, 파악할 수 있는 시스템의 개발이 필요하게 되었다.
본 발명은 상기와 같은 문제점을 해결하기 위해 이루어진 것으로서, 스마트 관광 콘텐츠/서비스 사업자들은 관광 디지털 트윈이 제공하는 신뢰할 수 있는 실시간 정보를 가공 또는 그대로 관광객들에게 제공함과 동시에 이를 사용하는 관광객의 행동을 파악할 수 있는 그래프 기반 관광행태 분석 시스템을 제공하는 데 목적이 있다.
또한 본 발명은 관광객들이 스마트 관광을 통해 관광 디지털 트윈을 활용한 내역을 수집하고, 이를 기반으로 가상/증강현실 및 지능형 서비스를 생성 할 수 있는 그래프 기반 관광행태 분석 시스템을 제공하는 데 목적이 있다.
또한 본 발명은 DT와 연동되는 스마트폰의 증강현실 기술을 활용, 사용자의 자세(Pose)를 이해하고 관광행태 그래프를 생성, 그래프 기반 관광행태를 분석하는 시스템을 제공하는 데 목적이 있다.
상기 과제를 해결하기 위하여 본 발명은 그래프의 노드로 표현되는 관광지를 기준으로 동일 시간대의 관광행태 그래프들을 병합하는 단계; 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 추정하는 단계; 상기 방향 그래프에 이동이 포착된 엣지의 수를 나타내면 관광객들이 해당 경로로 이동을 반복하는 수치를 계산하는 단계;를 포함한다.
상기 노드의 진입/진출 차수(in/out degree) 정보와 가중치(Weight) 정보를 통해 상기 관광객들의 관광경로를 파악한 후, 이를 바탕으로 복수개의 관광마케팅을 실행하는 마케팅 단계;를 포함한다.
상기 노드는 관광지 또는 관광명소에서 관광행태가 일어난 관광지 식별 정보이고, 상기 관광지 식별 정보는 고유 식별 정보로서 분산 설치된 무선 센서 네트워크(WSN:Wireless Sensor Network)의 다중 센서 노드 혹은 관광객의 스마트폰 위치 데이터로부터 식별된다.
상기 엣지의 정보는 상기 노드와 노드가 연결되는 정보이며, 상기 엣지의 정보를 추적하여 이전, 현재의 위치 이동 정보를 표현하고, 향후 관광객의 위치 이동 정보를 추론한다.
상기 진입/진출 차수(in/out degree) 정보는 복수의 관광행태 그래프를 병합한 후의 특정 노드로의 진입과 진출 수치 정보이다.
상기 가중치(Weight) 정보는 단일 관광지에서 복수의 관광행동이 발생하는 경우 발생한 관광행위의 수에 적용하는 수치 정보이다.
본 발명은 상기 관광행태 그래프에 해당 관광지에서 관광객이 취한 관광행태를 반영하는 데이터를 포함시키고, 상기 관광행태를 반영하는 데이터는 관광객이 공간에서 취한 관광행동 정보, 관광객이 어떤 종류의 스마트 관광 API를 사용했는지에 대한 정보, 관광행위가 발생한 시각 정보, 해당 장소에 머무른 시간 또는 행위가 지속된 시간 정보, 관광객이 해당 관광행위를 위해 사용한 금전, 쿠폰, 입력정보를 포함하며,
상기 노드를 기준으로 동일 시간대의 복수개의 관광행태 그래프를 병합하고, 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 변환하고, 상기 방향 그래프에 이동이 포착된 엣지의 수를 통해 관광객들이 해당 경로를 반복하는 횟수를 계산한다.
본 발명은 관광행태 그래프의 관광객의 이동을 표현는 노드간의 엣지, 엣지의 방향성, 차수(degree) 및 엣지의 수를 해당 그래프의 생성 시간대, 해당 시간대의 관광지 날씨 변수와 함께 상관관계를 도출하여 관광객들의 이동 행태를 모델링하고, 모델링에 기반하여 가상 관광객을 생성하고 가상 간광객의 디지털트윈을 통해 관광지의 기상 및 공간의 환경 변화에 대한 관광객 행태 반응을 시뮬레이션할 수 있다.
상기와 같이 이루어지는 본 발명은 스마트 관광행태 분석을 위한 디지털 정보를 구축하여 공간정보, 관광정보, 커머스 정보 등 다양한 정보를 실시간으로 제공하고, 동시에 이를 사용하는 관광객의 관광활동을 수집, 파악할 수 있다.
또한 본 발명은 DT와 연동되는 스마트폰의 증강현실 기술을 활용, 사용자의 자세(Pose)를 이해하여 더 정확하고 상세한 관광행태를 분석할 수 있다.
도 1은 본 발명에 따른 그래프 기반 관광행태 분석 시스템의 자세한 구성을 보여주는 도면이다.
도 2는 본 발명의 일실시예에 따른 그래프 기반 관광행태 분석 시스템을 사용하여 노드와 엣지 등의 관계를 자세히 보여주는 도면이다.
도 3은 본 발명의 일실시예에 따른 그래프 기반 관광행태 분석 시스템을 이용한 사진 촬영과 쿠폰 사용에 따른 실시간 데이터의 생성 과정을 보여주는 도면이다.
도 4는 본 발명의 다른 실시예에 따른 만들어진 복수개의 노드와 엣지가 상호 작용하는 관계를 보여주는 도면이다.
도 5는 본 발명의 다른 실시예에 따른 사용자의 자세(Pose)로부터 추출된 각 벡터가 닿은 건물의 좌표를 이용하여 건물을 식별하는 것을 보여주는 도면이다.
도 6은 본 발명의 다른 실시예에 따른 관광객의 위치 데이터 분석 및 오차 보정을 보여주는 도면이다.
도 7은 본 발명의 다른 실시예에 따른 관광행태 그래프와 그 인접행렬을 보여주는 도면이다.
도 8은 본 발명의 다른 실시예에 따른 관광행태 그래프의 인접행렬과 특징행렬의 곱 연산과 그 결과를 보여주는 도면이다.
도 9는 본 발명의 다른 실시예에 따른 상기 도 7의 연산 결과에 이은 가중치행렬의 곱 연산과 그 결과를 보여주는 도면이다.
도 10은 본 발명의 다른 실시예에 따른 Aggregation 수행 횟수 별 인접 노드 추출 예시를 보여주는 도면이다.
도 11은 본 발명의 다른 실시예에 따른 Graph Convolution Network적용에서 (a) Graph Convolution Network 수행 과정, (b) 수행을 통해 분류(Classification)된 그래프의 노드들을 보여주는 도면이다.
도 12는 본 발명의 다른 실시예에 따른 합성 데이터(Synthetic Data) 사용에서 (a) 합성 데이터의 정규 분포표, (b) 합성 데이터를 사용하여 생성한 가상 데이터셋을 보여주는 도면이다.
도 13은 본 발명의 다른 실시예에 따른 로그 데이터 수집을 통해 생성된 관광행태 그래프 및 노드와 엣지의 특징 정보 예시를 보여주는 도면이다.
도 14는 본 발명의 다른 실시예에 따른 그래프 신경망(Graph Neural Network)을 이용한 사용자 맞춤 관광지 추천 기능을 보여주는 도면이다.
도 15는 본 발명의 다른 실시예에 따른 그래프 신경망(Graph Neural Network)을 이용한 가상 관광지 수요 예측 기능을 보여주는 도면이다.
도 16은 본 발명의 다른 실시예에 따른 그래프 신경망(Graph Neural Network)을 이용한 가상 관광객 대상 관광지 동선 예측 기능을 보여주는 도면이다.
도 2는 본 발명의 일실시예에 따른 그래프 기반 관광행태 분석 시스템을 사용하여 노드와 엣지 등의 관계를 자세히 보여주는 도면이다.
도 3은 본 발명의 일실시예에 따른 그래프 기반 관광행태 분석 시스템을 이용한 사진 촬영과 쿠폰 사용에 따른 실시간 데이터의 생성 과정을 보여주는 도면이다.
도 4는 본 발명의 다른 실시예에 따른 만들어진 복수개의 노드와 엣지가 상호 작용하는 관계를 보여주는 도면이다.
도 5는 본 발명의 다른 실시예에 따른 사용자의 자세(Pose)로부터 추출된 각 벡터가 닿은 건물의 좌표를 이용하여 건물을 식별하는 것을 보여주는 도면이다.
도 6은 본 발명의 다른 실시예에 따른 관광객의 위치 데이터 분석 및 오차 보정을 보여주는 도면이다.
도 7은 본 발명의 다른 실시예에 따른 관광행태 그래프와 그 인접행렬을 보여주는 도면이다.
도 8은 본 발명의 다른 실시예에 따른 관광행태 그래프의 인접행렬과 특징행렬의 곱 연산과 그 결과를 보여주는 도면이다.
도 9는 본 발명의 다른 실시예에 따른 상기 도 7의 연산 결과에 이은 가중치행렬의 곱 연산과 그 결과를 보여주는 도면이다.
도 10은 본 발명의 다른 실시예에 따른 Aggregation 수행 횟수 별 인접 노드 추출 예시를 보여주는 도면이다.
도 11은 본 발명의 다른 실시예에 따른 Graph Convolution Network적용에서 (a) Graph Convolution Network 수행 과정, (b) 수행을 통해 분류(Classification)된 그래프의 노드들을 보여주는 도면이다.
도 12는 본 발명의 다른 실시예에 따른 합성 데이터(Synthetic Data) 사용에서 (a) 합성 데이터의 정규 분포표, (b) 합성 데이터를 사용하여 생성한 가상 데이터셋을 보여주는 도면이다.
도 13은 본 발명의 다른 실시예에 따른 로그 데이터 수집을 통해 생성된 관광행태 그래프 및 노드와 엣지의 특징 정보 예시를 보여주는 도면이다.
도 14는 본 발명의 다른 실시예에 따른 그래프 신경망(Graph Neural Network)을 이용한 사용자 맞춤 관광지 추천 기능을 보여주는 도면이다.
도 15는 본 발명의 다른 실시예에 따른 그래프 신경망(Graph Neural Network)을 이용한 가상 관광지 수요 예측 기능을 보여주는 도면이다.
도 16은 본 발명의 다른 실시예에 따른 그래프 신경망(Graph Neural Network)을 이용한 가상 관광객 대상 관광지 동선 예측 기능을 보여주는 도면이다.
본 발명을 충분히 이해하기 위해서 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 설명한다. 본 발명의 실시예는 여러 가지 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상세히 설명하는 실시예로 한정되는 것으로 해석되어서는 안 된다. 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다. 따라서 도면에서의 요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현될 수 있다. 각 도면에서 동일한 부재는 동일한 참조부호로 도시한 경우가 있음을 유의하여야 한다. 또한, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략된다.
도 1에 도시된 바와 같이 본 발명은 6DoF 카메라 또는 증강 현실 카메라를 포함하고 이를 제어하는 제어 모듈로 구성, 관광DT에 연결되어 사용되는 스마트폰(100); 상기 스마트폰 내에 탑재되는 제어모듈(200)에 사용자의 현재 위치와 자세정보를 식별할 수 있는 GPS 모듈(201), WiFi 모듈(202), 지자기계 모듈(203), 자이로스코프 모듈(204);을 포함한다. 스마트폰(100)은 무선 네트워크를 통해 디지털트윈(300)과 연결되어 정보 서비스를 제공 받으며 이때 어떤 스마트폰이 어느 위치에서 어떤 상태로 관광 DT의 정보 서비스를 제공받았는지는 디지털트윈의 로그 데이터 저장소(400)에 저장된다. 관광행태그래프생성부(400)은 로그 데이터로부터 관광행태그래프를 생성하고 이를 관광행태그래프 저장소(600)에 저장한다. 사용자는 관광행태그래프분석모듈(700)을 사용하여 관광행태그래프를 통해 관광지에서 관광객들이 어떤 관광활동을 벌이는지 분석할 수 있으며, 이 단계에는 사용자가 직접 데이터를 활용할 수 있는 그래프 시각화도구(701)와 관광행태그래프를 학습하여 데이터를 분석하고 예측하는 인공지능 모델(702) 및 시뮬레이션 실행부(703)가 포함될 수 있다.
상기 GPS 모듈(201), WiFi 모듈(202), 지자기계 모듈(203), 자이로스코프 모듈(204)들의 결과 데이터를 합산하여 얻은 6 Degrees of Freedom (6DoF : 위치정보 x,y,z 또는 경도,위도,고도 + POSE정보 : Roll, Yaw, Pitch) 정보를 이용하여 사용자가 현재 어느 지점에서 어느 방향을 바라보고 있는지를 식별한다.
상기 스마트폰의 해당 센서들의 데이터를 합산하여 얻은 6DoF정보를 이용하면 사용자가 현재 어느 지점에서 어느 방향을 바라보고 있는지를 식별할 수 있다.
상기 6DoF는 위치정보로서 x, y, z 또는 경도, 위도, 고도 정보, POSE정보로서 Roll, Yaw, Pitch 정보를 포함한다.
도 2 (a), (b)에 도시된 바와 같이 관광행태 그래프는 노드, 엣지 등으로 구성되며, 관광행동(Behavior) , 시각 (Timestamp), 시간 (Duration), 비용 (Cost) 등을 포함하는 관광 행태를 반영하는 데이터를 보여준다.
상기 그래프의 노드에는 데이터 정보가 포함되고, 엣지에는 노드와 노드 사이의 관계 정보가 포함된다.
상기 노드로 표현되는 관광지를 기준으로 동일 시간대의 관광행태 그래프를 병합하고, 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 추정하여, 상기 방향 그래프에 이동이 포착된 엣지의 수를 나타내면 관광객들이 해당 경로로 이동을 반복하는 수치를 계산한다.
따라서 본 발명을 통해 진입/진출 차수(in/out degree) 정보와 가중치(Weight) 정보를 통해 상기 관광객들의 관광경로를 파악한 후, 이를 바탕으로 복수개의 관광마케팅을 실행할 수 있다.
구체적으로 살펴보면, 상기 노드는 관광지 또는 관광명소에서 관광행태가 일어난 관광지 식별 정보이고, 상기 엣지의 정보는 이전, 현재, 향후 관광객의 위치 이동 정보를 표현하는 정보이며, 진입/진출 차수(in/out degree) 정보는 복수의 관광행태 그래프를 병합한 후의 특정 노드로의 진입과 진출 노드의 수 정보이다.
상기 가중치(Weight) 정보는 단일 관광지에서 복수의 관광행동이 발생하는 경우 발생한 관광행위의 수에 적용하는 수치 정보이다.
도 3은 도 2에 따른 관광행태 그래프의 생성 예시를 보여주며, 도 4는 본 발명에 따른 기대 효과를 보여주기 위한 실시예(특정 시간대에 관광지에서의 관광객들의 이동경로를 병합한 그래프)이다.
구체적으로, 관광행태 그래프 그 자체는 관광객이 관광지에서 어떠한 활동 등을 했는지에 대한 로그(기록)의 성격을 지닌다.
이를 바탕으로 관광경험을 회고할 수 있는 가상/증강현실 콘텐츠를 자동생성 할 수 있는 대본(Script)으로 활용할 수 있다.
동일 시간대에 여러 관광객들이 생성한 복수개의 그래프를 병합하여 더 많은 정보를 얻을 수 있다.
또한 기본적으로 '노드'인 관광지를 기준으로 동일 시간대의 관광행태 그래프를 병합한다면 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 얻게 될 것이다(도4 참조).
상기 방향 그래프에 이동이 포착된 엣지의 수를 나타내면 얼마나 많은 사람들이 해당 경로를 반복하는지 어플리케이션을 통해 판단할 수 있게 된다.
상기 경로가 대다수 관광객들의 관광경로로 파악되는 것이며, 이를 바탕으로 다양한 관광마케팅을 실행할 수 있다.
상기 관광행태 그래프에 포함되는 데이터는 해당 관광지에서 관광객이 취한 관광행태를 반영하는 데이터이고, 관광객이 공간에서 취한 관광행동 정보, 관광객이 어떤 스마트 관광 API를 사용했는지에 대한 정보, 관광행위가 발생한 시각 정보, 해당 장소에 머무른 시간 또는 행위가 지속된 시간 정보, 관광객이 해당 관광행위를 위해 사용한 금전, 쿠폰, 입력정보를 포함한다.
상기 '노드'인 관광지를 기준으로 동일 시간대의 관광행태 그래프를 병합한다면 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 변환하고, 상기 방향 그래프에 이동이 포착된 엣지의 수를 나타내면 얼마나 많은 사람들이 해당 경로를 반복하는지 계산한다.
이하 본 발명의 실시를 위한 그래프 기반 관광행태 분석 방법에 대하여 자세히 설명한다.
먼저 노드로 표현되는 관광지를 기준으로 동일 시간대의 관광행태 그래프를 병합한다.
그리고 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 추정한다.
계속하여 상기 방향 그래프에 이동이 포착된 엣지의 수를 나타내면 관광객들이 해당 경로로 이동을 반복하는 수치를 계산한다.
마지막으로 상기 진입/진출 차수(in/out degree) 정보와 가중치(Weight) 정보를 통해 상기 관광객들의 관광경로를 파악한 후, 이를 바탕으로 복수개의 관광마케팅을 실행한다.
상기한 과정을 거쳐 병합된 관광행태 그래프를 바탕으로 관광 정보 추천, 커머스 정보 추천, 가상 관광지 수요 예측, 디지털 트윈 내 가상 아바타의 이동 경로 생성 등을 실행할 수 있다.
도 6에 도시된 바와 같이 본 발명에 따라 수집된 관광객의 행태 데이터 중 일부인 위치 데이터를 보정하는 것을 보여주는 도면이다.
도 7에 도시된 바와 같이 본 발명에 따라 생성된 관광행태 그래프는 관광행태그래프를 구성하는 '노드'의 개수 N에 대하여 NㅧN 차원 정사각형태의 인접 행렬로 나타낼 수 있다.
도 8에 도시된 바와 같이 인접행렬과 특징행렬의 곱을 통해 상기 '노드' 주변의 특징들을 종합하는 행렬을 생성할 수 있다.
도 9는 도 8의 연산 과정에 이어 가중치행렬 곱을 통해 모든 인접행렬과 특징행렬의 노드에 가중치를 곱하여 더하는 과정(Weight Sharing)을 보여준다.
상기 도 9까지의 과정을 통해 생성된 행렬 H'의 원소들은 인접한 '노드'들의 특징을 합한 값을 갖게 되며, 이를 Aggregation이라 한다.
상기 도10은 본 발명의 일실시예에 따라 Aggregation을 통해 인접 노드들의 특징을 종합하는 과정을 예시한 도면이다.
본 발명에 의해 생성되는 관광행태그래프는 인공지능 학습에도 사용이 가능하다. Aggregation의 반복 시행을 거쳐 산출된 값을 이용해 노드 간의 관계에 대한 맥락(Context)과 이를 나타내는 하나의 Label 값을 산출할 수 있으며 이를 이용하여 Graph Convolution Network를 학습할 수 있다.
도 11은 본 발명의 일실시예에 따라 (a) Graph Convolution Network의 구조, (b) Graph Convolution Network 수행에 따른 관광행태 그래프의 Classification을 예시한 도면이다.
행렬의 각 원소를 전체 원소의 합으로 나눔으로써 [0, 1] 구간으로 정규화 할 수 있다.
상기 도 10에 도시된 과정을 거쳐 생성된 행렬 H'을 정규화하여 상기 도10의 Graph Convolution을 수행할 수 있으며, 산출된 값들을 그래프 형태로 표시하면 각 노드들 간의 유사도와 노드 간 거리가 비례하는 것을 확인할 수 있다.
도 13은 관광객 로그 데이터 수집을 통해 생성된 관광행태 그래프 및 노드와 엣지의 특징 정보를 예시한 도면이다. 각 노드와 엣지의 특징 정보는 상기 도 8의 특징행렬(Feature Matrix)에 대응하며, 해당 관광행태 그래프를 데이터셋으로 그래프 신경망을 학습할 수 있다.
도 14는 관광행태 그래프를 엣지 단위로 학습한 그래프 신경망의 기능인 엣지 예측(Link Prediction)을 보여준다. 해당 기능을 이용하여 사용자가 이용할 것으로 예측되는 관광지를 추천하는 서비스를 제공할 수 있다.
도 15는 관광행태 그래프를 노드 단위로 학습한 그래프 신경망의 기능인 노드 예측(Node Prediction)을 보여준다. 해당 기능을 이용하여 지정된 특징(예: 20대 남성, 20대 여성)을 가진 관광객이 가장 많이 이용할 것으로 예측되는 가상 관광지를 생성하고, 그 특징을 산출할 수 있다.
도 16은 관광행태 그래프가 갖는 엣지의 가중치 값을 이용하여 무작위의 특징을 갖는 가상의 관광객이 이용할 것으로 예측되는 이동 경로를 생성하는 과정을 보여준다. 해당 기능을 이용하여 디지털 트윈 내에 생성된 가상의 아바타들에 수집된 관광객의 통계적 특징을 따르는 이동 경로를 적용하여 디지털 트윈 상에서 다양한 시뮬레이션을 수행할 수 있다.
예를 들어 본 발명은 관광행태 그래프의 관광객의 이동을 표현는 노드간의 엣지, 엣지의 방향성, 차수(degree) 및 엣지의 수를 해당 그래프의 생성 시간대, 해당 시간대의 관광지 날씨 변수와 함께 상관관계를 도출하여 관광객들의 이동 행태를 모델링하고, 이에 기반하여 가상 관광객을 생성하고 디지털트윈을 통해 관광지의 기상 및 공간의 환경 변화에 대한 관광객 행태 반응을 시뮬레이션할 수 있다.
100 : 스마트폰
200 : 제어모듈
201 : GPS 모듈
202 : WiFi 모듈
203 : 지자기계 모듈
204 : 자이로스코프 모듈
300 : 디지털트윈
400 : 관광 API 사용 로그 저장소
500 : 관광행태그래프 생성부
600 : 관광행태그래프 저장소
700 : 관광행태그래프 분석부
701 : 그래프 시각화 도구
702 : 관광행태 그래프 분석 인공지능
703 : 관광행태 시뮬레이션 실행부
200 : 제어모듈
201 : GPS 모듈
202 : WiFi 모듈
203 : 지자기계 모듈
204 : 자이로스코프 모듈
300 : 디지털트윈
400 : 관광 API 사용 로그 저장소
500 : 관광행태그래프 생성부
600 : 관광행태그래프 저장소
700 : 관광행태그래프 분석부
701 : 그래프 시각화 도구
702 : 관광행태 그래프 분석 인공지능
703 : 관광행태 시뮬레이션 실행부
Claims (9)
- 노드로 표현되는 관광지를 기준으로 동일 시간대의 관광행태 그래프를 병합하는 단계;
관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 추정하는 단계;
상기 방향 그래프에 이동이 포착된 엣지의 수를 나타내면 관광객들이 해당 경로로 이동을 반복하는 수치를 계산하는 단계;를 포함하는 그래프 기반 관광행태 분석 방법.
- 청구항 1에 있어서,
진입 및 진출 차수(in/out degree) 정보와 가중치(Weight) 정보를 통해 상기 관광객들의 관광경로를 파악한 후, 이를 바탕으로 복수개의 관광마케팅을 실행하는 마케팅 단계;를 포함하는 그래프 기반 관광행태 분석 방법.
- 청구항 1에 있어서,
상기 노드는 관광지 또는 관광명소에서 관광행태가 일어난 관광지 식별 정보이고, 상기 관광지 식별 정보는 고유 식별 정보로서 분산 설치된 무선 센서 네트워크(WSN:Wireless Sensor Network)의 다중 센서 노드로 부터 발생되는 것을 특징으로 하는 그래프 기반 관광행태 분석 방법.
- 청구항 1에 있어서,
상기 엣지의 정보는 상기 노드와 노드가 연결되는 정보이며, 상기 엣지의 정보를 추적하여 이전, 현재의 위치 이동 정보를 표현하고, 향후 관광객의 위치 이동 정보를 추론하는 것을 특징으로 하는 그래프 기반 관광행태 분석 방법.
- 청구항 2에 있어서,
상기 진입 및 진출 차수(in/out degree) 정보는 복수의 관광행태 그래프를 병합한 후의 특정 노드로의 진입과 진출 수치 정보인 것을 특징으로 하는 그래프 기반 관광행태 분석 방법.
- 청구항 2에 있어서,
상기 가중치(Weight) 정보는 단일 관광지에서 복수의 관광행동이 발생하는 경우 발생한 관광행위의 수에 적용하는 수치 정보인 것을 특징으로 하는 그래프 기반 관광행태 분석 방법.
- 청구항 1에 있어서,
상기 관광행태 그래프에 해당 관광지에서 관광객이 취한 관광행태를 반영하는 데이터를 포함시키고,
상기 관광행태를 반영하는 데이터는 관광객이 공간에서 취한 관광행동 정보, 관광객이 어떤 종류의 스마트 관광 API를 사용했는지에 대한 정보, 관광행위가 발생한 시각 정보, 해당 장소에 머무른 시간 또는 행위가 지속된 시간 정보, 관광객이 해당 관광행위를 위해 사용한 금전, 쿠폰, 입력정보를 포함하며,
상기 노드를 기준으로 동일 시간대의 복수개의 관광행태 그래프를 병합하고, 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 변환하고, 상기 방향 그래프에 이동이 포착된 엣지의 수를 통해 관광객들이 해당 경로를 반복하는 횟수를 계산하는 것을 특징으로 하는 그래프 기반 관광행태 분석 방법.
- 그래프 기반 관광행태 분석 시스템에 있어서,
관광행태 그래프에 해당 관광지에서 관광객이 취한 관광행태를 반영하는 데이터를 포함시키고,
상기 관광행태를 반영하는 데이터는 관광객이 공간에서 취한 관광행동 정보, 관광객이 어떤 종류의 스마트 관광 API를 사용했는지에 대한 정보, 관광행위가 발생한 시각 정보, 해당 장소에 머무른 시간 또는 행위가 지속된 시간 정보, 관광객이 해당 관광행위를 위해 사용한 금전, 쿠폰, 입력정보를 포함하며,
노드를 기준으로 동일 시간대의 복수개의 관광행태 그래프를 병합하고, 관광객들이 해당 시간대에 관광지에서 이동한 경로를 방향 그래프로 변환하고, 상기 방향 그래프에 이동이 포착된 엣지의 수를 통해 관광객들이 해당 경로를 반복하는 횟수를 계산하는 것을 특징으로 하는 그래프 기반 관광행태 분석 시스템.
- 그래프 기반 관광행태 분석 시스템에 있어서,
관광행태 그래프의 관광객의 이동을 표현는 노드간의 엣지, 엣지의 방향성, 차수(degree) 및 엣지의 수를 해당 그래프의 생성 시간대, 해당 시간대의 관광지 날씨 변수와 함께 상관관계를 도출하여 관광객들의 이동 행태를 모델링하고, 이에 기반하여 가상 관광객을 생성하고 디지털트윈을 통해 관광지의 기상 및 공간의 환경 변화에 대한 관광객 행태 반응을 시뮬레이션할 수 있는 그래프 기반 관광행태 분석 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056414A KR102573260B1 (ko) | 2021-04-30 | 2021-04-30 | 그래프 기반 관광행태 분석 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056414A KR102573260B1 (ko) | 2021-04-30 | 2021-04-30 | 그래프 기반 관광행태 분석 시스템 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220149151A true KR20220149151A (ko) | 2022-11-08 |
| KR102573260B1 KR102573260B1 (ko) | 2023-08-31 |
Family
ID=84041370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210056414A KR102573260B1 (ko) | 2021-04-30 | 2021-04-30 | 그래프 기반 관광행태 분석 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102573260B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100970475B1 (ko) * | 2009-12-18 | 2010-07-16 | (주)디큐 | 문화관광 행사 서비스 디자인 및 시뮬레이션 시스템 및 방법 |
| KR101212057B1 (ko) * | 2012-04-09 | 2012-12-13 | 장준호 | 관광객의 관광행동패턴 예측모델을 이용한 관광정보 제공시스템 및 그 제공방법 |
| KR20170039535A (ko) * | 2015-10-01 | 2017-04-11 | 주식회사 저스트아이디어 | 지역 특화 빅데이터 분석 및 플랫폼 시스템 |
| KR20200017580A (ko) * | 2018-07-26 | 2020-02-19 | 주식회사 인포마인드 | 기상정보 빅데이터를 이용한 스마트 관광 시스템 |
| KR20200132532A (ko) * | 2019-05-17 | 2020-11-25 | 제주한라대학교산학협력단 | 관광지 방문객 관제시스템 및 그 관제방법 |
-
2021
- 2021-04-30 KR KR1020210056414A patent/KR102573260B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100970475B1 (ko) * | 2009-12-18 | 2010-07-16 | (주)디큐 | 문화관광 행사 서비스 디자인 및 시뮬레이션 시스템 및 방법 |
| KR101212057B1 (ko) * | 2012-04-09 | 2012-12-13 | 장준호 | 관광객의 관광행동패턴 예측모델을 이용한 관광정보 제공시스템 및 그 제공방법 |
| KR20170039535A (ko) * | 2015-10-01 | 2017-04-11 | 주식회사 저스트아이디어 | 지역 특화 빅데이터 분석 및 플랫폼 시스템 |
| KR20200017580A (ko) * | 2018-07-26 | 2020-02-19 | 주식회사 인포마인드 | 기상정보 빅데이터를 이용한 스마트 관광 시스템 |
| KR20200132532A (ko) * | 2019-05-17 | 2020-11-25 | 제주한라대학교산학협력단 | 관광지 방문객 관제시스템 및 그 관제방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102573260B1 (ko) | 2023-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kyrkou et al. | EmergencyNet: Efficient aerial image classification for drone-based emergency monitoring using atrous convolutional feature fusion | |
| CN109697435B (zh) | 人流量监测方法、装置、存储介质及设备 | |
| Puttinaovarat et al. | Flood forecasting system based on integrated big and crowdsource data by using machine learning techniques | |
| Felemban et al. | Digital revolution for Hajj crowd management: A technology survey | |
| Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
| Dodge | A data science framework for movement | |
| US20190272553A1 (en) | Predictive Modeling with Entity Representations Computed from Neural Network Models Simultaneously Trained on Multiple Tasks | |
| Tang et al. | Integration of diverse data sources for spatial PM2. 5 data interpolation | |
| Čeke et al. | Early effort estimation in web application development | |
| CN114519302B (zh) | 基于数字孪生的公路交通态势仿真方法 | |
| US10586358B1 (en) | System and method for visualization of beacon clusters on the web | |
| Dodge | From observation to prediction: the trajectory of movement research in GIScience | |
| CN113158391B (zh) | 多维网络节点分类的可视化方法、系统、设备和存储介质 | |
| Pang et al. | Development of people mass movement simulation framework based on reinforcement learning | |
| Bamaqa et al. | SIMCD: SIMulated crowd data for anomaly detection and prediction | |
| Cortez et al. | Forecasting store foot traffic using facial recognition, time series and support vector machines | |
| CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
| Feng et al. | A survey of visual analytics in urban area | |
| Wang et al. | A hypergraph-based hybrid graph convolutional network for intracity human activity intensity prediction and geographic relationship interpretation | |
| CN113705293A (zh) | 图像场景的识别方法、装置、设备及可读存储介质 | |
| Gupta et al. | Cnn-based semantic change detection in satellite imagery | |
| KR102573260B1 (ko) | 그래프 기반 관광행태 분석 시스템 및 그 방법 | |
| Zhao et al. | Developing a multiview spatiotemporal model based on deep graph neural networks to predict the travel demand by bus | |
| Villanueva et al. | Data stream visualization framework for smart cities | |
| US20230258461A1 (en) | Interactive analytical framework for multimodal transportation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |