KR20230035793A - 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치 - Google Patents

실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치 Download PDF

Info

Publication number
KR20230035793A
KR20230035793A KR1020210118226A KR20210118226A KR20230035793A KR 20230035793 A KR20230035793 A KR 20230035793A KR 1020210118226 A KR1020210118226 A KR 1020210118226A KR 20210118226 A KR20210118226 A KR 20210118226A KR 20230035793 A KR20230035793 A KR 20230035793A
Authority
KR
South Korea
Prior art keywords
disaster
area
spread
building
prediction
Prior art date
Application number
KR1020210118226A
Other languages
English (en)
Other versions
KR102537964B1 (ko
Inventor
유상조
Original Assignee
인하대학교 산학협력단
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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020210118226A priority Critical patent/KR102537964B1/ko
Publication of KR20230035793A publication Critical patent/KR20230035793A/ko
Application granted granted Critical
Publication of KR102537964B1 publication Critical patent/KR102537964B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)

Abstract

실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치가 제시된다. 본 발명에서 제안하는 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법은 건물의 구조 및 구성에 따른 건물 기본구조요소를 구분하는 단계, 실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하는 단계, 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 단계 및 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 단계를 포함한다.

Description

실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치{Ensemble Prediction Method and Apparatus of Disaster Propagation Area Using Machine Learning Models for Elementary Structural Components in Indoor Disaster Environments}
본 발명은 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치에 관한 것이다.
건물 내의 재난을 감지하기 위해서는 건물 내에 다양한 종류의 센서를 설치하고 센서로부터의 주기/비주기적인 센싱데이터를 기초로 서버에서 재난 여부와 재난 지역을 판단하게 된다. 센서 간의 네트워킹과 센서 데이터의 전달 및 처리를 위해서는 무선센서네트워크(Wireless Sensor Network; WSN) 및 사물인터넷(Internet of Things; IoT) 기술이 사용된다.
현재 재난 상황을 기초로 센서네트워크 라우팅 경로 재설정, 건물 내 사용자의 효율적인 탈출 경로 도출, 건물 내 재난 대응 시설의 작동을 위해서는 서로 다른 시간 이후에 재난이 어느 범위까지 확산될 것인가에 대한 예측이 필요하다. 재난 범위의 예측은 실외 환경과는 다른 측면이 존재하는데, 실외환경에서는 계절, 온도, 바람 등의 외부요인에 의해 재난의 확산범위가 결정되는 주요 변수인 데 비해, 대형건물의 실내는 건물의 구조, 건물 구조물의 구성, 내부 구성품 등에 주로 영향을 받는다. 따라서 실내 환경에서의 재난 범위의 시간적 예측은 매우 어렵다.
기존 딥러닝 등을 통한 재난범위 예측에서는 기계학습 모델을 학습하기 위해 해당 건물에 대한 아주 많은 양의 재난 데이터가 필요하다. 실제 빌딩에 대해 화재 시 발생하는 데이터를 건물 내 각 지점에서 화재를 발생시켜 획득할 수 없으므로 많은 데이터를 기반으로 하는 데이터 기반 학습을 사용하기 어렵다.
한국 등록특허 제10-1771579호(2017.08.21)
본 발명이 이루고자 하는 기술적 과제는 실내 재난환경에서 건물 안에 있는 인명 및 시설들의 피해를 최소화하기 위해 건물 내 사용자의 안전하고 신속한 대피 경로를 도출하거나 방화벽 동작 및 대응 시설을 적절한 시간에 동작하기 위해 동작에 필요한 시간대 별 건물 내 재난의 확산 영역을 추정하기 위한 방법 및 장치를 제공하는데 있다. 또한, 건물 내 센서 노드들로부터 획득된 재난 상황을 근거로 현재 시점 재난영역(Disaster Area; DA)을 정의하고, 재난영역으로부터 재난반경(disaster radius)을 정의하여 임의시간 후에 재난반경의 확산을 추정하도록 하며, 추정된 재난확산 반경으로부터 건물 내 건물 구조를 반영하는 센서 노드 위치를 기반으로 한 재난확산 영역(Disaster Propagation Area; DPA)을 도출하고자 한다. 또한, 건물의 실제 화재 데이터를 대량으로 확보할 필요 없이 건물의 기본구조요소를 정의하고 기본구조요소 별 학습방법과 기본구조요소 별 모델을 이용하여 실제 재난환경에서 재난확산 영역을 추정하기 위한 앙상블 방법을 제공하고자 한다.
일 측면에 있어서, 본 발명에서 제안하는 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법은 건물의 구조 및 구성에 따른 건물 기본구조요소를 구분하는 단계, 실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하는 단계, 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 단계 및 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 단계를 포함한다.
상기 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 단계는 재난 발생의 발화점으로부터 가장 먼 거리에 있는 센서 노드를 최외곽 재난검출 센서 노드로 정의하고, 최외곽 재난검출 센서 노드들을 직선으로 연결한 영역을 재난영역으로 정의하며, 재난영역 평균반경은 최외곽 재난 검출 센서 노드들의 재난 발생의 발화점으로부터의 거리를 평균하여 정의한다.
상기 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 단계는 상기 재난확산 예측영역을 추정하기 위해, 각 공간적 섹터 별로 미리 정해진 시간 동안 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하고, 각 공간적 섹터 별로 미리 정해진 시간 동안 수행된 상기 기계학습에 따른 가중치 결합을 이용하여 앙상블 모델 추정기법을 통해 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정한다.
본 발명의 실시예에 따른 앙상블 모델 추정기법은 특정 시간에 대하여 정의된 재난영역 및 재난영역 평균반경과 해당 특정 시간에 대하여 예측된 재난확산 예측영역 및 재난확산 예측영역 평균반경을 비교하여 추정치와 추정오류를 계산하고, 건물 기본구조요소 별 재난확산 회귀모델의 추정오류를 기반으로 앙상블 모델 추정기법을 위한 앙상블 파라미터를 업데이트하고, 업데이트된 앙상블 파라미터를 이용하여 건물 기본구조요소 별 가중치 합을 수행하여, 최종 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 장치는 건물의 구조 및 구성에 따른 건물 기본구조요소를 구분하고, 실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하며, 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 회귀모델 학습부 및 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 앙상블 모델 추정부를 포함한다.
본 발명의 실시예들에 따르면 실내 재난환경에서 건물 안에 있는 인명 및 시설들의 피해를 최소화하기 위해 건물 내 사용자의 안전하고 신속한 대피 경로를 도출하거나 방화벽 동작 및 대응 시설을 적절한 시간에 동작하기 위해 동작에 필요한 시간대 별 건물 내 재난의 확산 영역을 추정할 수 있다. 또한, 건물 내 센서 노드들로부터 획득된 재난 상황을 근거로 현재 시점 재난영역(Disaster Area; DA)을 정의하고, 재난영역으로부터 재난반경(disaster radius)을 정의하여 임의시간 후에 재난반경의 확산을 추정하도록 하며, 추정된 재난확산 반경으로부터 건물 내 건물 구조를 반영하는 센서 노드 위치를 기반으로 한 재난확산 영역(Disaster Propagation Area; DPA)을 도출할 수 있다. 또한, 제안하는 앙상블 방법을 통해 건물의 실제 화재 데이터를 대량으로 확보할 필요 없이 건물의 기본구조요소를 정의하고 기본구조요소 별 학습방법과 기본구조요소 별 모델을 이용하여 실제 재난환경에서 재난확산 영역을 추정할 수 있다.
도 1은 본 발명의 일 실시예에 따른 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 장치의 구성을 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 건물의 구조 및 구성을 복수의 기본구조요소를 구분하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 물의 내 구성이 다른 환경에서 재난 발생 시 발화점을 기준으로 복수의 공간적 섹터로 구분하여 각 공간적 섹터 별 재난확산 영역을 예측하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 재난검출 센서 노드들의 분포에 따라 재난영역 및 재난영역 평균반경, 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 건물 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 통해 예측된 값과 관측된 재난영역을 비교하여 동적으로 건물 기본구조요소 별 학습모델의 가중치를 조절하여 앙상블 하는 방법을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 센서 노드로부터의 재난검출 결과와 사전에 학습된 건물 기본구조요소 별 학습모델들의 앙상블 가중치를 실시간으로 학습하여 재난확산 예측영역을 추정하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 관측값 및 모델 별 예측값을 이용하여 재난확산 예측영역 평균반경을 도출하는 과정을 설명하기 위한 도면이다.
본 발명은 실내 재난환경에서 기계학습을 이용하여 동적으로 재난확산 영역을 예측하는 방법 및 장치에 대한 것으로, 더욱 상세하게는 화재, 지진, 가스누출 등을 포함하는 건물 내에서 발생하는 재난상황에서, 센서 노드들을 통해 획득한 현재 재난 상황을 바탕으로 다양한 시간 단위 후의 예측되는 재난확산 영역의 범위를 특정하는 것이다. 실제 대형 빌딩이나 복합건물에 대해 대량의 재난 데이터를 사전에 확보하여 예측 모델을 학습하는 것은 현실적으로 어려우므로, 건물의 구조 및 구성에 있어 기본구조요소들(elementary structural components)을 정의하고 기본구조에 대한 모델 학습을 사전에 진행한 후, 실제 재난 상황에서는 기본구조 모델을 앙상블(ensemble) 하여 재난확산 영역을 추정하는 방법에 관한 것이다. 다시 말해, 실내 재난환경에서 다양한 재난 대응 동작을 재난이 확산되기 전에 수행하기 위해, 건물의 기본구조요소 별 간단한 기계학습 모델을 학습하고 실제 재난환경에서는 간단한 기계학습 모델을 이용하여 동적으로 계산되는 가중치를 이용하는 앙상블 학습방법과 이를 통해 시간에 따른 건물 내 재난확산 영역을 추정하는 방법을 제안한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법을 설명하기 위한 흐름도이다.
본 발명은 건물 내에 고정된 위치에 설치된 센서 노드로부터 재난 센싱 데이터를 수집하여, 재난이 건물 내 어느 영역까지 확산될 것인가를 예측하기 위해, 건물의 기본구조요소 별 재난확산 회귀모델을 학습하고, 실제 여러 기본구조요소가 합쳐진 건물의 재난 발생 시 기본구조요소의 예측 오류를 계산하여 기본구조요소 모델 추정치를 동적으로 앙상블 하여 예측의 정확도를 높이는 것을 특징으로 한다. 이하, 본 발명에서 주로 사용되는 용어에 대하여 설명한다.
본 발명의 실시예에 따른 센서 노드는 건물 내 재난 상황을 검출하고 모니터링 하기 위해 고정된 위치에 설치되며 서버는 센서 노드 별 설치된 위치를 사전에 알고 있다. 센서 노드에서 관측된 정보는 무선센서네트워크를 통해 서버에 전달될 수 있다.
본 발명의 실시예에 따른 건물 기본구조요소(elementary structural component)는 건축물의 건축방식(예를 들어, 철근콘크리트, 목재, 석재 등), 내부 구조(예를 들어, 사무공간, 주거공간), 내부소재 등을 특징으로 재난확산 모델링에서 전형적 특징을 보이는 것을 의미한다.
본 발명의 실시예에 따른 비선형 회귀(non-linear regression) 모델은 관측 데이터가 모델 매개변수의 비선형 조합이고 하나 이상의 독립 변수에 의존하는 함수에 의해 모델링되는 회귀 분석의 한 형태이다. 화재, 화학물질 확산 등 대부분의 재난 상황은 시간에 따라 재난 범위의 확산이 비선형 특징을 갖기 때문에 본 발명에서는 비선형 회귀모델을 사용한 기본구조요소 각각에 대해 별도의 학습을 진행한다.
제안하는 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법은 건물의 구조 및 구성에 따른 건물 기본구조요소를 구분하는 단계(110), 실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하는 단계(120), 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 단계(130) 및 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 단계(140)를 포함한다.
단계(110)에서, 건물의 구조 및 구성에 따른 건물 기본구조요소를 구분한다. 재난확산 특성을 고려하여 특정 소재나 구조를 갖는 복수의 건물 기본구조요소로 구분하고 각 기본구조요소 별로 재난 데이터를 이용하여 비선형 회귀모델(regression model)의 기계학습을 수행하도록 할 수 있다.
단계(120)에서, 실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행한다.
본 발명의 실시예에 따른 기본구조요소 별 학습된 재난확산 회귀모델은 기본요소회귀모델(Elementary Component Regression Model: ECM)(다시 말해, 건물 기본구조요소 별 재난확산 회귀모델)이라고 정의한다.
이러한 회귀모델은 시간에 따른 재난확산 반경(disaster propagation radius)을 맵핑하는 파라미터로 규정된다. 기본구조요소 별 재난확산 회귀모델을 통한 기계학습은 전체 빌딩의 복합적 요소에 대한 많은 양의 데이터를 필요하지 않아 제한된 실험공간에서의 실험 데이터나 잘 알려져 있는 모델에 빌딩의 기본구조 요소의 상황 파라미터를 적용하여 데이터를 이용할 수 있다. 본 발명의 실시예에 적용하기 위한 비선형 회귀모델로는 기존 다양한 회귀모델 방법들을 사용할 수 있다.
단계(130)에서, 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의한다.
먼저, 재난 발생의 발화점으로부터 가장 먼 거리에 있는 노드를 최외곽 재난검출 센서 노드로 정의하고, 최외곽 재난검출 센서 노드들을 직선으로 연결한 영역을 재난영역으로 정의할 수 있다. 재난영역 평균반경은 최외곽 재난 검출 센서 노드들의 재난 발생의 발화점으로부터의 거리를 평균하여 정의할 수 있다.
단계(140)에서, 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정한다.
상기 재난확산 예측영역을 추정하기 위해, 각 공간적 섹터 별로 미리 정해진 시간 동안 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행한다. 각 공간적 섹터 별로 미리 정해진 시간 동안 수행된 상기 기계학습에 따른 가중치 결합을 이용하여 앙상블 모델 추정기법을 통해 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정할 수 있다.
본 발명의 실시예에 따른 앙상블 모델 추정기법은 특정 시간에 대하여 정의된 재난영역 및 재난영역 평균반경과 해당 특정 시간에 대하여 예측된 재난확산 예측영역 및 재난확산 예측영역 평균반경을 비교하여 추정치와 추정오류를 계산할 수 있다. 건물 기본구조요소 별 재난확산 회귀모델의 추정오류를 기반으로 앙상블 모델 추정기법을 위한 앙상블 파라미터를 업데이트하고, 업데이트된 앙상블 파라미터를 이용하여 건물 기본구조요소 별 가중치 합을 수행한다. 이를 이용하여 최종 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정할 수 있다.
도 2는 본 발명의 일 실시예에 따른 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 장치의 구성을 나타내는 도면이다.
제안하는 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 장치(200)는 회귀모델 학습부(210) 및 앙상블 모델 추정부(220)를 포함할 수 있다.
회귀모델 학습부(210)는 건물의 구조 및 구성에 따른 건물 기본구조요소를 구분한다. 재난확산 특성을 고려하여 특정 소재나 구조를 갖는 복수의 건물 기본구조요소로 구분하고 각 기본구조요소 별로 재난 데이터를 이용하여 비선형 회귀모델(regression model)의 기계학습을 수행하도록 할 수 있다.
회귀모델 학습부(210)는 실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행한다.
본 발명의 실시예에 따른 기본구조요소 별 학습된 재난확산 회귀모델은 기본요소회귀모델(Elementary Component Regression Model: ECM)이라고 정의한다.
이러한 회귀모델은 시간에 따른 재난확산 반경(disaster propagation radius)을 맵핑하는 파라미터로 규정된다. 기본구조요소 별 재난확산 회귀모델을 통한 기계학습은 전체 빌딩의 복합적 요소에 대한 많은 양의 데이터를 필요하지 않아 제한된 실험공간에서의 실험 데이터나 잘 알려져 있는 모델에 빌딩의 기본구조 요소의 상황 파라미터를 적용하여 데이터를 이용할 수 있다. 본 발명의 실시예에 적용하기 위한 비선형 회귀모델로는 기존 다양한 회귀모델 방법들을 사용할 수 있다.
회귀모델 학습부(210)는 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의한다.
먼저, 재난 발생의 발화점으로부터 가장 먼 거리에 있는 노드를 최외곽 재난검출 센서 노드로 정의하고, 최외곽 재난검출 센서 노드들을 직선으로 연결한 영역을 재난영역으로 정의할 수 있다. 재난영역 평균반경은 최외곽 재난 검출 센서 노드들의 재난 발생의 발화점으로부터의 거리를 평균하여 정의할 수 있다.
앙상블 모델 추정부(220)는 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정한다.
앙상블 모델 추정부(220)는 재난확산 예측영역을 추정하기 위해, 각 공간적 섹터 별로 미리 정해진 시간 동안 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행한다. 각 공간적 섹터 별로 미리 정해진 시간 동안 수행된 상기 기계학습에 따른 가중치 결합을 이용하여 앙상블 모델 추정기법을 통해 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정할 수 있다.
앙상블 모델 추정부(220)는 특정 시간에 대하여 정의된 재난영역 및 재난영역 평균반경과 해당 특정 시간에 대하여 예측된 재난확산 예측영역 및 재난확산 예측영역 평균반경을 비교하여 추정치와 추정오류를 계산할 수 있다. 건물 기본구조요소 별 재난확산 회귀모델의 추정오류를 기반으로 앙상블 모델 추정기법을 위한 앙상블 파라미터를 업데이트하고, 업데이트된 앙상블 파라미터를 이용하여 건물 기본구조요소 별 가중치 합을 수행한다. 이를 이용하여 최종 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정할 수 있다.
도 3은 본 발명의 일 실시예에 따른 건물의 구조 및 구성을 복수의 기본구조요소를 구분하는 과정을 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, 건물의 구조 및 구성을
Figure pat00001
개의 기본구조요소로 규정하고, 각 기본구조요소에 대해 시간에 따른 재난확산 모델링을 수행할 수 있다.
본 발명의 실시예에 따라 대상이 되는 빌딩구조(310)를 재난확산 특성을 고려하여 특정 소재 나 구조를 갖는
Figure pat00002
개의 기본구조요소(320)로 정의하고, 각 기본구조요소 별로 재난 데이터를 이용하여 기계학습 중 간단한 형태의 비선형 회귀모델(regression model)을 통해 학습한다(330).
본 발명의 실시예에 따른 학습된 기본구조요소 별 재난확산 회귀모델은 기본요소회귀모델(Elementary Component Regression Model: ECM)이라고 정의한다. 기본요소회귀모델은 시간에 따른 재난확산 반경(disaster propagation radius)을 맵핑하는 파라미터로 규정된다. 기본구조요소 별 학습은 전체 빌딩의 복합적 요소에 대한 많은 양의 데이터를 필요하지 않아 제한된 실험공간에서의 실험 데이터나 잘 알려져 있는 모델에 빌딩의 기본구조요소의 상황 파라미터를 적용하여 데이터를 이용할 수 있다. 본 발명의 실시예에 따른 비선형 회귀모델로는 기존 다양한 회귀모델 방법들을 사용할 수 있다.
도 4는 본 발명의 일 실시예에 따른 물의 내 구성이 다른 환경에서 재난 발생 시 발화점을 기준으로 복수의 공간적 섹터로 구분하여 각 공간적 섹터 별 재난확산 영역을 예측하는 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따라 건물 내 구성이 다른 환경에서 재난 시작점을 중심으로
Figure pat00003
개의 섹터(도 4의 예시에서는
Figure pat00004
) 재난확산 예측을 수행하는 과정에서, 각 섹터 별로 시간에 따라 기본구조요소의 구성이 적절히 앙상블 되어 예측을 수행하는 과정의 예시를 도시한 도면이다.
도 4(a)는 재난 발생 시 발화점을 기준으로 복수의 공간적 섹터로 구분하는 예시를 도시한 도면이고, 도 4(b)는 각 공간적 섹터 별로 시간에 따라 재난확산 영역을 예측하는 과정의 예시를 도시한 도면이다.
도 4(a)를 참조하여, 빌딩 내 기본구조요소들이 혼합되어 존재하는 상황에 대한 본 발명의 실시예에 따른 학습과정의 예시를 설명한다. 도 4의 예시에서 건물 내부는 재난 발생 시 발화점(411) 주변으로 기본구조요소 1만으로 구성된 부분(412)과 기본구조요소 1과 기본구조요소 2가 혼합된 형태로 구성된 부분(413)과 기본구조요소 3으로만 구성된 부분(414)이 존재할 수 있다.
본 발명의 실시 예에 따라 건물의 재난확산 모델을 학습하는 운용자는 학습모델의 정확도를 높이기 위해 발화점(411)을 기준으로 복수의 공간적 섹터(sector)로 나누어 섹터 별 재난확산 예측을 수행할 수 있다. 섹터의 수는 재난 발생 시점에 운용자에 의해 임의값으로 설정될 수 있다. 도 4(b)의 예시에서는 발화점을 중심으로 3개의 섹터로 나누어 예측을 수행한다. 본 발명의 앙상블 예측에 의해 발화점을 중심으로 섹터 1(421)은 기본구조요소 학습모델 1을 이용한 예측이 사용될 수 있고, 섹터 2(422)는 시간 t1까지는 기본구조요소 모델 M1으로 예측되고, 시간 t1 이후부터는 '(기본구조요소 모델 M1) + 0.7*(기본구조요소모델 M2)'로 예측될 수 있다. 섹터 3(423)은 t2까지는 기본구조요소 모델 M1으로 예측되고, 시간 t2 이후부터는 기본구조요소 모델 M3으로 예측될 수 있다. 이러한 섹터 별 시간에 따른 기본구조요소 모델의 가중치 결합은 본 발명의 실시예에 따른 앙상블 모델 추정기법을 이용한 앙상블 가중치 추정에 의해 결정될 수 있다.
도 5는 본 발명의 일 실시예에 따른 재난검출 센서 노드들의 분포에 따라 재난영역 및 재난영역 평균반경, 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른 재난 발생 시 발화점을 기준으로 센서들의 재난 검출 결과를 이용하여 재난영역(Disaster Area: DA)과 재난확산영역(Disaster Propagation Area: DPA)을 구하는 예시를 도시한다.
건물 내 위치를 알고 있는 센서들로부터의 주기/비주기적 센싱 결과를 이용하여 재난검출 센서 노드(510), 최외곽(outermost) 재난검출 센서 노드(520), 재난 비검출 센서 노드(530)로 구분된다. 최외곽 재난검출 센서 노드(520)를 선정하기 위해 최외곽 센서 노드 검출 각도
Figure pat00005
(521)를 정의한다.
Figure pat00006
는 운용자에 의해 사전에 정의되는 파라미터로, 겹쳐지지 않게
Figure pat00007
각도로 운용자에 의해 정의되는 섹터 범위를 구분한다.
도 5의 예시에서
Figure pat00008
는 전체 섹터 영역을 8등분하여
Figure pat00009
는 45도이다. 최외곽 센서 노드 검출 각도
Figure pat00010
범위에서 재난을 검출한 센서 노드 중 재난 발화점에서 가장 먼 거리에 있는 노드를 최외곽 재난검출 센서 노드로 정의한다. 이후, 최외곽 재난검출 센서 노드들을 직선으로 연결한 영역이 재난영역(DA)(540)으로 정의된다. 재난영역(DA)은 임의의 모양을 가질 수 있다. 시간
Figure pat00011
시점에서 재난영역 평균반경(
Figure pat00012
)(550)은 최외곽 재난검출 센서 노들의 재난 발화점부터의 거리를 평균하여 구한다. 재난영역 평균반경을 관측결과 값으로 하여 본 발명에서 제안하는 학습방법에 의해
Figure pat00013
시간 이후 건물 내 재난확산영역(DPA) 평균반경(
Figure pat00014
)(560)을 예측하게 된다. 예측 시간
Figure pat00015
는 재난 대응 목적, 대난 대응 시설, 재난 대응을 위한 기능 등에 따라 다양한 값이 사용될 수 있다. 예를 들어, 건물 내 개별 사람들의 최적 탈출 경로를 도출하는 응용에서는 건물을 탈출하는데 필요한 최소시간(예를 들어, 수십초 ~ 수분)이
Figure pat00016
가 될 수 있고, 재난 상황을 고려한 긴급데이터 전달 등의 예시에서는 수초 단위의
Figure pat00017
가 사용될 수 있다. 시간 (
Figure pat00018
) 시점에 건물 내의 재난확산영역(DPA) 추정을 위해, 시간
Figure pat00019
시점의 모든 최외곽 재난검출 센서 노드의 위치 (
Figure pat00020
)에 대해 [수학식 1]을 수행한다.
수학식 1
Figure pat00021
[수학식 1]에서
Figure pat00022
는 시간 (
Figure pat00023
)의 재난확산영역(DPA) 평균반경(
Figure pat00024
)에서 시간
Figure pat00025
에서의 재난영역 평균반경(
Figure pat00026
)을 뺀 값이다. 시간 (
Figure pat00027
) 시점에 건물 내의 재난확산 영역(DPA)(570)은 모든
Figure pat00028
위치들을 직선으로 연결한 영역이 된다. 정의된 시간
Figure pat00029
이후 재난확산 영역을 예측함으로써 다양한 재난 대응 동작이 가능하다.
도 6은 본 발명의 일 실시예에 따른 건물 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 통해 예측된 값과 관측된 재난영역을 비교하여 동적으로 건물 기본구조요소 별 학습모델의 가중치를 조절하여 앙상블 하는 방법을 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, 현재 시각
Figure pat00030
에서
Figure pat00031
시간 이후 건물 내 재난확산영역(DPA) 평균반경(
Figure pat00032
)을 기본구조요소 별 학습모델들의 앙상블 가중치 방식을 이용하여 추정하는 구조를 보여준다. 현재 실내 재난환경(610)에서 도 5에서 설명한 시간
Figure pat00033
시점의 재난영역 평균반경(
Figure pat00034
)(620)을 계산한다. 사전에 학습된
Figure pat00035
개의 기본요소회귀모델(ECRM)에 대해, 각 기본요소회귀모델
Figure pat00036
(630)을 이용하여 시간
Figure pat00037
시점에 대한 재난 예측 반경
Figure pat00038
(640)을 구하고 관측된 시간
Figure pat00039
시점의 재난영역 평균반경(
Figure pat00040
)과의 각 ECRM의 추정치와의 추정오류를 계산한다(650). 학습모델 별 추정오류를 기반으로 앙상블 파라미터
Figure pat00041
를 업데이트한다(660). 각 기본요소회귀모델(
Figure pat00042
)로부터 시간 (
Figure pat00043
)시점의 재난확산영역 반경
Figure pat00044
(670)을 추정한다. 추정된 각 기본요소회귀모델의
Figure pat00045
이 업데이트된 앙상블 파라미터를 이용하여 가중치 합을 수행한다(680). 가중치 합을 수행한 결과는 시간 (
Figure pat00046
) 시점에서 최종적으로 예측된 재난확산영역 평균반경(
Figure pat00047
)이 된다(690).
도 7은 본 발명의 일 실시예에 따른 센서 노드로부터의 재난검출 결과와 사전에 학습된 건물 기본구조요소 별 학습모델들의 앙상블 가중치를 실시간으로 학습하여 재난확산 예측영역을 추정하는 과정을 설명하기 위한 도면이다.
먼저, 재난 발생시 발화점(다시 말해, 시작위치)을 중심으로 복수의 공간적 섹터를 나누고 각 섹터에 대해(701) 중첩되지 않는 각
Figure pat00048
범위(702)에 있는 재난검출 센서 노드 중 가장 거리가 먼 최외곽 재난검출 센서 노드를 도출한다(703). 최외곽 재난검출 센서 노드 도출을 위해 각
Figure pat00049
에 대한 검출을 수행하고(704), 섹터 내의 모든 각
Figure pat00050
에 대한 검출을 반복 수행한다(705). 섹터 내의 중첩 없이 모든
Figure pat00051
에 대해 최외곽 재난검출 센서 노드를 도출하였으면, 도 5에서와 같이 최외곽 센서 노드를 직선으로 연결한 현재 시각
Figure pat00052
에서의 재난영역(DA)을 도출하고(706), 재난영역 평균반경(
Figure pat00053
)(707)을 도출한다. 이미 학습된
Figure pat00054
개의 기본구조요소 별 재난확산 회귀모델 각각에 대해 재난확산영역 반경에 대한 예측을 수행한다.
Figure pat00055
시간에 계산된 재난영역 평균반경은
Figure pat00056
로 정의된다. 여기서
Figure pat00057
는 센서 데이터를 이용한 재난영역 업데이트 주기이다. 계산된
Figure pat00058
값에 대응되는
Figure pat00059
번째 기본요소회귀모델
Figure pat00060
의 맵핑 시간은 [수학식 2]에 의해 결정된다.
수학식 2
Figure pat00061
[수학식 2]에서
Figure pat00062
번째 기본요소회귀모델
Figure pat00063
은 시간
Figure pat00064
가 주어졌을 때 대응되는 재난확산반경
Figure pat00065
를 출력하게 된다(
Figure pat00066
). 따라서 시간
Figure pat00067
에 관측된 재난반경이
Figure pat00068
일 때
Figure pat00069
번째 기본요소회귀모델에서
Figure pat00070
출력값에 대응되는 맵핑시간은 역함수를 이용하여
Figure pat00071
로 계산된다(708). 기본요소회귀모델에서 맵핑시간을 계산하는 이유는 현재 재난영역 반경에 대응되는 맵핑시간 이후에 해당 기본요소회귀모델 만을 이용한 재난확산영역 추정값을 도출하기 위해서이다.
Figure pat00072
시점에서
Figure pat00073
시간 후인 (
Figure pat00074
)시점에서의 기본요소회귀모델
Figure pat00075
의 재난확산영역 반경의 예측값
Figure pat00076
를 [수학식 3]을 이용하여 계산한다(709).
수학식 3
Figure pat00077
기본요소회귀모델
Figure pat00078
의 시간
Figure pat00079
시점에서의 예측값
Figure pat00080
와 실제 관측된 결과를 이용하여 계산된 재난영역 평균반경(
Figure pat00081
) 값의 차이를 [수학식 4]를 이용하여 구하고 이를 기본요소회귀모델
Figure pat00082
의 시간
Figure pat00083
시점에서의 예측 오류
Figure pat00084
로 정의한다(710).
수학식 4
Figure pat00085
기본요소회귀모델에 대해
Figure pat00086
를 계산하고(711), 모든 기본요소회귀모델에 대해 반복한다(712). 모든 모델에 대해 계산이 끝나면 각 기본구조요소회귀모델
Figure pat00087
의 시간
Figure pat00088
시점에서의 앙상블 가중치
Figure pat00089
를 [수학식 5]를 이용하여 계산한다(713).
수학식 5
Figure pat00090
현재 시간
Figure pat00091
에 센서 관측으로부터 계산된 재난영역 평균반경
Figure pat00092
값에 대응되는 각
Figure pat00093
의 맵핑시간은
Figure pat00094
으로 계산되고, 이 시간으로부터 예측하고자 하는
Figure pat00095
시간 이후의
Figure pat00096
의 예측값은
Figure pat00097
으로 계산된다. 각 모델의
Figure pat00098
시간 이후의 재난확산영역 예측치에 [수학식 5]의 가중치를 곱해 [수학식 6]의 앙상블 합을 구하고, 시간 (
Figure pat00099
) 시점의 재난확산영역(DPA) 반경
Figure pat00100
을 계산한다(714).
수학식 6
Figure pat00101
[수학식 1]과 같이
Figure pat00102
를 계산하여 시간
Figure pat00103
시점에서의 계산된 최외곽 재난검출 센서 노드의 위치에 재난 발화점으로부터의 재난 진행 방향으로
Figure pat00104
만큼 더해준 점들을 직선으로 이어 재난확산영역(DPA)을 예측한다(715).
도 8은 본 발명의 일 실시예에 따른 관측값 및 모델 별 예측값을 이용하여 재난확산 예측영역 평균반경을 도출하는 과정을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른 도 7의 과정을 통한 관측값 및 모델 별 예측값을 이용하여 재난확산영역 반경을 도출하는 예시를 도시하였다. 도 8에서는 두 개의 기본요소회귀모델을 사용하였다.
이와 같이 본 발명의 실시 예들에 따르면, 실내 재난환경에서 재난 발생지점을 기준으로 재난영역을 정의하고 원하는 시간 후에 재난이 확산되는 영역을 추정할 수 있다. 이를 통해 건물 내 사용자들의 최적 대피 경로를 도출함에 있어 현재 위험 지역뿐만 아니라, 대피에 소요되는 시간까지 건물의 재난확산 영역을 파악하여 대피 시 안전하고 신속한 경로를 도출할 수 있다.
또한 본 발명의 실시 예들에 따르면, 발명의 실시 예에서 건물의 구조 및 건물 내 실내 구성을 고려하여 기본구조요소 별 학습을 진행함으로써 현실적으로 제한된 조건에서의 획득 가능한 재난 데이터만을 이용하여 실제 환경에서의 활용 가능성을 높일 수 있다.
또한 본 발명의 실시 예들에 따르면, 실제 건물은 기본구조요소만으로 구성되지 않고 시공간적으로 복합적으로 구성되므로 발명에서 제시된 관측된 재난검출 결과와 기본구조요소 별 모델 추정치와의 비교를 통해 여러 요소 모델을 효과적으로 앙상블 함으로서 예측 성능을 높일 수 있다. 또한, 센서 노드의 위치와 검출 결과를 이용하여 재난영역을 정의하고, 예측된 재난반경을 고려하여 일정시간 후의 재난영역을 추정하는 방법을 사용함으로써 재난 위치를 회피하는 다양한 응용에 효과적으로 사용될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (8)

  1. 실내 재난환경에서의 재난확산 영역 예측 방법에 있어서,
    건물의 구조 및 구성에 따른 건물 기본구조요소를 구분하는 단계;
    실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하는 단계;
    재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 단계; 및
    건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 단계
    를 포함하는 실내 재난환경에서의 재난확산 영역 예측 방법.
  2. 제1항에 있어서,
    상기 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 단계는,
    재난 발생의 발화점으로부터 가장 먼 거리에 있는 노드를 최외곽 재난검출 센서 노드로 정의하고, 최외곽 재난검출 센서 노드들을 직선으로 연결한 영역을 재난영역으로 정의하며, 재난영역 평균반경은 최외곽 재난 검출 센서 노드들의 재난 발생의 발화점으로부터의 거리를 평균하여 정의하는
    실내 재난환경에서의 재난확산 영역 예측 방법.
  3. 제1항에 있어서,
    상기 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 단계는,
    상기 재난확산 예측영역을 추정하기 위해, 각 공간적 섹터 별로 미리 정해진 시간 동안 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하고,
    각 공간적 섹터 별로 미리 정해진 시간 동안 수행된 상기 기계학습에 따른 가중치 결합을 이용하여 앙상블 모델 추정기법을 통해 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는
    실내 재난환경에서의 재난확산 영역 예측 방법.
  4. 제3항에 있어서,
    상기 앙상블 모델 추정기법은,
    특정 시간에 대하여 정의된 재난영역 및 재난영역 평균반경과 해당 특정 시간에 대하여 예측된 재난확산 예측영역 및 재난확산 예측영역 평균반경을 비교하여 추정치와 추정오류를 계산하고, 건물 기본구조요소 별 재난확산 회귀모델의 추정오류를 기반으로 앙상블 모델 추정기법을 위한 앙상블 파라미터를 업데이트하고, 업데이트된 앙상블 파라미터를 이용하여 건물 기본구조요소 별 가중치 합을 수행하여, 최종 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는
    실내 재난환경에서의 재난확산 영역 예측 방법.
  5. 실내 재난환경에서의 재난확산 영역 예측 장치에 있어서,
    건물의 구조 및 구성에 따른 건물 기본구조요소를 구분하고, 실내 재난 상황을 검출하고 모니터링 하기 위해 건물 내에 설치되는 센서 노드를 통해 수집된 재난 데이터를 이용하여 상기 구분된 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하며, 재난 발생 시 재난확산 예측영역의 정확도를 높이기 위해 재난 발생의 발화점을 기준으로 복수의 공간적 섹터(sector)를 구분하고, 상기 구분된 각 공간적 섹터 별 센서 노드의 재난검출 결과를 이용하여 재난영역 및 재난영역 평균반경을 정의하는 회귀모델 학습부; 및
    건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습 결과 및 앙상블 모델 추정기법을 이용하여 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는 앙상블 모델 추정부
    를 포함하는 실내 재난환경에서의 재난확산 영역 예측 장치.
  6. 제5항에 있어서,
    상기 회귀모델 학습부는,
    재난 발생의 발화점으로부터 가장 먼 거리에 있는 노드를 최외곽 재난검출 센서 노드로 정의하고, 최외곽 재난검출 센서 노드들을 직선으로 연결한 영역을 재난영역으로 정의하며, 재난영역 평균반경은 최외곽 재난 검출 센서 노드들의 재난 발생의 발화점으로부터의 거리를 평균하여 정의하는
    실내 재난환경에서의 재난확산 영역 예측 장치.
  7. 제5항에 있어서,
    상기 앙상블 모델 추정부는,
    상기 재난확산 예측영역을 추정하기 위해, 각 공간적 섹터 별로 미리 정해진 시간 동안 건물 기본구조요소 별 재난확산 회귀모델을 통한 기계학습을 수행하고,
    각 공간적 섹터 별로 미리 정해진 시간 동안 수행된 상기 기계학습에 따른 가중치 결합을 이용하여 앙상블 모델 추정기법을 통해 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는
    실내 재난환경에서의 재난확산 영역 예측 장치.
  8. 제7항에 있어서,
    상기 앙상블 모델 추정부는,
    특정 시간에 대하여 정의된 재난영역 및 재난영역 평균반경과 해당 특정 시간에 대하여 예측된 재난확산 예측영역 및 재난확산 예측영역 평균반경을 비교하여 추정치와 추정오류를 계산하고, 건물 기본구조요소 별 재난확산 회귀모델의 추정오류를 기반으로 앙상블 모델 추정기법을 위한 앙상블 파라미터를 업데이트하고, 업데이트된 앙상블 파라미터를 이용하여 건물 기본구조요소 별 가중치 합을 수행하여, 최종 재난확산 예측영역 및 재난확산 예측영역 평균반경을 추정하는
    실내 재난환경에서의 재난확산 영역 예측 장치.
KR1020210118226A 2021-09-06 2021-09-06 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치 KR102537964B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210118226A KR102537964B1 (ko) 2021-09-06 2021-09-06 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210118226A KR102537964B1 (ko) 2021-09-06 2021-09-06 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20230035793A true KR20230035793A (ko) 2023-03-14
KR102537964B1 KR102537964B1 (ko) 2023-05-30

Family

ID=85502432

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210118226A KR102537964B1 (ko) 2021-09-06 2021-09-06 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102537964B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101087986B1 (ko) * 2010-11-23 2011-12-01 건국대학교 산학협력단 센서 네트워크 기반의 화재 감시 시스템 및 그 방법
KR101771579B1 (ko) 2015-02-09 2017-08-29 (주)도원엔지니어링건축사사무소 통합형 센서모듈을 이용한 상시 환경제어 및 재난대응 관제시스템
KR102215992B1 (ko) * 2020-09-15 2021-02-15 심현주 화재 관제 장치 및 방법
KR102220328B1 (ko) * 2019-09-24 2021-02-25 한국건설기술연구원 건축물 화재의 피해 예측 시스템 및 방법
KR20210086786A (ko) * 2019-12-30 2021-07-09 전북대학교산학협력단 미세먼지 및 악취 예측 시스템 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101087986B1 (ko) * 2010-11-23 2011-12-01 건국대학교 산학협력단 센서 네트워크 기반의 화재 감시 시스템 및 그 방법
KR101771579B1 (ko) 2015-02-09 2017-08-29 (주)도원엔지니어링건축사사무소 통합형 센서모듈을 이용한 상시 환경제어 및 재난대응 관제시스템
KR102220328B1 (ko) * 2019-09-24 2021-02-25 한국건설기술연구원 건축물 화재의 피해 예측 시스템 및 방법
KR20210086786A (ko) * 2019-12-30 2021-07-09 전북대학교산학협력단 미세먼지 및 악취 예측 시스템 및 방법
KR102215992B1 (ko) * 2020-09-15 2021-02-15 심현주 화재 관제 장치 및 방법

Also Published As

Publication number Publication date
KR102537964B1 (ko) 2023-05-30

Similar Documents

Publication Publication Date Title
US20220197231A1 (en) Computing system for virtual sensor implementation using digital twin and method for realtime data collection thereof
Santos et al. Genetic‐based EM algorithm to improve the robustness of Gaussian mixture models for damage detection in bridges
CN102737466B (zh) 一种火灾火源位置及强度估计方法及系统
US8306748B2 (en) Location enhancement system and method based on topology constraints
JP6074495B2 (ja) 天気を予報するためのシステム、方法、およびコンピュータ・プログラム
US20100057416A1 (en) Method and system for estimating building performance
WO2022052068A1 (zh) 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备
CN106663142B (zh) 用于检测建筑信息的方法和设备
Samah et al. Modification of Dijkstra’s algorithm for safest and shortest path during emergency evacuation
US10754004B2 (en) Methods and apparatus for localizing a source of a set of radio signals
CN112270122A (zh) 一种建筑火灾火源参数反演评估方法
KR20180107932A (ko) 소프트웨어 정의 네트워크에서의 악성 프로그램 탐지 장치, 방법 및 컴퓨터 프로그램
KR102279339B1 (ko) 감염병 확산 위치 예측 시뮬레이션 장치 및 시스템 및 방법
KR101923939B1 (ko) 건물의 도면 정보에 기초하여 자기장 지도를 생성하는 방법 및 장치
GB2609531A (en) A method and system for predicting fire-breakout from an occupant space fire
KR102064680B1 (ko) Wi-Fi 신호 특성과 실내 공간 구조가 고려된 비지도 및 강화학습 기반의 핑거프린트 방법 및 장치
KR102095751B1 (ko) 구조물 손상 감지 시스템 및 방법
US11416643B2 (en) Smoke detection system layout design
KR102537964B1 (ko) 실내 재난환경에서 건물 기본구조요소 별 기계학습 모델을 이용한 재난확산 영역의 앙상블 예측 방법 및 장치
CN202838579U (zh) 一种火灾火源位置及强度估计系统
KR102406311B1 (ko) 실내 결로 발생 시간을 예측하는 결로 예측 시스템 및 방법
KR20160116400A (ko) 지진으로 인한 건축물 붕괴에 따른 손실평가방법
KR102495864B1 (ko) 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램
Wächter et al. Simulation of static and dynamic evacuation algorithms in intelligent buildings using Unity3D
KR102397107B1 (ko) 반복적 전역최적화에 의해 도출된 인공오차 공분산 최적해에 기반한 분산점 칼만필터 연산 구성의 구조물 손상여부 모니터링 장치

Legal Events

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