KR20230165999A

KR20230165999A - 시계열 데이터를 이용한 서비스 현장 제어 방법

Info

Publication number: KR20230165999A
Application number: KR1020220065400A
Authority: KR
Inventors: 한정균
Original assignee: 원투씨엠 주식회사
Priority date: 2022-05-27
Filing date: 2022-05-27
Publication date: 2023-12-06

Abstract

본 발명은 시계열 데이터를 이용한 서비스 현장 제어 방법에 관한 것으로서, 본 발명에 따른 운영서버를 통해 실행되는 시계열 데이터를 이용한 서비스 현장 제어 방법은, 서비스 현장에 구비된 S(S≥1)개의 센서를 통해 시계열적으로 센싱된 S개의 센싱 데이터와 상기 현장에 구비된 C(C≥1)개의 카메라를 통해 시계열적으로 촬영된 C개의 영상 데이터 중 지정된 D(1≤D≤(S+C))개의 수집 데이터를 수집하고 전처리하여 상기 현장에서 수행되는 공정이나 생육의 시계열성과 관련된 T(T≥1)개의 시계열 모형과 허용 범위 내 매칭 가능하게 모형화한 N(1≤N≤D)개의 시계열 데이터를 구성하는 제1 단계와, 상기 N개의 시계열 데이터를 근거로 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 t(1≤t≤T)개의 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n(1≤n≤N)개의 시계열 데이터를 확인하는 제2 단계와, 상기 확인된 n개의 시계열 데이터를 지정된 주파수 특징에 대응하는 주파수 도메인(Frequency Domain) 기반의 시계열 데이터로 가공하는 제3 단계와, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 M(M≥1)개의 대상 별 n'(1≤n'≤n)개의 시계열 데이터를 포함하는 M개의 대상 별 N'(1≤N'≤N, n'⊂N')개의 시계열 데이터를 지정된 구조로 포함하는 M개의 대상 별 복수의 분석/예측 학습데이터를 구성하고, 상기 구성된 M개의 대상 별 복수의 분석/예측 학습데이터를 이용하여 M개의 대상 별 분석이나 예측을 위해 구비된 M개의 인공지능모듈을 학습시키는 제4 단계와, 상기 M개의 인공지능모듈의 학습 후, 상기 제1 내지 제3 단계에 대응하는 과정을 거쳐 수집되고 전처리된 후 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 m(1≤m≤M)개의 대상 별 n'개의 시계열 데이터를 포함하는 m개의 대상 별 N'개의 시계열 데이터를 지정된 m개의 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인하는 제5 단계와, 상기 확인된 m개의 특징 정보를 포함하며 상기 서비스 현장에 구비된 E(E≥1)개의 장치 중 상기 m개의 특징 정보와 관련된 e(1≤e≤E)개의 장치를 제어하기 위해 설정되는 e개의 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시키는 제6 단계와, 상기 제어용 인공지능모듈의 학습 후, 상기 제1 내지 제5 단계에 대응하는 과정을 거쳐 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한 경우, 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인하는 제7 단계와, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 절차를 수행하는 제8 단계를 포함한다.

Description

시계열 데이터를 이용한 서비스 현장 제어 방법{Method for Controlling Service Field by Using Time Series Data}

본 발명은 시계열 데이터를 이용한 서비스 현장 제어 방법에 관한 것으로, 서비스 현장에 구비된 각종 센서나 카메라를 통해 시계열적으로 수집된 수집 데이터를 전처리하여 N(N≥1)개의 시계열 데이터를 모형화하면서 일련의 주기적 특성을 지닌 n(1≤n≤N)개의 시계열 데이터를 주파수 도메인으로 가공하고, 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상 별 복수의 분석/예측 학습데이터를 구성하고, 상기 구성된 학습데이터를 인공지능모듈에 적용하여 학습시킨 후, 수집되고 전처리된 후 주파수 도메인으로 가공된 시계열 데이터 중 지정된 대상 별 시계열 데이터를 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인하고, 상기 서비스 현장에 구비된 상기 특징 정보와 관련된 장치를 제어하기 위해 설정되는 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킨 후, 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한 경우, 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인 및 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 방법에 관한 것이다.

일반적으로, 1세대, 2세대 스마트팜은 온실 외부의 다양한 환경변화의 영향을 최소화하며, 내부의 작물에게 최적의 재배 및 양수분 환경을 제공하기 위해 온실의 시설 및 설비를 사용자의 제어 셋팅값을 설정하는 방식으로 운영되고 있다.

그러나 온실 내 작물의 최적 재배 및 양수분 환경 제공을 위한 온실 시설 및 설비 제어는 온실의 구조 및 설비의 구동의 방식이 다양하여 표준화된 재배지식의 체계화가 현실적으로 어려우며, 사용자의 지식과 대상 재배 환경에 대한 경험 및 능력에 대부분 의존하고 있어 농가마다 격차가 심하게 나타날 수 있으며, 또한 병충해, 생리장해, 이상기후 대비 등 작물의 피해가 예상되는 상황에 대해 정확한 대처를 위해서는 전문가(컨설턴트)의 판단과 의사결정에 크게 의존할 수 밖에 없다.

한편, 선행기술로써, 대한민국 공개특허공보 제 10-2021-015853호(2021년12월31일 공개)는 인공지능 기반 농업 로봇용 농경지 경작지도 생성 시스템 및 방법에 관한 것으로, 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 경작지 간의 경계면을 파악하고, 작물을 종류에 따른 실제 경작 가능 공간을 파악하여 경작 지도를 생성한 후 로봇 농기계에 제공함으로써 경작지 간의 경계면 근처의 경작 가능 영역에도 정확하게 경작 작업이 수행되도록 하는 것이다.

그러나, 상기 선행기술은, 항공 촬영 이미지를 이용하여 폴리곤 렌더링을 수행한 후 폴리곤의 밀도 차이를 통해 경작지 간의 경계면을 정확히 파악한 경작지도를 생성한 후 로봇 농기계에 전송하여 로봇 농기계를 통해 정확한 위치에 농작물을 경작하는 것일 뿐, 실제적인 스마트팜에서의 재배 관리를 위한 다양한 환경(재배환경 관리, 양수분 관리, 작물생육 및 생리 관리, 병충해 및 생리장해 관리, 농작업 관리, 생산량 및 품질 관리, 에너지 관리 등)을 처리할 수는 없었다.

따라서, 기존 농가가 대면식 컨설팅 방법을 매우 선호하여 비대면, 온라인 컨설팅 사업에 대한 참여도나 만족도가 상대적으로 매우 낮은 상황을 극복하면서, 전세계적인 팬데믹 상황 하에서 국내 시설농가들에 대한 비대면 온라인 컨설팅의 필요성과 요구를 충족시킬 새로운 방안이 모색되어야 할 필요가 있다.

본 발명의 목적은 서비스 현장에 구비된 각종 센서나 카메라를 통해 시계열적으로 수집된 수집 데이터를 전처리하여 N(N≥1)개의 시계열 데이터를 모형화하면서 일련의 주기적 특성을 지닌 n(1≤n≤N)개의 시계열 데이터를 주파수 도메인으로 가공하고, 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상 별 복수의 분석/예측 학습데이터를 구성하고, 상기 구성된 학습데이터를 인공지능모듈에 적용하여 학습시킨 후, 수집되고 전처리된 후 주파수 도메인으로 가공된 시계열 데이터 중 지정된 대상 별 시계열 데이터를 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인하고, 상기 서비스 현장에 구비된 상기 특징 정보와 관련된 장치를 제어하기 위해 설정되는 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킨 후, 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한 경우, 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인 및 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 시계열 데이터를 이용한 서비스 현장 제어 방법을 제공함에 있다.

본 발명에 따른 운영서버를 통해 실행되는 시계열 데이터를 이용한 서비스 현장 제어 방법은, 서비스 현장에 구비된 S(S≥1)개의 센서를 통해 시계열적으로 센싱된 S개의 센싱 데이터와 상기 현장에 구비된 C(C≥1)개의 카메라를 통해 시계열적으로 촬영된 C개의 영상 데이터 중 지정된 D(1≤D≤(S+C))개의 수집 데이터를 수집하고 전처리하여 상기 현장에서 수행되는 공정이나 생육의 시계열성과 관련된 T(T≥1)개의 시계열 모형과 허용 범위 내 매칭 가능하게 모형화한 N(1≤N≤D)개의 시계열 데이터를 구성하는 제1 단계와, 상기 N개의 시계열 데이터를 근거로 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 t(1≤t≤T)개의 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n(1≤n≤N)개의 시계열 데이터를 확인하는 제2 단계와, 상기 확인된 n개의 시계열 데이터를 지정된 주파수 특징에 대응하는 주파수 도메인(Frequency Domain) 기반의 시계열 데이터로 가공하는 제3 단계와, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 M(M≥1)개의 대상 별 n'(1≤n'≤n)개의 시계열 데이터를 포함하는 M개의 대상 별 N'(1≤N'≤N, n'⊂N')개의 시계열 데이터를 지정된 구조로 포함하는 M개의 대상 별 복수의 분석/예측 학습데이터를 구성하고, 상기 구성된 M개의 대상 별 복수의 분석/예측 학습데이터를 이용하여 M개의 대상 별 분석이나 예측을 위해 구비된 M개의 인공지능모듈을 학습시키는 제4 단계와, 상기 M개의 인공지능모듈의 학습 후, 상기 제1 내지 제3 단계에 대응하는 과정을 거쳐 수집되고 전처리된 후 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 m(1≤m≤M)개의 대상 별 n'개의 시계열 데이터를 포함하는 m개의 대상 별 N'개의 시계열 데이터를 지정된 m개의 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인하는 제5 단계와, 상기 확인된 m개의 특징 정보를 포함하며 상기 서비스 현장에 구비된 E(E≥1)개의 장치 중 상기 m개의 특징 정보와 관련된 e(1≤e≤E)개의 장치를 제어하기 위해 설정되는 e개의 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시키는 제6 단계와, 상기 제어용 인공지능모듈의 학습 후, 상기 제1 내지 제5 단계에 대응하는 과정을 거쳐 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한 경우, 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인하는 제7 단계와, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 절차를 수행하는 제8 단계를 포함할 수 있다.

본 발명에 따르면, 상기 전처리는, 상기 D개의 수집 데이터 중 지정된 주기성을 지닌 수집 데이터의 주기적 패턴 또는 일정 시간 간격의 대표성을 드러나도록 평균화하는 절차를 포함할 수 있다.

본 발명에 따르면, 상기 전처리는, 상기 D개의 수집 데이터 중 지정된 독립 변수에 대응하는 데이터에 대하여 이전 시간의 데이터에 의해 가중된 편향성에 대응하는 시간적 영향을 보정하는 절차를 포함할 수 있다.

본 발명에 따르면, 상기 T개의 시계열 모형은, 서비스 현장에 구비된 장치를 통해 수행되는 공정의 시계열적 특성과 매칭 가능한 시계열 모형, 서비스 현장에서 재배되는 작물의 생육과 관련된 시계열적 특성과 매칭 가능한 시계열 모형 중 적어도 하나의 시계열 모형을 포함할 수 있다.

본 발명에 따르면, 상기 N개의 시계열 데이터는, 시계열적 센싱이나 시계열적 촬영에 의해 생성된 수집 데이터의 시계열적 특성에 근거하는 시간 도메인(Time Domain) 기반의 시계열 데이터를 포함할 수 있다.

본 발명에 따르면, 상기 주기성은, 서비스 현장에 구비된 장치를 통해 일정 간격 단위로 반복 수행되는 적어도 하나의 공정에 대응하는 주기성, 서비스 현장에 구비된 장치를 통해 수행할 적어도 하나의 공정과 관련된 스케쥴에 대응하는 주기성, 하루 간격(또는 지구 자전 간격)의 변화에 대응하는 주기성, 지정된 기간의 추세 변화에 대응하는 주기성, 계절 변화에 대응하는 주기성, 1년 간격(또는 지구 공전 간격)의 변화에 대응하는 주기성 중 적어도 하나의 주기성을 포함할 수 있다.

본 발명에 따르면, 상기 t개의 시계열 모형은, 상기 현장에서 수행되는 공정이나 생육의 시계열적 특성과 매칭된 시계열성을 포함하면서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성을 다중 포함하는 주기성 시계열 모형을 포함할 수 있다.

본 발명에 따르면, 상기 제2 단계는, 적어도 하나의 주기성 시계열 모형을 근거로 상기 N개의 시계열 데이터를 분석하여 적어도 하나의 지정된 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인하는 단계를 포함할 수 있다.

본 발명에 따르면, 상기 제2 단계는, 시간 변동에 따른 데이터 변동이 지정된 기준 값 이상 느린 시계열 데이터의 경우, 상기 시계열 데이터에 지정된 지수 평활법을 적용한 후 적어도 하나의 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인하는 단계를 포함할 수 있다.

본 발명에 따르면, 상기 제2 단계는, 적어도 하나의 주기성 시계열 모형을 근거로 상기 N개의 시계열 데이터를 분석하되, 상기 시계열 데이터에 포함된 랜덤(Random) 요소나 잔차(Residual/Remainder) 요소에 대응하는 데이터를 분리 분석하여 적어도 하나의 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인하는 단계를 포함할 수 있다.

본 발명에 따르면, 상기 주파수 특징은, 주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징을 포함할 수 있다.

본 발명에 따르면, 상기 주파수 특징은, 주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)를 포함할 수 있다.

본 발명에 따르면, 상기 주파수 특징은, 주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징과 주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)의 특징을 통계 처리하거나 수치 해석 처리하여 확인된 주기(또는 주파수)의 특징을 포함할 수 있다.

본 발명에 따르면, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 시계열 데이터를 포함할 수 있다.

본 발명에 따르면, 상기 n'개의 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 적어도 하나의 시계열 데이터를 포함할 수 있다.

본 발명에 따르면, 상기 N'개의 시계열 데이터는, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 n'개의 시계열 데이터를 포함하고, (N-n)개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함할 수 있다.

본 발명에 따르면, 상기 제4 단계는, 상기 N'개의 시계열 데이터를 지정된 인공지능모듈의 학습데이터로 이용 가능하게 전처리하는 단계를 더 포함할 수 있다.

본 발명에 따르면, 상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터에 대한 문자 또는 카테고리 속성 값을 숫자형 데이터로 변경하는 데이터 변경 절차, 상기 N'개의 시계열 데이터에 포함된 각 시계열 데이터 간의 범위 차이를 지정된 일정 범위 내로 조정하는 데이터 배율(Scaling) 조정 절차 중 적어도 하나의 절차를 포함할 수 있다.

본 발명에 따르면, 상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터의 주기성을 지정된 시간 범위의 일정 시간 주기로 균일화하여 k(k≥1)개의 이전 데이터를 통해 다음 데이터의 결과 값을 도출 가능하게 처리하는 절차를 포함할 수 있다.

본 발명에 따르면, 상기 분석/예측 학습데이터는, 상기 n'개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 n'개의 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

본 발명에 따르면, 상기 분석/예측 학습데이터는, 상기 n'개의 시계열 데이터를 포함하며 (N-n)개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함하는 (n'+i)개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 (n'+i)개의 시계열 데이터 중 지정된 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

본 발명에 따르면, 상기 제5 단계는, 상기 M개의 대상 별 N'개의 시계열 데이터를 상기 학습된 M개의 인공지능모듈에 대입 가능하게 전처리하는 단계를 더 포함할 수 있다.

본 발명에 따르면, 상기 특징 정보는, 주파수 도메인 기반 시계열 데이터를 이용한 인공지능 기반 분석이나 예측의 결과에 대응하는 특징 정보, 주파수 도메인 기반 시계열 데이터와 시간 도메인 기반 시계열 데이터를 다중 이용한 인공지능 기반 분석이나 예측의 결과에 대응하는 특징 정보를 포함할 수 있다.

본 발명에 따르면, 상기 제6 단계는, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 절차를 수행하는 단계를 더 포함할 수 있다.

본 발명에 따르면, 상기 제6 단계는, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우, 상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인하는 단계와, 상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성하는 단계와, 상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시키는 단계를 더 포함할 수 있다.

본 발명에 따르면, 상기 실측 정보는, 상기 e개의 제어 정보를 이용하여 e개의 장치를 제어한 결과에 대응하는 생산량, 생산 품질, 이상 발생, 고장 발생, 환경 피해 발생, 병충해 발생 중 적어도 하나의 대상을 실측한 정보를 포함할 수 있다.

본 발명에 따르면, 상기 피드백 정보는, 상기 e개의 장치의 제어와 관련된 효율 향상을 위해 상기 현장에 구비된 e개의 장치를 제어한 e개의 제어 정보 중 지정된 e'(1≤e'≤e)개의 제어 정보를 사후적으로 조정한 e'개의 제어 정보를 포함할 수 있다.

본 발명에 따르면, 상기 제어 학습데이터는, 상기 m개의 특징 정보를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 e개의 제어 정보를 포함하는 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

본 발명에 따르면, 상기 제8 단계는, 상기 제어용 인공지능모듈을 통해 확인된 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우, 상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인하는 단계와, 상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성하는 단계와, 상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시키는 단계를 더 포함할 수 있다.

본 발명에 따르면, 시계열 데이터를 이용한 서비스 현장 제어 방법을 통해 과거, 현재, 미래의 형태로 이전 값을 사용하여 설비 예방 정비, 마케팅 근거자료, 환경 변화 예측 등의 미래 데이터를 예측할 수 있는 이점이 있다.

또한, 본 발명에 따르면, 주기적인 특성이 반복되는 패턴을 감지하여 설비 예지정비, 작물의 생육/생리 예측, 병충해 원인 예측, IoT 환경 유지 등의 이상 원인 값의 예측이 가능한 이점이 있다.

도 1은 본 발명의 실시 방법에 따른 시계열 데이터를 이용한 서비스 현장 제어 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 실시 방법에 따라 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 것으로 확인된 시계열 데이터를 주파수 도메인 기반의 시계열 데이터로 가공하는 과정을 도시한 흐름도이다.
도 3은 본 발명의 실시 방법에 따라 지정된 분석이나 예측을 위해 학습된 인공지능모듈에 지정된 대상 별 시계열 데이터를 대입하여 대상을 분석하거나 예측한 특징 정보를 확인하는 과정을 도시한 흐름도이다.
도 4는 본 발명의 실시 방법에 따라 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킨 후, 특징 정보를 제어용 인공지능모듈에 대입하여 현장에 구비된 장치를 제어하기 위한 제어 정보를 확인하여 현장의 장치를 제어하는 과정을 도시한 흐름도이다.

이하 첨부된 도면과 설명을 참조하여 본 발명의 바람직한 실시예에 대한 동작 원리를 상세히 설명한다. 다만, 하기에 도시되는 도면과 후술되는 설명은 본 발명의 특징을 효과적으로 설명하기 위한 여러 가지 방법 중에서 바람직한 실시 방법에 대한 것이며, 본 발명이 하기의 도면과 설명만으로 한정되는 것은 아니다.

즉, 하기의 실시예는 본 발명의 수 많은 실시예 중에 바람직한 합집합 형태의 실시예에 해당하며, 하기의 실시예에서 특정 구성(또는 단계)을 생략하는 실시예, 또는 특정 구성(또는 단계)에 구현된 기능을 특정 구성(또는 단계)으로 분할하는 실시예, 또는 둘 이상의 구성(또는 단계)에 구현된 기능을 어느 하나의 구성(또는 단계)에 통합하는 실시예, 특정 구성(또는 단계)의 동작 순서를 교체하는 실시예 등은, 하기의 실시예에서 별도로 언급하지 않더라도 모두 본 발명의 권리범위에 속함을 명백하게 밝혀두는 바이다. 따라서 하기의 실시예를 기준으로 부분집합 또는 여집합에 해당하는 다양한 실시예들이 본 발명의 출원일을 소급받아 분할될 수 있음을 분명하게 명기하는 바이다.

또한, 하기에서 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 발명에서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

결과적으로, 본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하 실시예는 진보적인 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.

도면1는 본 발명의 실시 방법에 따른 시계열 데이터를 이용한 서비스 현장 제어 시스템의 구성을 도시한 도면이다.

보다 상세하게 본 도면1는 서비스 현장의 현장에 구비된 각종 센서나 카메라를 통해 시계열적으로 수집된 수집 데이터를 전처리하여 N(N≥1)개의 시계열 데이터를 모형화하면서 일련의 주기적 특성을 지닌 n(1≤n≤N)개의 시계열 데이터를 주파수 도메인으로 가공하고, 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상 별 복수의 분석/예측 학습데이터를 구성하고, 상기 구성된 학습데이터를 인공지능모듈에 적용하여 학습시킨 후, 수집되고 전처리된 후 주파수 도메인으로 가공된 시계열 데이터 중 지정된 대상 별 시계열 데이터를 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인하고, 상기 서비스 현장에 구비된 상기 특징 정보와 관련된 장치를 제어하기 위해 설정되는 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킨 후, 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한 경우, 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인 및 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 시스템 구성을 도시한 것으로서, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자라면, 본 도면1를 참조 및/또는 변형하여 상기 시스템에 대한 다양한 실시 방법(예컨대, 일부 구성부가 생략되거나, 또는 세분화되거나, 또는 합쳐진 실시 방법)을 유추할 수 있을 것이나, 본 발명은 상기 유추되는 모든 실시 방법을 포함하여 이루어지며, 본 도면1에 도시된 실시 방법만으로 그 기술적 특징이 한정되지 아니한다.

본 발명의 시스템은, 서비스 현장에 구비된 하나 이상의 센서나 카메라로부터 수집되어 구성된 시계열 데이터를 지정된 대상의 분석이나 예측을 위해 학습된 복수의 인공지능모듈에 대입하여 지정된 대상을 분석하거나 예측한 특징 정보를 확인하고, 상기 특징 정보와 관련하여 상기 서비스 현장에 구비된 장치를 제어하기 위한 제어 정보를 복수의 학습데이터로 구성하여 상기 현장에 구비된 제어용 인공지능모듈을 학습시킨 후, 상기 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 장치를 제어하기 위한 제어 정보를 확인하고, 확인된 제어 정보를 이용하여 상기 현장의 장치를 제어하는 운영서버(100)와, 상기 운영서버(100)로부터 상기 결과정보를 제공받는 사용자 단말(150)을 포함한다. 한편 상기 운영서버(100)는 독립된 서버 형태, 둘 이상의 서버 조합 형태, 기 구비된 서버에 설치 구동되는 서버 프로그램 형태 중 적어도 하나 또는 둘 이상의 조합 형태로 구현될 수 있으며, 상기 운영서버(100)를 구현하는 방식에 의해 본 발명이 한정되지 아니한다.

상기 사용자 단말(150)은 상기 현장과 관련되며, 상기 운영서버(100)를 통해 제공된 상기 결과정보를 확인하는 사용자가 이용하는 컴퓨터 장치의 총칭으로서, 유선망에 연결된 컴퓨터, 노트북 등의 유선단말과, 무선망에 연결된 휴대폰, 스마트폰, 태블릿PC, 노트북 등의 무선단말을 중 적어도 하나를 포함할 수 있다.

바람직하게, 상기 사용자 단말(150)은 운영서버(100)로부터 지정된 분석이나 예측에 대한 결과정보를 제공받는 기능을 위해 지정된 적어도 하나 이상의 절차를 수행하는 앱(Application)이나 프로그램이 설치되어 구동되는 것이 바람직하다.

한편, 도면1를 참조하면, 상기 운영서버(100)는, 서비스 현장에 구비된 센서나 카메라를 통해 수집되어 모형화한 시계열 데이터를 구성하는 데이터 구성부(105)와, 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 시계열 데이터를 확인하는 데이터 확인부(110)와, 시계열 데이터를 주파수 도메인 기반의 시계열 데이터로 가공하는 데이터 가공부(115)와, 주파수 도메인으로 가공된 시계열 데이터를 포함하는 지정된 대상 별 복수의 분석/예측을 위한 학습데이터를 구성하여, 상기 구성된 학습데이터를 이용하여 대상 별 분석이나 예측을 위한 인공지능모듈을 학습시키는 인공지능 학습부(120)와, 주파수 도메인으로 가공된 지정된 대상 별 시계열 데이터를 인공지능모듈에 대입하여 지정된 대상을 분석 또는 예측한 특징 정보를 확인하는 특징정보 확인부(125)와, 특징 정보와 관련된 현장의 장치를 제어하기 위한 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시키는 제어모듈 학습부(130)와, 상기 인공지능모듈을 통해 지정된 대상을 분석하거나 예측한 특징 정보가 확인되면, 확인된 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 장치를 제어하기 위한 제어 정보를 확인하는 제어정보 확인부(135)와, 상기 확인된 제어 정보로 상기 현장의 장치를 제어하는 장치 제어부(140)를 포함하여 구성될 수 있다.

도면1에 따르면, 상기 데이터 구성부(105)는, 서비스 현장에 구비된 S(S≥1)개의 센서를 통해 시계열적으로 센싱된 S개의 센싱 데이터와 상기 현장에 구비된 C(C≥1)개의 카메라를 통해 시계열적으로 촬영된 C개의 영상 데이터 중 지정된 D(1≤D≤(S+C))개의 수집 데이터를 수집하고 전처리하여 상기 현장에서 수행되는 공정이나 생육의 시계열성과 관련된 T(T≥1)개의 시계열 모형과 허용 범위 내 매칭 가능하게 모형화한 N(1≤N≤D)개의 시계열 데이터를 구성할 수 있다.

통상적으로, 상기 수집 데이터의 전처리는, 데이터 정제(Cleansing), 데이터 변환(Transformation), 데이터 필터링(Filtering), 데이터 통합(Integration), 데이터 축소(reduction) 중 어느 또는 둘 이상 조합을 적어도 1회 이상 수행하는 것을 포함할 수 있다.

여기서, 상기 데이터 정제는, 누락 데이터를 기본 값으로 채우거나 평균값/중간값으로 대체하는 절차, 이상 상태에 대응하는 이상 데이터를 식별하고 보정 또는 제거하는 절차, 잡음 섞인 데이터를 평활화(Smoothing)하는 절차 어느 하나 또는 둘 이상 조합을 포함할 수 있다.

또한, 상기 데이터 변환은, 정규화(Normalization), 집합화(Aggregation), 요약(Summarization), 계층 생성 중 어느 하나 또는 둘 이상 조합을 통해 데이터를 분석하기 용이한 형태로 변환하는 절차를 이루어지는 것을 포함할 수 있다.

또한, 상기 데이터 필터링은, 오류 데이터 발견 절차, 오류 데이터 보정 절차, 오류 데이터 삭제 절차, 중복 데이터 확인 절차, 중복 데이터 보정 절차, 중복 데이터 삭제 절차 중 어느 하나 또는 둘 이상 조합을 포함할 수 있다.

또한, 상기 데이터 통합은, 데이터 분석이 용이하도록 유사 데이터 또는 연계 데이터를 통합하는 절차를 포함할 수 있다.

또한, 상기 데이터 축소는, 수집 데이터 중 활용되지 않는 데이터를 제거하는 절차를 포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 수집 데이터의 전처리는, 상기 D개의 수집 데이터 중 지정된 주기성을 지닌 수집 데이터의 주기적 패턴 또는 일정 시간 간격의 대표성을 드러나도록 평균화하는 절차를 포함할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 수집 데이터의 전처리는, 상기 D개의 수집 데이터 중 지정된 독립 변수에 대응하는 데이터에 대하여 이전 시간의 데이터에 의해 가중된 편향성에 대응하는 시간적 영향을 보정하는 절차를 포함할 수 있다.

한편, 상기 현장에서 수행되는 공정이나 생육의 시계열성과 관련된 T(T≥1)개의 시계열 모형은, 서비스 현장에 구비된 장치를 통해 수행되는 공정의 시계열적 특성과 매칭 가능한 시계열 모형, 농업 현장에서 재배되는 작물의 생육과 관련된 시계열적 특성과 매칭 가능한 시계열 모형 중 적어도 하나의 시계열 모형을 포함할 수 있다.

또한, 상기 허용 범위 내 매칭 가능하게 모형화한 N(1≤N≤D)개의 시계열 데이터는, 시계열적 센싱이나 시계열적 촬영에 의해 생성된 수집 데이터의 시계열적 특성에 근거하는 시간 도메인(Time Domain) 기반의 시계열 데이터를 포함할 수 있다.

도면1에 따르면, 상기 데이터 확인부(110)는, 상기 데이터 구성부(105)를 통해 N개의 시계열 데이터가 구성되면, 상기 N개의 시계열 데이터를 근거로 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 t(1≤t≤T)개의 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n(1≤n≤N)개의 시계열 데이터를 확인할 수 있다.

본 발명의 실시 방법에 따르면, 상기 주기성은, 서비스 현장에 구비된 장치를 통해 일정 간격 단위로 반복 수행되는 적어도 하나의 공정에 대응하는 주기성, 서비스 현장에 구비된 장치를 통해 수행할 적어도 하나의 공정과 관련된 스케쥴에 대응하는 주기성, 하루 간격(또는 지구 자전 간격)의 변화에 대응하는 주기성, 지정된 기간의 추세 변화에 대응하는 주기성, 계절 변화에 대응하는 주기성, 1년 간격(또는 지구 공전 간격)의 변화에 대응하는 주기성 중 적어도 하나의 주기성을 포함할 수 있다.

여기서, 상기 주기성은, 종래에 존재하는 진동 센서를 통해 센싱된 장치의 단순 진동과 관련된 주기성과, 전자파 센서를 통해 센싱된 전자파의 주파수와 관련된 주기성을 불포함할 수 있다.

본 발명의 실시 방법에 따르면, 상기 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 t(1≤t≤T)개의 시계열 모형은, 상기 현장에서 수행되는 공정이나 생육의 시계열적 특성과 매칭된 시계열성을 포함하면서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성을 다중 포함하는 주기성 시계열 모형을 포함할 수 있다.

또한, 상기 주기성을 지닌 n(1≤n≤N)개의 시계열 데이터는, 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 지정된 허용 범위 내 매칭된 주기성을 지닌 시계열 데이터를 포함할 수 있다.

또한, 상기 n개의 시계열 데이터는, 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성 시계열 모형과 지정된 허용 범위 내 매칭되는 주기성을 지닌 시계열 데이터를 포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 데이터 확인부(110)는, 적어도 하나의 주기성 시계열 모형을 근거로 상기 N개의 시계열 데이터를 분석하여 적어도 하나의 지정된 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 데이터 확인부(110)는, 시간 변동에 따른 데이터 변동이 지정된 기준 값 이상 느린 시계열 데이터의 경우, 상기 시계열 데이터에 지정된 지수 평활법을 적용한 후 적어도 하나의 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 데이터 확인부(110)는, 적어도 하나의 주기성 시계열 모형을 근거로 상기 N개의 시계열 데이터를 분석하되, 상기 시계열 데이터에 포함된 랜덤(Random) 요소나 잔차(Residual/Remainder) 요소에 대응하는 데이터를 분리 분석하여 적어도 하나의 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인할 수 있다.

도면1에 따르면, 상기 데이터 가공부(115)는, 상기 데이터 확인부(110)를 통해 상기 주기성을 지닌 n(1≤n≤N)개의 시계열 데이터가 확인되면, 상기 확인된 n개의 시계열 데이터를 지정된 주파수 특징에 대응하는 주파수 도메인(Frequency Domain) 기반의 시계열 데이터로 가공할 수 있다.

본 발명의 실시 방법에 따르면, 상기 주파수 특징은, 주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징을 포함할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 주파수 특징은, 주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)를 포함할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 주파수 특징은, 주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징과 주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)의 특징을 통계 처리하거나(예컨대, 평균, 보정 등) 수치 해석 처리하여(예컨대, 평균, 보정, 보간 등) 확인된 주기(또는 주파수)의 특징을 포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 시계열 데이터를 포함할 수 있다.

또한 상기 주파수 도메인으로 가공된 n개의 시계열 데이터는, 진동 센서를 통해 센싱된 장치의 단순 진동과 관련된 시계열 데이터 또는 전자파 센서를 통해 센싱된 전자파의 주파수와 관련된 시계열 데이터를 불포함한다.

여기서, 상기 진동 센서를 통해 센싱된 장치의 단순 진동과 관련된 시계열 데이터 또는 전자파 센서를 통해 센싱된 전자파의 주파수와 관련된 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭되는 주파수 특징에 대응하는 주파수 도메인으로 가공된 n개의 시계열 데이터에 불포함한다.

또한, 상기 진동 센서를 통해 센싱된 장치의 단순 진동과 관련된 시계열 데이터 또는 전자파 센서를 통해 센싱된 전자파의 주파수와 관련된 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭되는 주파수 특징에 대응하는 주파수 도메인으로 가공된 n개의 시계열 데이터와 구별되는 별도의 주파수 도메인에 대응하는 시계열 데이터로 식별 또는 관리될 수 있다.

도면1에 따르면, 상기 인공지능 학습부(120)는, 상기 데이터 가공부(115)를 통해 시계열 데이터가 주파수 도메인 기반의 시계열 데이터로 가공되면, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 M(M≥1)개의 대상 별 n'(1≤n'≤n)개의 시계열 데이터를 포함하는 M개의 대상 별 N'(1≤N'≤N, n'⊂N')개의 시계열 데이터를 지정된 구조로 포함하는 M개의 대상 별 복수의 분석/예측 학습데이터를 구성하고, 상기 구성된 M개의 대상 별 복수의 분석/예측 학습데이터를 이용하여 M개의 대상 별 분석이나 예측을 위해 구비된 M개의 인공지능모듈을 학습시킬 수 있다.

본 발명의 실시 방법에 따르면, 상기 n'개의 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 적어도 하나의 시계열 데이터를 포함할 수 있다.

한편, 상기 N'개의 시계열 데이터는, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 n'개의 시계열 데이터를 포함할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 N'개의 시계열 데이터는, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 n'개의 시계열 데이터를 포함하고, (N-n)개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함할 수 있다.

여기서, 상기 (N-n)개의 시계열 데이터는, 시간 도메인 기반의 시계열 데이터를 포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 인공지능 학습부(120)는, 상기 N'개의 시계열 데이터를 지정된 인공지능모듈의 학습데이터로 이용 가능하게 전처리할 수 있다.

상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터에 대한 데이터 정제, 데이터 변환, 데이터 필터링, 데이터 통합, 데이터 축소 중 어느 또는 둘 이상 조합을 적어도 1회 이상 수행할 수 있다.

본 발명의 실시 방법에 따르면, 상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터에 대한 문자 또는 카테고리 속성 값을 숫자형 데이터로 변경하는 데이터 변경 절차, 상기 N'개의 시계열 데이터에 포함된 각 시계열 데이터 간의 범위 차이를 지정된 일정 범위 내로 조정하는 데이터 배율(Scaling) 조정 절차 중 적어도 하나의 절차를 포함할 수 있다.

여기서, 상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터의 주기성을 지정된 시간 범위의 일정 시간 주기로 균일화하여 k(k≥1)개의 이전 데이터를 통해 다음 데이터의 결과 값을 도출 가능하게 처리하는 절차를 포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 분석/예측 학습데이터는, 상기 n'개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 n'개의 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 분석/예측 학습데이터는, 상기 n'개의 시계열 데이터를 포함하며 (N-n)개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함하는 (n'+i)개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 (n'+i)개의 시계열 데이터 중 지정된 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다. 여기서 상기 i개의 시계열 데이터는, 시간 도메인 기반의 시계열 데이터를 포함할 수 있다.

또한, 상기 i개의 시계열 데이터는, 시간 도메인 기반의 시계열 데이터를 포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 M개의 인공지능모듈은, 시계열 분석에 최적화된 LSTM(Long Short-Term Memory) 계열의 알고리즘을 포함할 수 있다.

도면1에 따르면, 상기 특징정보 확인부(125)는, 상기 인공지능 학습부(120)를 통해 M개의 대상 별 분석이나 예측을 위해 구비된 M개의 인공지능모듈을 학습시킨 후, 수집되고 전처리된 후 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 m(1≤m≤M)개의 대상 별 n'개의 시계열 데이터를 포함하는 m개의 대상 별 N'개의 시계열 데이터를 지정된 m개의 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인할 수 있다.

여기서, 상기 지정된 분석이나 예측을 위한 n'개의 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 적어도 하나의 시계열 데이터를 포함할 수 있다.

또한, 상기 N'개의 시계열 데이터는, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 n'개의 시계열 데이터를 포함할 수 있다.

또한, 상기 N'개의 시계열 데이터는, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 n'개의 시계열 데이터를 포함하고, (N-n)개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함할 수 있다. 여기서, 상기 (N-n)개의 시계열 데이터는, 시간 도메인 기반의 시계열 데이터를 포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 특징정보 확인부(125)는, 상기 M개의 대상 별 N'개의 시계열 데이터를 상기 학습된 M개의 인공지능모듈에 대입 가능하게 전처리할 수 있다.

여기서, 상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터에 대한 데이터 정제, 데이터 변환, 데이터 필터링, 데이터 통합, 데이터 축소 중 어느 또는 둘 이상 조합을 적어도 1회 이상 수행할 수 있다.

또한, 상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터에 대한 문자 또는 카테고리 속성 값을 숫자형 데이터로 변경하는 데이터 변경 절차, 상기 N'개의 시계열 데이터에 포함된 각 시계열 데이터 간의 범위 차이를 지정된 일정 범위 내로 조정하는 데이터 배율(Scaling) 조정 절차 중 적어도 하나의 절차를 포함할 수 있다.

또한, 상기 전처리는, 상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터의 주기성을 지정된 시간 범위의 일정 시간 주기로 균일화하여 k(k≥1)개의 이전 데이터를 통해 다음 데이터의 결과 값을 도출 가능하게 처리하는 절차를 포함할 수 있다.

그리고, 상기 특징정보 확인부(125)는, 상기 전처리된 m개의 대상 별 N'개의 시계열 데이터를 m개의 대상 별 분석이나 예측을 위한 m개의 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인할 수 있다.

한편, 상기 특징 정보는, 주파수 도메인 기반 시계열 데이터를 이용한 인공지능 기반 분석이나 예측에 대응하는 결과정보, 주파수 도메인 기반 시계열 데이터와 시간 도메인 기반 시계열 데이터를 다중 이용한 인공지능 기반 분석이나 예측에 대응하는 결과정보를 포함할 수 있다.

여기서, 상기 특징 정보는, 시간 도메인 기반 시계열 데이터만 이용한 인공지능 기반 분석이나 예측에 대응하는 결과정보를 불포함할 수 있다.

한편, 본 발명의 실시 방법에 따르면, 상기 특징정보 확인부(125)는, 상기 확인된 m개의 특징 정보를 지정된 저장매체에 저장하고, 상기 현장과 관련된 지정된 사용자 단말(140)로 상기 확인된 m개의 특징 정보를 제공할 수 있다.

여기서, 상기 특징 정보는, 이상 발생을 분석한 결과에 대응하는 특징 정보, 이상 발생을 예측한 결과에 대응하는 특징 정보, 미래 상태를 예측한 결과에 대응하는 특징 정보, 상기 현장에서 수행되는 적어도 일부 공정의 제어나 조정을 피드백하는 결과에 대응하는 특징 정보 중 적어도 하나의 특징 정보를 포함할 수 있다.

도면1에 따르면, 상기 제어모듈 학습부(130)는, 상기 특징정보 확인부(125)를 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보가 확인되면, 상기 확인된 m개의 특징 정보를 포함하며 상기 서비스 현장에 구비된 E(E≥1)개의 장치 중 상기 m개의 특징 정보와 관련된 e(1≤e≤E)개의 장치를 제어하기 위해 설정되는 e개의 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킬 수 있다.

본 발명의 실시 방법에 따르면, 상기 제어모듈 학습부(130)는, 상기 확인된 m개의 특징 정보를 지정된 전문가 단말(별도 도시하지 않음)로 제공하여 전문가에 의해 상기 서비스 현장에 구비된 E개의 장치 중 상기 m개의 특징 정보와 관련된 e개의 장치를 제어하기 위해 설정되는 e개의 제어 정보를 확인할 수 있다.

여기서, 상기 전문가는, 서비스 현장과 관련된 분야의 학위를 지닌 자, 서비스 현장과 관련된 분야의 지정된 자격증을 득한 자, 서비스 현장과 관련된 분야에서 지정된 기간 이상 경험을 가진 자 중 적어도 하나를 포함할 수 있다.

본 발명의 실시 방법에 따르면, 상기 제어모듈 학습부(130)는, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 절차를 수행할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 제어모듈 학습부(130)는, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우, 상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인하고, 상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성하여, 상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시킬 수 있다.

여기서, 상기 제어모듈 학습부(130)는, 상기 현장에 대응하는 사용자 단말로부터 상기 m개의 대상 별 실측 정보를 수신할 수 있다.

또한, 상기 제어모듈 학습부(130)는, 상기 m개의 대상 별 실측 정보에 해당하는 데이터를 생성/관리하거나 상기 m개의 대상 별 실측 정보를 도출하기 위해 이용될 데이터를 생성/관리하는 서버로부터 상기 데이터를 수신하는 수신하고, 상기 수신된 데이터를 근거로 상기 m개의 대상 별 실측 정보를 확인할 수 있다.

또한, 상기 제어모듈 학습부(130)는, 상기 현장에 구비된 센서 중 상기 m개의 대상 별 실측 정보에 해당하는 데이터를 센싱하거나 상기 m개의 대상 별 실측 정보를 도출하기 위해 이용될 데이터를 센싱하는 센서를 통해 센싱된 센싱 데이터를 수신하고, 상기 수신된 센싱 데이터를 근거로 상기 m개의 대상 별 실측 정보를 확인할 수 있다.

또한, 상기 실측 정보는, 상기 e개의 제어 정보를 이용하여 e개의 장치를 제어한 결과에 대응하는 생산량, 생산 품질, 이상 발생, 고장 발생, 환경 피해 발생, 병충해 발생 중 적어도 하나의 대상을 실측한 정보를 포함할 수 있다.

또한, 상기 피드백 정보는, 상기 e개의 장치의 제어와 관련된 효율 향상을 위해 상기 현장에 구비된 e개의 장치를 제어한 e개의 제어 정보 중 지정된 e'(1≤e'≤e)개의 제어 정보를 사후적으로 조정한 e'개의 제어 정보를 포함할 수 있다.

또한, 상기 제어 학습데이터는, 상기 m개의 특징 정보를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 피드백 정보를 포함하는 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

또한, 상기 제어 학습데이터는, 상기 m개의 특징 정보를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 e개의 제어 정보를 포함하는 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

도면1에 따르면, 상기 제어정보 확인부(135)는, 상기 제어모듈 학습부(130)를 통해 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킨 후, 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한 경우, 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인할 수 있다.

도면1에 따르면, 상기 장치 제어부(140)는, 상기 제어정보 확인부(135)를 통해 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보가 확인되면, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 절차를 수행할 수 있다.

본 발명의 실시 방법에 따르면, 상기 장치 제어부(140)는, 상기 제어용 인공지능모듈을 통해 확인된 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우, 상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인하고, 상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성하여, 상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시킬 수 있다.

여기서, 상기 장치 제어부(140)는, 상기 현장에 대응하는 사용자 단말로부터 상기 m개의 대상 별 실측 정보를 수신할 수 있다.

또한, 상기 장치 제어부(140)는, 상기 m개의 대상 별 실측 정보에 해당하는 데이터를 생성/관리하거나 상기 m개의 대상 별 실측 정보를 도출하기 위해 이용될 데이터를 생성/관리하는 서버로부터 상기 데이터를 수신하고, 상기 수신된 데이터를 근거로 상기 m개의 대상 별 실측 정보를 확인할 수 있다.

또한, 상기 장치 제어부(140)는, 상기 현장에 구비된 센서 중 상기 m개의 대상 별 실측 정보에 해당하는 데이터를 센싱하거나 상기 m개의 대상 별 실측 정보를 도출하기 위해 이용될 데이터를 센싱하는 센서를 통해 센싱된 센싱 데이터를 수신하고, 상기 수신된 센싱 데이터를 근거로 상기 m개의 대상 별 실측 정보를 확인할 수 있다.

여기서, 상기 실측 정보는, 상기 e개의 제어 정보를 이용하여 e개의 장치를 제어한 결과에 대응하는 생산량, 생산 품질, 이상 발생, 고장 발생, 환경 피해 발생, 병충해 발생 중 적어도 하나의 대상을 실측한 정보를 포함할 수 있다.

도면2는 본 발명의 실시 방법에 따라 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 것으로 확인된 시계열 데이터를 주파수 도메인 기반의 시계열 데이터로 가공하는 과정을 도시한 흐름도이다.

보다 상세하게 본 도면2는 운영서버(100)에서 서비스 현장에 구비된 센서나 카메라를 통해 수집되어 모형화한 시계열 데이터를 구성하고, 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 시계열 데이터를 확인하여, 시계열 데이터를 주파수 도메인 기반의 시계열 데이터로 가공하는 과정을 도시한 것으로서, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자라면, 본 도면2를 참조 및/또는 변형하여 상기 과정에 대한 다양한 실시 방법(예컨대, 일부 단계가 생략되거나, 또는 순서가 변경된 실시 방법)을 유추할 수 있을 것이나, 본 발명은 상기 유추되는 모든 실시 방법을 포함하여 이루어지며, 본 도면2에 도시된 실시 방법만으로 그 기술적 특징이 한정되지 아니한다.

도면2를 참조하면, 운영서버(100)는 서비스 현장에 구비된 S(S≥1)개의 센서를 통해 시계열적으로 센싱된 S개의 센싱 데이터와 상기 현장에 구비된 C(C≥1)개의 카메라를 통해 시계열적으로 촬영된 C개의 영상 데이터 중 지정된 D(1≤D≤(S+C))개의 수집 데이터를 수집한다(200).

여기서, 상기 전처리는, 상기 D개의 수집 데이터 중 지정된 주기성을 지닌 수집 데이터의 주기적 패턴 또는 일정 시간 간격의 대표성을 드러나도록 평균화하는 절차를 포함할 수 있다.

또한, 상기 전처리는, 상기 D개의 수집 데이터 중 지정된 독립 변수에 대응하는 데이터에 대하여 이전 시간의 데이터에 의해 가중된 편향성에 대응하는 시간적 영향을 보정하는 절차를 포함할 수 있다.

상기 D개의 수집 데이터가 수집되면, 상기 운영서버(100)는 상기 수집된 D개의 데이터를 전처리하여 상기 현장에서 수행되는 공정이나 생육의 시계열성과 관련된 T(T≥1)개의 시계열 모형과 허용 범위 내 매칭 가능하게 모형화한 N(1≤N≤D)개의 시계열 데이터를 구성한다(205).

여기서, 상기 T개의 시계열 모형은, 서비스 현장에 구비된 장치를 통해 수행되는 공정의 시계열적 특성과 매칭 가능한 시계열 모형, 농업 현장에서 재배되는 작물의 생육과 관련된 시계열적 특성과 매칭 가능한 시계열 모형 중 적어도 하나의 시계열 모형을 포함할 수 있다.

또한, 상기 N개의 시계열 데이터는, 시계열적 센싱이나 시계열적 촬영에 의해 생성된 수집 데이터의 시계열적 특성에 근거하는 시간 도메인(Time Domain) 기반의 시계열 데이터를 포함할 수 있다.

상기 N개의 시계열 데이터가 구성되면, 상기 운영서버(100)는 상기 N개의 시계열 데이터를 근거로 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 t(1≤t≤T)개의 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n(1≤n≤N)개의 시계열 데이터를 확인한다(210).

여기서, 상기 주기성은, 서비스 현장에 구비된 장치를 통해 일정 간격 단위로 반복 수행되는 적어도 하나의 공정에 대응하는 주기성, 서비스 현장에 구비된 장치를 통해 수행할 적어도 하나의 공정과 관련된 스케쥴에 대응하는 주기성, 하루 간격(또는 지구 자전 간격)의 변화에 대응하는 주기성, 지정된 기간의 추세 변화에 대응하는 주기성, 계절 변화에 대응하는 주기성, 1년 간격(또는 지구 공전 간격)의 변화에 대응하는 주기성 중 적어도 하나의 주기성을 포함할 수 있다.

또한, 상기 t개의 시계열 모형은, 상기 현장에서 수행되는 공정이나 생육의 시계열적 특성과 매칭된 시계열성을 포함하면서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성을 다중 포함하는 주기성 시계열 모형을 포함할 수 있다.

본 발명의 실시 방법에 따르면, 상기 운영서버(100)는 적어도 하나의 주기성 시계열 모형을 근거로 상기 N개의 시계열 데이터를 분석하여 적어도 하나의 지정된 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인할 수 있다.

또한, 본 발명의 실시 방법에 따르면, 상기 운영서버(100)는 시간 변동에 따른 데이터 변동이 지정된 기준 값 이상 느린 시계열 데이터의 경우, 상기 시계열 데이터에 지정된 지수 평활법을 적용한 후 적어도 하나의 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인할 수 있다.

상기 n개의 시계열 데이터가 확인되면, 상기 운영서버(100)는 상기 확인된 n개의 시계열 데이터를 지정된 주파수 특징에 대응하는 주파수 도메인(Frequency Domain) 기반의 시계열 데이터로 가공한다(215).

여기서, 상기 주파수 특징은, 주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징을 포함하거나, 또는 주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)를 포함하거나, 또는 주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징과 주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)의 특징을 통계 처리하거나 수치 해석 처리하여 확인된 주기(또는 주파수)의 특징을 포함할 수 있다.

또한, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터는, 상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 시계열 데이터를 포함할 수 있다.

도면3은 본 발명의 실시 방법에 따라 지정된 분석이나 예측을 위해 학습된 인공지능모듈에 지정된 대상 별 시계열 데이터를 대입하여 대상을 분석하거나 예측한 특징 정보를 확인하는 과정을 도시한 흐름도이다.

보다 상세하게 본 도면3은 상기 도면2의 과정 이후, 운영서버(100)에서 주파수 도메인으로 가공된 시계열 데이터를 포함하는 지정된 대상 별 복수의 분석/예측을 위한 학습데이터를 구성하여, 상기 구성된 학습데이터를 이용하여 대상 별 분석이나 예측을 위한 인공지능모듈을 학습시킨 후, 주파수 도메인으로 가공된 지정된 대상 별 시계열 데이터를 인공지능모듈에 대입하여 지정된 대상을 분석 또는 예측한 특징 정보를 확인하는 과정을 도시한 것으로서, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자라면, 본 도면3을 참조 및/또는 변형하여 상기 과정에 대한 다양한 실시 방법(예컨대, 일부 단계가 생략되거나, 또는 순서가 변경된 실시 방법)을 유추할 수 있을 것이나, 본 발명은 상기 유추되는 모든 실시 방법을 포함하여 이루어지며, 본 도면3에 도시된 실시 방법만으로 그 기술적 특징이 한정되지 아니한다.

도면3을 참조하면, 운영서버(100)는 상기 도면2의 과정을 통해 시계열 데이터를 지정된 주파수 특징에 대응하는 주파수 도메인(Frequency Domain) 기반의 시계열 데이터로 가공한 이후,

상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 M(M≥1)개의 대상 별 n'(1≤n'≤n)개의 시계열 데이터를 포함하는 M개의 대상 별 N'(1≤N'≤N, n'⊂N')개의 시계열 데이터를 지정된 구조로 포함하는 M개의 대상 별 복수의 분석/예측 학습데이터를 구성하기 위해 전처리한다(300).

여기서, 상기 N'개의 시계열 데이터는, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 n'개의 시계열 데이터를 포함하고, (N-n)개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함할 수 있다.

상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 M(M≥1)개의 대상 별 n'(1≤n'≤n)개의 시계열 데이터를 포함하는 M개의 대상 별 N'(1≤N'≤N, n'⊂N')개의 시계열 데이터가 M개의 인공지능모듈의 학습데이터로 이용 가능하게 전처리되면, 상기 운영서버(100)는 상기 M(M≥1)개의 대상 별 n'(1≤n'≤n)개의 시계열 데이터를 포함하는 M개의 대상 별 N'(1≤N'≤N, n'⊂N')개의 시계열 데이터를 지정된 구조로 포함하는 M개의 대상 별 복수의 분석/예측 학습데이터를 구성한다(305).

여기서, 상기 분석/예측 학습데이터는, 상기 n'개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 n'개의 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

또한, 상기 분석/예측 학습데이터는, 상기 n'개의 시계열 데이터를 포함하며 (N-n)개의 시계열 데이터 중 지정된 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함하는 (n'+i)개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 (n'+i)개의 시계열 데이터 중 지정된 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

상기 복수의 분석/예측 학습데이터가 구성되면, 상기 운영서버(100)는 상기 구성된 M개의 대상 별 복수의 분석/예측 학습데이터를 이용하여 M개의 대상 별 분석이나 예측을 위해 구비된 M개의 학습시킨다(310).

이후, 상기 운영서버(100)는 상기 도면2의 과정을 통해 수집되고 전처리된 후 지정된 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 m(1≤m≤M)개의 대상 별 n'개의 시계열 데이터를 포함하는 m개의 대상 별 N'개의 시계열 데이터를 지정된 m개의 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한다(315).

여기서, 상기 특징 정보는, 주파수 도메인 기반 시계열 데이터를 이용한 인공지능 기반 분석이나 예측의 결과에 대응하는 특징 정보, 주파수 도메인 기반 시계열 데이터와 시간 도메인 기반 시계열 데이터를 다중 이용한 인공지능 기반 분석이나 예측의 결과에 대응하는 특징 정보를 포함할 수 있다.

이후, 상기 운영서버(100)는 상기 확인된 m개의 특징 정보를 지정된 저장매체에 저장하고(320), 상기 현장과 관련된 지정된 사용자 단말(140)로 상기 확인된 m개의 특징 정보를 제공한다(325).

도면4는 본 발명의 실시 방법에 따라 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킨 후, 특징 정보를 제어용 인공지능모듈에 대입하여 현장에 구비된 장치를 제어하기 위한 제어 정보를 확인하여 현장의 장치를 제어하는 과정을 도시한 흐름도이다.

보다 상세하게 본 도면4는 상기 도면3의 과정 이후, 운영서버(100)에서 특징 정보와 관련된 현장의 장치를 제어하기 위한 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시키고, 상기 인공지능모듈을 통해 지정된 대상을 분석하거나 예측한 특징 정보가 확인되면, 확인된 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 장치를 제어하기 위한 제어 정보를 확인하고, 상기 확인된 제어 정보로 상기 현장의 장치를 제어하는 과정을 도시한 것으로서, 본 발명이 속한 기술분야에서 통상의 지식을 가진 자라면, 본 도면4를 참조 및/또는 변형하여 상기 과정에 대한 다양한 실시 방법(예컨대, 일부 단계가 생략되거나, 또는 순서가 변경된 실시 방법)을 유추할 수 있을 것이나, 본 발명은 상기 유추되는 모든 실시 방법을 포함하여 이루어지며, 본 도면4에 도시된 실시 방법만으로 그 기술적 특징이 한정되지 아니한다.

도면4를 참조하면, 운영서버(100)는 상기 도면3의 과정을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보가 확인되면, 상기 확인된 m개의 특징 정보를 포함하며 상기 서비스 현장에 구비된 E(E≥1)개의 장치 중 상기 m개의 특징 정보와 관련된 e(1≤e≤E)개의 장치를 제어하기 위해 설정되는 e개의 제어 정보를 포함하는 복수의 제어 학습데이터를 구성한다(400).

여기서, 상기 운영서버(100)는 상기 확인된 m개의 특징 정보를 지정된 전문가 단말로 제공하여 전문가에 의해 상기 서비스 현장에 구비된 E개의 장치 중 상기 m개의 특징 정보와 관련된 e개의 장치를 제어하기 위해 설정되는 e개의 제어 정보를 확인할 수 있다.

상기 복수의 제어 학습데이터가 구성되면, 상기 운영서버(100)는 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시킨다(405).

여기서, 상기 운영서버(100)는 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어할 수 있으며, 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우, 상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인하고, 상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성하여, 상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시킬 수 있다.

상기 제어용 인공지능모듈의 학습 후, 상기 운영서버(100)는 상기 도면2 내지 도면3의 과정을 통해 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한다(410).

그리고, 상기 운영서버(100)는 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인한다(415).

상기 e개의 제어 정보가 확인되면, 상기 운영서버(100)는 상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한다(420).

상기 제어용 인공지능모듈을 통해 확인된 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우, 상기 운영서버(100)는 상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인한다(425).

그리고, 상기 운영서버(100)는 상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성한다(430).

여기서, 상기 피드백 정보는, 상기 e개의 장치의 제어와 관련된 효율 향상을 위해 상기 현장에 구비된 e개의 장치를 제어한 e개의 제어 정보 중 지정된 e'(1≤e'≤e)개의 제어 정보를 사후적으로 조정한 e'개의 제어 정보를 포함할 수 있다.

상기 피드백 정보가 생성되면, 상기 운영서버(100)는 상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시킨다(435).

여기서, 상기 제어 학습데이터는, 상기 m개의 특징 정보를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고, 상기 피드백 정보를 포함하는 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함할 수 있다.

100 : 운영서버 105 : 데이터 구성부
110 : 데이터 확인부 115 : 데이터 가공부
120 : 인공지능 학습부 125 : 특징정보 확인부
130 : 제어모듈 학습부 135 : 제어정보 확인부
140 : 장치 제어부 145 : 장치
150 : 사용자 단말

Claims

운영서버를 통해 실행되는 방법에 있어서,
서비스 현장에 구비된 S(S≥1)개의 센서를 통해 시계열적으로 센싱된 S개의 센싱 데이터와 상기 현장에 구비된 C(C≥1)개의 카메라를 통해 시계열적으로 촬영된 C개의 영상 데이터 중 지정된 D(1≤D≤(S+C))개의 수집 데이터를 수집하고 전처리하여 상기 현장에서 수행되는 공정이나 생육의 시계열성과 관련된 T(T≥1)개의 시계열 모형과 허용 범위 내 매칭 가능하게 모형화한 N(1≤N≤D)개의 시계열 데이터를 구성하는 제1 단계;
상기 N개의 시계열 데이터를 근거로 상기 현장에서 수행되는 적어도 하나의 공정이나 생육과 관련된 지정된 주기성과 매칭 가능한 주기성을 지닌 t(1≤t≤T)개의 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n(1≤n≤N)개의 시계열 데이터를 확인하는 제2 단계;
상기 확인된 n개의 시계열 데이터를 지정된 주파수 특징에 대응하는 주파수 도메인(Frequency Domain) 기반의 시계열 데이터로 가공하는 제3 단계;
상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 M(M≥1)개의 대상 별 n'(1≤n'≤n)개의 시계열 데이터를 포함하는 M개의 대상 별 N'(1≤N'≤N, n'⊂N')개의 시계열 데이터를 지정된 구조로 포함하는 M개의 대상 별 복수의 분석/예측 학습데이터를 구성하고, 상기 구성된 M개의 대상 별 복수의 분석/예측 학습데이터를 이용하여 M개의 대상 별 분석이나 예측을 위해 구비된 M개의 인공지능모듈을 학습시키는 제4 단계;
상기 M개의 인공지능모듈의 학습 후, 상기 제1 내지 제3 단계에 대응하는 과정을 거쳐 수집되고 전처리된 후 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 m(1≤m≤M)개의 대상 별 n'개의 시계열 데이터를 포함하는 m개의 대상 별 N'개의 시계열 데이터를 지정된 m개의 인공지능모듈에 대입하여 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인하는 제5 단계;
상기 확인된 m개의 특징 정보를 포함하며 상기 서비스 현장에 구비된 E(E≥1)개의 장치 중 상기 m개의 특징 정보와 관련된 e(1≤e≤E)개의 장치를 제어하기 위해 설정되는 e개의 제어 정보를 포함하는 복수의 제어 학습데이터를 구성하여 상기 현장에 구비된 장치의 제어를 위한 제어용 인공지능모듈을 학습시키는 제6 단계;
상기 제어용 인공지능모듈의 학습 후, 상기 제1 내지 제5 단계에 대응하는 과정을 거쳐 지정된 m개의 인공지능모듈을 통해 m개의 대상을 분석하거나 예측한 m개의 특징 정보를 확인한 경우, 상기 m개의 특징 정보를 상기 제어용 인공지능모듈에 대입하여 상기 현장에 구비된 e개의 장치를 제어하기 위한 e개의 제어 정보를 확인하는 제7 단계; 및
상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 절차를 수행하는 제8 단계;를 포함하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 전처리는,
상기 D개의 수집 데이터 중 지정된 주기성을 지닌 수집 데이터의 주기적 패턴 또는 일정 시간 간격의 대표성을 드러나도록 평균화하는 절차를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 전처리는,
상기 D개의 수집 데이터 중 지정된 독립 변수에 대응하는 데이터에 대하여 이전 시간의 데이터에 의해 가중된 편향성에 대응하는 시간적 영향을 보정하는 절차를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 T개의 시계열 모형은,
서비스 현장에 구비된 장치를 통해 수행되는 공정의 시계열적 특성과 매칭 가능한 시계열 모형,
서비스 현장에서 재배되는 작물의 생육과 관련된 시계열적 특성과 매칭 가능한 시계열 모형 중 적어도 하나의 시계열 모형을 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 N개의 시계열 데이터는,
시계열적 센싱이나 시계열적 촬영에 의해 생성된 수집 데이터의 시계열적 특성에 근거하는 시간 도메인(Time Domain) 기반의 시계열 데이터를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 주기성은,
서비스 현장에 구비된 장치를 통해 일정 간격 단위로 반복 수행되는 적어도 하나의 공정에 대응하는 주기성,
서비스 현장에 구비된 장치를 통해 수행할 적어도 하나의 공정과 관련된 스케쥴에 대응하는 주기성,
하루 간격(또는 지구 자전 간격)의 변화에 대응하는 주기성,
지정된 기간의 추세 변화에 대응하는 주기성,
계절 변화에 대응하는 주기성,
1년 간격(또는 지구 공전 간격)의 변화에 대응하는 주기성 중 적어도 하나의 주기성을 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 t개의 시계열 모형은,
상기 현장에서 수행되는 공정이나 생육의 시계열적 특성과 매칭된 시계열성을 포함하면서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성을 다중 포함하는 주기성 시계열 모형을 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 제2 단계는,
적어도 하나의 주기성 시계열 모형을 근거로 상기 N개의 시계열 데이터를 분석하여 적어도 하나의 지정된 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인하는 단계를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항 또는 제 8항에 있어서, 상기 제2 단계는,
시간 변동에 따른 데이터 변동이 지정된 기준 값 이상 느린 시계열 데이터의 경우,
상기 시계열 데이터에 지정된 지수 평활법을 적용한 후 적어도 하나의 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인하는 단계를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항 또는 제 8항에 있어서, 상기 제2 단계는,
적어도 하나의 주기성 시계열 모형을 근거로 상기 N개의 시계열 데이터를 분석하되, 상기 시계열 데이터에 포함된 랜덤(Random) 요소나 잔차(Residual/Remainder) 요소에 대응하는 데이터를 분리 분석하여 적어도 하나의 주기성 시계열 모형과 지정된 허용 범위 내 매칭 가능한 주기성을 지닌 n개의 시계열 데이터를 확인하는 단계를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 주파수 특징은,
주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징을 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 주파수 특징은,
주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 주파수 특징은,
주기성을 지닌 시계열 모형에 대응하는 모형 기반 주기(또는 주파수)의 특징과 주기성을 지닌 시계열 데이터를 판독하여 확인된 데이터 기반 주기(또는 주파수)의 특징을 통계 처리하거나 수치 해석 처리하여 확인된 주기(또는 주파수)의 특징을 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 주파수 도메인으로 가공된 n개의 시계열 데이터는,
상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 시계열 데이터를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 n'개의 시계열 데이터는,
상기 현장에서 지정된 주기를 포함하여 수행되는 공정의 주기적 특성이나 지정된 변화(또는 추세)에 영향을 받는 생육의 주기적 특성과 매칭되는 주기성과 허용 범위 내 매칭 가능한 주파수 특징에 대응하는 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 적어도 하나의 시계열 데이터를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 N'개의 시계열 데이터는,
상기 주파수 도메인으로 가공된 n개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 n'개의 시계열 데이터를 포함하고,
(N-n)개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 제4 단계는,
상기 N'개의 시계열 데이터를 지정된 인공지능모듈의 학습데이터로 이용 가능하게 전처리하는 단계를 더 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 17항에 있어서, 상기 전처리는,
상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터에 대한 문자 또는 카테고리 속성 값을 숫자형 데이터로 변경하는 데이터 변경 절차,
상기 N'개의 시계열 데이터에 포함된 각 시계열 데이터 간의 범위 차이를 지정된 일정 범위 내로 조정하는 데이터 배율(Scaling) 조정 절차 중 적어도 하나의 절차를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 17항에 있어서, 상기 전처리는,
상기 N'개의 시계열 데이터에 포함된 적어도 하나의 시계열 데이터의 주기성을 지정된 시간 범위의 일정 시간 주기로 균일화하여 k(k≥1)개의 이전 데이터를 통해 다음 데이터의 결과 값을 도출 가능하게 처리하는 절차를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 분석/예측 학습데이터는,
상기 n'개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고,
상기 n'개의 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 분석/예측 학습데이터는,
상기 n'개의 시계열 데이터를 포함하며 (N-n)개의 시계열 데이터 중 지정된 대상의 분석이나 예측에 필요한 i(1≤i≤(N-n))개의 시계열 데이터를 포함하는 (n'+i)개의 시계열 데이터를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고,
상기 (n'+i)개의 시계열 데이터 중 지정된 시계열 데이터와 관련된 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 제5 단계는,
상기 M개의 대상 별 N'개의 시계열 데이터를 상기 학습된 M개의 인공지능모듈에 대입 가능하게 전처리하는 단계를 더 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 특징 정보는,
주파수 도메인 기반 시계열 데이터를 이용한 인공지능 기반 분석이나 예측의 결과에 대응하는 특징 정보,
주파수 도메인 기반 시계열 데이터와 시간 도메인 기반 시계열 데이터를 다중 이용한 인공지능 기반 분석이나 예측의 결과에 대응하는 특징 정보를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 제6 단계는,
상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어하는 절차를 수행하는 단계를 더 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 제6 단계는,
상기 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우,
상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인하는 단계;
상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성하는 단계; 및
상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시키는 단계;를 더 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 25항에 있어서, 상기 실측 정보는,
상기 e개의 제어 정보를 이용하여 e개의 장치를 제어한 결과에 대응하는 생산량, 생산 품질, 이상 발생, 고장 발생, 환경 피해 발생, 병충해 발생 중 적어도 하나의 대상을 실측한 정보를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 25항에 있어서, 상기 피드백 정보는,
상기 e개의 장치의 제어와 관련된 효율 향상을 위해 상기 현장에 구비된 e개의 장치를 제어한 e개의 제어 정보 중 지정된 e'(1≤e'≤e)개의 제어 정보를 사후적으로 조정한 e'개의 제어 정보를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 제어 학습데이터는,
상기 m개의 특징 정보를 인공지능 학습을 위한 관측 특징 또는 특징 벡터(Feature Vector)에 대응하는 데이터로 포함하고,
상기 e개의 제어 정보를 포함하는 관측 결과 또는 라벨(Label)에 대응하는 j(i≥1)개의 데이터를 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.
제 1항에 있어서, 상기 제8 단계는,
상기 제어용 인공지능모듈을 통해 확인된 e개의 제어 정보를 이용하여 상기 현장에 구비된 e개의 장치를 제어한 경우,
상기 현장에 구비된 e개의 장치 제어와 관련된 m개의 특징 정보와 e개의 제어 정보의 조합에 대하여 현재 내지 일정 기간 경과 후 실측된 m개의 대상 별 실측 정보를 확인하는 단계;
상기 m개의 특징 정보와 상기 확인된 m개의 대상 별 실측 정보를 비교 분석하여 상기 e개의 장치의 제어와 관련된 효율 향상을 위한 제어 정보에 대응하는 피드백 정보를 생성하는 단계; 및
상기 m개의 특징 정보와 상기 생성된 피드백 정보를 포함하는 제어 학습데이터를 구성하여 상기 제어용 인공지능모듈을 추가 학습시키는 단계;를 더 포함하는 것을 특징으로 하는 시계열 데이터를 이용한 서비스 현장 제어 방법.