KR20240023856A - 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치 - Google Patents
간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치 Download PDFInfo
- Publication number
- KR20240023856A KR20240023856A KR1020220102080A KR20220102080A KR20240023856A KR 20240023856 A KR20240023856 A KR 20240023856A KR 1020220102080 A KR1020220102080 A KR 1020220102080A KR 20220102080 A KR20220102080 A KR 20220102080A KR 20240023856 A KR20240023856 A KR 20240023856A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- prediction
- simple measuring
- fine dust
- analysis
- Prior art date
Links
- 239000000428 dust Substances 0.000 title claims abstract description 111
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000013480 data collection Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000003915 air pollution Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 101000694017 Homo sapiens Sodium channel protein type 5 subunit alpha Proteins 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0096—Investigating consistence of powders, dustability, dustiness
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Combustion & Propulsion (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치에 관한 것으로, 특정 지역의 초미세먼지에 관한 관측 데이터를 수집하는 데이터 수집부; 상기 관측 데이터를 전처리(pre-processing)한 후 적어도 하나의 분석 알고리즘을 적용하여 상기 특정 지역의 초미세먼지에 관한 분석 데이터를 생성하는 데이터 분석부; 상기 분석 데이터를 빅데이터화하고 상기 특정 지역의 초미세먼지에 관한 예측 데이터를 생성하는 데이터 예측부; 및 상기 분석 데이터 및 상기 예측 데이터를 시각화하여 3차원 공기 오염맵(Air Pollution Map)을 구축하고 상기 초미세먼지에 관한 개인 단위의 웹 서비스를 제공하는 서비스 제공부;를 포함한다.
Description
본 발명은 초미세먼지 현상규명 및 예측 기술에 관한 것으로, 이동식 초미세먼지 측정기를 이용한 성분 분석을 통해 시민 주거환경 중심의 미세먼지 오염정보를 공유하여 도시 곳곳의 실시간 통합 모니터링을 가능하게 하며, 우리 동네 오염원을 추적 및 관리할 수 있도록 지원함으로써 시민 스스로 직접 체감할 수 있는 시스템에 관한 것이다.
2018년 통계청에 따르면 우리나라 도시화율은 91.0%에 해당하며, 인구집중 및 산업화, 그리고 이와 융복합된 자연환경 및 기후의 변화로 유발되는 미세먼지 문제로 인해 시민의 삶의 질이 날로 악화되고 있다.
특히, 국내 도시의 초미세먼지(PM2.5) 농도는 선진국 주요도시의 2배 이상 수준이며 최근 봄철(12월 ~ 3월)의 초미세먼지는 오히려 심화되는 경향을 보이고 있다.
이는 시민들의 삶의 만족도를 현저히 저해할 뿐만 아니라, 초미세먼지에 대한 높은 시민적 불안을 야기할 수 있으며, 이에 따라 정부적인 차원에서 초미세먼지 해결을 위해 범부처 간의 대응이 필요할 수 있다.
또한, 초미세먼지 해결을 위한 전략적 목표가 수립되었음에도 불구하고 기술 분야별 다양한 전문가 그룹이 산발적으로 요소기술 개발을 추진하여 범정부적 정책과의 연계가 어렵고 전략성을 확보하기 어려운 구조라 할 수 있다.
본 발명의 일 실시예는 이동식 초미세먼지 측정기를 이용한 성분 분석을 통해 시민 주거환경 중심의 미세먼지 오염정보를 공유하여 도시 곳곳의 실시간 통합 모니터링을 가능하게 하며, 우리 동네 오염원을 추적 및 관리할 수 있도록 지원함으로써 시민 스스로 직접 체감할 수 있는 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치를 제공하고자 한다.
실시예들 중에서, 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치는 특정 지역의 초미세먼지에 관한 관측 데이터를 수집하는 데이터 수집부; 상기 관측 데이터를 전처리(pre-processing)한 후 적어도 하나의 분석 알고리즘을 적용하여 상기 특정 지역의 초미세먼지에 관한 분석 데이터를 생성하는 데이터 분석부; 상기 분석 데이터를 빅데이터화하고 상기 특정 지역의 초미세먼지에 관한 예측 데이터를 생성하는 데이터 예측부; 및 상기 분석 데이터 및 상기 예측 데이터를 시각화하여 3차원 공기 오염맵(Air Pollution Map)을 구축하고 상기 초미세먼지에 관한 개인 단위의 웹 서비스를 제공하는 서비스 제공부;를 포함한다.
상기 데이터 수집부는 상기 특정 지역에 설치되어 운용되는 대기오염 측정설비, 비산먼지 모니터링 장치 및 지하철 공기질 측정 장치로부터 미세먼지 광역 관측 정보를 수집하면서 상기 특정 지역 내에서 개인 단위로 휴대 가능한 간이 측정기로부터 미세먼지 조밀 관측 정보를 수집할 수 있다.
상기 데이터 분석부는 상기 미세먼지 광역 관측 정보와 상기 미세먼지 조밀 관측 정보 중 어느 하나를 입력 데이터로 수집하는 데이터 수집모듈; 상기 입력 데이터의 유형에 따라 데이터 정형화를 위한 복수의 처리 규칙들 중 어느 하나를 정형화 규칙으로 결정하는 규칙 결정모듈; 및 상기 입력 데이터에 상기 정형화 규칙을 적용하여 정형 데이터를 생성하는 데이터 정형화모듈;을 포함할 수 있다.
상기 데이터 예측부는 상기 특정 지역 내에 존재하는 간이 측정기의 위치를 중심으로 소정의 반경 내로 정의되는 예측 영역에 대해 상기 간이 측정기의 미세먼지 조밀 관측 정보를 기준으로 상기 미세먼지 광역 관측 정보를 적용하여 공기질 예측 정보를 생성할 수 있다.
상기 데이터 예측부는 상기 간이 측정기의 위치 인근에 다른 간이 측정기가 존재하는 경우 예측 영역들 간의 중첩이 발생하지 않도록 상기 예측 영역의 반경을 동적으로 결정하고, 상기 인근의 예측 영역들 사이에서 상기 공기질 예측 정보가 동일한 경우 해당 예측 영역들 간의 병합을 통해 예측 영역을 확장 처리할 수 있다.
상기 서비스 제공부는 상기 특정 지역 내에서 사용자 단말의 요청에 따라 상기 초미세먼지에 관한 현황 및 예측 정보를 상기 사용자 단말의 위치를 기준으로 재생성하여 제공할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치는 이동식 초미세먼지 측정기를 이용한 성분 분석을 통해 시민 주거환경 중심의 미세먼지 오염정보를 공유하여 도시 곳곳의 실시간 통합 모니터링을 가능하게 하며, 우리 동네 오염원을 추적 및 관리할 수 있도록 지원함으로써 시민 스스로 직접 체감할 수 있다.
도 1은 본 발명에 따른 플랫폼 제공 시스템을 설명하는 도면이다.
도 2는 도 1의 플랫폼 제공 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 플랫폼 제공 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 예측 영역을 생성하고 갱신하는 과정을 설명하는 도면이다.
도 6a 및 6b는 본 발명에 따른 모니터링 정보의 시각화 과정의 일 실시예를 설명하는 도면이다.
도 7 및 8은 본 발명에 따른 현황데이터의 시각화 과정의 다양한 실시예들을 설명하는 도면이다.
도 2는 도 1의 플랫폼 제공 장치의 시스템 구성을 설명하는 도면이다.
도 3은 도 1의 플랫폼 제공 장치의 기능적 구성을 설명하는 도면이다.
도 4는 본 발명에 따른 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 방법을 설명하는 순서도이다.
도 5는 본 발명에 따른 예측 영역을 생성하고 갱신하는 과정을 설명하는 도면이다.
도 6a 및 6b는 본 발명에 따른 모니터링 정보의 시각화 과정의 일 실시예를 설명하는 도면이다.
도 7 및 8은 본 발명에 따른 현황데이터의 시각화 과정의 다양한 실시예들을 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 플랫폼 제공 시스템을 설명하는 도면이다.
도 1을 참조하면, 플랫폼 제공 시스템(100)은 간이 측정기(110), 플랫폼 제공 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
간이 측정기(110)는 이동식 초미세먼지 측정 장치에 해당할 수 있으며, 사용자 개인이 소지함으로써 기존의 정보 수집 단위를 개인 단위로 압축할 수 있게 하고, 이를 통해 데이터 분석의 신뢰도를 높이면서 기능의 다양화를 가능하게 할 수 있다. 간이 측정기(110)는 휴대성을 기반으로 사용자 개인은 물론 차량이나 퍼스널 모빌리티 등의 이동 수단과 함께 이동하는 과정에서 지역 내 다양한 장소에서의 초미세먼지에 관한 관측 데이터를 측정하고 수집할 수 있다.
또한, 간이 측정기(110)는 본 발명에 따른 플랫폼 제공 시스템(100)을 구성하는 하나의 장치로서 구현될 수 있으며, 플랫폼 제공 시스템(100)은 간이 측정기(110)를 이용한 미세먼지 분석 플랫폼 제공 목적에 따라 다양한 형태로 변형되어 구현될 수 있다.
또한, 간이 측정기(110)는 플랫폼 제공 장치(130)와 연결되어 동작 가능한 적어도 하나의 센서를 포함하는 컴퓨팅 장치로 구현될 수 있으며, 반드시 이에 한정되지 않고, 마이크로 컨트롤러 유닛(MCU)을 포함하는 다양한 디바이스로도 구현될 수 있다.
한편, 간이 측정기(110)는 플랫폼 제공 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 간이 측정기(110)들은 플랫폼 제공 장치(130)와 동시에 연결될 수도 있다.
일 실시예에서, 간이 측정기(110)는 포토다이오드(photodiode)와 밴드패스 필터(bandpass filter)를 사용하는 플라즈마 분광기를 포함하여 구현될 수 있다. 이에 따라, 간이 측정기(110)는 기존의 ICCD 분석 기술 대비 경제성이 높을 수 있으며, 미세먼지 관련 센서 등을 이용한 분석장치보다 월등한 성분 분석 정확도를 제공할 수 있다.
플랫폼 제공 장치(130)는 본 발명에 따른 간이 측정기(110) 기반의 미세먼지 분석 플랫폼 제공 방법을 수행하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 또한, 플랫폼 제공 장치(130)는 간이 측정기(110)와 유선 네트워크 또는 블루투스, WiFi, LTE 등과 같은 무선 네트워크로 연결될 수 있고, 네트워크를 통해 간이 측정기(110)와 데이터를 송·수신할 수 있다. 또한, 플랫폼 제공 장치(130)는 독립된 외부 시스템(도 1에 미도시함)과 연결되어 동작하도록 구현될 수 있다.
데이터베이스(150)는 플랫폼 제공 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 예를 들어, 데이터베이스(150)는 초미세먼지에 관한 관측, 분석 및 예측 데이터를 저장하거나 또는 빅데이터 분석을 위한 예측모델 및 인공지능, 그리고 분석 알고리즘에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 플랫폼 제공 장치(130)가 본 발명에 따른 간이 측정기(110) 기반의 미세먼지 분석 플랫폼 제공 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
또한, 도 1에서, 데이터베이스(150)는 플랫폼 제공 장치(130)와 독립적인 장치로서 도시되어 있으나, 반드시 이에 한정되지 않고, 논리적인 저장장치로서 플랫폼 제공 장치(130)에 포함되어 구현될 수 있음은 물론이다.
도 2는 도 1의 플랫폼 제공 장치의 시스템 구성을 설명하는 도면이다.
도 2를 참조하면, 플랫폼 제공 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함할 수 있다.
프로세서(210)는 본 발명의 실시예에 따른 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 프로시저를 실행할 수 있고, 이러한 과정에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄 할 수 있다. 프로세서(210)는 플랫폼 제공 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 플랫폼 제공 장치(130)의 CPU(Central Processing Unit) 또는 GPU(Graphics Processing Unit)로 구현될 수 있다.
메모리(230)는 SSD(Solid State Disk) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 플랫폼 제공 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다. 또한, 메모리(230)는 전기적으로 연결된 프로세서(210)에 의해 실행됨으로써 본 발명에 따른 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 방법을 실행하는 명령들의 집합을 저장할 수 있다.
사용자 입출력부(250)은 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함하고, 예를 들어, 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치 스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)은 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 플랫폼 제공 장치(130)는 독립적인 서버로서 수행될 수 있다.
네트워크 입출력부(270)은 네트워크를 통해 사용자 단말과 연결되기 위한 통신 환경을 제공하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다. 또한, 네트워크 입출력부(270)는 학습 데이터의 무선 전송을 위해 WiFi, 블루투스 등의 근거리 통신 기능이나 4G 이상의 무선 통신 기능을 제공하도록 구현될 수 있다.
도 3은 도 1의 플랫폼 제공 장치의 기능적 구성을 설명하는 도면이다.
도 3을 참조하면, 플랫폼 제공 장치(130)는 데이터 수집부(310), 데이터 분석부(330), 데이터 예측부(350), 서비스 제공부(370) 및 제어부(390)를 포함할 수 있다.
데이터 수집부(310)는 특정 지역의 초미세먼지에 관한 관측 데이터를 수집할 수 있다. 여기에서는 특정 지역으로 데이터 수집 범위를 제한하여 설명하지만, 반드시 이에 한정되지 않음은 물론이다. 데이터 수집부(310)는 다양한 공기질 측정 및 예측 장치들과 연동하여 초미세먼지를 포함하는 관측 데이터를 수집할 수 있다. 데이터 수집부(310)는 데이터 수집 장치들로부터 주기적으로 또는 실시간으로 관측 데이터를 수집할 수 있으며, 관측 데이터의 유형, 측정 수단 등에 따라 관측 데이터를 구분하여 기록 및 저장할 수 있다.
일 실시예에서, 데이터 수집부(310)는 특정 지역에 설치되어 운용되는 대기오염 측정설비, 비산먼지 모니터링 장치 및 지하철 공기질 측정 장치로부터 미세먼지 광역 관측 정보를 수집하면서 특정 지역 내에서 개인 단위로 휴대 가능한 간이 측정기(110)로부터 미세먼지 조밀 관측 정보를 수집할 수 있다. 예를 들어, 대기오염 측정설비는 공공기관이 운용하는 대기오염 측정장치를 포함할 수 있다. 비산먼지 모니터링 장치는 산업단지 등에 설치되어 운용되는 측정장치를 포함할 수 있다. 지하철 공기질 측정 장치는 지하철뿐만 아니라 도시철도, 철도, 시외버스 등 대중교통차량에 설치된 공기질 측정 장치를 포함할 수 있다.
또한, 데이터 수집부(310)는 기존의 측정설비와 같이 고정된 위치에서의 관측 데이터와 함께 개인에 의해 위치가 수시로 변경되는 간이 측정기(110)로부터 특정 지역 내 다양한 장소에서 측정된 관측 데이터를 수집할 수 있다. 기존의 고정식 측정망은 지역별 오염수준이 상이함에도 불구하고 평균적인 정보만을 제공하여 관측 결과의 신뢰성이 떨어지는 문제점이 존재하였으며, 데이터 수집부(310)는 개인 단위의 데이터 수집을 통해 기존의 방식보다 신뢰도 높은 관측 데이터를 확보할 수 있다. 특히, 데이터 수집부(310)는 간이 측정기(110)를 통해 개인 단위의 정보 수집원으로부터 조밀한 관측 데이터를 수집할 수 있다.
데이터 분석부(330)는 관측 데이터를 전처리(pre-processing)한 후 적어도 하나의 분석 알고리즘을 적용하여 특정 지역의 초미세먼지에 관한 분석 데이터를 생성할 수 있다. 예를 들어, 데이터 전처리에는 데이터에 관한 정렬, 필터, 변환, 분리, 통합, 이동, 추가, 치환 등의 동작이 포함될 수 있다. 데이터 분석부(330)는 딥러닝(deep learning), 클러스터링(clustering), 다중회귀분석(multiple regression analysis), 결정트리(decision tree), K-평균(k-means) 등의 데이터 분석 알고리즘들을 활용하여 관측데이터를 분석할 수 있으며, 초미세먼지에 관한 분석 데이터를 생성할 수 있다. 데이터 분석부(330)에 의해 생성된 분석 데이터는 데이터베이스(150)에 저장되어 관리될 수 있다.
일 실시예에서, 데이터 분석부(330)는 데이터 수집모듈, 규칙 결정모듈 및 데이터 정형화모듈을 포함할 수 있다. 데이터 수집모듈은 미세먼지 광역 관측 정보와 미세먼지 조밀 관측 정보 중 어느 하나를 입력 데이터로 수집할 수 있다. 규칙 결정모듈은 입력 데이터의 유형에 따라 데이터 정형화를 위한 복수의 처리 규칙들 중 어느 하나를 정형화 규칙으로 결정할 수 있다. 데이터 정형화모듈은 입력 데이터에 정형화 규칙을 적용하여 정형 데이터를 생성할 수 있다.
보다 구체적으로, 데이터 수집모듈은 각 데이터 수집원으로부터 수집된 관측 데이터들 중 어느 하나를 수신하여 데이터 정형화를 위한 입력 데이터로 결정할 수 있다. 이때, 관측 데이터는 데이터 수집원의 유형에 따라 고정식 측정 장치로부터 수집된 광역 관측 정보와 이동식 측정 장치로부터 수집된 조밀 관측 정보로 구분될 수 있다. 규칙 결정모듈은 입력 데이터의 유형에 맞춰 정형화 규칙을 결정할 수 있다. 정형화 규칙은 다양한 비정형 데이터들을 동일한 형식의 데이터로 변환하기 위한 규칙에 해당할 수 있다. 예를 들어, 규칙 결정모듈은 국제표준 개방향 수집체계에 따른 정형화 규칙과 간이 측정기(110)의 데이터 수집 체계에 따른 정형화 규칙을 사전에 구축하여 데이터 정형화 과정에서 활용할 수 있다. 데이터 정형화모듈은 정형화 규칙에 따라 입력 데이터를 정형 데이터 또는 반정형 데이터로 변환할 수 있으며, 정형 데이터는 데이터베이스(150)에 저장되어 관리될 수 있다.
데이터 예측부(350)는 분석 데이터를 빅데이터화하고 특정 지역의 초미세먼지에 관한 예측 데이터를 생성할 수 있다. 데이터 예측부(350)는 빅데이터 분석을 통해 미세먼지 및 초미세먼지 발생에 관한 예측 데이터를 생성할 수 있다. 이를 위하여, 데이터 예측부(350)는 대용량 수집 로그분석, 실시간 위험 및 공기질 분석, 위험예방 주의 지역 분석, 이상징후 감지를 위한 분석 알고리즘을 빅데이터 분석에 적용할 수 있다.
일 실시예에서, 데이터 예측부(350)는 특정 지역 내에 존재하는 간이 측정기(110)의 위치를 중심으로 소정의 반경 내로 정의되는 예측 영역에 대해 간이 측정기(110)의 미세먼지 조밀 관측 정보를 기준으로 미세먼지 광역 관측 정보를 적용하여 공기질 예측 정보를 생성할 수 있다. 간이 측정기(110)는 이동 가능성으로 인해 특정 지역 내에서 위치가 실시간으로 변경될 수 있으며, 이에 따라 데이터 예측부(350)는 간이 측정기(110)의 위치를 기준으로 예측 영역을 정의한 다음 간이 측정기(110)로부터 수집된 관측 데이터를 기반으로 예측 영역에서의 공기질을 예측할 수 있다.
즉, 간이 측정기(110)에 의해 수집되는 관측 데이터는 상대적으로 조밀한 영역에서의 미세먼지 관측 정보에 해당할 수 있고, 기존의 고정식 측정 장치들로부터 수집된 관측 데이터는 상대적으로 넓은 영역에서의 미세먼지 관측 정보에 해당할 수 있다. 따라서, 데이터 예측부(350)는 예측 영역 내의 중심 위치에서 미세먼지 조밀 관측 정보를 적용한 다음 나머지 예측 영역 내에 대해 미세먼지 광역 관측 정보를 적용하여 예측 영역 전체에서의 공기질 예측 정보를 생성할 수 있다.
이때, 데이터 예측부(350)는 예측 영역의 중심에서 경계까지 예측 데이터의 불규칙성(irregularities)을 제거하고 데이터의 효과적인 시각화를 위하여 공기질 예측 정보에 관한 평활화(smoothing) 동작을 수행할 수 있다. 예를 들어, 데이터 예측부(350)는 예측 영역의 중심 위치에서 미세먼지 조밀 관측 값과 예측 영역의 경계 위치에서 미세먼지 광역 관측 값을 평균하여 예측 영역 전체에서의 예측 데이터를 생성할 수 있다. 또한, 데이터 예측부(350)는 미세먼지 조밀 관측 값과 미세먼지 광역 관측 값 중 최소값 또는 최대값을 추출하여 예측 영역의 예측 데이터로서 생성할 수 있다. 데이터 예측부(350)는 미세먼지 조밀 관측 값과 미세먼지 광역 관측 값을 기초로 다양한 평활화 알고리즘을 적용하여 예측 데이터를 생성할 수 있다.
일 실시예에서, 데이터 예측부(350)는 간이 측정기(110)의 위치 인근에 다른 간이 측정기가 존재하는 경우 예측 영역들 간의 중첩이 발생하지 않도록 예측 영역의 반경을 동적으로 결정하고, 인근의 예측 영역들 사이에서 공기질 예측 정보가 동일한 경우 해당 예측 영역들 간의 병합을 통해 예측 영역을 확장 처리할 수 있다. 즉, 데이터 예측부(350)는 간이 측정기(110)의 이동성을 고려하여 간이 측정기(110)의 위치를 중심으로 정의되는 예측 영역의 크기를 동적으로 조절하여 예측 영역 간의 중첩을 최소화할 수 있다. 따라서, 간이 측정기(110)가 다수 분포하는 지역에서는 예측 영역의 크기가 상대적으로 작을 수 있고, 간이 측정기가(110)가 희소하게 분포하는 지역에서는 예측 영역의 크기가 상대적으로 클 수 있다.
또한, 데이터 예측부(350)는 인근의 예측 영역들 사이에서 공기질 예측 정보가 동일한 경우 해당 예측 영역들 간의 병합을 통해 예측 영역을 확장 처리할 수 있다. 예를 들어, 예측 영역에서의 공기질 예측 정보는 등급화된 정보로 표현될 수 있으며, 이 경우 각 예측 영역에 대해 공기질 등급이 부여될 수 있다. 만약 인접한 예측 영역들의 공기질 등급이 동일한 경우 해당 예측 영역들을 병합하여 예측 영역을 확장할 수 있다. 예측 영역들 간의 병합은 예측 영역의 중심 위치를 기준으로 새로운 중심위치를 결정한 다음 기존의 예측 영역들을 모두 포함하는 반경을 갖는 새로운 예측 영역을 생성하는 과정을 통해 수행될 수 있다.
서비스 제공부(370)는 분석 데이터 및 예측 데이터를 시각화하여 3차원 공기 오염맵(Air Pollution Map)을 구축하고 초미세먼지에 관한 개인 단위의 웹 서비스를 제공할 수 있다. 여기에서, 3차원 공기 오염맵은 초미세먼지에 관한 관측값(또는 예측값)을 요일 및 시간에 따라 3차원 공간에 표현한 시각화 맵에 해당할 수 있다. 따라서, 3차원 공간의 x, y 및 z축은 각각 시간, 요일 및 관측값(또는 예측값)에 대응될 수 있다. 또한, 서비스 제공부(370)는 분석 데이터 및 예측 데이터를 각각 전자지도 상에 시각화하고 개인 단위의 웹서비스를 제공할 수 있다.
일 실시예에서, 서비스 제공부(370)는 특정 지역 내에서 사용자 단말의 요청에 따라 초미세먼지에 관한 현황 및 예측 정보를 사용자 단말의 위치를 기준으로 재생성하여 제공할 수 있다. 예를 들어, 사용자가 사용자 단말을 통해 현재 위치에서의 초미세먼지(또는 공기질)에 관한 현황 및 예측 데이터를 요청하는 경우, 서비스 제공부(370)는 해당 위치의 인근에서 간이 측정기(110)를 통해 수집된 관측 데이터에 기반하는 분석 데이터와 예측 데이터를 웹서비스로서 제공할 수 있다. 사용자는 사용자 단말 상에서 제공되는 전용 페이지 또는 인터페이스를 통해 자신의 위치에서의 초미세먼지 및 공기질 정보를 상세하게 확인할 수 있다.
일 실시예에서, 서비스 제공부(370)는 사용자 단말의 위치를 기준으로 제1 거리 이내에서 간이 측정기(110)가 존재하지 않는 경우, 제1 거리에서 소정의 거리만큼 증가한 제2 거리 이내에서 간이 측정기(110)를 탐색할 수 있다. 만약 제2 거리 이내에 간이 측정기(110)가 존재하는 경우 서비스 제공부(370)는 해당 간이 측정기(110)에서 수집된 관측 데이터에 기반하여 초미세먼지에 관한 현황 및 예측 정보를 재생성하여 웹서비스로서 제공할 수 있다.
일 실시예에서, 서비스 제공부(370)는 사용자 단말의 위치를 기준으로 인근의 간이 측정기(110)에서 수집된 관측 데이터에 기반하여 초미세먼지에 관한 현황 및 예측 정보를 재생성하고, 초미세먼지에 관한 현황 및 예측 정보 중 일부가 기 설정된 알림 조건을 충족하는 경우 사용자 단말을 통해 해당 알림을 제공할 수 있다. 이때, 알림은 진동, 푸시(push) 메시지, 소리 등으로 구현될 수 있다.
제어부(390)는 플랫폼 제공 장치(130)의 전체적인 동작을 제어하고, 데이터 수집부(310), 데이터 분석부(330), 데이터 예측부(350) 및 서비스 제공부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 4는 본 발명에 따른 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 방법을 설명하는 순서도이다.
도 4를 참조하면, 플랫폼 제공 장치(130)는 데이터 수집부(310)를 통해 특정 지역의 초미세먼지에 관한 관측 데이터를 수집할 수 있다(단계 S410). 플랫폼 제공 장치(130)는 데이터 분석부(330)를 통해 관측 데이터를 전처리(pre-processing)한 후 적어도 하나의 분석 알고리즘을 적용하여 특정 지역의 초미세먼지에 관한 분석 데이터를 생성할 수 있다(단계 S430). 플랫폼 제공 장치(130)는 데이터 예측부(350)를 통해 분석 데이터를 빅데이터화하고 특정 지역의 초미세먼지에 관한 예측 데이터를 생성할 수 있다(단계 S450).
또한, 플랫폼 제공 장치(130)는 서비스 제공부(370)를 통해 분석 데이터 및 예측 데이터를 시각화하여 3차원 공기 오염맵(Air Pollution Map)을 구축하고(단계 S470), 초미세먼지에 관한 개인 단위의 웹 서비스를 제공할 수 있다(단계 S490).
일 실시예에서, 데이터 수집부(310)는 특정 지역 내에서 개인 단위로 휴대 가능한 간이 측정기(110)로부터 시·공간적 궤도 정보를 수집하는 조밀 데이터 수집모듈을 포함할 수 있다. 여기에서, 시·공간적 궤도 정보는 간이 측정기(110)로부터 수집되는 위치 정보를 기반으로 시간의 변화에 따른 공간의 변화를 이동경로 또는 이동 패턴으로 표현한 것에 해당할 수 있다.
일 실시예에서, 조밀 데이터 수집모듈은 특정 지역을 복수의 가상 격자들로 분할하고, 각 가상 격자 내 간이 측정기(110)의 분포를 산출하며, 가상 격자당 분포수에 따라 분할 단계를 결정하여 복수의 가상 격자들을 단계적으로 통합 또는 분할하고, 분할 단계에 따른 가상 격자 상에서 간이 측정기(110)의 시·공간적 궤도 정보를 수집할 수 있다.
보다 구체적으로, 조밀 데이터 수집모듈은 특정 지역을 복수의 가상 격자들로 분할할 수 있다. 여기에서, 가상 격자는 특정 지역을 가상의 2차원 평면에 매핑한 후 2차원 평면 상에서 분할되는 논리적인 가상의 분할 영역에 해당할 수 있다. 예를 들어, 조밀 데이터 수집모듈은 서울시를 가로 및 세로의 길이가 각각 1km인 사각형 영역들로 분할할 수 있으며, 분할 결과 각 사각형 영역들에 대응되는 복수의 가상 격자들이 생성될 수 있다.
이후, 조밀 데이터 수집모듈은 각 가상 격자 내 간이 측정기(110)의 분포를 산출할 수 있다. 조밀 데이터 수집모듈은 특정 지역 내에 존재하는 각 간이 측정기(110)들로부터 위치 정보를 수집할 수 있으며, 이를 기반으로 해당 특정 지역 내의 분포를 결정할 수 있다. 조밀 데이터 수집모듈은 특정 지역이 복수의 가상 격자들로 분할된 경우, 가상 격자별 간이 측정기(110)의 분포에 따라 가상 격자당 분포수를 산출할 수 있다.
이후, 조밀 데이터 수집모듈은 가상 격자당 분포수에 따라 분할 단계를 결정하여 복수의 가상 격자들을 단계적으로 통합 또는 분할할 수 있다. 예를 들어, 가상 격자당 분포수가 1보다 작은 경우 조밀 데이터 수집모듈은 분할 단계를 감소시켜 복수의 가상 격자들을 통합할 수 있다. 다른 예로서, 가상 격자당 분포수가 10보다 큰 경우 조밀 데이터 수집모듈은 분할 단계를 증가시켜 각 가상 격자들을 분할할 수 있다. 따라서, 분할 단계가 높을수록 가상 격자의 크기는 감소하고 가상 격자의 개수는 증가할 수 있으며, 분할 단계가 낮을수록 가상 격자의 크기는 증가하고 가상 격자의 개수는 감소할 수 있다.
한편, 가상 격자들의 통합 과정은 인접한 가상 격자들을 그룹화 한 다음 그룹 별로 가상 격자들을 통합하여 하나의 가상 격자를 생성하는 과정을 포함할 수 있다. 가상 격자들의 분리 과정은 각 가상 격자들을 가로 또는 세로 방향을 기준으로 적어도 2개의 격자들로 분리하는 과정을 포함할 수 있다. 결과적으로, 조밀 데이터 수집모듈은 특정 지역 내에 분포하는 간이 측정기(110)의 밀집도를 기준으로 특정 지역을 논리적으로 분할하는 가상 격자들의 크기 및 개수를 조절할 수 있다.
이후, 조밀 데이터 수집모듈은 분할 단계에 따른 가상 격자 상에서 간이 측정기(110)의 시·공간적 궤도 정보를 수집할 수 있다. 이때, 시·공간적 궤도 정보는 간이 측정기(110)의 위치에 대응되는 가상 격자의 변화 패턴 정보로서 표현될 수 있다. 예를 들어, 각 가상 격자 별로 식별코드가 부여된 경우 시·공간적 궤도 정보는 간이 측정기(110)의 시간에 따른 위치 변화에 따라 가상 격자의 식별코드 순으로 표현될 수 있다. 다른 예로서, 시·공간적 궤도 정보는 단위 시간 별로 식별된 간이 측정기(110)의 위치에 대응되는 가상 격자의 중첩수로 표현될 수 있으며, 중첩수에 따른 색상으로 시각화되어 표현될 수 있다. 이에 따라, 간이 측정기(110)가 특정 위치 인근에서 오래 머물수록 해당 위치에 대응되는 가상 격자의 중첩수는 증가할 수 있다. 또한, 중첩수에 따른 색상으로 가상 격자들을 시각화하여 표현하는 경우 특정 지역 내에서 간이 측정기(110)의 위치 변화에 관한 패턴 정보가 생성될 수 있다.
일 실시예에서, 조밀 데이터 수집모듈은 가상 격자당 분포수가 기 설정된 기준값을 초과하는 경우 간이 측정기(110) 간의 거리를 기준으로 인접한 간이 측정기(110)들을 그룹화할 수 있다. 예를 들어, 가상 격자당 분포수가 10보다 큰 경우 조밀 데이터 수집모듈은 분할 단계를 조정하는 대신 하나의 그룹으로 묶인 인접한 간이 측정기(110)들 중에서 어느 하나를 선택하여 해당 그룹을 대표하는 간이 측정기(110)로 결정할 수 있다. 이에 따라, 조밀 데이터 수집모듈은 해당 그룹의 모든 간이 측정기(110)들에 대한 조밀 관측 정보를 수집하는 대신 해당 그룹에서 선택된 하나의 간이 측정기(110)에 대해서만 조밀 관측 정보를 수집할 수 있다. 결과적으로, 그룹 별로 하나의 간이 측정기(110)로 압축되기 때문에 동일 분할 단계에서 가상 격자당 분포수는 감소될 수 있다.
도 5는 본 발명에 따른 예측 영역을 생성하고 갱신하는 과정을 설명하는 도면이다.
도 5를 참조하면, 플랫폼 제공 장치(130)는 특정 지역 내에 존재하는 간이 측정기(110)의 위치를 중심으로 소정의 반경 내로 정의되는 예측 영역을 정의할 수 있다. 예를 들어, 도 5의 경우, 간이 측정기(110)의 위치 A와 B를 중심으로 서로 다른 예측 영역(510)이 정의될 수 있다.
이때, 플랫폼 제공 장치(130)는 인근의 예측 영역들 사이에서 공기질 예측 정보가 동일한 경우 해당 예측 영역들 간의 병합을 통해 예측 영역을 확장 처리할 수 있다. 도 5에서, 간이 측정기(110)의 위치 A와 B를 중심으로 서로 다른 예측 영역(510)들이 각각 정의되고 해당 예측 영역(510)들에서 공기질 예측 정보가 동일한 경우, 해당 예측 영역(510)들의 위치의 중간 지점을 새로운 예측 영역의 중심 위치(550)로 결정하고, 해당 중심 위치(550)에서 기존의 예측 영역(510)들을 모두 포함하는 새로운 예측 영역(530)을 생성할 수 있다. 즉, 플랫폼 제공 장치(130)는 예측 영역의 확장을 통해 개인 단위의 현황 및 예측 정보를 지역 단위로 확장시킬 수 있다.
도 6a 및 6b는 본 발명에 따른 모니터링 정보의 시각화 과정의 일 실시예를 설명하는 도면이다.
도 6a를 참조하면, 플랫폼 제공 장치(130)는 웹 서비스를 통해 특정 지역 내에서 초미세먼지 또는 공기질에 관한 다양한 관측 정보, 분석 정보 및 예측 정보를 제공할 수 있다. 도 6a의 경우, 플랫폼 제공 장치(130)는 미세먼지에 관한 관측 정보를 개인 단위로 생성하여 전자지도 상에서 시각화하여 표시할 수 있다.
또한, 플랫폼 제공 장치(130)는 미세먼지, 철, 알루미늄, 마그네슘 등 공기질에 관한 성분별 데이터를 제공할 수 있으며, 초미세먼지와 미세먼지에 관한 정보와 함께 풍향/풍속, 날씨/기온/습도 등의 기상정보를 전자지도 상에 시각화화여 표시할 수도 있다.
도 6b를 참조하면, 플랫폼 제공 장치(130)는 전자지도 상에서 표시된 현황 및 예측 정보의 기기별 상세 정보를 별도의 윈도우를 통해 제공할 수 있다. 즉, 플랫폼 제공 장치(130)는 사용자 단말의 전자지도 상에서 특정 위치에 관한 사용자의 선택을 수신한 경우 해당 위치에서 간이 측정기(110)를 통해 수집된 개인 단위의 상세 정보를 팝업 윈도우를 통해 시각화화여 표시할 수 있다. 예를 들어, 개인 단위의 상세 정보에는 실시간 미세먼지(1분), 성분 현황(1시간 평균) 및 미세먼지 현황(1시간 평균) 등을 포함할 수 있다.
도 7 및 8은 본 발명에 따른 현황데이터의 시각화 과정의 다양한 실시예들을 설명하는 도면이다.
도 7을 참조하면, 플랫폼 제공 장치(130)는 간이 측정기(110)로부터 수집된 관측 데이터에 관한 현황 및 예측 정보를 시각화하여 제공할 수 있다. 예를 들어, 도 7에서는 PM10_DEVICE #1으로 표시된 간이 측정기(110)의 예측 분석 정보가 2차원 그래프로서 시각화되어 표시될 수 있다.
도 8을 참조하면, 플랫폼 제공 장치(130)는 특정 지역 내에 다수의 간이 측정기(110)들로부터 수집된 관측 데이터에 기초하여 항목별 현황 정보를 제공할 수 있다. 예를 들어, 도 8에서는 '강남구' 내에서 수집된 관측 데이터들의 항목별 현황 정보를 제공하고 있다. 구체적으로, 강남구에서의 초미세먼지, 미세먼지, 아황산가스, 오존, 일산화탄소, 이산화질소, 습도, 온도 및 풍속 등의 관측 정보가 평균, 최대 및 최소값으로 각각 제공될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 플랫폼 제공 시스템
110: 간이 측정기 130: 플랫폼 제공 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 수집부 330: 데이터 분석부
350: 데이터 예측부 370: 서비스 제공부
390: 제어부
110: 간이 측정기 130: 플랫폼 제공 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 수집부 330: 데이터 분석부
350: 데이터 예측부 370: 서비스 제공부
390: 제어부
Claims (6)
- 특정 지역의 초미세먼지에 관한 관측 데이터를 수집하는 데이터 수집부;
상기 관측 데이터를 전처리(pre-processing)한 후 적어도 하나의 분석 알고리즘을 적용하여 상기 특정 지역의 초미세먼지에 관한 분석 데이터를 생성하는 데이터 분석부;
상기 분석 데이터를 빅데이터화하고 상기 특정 지역의 초미세먼지에 관한 예측 데이터를 생성하는 데이터 예측부; 및
상기 분석 데이터 및 상기 예측 데이터를 시각화하여 3차원 공기 오염맵(Air Pollution Map)을 구축하고 상기 초미세먼지에 관한 개인 단위의 웹 서비스를 제공하는 서비스 제공부;를 포함하는 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치.
- 제1항에 있어서, 상기 데이터 수집부는
상기 특정 지역에 설치되어 운용되는 대기오염 측정설비, 비산먼지 모니터링 장치 및 지하철 공기질 측정 장치로부터 미세먼지 광역 관측 정보를 수집하면서 상기 특정 지역 내에서 개인 단위로 휴대 가능한 간이 측정기로부터 미세먼지 조밀 관측 정보를 수집하는 것을 특징으로 하는 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치.
- 제2항에 있어서, 상기 데이터 분석부는
상기 미세먼지 광역 관측 정보와 상기 미세먼지 조밀 관측 정보 중 어느 하나를 입력 데이터로 수집하는 데이터 수집모듈;
상기 입력 데이터의 유형에 따라 데이터 정형화를 위한 복수의 처리 규칙들 중 어느 하나를 정형화 규칙으로 결정하는 규칙 결정모듈; 및
상기 입력 데이터에 상기 정형화 규칙을 적용하여 정형 데이터를 생성하는 데이터 정형화모듈;을 포함하는 것을 특징으로 하는 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치.
- 제1항에 있어서, 상기 데이터 예측부는
상기 특정 지역 내에 존재하는 간이 측정기의 위치를 중심으로 소정의 반경 내로 정의되는 예측 영역에 대해 상기 간이 측정기의 미세먼지 조밀 관측 정보를 기준으로 상기 미세먼지 광역 관측 정보를 적용하여 공기질 예측 정보를 생성하는 것을 특징으로 하는 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치.
- 제4항에 있어서, 상기 데이터 예측부는
상기 간이 측정기의 위치 인근에 다른 간이 측정기가 존재하는 경우 예측 영역들 간의 중첩이 발생하지 않도록 상기 예측 영역의 반경을 동적으로 결정하고, 상기 인근의 예측 영역들 사이에서 상기 공기질 예측 정보가 동일한 경우 해당 예측 영역들 간의 병합을 통해 예측 영역을 확장 처리하는 것을 특징으로 하는 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치.
- 제1항에 있어서, 상기 서비스 제공부는
상기 특정 지역 내에서 사용자 단말의 요청에 따라 상기 초미세먼지에 관한 현황 및 예측 정보를 상기 사용자 단말의 위치를 기준으로 재생성하여 제공하는 것을 특징으로 하는 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220102080A KR20240023856A (ko) | 2022-08-16 | 2022-08-16 | 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220102080A KR20240023856A (ko) | 2022-08-16 | 2022-08-16 | 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240023856A true KR20240023856A (ko) | 2024-02-23 |
Family
ID=90041942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220102080A KR20240023856A (ko) | 2022-08-16 | 2022-08-16 | 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240023856A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170096730A (ko) | 2016-02-17 | 2017-08-25 | 코웨이 주식회사 | 공기질 관리 시스템 및 방법, 및 분석서버 |
-
2022
- 2022-08-16 KR KR1020220102080A patent/KR20240023856A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170096730A (ko) | 2016-02-17 | 2017-08-25 | 코웨이 주식회사 | 공기질 관리 시스템 및 방법, 및 분석서버 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alías et al. | Review of wireless acoustic sensor networks for environmental noise monitoring in smart cities | |
| Bello et al. | Sonyc: A system for monitoring, analyzing, and mitigating urban noise pollution | |
| CN109641603B (zh) | 异常检测装置、异常检测方法和计算机程序 | |
| Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
| Cui et al. | Detecting urban road network accessibility problems using taxi GPS data | |
| De Coensel et al. | The influence of traffic flow dynamics on urban soundscapes | |
| Li et al. | Reliable sensor deployment for network traffic surveillance | |
| Sokat et al. | Incomplete information imputation in limited data environments with application to disaster response | |
| Merchán et al. | An empirical validation and data‐driven extension of continuum approximation approaches for urban route distances | |
| JP6235266B2 (ja) | 交通システム | |
| JP2019046021A (ja) | 交通路線計画策定支援装置及び交通路線計画策定の支援方法 | |
| US20040064450A1 (en) | Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer | |
| KR20210000510A (ko) | 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체 | |
| Aboah et al. | Mobile sensing for multipurpose applications in transportation | |
| Alam | Characterizing the Data Landscape for Digital Twin Integration in Smart Cities | |
| Ghaith et al. | Digital twin: a city-scale flood imitation framework | |
| KR20240023856A (ko) | 간이 측정기 기반의 미세먼지 분석 플랫폼 제공 장치 | |
| KR20240023859A (ko) | 간이 측정기 기반의 조밀 정보를 이용한 도시 광역 정보 추론 및 분석 장치 | |
| Dong et al. | An identification model of urban critical links with macroscopic fundamental diagram theory | |
| Silva et al. | Interpreting traffic congestion using fundamental diagrams and probabilistic graphical modeling | |
| Zhong et al. | Assessing built environment and land use strategies from the perspective of urban traffic emissions: an empirical analysis based on massive didi online car-hailing data | |
| KR20210084182A (ko) | 사고 발생패턴 분석을 통한 사고 취약지 분석 장치 및 방법 | |
| KR102636578B1 (ko) | 빅데이터 기반의 미세먼지 대응 서비스 제공 시스템 | |
| Mannini et al. | FCD data for on‐street parking search time estimation | |
| Schulz et al. | Accurate pollutant modeling and mapping: Applying machine learning to participatory sensing and urban topology data |