KR20240081718A - 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템 - Google Patents
스마트폰을 이용한 이동수단 판별 서비스 제공 시스템 Download PDFInfo
- Publication number
- KR20240081718A KR20240081718A KR1020220165128A KR20220165128A KR20240081718A KR 20240081718 A KR20240081718 A KR 20240081718A KR 1020220165128 A KR1020220165128 A KR 1020220165128A KR 20220165128 A KR20220165128 A KR 20220165128A KR 20240081718 A KR20240081718 A KR 20240081718A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- sensor
- transportation
- user terminal
- smartphone
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 23
- 230000001133 acceleration Effects 0.000 claims description 39
- 239000013598 vector Substances 0.000 claims description 29
- 230000033001 locomotion Effects 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000002620 method output Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005358 geomagnetic field Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000027455 binding Effects 0.000 description 1
- 238000009739 binding Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Telephone Function (AREA)
Abstract
스마트폰을 이용한 이동수단 판별 서비스 제공 시스템이 제공되며, 적어도 하나의 센서로부터 감지된 센서 데이터의 엑세스를 허용하는 사용자 단말 및 사용자 단말로부터 센서 데이터의 엑세스권을 획득하는 동의획득부, 사용자 단말로부터 센서 데이터를 수집하는 수집부, 센서 데이터를 전처리한 후 특징 데이터(Feature Data)를 기 구축된 인공지능 알고리즘에 질의(Query)로 입력하는 구분부, 기 구축된 인공지능 알고리즘에서 출력된 이동수단의 종류를 사용자 단말의 사용자의 이동수단의 종류로 구분하는 판별부를 포함하는 판별 서비스 제공 서버를 포함한다.
Description
본 발명은 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템에 관한 것으로, 스마트폰의 적어도 하나의 센서로 감지된 센서 데이터 및 지능형 교통 시스템의 교통 데이터에 기반하여 도보, 자전거, 이륜차, 모빌리티, 차량 및 대중교통을 포함하는 이동수단을 구분할 수 있는 시스템을 제공한다.
통합교통서비스(Mobility as a Service, MaaS)는 이동을 하나의 서비스로 인식하는 개념으로, 4차 산업혁명으로 인한 ICT 기반 새로운 기술이 교통에 적용되면서 이동수단의 효율적인 사용, 운송 네트워크의 최적화, 더 나은 인프라 활용 및 원활한 이동을 위한 비즈니스 개념의 개발이 촉진되고 있다. MaaS는 다양한 운송 수단, 결제 시스템 및 플랫폼을 하나의 서비스로 통합하여 제공하는 것으로, 대중교통, 모빌리티, 택시를 결합하여 편리한 이동을 도모하는 서비스이다. MaaS 구축을 위해서는 전통적인 교통수단과 새로운 교통수단의 결합이 필수적이며 통합적인 데이터 관리 및 플랫폼 구축이 요구되는데, 이의 목적은 다양한 교통수단과 서비스를 하나의 사용자 인터페이스로 통합하여 끊임없는(Seamless) 이동, 완전한 도어투도어(Door-to-Door) 서비스를 제공하는 것이다.
이때, 이동수단을 구분하는 방법이 연구 및 개발되었는데, 이와 관련하여, 선행기술인 한국등록특허 제10-1101973호(2012년01월02일 공고) 및 한국공개특허 제2020-0023889호(2020년03월06일 공개)에는, 차량, 자전거, 대중교통, 도보를 포함하는 이동수단에 따른 경로를 제공하기 위하여, 차량에서 네비게이션의 경로안내가 종료되는 시점에, 차량 외 이동수단으로 이동하는 출발지부터 목적지까지 전자지도에 이동경로를 안내하고 차량진입이 허용되지 않거나 사용자가 도보, 대중교통, 자전거를 이용할 수 있도록 하는 구성과, 탄소배출권 획득을 위한 인증을 위하여 도보, 자전거, 대중교통을 이용한 행위를 감지할 때, 웨어러블 기기 및 스마트폰으로부터 수신되는 위치데이터를 수집하고, 이동경로와 이동가능도로를 비교한 후 이동수단을 판단하며, 판단된 이동수단이 도보, 자전거 및 대중교통 중 어느 하나라면 이동한 거리를 기준으로 탄수배출절감량을 산출하는 구성이 각각 개시되어 있다.
다만, 전자의 구성은 차량에 구비되는 네비게이션의 경로안내가 종료되는 시점부터 목적지까지 안내하기 위한 네비게이션의 구성만을 개시하고 있을 뿐, 각 이동수단을 구분하는 구성이 아니다. 후자의 경우에도 GPS만 이용하는 경우, 이동가능도로에서 어떠한 개인형 이동수단을 이용했는지를 알 수 있는 방법이 없다. 즉, 초소형 차량을 이용했는지, 이륜차를 이용했는지, 킥보드를 이용했는지는 전혀 알 수 없어 차량을 이용했어도 탄소배출권을 지급해줄 수 있는 오류가 존재한다. 이에, 도보, 자전거, 모빌리티, 이륜차, 대중교통 및 차량을 포함하는 이동수단의 종류를 감지할 수 있는 시스템의 연구 및 개발이 요구된다.
본 발명의 일 실시예는, 도보, 자전거, 모빌리티, 이륜차, 대중교통 및 차량을 포함하는 이동수단의 종류를 파악할 수 있도록, 사용자 단말의 가속도 센서, 지자기 센서 및 자이로 센서를 포함하는 센서로부터, 진동, 소음, 속도, 위치 및 방향을 포함하는 센서 데이터를 수집하고, 센서 데이터를 전처리(Pre-Processing)한 후 특징 데이터를 추출하며, 특징 데이터를 적어도 하나의 인공지능 알고리즘에 질의로 입력하여 이동수단의 종류를 출력할 수 있도록 함으로써, 이동수단의 종류를 파악하고 MaaS의 구축의 기반을 마련하며 탄소중립을 위한 포인트를 누적할 때 어뷰저를 근절하여 공정한 이용을 도모할 수 있도록 하는, 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템을 제공할 수 있다. 다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예는, 적어도 하나의 센서로부터 감지된 센서 데이터의 엑세스를 허용하는 사용자 단말 및 사용자 단말로부터 센서 데이터의 엑세스권을 획득하는 동의획득부, 사용자 단말로부터 센서 데이터를 수집하는 수집부, 센서 데이터를 전처리한 후 특징 데이터(Feature Data)를 기 구축된 인공지능 알고리즘에 질의(Query)로 입력하는 구분부, 기 구축된 인공지능 알고리즘에서 출력된 이동수단의 종류를 사용자 단말의 사용자의 이동수단의 종류로 구분하는 판별부를 포함하는 판별 서비스 제공 서버를 포함한다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 도보, 자전거, 모빌리티, 이륜차, 대중교통 및 차량을 포함하는 이동수단의 종류를 파악할 수 있도록, 사용자 단말의 가속도 센서, 지자기 센서 및 자이로 센서를 포함하는 센서로부터, 진동, 소음, 속도, 위치 및 방향을 포함하는 센서 데이터를 수집하고, 센서 데이터를 전처리(Pre-Processing)한 후 특징 데이터를 추출하며, 특징 데이터를 적어도 하나의 인공지능 알고리즘에 질의로 입력하여 이동수단의 종류를 출력할 수 있도록 함으로써, 이동수단의 종류를 파악하고 MaaS의 구축의 기반을 마련하며 탄소중립을 위한 포인트를 누적할 때 어뷰저를 근절하여 공정한 이용을 도모할 수 있도록 한다.
도 1은 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템을 설명하기 위한 도면이다.
도 2는 도 1의 시스템에 포함된 판별 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
도 2는 도 1의 시스템에 포함된 판별 서비스 제공 서버를 설명하기 위한 블록 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스 제공 방법을 설명하기 위한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 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.
명세서 전체에서 사용되는 정도의 용어 "약", "실질적으로" 등은 언급된 의미에 고유한 제조 및 물질 허용오차가 제시될 때 그 수치에서 또는 그 수치에 근접한 의미로 사용되고, 본 발명의 이해를 돕기 위해 정확하거나 절대적인 수치가 언급된 개시 내용을 비양심적인 침해자가 부당하게 이용하는 것을 방지하기 위해 사용된다. 본 발명의 명세서 전체에서 사용되는 정도의 용어 "~(하는) 단계" 또는 "~의 단계"는 "~ 를 위한 단계"를 의미하지 않는다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체 지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.
본 명세서에서 있어서, 단말과 매핑(Mapping) 또는 매칭(Matching)으로 기술된 동작이나 기능 중 일부는, 단말의 식별 정보(Identifying Data)인 단말기의 고유번호나 개인의 식별정보를 매핑 또는 매칭한다는 의미로 해석될 수 있다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템(1)은, 적어도 하나의 사용자 단말(100), 판별 서비스 제공 서버(300), 적어도 하나의 대중교통서버(400)를 포함할 수 있다. 다만, 이러한 도 1의 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템(1)은, 본 발명의 일 실시예에 불과하므로, 도 1을 통하여 본 발명이 한정 해석되는 것은 아니다.
이때, 도 1의 각 구성요소들은 일반적으로 네트워크(Network, 200)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 적어도 하나의 사용자 단말(100)은 네트워크(200)를 통하여 판별 서비스 제공 서버(300)와 연결될 수 있다. 그리고, 판별 서비스 제공 서버(300)는, 네트워크(200)를 통하여 적어도 하나의 사용자 단말(100), 적어도 하나의 대중교통서버(400)와 연결될 수 있다. 또한, 적어도 하나의 대중교통서버(400)는, 네트워크(200)를 통하여 판별 서비스 제공 서버(300)와 연결될 수 있다.
여기서, 네트워크는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
하기에서, 적어도 하나의 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.
적어도 하나의 사용자 단말(100)은, 스마트폰을 이용한 이동수단 판별 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하여 판별 서비스 제공 서버(300)의 센서 데이터로의 엑세스를 허용하는 사용자의 단말일 수 있다.
여기서, 적어도 하나의 사용자 단말(100)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다. 이때, 적어도 하나의 사용자 단말(100)은, 네트워크를 통해 원격지의 서버나 단말에 접속할 수 있는 단말로 구현될 수 있다. 적어도 하나의 사용자 단말(100)은, 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트폰(Smartphone), 스마트 패드(Smartpad), 타블렛 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
판별 서비스 제공 서버(300)는, 스마트폰을 이용한 이동수단 판별 서비스 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 제공하는 서버일 수 있다. 그리고, 판별 서비스 제공 서버(300)는, 적어도 하나의 센서 데이터와 적어도 하나의 이동수단을 매핑하여 [센서 데이터-이동수단]의 데이터셋을 구축하고, 적어도 하나의 인공지능 알고리즘을 학습 및 검증함으로써 센서 데이터로 이동수단을 구분할 수 있는 인공지능 알고리즘을 모델링하는 서버일 수 있다. 판별 서비스 제공 서버(300)는, 센서 데이터가 원시 데이터(Raw Data) 상태일 때 노이즈를 제거하거나 정규화를 진행하고 원하는 데이터를 추출하기 위하여 전처리(Pre-Processing)을 수행하도록 하는 각 센서 데이터의 종류별로 전처리 프로세스를 구축하는 서버일 수 있다. 또한, 판별 서비스 제공 서버(300)는, 사용자 단말(100)의 센서 데이터가 수집된 경우, 센서 데이터를 기 구축된 인공지능 알고리즘에 입력으로 질의하여 이동수단의 종류를 판별하는 서버일 수 있다. 그리고, 판별 서비스 제공 서버(300)는, 대중교통서버(400)로부터 ITS(Intelligent Transport Systems)와 연동하고, 각 정류장 및 노선을 노드(Node) 및 간선(Edge)으로 표시하고, 각 노드 및 간선에 위도 및 경도 좌표를 매핑하여 저장하며, 실시간 위치를 수집하여 사용자 단말(100)의 위치, 속도 및 경로와 동일 또는 유사한지의 여부를 파악함으로써 사용자의 대중교통 탑승여부를 파악하는 서버일 수 있다.
여기서, 판별 서비스 제공 서버(300)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
적어도 하나의 대중교통서버(400)는, 스마트폰을 이용한 이동수단 판별 서비스 관련 웹 페이지, 앱 페이지, 프로그램 또는 애플리케이션을 이용하거나 이용하지 않고 판별 서비스 제공 서버(300)의 엑세스를 허용하는 서버일 수 있다. 여기서, 적어도 하나의 대중교통서버(400)는, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 네비게이션, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(Desktop), 랩톱(Laptop) 등을 포함할 수 있다.
도 2는 도 1의 시스템에 포함된 판별 서비스 제공 서버를 설명하기 위한 블록 구성도이고, 도 3 및 도 4는 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스가 구현된 일 실시예를 설명하기 위한 도면이다.
도 2를 참조하면, 판별 서비스 제공 서버(300)는, 동의획득부(310), 수집부(320), 구분부(330), 판별부(340), 전처리부(350), 활성화부(360), 탑승확인부(370)를 포함할 수 있다.
본 발명의 일 실시예에 따른 판별 서비스 제공 서버(300)나 연동되어 동작하는 다른 서버(미도시)가 적어도 하나의 사용자 단말(100) 및 적어도 하나의 대중교통서버(400)로 스마트폰을 이용한 이동수단 판별 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 전송하는 경우, 적어도 하나의 사용자 단말(100) 및 적어도 하나의 대중교통서버(400)는, 스마트폰을 이용한 이동수단 판별 서비스 애플리케이션, 프로그램, 앱 페이지, 웹 페이지 등을 설치하거나 열 수 있다. 또한, 웹 브라우저에서 실행되는 스크립트를 이용하여 서비스 프로그램이 적어도 하나의 사용자 단말(100) 및 적어도 하나의 대중교통서버(400)에서 구동될 수도 있다. 여기서, 웹 브라우저는 웹(WWW: World Wide Web) 서비스를 이용할 수 있게 하는 프로그램으로 HTML(Hyper Text Mark-up Language)로 서술된 하이퍼 텍스트를 받아서 보여주는 프로그램을 의미하며, 예를 들어 넷스케이프(Netscape), 익스플로러(Explorer), 크롬(Chrome) 등을 포함한다. 또한, 애플리케이션은 단말 상의 응용 프로그램(Application)을 의미하며, 예를 들어, 모바일 단말(스마트폰)에서 실행되는 앱(App)을 포함한다.
도 2를 참조하면, 동의획득부(310)는, 사용자 단말(100)로부터 센서 데이터의 엑세스권을 획득할 수 있다. 사용자 단말(100)은, 적어도 하나의 센서로부터 감지된 센서 데이터의 엑세스를 허용할 수 있다. 본 발명의 일 실시예에 따른 플랫폼은 본 출원인이 출원한 ＭａａＳ 기반 탄소중립실천 리워드 서비스 제공 시스템에서 리워드를 제공하기 위해서는 각 이동수단을 감지해야 하는데, 이동수단을 감지하기 위해 매번 사용자에게 질의할 수 없고, 이동수단을 감지하여 리워드를 공정하게 부여하기 위해 이동수단을 감지하기 위한 플랫폼일 수 있다. 물론, 다른 목적이나 용도로 사용될 수도 있다. 이에 따라, 사용자 단말(100)은 본 발명의 일 실시예에 따른 애플리케이션을 설치하고, API(Application Programming Interface)로 센서 데이터를 수집하는 것을 동의하는 경우, 본 발명의 일 실시예에 따른 플랫폼에서 센서 데이터를 분석하여 도보, 자전거, 이륜차(오토바이), 전동킥보드(KickBoard), 전기자전거, 전동스케이트보드, 전동휠, 자동차, 지하철, 버스, 기차 등의 이동수단을 파악하고, 이동수단 및 거리에 따라 탄소중립실천 리워드를 지급할 수 있다.
수집부(320)는, 사용자 단말(100)로부터 센서 데이터를 수집할 수 있다. 이때, 수집하는 센서 데이터는, 자이로 센서로부터 자이로 데이터, 지자기 센서로부터 지자기 데이터, 가속도 센서로부터 가속도 데이터, 마이크 센서로부터 마이크 데이터, 위치 센서로부터 위치 데이터를 수집할 수 있다. 이를 통하여, 진동, 소음, 방향, 속도, 고도, 위치 등을 수집하고, 도보, 자전거, 이륜차(오토바이), 전동킥보드(KickBoard), 전기자전거, 전동스케이트보드, 전동휠, 자동차, 지하철, 버스, 기차 등의 이동수단의 특징 데이터를 추출하고 이를 분류함으로써 이동수단의 종류를 파악할 수 있다. 각 이동수단은 고유의 속도, 진동, 소음 등이 존재하기 때문에 이의 특징을 추출하여 기 모델링된 인공지능 알고리즘에 질의로 입력하는 경우 각 이동수단을 구분하는 것이 가능하다. 인공지능 알고리즘은, 딥러닝, 기계학습 등일 수 있으나 이에 한정되지 않는다. 그리고 학습 및 검증을 위한 데이터셋(DataSet)은, [센서 데이터-이동 수단]과 같이 매핑되어 저장된 빅데이터를 이용할 수 있다.
<스마트폰 센서>
안드로이드 지원 기기들에 포함되는 센서는 움직임 감지 센서인 동작 센서, 위치 센서, 환경 센서 등 3 개의 카테고리로 구분이 된다. 동작 센서는 세 축을 따라 가속력과 회전력을 측정하는 센서들로 가속도 센서, 지자기 센서, 자이로 센서 회전벡터 센서가 포함된다. 환경 센서는 주변 기온 및 압력, 조도, 습도와 같은 다양한 환경 매개변수를 측정하는 센서들로 기압계, 광도계, 온도계가 포함된다. 위치 센서는 기기의 물리적 위치를 측정하는 센서들로 방향 센서, 자기계가 포함되어 있고 이는 이하 표 1과 같이 정리될 수 있다.
| 센서 | 유형 | 설명 | 일반적인 용도 |
| 가속도계 ACCELEROMETER |
H/W | 중력을 포함하여 세 개의 모든 물리적 축(x, y, z)에 서 기기에 적용되는 가속력을 m/s2 단위로 측정 | 움직임 감지(흔들기, 기울이기 등) |
| 자이로스코프 GYROSCOPE |
H/W | 각 물리적 축(x, y, z) 둘레의 기기 회전 속도를 rad/s 단위로 측정 | 회전 감지(회전, 돌리기 등) |
| 중력센서 GRAVITY |
S/W 또는 H/W |
세 개의 모든 물리적 축(x, y, z)에서 기기에 적용되는 중력을 m/s2 단위로 측정 | 움직임 감지(흔들기, 기울이기 등) |
| 선형가속도센서 LINEAR ACCELERATION |
S/W 또는 H/W |
중력을 제외하고 세 개의 모든 물리적 축(x, y, z)에서 기기에 적용되는 가속력을 m/s2 단위로 측정 | 단일 축을 따라 가속도 모니터링. |
| 방향센서 ORIENTATION |
S/W | 세 개의 모든 물리적 축(x, y, z) 둘레의 기기 회전 각도를 측정. API 레벨 3 기준으로, 중력센서와 지자기장 센서를 getRotation Matrix() 메서드와 함께 사용하여 기기의 경사 행렬과 회전 행렬을 얻을 수 있음 | 기기 위치 확인 |
| 회전 벡터 ROTATION VECTOR |
S/W 또는 H/W |
기기의 회전 벡터의 세 요소를 제공하여 기기의 방향을 측정 | 움직임 감지 및 회전 감지 |
| 기온 센서 AMBIENT TEMPERATURE |
H/W | 주변 상온을 섭씨(°C) 단위로 측정 | 기온 모니터링 |
| 조도 센서 LIGHT |
H/W | 주변 조도를 lx 단위로 측정 | 화면 밝기 제어 |
| 나침반 센서 MAGNETIC FIELD |
H/W | 세 개의 모든 물리적 축(x, y, z) 주변의 지자기장을 μT 단위로 측정 | 나침반 만들기 |
| 기압센서 PRESSURE |
H/W | 주변 기압을 hPa 또는 mbar 단위로 측정 | 기압 변화 모니터링 |
| 전화위치센서 PROXIMITY |
H/W | 기기의 뷰 화면을 기준으로 객체의 근접도를 cm 단위로 측정. 이 센서는 일반적으로 휴대전화를 귀에 대고 있는지 확인하는 데 사용 | 통화 중 전화 위치 |
| 습도센서 RELATIVE HUMIDITY |
H/W | 상대 주변 습도를 퍼센트(%) 단위로 측정 | 이슬점, 절대 및 상대 습도 모니터링 |
| 온도센서 TEMPERATURE |
H/W | 기기의 온도를 섭씨(°C) 단위로 측정. 이 센서는 기기마다 다르게 구현되며 API 레벨 14에서 TYPE_AMBIENT_TEMPERATURE 센서로 대체됨 | 온도 모니터링 |
센서의 유형 중 하드웨어(H/W)는 해당 센서가 물리적으로 기기에 내장되어 있는 경우를 의미하며 소프트웨어(S/W)는 물리적인 센서 없이, 하나 이상의 다른 하드웨어 또는 소프트웨어 센서 측정자료를 이용해 측정자료를 얻는 합성(Synthetic) 또는 가상 센서를 의미한다. 기기의 위치를 인식하여 속도나 가속도 등을 측정할 수 있도록 하는 GPS는 센서로 분류되어 있지 않다.<이동수단 판별에 이용가능한 센서>
스마트폰을 이용해 측정할 수 있는 개인형 이동수단 관련 자료는 GPS 등을 통해 측정할 수 있는 사용자 위치와 이의 시간별 변화를 통해 산정할 수 있는 속도, 가속도, 이동거리 등이 가장 대표적인 자료라 할 수 있으며, 실제로도 많이 이용되고 있다. 본 발명의 일 실시예에서는 GPS를 이용하여 위치나 속도를 파악하는 것에서 더 나아가, 진동, 소음, 방향, 속도, 고도, 위치를 더 이용함으로써, 속도가 동일하더라도 진동, 소음 등으로 이륜차인지, 초소형전기차인지를 구분할 수 있고, 킥보드인지 전기 자전거인지, 일반 자전거인지 또는 전동휠인지 등을 구분할 수 있도록 한다. 스마트폰에는 이러한 목적에 이용이 가능한 측정 기능이 있는 센서들을 가지고 있는데, 스마트폰의 움직임을 감지할 수 있는 동작 센서들과 위치 센서들이 이러한 센서들이다. 가속도계(ACCELEROMETER), 자이로스코프(GYROSCOPE), 중력(GRAVITY) 센서, 선형가속도(LINEAR ACCELERATION) 센서, 방향(ORIENTATION) 센서, 회전 벡터(ROTATION VECTOR) 센서들이 포함될 수 있고, 소음이나 소리 등을 파악하기 위해 마이크가 더 포함될 수 있다.
구분부(330)는, 센서 데이터를 전처리한 후 특징 데이터(Feature Data)를 기 구축된 인공지능 알고리즘에 질의(Query)로 입력할 수 있다. 도보의 경우에도, 멈춰있는지, 뛰고 있는지, 걷고 있는지 등을 구분할 수 있다. 또, 도보의 경우, 가속도 센서, 지자기 센서, 자이로 센서를 이용하여 걸음의 패턴을 분류하고, 인공지능 알고리즘을 사용하여 스마트폰 사용자의 걸음과 걸음 수를 인식할 수 있다. 걸음 수를 추정하는 데이터의 값으로는 스마트폰의 3개의 축에서 측정되는 가속도 센서의 값인 (ax, ay, az)를 이용할 수 있다. 다만, 가속도 센서는 이동할 때의 가속도 값뿐만 아니라 중력가속도 값을 포함한 데이터를 측정하기 때문에, 중력가속도 성분을 제거하여 선형 가속도 값을 사용할 수 있다. 한 걸음에서 수집된 가속도 센서 값의 변화와 자이로 센서 값의 변화는, 양(+)과 음(-) 혹은 음과 양의 방향으로 종 모양(Bell-Shaped)의 그래프를 가지며, 이 주기를 한 걸음으로 보아 [최댓값-최솟값-최댓값]과 같은 순서대로 판별되는 경우를 하나의 걸음 수로 추정할 수 있다. 다만, 본 발명의 일 실시예는 걸음 수를 정확하게 측정하는 것이 목적이 아닌 이동수단의 종류를 판별하기 위한 것이므로, 도보의 평균 속도와, 가속도 센서 값의 변화와 자이로 센서 값의 변화, 즉 종 모양(Bell-Shaped)의 그래프가 특징 데이터로 인식되는 경우 도보로 추정할 수 있다.
판별부(340)는, 기 구축된 인공지능 알고리즘에서 출력된 이동수단의 종류를 사용자 단말(100)의 사용자의 이동수단의 종류로 구분할 수 있다. 적어도 하나의 인공지능 알고리즘은, SVM(Support Vector Manchine) 및 RNN(Recurrent Neural Network)을 포함할 수 있다.
<SVM>
분류를 위한 기계학습의 지도학습 방법 중 하나로 SVM(Support Vector Machine)이 있다. 이동수단의 데이터는 시계열 데이터로, 이를 SVM으로 분류하기 위해서는 시계열 데이터를 스칼라 값으로 바꿔줄 수 있는 특징 추출(Feature Extraction) 작업이 필요하다. 특징을 분류하기 위해서 사용한 머신러닝 방법은 SVM (Support Vector Machine)이다. SVM 분류기는 특징 기반 분류기로서 특징 공간에 있는 특징들을 분리할 수 있는 초월평면을 결정하는 방법이다. 이 방법을 사용하여 이동수단의 종류을 분류하기 위해서는 시계열 데이터를 실수로 표현되는 특징 값으로 변환해야 한다. 이 작업을 특징 추출이라 하며, SVM으로 분류되기 적합한 시계열 운행데이터의 통계적 특징을 선정하는 작업도 선행되어야 한다.
한 종류의 시계열 데이터로 여러가지 특징들을 추출하여 특징 벡터를 만들 수 있으며, 많은 종류의 시계열 데이터에서 모은 특징 벡터들은 SVM을 학습시키는 학습 데이터셋으로 이용할 수 있다. 각 가속도 데이터, 지자기 데이터, 자이로 데이터, 위치 데이터, 마이크 데이터 등으로부터 특징 벡터로 재구성할 수 있다. 이러한 특징 벡터들은 SVM의 학습 과정에 이용될 수 있다. SVM은 특징 공간에서 특징들의 분류 문제를 푸는 클래스 분류 지도학습 방법이다. 이하 수학식 1과 같은 초월평면을 결정하여 데이터를 분류할 수 있다.
여기서 w와 b는 초월평면을 결정하는 값으로 각각 가중치벡터, 그리고 편향을 의미한다. 그리고 x는 분류하고자 하는 데이터인 입력 벡터를 의미한다. SVM은 초월평면을 결정할 때 서포트 벡터를 이용한다. 서포트 벡터는 두 데이터 집단 사이를 분리하는 초월평면으로부터 가장 가까이 있는 각 집단의 데이터들을 의미한다. 서포트 벡터는 수학식 2와 같이 정리될 수 있다.
여기서, d는 각 데이터별 분류되는 클래스를 의미한다. SVM의 서포트 벡터는 학습 데이터셋에서 수학식 1 및 수학식 2를 만족하는 데이터들을 나타낸다. 초월평면의 가중치 벡터 w와 편향벡터 b는 이하 수학식 3과 같은 최적화 문제를 풀어서 결정할 수 있다.
여기서, k는 데이터의 총 개수이다. 수학식 3의 최적화 문제를 풀면 서포트 벡터에 해당하는 것을 제외한 모든 데이터는, 서포트 벡터보다 초월평면으로부터 바깥쪽에 위치 하게 되며, w의 크기는 최소화된다. 또한 서포트벡터와 초월평면 사이의 마진이 최대화된다. 또, 최적화문제를 풀면 이하 수학식 4와 같이 w를 구할 수 있다. k개의 학습 데이터셋에 대하여 표현된 수식이며 여기서 αi는 위 최적화 문제를 라그랑지안 문제로 풀 때 나타나는 라그랑지안 승수이다.
이때, αi 값이 0 이 아닌 데이터가 서포트 벡터이다. 가중치 벡터 b는 서포트 벡터와 수학식 4에서 구한 w를 이용하여 수학식 5를 통해 구할 수 있다.
만약 분리하고자 하는 특징 데이터가 위와 같은 초월평면으로 분리되지 않고 섞여있는 구조인 비선형 패턴 분류 문제라면, 이 특징 데이터를 커널함수를 사용하여 다른 특징공간으로 변환한 후 분류 문제를 풀 수 있다. 커널함수로 자주 사용되는 것들로는 Linear, Polynomial, Sigmoid, RBF(Radial-Basis Function) 함수 등이 있다. SVM으로 여러 클래스 분류 문제를 풀기 위한 방법 중 하나로, 하나 대 나머지(One-Versus-Rest) 방법이 이용될 수도 있다. 이 방법에서는 m 개의 각각의 분류기가 m 개의 클래스를 분류한다. m 개의 분류기는 학습 데이터셋에 대하여 각각 자신의 클래스만 참 값이고, 나머지는 거짓 값을 출력하며, 검증 데이터셋에 대한 클래스 판단은 가장 높은 결과를 출력하는 분류기의 클래스로 판단한다.
<RNN>
RNN은 입력 자료를 시간에 따라 분리하여 입력 받는 다중층(Layer) 신경망이다. RNN은 순서(Sequence)가 있는 자료를 처리하는데 적합한 신경망으로 자연어처리 문제, 시계열 예측에 활용되는 모형이다. 순서가 있는 자료란 시간의 변화에 따라 영향을 받는 자료를 의미한다. 기존 신경망에 은닉 상태(Hidden State)를 추가하여 현재의 자료와 과거의 자료로부터 모두 정보를 받아 함께 사용하여 출력값을 계산하도록 고안된 심층 신경망이다. 즉, RNN은 은닉 상태를 사용해 순서가 있는 자료의 중간 결과를 기억한다. RNN의 각 타임스텝마다의 메모리 셀(Memory Cell)과 출력(Output)을 출력할 수 있는데, t 시점의 은닉 상태, 즉 은닉계층의 노드 값(h(t))은 이전 시점의 은닉계층의 노드값(h(t-1)과 t시점의 입력값의 합을 활성화 함수(f)를 이용하여 계산한다. 출력층의 노드 값(y(t))은 은닉계층의 노드 값(h(t))과 가중치(O(t))의 곱으로 계산한다. 다만, RNN이 입력되는 시간(Time Step)이 길어지면 기울기 손실(Vanishing Gradient) 문제를 발생시킬 수 있고, 이는 장기 기억에 활용하기 부적절하기 때문에, LSTM(Long Short-Term Memory)이나 GRU(Gated Recrurent Unit)을 이용할 수도 있다.
SVM 알고리즘을 적용하면 사용자가 현재 이용중인 이동수단이 무엇인지를 90% 이상 판별할 수 있다. 이후에는 RNN 알고리즘을 통해 시간의 흐름에 따라 변화하는 데이터를 학습 및 검증함으로써, 98% 이상 판별할 수 있다. 이때, 판별의 정확도는 각 센서의 감도 및 수집되는 센서 데이터의 품질에 영향을 받을 수는 있다.
전처리부(350)는, 센서 데이터를 전처리할 때, 센서 데이터 중 가속도 데이터에 대응하는 원시 데이터(Raw Data)에 포함된 중력값을 제거하기 위하여 고역통과필터(High Pass Filter)를 적용하고, 중력값이 제거된 가속도 데이터에 노이즈를 제거하기 위하여 스무딩(Smoothing) 알고리즘을 적용하며, 신호벡터크기(Signal Vector Magnitude)를 이용하여 가속도 데이터의 방향신호를 상쇄시켜 특징 데이터를 추출할 수 있다. 전처리부(350)는, 가속도 센서와 위치 센서로 선형가속도 데이터와 위치 및 속도 데이터를 수집하고, 선형가속도 진폭(진동 크기) 데이터(Magnitude of Acceleration)를 추출할 수 있다. 또, 전처리부(350)는, 움직임에 따른 진동패턴 및 진동크기를 정규화하기 위해 K-평균(K-Means)을 이용하여 추출 데이터를 군집화할 수 있다. K-평균을 이용하는 이유는 움직임에 따른 진동패턴 및 진동크기를 항상 일정한 값으로 획득할 수 없기 때문이다. 이때, 적어도 하나의 센서는, 자이로(Gyroscope) 센서, 지자기 센서, 가속도 센서, 위치 센서 및 마이크 센서를 포함할 수 있다.
전처리부(350)는, 센서 데이터 중 자이로 데이터를 시간 단위에 따른 각도 변화를 측정하기 위해, 자이로 데이터에 대응하는 원시 데이터의 각속도를 계산하고, 회전 벡터(Rotation Vector)를 적용하여 정규화할 수 있다. 전처리부(350)는, 센서 데이터 중 지자기 데이터와 가속도 데이터를 조합하여 3축의 방향각도 데이터를 획득할 수 있다. 지자기 센서는 자이로 센서보다 정확도는 떨어지지만 배터리 소모를 줄이고 백그라운드 모드에서 처리가 유용하다는 특징이 있다.
전처리부(350)는, 마이크 센서에 저역통과필터(Low Pass Filter)를 적용하여 노이즈를 상쇄시킬 수 있다. 정리하면, 전처리부(350)는, 원시 데이터(Raw Data)로부터 노이즈를 제거하고, 특징 데이터를 추출하며, 추출된 추출 데이터를 정규화함으로써, 인공지능 알고리즘에서 데이터의 패턴을 분석하고 이동수단을 추론할 수 있도록, 즉 인공지능 알고리즘이 정확도 높게 오류없이 데이터를 잘 분류할 수 있도록, 데이터를 잘 정리하고 다듬어 인공지능 알고리즘에 넣어주는 역할을 하게 된다.
활성화부(360)는, 사용자 단말(100)의 상태 변화에 대응하는 이벤트 트리거(Event Trigger)에 의해 백그라운드 모드(Background Mode)로 적어도 하나의 API(Application Programming Interface)가 웨이크업(Wakeup)되어 센서 데이터를 수집하도록 할 수 있다. 모든 센서 데이터를 계속하여 추출하는 경우 배터리 소모가 극심해지고 배터리 열화로 이어지게 되므로, 움직임의 상태 변화가 존재할 때에만 이벤트 트리거로 본 발명의 센서 데이터를 모으게 된다. 이때에도 백그라운드 모드로 구동함으로써 사용자의 시야를 방해하지 않고 다양한 센서 데이터를 가져오게 된다.
탑승확인부(370)는, 적어도 하나의 대중교통의 노선 및 정류소를 간선(Edge) 및 노드(Node)로 지정한 후, 위도 및 경도를 포함하는 위치좌표를 매핑하여 저장하며, 간선 및 노드를 지나가는 실시간 대중교통 정보를 표시하고, 사용자 단말(100)의 위치 센서로부터 수집한 위치좌표가 실시간 대중교통 정보와 일치하는 경우 사용자 단말(100)이 탑승한 대중교통의 종류 및 노선을 파악할 수 있다. 이때, 대중교통을 타고 있는지에 대한 정보를 속도, 방향, 소음 등으로 판별하는 것을 1 차로 확인하고, 교차검증으로 실제 버스나 지하철의 위치나 속도 등과 현재 사용자 단말(100)의 위치나 속도 등이 일치하는지를 실시간 대중교통 정보를 수집하여 2 차로 확인함으로써 교차검증하게 된다. 물론, 속도나 방향 뿐만 아니라 다양한 데이터를 이용하여 1 차 검증을 수행할 수 있음은 상술한 바와 같다.
이하, 상술한 도 2의 판별 서비스 제공 서버의 구성에 따른 동작 과정을 도 3 및 도 4를 예로 들어 상세히 설명하기로 한다. 다만, 실시예는 본 발명의 다양한 실시예 중 어느 하나일 뿐, 이에 한정되지 않음은 자명하다 할 것이다.
도 3a의 (a)와 같이 판별 서비스 제공 서버(300)는, 사용자 단말(100)로부터 센서 데이터의 수집동의를 받은 후 센서 데이터를 수집하고, (b)와 같이 API 수집을 할 때 이벤트 트리거를 사용하여 상태가 변경될 때에만 수집을 하도록 하고, 이마저도 백그라운드 모드로 동작하도록 함으로써 사용자가 다른 애플리케이션을 이용할 때 방해되지 않도록 한다. (c)와 같은 전처리 과정을 거쳐 특징을 추출한 후 도 4의 (a)와 같이 이동수단을 판별하게 되고, 도 4의 (b)와 같이 ITS와 연계하여 실제 대중교통의 위치와 사용자의 위치가 일치하는지를 2차로 확인함으로써 교차검증을 실시하게 된다. (c) 3차로는 사용자로 질의를 하여 확실한지를 묻게 되는데 사용자가 일일이 입력하는 것이 아니라 맞는지 아닌지만을 컨펌해주는 역할만을 수행하므로 사용자는 일을 하는 직원의 역할이 아닌, 일을 검수하는 컨펌자의 역할만을 수행하는 것으로 사용자의 역할은 이 것으로 끝이 난다. (d)와 같이 본 발명의 플랫폼은 오류패턴을 추출한 후 오류가 발생되지 않도록 인공지능 알고리즘을 재학습시킬 수 있다. 초기에는 오류패턴이 많이 발생할 수 있지만, 사용자 수가 늘어나고 데이터가 누적되다보면 정확도가 높아져 이후에는 동일한 이륜차라도 브랜드나 모델명까지 맞출 수 있을 정도로 정교해질 수 있다.
도 4a와 같이 오픈 소스 기반의 모바일 개발 프레임워크인 Cordova를 이용할 수 있고, Device API로 사용자 단말(100)에 내장된 센서 데이터를 수집할 수 있다. 또, 표준 웹 기술인 HTML5, CSS3 및 JavaScript를 크로스 플랫폼 개발에 사용할 수 있고, 표준 준수 API 바인딩에 의존하여 센서, 데이터, 네트워크 상태 등과 같은 각 장치의 기능에 접근할 수 있다. 도 4b와 같이 독립 실행형 프로덕션 등급의 Spring 기반 애플리케이션 프레임워크인 Spring Boot를 이용할 수 있고, 모바일 애플리케이션과 통신하기 위한 RESTful API 애플리케이션 서버를 구축할 수 있다. 이는 개발 생산성이 뛰어나며 안정적인 상용화 서비스를 위해 클라우드 환경에 적용 및 관리 용이하다.
도 4c와 같이 위치(GeoLocation)을 수집할 수 있고, 도 4d와 같이 가속도계를 이용할 수 있으며, 도 4e와 같이 나침반을 이용할 수 있는데, 애플리케이션 서버를 통하여 사용자 단말(100)의 센서 데이터가 데이터베이스에 저장될 수 있다. 도면에 도시된 화면들은 테스트용으로 관계형 데이터베이스에 저장하고 있지만 시제품 개발 단계에서는 빅데이터 아키텍처로 구성할 수 있다. 이때, 도 4a와 같이 지리위치(Geolocation), 타임스탬프(Timestamp), 사용자 단말(100)의 식별자(Unique Device IDentifier, UDID), 위도(Latitude), 경도(Longitude), 고도(Altitude), 방향(Heading), 속도(Speed)를 추출할 수 있다. 또 도 4b와 같은 가속도계(Accelerometer)에서는, 타임스탬프(Timestamp), 사용자 단말(100)의 식별자(Unique Device IDentifier, UDID), XYZ축을 추출할 수 있다. X축의 좌측은 음수 우측은 양수이고, Y축은 상부가 양수, 하부가 음수이며, Z축은 앞측이 양수 뒷측이 음수이다. 도 4c와 같은 나침반(Compass)에서는, 타임스탬프(Timestamp), 사용자 단말(100)의 식별자(Unique Device IDentifier, UDID), 방향(Heading)을 추출할 수 있다.
정리하면, 본 발명의 일 실시예에 따른 플랫폼은 사용자 단말(100)에서 이동할 때 현재위치변화가 발생하게 되는 것을 감지하고, 본 발명의 일 실시예에 따른 애플리케이션 또는 센서 데이터 수집을 위한 API를 백그라운드 모드로 활성화시킨다. 그리고, 사용자 단말(100)은 샘플링에 필요한 양의 센서 데이터가 확보될 때까지 센서 데이터를 수집하거나, 판별 서비스 제공 서버(300)에서 버퍼(Buffer) 또는 캐시(Cache) 역할을 수행하며 센서 데이터의 일정양이 될 때까지 누적한다. 이때 사용자 단말(100)의 센서 데이터가 기 설정된 양 만큼 누적되면, 판별 서비스 제공 서버(300)는, 대중교통의 공간좌표데이터를 수집하고, ITS로부터 실시간 공간좌표데이터를 수집할 수 있다. 그리고, 판별 서비스 제공 서버(300)는, 센서 데이터, 즉 원시 데이터(Raw Data)에 대하여 전처리를 시작하는데, [노이즈 제거→특징 데이터 추출→추출 데이터 정규화]를 수행한다. 그리고 나서, 정규화된 데이터는, 패턴 분류, 분석 및 추론을 위해 SVM 및 RNN을 거쳐 이동수단으로 출력된다.
이때, 사용자가 대중교통에 탑승하고 있는 것은 아닌지에 대한 검증은 상술한 공간좌표데이터나 실시간 공간좌표데이터 등에 의해 수행된다. 현재 사용자의 위치, 속도, 방향, 진동 등을 고려했을 때 이동수단이 지하철로 검증된 경우일지라도, 이를 다시 검증하기 위해 ITS의 공간좌표데이터 등을 이용하여 재확인하는 것이다. 즉 센서 데이터로 대중교통이 확인된 경우, ITS 등의 공간좌표데이터와 사용자 단말(100)의 위치 데이터, 가속도 데이터 등을 이용하여 대중교통에 탑승하고 있는 것인지를 재검증한다.
이와 같은 도 2 내지 도 4의 스마트폰을 이용한 이동수단 판별 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1을 통해 스마트폰을 이용한 이동수단 판별 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5는 본 발명의 일 실시예에 따른 도 1의 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템에 포함된 각 구성들 상호 간에 데이터가 송수신되는 과정을 나타낸 도면이다. 이하, 도 5를 통해 각 구성들 상호간에 데이터가 송수신되는 과정의 일 예를 설명할 것이나, 이와 같은 실시예로 본원이 한정 해석되는 것은 아니며, 앞서 설명한 다양한 실시예들에 따라 도 5에 도시된 데이터가 송수신되는 과정이 변경될 수 있음은 기술분야에 속하는 당업자에게 자명하다.
도 5를 참조하면, 판별 서비스 제공 서버는, 사용자 단말로부터 센서 데이터의 엑세스권을 획득하고(S5100), 사용자 단말로부터 센서 데이터를 수집한다(S5200). 그리고, 판별 서비스 제공 서버는, 센서 데이터를 전처리한 후 특징 데이터(Feature Data)를 기 구축된 인공지능 알고리즘에 질의(Query)로 입력하고(S5300), 기 구축된 인공지능 알고리즘에서 출력된 이동수단의 종류를 사용자 단말의 사용자의 이동수단의 종류로 구분한다(S5400).
상술한 단계들(S5100~S5400)간의 순서는 예시일 뿐, 이에 한정되지 않는다. 즉, 상술한 단계들(S5100~S5400)간의 순서는 상호 변동될 수 있으며, 이중 일부 단계들은 동시에 실행되거나 삭제될 수도 있다.
이와 같은 도 5의 스마트폰을 이용한 이동수단 판별 서비스 제공 방법에 대해서 설명되지 아니한 사항은 앞서 도 1 내지 도 4를 통해 스마트폰을 이용한 이동수단 판별 서비스 제공 방법에 대하여 설명된 내용과 동일하거나 설명된 내용으로부터 용이하게 유추 가능하므로 이하 설명을 생략하도록 한다.
도 5를 통해 설명된 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스 제공 방법은, 컴퓨터에 의해 실행되는 애플리케이션이나 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스 제공 방법은, 단말기에 기본적으로 설치된 애플리케이션(이는 단말기에 기본적으로 탑재된 플랫폼이나 운영체제 등에 포함된 프로그램을 포함할 수 있음)에 의해 실행될 수 있고, 사용자가 애플리케이션 스토어 서버, 애플리케이션 또는 해당 서비스와 관련된 웹 서버 등의 애플리케이션 제공 서버를 통해 마스터 단말기에 직접 설치한 애플리케이션(즉, 프로그램)에 의해 실행될 수도 있다. 이러한 의미에서, 전술한 본 발명의 일 실시예에 따른 스마트폰을 이용한 이동수단 판별 서비스 제공 방법은 단말기에 기본적으로 설치되거나 사용자에 의해 직접 설치된 애플리케이션(즉, 프로그램)으로 구현되고 단말기에 등의 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (5)
- 적어도 하나의 센서로부터 감지된 센서 데이터의 엑세스를 허용하는 사용자 단말; 및
상기 사용자 단말로부터 상기 센서 데이터의 엑세스권을 획득하는 동의획득부, 상기 사용자 단말로부터 상기 센서 데이터를 수집하는 수집부, 상기 센서 데이터를 전처리한 후 특징 데이터(Feature Data)를 기 구축된 인공지능 알고리즘에 질의(Query)로 입력하는 구분부, 상기 기 구축된 인공지능 알고리즘에서 출력된 이동수단의 종류를 상기 사용자 단말의 사용자의 이동수단의 종류로 구분하는 판별부를 포함하는 판별 서비스 제공 서버;
를 포함하는 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템.
- 제 1 항에 있어서,
상기 적어도 하나의 센서는, 자이로(Gyroscope) 센서, 지자기 센서, 가속도 센서, 위치 센서 및 마이크 센서를 포함하고,
상기 판별 서비스 제공 서버는,
상기 센서 데이터를 전처리할 때, 상기 센서 데이터 중 가속도 데이터에 대응하는 원시 데이터(Raw Data)에 포함된 중력값을 제거하기 위하여 고역통과필터(High Pass Filter)를 적용하고, 상기 중력값이 제거된 가속도 데이터에 노이즈를 제거하기 위하여 스무딩(Smoothing) 알고리즘을 적용하며, 신호벡터크기(Signal Vector Magnitude)를 이용하여 상기 가속도 데이터의 방향신호를 상쇄시켜 특징 데이터를 추출하고, 움직임에 따른 진동패턴 및 진동크기를 정규화하기 위해 K-평균(K-Means)을 이용하여 추출 데이터를 군집화하는 전처리부;
를 더 포함하는 것을 특징으로 하는 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템.
- 제 2 항에 있어서,
상기 전처리부는,
상기 센서 데이터 중 자이로 데이터를 시간 단위에 따른 각도 변화를 측정하기 위해, 상기 자이로 데이터에 대응하는 원시 데이터의 각속도를 계산하고, 회전 벡터(Rotation Vector)를 적용하여 정규화하고, 상기 센서 데이터 중 지자기 데이터와 상기 가속도 데이터를 조합하여 3축의 방향각도 데이터를 획득하며, 상기 마이크 센서에 저역통과필터(Low Pass Filter)를 적용하여 노이즈를 상쇄시키는 것을 특징으로 하는 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템.
- 제 1 항에 있어서,
상기 판별 서비스 제공 서버는,
상기 사용자 단말의 상태 변화에 대응하는 이벤트 트리거(Event Trigger)에 의해 백그라운드 모드(Background Mode)로 적어도 하나의 API(Application Programming Interface)가 웨이크업(Wakeup)되어 상기 센서 데이터를 수집하도록 하는 활성화부;
를 더 포함하고,
상기 적어도 하나의 인공지능 알고리즘은, SVM(Support Vector Manchine) 및 RNN(Recurrent Neural Network)을 포함하는 것을 특징으로 하는 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템.
- 제 1 항에 있어서,
상기 판별 서비스 제공 서버는,
적어도 하나의 대중교통의 노선 및 정류소를 간선(Edge) 및 노드(Node)로 지정한 후, 위도 및 경도를 포함하는 위치좌표를 매핑하여 저장하며, 상기 간선 및 노드를 지나가는 실시간 대중교통 정보를 표시하고, 상기 사용자 단말의 위치 센서로부터 수집한 위치좌표가 상기 실시간 대중교통 정보와 일치하는 경우 상기 사용자 단말이 탑승한 대중교통의 종류 및 노선을 파악하는 탑승확인부;
를 더 포함하는 것을 특징으로 하는 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220165128A KR20240081718A (ko) | 2022-11-30 | 2022-11-30 | 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220165128A KR20240081718A (ko) | 2022-11-30 | 2022-11-30 | 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240081718A true KR20240081718A (ko) | 2024-06-10 |
Family
ID=91482288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220165128A KR20240081718A (ko) | 2022-11-30 | 2022-11-30 | 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240081718A (ko) |
-
2022
- 2022-11-30 KR KR1020220165128A patent/KR20240081718A/ko not_active Application Discontinuation
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | Online travel mode identification using smartphones with battery saving considerations | |
| Liang et al. | A convolutional neural network for transportation mode detection based on smartphone platform | |
| CN109155104B (zh) | 推荐估计到达时间的系统和方法 | |
| Widhalm et al. | Transport mode detection with realistic smartphone sensor data | |
| Nikolic et al. | Review of transportation mode detection approaches based on smartphone data | |
| Liang et al. | A deep learning model for transportation mode detection based on smartphone sensing data | |
| CN110329271A (zh) | 一种基于机器学习的多传感器车辆行驶检测系统及方法 | |
| Cabral et al. | An automatic survey system for paved and unpaved road classification and road anomaly detection using smartphone sensor | |
| Alsolami et al. | Hybrid statistical and machine learning methods for road traffic prediction: A review and tutorial | |
| US20230076568A1 (en) | Mobile Device And System For Automated Transport Mode Recognition And Corresponding Method Thereof | |
| Asci et al. | A novel input set for LSTM-based transport mode detection | |
| US11560022B2 (en) | Rotatable smart wheel systems and methods | |
| US11343636B2 (en) | Automatic building detection and classification using elevator/escalator stairs modeling—smart cities | |
| US20210406709A1 (en) | Automatic building detection and classification using elevator/escalator/stairs modeling-mobility prediction | |
| Menegazzo et al. | Multi-contextual and multi-aspect analysis for road surface type classification through inertial sensors and deep learning | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| CN114128321A (zh) | 可靠的检测车辆内智能手机的方法和系统 | |
| Nirmal et al. | Transportation mode detection using crowdsourced smartphone data | |
| Ahmed et al. | Survey of machine learning methods applied to urban mobility | |
| CN107015647A (zh) | 基于智能手机姿态行为大数据的用户性别识别方法 | |
| Lopez et al. | Detecting changes of transportation-mode by using classification data | |
| KR20240081718A (ko) | 스마트폰을 이용한 이동수단 판별 서비스 제공 시스템 | |
| US11128982B1 (en) | Automatic building detection and classification using elevator/escalator stairs modeling | |
| US11521023B2 (en) | Automatic building detection and classification using elevator/escalator stairs modeling—building classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |