WO2016032068A1 - 이상 조기 감지 장치 및 방법 - Google Patents

이상 조기 감지 장치 및 방법 Download PDF

Info

Publication number
WO2016032068A1
WO2016032068A1 PCT/KR2014/012792 KR2014012792W WO2016032068A1 WO 2016032068 A1 WO2016032068 A1 WO 2016032068A1 KR 2014012792 W KR2014012792 W KR 2014012792W WO 2016032068 A1 WO2016032068 A1 WO 2016032068A1
Authority
WO
WIPO (PCT)
Prior art keywords
case
abnormality
state information
monitoring target
similar case
Prior art date
Application number
PCT/KR2014/012792
Other languages
English (en)
French (fr)
Inventor
김성일
박용로
정고운
김윤혁
이성우
류제원
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Publication of WO2016032068A1 publication Critical patent/WO2016032068A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0838—Historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0831—Overseas transactions
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods

Definitions

  • Embodiments of the present invention relate to a technique for early detection and prediction of abnormalities of a monitored object through the fusion of real-time collected data and historical data.
  • Embodiments of the present invention are to provide a means for quickly detecting anomalies of a monitoring target and effectively predicting future development by incorporating real-time data generated continuously into similar cases derived by a similarity-based methodology.
  • a similar case selecting unit for selecting a similar case related to the monitoring target from the past case data;
  • a data collecting unit collecting state information of the monitoring target;
  • comparing the similar cases with the state information to select an optimal similar case among the similar cases, and predicting an abnormality detection device including a predictor configured to predict a future situation development of the monitoring target from the optimal similar case.
  • the similar case selector may select the similar case based on case-based reasoning using the similarity between the feature value of the past case data and the feature value of the monitoring target.
  • the abnormality early detection apparatus may further include an abnormality detection unit configured to detect whether or not an abnormality of the monitoring target occurs by comparing the case data classified as normal among the past case data and the state information.
  • the abnormality detection unit may generate a baseline for detecting abnormality of the monitoring target from the case data classified as normal, and compare the baseline and the collected state information to detect whether or not the abnormality of the monitoring target occurs.
  • the baseline may be either an average value or a median value of the case data classified as normal.
  • the abnormality detecting unit may determine that an abnormality has occurred in the monitoring target when a difference between the collected state information and the reference line is out of a set normal range.
  • the abnormality detector may calculate a difference between the collected state information and the reference line within a preset comparison period.
  • the abnormality detector may output a warning message when it is determined that an abnormality has occurred in the monitoring target.
  • the prediction unit may select the optimal similar case when the abnormal occurrence of the monitoring target is detected by the abnormal detection unit.
  • the prediction unit may compare the pattern of each similar case and the pattern of the collected state information, and select a similar case having a pattern having the highest similarity with the pattern of the state information as the optimal similar case.
  • the prediction unit calculates a maximum value of similarity with the state information pattern for each similar case pattern while moving the patterns of the similar cases within the same plane as the state information pattern, and calculates the maximum value of the similarity.
  • the largest similar case can be selected as the optimal similar case.
  • the prediction unit may predict the development of the future situation of the monitoring target from the selected pattern and characteristic value of the optimal similar case.
  • the monitoring target is a moving object that is in operation
  • the past case data is past operating case data of the moving object
  • the state information may be position information for each time of the moving object.
  • selecting similar cases related to a monitoring target from past case data Collecting state information of the monitoring target; Selecting an optimal similar case among the similar cases by comparing the similar cases and the collected state information; And predicting a future situation development of the monitoring target from the optimal similar case.
  • the similar case may be selected based on case-based reasoning using similarity between the feature value of the past case data and the feature value of the monitoring target.
  • the abnormal early method may further include detecting whether an abnormality of the monitoring target occurs by comparing the case information classified as normal among the past case data and the state information before performing the step of selecting the optimal similar case. can do.
  • the detecting of the abnormality may include generating a baseline for detecting an abnormality of the monitoring target from the case data classified as normal; And comparing the baseline and the collected state information.
  • the baseline may be either an average value or a median value of the case data classified as normal.
  • the comparing step when the difference between the collected state information and the reference line is outside the set normal range, it may be determined that an abnormality has occurred in the monitoring target.
  • the difference between the collected state information and the reference line may be calculated within a preset comparison period.
  • the detecting of the abnormality may further include outputting a warning message when it is determined that the abnormality has occurred in the monitoring target.
  • the optimal similar case when the abnormal occurrence of the monitoring target is detected by the abnormal detection unit, the optimal similar case may be selected.
  • the selecting of the best similar case may include comparing the pattern of the rejected similar case and the pattern of the collected state information, and selecting a similar case having a pattern having the highest similarity with the pattern of the state information as the best similar case. can do.
  • the selecting of the best similar case may include: calculating a maximum value of similarity with the state information pattern for each similar case pattern while moving the patterns of each similar case within the same plane as the state information pattern, and calculating A similar case having the largest maximum value of the similarity may be selected as the optimal similar case.
  • the predicting step may predict the development of the future situation of the monitoring target from the selected pattern and characteristic values of the optimal similar case.
  • FIG. 1 is a block diagram illustrating a monitoring system according to an embodiment of the present invention.
  • FIG. 2 is a block diagram for explaining a detailed configuration of the abnormal early detection device according to an embodiment of the present invention
  • FIG. 3 is an exemplary view for explaining monitoring target state information collected by the data collection unit of the abnormal early detection device according to an embodiment of the present invention
  • FIG. 4 is a graph showing a baseline constructed for the sea route of the ship shown in FIG.
  • 5 and 6 are exemplary views illustrating an example of a transportation delay that may occur when comparing the position information of the vessel being monitored by the abnormal detection unit of the abnormal early detection device according to the embodiment with a baseline.
  • FIG. 7 is an exemplary view illustrating a warning message output from the abnormality detecting unit of the abnormality early detection apparatus according to an embodiment of the present invention.
  • FIG. 8 is a graph showing an example of selecting an optimal similar case in the predicting unit of the early detection device according to an embodiment of the present invention and comparing it with the vessel under monitoring using the same.
  • FIG. 9 is a flowchart illustrating a method for detecting abnormality early according to an embodiment of the present invention.
  • the monitoring system 100 detects an abnormal occurrence of a monitoring target by using state information acquired in real time from a monitoring target and previously stored case data, and predicts future development of a situation. to be.
  • the monitoring system 100 obtains real-time location information of a moving object such as a ship or an aircraft and compares it with past case data to determine whether the moving object can reach the destination at a scheduled time. It may be a system for predicting.
  • the present invention is not limited thereto, and embodiments of the present invention may be used in various fields, such as predicting a failure of a device or predicting a disaster.
  • the monitoring system 100 includes a case database 102 and the abnormal early detection device 104.
  • the case database 102 stores and manages historical case data related to the monitored object.
  • the case database 102 may store past navigational case information of the vehicle.
  • the operation example may include a carrier name (ship), a route, ship identification information (ship name), a departure point (or a departure port), a departure time, an arrival destination (or an arrival port) of a previously operated vessel. , Arrival time, location information for each operation time of the ship, and the like.
  • the abnormality early detection device 104 collects real-time state information of the monitoring object 106 and monitors whether the monitoring object 106 has occurred using the collected state information and the case data stored in the case database 102. . If it is determined that the abnormality of the monitoring target 106 has occurred, the abnormality early detection device 104 may display a notification message for this on the manager terminal 108 or the like. In addition, the abnormality early detection device 104 may be configured to predict the future situation of the monitoring target 106 has an abnormality and to provide information about it to the manager terminal 108 or to store in the case database 102. In one embodiment, each element constituting the monitoring system 100 may be implemented by a computing device that includes a central processing unit (CPU), a hardware processor, or additional hardware.
  • CPU central processing unit
  • a hardware processor or additional hardware.
  • the early abnormality detection device 104 includes a similar case selection unit 202, data collection unit 204, abnormality detection unit 206 and the prediction unit 208. do.
  • the similar case selector 202, the data collector 204, the anomaly detector 206, and the predictor 208 may be executed by at least one CPU or at least one hardware processor. .
  • the similar case selecting unit 202 selects similar cases related to the monitoring object 106 from the past case data stored in the case database 102.
  • the similar case selector 202 is based on the case-based reasoning (CBR) based on the similarity between the feature value of the past case data and the feature value of the monitored object. Cases can be selected.
  • the characteristic value may include a name of a carrier operating a moving object, a route, identification information of a moving object (such as a ship name or a flight name), a departure point, a departure time, an arrival point, and an arrival time. It may include one or more.
  • the similar case selecting unit 202 may select cases of operating the same route at a similar time as the moving object, which is the monitoring target 106, among the past flight cases as similar cases.
  • parameters such as the characteristic value and the weight of each characteristic value, which are the basis of case-based inference, may be appropriately set in consideration of the characteristics of the monitoring object 106 and the past case data. That is, it is noted that the embodiments of the present invention are not limited to a specific algorithm for selecting similar cases.
  • the data collector 204 collects state information of the monitoring target 106.
  • the state information may be position information for each time of the moving object.
  • FIG 3 is an exemplary view for explaining the status information of the monitoring target 106 collected by the data collection unit 204 in the abnormal early detection device 104 according to an embodiment of the present invention.
  • the location information according to the time of the ship operating from China to the United States is displayed as a dot on the map.
  • the abnormality detection unit 206 generates a baseline for the case data classified as normal among the past case data stored in the case database 102.
  • the baseline is used to determine whether the abnormality of the monitoring target 106 is abnormal in the abnormality detecting unit 206. That is, when the state information collected according to the characteristics of the monitoring object 106 exceeds or falls short of the reference line by more than a predetermined range or less, the abnormality detecting unit 206 may determine that an abnormality has occurred in the monitoring object 106. have.
  • the baseline may be any one of an average value or a median value of time location information included in the case data (normal case data) classified as normal among the past case data stored in the case database 102.
  • the normal case data may be the same as the above-described similar case, but the two are not necessarily identical, and the normal case data may have a larger range or a smaller range than the similar case.
  • the normal case data may be time-specific location information of the mobile vehicle normally operated without delay among the past case data of the mobile vehicle which operated the same route.
  • the baseline serves as a milestone of transportation delay.
  • FIG. 4 is a graph showing a baseline constructed for the ship route shown in FIG. 3.
  • the X axis is the number of seconds passed since departure from the starting port and the Y axis is the distance from the starting port.
  • the unit of distance is defined as a longitude, but according to an embodiment, the unit of distance may vary.
  • the abnormality detecting unit 206 detects the abnormality of the monitoring target 106 by comparing the reference line and the collected state information. As described above, when the difference between the collected state information and the reference line is outside the set normal range, the abnormality detecting unit 206 may determine that the abnormality has occurred in the monitoring target 106.
  • the abnormality detecting unit 206 compares the collected location information with a baseline, and determines that a transportation delay has occurred when the collected location information is behind the reference line. Can be.
  • the abnormality detection unit 206 does not compare the baseline and the collected state information in all sections of the constructed baseline, but sets a comparison section for comparison and the difference between the state information collected in the comparison section and the baseline. Can be calculated.
  • the monitored object 106 is a ship carrying cargo. Most international shipments carry logistics to multiple ships via transshipment ports rather than single ships.
  • the position tracking data of a vessel is collected based on one vessel, for example, when a specific cargo is transported from the departure port to the transhipment port to another vessel and the cargo is loaded on the vessel to be monitored at the transhipment port.
  • the location information of the vessel to be monitored becomes difficult to be reflected by the baseline.
  • the section from the missing starting port to the transhipment port should be excluded from the comparison section. Therefore, the abnormality detector 206 may be configured to first select a reliable comparison section before using the real-time location data. For example, in the case of FIG. 4, the front part of the graph (parts indicated by both arrows) is excluded from the comparison because it is location information from the departure port to the transshipment port.
  • the baseline and the state information should be compared at the same time. For example, when the information is navigation information of a ship, the ship's position at the baseline, the current ship's position, and the distance difference thereof are calculated at the same time. If the vessel being monitored is earlier than the baseline, it is not necessary to consider it, but if it is late, the possibility of delay in transportation will increase according to the calculated distance difference.
  • FIG. 5 and 6 illustrate an example of a transportation delay that may occur when comparing position information of a vessel currently being monitored with a baseline.
  • the line marked A is the baseline and the line marked B represents the delayed cases.
  • the locations of transshipment and destination ports are indicated by the dotted blue line.
  • the delay occurs from the transit port, resulting in a delay at the arrival port.
  • the ship is moving faster than the baseline and is near the arrival port. Able to know.
  • the abnormality detector 206 may output a warning message when it is determined that the abnormality has occurred in the monitoring target 106. For example, when it is determined that a delay has occurred in the moving object, which is the monitoring target 106, the abnormality detecting unit 206 may notify the manager terminal 108 by visual or audio means.
  • FIG. 7 illustrates an output of a warning message from the abnormality detecting unit 206 according to an exemplary embodiment of the present invention, and illustrates an example of a risk of a real-time transportation delay in color or shade based on a distance between a reference line and actual location data. It is shown.
  • This warning of dangers in color or shade allows users to easily understand and quickly recognize shipping delays. For example, as shown in Figure 7, it can be seen that as the vessel currently being monitored is inferior to the baseline, the intensity of the circle is warned as the brightness of the circle becomes darker and closer to black. The black circle around the destination indicates that the baseline schedule has already reached the point of arrival. If location information is collected in real time and the distance is calculated and alerted, the user will be able to detect the delay immediately when the delay occurs.
  • the prediction unit 208 compares the selected similar case and the collected state information, and selects an optimal similar case related to the monitoring target 106 among similar cases.
  • the future situation of the monitored object 106 is predicted from the optimal similarity case.
  • the prediction unit 208 compares a pattern included in each similar case selected with a pattern of collected state information, and selects a similar case having a pattern having the highest similarity with that of the state information. It is chosen as the best analogous case and this process is called refinement.
  • the pattern may be a change over time of a specific attribute of a monitoring target. For example, when the monitoring target is a moving object, the pattern may be location information according to time of the monitoring target.
  • the prediction unit 208 calculates the maximum value of the similarity with the state information pattern for each similar case pattern while moving the pattern of each similar case up, down, left, and right in the same plane as the state information pattern, and calculates the maximum value of the similarity.
  • the largest similar case can be selected as the best similar case. This will be described in more detail with an example of a ship as follows.
  • FIG. 8 is a graph illustrating an example of selecting an optimal similar case in the predicting unit 208 of the abnormal early detection device 104 according to an embodiment of the present invention and comparing the same with a vessel under monitoring.
  • the solid line labeled A is the baseline
  • the line marked B is the movement pattern of the vessel being monitored
  • the solid line marked C is the pattern of best practices
  • the dashed blue line is suitable for the monitored case. This is a pattern. That is, as described above, in the embodiment of the present invention, the optimal similar case monitors similar cases such that the similarity between the two is maximized when the movement patterns of the moving objects included in each similar case are fitted with the monitoring target. It means the similarity case with the highest similarity calculated when moving to the target.
  • the similarity may be calculated as the Euclidean distance between each similar case and the monitoring target case.
  • an optimum similar case can be obtained by comparing the similarity when matching the time series pattern of each similar case and the time series pattern (moving distance over time) of the currently moving ship.
  • the prediction unit 208 can predict the future development of the monitoring target 106 therefrom. For example, when the optimal similar case selected as shown in FIG. 8 is matched with the time series pattern of the ship currently in motion, the portion indicated by the dotted line D may be predicted as the future movement pattern of the ship being monitored. In addition, the prediction unit 208 may estimate the cause of the abnormality of the monitoring target 106 by using the characteristic value of the corresponding best similar case stored together in the best similar case.
  • the prediction unit 208 when the cause of the occurrence of an abnormality is recorded in the selected optimal similar case, or a parameter (such as weather information or logistical unloading delay information of the arrival port) that can be estimated is recorded, the prediction unit 208 By using this, it is possible to estimate the cause of the abnormality of the monitoring target 106.
  • FIG. 9 is a flowchart illustrating an abnormal early detection method 900 according to an embodiment of the present invention.
  • step 902 the similar case selecting unit 202 of the abnormal early detection device 104 selects similar cases related to the monitoring object 106 from the past case data.
  • step 904 the data collection unit 204 of the abnormal early detection device 104 collects state information of the monitoring target 106.
  • the abnormality detection unit 206 of the abnormality early detection device 104 generates a reference line for abnormality detection of the monitoring target 106 from the case data classified as normal among the past case data.
  • the abnormality detection unit 206 of the abnormality early detection device 104 detects whether an abnormality of the monitoring target 106 occurs by comparing the baseline and the collected state information.
  • the predicting unit 208 of the abnormal early detection device 104 compares the selected similar case with the collected state information and monitors the similar cases. Select the best similar case associated with the subject 106.
  • step 912 the predicting unit 208 of the abnormal early detection device 104 predicts the future situation development of the monitoring target 106 from the optimum similar case.
  • an embodiment of the present invention may include a program for performing the methods described herein on a computer, and a computer readable recording medium including the program.
  • the computer-readable recording medium may include program instructions, local data files, local data structures, etc. alone or in combination.
  • the media may be those specially designed and constructed for the purposes of the present invention, or those conventionally available in the field of computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical recording media such as CD-ROMs, DVDs, and specially configured to store and execute program instructions such as ROM, RAM, flash memory, and the like.
  • Hardware devices are included. Examples of such programs may include high-level language code that can be executed by a computer using an interpreter as well as machine code such as produced by a compiler.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)

Abstract

이상 조기 감지 장치 및 방법이 개시된다. 본 발명의 일 실시예에 따른 이상 조기 감지 장치는 과거 사례 데이터 중 모니터링 대상과 관련된 유사 사례를 선정하는 유사 사례 선정부; 상기 모니터링 대상의 상태 정보를 수집하는 데이터 수집부; 상기 과거 사례 데이터 중 정상으로 분류된 사례 데이터로부터 상기 모니터링 대상의 이상 감지를 위한 기준선을 생성하고, 상기 기준선 및 상기 수집된 상태 정보를 비교하여 상기 모니터링 대상의 이상 발생 여부를 감지하는 이상 감지부; 및 상기 모니터링 대상의 이상 발생이 감지된 경우, 상기 선정된 유사 사례 및 상기 수집된 상태 정보를 비교하여 상기 유사 사례 중 상기 모니터링 대상과 관련된 최적 유사 사례를 선정하고, 상기 최적 유사 사례로부터 상기 모니터링 대상의 향후 상황 전개를 예측하는 예측부를 포함한다.

Description

이상 조기 감지 장치 및 방법
본 발명의 실시예들은 실시간 수집 데이터와 과거 데이터의 융합을 통해 모니터링 대상의 이상을 조기에 감지 및 예측하기 위한 기술과 관련된다.
이상 상황의 조기 및 실시간 감지는 다양한 비즈니스 프로세스에 있어 비용 절감 및 리스크 관리를 위한 핵심 기술 중 하나이다. 예를 들어 4자 물류(4PL, Fourth-Party Logistics) 분야에서 정확도 높은 물류 차질 예측은 대응 비용 절감 및 고객 만족을 위한 필수 요소로 요구되고 있다. 이에 맞추어 4PL 업체들은 실시간 선박 추적 기술 등을 도입하여 물류의 가시성 확보를 위해 노력하고 있다. 그러나 이와 같이 실시간으로 들어오는 대용량의 데이터를 효과적으로 활용하여 물류 차질을 조기에 예측할 수 있는 정보 융합성 분석 모델에 대한 연구는 전무한 실정이다.
본 발명의 실시예들은 유사도 기반 방법론으로 도출된 유사 사례에 연속적으로 발생하는 실시간 데이터를 접목함으로써, 모니터링 대상의 이상 상황을 신속히 감지하고 향후 상황 전개를 효과적으로 예측하기 위한 수단을 제공하기 위한 것이다.
본 발명의 예시적인 실시예에 따르면, 과거 사례 데이터 중 모니터링 대상과 관련된 유사 사례를 선정하는 유사 사례 선정부; 상기 모니터링 대상의 상태 정보를 수집하는 데이터 수집부; 및 상기 유사 사례 및 상기 상태 정보를 비교하여 상기 유사 사례 중 최적 유사 사례를 선정하고, 상기 최적 유사 사례로부터 상기 모니터링 대상의 향후 상황 전개를 예측하는 예측부를 포함하는 이상 조기 감지 장치가 제공된다.
상기 유사 사례 선정부는, 상기 과거 사례 데이터의 특성값(feature value) 및 상기 모니터링 대상의 특성값 사이의 유사도를 이용한 사례 기반 추론에 기반하여 상기 유사 사례를 선정할 수 있다.
상기 이상 조기 감지 장치는, 상기 과거 사례 데이터 중 정상으로 분류된 사례 데이터와 상기 상태 정보를 비교하여 상기 모니터링 대상의 이상 발생 여부를 감지하는 이상 감지부를 더 포함할 수 있다.
상기 이상 감지부는, 상기 정상으로 분류된 사례 데이터로부터 상기 모니터링 대상의 이상 감지를 위한 기준선을 생성하고, 상기 기준선 및 상기 수집된 상태 정보를 비교하여 상기 모니터링 대상의 이상 발생 여부를 감지할 수 있다.
상기 기준선은 상기 정상으로 분류된 사례 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.
상기 이상 감지부는, 상기 수집된 상태 정보와 상기 기준선과의 차이가 설정된 정상 범위를 벗어나는 경우, 상기 모니터링 대상에 이상이 발생한 것으로 판단할 수 있다.
상기 이상 감지부는, 기 설정된 비교 구간 내에서 상기 수집된 상태 정보와 상기 기준선과의 차이를 계산할 수 있다.
상기 이상 감지부는, 상기 모니터링 대상에 이상이 발생한 것으로 판단되는 경우, 경고 메시지를 출력할 수 있다.
상기 예측부는, 상기 이상 감지부에 의해 상기 모니터링 대상의 이상 발생이 감지된 경우, 상기 최적 유사 사례를 선정할 수 있다.
상기 예측부는, 상기 각 유사 사례의 패턴과 상기 수집된 상태 정보의 패턴을 비교하고, 상기 상태 정보의 패턴과 가장 유사도가 높은 패턴을 가지는 유사 사례를 상기 최적 유사 사례로 선정할 수 있다.
상기 예측부는, 상기 각 유사 사례의 패턴을 상기 상태 정보 패턴과 동일 평면 내에서 이동하면서 상기 각 유사 사례 패턴 별 상기 상태 정보 패턴과의 유사도의 최대값을 계산하고, 계산된 상기 유사도의 최대값이 가장 큰 유사 사례를 상기 최적 유사 사례로 선정할 수 있다.
상기 예측부는, 선정된 상기 최적 유사 사례의 패턴 및 특성값으로부터 상기 모니터링 대상의 향후 상황 전개를 예측할 수 있다.
상기 모니터링 대상은 운항 중인 이동체이고, 상기 과거 사례 데이터는 상기 이동체의 과거 운항 사례 데이터며, 상기 상태 정보는 상기 이동체의 시각 별 위치 정보일 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 과거 사례 데이터 중 모니터링 대상과 관련된 유사 사례를 선정하는 단계; 상기 모니터링 대상의 상태 정보를 수집하는 단계; 상기 유사 사례 및 상기 수집된 상태 정보를 비교하여 상기 유사 사례 중 최적 유사 사례를 선정하는 단계; 및 상기 최적 유사 사례로부터 상기 모니터링 대상의 향후 상황 전개를 예측하는 단계를 포함하는 이상 조기 감지 방법이 제공된다.
상기 유사 사례를 선정하는 단계는, 상기 과거 사례 데이터의 특성값(feature value) 및 상기 모니터링 대상의 특성값 사이의 유사도를 이용한 사례 기반 추론에 기반하여 상기 유사 사례를 선정할 수 있다.
상기 이상 조기 방법은, 상기 최적 유사 사례를 선정하는 단계의 수행 전, 상기 과거 사례 데이터 중 정상으로 분류된 사례 데이터와 상기 상태 정보를 비교하여 상기 모니터링 대상의 이상 발생 여부를 감지하는 단계를 더 포함할 수 있다.
상기 이상 발생 여부를 감지하는 단계는, 상기 정상으로 분류된 사례 데이터로부터 상기 모니터링 대상의 이상 감지를 위한 기준선을 생성하는 단계; 및 상기 기준선 및 상기 수집된 상태 정보를 비교하는 단계를 더 포함할 수 있다.
상기 기준선은 상기 정상으로 분류된 사례 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.
상기 비교하는 단계는, 상기 수집된 상태 정보와 상기 기준선과의 차이가 설정된 정상 범위를 벗어나는 경우, 상기 모니터링 대상에 이상이 발생한 것으로 판단할 수 있다.
상기 비교하는 단계는, 기 설정된 비교 구간 내에서 상기 수집된 상태 정보와 상기 기준선과의 차이를 계산할 수 있다.
상기 이상 발생 여부를 감지하는 단계는, 상기 모니터링 대상에 이상이 발생한 것으로 판단되는 경우, 경고 메시지를 출력하는 단계를 더 포함할 수 있다.
상기 최적 유사 사례를 선정하는 단계는, 상기 이상 감지부에 의해 상기 모니터링 대상의 이상 발생이 감지된 경우, 상기 최적 유사 사례를 선정할 수 있다.
상기 최적 유사 사례를 선정하는 단계는, 기 각 유사 사례의 패턴과 상기 수집된 상태 정보의 패턴을 비교하고, 상기 상태 정보의 패턴과 가장 유사도가 높은 패턴을 가지는 유사 사례를 상기 최적 유사 사례로 선정할 수 있다.
상기 최적 유사 사례를 선정하는 단계는, 상기 각 유사 사례의 패턴을 상기 상태 정보 패턴과 동일 평면 내에서 이동하면서 상기 각 유사 사례 패턴 별 상기 상태 정보 패턴과의 유사도의 최대값을 계산하고, 계산된 상기 유사도의 최대값이 가장 큰 유사 사례를 상기 최적 유사 사례로 선정할 수 있다.
상기 예측 단계는, 선정된 상기 최적 유사 사례의 패턴 및 특성값으로부터 상기 모니터링 대상의 향후 상황 전개를 예측할 수 있다.
본 발명의 실시예들에 따르면, 유사도 기반 방법론으로 도출된 유사 사례에 연속적으로 발생하는 실시간 데이터를 접목함으로써, 모니터링 대상의 이상 상황을 신속히 감지할 수 있다.
또한 본 발명의 실시예들에 따를 경우 기 수집된 유사 사례와 실시간 데이터와의 비교를 통해 도출된 최적 유사 사례를 통해 모니터링 대상의 이상 발생 원인 및 이후 상황 전개를 효과적으로 예측함으로써, 신속한 의사 결정에 실질적으로 도움을 줄 수 있는 유의미한 정보를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 모니터링 시스템을 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 이상 조기 감지 장치의 상세 구성을 설명하기 위한 블록도
도 3은 본 발명의 일 실시예에 따른 이상 조기 감지 장치의 데이터 수집부에 의해 수집되는 모니터링 대상 상태 정보를 설명하기 위한 예시도
도 4는 도 3에 도시된 선박의 항로에 대해 구축된 기준선을 도시한 그래프
도 5 및 도 6은 본 발명의 일 실시예에 따른 이상 조기 감지 장치의 이상 감지부에서 모니터링 중인 선박의 위치 정보를 기준선과 비교할 경우 발생할 수 있는 운송 지연의 사례를 예시한 예시도
도 7은 본 발명의 일 실시예에 따른 이상 조기 감지 장치의 이상 감지부에서의 경고 메시지 출력을 예시한 예시도
도 8은 본 발명의 일 실시예에 따른 이상 조기 감지 장치의 예측부에서 최적 유사 사례를 선정하고 이를 이용한 모니터링 중인 선박과 비교하는 예를 나타낸 그래프
도 9는 본 발명의 일 실시예에 따른 이상 조기 감지 방법을 설명하기 위한 흐름도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
도 1은 본 발명의 일 실시예에 따른 모니터링 시스템(100)을 설명하기 위한 블록도이다. 본 발명의 실시예들에 따른 모니터링 시스템(100)은 모니터링 대상으로부터 실시간으로 획득한 상태 정보 및 기 저장된 과거의 사례 데이터를 이용하여 모니터링 대상의 이상 발생을 감지하고, 향후 상황 전개를 예측하기 위한 시스템이다. 예를 들어, 본 발명의 일 실시예에 따른 모니터링 시스템(100)은 선박 또는 항공기 등의 이동체의 실시간 위치 정보를 획득하고 이를 과거의 사례 데이터와 비교하여 해당 이동체가 예정된 시각에 목적지에 도착 가능한지를 예측하기 위한 시스템일 수 있다. 그러나 본 발명은 이에 한정되지 않으며, 본 발명의 실시예들은 기기의 고장 예측, 또는 재난 등의 예측 등 다양한 분야에서 이용될 수 있다.
도시된 바와 같이, 본 발명의 일 실시예에 따른 모니터링 시스템(100)은 사례 데이터베이스(102) 및 이상 조기 감지 장치(104)를 포함한다.
사례 데이터베이스(102)는 모니터링 대상과 관련된 과거의 사례 데이터를 저장 및 관리한다. 일 실시예에서, 사례 데이터베이스(102)는 이동체의 과거 운항 사례 정보가 저장될 수 있다. 예를 들어, 상기 이동체가 물류용 선박인 경우 상기 운항 사례는 과거 운항한 선박의 운송사명(선사), 항로, 선박 식별 정보(선박명), 출발지(또는 출발항), 출발 시간, 도착지(또는 도착항), 도착 시간, 상기 선박의 운항 시각 별 위치 정보 등일 수 있다.
이상 조기 감지 장치(104)는 모니터링 대상(106)의 실시간 상태 정보를 수집하고, 수집된 상태 정보 및 사례 데이터베이스(102)에 저장된 사례 데이터를 이용하여 모니터링 대상(106)의 이상 발생 여부를 모니터링한다. 만약 모니터링 대상(106)의 이상이 발생한 것으로 판단되는 경우, 이상 조기 감지 장치(104)는 이에 대한 알림 메시지를 관리자 단말(108) 등에 표시할 수 있다. 또한, 이상 조기 감지 장치(104)는 이상이 발생한 모니터링 대상(106)의 향후 상황을 예측하고 이에 대한 정보를 관리자 단말(108)에 제공하거나 또는 사례 데이터베이스(102)에 저장하도록 구성될 수 있다. 일 실시예에서, 모니터링 시스템(100)을 구성하는 각 요소들은 중앙처리장치(CPU), 하드웨어 프로세서(hardware processor) 또는 추가적인 하드웨어를 포함하는 컴퓨팅 디바이스에 의해 구현될 수 있다.
도 2는 본 발명의 일 실시예에 따른 이상 조기 감지 장치(104)의 상세 구성을 설명하기 위한 블록도이다. 도시된 바와 같이, 본 발명의 일 실시예에 따른 이상 조기 감지 장치(104)는 유사 사례 선정부(202), 데이터 수집부(204), 이상 감지부(206) 및 예측부(208)를 포함한다. 일 실시예에서, 유사 사례 선정부(202), 데이터 수집부(204), 이상 감지부(206) 및 예측부(208)는 적어도 하나의 중앙처리장치 또는 적어도 하나의 하드웨어 프로세서에 의해 실행될 수 있다.
유사 사례 선정부(202)는 사례 데이터베이스(102)에 저장된 과거 사례 데이터 중 모니터링 대상(106)과 관련된 유사 사례를 선정한다. 일 실시예에서, 유사 사례 선정부(202)는 과거 사례 데이터의 특성값(feature value) 및 상기 모니터링 대상의 특성값 사이의 유사도를 이용한 사례 기반 추론(CBR; Case Based Reasoning)에 기반하여 상기 유사 사례를 선정할 수 있다. 예를 들어, 모니터링 대상(106)이 이동체인 경우, 상기 특성값은 상기 이동체를 운용하는 운송사명, 항로, 이동체의 식별 정보(선박명 또는 항공편명 등), 출발지, 출발 시간, 도착지, 도착 시간 중 하나 이상을 포함할 수 있다. 이 경우 유사 사례 선정부(202)는 사례 기반 추론을 이용하여 과거 운항 사례 중 모니터링 대상(106)인 이동체와 유사한 시각에 동일한 항로를 운항하는 사례들을 유사 사례로 선정할 수 있다. 본 발명의 실시예들에서 사례 기반 추론의 기초가 되는 특성값 및 각 특성값의 가중치 등의 파라미터들은 모니터링 대상(106) 및 과거 사례 데이터의 특성 등을 고려하여 적절하게 설정할 수 있다. 즉, 본 발명의 실시예들은 유사 사례 선정을 위한 특정 알고리즘에 한정되는 것은 아님을 유의한다.
데이터 수집부(204)는 모니터링 대상(106)의 상태 정보를 수집한다. 예를 들어, 모니터링 대상(106)이 이동 중인 이동체인 경우, 상기 상태 정보는 상기 이동체의 시각 별 위치 정보일 수 있다.
도 3은 본 발명의 일 실시예에 따른 이상 조기 감지 장치(104)에서, 데이터 수집부(204)에 의해 수집되는 모니터링 대상(106) 상태 정보를 설명하기 위한 예시도이다. 도시된 예의 경우 중국에서 미국으로 운항 중인 선박의 시간에 따른 위치 정보를 지도 상에 점으로 표시한 것이다.
이상 감지부(206)는 사례 데이터베이스(102)에 저장된 과거 사례 데이터 중 정상으로 분류된 사례 데이터로부터 위한 기준선을 생성한다. 본 발명의 실시예에서, 기준선(baseline)은 이상 감지부(206)에서 모니터링 대상(106)의 이상 여부를 판별하기 위한 것이다. 즉, 모니터링 대상(106)의 특성에 따라 수집된 상태 정보가 상기 기준선을 일정 범위 이상 초과하거나 또는 이에 미치지 못하는 경우, 이상 감지부(206)는 모니터링 대상(106)에 이상이 발생한 것으로 판단할 수 있다.
일 실시예에서, 상기 기준선은 사례 데이터베이스(102)에 저장된 과거 사례 데이터 중 정상으로 분류된 사례 데이터(정상 사례 데이터)에 포함된 시각별 위치 정보의 평균값 또는 중간값 중 어느 하나일 수 있다. 이때 상기 정상 사례 데이터는 전술한 유사 사례와 동일한 것일 수도 있으나 반드시 양자가 일치하는 것은 아니며, 정상 사례 데이터는 유사 사례보다 더 큰 범위를 가지거나 또는 그보다 더 적은 범위를 가질 수도 있다.
예를 들어 모니터링 대상(106)이 운항 중인 이동체일 경우, 정상 사례 데이터는 동일한 항로를 운항한 이동체의 과거 사례 데이터 중 지연 없이 정상 운항한 이동체의 시간 별 위치 정보일 수 있다. 이 경우 상기 기준선은 운송 지연의 이정표 역할을 하게 된다. 실시간으로 발생하는 선박의 위치 정보를 이 기준선에 비교하게 되면 운송 지연 내지 물류 차질을 가늠해 볼 수 있게 된다. 다른 의미로, 이 기준선은 항로에 대한 리드 타임(Lead Time)을 제시한다고도 말할 수 있다.
도 4는 도 3에 도시된 선박의 항로에 대해 구축된 기준선을 도시한 그래프이다. 도시된 그래프에서 X축은 출발항으로부터 출발한 후 흐른 시간(초)이고 Y축은 출발항으로부터의 거리이다. 도 4에서 거리의 단위는 경도로 정의되었으나, 실시예에 따라 거리의 단위는 달라질 수 있다.
상기와 같이 기준선이 설정되면, 이상 감지부(206)는 상기 기준선 및 수집된 상태 정보를 비교하여 모니터링 대상(106)의 이상 발생 여부를 감지한다. 전술한 바와 같이 이상 감지부(206)는, 수집된 상태 정보와 기준선과의 차이가 설정된 정상 범위를 벗어나는 경우, 모니터링 대상(106)에 이상이 발생한 것으로 판단할 수 있다.
예를 들어 모니터링 대상(106)이 운항 중인 이동체인 경우, 이상 감지부(206)는 수집된 위치 정보를 기준선과 비교하고, 수집된 위치 정보가 기준선보다 뒤쳐지는 경우, 운송 지연이 발생한 것으로 판단할 수 있다.
한편 이상 감지부(206)는 구축된 상기 기준선의 전 구간에서 기준선 및 수집된 상태 정보를 비교하는 것이 아니라, 비교를 위한 비교 구간을 설정하고 상기 비교 구간 내에서 수집된 상태 정보와 기준선과의 차이를 계산할 수 있다.
예를 들어, 모니터링 대상(106)이 화물을 운송하는 선박인 경우를 가정하자. 대부분의 국제 운송은 하나의 선박으로 운송하기 보다 환적항을 거쳐 복수의 선박으로 물류를 운송한다. 그러나 선박의 위치 추적 데이터는 하나의 선박을 기준으로 수집되는 바, 예를 들어 특정 화물이 출발항에서 환적항까지는 타 선박으로 운송되고 환적항에서 모니터링 대상 선박에 화물이 실린 경우, 환적항까지의 상기 모니터링 대상 선박의 위치 정보는 기준선이 반영하기 어렵게 된다. 다시 말해, 누락된 출발항부터 환적항까지의 구간은 비교 구간에서 제외되어야 한다. 따라서 이상 감지부(206)는 이와 같이 실시간 위치 데이터를 이용하기에 앞서, 신뢰할 만한 비교 구간을 먼저 선정하도록 구성될 수 있다. 예를 들어 도 4의 경우 그래프의 앞부분(양쪽 화살표로 표시된 부분)은 출발항에서 환적항까지의 위치 정보이므로 비교 대상에서 제외하게 된다.
이상 감지부(206)에서 수집된 상태 정보를 기준선과 비교할 때에는 동일 시각에서 기준선과 상태 정보를 비교하여야 한다. 예를 들어, 상기 정보가 선박의 운항 정보일 경우에는 동일 시각에서 기준선에서의 선박 위치와 현재 선박의 위치 및 그에 따른 거리차를 계산하게 된다. 만약 기준선에 비하여 현재 모니터링 중인 선박이 앞선 경우는 고려할 필요가 없으나, 늦은 경우는 계산된 거리차에 따라 운송 지연이 발생할 가능성이 높아지게 된다.
도 5 및 도 6은 현재 모니터링 중인 선박의 위치 정보를 기준선과 비교할 경우 발생할 수 있는 운송 지연의 사례를 예시한 것이다. 도시된 그래프에서 A로 표시된 선은 기준선이고 B로 표시된 선은 지연이 된 사례를 각각 나타낸다. 환적항과 도착항의 위치는 파란 점선으로 표시되었다. 도 5의 경우, 환적항에서부터 지연이 발생하여 결과적으로 도착항에서 지연이 발생한 경우이고, 도 6의 경우 선박이 오히려 기준선보다 빠르게 가다가 거의 도착항에 다다라서 선박의 속도가 감소하면서 운송 지연이 발생한 경우임을 알 수 있다.
한편, 이상 감지부(206)는 모니터링 대상(106)에 이상이 발생한 것으로 판단되는 경우 경고 메시지를 출력할 수 있다. 예를 들어, 이상 감지부(206)는 모니터링 대상(106)인 이동체에 지연이 발생한 것으로 판단되는 경우 이를 시각 또는 청각적 수단 등으로 관리자 단말(108)에 통지할 수 있다.
도 7은 본 발명의 일 실시예에 따른 이상 감지부(206)에서의 경고 메시지 출력을 예시한 것으로서, 기준선과 실제 위치 데이터 간의 거리를 바탕으로 실시간 운송 지연의 위험도를 색 또는 음영으로 나타낸 예를 나타낸 것이다. 이와 같이 색또는 음영으로 위험도를 경고하게 되면 사용자가 쉽게 이해하고 운송 지연을 신속하게 인식할 수 있게 된다. 예를 들어, 도 7을 보면 현재 모니터링 중인 선박이 기준선에 비하여 뒤떨어지게 되자 바로 원의 밝기가 점점 검정색에 가깝도록 짙어지면서 지연 정도를 경고하고 있는 것을 알 수 있다. 도착지 주변의 검은색 원은 기준선 스케줄 상 이미 도착항에 닿아야 하는 시점을 넘겼음을 의미한다. 위와 같이 실시간으로 위치 정보를 수집하고 거리를 계산하여 경고할 경우 지연이 일어나는 순간 사용자는 즉시 운송 지연 감지가 가능해지게 된다.
마지막으로, 예측부(208)는 모니터링 대상(106)의 이상 발생이 감지된 경우, 선정된 유사 사례 및 수집된 상태 정보를 비교하여 유사 사례 중 모니터링 대상(106)과 관련된 최적 유사 사례를 선정하고, 최적 유사 사례로부터 모니터링 대상(106)의 향후 상황 전개를 예측한다. 예측부(208)는 이상 발생이 감지될 때 마다, 기 선정된 각 유사 사례에 포함된 패턴과 수집된 상태 정보의 패턴을 비교하고, 상태 정보의 패턴과 가장 유사도가 높은 패턴을 가지는 유사 사례를 최적 유사 사례로 선정하며, 이 과정을 정제(Refine)라고 부른다. 이때 상기 패턴은 모니터링 대상의 특정 속성의 시간에 따른 변화일 수 있다. 예를 들어 상기 모니터링 대상이 이동체인 경우, 상기 패턴은 상기 모니터링 대상의 시간에 따른 위치 정보일 수 있다.
예측부(208)는 각 유사 사례의 패턴을 상태 정보 패턴과 동일 평면 내에서 상하좌우로 이동하면서 각 유사 사례 패턴 별로 상태 정보 패턴과의 유사도의 최대값을 계산하고, 계산된 유사도의 최대값이 가장 큰 유사 사례를 최적 유사 사례로 선정할 수 있다. 이를 선박의 예를 들어 좀 더 자세히 설명하면 다음과 같다.
도 8은 본 발명의 일 실시예에 따른 이상 조기 감지 장치(104)의 예측부(208)에서 최적 유사 사례를 선정하고 이를 이용한 모니터링 중인 선박과 비교하는 예를 나타낸 그래프이다. 도시된 그래프에서 A로 표시된 실선은 기준선, B로 표시된 원으로 이루어진 선은 모니터링 중인 선박의 이동 패턴, C로 표시된 실선은 최적 유사 사례의 패턴, D로 표시된 점선은 파란 실선을 모니터링 대상 사례에 적합시킨 패턴이다. 즉, 전술한 바와 같이 본 발명의 실시예에서 최적 유사 사례는 각 유사 사례에 포함된 이동체의 시각 별 이동 패턴들을 모니터링 대상과 적합시켰을 때, 다시 말해 둘 사이의 유사도가 최대가 되도록 유사 사례를 모니터링 대상에 맞게 이동하였을 때 계산된 유사도가 가장 높은 유사 사례를 의미한다. 이때 상기 유사도는 각 유사 사례와 모니터링 대상 사례 간의 유클리디언 거리 등으로 계산될 수 있다. 선박의 경우 도 8에 도시된 바와 같이, 각 유사 사례의 시계열 패턴 및 현재 이동중인 선박의 시계열 패턴(시간에 따른 이동 거리)을 정합시킬 때의 유사도를 비교함으로써 최적 유사 사례를 구할 수 있다.
이와 같이 최적 유사 사례를 선정할 경우, 예측부(208)는 이로부터 모니터링 대상(106)의 향후 상황 전개를 예측할 수 있다. 예를 들어, 도 8에 도시된 바와 같이 선정된 최적 유사 사례를 현재 이동중인 선박의 시계열 패턴에 정합시킨 경우, 점선(D)으로 표시된 부분을 모니터링 중인 선박의 향후 이동 패턴으로 예측할 수 있다. 또한, 예측부(208)는 상기 최적 유사 사례에 함께 저장된 해당 최적 유사 사례의 특성값을 이용하여 모니터링 대상(106)의 이상 발생 원인을 추정할 수 있다. 예를 들어, 선정된 최적 유사 사례에 이상 발생의 원인이 기록되어 있거나, 또는 이를 추정할 수 있는 파라미터(기상 정보 또는 도착항의 물류 하역 지연 정보 등)이 기록되어 있는 경우, 예측부(208)는 이를 이용하여 모니터링 대상(106)의 이상 발생 원인을 추정할 수 있게 된다.
도 9는 본 발명의 일 실시예에 따른 이상 조기 감지 방법(900)을 설명하기 위한 흐름도이다.
단계 902에서, 이상 조기 감지 장치(104)의 유사 사례 선정부(202)는 과거 사례 데이터 중 모니터링 대상(106)과 관련된 유사 사례를 선정한다.
단계 904에서, 이상 조기 감지 장치(104)의 데이터 수집부(204)는 모니터링 대상(106)의 상태 정보를 수집한다.
단계 906에서, 이상 조기 감지 장치(104)의 이상 감지부(206)는 상기 과거 사례 데이터 중 정상으로 분류된 사례 데이터로부터 모니터링 대상(106)의 이상 감지를 위한 기준선을 생성한다.
단계 908에서, 이상 조기 감지 장치(104)의 이상 감지부(206)는 상기 기준선 및 상기 수집된 상태 정보를 비교하여 모니터링 대상(106)의 이상 발생 여부를 감지한다.
단계 910에서, 이상 조기 감지 장치(104)의 예측부(208)는 모니터링 대상(106)의 이상 발생이 감지된 경우, 상기 선정된 유사 사례 및 상기 수집된 상태 정보를 비교하여 상기 유사 사례 중 모니터링 대상(106)과 관련된 최적 유사 사례를 선정한다.
단계 912에서, 이상 조기 감지 장치(104)의 예측부(208)는 상기 최적 유사 사례로부터 모니터링 대상(106)의 향후 상황 전개를 예측한다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
[부호의 설명]
100: 모니터링 시스템
102: 사례 데이터베이스
104: 이상 조기 감지 장치
106: 모니터링 대상
108: 관리자 단말
202: 유사 사례 선정부
204: 데이터 수집부
206: 이상 감지부
208: 예측부

Claims (25)

  1. 과거 사례 데이터 중 모니터링 대상과 관련된 유사 사례를 선정하는 유사 사례 선정부;
    상기 모니터링 대상의 상태 정보를 수집하는 데이터 수집부; 및
    상기 유사 사례 및 상기 상태 정보를 비교하여 상기 유사 사례 중 최적 유사 사례를 선정하고, 상기 최적 유사 사례로부터 상기 모니터링 대상의 향후 상황 전개를 예측하는 예측부를 포함하는 이상 조기 감지 장치.
  2. 청구항 1에 있어서,
    상기 유사 사례 선정부는, 상기 과거 사례 데이터의 특성값(feature value) 및 상기 모니터링 대상의 특성값 사이의 유사도를 이용한 사례 기반 추론에 기반하여 상기 유사 사례를 선정하는, 이상 조기 감지 장치.
  3. 청구항 1에 있어서,
    상기 과거 사례 데이터 중 정상으로 분류된 사례 데이터와 상기 상태 정보를 비교하여 상기 모니터링 대상의 이상 발생 여부를 감지하는 이상 감지부를 더 포함하는, 이상 조기 감지 장치.
  4. 청구항 3에 있어서,
    상기 이상 감지부는, 상기 정상으로 분류된 사례 데이터로부터 상기 모니터링 대상의 이상 감지를 위한 기준선을 생성하고, 상기 기준선 및 상기 수집된 상태 정보를 비교하여 상기 모니터링 대상의 이상 발생 여부를 감지하는, 이상 조기 감지 장치.
  5. 청구항 4에 있어서,
    상기 기준선은 상기 정상으로 분류된 사례 데이터의 평균값 또는 중간값 중 어느 하나인, 이상 조기 감지 장치.
  6. 청구항 4에 있어서,
    상기 이상 감지부는, 상기 수집된 상태 정보와 상기 기준선과의 차이가 설정된 정상 범위를 벗어나는 경우, 상기 모니터링 대상에 이상이 발생한 것으로 판단하는, 이상 조기 감지 장치.
  7. 청구항 6에 있어서,
    상기 이상 감지부는, 기 설정된 비교 구간 내에서 상기 수집된 상태 정보와 상기 기준선과의 차이를 계산하는, 이상 조기 감지 장치.
  8. 청구항 3에 있어서,
    상기 이상 감지부는, 상기 모니터링 대상에 이상이 발생한 것으로 판단되는 경우, 경고 메시지를 출력하는, 이상 조기 감지 장치.
  9. 청구항 3에 있어서,
    상기 예측부는, 상기 이상 감지부에 의해 상기 모니터링 대상의 이상 발생이 감지된 경우, 상기 최적 유사 사례를 선정하는, 이상 조기 감지 장치.
  10. 청구항 1에 있어서,
    상기 예측부는, 상기 각 유사 사례의 패턴과 상기 수집된 상태 정보의 패턴을 비교하고, 상기 상태 정보의 패턴과 가장 유사도가 높은 패턴을 가지는 유사 사례를 상기 최적 유사 사례로 선정하는, 이상 조기 감지 장치.
  11. 청구항 10에 있어서,
    상기 예측부는, 상기 각 유사 사례의 패턴을 상기 상태 정보 패턴과 동일 평면 내에서 이동하면서 상기 각 유사 사례 패턴 별 상기 상태 정보 패턴과의 유사도의 최대값을 계산하고,
    계산된 상기 유사도의 최대값이 가장 큰 유사 사례를 상기 최적 유사 사례로 선정하는, 이상 조기 감지 장치.
  12. 청구항 1에 있어서,
    상기 예측부는, 선정된 상기 최적 유사 사례의 패턴 및 특성값으로부터 상기 모니터링 대상의 향후 상황 전개를 예측하는, 이상 조기 감지 장치.
  13. 청구항 1에 있어서,
    상기 모니터링 대상은 운항 중인 이동체이고, 상기 과거 사례 데이터는 상기 이동체의 과거 운항 사례 데이터며, 상기 상태 정보는 상기 이동체의 시각 별 위치 정보인, 이상 조기 감지 장치.
  14. 과거 사례 데이터 중 모니터링 대상과 관련된 유사 사례를 선정하는 단계;
    상기 모니터링 대상의 상태 정보를 수집하는 단계;
    상기 유사 사례 및 상기 수집된 상태 정보를 비교하여 상기 유사 사례 중 최적 유사 사례를 선정하는 단계; 및
    상기 최적 유사 사례로부터 상기 모니터링 대상의 향후 상황 전개를 예측하는 단계를 포함하는 이상 조기 감지 방법.
  15. 청구항 14에 있어서,
    상기 유사 사례를 선정하는 단계는, 상기 과거 사례 데이터의 특성값(feature value) 및 상기 모니터링 대상의 특성값 사이의 유사도를 이용한 사례 기반 추론에 기반하여 상기 유사 사례를 선정하는, 이상 조기 감지 방법.
  16. 청구항 14에 있어서,
    상기 최적 유사 사례를 선정하는 단계의 수행 전,
    상기 과거 사례 데이터 중 정상으로 분류된 사례 데이터와 상기 상태 정보를 비교하여 상기 모니터링 대상의 이상 발생 여부를 감지하는 단계를 더 포함하는, 이상 조기 감지 방법.
  17. 청구항 16에 있어서,
    상기 이상 발생 여부를 감지하는 단계는,
    상기 정상으로 분류된 사례 데이터로부터 상기 모니터링 대상의 이상 감지를 위한 기준선을 생성하는 단계; 및
    상기 기준선 및 상기 수집된 상태 정보를 비교하는 단계를 더 포함하는, 이상 조기 감지 방법.
  18. 청구항 17에 있어서,
    상기 기준선은 상기 정상으로 분류된 사례 데이터의 평균값 또는 중간값 중 어느 하나인, 이상 조기 감지 방법.
  19. 청구항 17에 있어서,
    상기 비교하는 단계는,
    상기 수집된 상태 정보와 상기 기준선과의 차이가 설정된 정상 범위를 벗어나는 경우, 상기 모니터링 대상에 이상이 발생한 것으로 판단하는, 이상 조기 감지 방법.
  20. 청구항 19에 있어서,
    상기 비교하는 단계는,
    기 설정된 비교 구간 내에서 상기 수집된 상태 정보와 상기 기준선과의 차이를 계산하는, 이상 조기 감지 방법.
  21. 청구항 16에 있어서,
    상기 이상 발생 여부를 감지하는 단계는,
    상기 모니터링 대상에 이상이 발생한 것으로 판단되는 경우, 경고 메시지를 출력하는 단계를 더 포함하는, 이상 조기 감지 방법.
  22. 청구항 16에 있어서,
    상기 최적 유사 사례를 선정하는 단계는, 상기 이상 감지부에 의해 상기 모니터링 대상의 이상 발생이 감지된 경우, 상기 최적 유사 사례를 선정하는, 이상 조기 감지 방법.
  23. 청구항 14에 있어서,
    상기 최적 유사 사례를 선정하는 단계는,
    기 각 유사 사례의 패턴과 상기 수집된 상태 정보의 패턴을 비교하고, 상기 상태 정보의 패턴과 가장 유사도가 높은 패턴을 가지는 유사 사례를 상기 최적 유사 사례로 선정하는, 이상 조기 감지 방법.
  24. 청구항 23에 있어서,
    상기 최적 유사 사례를 선정하는 단계는,
    상기 각 유사 사례의 패턴을 상기 상태 정보 패턴과 동일 평면 내에서 이동하면서 상기 각 유사 사례 패턴 별 상기 상태 정보 패턴과의 유사도의 최대값을 계산하고,
    계산된 상기 유사도의 최대값이 가장 큰 유사 사례를 상기 최적 유사 사례로 선정하는, 이상 조기 감지 방법.
  25. 청구항 14에 있어서,
    상기 예측 단계는, 선정된 상기 최적 유사 사례의 패턴 및 특성값으로부터 상기 모니터링 대상의 향후 상황 전개를 예측하는, 이상 조기 감지 방법.
PCT/KR2014/012792 2014-08-27 2014-12-24 이상 조기 감지 장치 및 방법 WO2016032068A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020140112321A KR20160025664A (ko) 2014-08-27 2014-08-27 이상 조기 감지 장치 및 방법
KR10-2014-0112321 2014-08-27

Publications (1)

Publication Number Publication Date
WO2016032068A1 true WO2016032068A1 (ko) 2016-03-03

Family

ID=55399938

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2014/012792 WO2016032068A1 (ko) 2014-08-27 2014-12-24 이상 조기 감지 장치 및 방법

Country Status (4)

Country Link
US (1) US20160063434A1 (ko)
KR (1) KR20160025664A (ko)
CN (1) CN105787581A (ko)
WO (1) WO2016032068A1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102190578B1 (ko) * 2014-10-21 2020-12-15 삼성에스디에스 주식회사 텍스트 데이터의 분석을 통한 이상 감지 및 예측 시스템 및 방법
FR3052273B1 (fr) * 2016-06-02 2018-07-06 Airbus Prediction de pannes dans un aeronef
US10652625B1 (en) 2016-06-27 2020-05-12 Amazon Technologies, Inc. Synchronization of multiple encoders for streaming content
US10812558B1 (en) * 2016-06-27 2020-10-20 Amazon Technologies, Inc. Controller to synchronize encoding of streaming content
US10652292B1 (en) * 2016-06-28 2020-05-12 Amazon Technologies, Inc. Synchronization of multiple encoders for streaming content
CN109690641B (zh) * 2016-08-29 2022-11-22 韩国水力原子力株式会社 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及系统
CN106600402B (zh) * 2016-11-02 2022-02-22 上海金仕达成括信息科技有限公司 一种基于交易所公布案例改进的异常交易风险监控系统
US10769920B2 (en) * 2018-09-22 2020-09-08 Fedex Corporate Services, Inc. Systems, apparatus, and methods for detecting an environmental anomaly and initiating an enhanced automatic response using elements of a wireless node network and using sensor data from ID nodes associated with packages and environmental threshold conditions per package
CN111241477B (zh) * 2020-01-07 2023-10-20 支付宝(杭州)信息技术有限公司 构建监控基准线的方法、监控数据对象状态的方法及装置
CN115348339B (zh) * 2022-08-12 2023-11-21 北京威努特技术有限公司 一种基于功能码和业务数据相关性的工控异常检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080093206A (ko) * 2007-04-16 2008-10-21 아주대학교산학협력단 이벤트 모델 기반 고속 오토노믹 결합 관리 방법
KR100923407B1 (ko) * 2007-07-25 2009-10-23 삼성에스디에스 주식회사 정보화 사업에서의 위험 관리 및 평가 시스템과 그 방법
US20120310597A1 (en) * 2010-02-26 2012-12-06 Hiroki Uchiyama Failure cause diagnosis system and method
KR101322504B1 (ko) * 2012-04-30 2013-10-28 연세대학교 산학협력단 시공단계에서의 건설 공사비용 및 이산화탄소 배출량 예측 시스템 및 방법
JP2014127045A (ja) * 2012-12-26 2014-07-07 Mitsubishi Heavy Ind Ltd 運航支援システム、及び運航支援方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4177228B2 (ja) * 2003-10-24 2008-11-05 三菱電機株式会社 予測装置
US9959519B2 (en) * 2005-03-30 2018-05-01 Amazon Technologies, Inc. Method and system for transit characteristic prediction
US7684994B2 (en) * 2005-04-12 2010-03-23 United Parcel Service Of America, Inc. Next generation visibility package tracking
KR100895117B1 (ko) 2007-06-29 2009-04-28 주식회사 코리아일레콤 선박 위치 관리 시스템 및 함정용 위치 확인 장치 및선박용 위치 확인 장치
US20120030133A1 (en) * 2010-02-26 2012-02-02 Rademaker William B Systems and methods for arranging delivery of a package
CN103154898B (zh) * 2010-05-14 2016-07-06 哈尼施费格尔技术公司 机器警示的远程监视
CN102411846B (zh) * 2011-11-16 2013-08-14 江苏大为科技股份有限公司 一种车辆行为预警分析方法
CN103164617B (zh) * 2013-02-07 2016-11-23 中国国际航空股份有限公司 一种飞机行为预测系统及预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080093206A (ko) * 2007-04-16 2008-10-21 아주대학교산학협력단 이벤트 모델 기반 고속 오토노믹 결합 관리 방법
KR100923407B1 (ko) * 2007-07-25 2009-10-23 삼성에스디에스 주식회사 정보화 사업에서의 위험 관리 및 평가 시스템과 그 방법
US20120310597A1 (en) * 2010-02-26 2012-12-06 Hiroki Uchiyama Failure cause diagnosis system and method
KR101322504B1 (ko) * 2012-04-30 2013-10-28 연세대학교 산학협력단 시공단계에서의 건설 공사비용 및 이산화탄소 배출량 예측 시스템 및 방법
JP2014127045A (ja) * 2012-12-26 2014-07-07 Mitsubishi Heavy Ind Ltd 運航支援システム、及び運航支援方法

Also Published As

Publication number Publication date
US20160063434A1 (en) 2016-03-03
KR20160025664A (ko) 2016-03-09
CN105787581A (zh) 2016-07-20

Similar Documents

Publication Publication Date Title
WO2016032068A1 (ko) 이상 조기 감지 장치 및 방법
WO2016175425A1 (ko) 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법
JP6859891B2 (ja) 巡視点検システム
EP2911388B1 (en) Information processing system, information processing method, and program
WO2017131263A1 (ko) 교차 프로젝트 결함 예측을 위한 최단 이웃점을 이용한 하이브리드 인스턴스 선택 방법
US20240098223A1 (en) Monitoring system, monitoring method, and monitoring program
US10891493B2 (en) Crowd type classification system, crowd type classification method and storage medium for storing crowd type classification program
CN111126153A (zh) 基于深度学习的安全监测方法、系统、服务器及存储介质
CN104484849B (zh) 海关验放系统及方法
CN108898083A (zh) 一种施工远程监控与管理系统及管理方法
KR102498442B1 (ko) 리얼타임 기반의 선박 유지관리 시스템
WO2013145530A1 (ja) 解析システム
KR20140106883A (ko) 객체간 연관성 분석을 통한 위험 상황 분석 장치 및 방법
KR101876624B1 (ko) 디스플레이 장치의 표시부 정상상태를 무인 검사하는 방법 및 시스템
US10908298B2 (en) Tracking using geolocation
US12046078B2 (en) Accident detection device and accident detection method
KR101508533B1 (ko) 수하물 관리 시스템
KR102456190B1 (ko) 연근해 어선용 블랙박스 시스템
KR102476777B1 (ko) 인공지능 기반 경로 예측시스템
US12024185B2 (en) Method and system for synchronizing at least two sensor systems
CN115296193A (zh) 变电站智能巡检系统及方法
CN115116002A (zh) 一种飞机外部绕机检查的监控方法、装置及存储介质
WO2022041212A1 (zh) 一种火源位置指示方法、相关设备及装置
CN113642509A (zh) 垃圾桶溢出状态检测方法、装置、存储介质及电子设备
CN117576808B (zh) 一种ibms平台门禁管理方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14900481

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14900481

Country of ref document: EP

Kind code of ref document: A1