WO2016056692A1

WO2016056692A1 - 지하철 객실 별 실시간 냉난방 제어 시스템

Info

Publication number: WO2016056692A1
Application number: PCT/KR2014/009548
Authority: WO
Inventors: 정도영
Original assignee: (주)토브랩
Priority date: 2014-10-06
Filing date: 2014-10-13
Publication date: 2016-04-14
Also published as: KR101584263B1

Abstract

본 발명에 따른 지하철 객실 별 실시간 냉방 제어 시스템은, 중앙 관제 서버에 구비된 것으로, 지하철 운영을 하면서 축적된 빅 데이터를 각 지하철역 별로 수집하여 저장하는 빅 데이터 수집모듈; 중앙 관제 서버에 구비되는 것으로, 상기 빅 데이터를 파라미터 별로 분류하여 수치화하고 각 파라미터에 가중치를 부여하여 각 지하철역, 시간대별, 탑승 구간 별로 승객의 변동 인원수를 포함한 승객 변동 수치 정보를 생성하는 빅 데이터 분석모듈; 중앙 관제 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 지하철 서버에 전송하는 정보 제공모듈; 지하철 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 통하여 각 객실 별 탑승객 인원수를 파악하여 객실 별로 냉난방 온도 설정을 차등 제어하는 냉난방 제어모듈;을 포함하는 것을 특징으로 한다.

Description

지하철 객실 별 실시간 냉난방 제어 시스템

본 발명은 지하철의 객실 별 실시간 냉난방 제어 시스템으로서, 보다 상세히는 지하철의 각 객차 내에 별도의 온도감지센서 내지 탑승인원 파악센서와 같은 별도의 부가장치를 설치할 필요 없이, 현재까지 지하철을 운영하며 축적된 빅 데이터와 현재 지하철 시설을 기반으로 실시간으로 각 객실 별로 냉난방을 제어하여 과냉난방 방지를 방지함과 아울러 전력 절감을 효율적으로 실행하는 시스템에 관한 것이다.

통계 자료에 의하면, 수도권 전동차 전력비용이 1,000억원에 이르고 이 중에서 냉난방에 사용되는 전력량이 20%에 달하는 것으로 조사되었다.

특히 냉난방 전력 사용 비용 중 여름철 냉방 비용이 상당 비율을 차지하고 있는바, 현재 국가 차원의 전력 수급 부족 환경에서 여름철에 과냉방이 일어나거나 냉방 효율을 조절하지 못하는 등으로 지하철 환경이 악화되거나 지하철 운영 적자폭이 증가하는 여러 문제점을 드러내고 있다.

현재 한국의 전력 수급 문제는 국가적 위기 및 비상상황에 이르렀다 해도 과언이 아니다. 매년 여름철마다 최대 전력량을 갱신하는 등으로 급격히 증가하는 전력 소모량에 따라 블랙아웃에 처할 위기 속에서 전 국민의 에너지 절약 동참 운동이 진행되고 있지만 국민의 발이라 할 수 있는 대중교통의 쾌적함을 보장하기 위하여 지하철 냉방을 적절히 실행하고 있다.

하지만, 특히 여름철에 각 객실(객차)별 과냉방에 의하여 전력 낭비가 일어나서 국가적 손실 및 국민 건강 악화라는 문제가 따르고 있다.

이러한 과냉난방 문제를 방지하기 위하여 지하철공사에서는 지하철의 특정한 객차 공간에'약냉방칸(약난방칸)'을 지정하여 지난 10년간 운용하고 있으나 높은 실효성을 거두지 못한 채 마땅한 다른 해결책을 제시하지 못하는 실정이다.

더불어 각 객실에 탑승한 승객들의 민원이 끊이질 않고 있는데, 춥거나 덥다는 상반된 민원이 자주 제기되는 등으로 기관사의 불필요한 업무가 가중되어 지하철 운행 안전에도 악영향을 미치게 된다는 우려가 따른다.

지하철 냉방에 대한 실례로, 각 객실 별 지하철 탑승 정원 160명(혼잡률 100%)을 기준으로 26도로 온도 설정을 위해서 실제는 23도로 냉방 가동하는데 혼잡시간(출퇴근 오전7시~오전9시)에는 혼잡률 200%까지 증가, 이 경우 냉방 풀가동을 하게 된다. 그런데, 오전 9시 이후 비 혼잡 시간으로 돌입 후 이와 같이 풀가동 냉방을 하게 될 경우 냉장 객차 현상을 불러와 승객이 춥다는 민원이 자주 발생하게 된다. 이를 반영하여 냉방 가동을 중단하면 반대로 덥다고 하소연하는 민원이 발생하여 난감한 상황에 빠지는 경우가 많았다.

따라서 국가 기반 운송시설로 국가 경쟁력을 위함과 동시에 국민에 쾌적한 환경 제공을 제공하기 위하여 지하철의 실시간 온도 제어 기술이 연구되어 이미 선행기술로 게시된 상황이다.

한국 특허 제 101117496호는 지하철 객실 내 이산화탄소의 농도를 측정하는 센서를 통하여 지하철 내 발열량과 승객수를 파악하여 객실 내 차별적인 냉난방 제어를 수행하는 기능을 제공한다.

이 경우, 객실 내 승객 수에 따라 차별적이자 효율적인 냉난방을 구동 제어할 수 있다는 장점이 있으나 각각의 객실 별로 이산화탄소 측정 센서와 같은 별도 하드웨어 장비를 설치해야한다는 번거로움과 이에 따른 설치 및 유지비용이 상승된다는 문제가 따른다.

현재 기술 수준으로 지하철 내의 조종 장치에서는 각 역이나 중앙 관제 센터를 통하여 다양한 정보를 수신하는 하드웨어 및 소프트웨어의 사용이 보편화되어 이를 통해 선행 열차와의 적절한 간격 배치를 위한 속도 조절 등의 제어 기능을 자동으로 수행할 수 있고 선행 열차와의 거리에 따라 자동으로 속도 제어하거나 지하철 각 객실의 온도 설정을 제어하는 계산 및 제어부가 구비되어 이 역시 상용화된 상태이다.

그런데 2013년 한국철도학회 춘계학술대회 논문인 '지하철 객실 냉난방 서비스품질에 영향을 미치는 요인분석 및 시사점'(이상오 저)의 연구 내용에 따르면, 객실 내 덥고 추운 온도에 관련된 민원을 분석한 결과 제어부에서 냉난방의 '자동 모드'로 설정되었을 때 오히려 민원이 가장 많은 것으로 드러나 단순히 자동으로 온도를 설정하는 것만이 능사가 아니라 보다 디테일하고 차별적인 냉난방 제어 기술이 필요한 것으로 파악되었다.

더불어 2013년 한국철도학회 춘계학술대회 논문인 '서울시 환승역사 내 통행행태 분석"(임진원 외 저)을 참조하면, 서울역과 사당역 내 시설 및 이동 경로 등을 분석한 자료를 토대로 지하철역의 승객 이동 실태를 수집하여 이를 세부 분류에 따라 데이터베이스화하여 종합적인 빅 데이터(big data)를 구축한 것을 알 수 있다.

다시 말해, 서울시 또는 수도권 등의 기타 지역에서 신설 지하철이 아닌 이상 다년간 지하철역에서의 승객 이용 상태에 대한 다양한 정보가 누적되어 있는 상태로서, 이를 분석하여 특정한 여러 파라미터(이동경로, 이동시간, 환승 양태 등) 별로 데이터를 세분화할 수 있으며, 다시 말해 이러한 데이터는 승객이 지하철을 이용한 다양한 상황, 지하철 역사 내에서의 승객 이동 실태 등을 파악한 빅 데이터라 명명할 수 있다.

따라서 각각의 객차 별로 별도의 장비를 설치하는 유지 보수의 불편함과 추가 비용이 소요되는 문제없이 지하철 내에 이미 구비된 통신 및 제어 시스템 및 지하철 내의 상용 장비, 상술한 바와 같이 지하철을 운용하면서 이미 축적되어 소중한 정보로서의 가치를 추구하는 지하철 승객 이용 상황에 관련된 빅 데이터를 분류 및 선정, 이용하여 실시간으로 지하철 객실의 냉난방 온도 제어를 수행할 수 있는 신규하고 진보한 지하철 객실 별 냉난방 제어 시스템을 개발할 필요성이 대두되는 현실이다.

본 발명은 상기 기술의 문제점을 극복하기 위해 안출된 것으로, 지하철 운영을 하면서 축적된 빅 데이터를 이용하여 시간대에 따라 지하철 객실별로 냉난방 온도 설정을 차등적으로 제어하는 시스템을 제공하는 것을 주요 목적으로 한다.

본 발명의 다른 목적은 지하철에서 내리는 승객 인원수와 지하철에 타는 승객 인원수를 각각 구분 예측하기 위하여 빅 데이터를 특정 파라미터에 의하여 세부 분류하는 것이다.

본 발명의 또 다른 목적은 빅 데이터를 통한 승객 변동 인원수 예측을 보강하기 위하여 지하철역에 설치된 CCTV 영상을 분석하되 애더부스트 알고리즘을 통한 분석을 수행함으로써 보다 정확하고 신속하게 CCTV 영상을 통한 승객 변동수를 예측하는 것이다.

상기 목적을 달성하기 위하여, 본 발명에 따른 지하철 객실 별 실시간 냉난방 제어 시스템은, 중앙 관제 서버에 구비된 것으로, 지하철 운영을 하면서 축적된 빅 데이터를 각 지하철역 별로 수집하여 저장하는 빅 데이터 수집모듈; 중앙 관제 서버에 구비되는 것으로, 상기 빅 데이터를 파라미터 별로 분류하여 수치화하고 각 파라미터에 가중치를 부여하여 각 지하철역, 시간대별, 탑승 구간 별로 승객의 변동 인원수를 포함한 승객 변동 수치 정보를 생성하는 빅 데이터 분석모듈; 중앙 관제 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 지하철 서버에 전송하는 정보 제공모듈; 지하철 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 통하여 각 객실 별 탑승객 인원수를 파악하여 객실 별로 냉난방 온도 설정을 차등 제어하는 냉난방 제어모듈;을 포함하는 것을 특징으로 한다.

본 발명에 따른 지하철 객실 별 실시간 냉난방 제어 시스템에 의하면,

1) 지하철을 운영하면서 축적된 빅 데이터를 통해 지하철 각 객실별 냉난방 온도 제어를 차등 수행함으로써 빅 데이터의 효율적 운용 방안을 도모하고,

2) 수많은 정보를 수록한 빅 데이터를 지하철에서 내리는 승객과 타는 승객을 구분할 수 있도록 효율적으로 분류하여 보다 정확한 승객 변동 수를 예측할 수 있으며,

3) 지하철 내에 별도의 장비를 설치하지 않음으로써 비용을 절감할 수 있을 뿐 아니라.

4) 지하철 탑승 구간에 다수 설치된 CCTV를 분석하여 빅 데이터를 통한 승객 변동 수 예측 정보를 보강하도록 하되 애더부스트 알고리즘을 통해 보다 신속하고 정확하게 CCTV 영상에서 승객 변동 수를 파악할 수 있도록 하는 효과를 가진다.

도 1은 본 발명에 따른 서버 연동 관계를 도시한 개념도.

도 2는 본 발명의 시스템에 대한 구성을 도시한 블록도.

도 3은 본 발명에 따른 고정 데이터의 파악을 위한 지하철 역사 맵을 예시한 예시도.

도 4는 본 발명의 빅 데이터에서 선정된 파라미터 및 각 우선순위를 결정한 예를 도시한 개념도.

도 5는 본 발명에 따른 애더부스트 알고리즘에 의해 수행되는 특징 정보를 추출하는 방법을 도시한 개념도.

본 발명의 실시를 위한 최선의 형태는 중앙 관제 서버에 구비된 것으로, 지하철 운영을 하면서 축적된 빅 데이터를 각 지하철역 별로 수집하여 저장하는 빅 데이터 수집모듈; 중앙 관제 서버에 구비되는 것으로, 상기 빅 데이터를 파라미터 별로 분류하여 수치화하고 각 파라미터에 가중치를 부여하여 각 지하철역, 시간대별, 탑승 구간 별로 승객의 변동 인원수를 포함한 승객 변동 수치 정보를 생성하는 빅 데이터 분석모듈; 중앙 관제 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 지하철 서버에 전송하는 정보 제공모듈; 지하철 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 통하여 각 객실 별 탑승객 인원수를 파악하여 객실 별로 냉난방 온도 설정을 차등 제어하는 냉난방 제어모듈;을 포함하는 것이다.

이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명하도록 한다. 첨부된 도면은 축척에 의하여 도시되지 않았으며, 각 도면의 동일한 참조 번호는 동일한 구성 요소를 지칭한다.

도 1은 본 발명에 따른 서버 연동 관계를 도시한 개념도이다.

본 발명에 따른 시스템은 지하철의 각 역사에 대한 시간대별 승객의 이용 상황을 토대로 학습 또는 미리 측정한 빅 데이터(40)를 기반으로 하되 추가적으로 실시간 이용 정보를 이러한 빅 데이터(40)에 반영하여 보다 현실적이고 합리적인 시간대별 승객의 실시간 변동 인원수(특정 지하철역에서 내린 승객과 탄 승객의 차이)를 예측하여 이 정보를 지하철에 제공한 다음, 변화된 승객 인원수에 따라 지하철 내에서 각 객실 별로 냉난방을 차등 제어하는 기능을 수행하는 것을 기본으로 한다.

도 1을 보아 알 수 있듯이, 본 발명의 시스템은 중앙 관제 서버(10), 지하철 서버(20)로 구성이 되는 것을 기본으로 하면서 추가적으로 로컬 서버(30)를 구비하여, 각 서버의 데이터 송수신 관계를 통해 결과적으로 전동차(지하철)에서의 특색 있는 맞춤형 냉난방 제어를 수행하는 것을 주요 기능으로 한다.

중앙 관제 서버(10)는 지하철을 운행하면서 축적된 빅 데이터(40)를 분석 및 관리하여 승객 변동에 따른 정보를 지하철 서버(20)에 제공하는 역할을 메인으로 하는바, 여기서 빅 데이터(40)는 지하철을 이용하는 시간대에 따라 각각의 지하철 역사 별로 누적된 다양한 통계정보를 집대성한 데이터베이스를 의미한다. 이러한 빅 데이터(40)는 하기에서 보다 자세히 후술하도록 한다.

지하철 서버(20)는 지하철의 기관실에 구비된 것으로, 상기 중앙 관제 서버(10)에서 분석한 승객 변동 관련 정보를 수신함과 아울러 추가적으로 로컬 서버(30)의 실시간 정보, 즉 CCTV 분석 정보를 수신하여 이를 통해 각 객실별로 차등 냉방 제어를 수행하는 역할을 담당한다.

본 발명에서 추가적으로 구비되는 로컬 서버(30)는 각각의 지하철역(역사)에 구비된 서버로서, 각 역사의 실시간 승객 변동 정보, 즉 CCTV 분석 정보를 생성하여 이를 직접 지하철 서버(20)에 전송하거나 아니면 중앙 관제 서버(10)에 전송하는 기능을 수행한다.

즉, 본 발명의 시스템은 지하철을 운행하면서 축적된 빅 데이터를 기본으로 하되 추가적으로 각 지하철역에서 수집한 실시간 이용 정보를 기반으로 운행 중인 지하철 서버에 각 시간 및 상황에 알맞은 실시간 승객수 변동 관련 정보를 제공하여 지하철 서버에서 자동으로 각 객차 별로 냉방을 차등 제어하는 기능을 제공하는 것을 핵심으로 한다.

도 2는 본 발명의 시스템에 대한 구성을 도시한 블록도이다.

도 2를 보아 알 수 있듯이 본 발명에서, 중앙 관제 서버(10)는 빅 데이터 수집모듈(110), 빅 데이터 분석모듈(120), 승객 변동 예측 모듈(130), 정보 제공모듈(140)을 구비하고, 지하철 서버(20)는 냉난방 제어 모듈(150)을 포함하며, 추가적으로 로컬 서버(30)는 CCTV 분석모듈(160)을 포함할 수 있고, 이에 대해 기술하도록 한다.

본 발명의 빅 데이터 수집모듈(110)은 지하철을 운행하면서 축적된 빅 데이터(40)를 각 지하철역별로 수집(또는 각각의 지하철역에 구비된 로컬 서버로부터 전송을 받음)하여, 이와 같이 수집된 빅 데이터(40)를 각각의 지하철역 별, 시간대 별, 데이터 형식 별로 분류 내지 소팅(sorting), 그룹 처리하는 기능을 수행한다.

본 발명에서 빅 데이터(40)라 함은 지하철역 별로 지하철을 운영하면서 축척된 데이터베이스를 의미하는 것으로, 여기서 빅 데이터(40)를 데이터 형식 별로 구분하는 기준으로서 시간대 별로 변동되는 데이터와 시간대와 상관없이 변동/고정된 데이터로 구분된다.

구체적으로, 시간대와 상관없이(atemporal) 고정되는 데이터는 본 발명에서 '고정 데이터'(41)라 명명되는 것으로서, 예를 들어 지하철 역사 맵 정보를 기반으로 하여 지하철 역사별로 개찰구에서 탑승 위치까지의 거리(distance) 데이터, 탑승 지점에서의 엘리베이터/에스컬레이터의 위치(지하철 10칸 기준으로 1,2,3,4.5,6,7, 8,9,10과 같은 연번)와 같은 포지션(position) 또는 넘버링(numbering) 처리한 데이터, 즉 지하철 시설에 관계되되 거리와 넘버링과 같이 경로와 위치에 대한 수치 또는 시설 분포(편의시설, 매장, 화장실, 휴식 공간 등)에 의한 승객의 유동성 및 위치 분포를 파악하기 위한 기조를 제공하는 데이터를 의미한다.

도 3은 본 발명에 따른 고정 데이터의 파악을 위한 지하철 역사 맵을 예시한 예시도이다.

도 3을 보아 알 수 있듯이, 지하철 역사마다 각각의 설계 구조 내지 시설이 마련되어 있는바 본 발명에서는 도 3과 같은 지하철 역사의 시설에 관련된 도면을 지하철 역사 맵이라 한다.

즉, 고정 데이터(41)는 각각의 지하철 역사별로 미리 수집 및 기록되어 세부 분류 사항 및 지하철 역사 상세에서 파악 가능한 각종 정보(편의 시설 위치, 각 출구에서 탑승 공간까지의 최단 거리, 에스컬레이터/엘리베이터 위치에 따른 일반 이용 거리와 같이 수치 처리 가능한 정보)를 도출할 수 있고 이를 통해 탑승 공간에서의 승객 분포를 개략적으로 파악할 수 있는 기반을 마련하도록 한다.

예를 들어 탑승 공간이 1-1,1-2,1-3,1-4, 2-1,....10-4와 같이 탑승 구간을 넘버링 처리하여 일정 면적으로 구획한 상태에서 에스컬레이터(또는 계단, 환승구)의 위치는 1-4 및 5-2 구획 근처, 엘리베이터의 위치는 9-1 구획 근처라 할 때 이를 통해 승객이 몰리는 탑승 공간 구획은 바로 에스컬레이터/계단/엘리베이터/환승구 근처라는 것을 어렵지 않게 예측할 수 있다. 더 나아가 지하철 역사의 각각의 출구에서 개찰구까지의 거리, 개찰구에서 에스컬레이터까지의 거리 등을 통해 일반 성인 남성 승객의 도보 속도를 기준으로 평균적인 승객 이동 시간을 파악할 수도 있다.

이러한 고정 데이터(41)는 승객의 실시간 이용 정보를 도출하는 하나의 인자로 활용되나, 시간대별로 복잡하게 이동되는 승객의 변화량을 정확하게 측정하기 위한 직접적인 요소이기 보다는 지하철 역사의 물리적 공간을 분석하여 승객의 탑승 공간 분포 상태를 기초적으로 파악할 수 있도록 하는 보완적이자 보조적인 정보로 활용된다.

더불어, 고정 데이터(41)는 승객의 유입 및 특정 탑승 공간에서의 분포를 예측하는 것 뿐 아니라 승객의 유출 상태(지하철에서 내리는 승객 인원수)를 파악하기 위한 기반을 제공하는바, 예를 들어 환승역과 같은 지하철 역사의 경우 유출되는 승객의 수를 개략적으로 파악할 수 있는 기초적 기반을 제공할 수 있다.

본 발명의 빅 데이터(40)에서 시간대별로 변동이 되는 데이터 또는 파라미터는 본 발명에서 '변동 데이터'(42)라 명명되는 것으로서, 예를 들어 지하철역 각각에 대한 고유의 이동 경로 및 거리에 대한 데이터, 시간대별 개찰구의 승차권 인식에 의한 승객의 출입 관련 변동 인원 데이터, N년(예를 들어, 1~5년) 간의 기상청 날씨(온도, 습도 등) 데이터, 지하철 운행 시간 정보, 특정 기간에서 해당 지하철 역사의 이벤트 정보(예를 들어 지하철 9호선 국회의사당 역을 대상으로 벚꽃 축제가 있는 기간 정보), 주변 시설 정보(지하철역 주변의 유동 인구수 또는 상권, 회사 분포 등)와 같이 즉 시간의 흐름에 따라 이동하는 승객과 온도, 지하철 운행 정보에 관계된 데이터를 의미한다.

상기 변동 데이터(42)는 상기 고정 데이터와 달리 각 데이터별로 각 지하철 역사마다 변동되는 추이를 일정 기간 별로 수집하여 갱신하는데 예를 들어 1년, 2년 단위로 각 지하철 역사에서 기 파악된 정보를 기록하여 관리하도록 한다.

다시 말해, 이러한 빅 데이터(40)는 실측, 통계 분석, 프로그램화되거나 특정 솔루션에 의한 특정 데이터 수집 프로그램(program)/솔루션(solution) 등의 다양한 데이터 수집 수단을 이용하여 빅 데이터 수집모듈(110)에서 수집 및 기록, 저장/분류 처리가 된다.

여기서, 본 발명에서 이용되는 빅 데이터 수집 프로그램은 트위터, 페이스북과 같은 SNS로부터 데이터를 수집하는 프로그램의 기능과유사한 기능을 사용할 수 있는 것으로, 이러한 빅 데이터 수집(분류 및 저장 포함) 프로그램은 현재 공지된 다양한 기술이 존재하기 때문에 이에 대한 구체적인 별도 설명은 생략하기로 한다.

이와 같은 빅 데이터(40)는 일정 시간동안 누적된 통계 정보로서 각 지하철 역사 별, 시간대 별로 특정 탑승 구간에서 지하철에 타고 내리는 승객의 인원수를 개략적으로 예측하기 위한 역할을 수행하는 것이 핵심이라 할 수 있다.

정리하면, 빅 데이터 수집 모듈(110)은 미리 측정했거나 다양한 데이터 수집 수단을 통하여 각 지하철 역사별로 수집한 정보를 빅 데이터로서 별도의 데이터 서버에 저장 처리하는 기능을 수행하는 것이다.

본 발명의 빅 데이터 분석모듈(120)은 지하철을 이용하는 승객의 이동 상황 중 지하철에 내리고 타는 변동 정보를 예측하기 위한 주요 기반을 제공하는 것으로 상기 빅 데이터 수집모듈(110)에 저장된 빅 데이터(40)를 특정 기준에 따라 분류 및 분석하는 기능을 수행하는바, 여기서 분류/분석 기능은 다음과 같은 세부 구성에 의해 구체화된다.

도 4는 본 발명의 빅 데이터에서 선정된 파라미터 및 각 우선순위를 결정한 예를 도시한 개념도이다.

구체적으로, 빅 데이터 분석모듈(120)은 파라미터 선정부(121), 분류부(122), 가중치 부여부(123)를 포함한다.

파라미터 선정부(121)는 각 지하철역별로 특정 시간대에 및 특정 탑승 구간에 따라 타고 내리는 승객의 인원수 변동 상황을 파악하기 위한 다양한 매개변수, 즉 파라미터를 선정하는 기능을 수행한다.

파라미터(parameter)는 일반적으로 지하철역의 특정 포지션(position) 및 시설 정보, 거리, 시간, 개찰구에서의 승객 변화와 같은 분석 요인 내지 분류 기준을 의미하는 것으로서, 본 발명에서는 예를 들어 혼잡시간대, 환승구 위치, 지상/지하역 구분, 급/완행에 따른 탑승객 시간대별/구간별 상황, 에스컬레이터/엘리베이터 위치, 개찰구에서의 승객 변화 상태 등 다양한 요인 또는 인자를 의미한다. 이러한 파라미터는 상기 빅 데이터(40)를 분류하는 하나의 기준이 되는 것이다.

파라미터 선정부(121)는 상기 빅 데이터(40)를 분류하기 위한 기준을 제시한다. 다시 말해, 파라미터 선정부(121)는 수집된 빅 데이터(40)를 효율적으로 분석하기 위한 분류 기준을 제시할 수 있고, 상기 예를 들어 설명한 것들이 파라미터라 할 수 있다.

분류부(122)는 상기 파라미터 선정부(121)에서 선정된 파라미터 별로 빅 데이터(40)를 하위 그룹 또는 소 그룹으로 분류하는 역할을 수행한다.

즉, 특정 기준으로 정리되지 않은 빅 데이터(40)를 파라미터 별로 소팅(sorting)하여 다시 저장을 한 것을 본 발명에서는 '파라미터 라이브러리'라고 한다. 즉, 파라미터 라이브러리는 본 발명에서 기 설정한 기준(학습에 의해 축적된 룩업 테이블 정보 등에 의해 선정한 기준)에 따라 선정된 파라미터 별로 빅 데이터를 분류하여 저장한 데이터베이스를 의미한다.

도 4를 참조하면, 상술한 파라미터 선정부에서 선정한 복수 개의 파라미터에 해당하는 파라미터 라이브러리의 일례를 알 수 있다.

도 4에서 예시된 파라미터는 상술한 고정 데이터(41)와 변동 데이터(42) 중에서 지하철에서 내리는 승객과 타는 승객을 예측하기 위하여 선정된 것으로, 도 4의 파라미터는 하나의 예시이고 반드시 해당 데이터에 국한되는 것은 아니고 변동되거나 업데이트될 수 있다.

특히, 분류부(122)는 특정 지하철역의 탑승 구간을 기준으로 내리는 승객과 타는 승객을 예측하기 위하여 파라미터를 크게 두 가지 라이브러리, 즉 인입 승객 파라미터 라이브러리와 인출 승객 파라미터 라이브러리로 구분할 수 있다.

인입 승객 파라미터 라이브러리는 특정 탑승 구간에서 지하철에 타는 승객을 예측하기 위하여 선정/분류된 파라미터들을 의미하는 것으로, 예를 들어 환승구와 탑승 구간 별 거리, 에스컬레이터/엘리베이터와 탑승 구간 별 거리, 개찰구에서의 승객이 입장한 인원수 정보와 같은 파라미터들 중에서 적어도 하나 이상의 파라미터를 선정하여 분류한 것이다.

또한 인출 승객 파라미터 라이브러리는 역시 특정 지하철역의 탑승 구간을 기준으로 지하철에서 내리는 승객을 예측하기 위하여 선정/분류된 파라미터들을 의미하는 것으로, 환승구와 탑승 구간 별 거리, 해당 지하철역 주변의 상권/사무실 분포 정보를 기준으로 한 가중치, 환승구와 각 탑승구간 별 거리, 에스컬레이터/엘리베이터와 각 탑승 구간 별 거리, 개찰구에서의 승객이 퇴장한 인원수 정보 등과 같은 파라미터들 중에서 적어도 하나 이상의 파라미터를 선정하여 분류한 것을 말한다.

가중치 부여부(123)는 상기 파라미터 각각에 대하여 가중치를 부여하는 기능을 수행하는 것으로, 후술할 다중회귀 분석식에서 특정 파라미터에 대한 상대적 우선순위를 결정하기 위한 기능을 제공하는 것이고, 이러한 가중치는 학습에 의하거나 통계 자료를 근거로 미리 설정된 기준에 의하여 설정될 수 있으며 고정값이 아니라 업데이트가 되는 것 역시 가능하다. 도 4에서는 이러한 가중치 값에 대한 간단한 예시를 보이고 있다.

본 발명의 승객 변동 예측모듈(130)은 특정 지하철역에서의 시간대 별, 탑승 구간 별로 지하철에서 내리는 승객 인원수와 지하철에 타는 승객에 인원수에 대한 차이, 즉 승객 변동 수치 정보를 예측하는 기능을 수행한다.

즉 본 발명에서 '승객 변동 수치 정보'라 함은 특정한 탑승 구간을 기준으로 지하철에 유입되는 승객(지하철에 타는 승객)과 유출되는 승객(지하철에서 내리는 승객)의 인원수를 예측하기 위한 정보로서, 지하철 역사에서 각 탑승 공간의 구획 별로 예상이 되는 승객 인원수에 대한 정보를 의미한다.

승객 변동 예측모듈(130)은 다중회귀분석에 의한 통계 계산식을 이용하여 도 4에 예시된 각 파라미터를 분석하는 방법을 따를 수 있다.

이러한 다중회귀분석식은 다음과 같은 식으로 예시된다.

y1 = a1x1+a2x2+a3x3+,,,+a10x10

(여기서, a1~a10은 가중치,

x1~x10은 빅 데이터를 이루는 고정 데이터 및 변동 데이터에서 파라미터 기준에 의하여 추출한 정보를 수치 처리한 값, 즉 탑승객 분석 파라미터를 수치 처리한 정보,

y1는 특정 탑승 구간에서의 내린/탄 승객 인원수. y는 y1~y10로 구분하여 탑승 구획 별로 계산이 가능하고 탄 승객과 내린 승객을 y, Y 값으로 구분할 뿐 아니라 시간대에 따라 1Y, 2Y 와 같이 구분하여 계산하는 것이 가능함)

즉, 승객 변동 예측모듈(130)은 이와 같은 다중회귀분석식에 의하여 특정 지하철역의 탑승 구간에서 시간대 별로 지하철에서 내린 승객과 탄 승객에 대한 개략적인 수치를 예측할 수 있고, 최종적으로 내린 승객과 탄 승객의 차이에 대한 값인 승객 변동 수치 정보를 생성할 수 있다.

앞서 언급하였지만, 이러한 승객 변동 수치 정보는 시간대별, 탑승 구간 별로 구분되어 생성되는 것이 물론 가능하고, 따라서 승객 변동 수치 정보는 복수의 정보로 생성되는 것이다.

본 발명의 정보 제공모듈(140)은 각 탑승 구간 별로 생성된 상기 승객 변동 수치 정보를 해당 시간대에 따라 차등적으로 지하철 서버(20)에 제공하는 기능을 수행한다.

또한, 본 발명의 냉난방 제어 모듈(150)은 지하철 서버(20)에 구비된 것으로 전송된 승객 변동 수치 정보를 통하여 지하철 각 객실 별로 변동되는 탑승객을 예상하여 각 객실 별로 차등적인 온도 설정을 하여 냉난방 제어를 수행한다.

이와 같은 구성 및 세부 기능을 통하여, 본 발명의 시스템은 지하철 운영을 하면서 축적된 빅 데이터를 분석하여 지하철역, 시간대, 탑승 구간 별로 승객의 변동 상태를 예측하여 이를 지하철 서버에 제공함으로써 지하철에서 각 객실 별로 냉난방 온도 제어를 수행할 수 있는 특성을 제공한다.

도 5는 본 발명에 따른 애더부스트 알고리즘에 의해 수행되는 특징 정보를 추출하는 방법을 도시한 개념도이다.

앞서 언급한 기능에 의하면, 고정 데이터(41)와 변동 데이터(42)로 이루어진 빅 데이터(40)에 의하여 충분히 특정 시간대, 탑승 구간에서의 승객 변동 상태를 예측할 수 있고 특히 변동 데이터(42)가 개찰구의 출입 승객 분포 정보와 같은 실시간 변동 관련 정보를 포함하기 때문에 실시간으로 변화되는 승객 인원수 정보를 반영할 수 있다는 특성을 제공하나 보다 오차 없이 정확한 승객 변동 상태를 반영하기 위하여 로컬 서버(30)에 구비된 CCTV 분석 모듈(160)을 추가로 구비하도록 한 것이다.

본 발명의 CCTV 분석모듈(160)은 각 지하철 역사의 탑승구간을 촬영하는 CCTV 영상을 실시간으로 분석하여 승객 변동 수치정보를 보정하는 기능을 수행하는 것으로, 특히, 복잡한 탑승 상황에서의 승객 변동 상태를 기존의 이미지/동영상에서 특정 영역에 대한 영상을 검출하는 것보다 신속하고 정확하게 특정 영역에 대한 영상을 검출하는 기능을 제공하는 것을 목적으로 한다.

상기 CCTV 분석모듈(160)은 CCTV 영상에서 승객의 형상, 구체적으로는 머리 형상 및 그 이동 방향을 분석하여 개략적으로 타는 승객 인원수와 내리는 승객 인원수를 계산하여 그 차이값인 CCTV 영상 정보를 생성하는 기능을 포함한다.

다만 보다 정확하고 신속하게 CCTV 영상을 통해 승객 인원수를 파악하기 위하여 영역 특정부(161), 애더부스트 추출부(162), 비교 판단부(163), 분석부(164)로 이루어져 있다.

영역 특정부(161)는 상기 CCTV에서 탑승 구간을 촬영한 영상에서 승객영상(예를 들어 승객의 머리 사이즈, 머리 색상)에 대한 영역을 파악하여 이 승객 영상과 기타 배경을 구분하고 이러한 승객 영상 영역을 특정하는 역할을 수행한다.

이러한 영역 특정부(161)에서 승객 영상의 특징을 특정하는 것은 승객에 대한 영상 정보를 픽셀 단위로 분석하여 주변 부위와의 비교를 통해 음영 정보를 파악하는 것을 기저로 하는바, 주로 승객의 머리 부위를 기준으로 하여 승객 머리의 정면 및 측면 윤곽, 승객 머리를 제외한 나머지의 배경 부분, 승객 머리의 개략 형상 및 세부 형상, 승객 머리의 유동성 및 이동 방향 등을 기준으로 각 기준에 해당하는 이미지의 각각의 픽셀에 대한 음영 정보를 파악하여 이를 수치화하여 저장한다.

이러한 영상 영역 특정에 따른 수치 계산 내지 학습이론을 통한 검출 방법은 이미 공지되어 있고 본 발명에 따른 영역 특정부(161)는 이러한 공지의 동영상 영역 검출 방식에 준하기 때문에 보다 구체적인 설명은 생략하기로 하나, 본 발명에 따른 영역 특정부(161)는 특히 승객 주변의 불필요한 배경을 제거한 주요 부분을 특정하는 역할을 중점적으로 수행하고 배경이 제거된 승객의 개략 형상, 예를 들어 배경을 제외할 때 승객의 머리 일 부위가 잘리게 될 경우 미리 선정한 몇 가지의 곡선에 의하여 승객 머리 부위의 잘린 부위를 연결하는 단계, 즉 배경 부위가 잘리고 난 다음 어색해진 승객 머리 부위의 개략 형상에 따라 미리 몇 가지로 준비된 곡선인 아웃 라인(out line)으로 승객 머리 부위의 잘린 부위를 연결하여 윤곽 처리를 하는 윤곽 처리 작업을 수행한다.

이러한 과정을 통하여 CCTV 영상에서 승객에 대한 영역 특정이 완료가 되면, 후속적으로 이러한 승객 영상의 영역 정보에 적합한 대상을 찾아내는 과정이 수반되어야 하는데 이를 승객 비교인식 단계라 한다.

승객의 영상 비교인식을 위하여 도입된 통계이론인 부스트(Boost)는 데이터들로부터 결과를 도출할 경우 약한 선택 기준들을 합쳐서 정확도가 높은 선택 기준을 만들어 주는 알고리즘이다. 애더부스트(AdaBoost) 학습 알고리즘은 가장 잘 알려져 있는 부스트(Boost)알고리즘이며, 단순하면서도 효율적이라는 장점을 지닌다.

도 5를 참조하면, 애더부스트 추출부(162)에 의한 애더부스트 학습 알고리즘은 추출된 특징 정보들을 단계별로 그룹화하고 각 단계별로 소정 특징들을 추출하게 된다.

구체적으로는, 각각의 단계에서 부적합 것으로 판별된 특징들은 선택 기준에 맞지 않는 데이터로 분류되어지며, 각각의 단계를 거치는 동안 특정 승객 영상과 유사한 정보를 가지는 다른 대상물(승객의 머리 색상과 유사한 배경들)과의 적합도/일치 여부에 결정적인 특징 정보들이 추출된다. 즉, 도 5에 제시된 식에 의하여 각각의 대상물에 대한 개략적인 형상이 단순하고 편리한 방식에 의하여 특징화될 수 있으며 이러한 특징 정보끼리의 비교작업을 위한 전 단계로서 활용되는 것이다.

비교 판단부(163)는 유클리디언 거리를 구하는 공식을 이용하여, 그 거리가 가장 작은 비교 대상으로 제시한 대상물 즉, 승객의 머리 부위가 특정 대상물과 동일하거나 유사한 대상물로 판단하고 거리가 작은 순서대로 2 -10 인 정도의 소정 대상물 영상을 추출한 다음 최종적으로 가장 유사한 대상물의 순위를 설정하는 역할을 수행한다.

유클리디언 거리에 의한 공식은 다음과 같다.

d= Σ(i=0에서 N까지)(Fi2- Fi'2)

(d: 유클리디언 거리,

Fi: 비교 대상물 이미지의 i번째 특징값,

Fi': 특정 승객 머리 부위, 즉 기준 승객 머리 부위의 i번째 특징값)

이러한 대상물 인식 단계를 통하여 기준이 되는 특정 승객 머리 형상과 비슷한 형상을 가진 비교 대상물이 유사도에 따라 소정 개수로 도출될 수가 있다.

이와 같은 방식은, 가령 승객이 움직일 경우는 정지 영상에서의 모션을 통해 비교 분석을 하여 일반적인 승객 머리 부위의 형상 및 움직이는 모션과 개략적으로 비교를 할 수 있고, 지하철이 탑승 구간에 도착하기 전에는 승객의 움직임이 적은 상태에서 지하철을 기다리고 있기 때문에 보다 세부적으로 비교 대상물과의 비교 과정을 원활하게 수행할 수 있다는 특성을 부여한다.

분석부(164)는 상기 비교 판단부에서 비교 대상물 또는 기준이 되는 승객의 머리 부위와 CCTV 영상 영역과의 비교 판단 과정에서, CCTV 영상 영역 중 비교 대상물과 가장 유사한 부분을 추출하여 그 영역의 개수를 측정하는 역할을 수행한다. 이 때, 유클리디언 거리가 가장 가까운 것을 우선순위로서 추출하는 방식을 따르며 특정한 기준(한계 거리 설정)을 정하여 그 기준보다 먼 거리인 경우에는 승객으로 인정하지 않도록 판단하고 그 거리 이내의 영상 영역을 추출하여 그 영상 영역 내의 승객 머리 개수를 카운팅하여, CCTV를 통해 분석된 승객 변동 수치를 포함한 CCTV 분석 정보를 생성한다.

상기 CCTV 분석 정보는 상기 승객 변동 수치 정보를 보정하는 역할을 수행하는데, 예로서 양자의 평균값 또는 탁 탑승구간 별로 각기 다른 가중치를 부여하여 다중회귀분석식을 통해 산출된 값을 최종적으로 정보 제공 모듈(150)을 통해 지하철 서버(20)에 전송할 수 있다.

이러한 CCTV 분석모듈(160)은 CCTV 영상에서 정지 영상을 비교 대상물(가령 기준 승객 머리 형상)을 비교 분석함으로 오차를 줄이면서 승객의 인원수를 파악한다. 이 때, 내리고 타는 승객의 경우는 승객의 이동 방향을 기준으로 부가적으로 판단하여 양자의 차이를 구함으로써 CCTV에 의한 승객 변동 상황을 파악하는 특성을 부여할 수 있다.

지금까지 설명한 바와 같이, 본 발명에 따른 지하철 객실 별 실시간 냉방 제어 시스템의 구성 및 작용을 상기 설명 및 도면에 표현하였지만 이는 예를 들어 설명한 것에 불과하여 본 발명의 사상이 상기 설명 및 도면에 한정되지 않으며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화 및 변경이 가능함은 물론이다.

본 발명은 하드웨어와 소프트웨어의 조합으로 구동될 수 있는 것으로, 산업상 이용 가능성이 충분하다.

Claims

지하철 객실 별 실시간 냉방 제어 시스템으로서,

중앙 관제 서버에 구비된 것으로, 지하철 운영을 하면서 축적된 빅 데이터를 각 지하철역 별로 수집하여 저장하는 빅 데이터 수집모듈;

중앙 관제 서버에 구비되는 것으로, 상기 빅 데이터를 파라미터 별로 분류하여 수치화하고 각 파라미터에 가중치를 부여하여 각 지하철역, 시간대별, 탑승 구간 별로 승객의 변동 인원수를 포함한 승객 변동 수치 정보를 생성하는 빅 데이터 분석모듈;

중앙 관제 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 지하철 서버에 전송하는 정보 제공모듈;

지하철 서버에 구비된 것으로, 상기 승객 변동 수치 정보를 통하여 각 객실 별 탑승객 인원수를 파악하여 객실 별로 냉난방 온도 설정을 차등 제어하는 냉난방 제어모듈;을 포함하는 것을 특징으로 하는, 지하철 객실 별 실시간 냉방 제어 시스템.
제 1항에 있어서,

상기 빅 데이터는,

시간대와 상관없이 고정 수치를 가지는 고정 데이터와,

시간대에 따라 가변되는 변동 수치를 가지는 변동 데이터로 구분되는 것을 특징으로 하는, 지하철 객실 별 실시간 냉방 제어 시스템.
제 1항에 있어서,

상기 빅 데이터 분석모듈은,

각 시간대, 탑승 구간 별로 지하철에서 내리는 승객을 예측하기 위한 인출 승객 파라미터 라이브러리에 따라 상기 빅 데이터 중 일부 데이터를 추출하고,

각 시간대, 탑승 구간 별로 지하철에 타는 승객을 예측하기 위한 인인 승객 파라미터 라이브러리에 따라 상기 빅 데이터 중 일부 데이터를 추출하여,

상기 인출 승객 파라미터 라이브러리 및 인입 승객 파라미터 라이브러리에 따라 각기 다른 가중치를 부여하여 인출 승객 인원수와 인입 승객 인원수를 예측하고 그 차이로서 승객 변동 수치 정보를 생성하는 기능을 포함하는 것을 특징으로 하는, 지하철 객실 별 실시간 냉방 제어 시스템.
제 3항에 있어서,

상기 인입 파라미터 라이브러리는,

환승구와 탑승 구간 별 거리, 에스컬레이터/엘리베이터와 탑승 구간 별 거리, 개찰구에서의 승객이 입장한 인원수 정보에 대한 파라미터들 중에서 적어도 하나 이상의 파라미터를 포함하고,

상기 인출 파라미터 라이브러리는,

환승구와 탑승 구간 별 거리, 해당 지하철역 주변의 상권/사무실 분포 정보를 기준으로 한 가중치, 환승구와 각 탑승구간 별 거리, 에스컬레이터/엘리베이터와 각 탑승 구간 별 거리, 개찰구에서의 승객이 퇴장한 인원수 정보에 대한 파라미터들 중에서 적어도 하나 이상의 파라미터를 포함하는 것을 특징으로 하는, 지하철 객실 별 실시간 냉방 제어 시스템.
제 1항에 있어서,

상기 시스템은,

탑승 구간에 설치된 복수 개의 CCTV 영상에서 승객의 형상 및 그 이동 방향을 분석하여 타는 승객 인원수와 내리는 승객 인원수를 파악하여 그 차이값인 CCTV 영상 정보를 생성하는 CCTV 분석모듈;을 추가로 포함하고,

상기 정보 제공모듈은,

상기 승객 수치 정보에서 상기 CCTV 영상 정보를 보정한 정보를 상기 지하철 서버에 전송하는 것을 특징으로 하는, 지하철 객실 별 실시간 냉방 제어 시스템.
제 5항에 있어서,

상기 CCTV 분석모듈은,

CCTV에서 촬영된 회원 영상 중에서 특정 대상물을 기준으로 상기 대상물 주변의 배경을 삭제하고 대상물의 아웃라인을 윤곽 처리함으로써 상기 대상물의 영역 정보를 추출하는 영역 특정부와,

아다부스트 학습이론을 기초로 하여 기 준비된 복수 개의 비교 대상물을 기준으로 상기 영역 특정부에서 특정한 영역 정보를 비교 처리한 비교 정보를 추출하는 애더부스트 추출부 및,

상기 애더부스트 추출부에서 얻어진 비교 정보를 기반으로, 상기 영역 특정부에서 특정한 영역 정보 중에서 유클리디언 거리 측정에 의하여 가장 인접한 거리를 가지는 비교 대상물을 가장 비슷한 대상물로 인식하여 이를 선별하는 비교 판단부와,

상기 비교 판단부에 의하여 비교 대상물과 가장 비슷하다고 판단되는 영역 정보를 승객으로 선정하여 승객의 인원수를 파악함으로써, 승객 인원수를 포함한 CCTV 영상 정보를 생성하는 분석부로 구성된 영상 검출 모듈;을 추가로 포함하는 것을 특징으로 하는, 지하철 객실 별 실시간 냉방 제어 시스템.