WO2018225985A1 - 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법 및 서버 - Google Patents

복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법 및 서버 Download PDF

Info

Publication number
WO2018225985A1
WO2018225985A1 PCT/KR2018/006249 KR2018006249W WO2018225985A1 WO 2018225985 A1 WO2018225985 A1 WO 2018225985A1 KR 2018006249 W KR2018006249 W KR 2018006249W WO 2018225985 A1 WO2018225985 A1 WO 2018225985A1
Authority
WO
WIPO (PCT)
Prior art keywords
point
specific point
observation
zone
weather
Prior art date
Application number
PCT/KR2018/006249
Other languages
English (en)
French (fr)
Inventor
임효혁
Original Assignee
(주)한국해양기상기술
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 (주)한국해양기상기술 filed Critical (주)한국해양기상기술
Priority to US16/620,199 priority Critical patent/US11262478B2/en
Priority to EP18813923.2A priority patent/EP3637360A4/en
Publication of WO2018225985A1 publication Critical patent/WO2018225985A1/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Definitions

  • the present invention relates to a method and a server for predicting a weather risk situation, and more particularly, to predict a weather risk situation at a specific point located on a user's moving path by referring to each observation data measured from a plurality of observation points.
  • a method comprising: obtaining respective observation data measured from a viewpoint, and creating and managing the observation data as a map with reference to the information on the position of the viewpoint, and obtaining the observation data from the viewpoint located around the specific point.
  • the temporal trend information of the observation data obtained from the observation point located in the vicinity of the specific point with reference to the machine learning database, for the specific point after a predetermined time from the current time point Room to predict weather conditions And to a server using the same.
  • Conventional weather forecasting system informs the weather situation within 1 hour for the short-term weather forecast within 4 hours. Forecasting the weather. Users of such a weather forecast system may not know exactly from what point in time the weather forecasted on an hourly basis will last for how many minutes. In addition, since the average weather is forecast for an area of several tens of km 2 , there is a limit that the weather at a particular location in the area may be different from the average weather in the area.
  • an object of the present invention is to solve all the above-mentioned problems.
  • Another object of the present invention is to propose a means of moving a section of a moving route or to change a schedule according to a predicted weather condition.
  • a method of predicting a meteorological hazard situation at a specific point located on a user's moving path by referring to each observation data measured from a plurality of observation points includes: (a) a meteorological hazard situation prediction server; A) obtaining each said observation data measured from said viewpoint; And (b) the meteorological hazard situation prediction server prepares and manages the observation data as a map with reference to the information on the position of the observation point, and manages the geographical location of the observation data obtained from the observation point located around the specific point.
  • the machine learning database is generated by learning reference data previously measured at the viewpoint. Analyzing, so as to predict the weather conditions for the particular point after a predetermined time from the current time point.
  • a communication unit for obtaining observation data And create and manage the acquired observation data as a map with reference to the information on the position of the viewpoint, and geographical distribution information of the observation data obtained from the observation point located around the specific point, around the specific point.
  • a processor is provided that includes; a processor for predicting weather conditions for the particular point after time.
  • weather conditions can be predicted by subdividing time and place.
  • the user may predict the user's moving path and transmit the weather condition predicted to a specific point on the moving path to the user.
  • the user may be suggested to propose a means of moving the section of the moving route or to change the schedule.
  • FIG. 1 is a configuration diagram of an entire system including a server for predicting a meteorological hazard situation according to an embodiment of the present invention
  • FIG. 2 is an exemplary diagram for describing a method of predicting a weather state of a specific point by referring to observation data measured from a plurality of observation points according to an embodiment of the present invention
  • FIG. 3 is an exemplary diagram for describing a method of predicting a weather condition for a specific point on a predicted movement path according to an embodiment of the present invention
  • FIG. 4 is an exemplary diagram for describing a method of predicting a weather condition with reference to observation data obtained from observation points belonging to a 1-k zone in which a specific point is located, according to an embodiment of the present invention
  • FIG. 5 is a diagram for describing a method of predicting a meteorological condition when a boundary of a first-k zone in which a specific point is located and a boundary of a second-k zone in which a specific point are located do not coincide with each other according to an embodiment of the present invention. Illustrated diagram.
  • FIG. 1 is a block diagram of an entire system including a server 100 for predicting a meteorological hazard situation according to an embodiment of the present invention.
  • the entire system according to the present invention may include a server 100, an observation point 200, a user terminal 300, and the like.
  • the server 100 predicting the weather risk situation according to the present invention may predict the weather risk situation at a specific point P located on the user's moving path with reference to each observation data measured from the plurality of observation points 200. have.
  • the server 100 may include a processor 110 and a communication unit 120.
  • the communicator 120 acquires respective observation data measured from the observation point 200.
  • the observation data may include measurement data on phenomena such as temperature, wind direction, wind speed, precipitation, precipitation, atmospheric pressure, humidity, thunderstorm, gust, earthquake, and the like.
  • the processor 110 may create and manage the acquired observation data as a map with reference to the information on the position of the observation point 200.
  • the map means time information (that is, information on the time at which the observation data was obtained) and position information (for observation data obtained from the plurality of meteorological observation apparatuses 200 arranged in a predetermined relative position relationship).
  • it may mean a data set to which the information on the absolute or relative position of the meteorological observation device that acquired the observation data.
  • the processor 110 may include geographical distribution information of observation data obtained from the observation point 200 located near the specific point P, and temporal data of the observation data obtained from the observation point 200 located near the specific point P.
  • a function of predicting a weather condition for a specific point P after a predetermined time from the current time point is performed.
  • the specific point in analyzing the geographic distribution information of the observation data obtained from the observation point 200 located around the specific point P, in predicting the weather condition for the specific point P, the specific point ( Analyze the observation data of the observation point 200-4 located closest to P) with reference to the machine learning database, or the geographical location of the observation point (eg, 200-1 to 200-7) located within a predetermined radius of a specific point P.
  • the specific point Analyze the observation data of the observation point 200-4 located closest to P
  • the geographical location of the observation point eg, 200-1 to 200-7
  • the weather state for the specific point P is predicted, for example, from 10 minutes ago to the current time point. If the observed data change pattern of the observation point 200-4 managed by is similar to the pattern of the past specific weather condition stored in the machine learning database or the pattern learned that the weather condition is more likely to occur, We can predict that weather conditions are likely to occur.
  • the current time point is analyzed. It can be predicted from the weather conditions of a specific point (P) after a predetermined time from.
  • the machine learning database may be generated by learning reference data measured in the past at the observation point 200, and may be generated by learning geographic distribution information and temporal trend information corresponding to the observation data.
  • learning geographic distribution information and temporal trend information it is possible to predict large-scale fluid motion, water phenomenon, dust phenomenon, light phenomenon, electric phenomenon by combining various meteorological observation information through deep learning.
  • by improving the error level compared to the machine learning predicted value and the measured value it is possible to automatically analyze weather hazards that were previously unpredictable, and provide real-time short-term forecast information in connection with numerical models.
  • the processor 110 predicts the position of a specific point P on the user's moving path by time and provides information on the weather condition predicted for the specific point P with reference to schedule data of the user. It may be transmitted to the user through the communication unit 120 before a predetermined time from the time corresponding to the specific point (P).
  • the schedule data may include information about a user's current location and moving speed, schedule information stored in a calendar, communication information obtained from a communication history (eg, message content, call history, SNS content, transportation search and reservation history, etc.), and the past. It may refer to any one or more of the activity information (for example, the commute pattern, the means of movement and time required, the movement pattern in a particular neighborhood) obtained from the activity pattern for each day or location of the.
  • a communication history eg, message content, call history, SNS content, transportation search and reservation history, etc.
  • the processor 110 receives the weather state at the time 14:00 of P0 predicted by weighting the observation points (for example, 200-2, 200-1, 200-4) close to P0, and the user arrives at P0. It may be transmitted to the user at time 13:30, which is a predetermined time (e.g., 30 minutes) from the time 14:00, which is scheduled to be described below.
  • the weather condition at time 15:30 of P1 predicted with weights at observation points close to P1 (eg, 200-4, 200-5, 200-3), at which time the user is expected to arrive at P1. It will be available to the user at 15:00, 30 minutes before 15:30.
  • the weather at all three specific points is 30 minutes before the schedule starts. It may be sent at 13:30 or at the time the user starts the routine (eg 07:00).
  • the machine learning database is used to predict the movement path and speed of the lightning, and if the lightning strike may cause harm to the user, the user may You will be able to tell them to evacuate the path of lightning strikes in time.
  • the specific point P may include information about a section on the movement path, and the machine learning database corresponds to reference data (data measured in the past at an observation point), and learns a plurality of subjects.
  • the movement data may further include movement data, and the movement data may include movement means and movement time used by each learner for each section.
  • the processor 110 by referring to the machine learning database and the predicted movement path of the user, suggests a movement means for each section of the movement path to the user through the communication unit 120 according to the predicted weather condition, or sets a schedule. You can suggest changes.
  • P0 to P1 are referred to as a first section
  • P1 to P2 are referred to as a second section
  • the user is suggested to propose a means of moving the first section or to change the schedule according to the weather condition of the first section predicted at 14:00 to 15:30, and is predicted at 15:30 to 16:00.
  • the weather condition of the second section it may be suggested to propose a means of moving the second section or to change a schedule.
  • the user when the first section and the second section are the user's commute route, the user usually has an activity pattern that is analyzed to take a bus in the first section and walk on the second section, and the weather state is noon. If it is predicted that heavy snowfall will continue to fall in the first section and the second section, the user may think to use the subway rather than the bus in the first section due to the traffic jam, but the processor 110 may present the current snowfall data. And by analyzing the predicted snowfall data with reference to the machine learning database, the subjects used the subway more than the bus in the past similar weather conditions, and the travel time of the trained subjects was longer than that of the trained subjects in the subway. If it was short, you could suggest to the user to use the bus as usual. . In addition, if any means of transportation is expected to take longer than usual, the user may be suggested to change the schedule, such as leaving earlier.
  • the plurality of viewpoints 200 may be at least one of a user terminal 300 (that is, a mobile observation point 200) installed with at least one sensor and an application program and an installation type observation point 200 that may be installed on a feature.
  • a user terminal 300 that is, a mobile observation point 200
  • the mobile terminal 300 which is mobile and available may serve as one observation point 200 to provide observation data for constructing a machine learning database, or may be an observation point providing current observation data. .
  • FIG. 4 a method of predicting a weather condition will be described with reference to observation data obtained from an observation point belonging to a region 1-k in which a specific point is located, according to an exemplary embodiment.
  • the plurality of observation points 200 may include the first-k-1 to first-k-nk observation points 200 located in the first-k zone where boundaries are partitioned according to characteristics of factors affecting the first meteorological phenomenon. (k is an integer greater than or equal to 1 and less than or equal to m) and may be managed by referring to the information, and the processor 110 is obtained from the observation point 200 belonging to a specific area where a specific point P is located through the communication unit 120. Analyzing at least one of the geographical distribution information of the observation data to be obtained, and the temporal trend information of the observation data obtained from the observation point 200 belonging to a specific region with reference to the machine learning database, to a specific point P after a predetermined time from the current time point. Forecast weather conditions.
  • the specific area is divided by a virtual grid (not shown) composed of a plurality of cells having a predetermined size, and the position of each other affecting the first meteorological phenomenon among the plurality of cells. It is possible to set specific cells that are related to the relationship as being above a predetermined threshold as one zone. For example, when the first meteorological phenomenon is a change in barometric pressure, specific regions having a close relationship with the geographical distribution of the measured values, such as temperature, humidity, and barometric pressure, which affect the flow of the air, and the topography, You will be able to set
  • the first meteorological phenomenon is a fine solid that contains little moisture, such as water phenomenon, dust, smoke, etc., in which water falls or floats in the air in a liquid or solid state, such as rain, snow, hail, fog, and frost.
  • Optical phenomenon caused by sun, moon reflection, refraction, diffraction or interference such as dust, rainbow, sunbeam, mirage, morning glow, evening glow, etc.
  • Phenomena such as light phenomena, lightning, Saint Elmo's Fire, aurora and other electrical phenomena in the atmosphere, convection phenomena in the atmosphere, earthquakes, volcanoes, sunspot explosions in the sun, and so on.
  • the present invention is not limited thereto.
  • the plurality of viewpoints may include viewpoints 200-1, 200-2, 200-4, which belong to a zone 1-1 having boundaries defined according to characteristics of factors affecting the first meteorological phenomenon.
  • 200-6 may have attribute information related to the zone 1-1
  • the observation points 200-3, 200-5, and 200-7 belonging to the zone 1-2 may have attribute information related to the zone 1-2.
  • the plurality of observation points 200 are located within the second-k zone where boundaries are partitioned according to the characteristics of factors affecting the second meteorological phenomenon, the second-k-1 to second-k-nk observation points 200. (k is an integer of 1 or more and m or less) can be managed in duplicate by referring to the information.
  • observation points 200-1, 200-3, and 200-5 belonging to the zone 2-1 partitioned according to the characteristics of factors affecting the second meteorological phenomenon may correspond to the zone 2-1.
  • Relevant attribute information can be duplicated with attribute information related to zone 1-k
  • observation points 200-2, 200-4, 200-6, and 200-7 belonging to zone 2-2 are attribute information related to zone 2-2. May be duplicated with the attribute information related to the 1-k zone.
  • the processor 110 may further include a specific weather having a greater influence on at least one of the geographical distribution information of the observation data and the temporal trend information of the observation data from a first time to a current time point among the first and second weather phenomena. With reference to the phenomenon, it is also possible to predict the weather condition for a specific point P by applying a section according to a specific weather phenomenon.
  • the geographic distribution information of the observation data from a predetermined time before the present time point and the temporal trend information of the observation data. If the meteorological phenomena that have a greater effect on at least one of the changes in air pressure, apply zones 1-1 and 1-2, which are sections according to the first meteorological phenomenon, to zones 1-2 belonging to a particular point P By analyzing the observation data with reference to the machine learning database, it is possible to predict W 1-2 , a weather condition after a predetermined time.
  • the boundary of the first-k zone where the specific point P is located and the boundary of the second-k zone where the specific point P is located do not coincide with each other, the first and second weather phenomena You may be able to assume that you are in a relationship that influences or receives each other.
  • the weights of the first and second weather phenomena are determined by referring to the influence on at least one of the geographical distribution information and the temporal trend information of the observation data from a predetermined time before to the present time, and the specific point ( The first and second weather phenomena are weighted using the predicted weather conditions of the first-k zone where P) is located and the predicted weather conditions of the second-k zone where the specific point P is located. Interpolation may be applied to predict the weather conditions for a particular point P.
  • the interpolation method is applied using the following equation. You can do it.
  • the weather condition predicted value W P for a specific point P may be expressed as follows.
  • the first and second weather phenomena when the boundary of the first-k zone where the specific point P is located and the boundary of the second-k zone where the specific point P is located do not coincide with each other, the first and second weather phenomena. Is in a mutually influencing relationship, the distance value between the boundary of the specific point P and the zone 1-k and the distance value between the boundary of the specific point P and the zone 2-k are referred to.
  • the weights of the first weather phenomenon and the second weather phenomenon may be determined.
  • the above formula may be regarded as a minimum distance value between the boundary of the specific point P and the zone 1-k and a minimum distance value between the boundary of the specific point P and the zone 2-k as b. It may be applicable to, but is not limited to.
  • Embodiments according to the present invention described above may be implemented in the form of program instructions that may be executed by various computer components, and may be recorded in a computer-readable recording medium.
  • the computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program instructions recorded on the computer-readable recording medium may be those specially designed and configured for the present invention, or may be known and available to those skilled in the computer software arts.
  • 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 magneto-optical media such as floptical disks. media), and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • the hardware device may be configured to operate as one or more software modules to perform the process according to the invention, and vice versa.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Library & Information Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

본 발명은, 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법에 있어서, (a) 기상 위험상황 예측 서버가, 상기 관측점으로부터 측정되는 각각의 상기 관측 데이터를 획득하는 단계; 및 (b) 상기 서버가, 관측 데이터의 지리적 분포 정보, 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스를 참조로 하여 분석함으로써, 상기 특정 지점에 대한 기상 상태를 예측하는 단계;를 포함하는 방법을 개시한다.

Description

복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법 및 서버
본 발명은 기상 위험상황을 예측하는 방법 및 서버에 관한 것으로, 보다 상세하게는 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법에 있어서, 관측점으로부터 측정되는 각각의 관측 데이터를 획득하고, 상기 관측 데이터를 상기 관측점의 위치에 대한 정보를 참조로 하여 맵으로서 작성하여 관리하고, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 지리적 분포 정보, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스를 참조로 하여 분석함으로써, 현재 시점으로부터 소정 시간 후의 상기 특정 지점에 대한 기상 상태를 예측하는 방법 및 이를 이용한 서버에 관한 것이다.
종래의 기상 예보 시스템은, 초단기 기상 예보의 경우 현재 실황에서부터 4시간 이내의 기상상황을 1시간 간격으로 알려주며, 단기 예보의 경우 전국을 5km×5km 간격으로 나누어 총 3,500여 개의 읍/면/동 단위로 날씨를 예보하고 있다. 이러한 기상 예보 시스템의 사용자들은 1시간 단위로 예보되는 기상 상황이 정확히 어느 시점으로부터 몇 분 동안 지속될 예정인지 알 수 없다. 또한, 수십km2의 면적에 대한 평균적인 날씨가 예보되기 때문에, 해당 구역 내 특정 위치의 날씨가 해당 구역의 평균적인 날씨와 다를 가능성이 있다는 한계가 있다.
한편, 사용자들이 일과 중에 하나의 장소에만 머무르는 경우는 많지 않기 때문에 스케줄 및 이동 경로에 따라 각 장소의 날씨를 미리 검색해야 하는 상황이 생긴다. 이 경우, 시간 및 위치를 모두 고려하여 기상 상황에 대한 대비를 하기는 쉽지 않은 실정이다. 또한, 돌발적인 기상 위험상황이 발생하는 경우 예정되어있던 스케줄을 그대로 수행하기 어렵다는 한계가 있다.
따라서, 본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은 사용자의 이동 경로를 예측하고, 이동 경로 상의 특정 지점에 대하여 예측된 기상 상태를 사용자에게 전송하는 것을 다른 목적으로 한다.
또한, 본 발명은 예측된 기상 상태에 따라 사용자에게 이동 경로의 구간별 이동수단을 제안하거나, 일정을 변경할 것을 제안하는 것을 또 다른 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 태양에 따르면, 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법에 있어서, (a) 기상 위험상황 예측 서버가, 상기 관측점으로부터 측정되는 각각의 상기 관측 데이터를 획득하는 단계; 및 (b) 상기 기상 위험상황 예측 서버가, 상기 관측 데이터를 상기 관측점의 위치에 대한 정보를 참조로 하여 맵으로서 작성하여 관리하고, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 지리적 분포 정보, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 상기 관측점에서 과거에 측정되었던 참조 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석함으로써, 현재 시점으로부터 소정 시간 후의 상기 특정 지점에 대한 기상 상태를 예측하는 단계;를 포함하는 방법이 제공된다.
본 발명의 다른 태양에 따르면, 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 서버에 있어서, 상기 관측점으로부터 측정되는 각각의 상기 관측 데이터를 획득하는 통신부; 및 획득된 상기 관측 데이터를 상기 관측점의 위치에 대한 정보를 참조로 하여 맵으로서 작성하여 관리하고, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 지리적 분포 정보, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 상기 관측점에서 과거에 측정되었던 참조 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석함으로써, 현재 시점으로부터 소정 시간 후의 상기 특정 지점에 대한 기상 상태를 예측하는 프로세서;를 포함하는 서버가 제공된다.
본 발명에 따르면, 시간 및 장소를 세분화하여 기상 상태를 예측할 수 있다.
또한, 사용자의 이동 경로를 예측하고, 이동 경로 상의 특정 지점에 대하여 예측된 기상 상태를 사용자에게 전송할 수 있다.
또한, 예측된 기상 상태에 따라 사용자에게 이동 경로의 구간별 이동수단을 제안하거나, 일정을 변경할 것을 제안할 수 있다.
도 1은 본 발명의 일 실시예에 따른 기상 위험상황을 예측하는 서버를 포함하는 전체 시스템의 구성도,
도 2는 본 발명의 일 실시예에 따른 복수의 관측점으로부터 측정되는 관측 데이터를 참조하여 특정 지점의 기상 상태를 예측하는 방법을 설명하기 위한 예시도,
도 3은 본 발명의 일 실시예에 따른 예측된 이동 경로 상의 특정 지점에 대하여 기상 상태를 예측하는 방법을 설명하기 위한 예시도,
도 4는 본 발명의 일 실시예에 따른 특정 지점이 위치한 제1-k 구역에 속한 관측점으로부터 획득되는 관측 데이터를 참조하여 기상 상태를 예측하는 방법을 설명하기 위한 예시도,
도 5는 본 발명의 일 실시예에 따른 특정 지점이 위치한 제1-k 구역의 경계 및 특정 지점이 위치한 제2-k 구역의 경계가 서로 일치하지 않는 경우 기상 상태를 예측하는 방법을 설명하기 위한 예시도.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다.
또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 기상 위험상황을 예측하는 서버(100)를 포함하는 전체 시스템의 구성도를 도시하고 있다.
도 1을 참조하면, 본 발명에 따른 전체 시스템은 서버(100), 관측점(200), 사용자 단말(300) 등을 포함할 수 있다.
본 발명의 기상 위험상황을 예측하는 서버(100)는 복수의 관측점(200)으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점(P)의 기상 위험상황을 예측할 수 있다.
구체적으로, 서버(100)는 프로세서(110) 및 통신부(120)를 포함할 수 있다. 통신부(120)는 관측점(200)으로부터 측정되는 각각의 관측 데이터를 획득하는 역할을 수행한다. 여기서, 관측 데이터는 기온, 풍향, 풍속, 강수량, 강수유무, 기압, 습도, 뇌우, 돌풍, 지진 등과 같은 현상에 대한 측정 데이터를 포함할 수 있다.
다음으로, 프로세서(110)는 획득된 관측 데이터를 관측점(200)의 위치에 대한 정보를 참조로 하여 맵으로서 작성하여 관리할 수 있다. 여기서, 맵이란, 소정의 상대적인 위치 관계를 가진 상태로 배치된 복수의 기상관측 장치(200)로부터 획득되는 관측 데이터에 대해 시간 정보(즉, 관측 데이터가 획득된 시간에 대한 정보)와 위치 정보(즉, 관측 데이터를 획득한 해당 기상관측 장치의 절대적 또는 상대적 위치에 대한 정보)를 대응시킨 데이터 집합을 의미할 수 있다.
또한, 프로세서(110)는 특정 지점(P)의 주변에 위치한 관측점(200)으로부터 획득되는 관측 데이터의 지리적 분포 정보, 특정 지점(P)의 주변에 위치한 관측점(200)으로부터 획득되는 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스를 참조로 하여 분석함으로써, 현재 시점으로부터 소정 시간 후의 특정 지점(P)에 대한 기상 상태를 예측하는 기능을 수행한다.
여기서, 도 2를 참조하면, 특정 지점(P)의 주변에 위치한 관측점(200)으로부터 획득되는 관측 데이터의 지리적 분포 정보를 분석하여 특정 지점(P)에 대한 기상 상태를 예측함에 있어서, 특정 지점(P)과 가장 가까운 곳에 위치한 관측점(200-4)의 관측 데이터를 기계학습 데이터베이스를 참조하여 분석하거나, 특정 지점(P)의 소정 반경 이내에 위치한 관측점(가령, 200-1 내지 200-7)의 지리적 분포에 대응되는 각각의 관측 데이터를 기계학습 데이터베이스를 참조하여 분석함으로써, 특정 지점(P)의 기상 상태를 예측할 수 있을 것이다.
또한, 특정 지점(P)의 주변에 위치한 관측점(200)으로부터 획득되는 관측 데이터의 시간적 추이 정보를 분석하여 특정 지점(P)에 대한 기상 상태를 예측함에 있어서, 가령, 10분 전부터 현재 시점까지 맵에서 관리되고 있는 관측점(200-4)의 관측 데이터 변화 양상이 기계학습 데이터베이스에 저장되어있는 과거 특정 기상 상태의 양상 또는 해당 기상 상태가 발생할 가능성이 높을 것으로 학습된 양상과 유사하다면, 해당 구역에서 특정 기상 상태가 발생할 가능성이 있다고 예측할 수 있을 것이다.
또한, 특정 지점(P)의 소정 반경 이내에 위치한 관측점(가령, 200-1 내지 200-7)의 지리적 분포에 대응되는 각각의 관측 데이터의 시간적 추이 정보를 기계학습 데이터베이스를 참조하여 분석함으로써, 현재 시점으로부터 소정 시간 후의 특정 지점(P)의 기상 상태를 예측할 수 있을 것이다.
한편, 기계학습 데이터베이스는 관측점(200)에서 과거에 측정되었던 참조 데이터를 학습함으로써 생성될 수 있는데, 관측 데이터에 대응되는 지리적 분포 정보 및 시간적 추이 정보를 함께 학습함으로써 생성될 수도 있을 것이다. 여기서, 지리적 분포 정보 및 시간적 추이 정보를 학습함에 있어서, 딥러닝을 통해 다양한 기상관측정보를 조합하여 대규모 유체운동, 물 현상, 먼지 현상, 빛 현상, 전기 현상 등을 예측할 수 있을 것이다. 또한, 기계학습 예측값과 실측값을 대비하여 오차수준을 개선함으로써 과거 예측이 불가능했던 기상 위험상황을 자동 분석하고, 수치모델과 연계하여 실시간급 단기 예측정보를 제공할 수 있을 것이다.
다음으로, 프로세서(110)는, 사용자의 일정 데이터를 참조로 하여, 시간별로 사용자의 이동 경로 상의 특정 지점(P)의 위치를 예측하고 특정 지점(P)에 대하여 예측된 기상 상태에 대한 정보를 특정 지점(P)에 대응되는 시각으로부터 소정 시간 전에 통신부(120)를 통해 사용자에게 전송할 수 있다.
여기서, 일정 데이터는, 사용자의 현재 위치 정보 및 이동 속도, 캘린더에 저장된 스케줄 정보, 통신 내역으로부터 획득되는 통신 정보(가령, 메시지 내용, 통화 내역, SNS 내용, 교통수단 검색 및 예약 내역 등), 과거의 요일 별 또는 위치 별 활동 패턴으로부터 획득되는 활동 정보(가령, 출퇴근 패턴, 이동 수단 및 소요 시간, 특정 동네에서의 이동 패턴) 중 어느 하나 이상을 참조할 수 있다.
구체적으로, 도 3을 참조하면, 사용자의 일정 데이터를 참조하여 시간별로 이동 경로 상의 특정 지점 P0(5/7 14:00), P1(5/7 15:30) 및 P2(5/7 16:00)의 위치를 예측할 수 있다.
여기서, 프로세서(110)는, P0에 가까운 관측점(가령, 200-2, 200-1, 200-4)에 가중치를 두고 예측한 P0의 시각 14:00에서의 기상 상태를, 사용자가 P0에 도착하기로 예정되어 있는 시각 14:00으로부터 소정의 시간(가령, 30분) 전인 시각 13:30에 사용자에게 전송할 수 있을 것이다. 마찬가지로, P1에 가까운 관측점(가령, 200-4, 200-5, 200-3)에 가중치를 두고 예측한 P1의 시각 15:30에서의 기상 상태를, 사용자가 P1에 도착하기로 예정되어 있는 시각 15:30으로부터 30분 전인 15:00에 사용자에게 전송할 수 있을 것이다.
여기서, 특정 지점 P0, P1, P2 각각의 예측된 기상 상태를 각 특정 지점에 도착하기 30분 전에 사용자에게 각각 전송하는 것뿐만 아니라, 특정 지점 3곳의 날씨 모두를 일정이 시작되기 30분 전인 시각 13:30에 전송하거나, 사용자가 일과를 시작하는 시각(가령, 07:00)에 전송할 수 있을 것이다.
또한, 기상 돌발상황이 예상되는 경우, 해당 상황에 대처할 수 있는 준비물을 함께 알려주거나, 해당 장소에 접근하지 않도록 제안할 수 있을 것이다.
예시적으로, 사용자가 오전에 특정 지점 A(미도시)에서 업무를 본 뒤 오후에 특정 지점 B(미도시)로 출장을 갈 것으로 예측되는 경우, A는 오전에 맑은 날씨일 것으로 예측되지만 B는 오후에 미세먼지 농도가 높고 소나기가 올 것으로 예측되면, 사용자가 출근하기 전에 미세먼지 마스크와 우산을 챙길 수 있도록 제안할 수 있을 것이다.
또한, 사용자가 골프장에서 골프를 치고 있는 경우 골프장 근처에서 낙뢰가 발생하면, 기계학습 데이터베이스를 참조하여 낙뢰의 이동 경로 및 이동 속도를 예측하고, 낙뢰가 사용자에게 해를 끼칠 가능성이 있으면, 사용자가 소정 시간 안에 낙뢰의 이동 경로를 피하여 대피할 수 있도록 알려줄 수 있을 것이다.
한편, 특정 지점(P)은 이동 경로 상의 구간에 대한 정보를 포함할 수도 있으며, 기계학습 데이터베이스는, 참조 데이터(관측점에서 과거에 측정되었던 데이터)에 대응되되, 복수의 학습 대상자를 대상으로 학습한 이동 데이터를 더 포함할 수 있고, 이동 데이터는 학습 대상자 각각이 구간별로 이용했던 이동 수단 및 이동 시간을 포함할 수도 있다.
여기서, 프로세서(110)는, 기계학습 데이터베이스 및 사용자의 예측된 이동 경로를 참조로 하여, 예측된 기상 상태에 따라 통신부(120)를 통해 사용자에게 이동 경로의 구간별 이동 수단을 제안하거나, 일정을 변경할 것을 제안할 수 있다.
구체적으로, 도 3을 참조하면, P0에서 P1까지를 제1 구간, P1에서 P2까지를 제2 구간이라고 할 때, 과거에 학습 대상자들이 과거 기상 상태별로 이용했던 구간별 이동수단 및 이동시간을 참조하여, 사용자에게 시각 14:00 내지 15:30에 예측되는 제1 구간의 기상 상태에 따라 제1 구간의 이동수단을 제안하거나 일정을 변경할 것을 제안하고, 시각 15:30 내지 16:00에 예측되는 제2 구간의 기상 상태에 따라 제2 구간의 이동수단을 제안하거나 일정을 변경할 것을 제안할 수 있을 것이다.
예시적으로, 제1 구간 및 제2 구간이 사용자의 출근 경로라고 할 때, 사용자가 평소 제1 구간에서는 버스를 타고 제2 구간에서는 도보 이동을 하는 것으로 분석되는 활동 패턴을 가지며, 기상 상태는 정오부터 제1 구간 및 제2 구간에 폭설이 지속적으로 내릴 것으로 예측되는 경우, 사용자는 교통 체증을 우려하여 제1 구간에서 버스가 아닌 지하철을 이용하려고 생각할 수 있지만, 프로세서(110)가 현재의 강설량 데이터 및 예측되는 강설량 데이터를 기계학습 데이터베이스를 참조하여 분석함으로써, 과거의 유사한 기상 상태에서 학습 대상자들이 버스보다 지하철을 많이 이용하였고 버스를 이용한 학습 대상자들의 이동 시간이 지하철을 이용한 학습 대상자들의 이동 시간보다 더 짧았다면, 사용자에게 평소처럼 버스를 이용하도록 제안할 수 있을 것이다. 또한, 어떤 교통수단을 이용하더라도 평소보다 이동시간이 더 걸릴 것으로 예상되는 경우, 사용자에게 더 일찍 출발하도록 하는 등 일정을 변경할 것을 제안할 수도 있을 것이다.
한편, 복수의 관측점(200)은, 적어도 하나 이상의 센서 및 응용프로그램이 설치된 사용자 단말(300)(즉, 이동형 관측점(200)) 및 지형지물에 설치될 수 있는 설치형 관측점(200) 중 적어도 하나일 수 있다. 구체적으로, 이동하며 이용 가능한 사용자 단말(300) 자체가 하나의 관측점(200)으로 작용하여 기계학습 데이터베이스를 구성하기 위한 관측 데이터를 제공하거나, 현재의 관측 데이터를 제공하는 관측 포인트가 될 수 있을 것이다.
이하에서는, 도 4를 참조로 하여 본 발명의 일 실시예에 따른 특정 지점이 위치한 제1-k 구역에 속한 관측점으로부터 획득되는 관측 데이터를 참조하여 기상 상태를 예측하는 방법을 설명하도록 한다.
구체적으로, 복수의 관측점(200)은 제1 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획되는 제1-k 구역 내에 위치한 제1-k-1 내지 제1-k-nk 관측점(200)(k는 1 이상 m 이하의 정수) 정보를 참조로 하여 관리될 수 있으며, 프로세서(110)는, 통신부(120)를 통해 특정 지점(P)이 위치한 특정 구역에 속한 관측점(200)으로부터 획득되는 관측 데이터의 지리적 분포 정보, 특정 구역에 속한 관측점(200)으로부터 획득되는 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스를 참조로 하여 분석함으로써 현재 시점으로부터 소정 시간 후의 특정 지점(P)에 대한 기상 상태를 예측할 수 있다.
이 때, 각 구역의 경계를 구획함에 있어서, 소정 크기를 갖는 복수의 셀로 구성되는 가상의 그리드(미도시)로 특정 지역을 구분하고, 복수의 셀 중에서 제1 기상 현상에 영향을 미치는 서로의 위치관계의 관련도가 기설정된 임계치 이상인 것으로 분석되는 특정 셀들을 하나의 구역으로 설정할 수 있을 것이다. 예시적으로, 제1 기상 현상이 기압의 변화라고 할 때, 대기의 흐름에 영향을 주는 기온, 습도, 기압 등의 측정 값의 지리적 분포나 지형의 특성이 밀접한 관계를 가지는 특정 지역들을 하나의 구역으로 설정할 수 있을 것이다.
여기서, 제1 기상 현상은, 비, 눈, 우박, 안개, 서리 등과 같이 물이 액체 또는 고체 상태로 대기 중에 떨어지거나 떠 있는 현상인 물 현상, 먼지, 연기 등과 같이 수분을 거의 함유하지 않은 미세한 고체 입자가 무수히 많이 떠 있거나 또는 지상에 있던 것이 바람 때문에 날려 올라가 있는 현상인 먼지 현상, 무지개, 햇무리, 신기루, 아침노을, 저녁노을 등과 같이 해나 달의 빛의 반사, 굴절, 회절, 간섭에 의하여 생기는 광학적 현상인 빛 현상, 번개, 세인트 엘모의 불(Saint Elmo's Fire), 오로라 등과 같은 대기 중의 전기 현상, 대기의 운동을 나타내는 대류 현상, 지진, 화산, 태양의 흑점 폭발 등과 같은 자연 재해 현상을 포함할 수 있으나, 이에 한정되는 것은 아닐 것이다.
예시적으로, 도 4를 참조하면, 복수의 관측점은 제1 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획된 1-1 구역에 속한 관측점 200-1, 200-2, 200-4, 200-6은 1-1 구역과 관련된 속성 정보를 가질 수 있으며, 1-2 구역에 속한 관측점 200-3, 200-5, 200-7은 1-2 구역과 관련된 속성 정보를 가질 수 있다.
여기서, 특정 지점(P)의 소정 시간 후의 기상 상태를 예측함에 있어서, P에서 가장 가까운 관측점(200-4)이 아닌, P가 속한 구역인 1-2 구역에서 가장 가까운 관측점(200-5) 또는 1-2 구역의 관측점들(200-3, 200-5, 00-7)로부터 획득되는 관측 데이터의 지리적 분포 정보 및 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스를 참조로 하여 분석함으로써 P의 소정 시간 후의 기상 상태 W1-2를 예측할 수 있을 것이다.
한편, 복수의 관측점(200)은 제2 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획되는 제2-k 구역 내에 위치한 제2-k-1 내지 제2-k-nk 관측점(200)(k는 1 이상 m 이하의 정수) 정보를 참조로 하여 중복하여 관리될 수 있다.
예시적으로, 도 5를 참조하면 제2 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획된 2-1 구역에 속한 관측점 200-1, 200-3, 200-5는 2-1 구역과 관련된 속성 정보를 1-k 구역과 관련된 속성 정보와 중복하여 가질 수 있으며, 2-2 구역에 속한 관측점 200-2, 200-4, 200-6, 200-7은 2-2 구역과 관련된 속성 정보를 1-k 구역과 관련된 속성 정보와 중복하여 가질 수 있다.
여기서, 특정 지점(P)에 대한 기상 상태를 예측함에 있어서 특정 지점(P)이 위치한 제1-k 구역의 경계 및 특정 지점(P)이 위치한 제2-k 구역의 경계가 서로 일치하지 않는 경우, 프로세서(110)는, 제1 기상 현상 및 제2 기상 현상 중 소정의 시간 전부터 현재 시점까지의 관측 데이터의 지리적 분포 정보 및 관측 데이터의 시간적 추이 정보 중 적어도 하나에 대해 더 큰 영향을 미치는 특정 기상 현상을 참조로 하여, 특정 기상 현상에 따른 구획을 적용하여 특정 지점(P)에 대한 기상 상태를 예측할 수도 있을 것이다.
예시적으로, 제1 기상 현상이 기압의 변화와 관련된 현상이고, 제2 기상 현상이 지진과 관련된 현상일 때, 소정의 시간 전부터 현재 시점까지의 관측 데이터의 지리적 분포 정보 및 관측 데이터의 시간적 추이 정보 중 적어도 하나에 대해 더 큰 영향을 미치는 기상 현상이 기압의 변화이면, 제1 기상 현상에 따른 구획인 1-1 구역 및 1-2 구역을 적용하여, 특정 지점(P)이 속한 1-2 구역의 관측 데이터를 기계학습 데이터베이스를 참조하여 분석함으로써 소정 시간 후의 기상 상태인 W1-2를 예측할 수 있을 것이다.
다른 예로서, 특정 지점(P)이 위치한 제1-k 구역의 경계 및 특정 지점(P)이 위치한 제2-k 구역의 경계가 서로 일치하지 않을 때, 제1 기상 현상 및 제2 기상 현상이 서로 영향을 주고 받는 관계에 있는 경우를 상정할 수 있을 것이다.
이 때, 소정의 시간 전부터 현재 시점까지의 관측 데이터의 지리적 분포 정보 및 시간적 추이 정보 중 적어도 하나에 대해 미치는 영향을 참조로 하여 제1 기상 현상 및 제2 기상 현상의 가중치를 결정하고, 특정 지점(P)이 위치한 제1-k 구역의 예측된 기상 상태의 값 및 특정 지점(P)이 위치한 제2-k 구역의 예측된 기상 상태의 값에 제1 기상 현상 및 제2 기상 현상의 가중치를 이용한 보간법(interpolation)을 적용하여 특정 지점(P)에 대한 기상 상태를 예측할 수 있을 것이다.
예시적으로, 제1 기상 현상의 가중치를 a, 제2 기상 현상의 가중치를 b, 특정 지점(P)에 대하여 제1-k 구역의 예측된 기상 상태의 값을 W1-k, 특정 지점(P)에 대하여 제2-k 구역의 예측된 기상 상태의 값을 W2-k, 특정 지점(P)에 대한 기상 상태 예측 결과값을 WP라고 할 때, 아래와 같은 수식을 이용하여 보간법을 적용할 수 있을 것이다.
Figure PCTKR2018006249-appb-I000001
가령, 제1 기상 현상이 기압의 변화와 관련된 현상이고, 제2 기상 현상이 미세먼지와 관련된 현상일 때, 소정의 시간 전부터 현재 시점까지의 관측 데이터의 지리적 분포 정보 및 시간적 추이 정보 중 적어도 하나에 대해 미치는 영향에 따라 기압 변화의 가중치를 2, 미세먼지의 가중치를 1이라고 결정할 수 있을 것이다. 이 경우 특정 지점(P)에 대한 기상 상태 예측 결과값 WP를 다음과 같이 나타낼 수 있을 것이다.
Figure PCTKR2018006249-appb-I000002
또 다른 예로서, 특정 지점(P)이 위치한 제1-k 구역의 경계 및 특정 지점(P)이 위치한 제2-k 구역의 경계가 서로 일치하지 않는 경우, 제1 기상 현상 및 제2 기상 현상이 서로 영향을 주고 받는 관계에 있으면, 특정 지점(P)과 제1-k 구역의 경계 사이의 거리 값 및 특정 지점(P)과 제2-k 구역의 경계 사이의 거리 값을 참조로 하여 제1 기상 현상 및 제2 기상 현상의 가중치를 결정할 수도 있을 것이다.
예시적으로, 특정 지점(P)과 제1-k 구역의 경계 사이의 최소 거리 값을 a, 특정 지점(P)과 제2-k 구역의 경계 사이의 최소 거리 값을 b로 간주하여 상기 수식에 적용할 수 있을 것이나, 이에 한정되는 것은 아닐 것이다.
이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (22)

  1. 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법에 있어서,
    (a) 기상 위험상황 예측 서버가, 상기 관측점으로부터 측정되는 각각의 상기 관측 데이터를 획득하는 단계; 및
    (b) 상기 기상 위험상황 예측 서버가, 상기 관측 데이터를 상기 관측점의 위치에 대한 정보를 참조로 하여 맵으로서 작성하여 관리하고, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 지리적 분포 정보, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 상기 관측점에서 과거에 측정되었던 참조 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석함으로써, 현재 시점으로부터 소정 시간 후의 상기 특정 지점에 대한 기상 상태를 예측하는 단계;
    를 포함하는 방법.
  2. 제1항에 있어서,
    상기 (b) 단계 이후에,
    (c) 상기 기상 위험상황 예측 서버가, 상기 사용자의 일정 데이터를 참조로 하여, 시간별로 상기 사용자의 상기 이동 경로 상의 상기 특정 지점의 위치를 예측하고 상기 특정 지점에 대하여 예측된 상기 기상 상태에 대한 정보를 상기 특정 지점에 대응되는 시각으로부터 소정 시간 전에 상기 사용자에게 전송하는 단계;를 포함하는 것을 특징으로 하는 방법.
  3. 제2항에 있어서,
    상기 일정 데이터는, 상기 사용자의 현재 위치 정보, 캘린더에 저장된 스케줄 정보, 통신 내역으로부터 획득되는 통신 정보, 과거의 요일 별 또는 위치 별 활동 패턴으로부터 획득되는 활동 정보 중 어느 하나 이상을 참조하는 것을 특징으로 하는 방법.
  4. 제2항에 있어서,
    상기 특정 지점은 상기 이동 경로 상의 구간에 대한 정보를 포함하며,
    상기 기계학습 데이터베이스는, 상기 참조 데이터에 대응되되, 복수의 학습 대상자를 대상으로 학습한 이동 데이터 - 상기 이동 데이터는 상기 학습 대상자 각각이 구간별로 이용했던 이동수단 및 이동시간을 포함함 - 를 더 포함하되,
    상기 (c) 단계에서, 상기 기상 위험상황 예측 서버는, 상기 기계학습 데이터베이스 및 상기 사용자의 상기 예측된 이동 경로를 참조로 하여, 상기 예측된 기상 상태에 따라 상기 사용자에게 상기 이동 경로의 상기 구간별 이동수단을 제안하거나, 일정을 변경할 것을 제안하는 것을 특징으로 하는 방법.
  5. 제1항에 있어서,
    복수의 상기 관측점 중 적어도 일부는, 적어도 하나 이상의 센서 및 응용프로그램이 설치된 사용자 단말을 상기 관측점으로 간주한 이동형 관측점 및 지형지물에 설치될 수 있는 설치형 관측점 중 적어도 하나인 것을 특징으로 하는 방법.
  6. 제1항에 있어서,
    복수의 상기 관측점은 제1 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획되는 제1-k 구역 내에 위치한 제1-k-1 내지 제1-k-nk 관측점(k는 1 이상 m 이하의 정수) 정보를 참조로 하여 관리되며,
    상기 기상 위험상황 예측 서버는, 상기 특정 지점이 위치한 특정 구역에 속한 관측점으로부터 획득되는 상기 관측 데이터의 지리적 분포 정보, 상기 특정 구역에 속한 관측점으로부터 획득되는 상기 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스를 참조로 하여 분석함으로써 현재 시점으로부터 소정 시간 후의 상기 특정 지점에 대한 기상 상태를 예측하는 것을 특징으로 하는 방법.
  7. 제6항에 있어서,
    상기 각 구역의 경계를 구획함에 있어서,
    소정 크기를 갖는 복수의 셀로 구성되는 가상의 그리드로 특정 지역을 구분하고, 상기 복수의 셀 중에서 상기 제1 기상 현상에 영향을 미치는 서로의 위치관계의 관련도가 기설정된 임계치 이상인 것으로 분석되는 특정 셀들을 하나의 구역으로 설정하는 것을 특징으로 하는 방법.
  8. 제6항에 있어서,
    복수의 상기 관측점은 제2 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획되는 제2-k 구역 내에 위치한 제2-k-1 내지 제2-k-nk 관측점(k는 1 이상 m 이하의 정수) 정보를 참조로 하여 중복하여 관리되는 것을 특징으로 하는 방법.
  9. 제8항에 있어서,
    상기 특정 지점에 대한 상기 기상 상태를 예측함에 있어서, 상기 특정 지점이 위치한 상기 제1-k 구역의 경계 및 상기 특정 지점이 위치한 상기 제2-k 구역의 경계가 서로 일치하지 않는 경우,
    상기 제1 기상 현상 및 상기 제2 기상 현상 중 소정의 시간 전부터 현재 시점까지의 상기 관측 데이터의 지리적 분포 정보 및 상기 관측 데이터의 시간적 추이 정보 중 적어도 하나에 대해 더 큰 영향을 미치는 특정 기상 현상을 참조로 하여, 상기 특정 기상 현상에 따른 구획을 적용하여 상기 특정 지점에 대한 상기 기상 상태를 예측하는 것을 특징으로 하는 방법.
  10. 제8항에 있어서,
    상기 특정 지점에 대한 상기 기상 상태를 예측함에 있어서, 상기 특정 지점이 위치한 상기 제1-k 구역의 경계 및 상기 특정 지점이 위치한 상기 제2-k 구역의 경계가 서로 일치하지 않는 경우,
    상기 제1 기상 현상 및 상기 제2 기상 현상이 서로 영향을 주고 받는 관계에 있으면, 소정의 시간 전부터 현재 시점까지의 상기 관측 데이터의 지리적 분포 정보 및 상기 관측 데이터의 시간적 추이 정보 중 적어도 하나에 대해 미치는 영향을 참조로 하여 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 결정하고, 상기 특정 지점이 위치한 상기 제1-k 구역의 상기 예측된 기상 상태의 값 및 상기 특정 지점이 위치한 상기 제2-k 구역의 상기 예측된 기상 상태의 값에 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 이용한 보간법(interpolation)을 적용하여 상기 특정 지점에 대한 상기 기상 상태를 예측하는 것을 특징으로 하는 방법.
  11. 제8항에 있어서,
    상기 특정 지점에 대한 상기 기상 상태를 예측함에 있어서, 상기 특정 지점이 위치한 상기 제1-k 구역의 경계 및 상기 특정 지점이 위치한 상기 제2-k 구역의 경계가 서로 일치하지 않는 경우,
    상기 제1 기상 현상 및 상기 제2 기상 현상이 서로 영향을 주고 받는 관계에 있으면, 상기 특정 지점과 상기 제1-k 구역의 경계 사이의 거리 값 및 상기 특정 지점과 상기 제2-k 구역의 경계 사이의 거리 값을 참조로 하여 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 결정하고, 상기 특정 지점이 위치한 상기 제1-k 구역의 상기 예측된 기상 상태의 값 및 상기 특정 지점이 위치한 상기 제2-k 구역의 상기 예측된 기상 상태의 값에 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 이용한 보간법(interpolation)을 적용하여 상기 특정 지점에 대한 상기 기상 상태를 예측하는 것을 특징으로 하는 방법.
  12. 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 서버에 있어서,
    상기 관측점으로부터 측정되는 각각의 상기 관측 데이터를 획득하는 통신부; 및
    획득된 상기 관측 데이터를 상기 관측점의 위치에 대한 정보를 참조로 하여 맵으로서 작성하여 관리하고, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 지리적 분포 정보, 상기 특정 지점의 주변에 위치한 상기 관측점으로부터 획득되는 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 상기 관측점에서 과거에 측정되었던 참조 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석함으로써, 현재 시점으로부터 소정 시간 후의 상기 특정 지점에 대한 기상 상태를 예측하는 프로세서;
    를 포함하는 서버.
  13. 제12항에 있어서,
    상기 프로세서는, 상기 사용자의 일정 데이터를 참조로 하여, 시간별로 상기 사용자의 상기 이동 경로 상의 상기 특정 지점의 위치를 예측하고 상기 특정 지점에 대하여 예측된 상기 기상 상태에 대한 정보를 상기 특정 지점에 대응되는 시각으로부터 소정 시간 전에 상기 통신부를 통해 상기 사용자에게 전송하는 것을 특징으로 하는 서버.
  14. 제13항에 있어서,
    상기 일정 데이터는, 상기 사용자의 현재 위치 정보, 캘린더에 저장된 스케줄 정보, 통신 내역으로부터 획득되는 통신 정보, 과거의 요일 별 또는 위치 별 활동 패턴으로부터 획득되는 활동 정보 중 어느 하나 이상을 참조하는 것을 특징으로 하는 서버.
  15. 제13항에 있어서,
    상기 특정 지점은 상기 이동 경로 상의 구간에 대한 정보를 포함하며,
    상기 기계학습 데이터베이스는, 상기 참조 데이터에 대응되되, 복수의 학습 대상자를 대상으로 학습한 이동 데이터 - 상기 이동 데이터는 상기 학습 대상자 각각이 구간별로 이용했던 이동수단 및 이동시간을 포함함 - 를 더 포함하되,
    상기 프로세서는, 상기 기계학습 데이터베이스 및 상기 사용자의 상기 예측된 이동 경로를 참조로 하여, 상기 예측된 기상 상태에 따라 상기 통신부를 통해 상기 사용자에게 상기 이동 경로의 상기 구간별 이동수단을 제안하거나, 일정을 변경할 것을 제안하는 것을 특징으로 하는 서버.
  16. 제12항에 있어서,
    복수의 상기 관측점 중 적어도 일부는, 적어도 하나 이상의 센서 및 응용프로그램이 설치된 사용자 단말을 상기 관측점으로 간주한 이동형 관측점 및 지형지물에 설치될 수 있는 설치형 관측점 중 적어도 하나인 것을 특징으로 하는 서버.
  17. 제12항에 있어서,
    복수의 상기 관측점은 제1 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획되는 제1-k 구역 내에 위치한 제1-k-1 내지 제1-k-nk 관측점(k는 1 이상 m 이하의 정수) 정보를 참조로 하여 관리되며,
    상기 프로세서는, 상기 통신부를 통해 상기 특정 지점이 위치한 특정 구역에 속한 관측점으로부터 획득되는 상기 관측 데이터의 지리적 분포 정보, 상기 특정 구역에 속한 관측점으로부터 획득되는 상기 관측 데이터의 시간적 추이 정보 중 적어도 하나를 기계학습 데이터베이스를 참조로 하여 분석함으로써 현재 시점으로부터 소정 시간 후의 상기 특정 지점에 대한 기상 상태를 예측하는 것을 특징으로 하는 서버.
  18. 제17항에 있어서,
    상기 각 구역의 경계를 구획함에 있어서,
    소정 크기를 갖는 복수의 셀로 구성되는 가상의 그리드로 특정 지역을 구분하고, 상기 복수의 셀 중에서 상기 제1 기상 현상에 영향을 미치는 서로의 위치관계의 관련도가 기설정된 임계치 이상인 것으로 분석되는 특정 셀들을 하나의 구역으로 설정하는 것을 특징으로 하는 서버.
  19. 제17항에 있어서,
    복수의 상기 관측점은 제2 기상 현상에 영향을 미치는 요인의 특성에 따라 경계가 구획되는 제2-k 구역 내에 위치한 제2-k-1 내지 제2-k-nk 관측점(k는 1 이상 m 이하의 정수) 정보를 참조로 하여 중복하여 관리되는 것을 특징으로 하는 서버.
  20. 제19항에 있어서,
    상기 특정 지점에 대한 상기 기상 상태를 예측함에 있어서, 상기 특정 지점이 위치한 상기 제1-k 구역의 경계 및 상기 특정 지점이 위치한 상기 제2-k 구역의 경계가 서로 일치하지 않는 경우,
    상기 프로세서는, 상기 제1 기상 현상 및 상기 제2 기상 현상 중 소정의 시간 전부터 현재 시점까지의 상기 관측 데이터의 지리적 분포 정보 및 상기 관측 데이터의 시간적 추이 정보 중 적어도 하나에 대해 더 큰 영향을 미치는 특정 기상 현상을 참조로 하여, 상기 특정 기상 현상에 따른 구획을 적용하여 상기 특정 지점에 대한 상기 기상 상태를 예측하는 것을 특징으로 하는 서버.
  21. 제19항에 있어서,
    상기 특정 지점에 대한 상기 기상 상태를 예측함에 있어서, 상기 특정 지점이 위치한 상기 제1-k 구역의 경계 및 상기 특정 지점이 위치한 상기 제2-k 구역의 경계가 서로 일치하지 않는 경우,
    상기 프로세서는, 상기 제1 기상 현상 및 상기 제2 기상 현상이 서로 영향을 주고 받는 관계에 있으면, 소정의 시간 전부터 현재 시점까지의 상기 관측 데이터의 지리적 분포 정보 및 상기 관측 데이터의 시간적 추이 정보 중 적어도 하나에 대해 미치는 영향을 참조로 하여 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 결정하고, 상기 특정 지점이 위치한 상기 제1-k 구역의 상기 예측된 기상 상태의 값 및 상기 특정 지점이 위치한 상기 제2-k 구역의 상기 예측된 기상 상태의 값에 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 이용한 보간법(interpolation)을 적용하여 상기 특정 지점에 대한 상기 기상 상태를 예측하는 것을 특징으로 하는 서버.
  22. 제19항에 있어서,
    상기 특정 지점에 대한 상기 기상 상태를 예측함에 있어서, 상기 특정 지점이 위치한 상기 제1-k 구역의 경계 및 상기 특정 지점이 위치한 상기 제2-k 구역의 경계가 서로 일치하지 않는 경우,
    상기 프로세서는, 상기 제1 기상 현상 및 상기 제2 기상 현상이 서로 영향을 주고 받는 관계에 있으면, 상기 특정 지점과 상기 제1-k 구역의 경계 사이의 거리 값 및 상기 특정 지점과 상기 제2-k 구역의 경계 사이의 거리 값을 참조로 하여 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 결정하고, 상기 특정 지점이 위치한 상기 제1-k 구역의 상기 예측된 기상 상태의 값 및 상기 특정 지점이 위치한 상기 제2-k 구역의 상기 예측된 기상 상태의 값에 상기 제1 기상 현상 및 상기 제2 기상 현상의 가중치를 이용한 보간법(interpolation)을 적용하여 상기 특정 지점에 대한 상기 기상 상태를 예측하는 것을 특징으로 하는 서버.
PCT/KR2018/006249 2017-06-08 2018-05-31 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법 및 서버 WO2018225985A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/620,199 US11262478B2 (en) 2017-06-08 2018-05-31 Method and server for predicting weather-related dangerous situation at specific point on path of user by referencing separate observation data observed from multiple observation points
EP18813923.2A EP3637360A4 (en) 2017-06-08 2018-05-31 PROCESS AND SERVER FOR PREDICTING A WEATHER-RELATED HAZARD AT A SPECIFIC POINT ON THE PATH OF A USER BY REFERENCING SEPARATE OBSERVATION DATA OBSERVED FROM SEVERAL POINTS OF OBSERVATION

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170071395A KR101805465B1 (ko) 2017-06-08 2017-06-08 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법 및 서버
KR10-2017-0071395 2017-06-08

Publications (1)

Publication Number Publication Date
WO2018225985A1 true WO2018225985A1 (ko) 2018-12-13

Family

ID=60920706

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/006249 WO2018225985A1 (ko) 2017-06-08 2018-05-31 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법 및 서버

Country Status (4)

Country Link
US (1) US11262478B2 (ko)
EP (1) EP3637360A4 (ko)
KR (1) KR101805465B1 (ko)
WO (1) WO2018225985A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102531653B1 (ko) * 2018-02-02 2023-05-11 삼성전자주식회사 경로 정보 제공 방법 및 이를 위한 장치
CN110717608A (zh) * 2018-06-27 2020-01-21 阿里巴巴集团控股有限公司 数据预测方法和数据预测装置
JPWO2022176643A1 (ko) * 2021-02-16 2022-08-25

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4633588B2 (ja) * 2005-09-20 2011-02-16 Ｋｄｄｉ株式会社 気象データ配信装置および局域気象データ配信システムならびに同システムにおける気象データ推定方法
JP2011163788A (ja) * 2010-02-05 2011-08-25 Nec Corp ナビゲーションシステム、方法、及び、プログラム
KR101097947B1 (ko) * 2011-10-19 2011-12-22 대한민국(기상청장) 호우 예측 방법 및 시스템
KR20150001371A (ko) * 2013-06-27 2015-01-06 주식회사 엘지유플러스 기상 정보를 제공하는 단말기 및 그 제어방법 그리고 기상정보 제공시스템
KR20150055355A (ko) * 2013-11-13 2015-05-21 재단법인 한국형수치예보모델개발사업단 비정형 격자를 갖는 수치일기예보모델의 데이터를 일기 관측 지점에 대하여 3차원적으로 내삽하는 방법 및 이를 수행하는 하드웨어 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7546206B1 (en) 2005-06-02 2009-06-09 Wsi, Corporation System and method for suggesting transportation routes
US20150160031A1 (en) * 2012-05-11 2015-06-11 Google Inc. Method and system for maneuver-level contextual filters in directions
US20160232131A1 (en) * 2015-02-11 2016-08-11 Google Inc. Methods, systems, and media for producing sensory outputs correlated with relevant information
US20160334545A1 (en) * 2015-05-12 2016-11-17 Weendy, Inc. System and method for weather data processing in a mobile network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4633588B2 (ja) * 2005-09-20 2011-02-16 Ｋｄｄｉ株式会社 気象データ配信装置および局域気象データ配信システムならびに同システムにおける気象データ推定方法
JP2011163788A (ja) * 2010-02-05 2011-08-25 Nec Corp ナビゲーションシステム、方法、及び、プログラム
KR101097947B1 (ko) * 2011-10-19 2011-12-22 대한민국(기상청장) 호우 예측 방법 및 시스템
KR20150001371A (ko) * 2013-06-27 2015-01-06 주식회사 엘지유플러스 기상 정보를 제공하는 단말기 및 그 제어방법 그리고 기상정보 제공시스템
KR20150055355A (ko) * 2013-11-13 2015-05-21 재단법인 한국형수치예보모델개발사업단 비정형 격자를 갖는 수치일기예보모델의 데이터를 일기 관측 지점에 대하여 3차원적으로 내삽하는 방법 및 이를 수행하는 하드웨어 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3637360A4 *

Also Published As

Publication number Publication date
EP3637360A1 (en) 2020-04-15
US20200200944A1 (en) 2020-06-25
KR101805465B1 (ko) 2017-12-07
US11262478B2 (en) 2022-03-01
EP3637360A4 (en) 2020-10-21

Similar Documents

Publication Publication Date Title
WO2018225985A1 (ko) 복수의 관측점으로부터 측정되는 각각의 관측 데이터를 참조하여 사용자의 이동 경로 상에 위치하는 특정 지점의 기상 위험상황을 예측하는 방법 및 서버
CN106960571B (zh) 道路拥堵瓶颈点确定方法、装置、服务器及存储介质
Lee et al. Robust accessibility: Measuring accessibility based on travelers' heterogeneous strategies for managing travel time uncertainty
Chen et al. Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots
CN103927872A (zh) 一种基于浮动车数据预测多时段行程时间分布的方法
KR101789808B1 (ko) 선박운항지수 예보 장치 및 그 방법
CN110309952B (zh) 一种基于通勤模型的城市就业空间布局优化辅助系统
Duan et al. Bi-level programming model for resource-shared parking lots allocation
CN114519454A (zh) 一种基于游客时空行为模式挖掘的景区客流实时预测方法
Tang et al. Dynamic modeling for noise mapping in urban areas
CN114254840A (zh) 一种数据处理方法、电子设备及存储介质
KR102422300B1 (ko) 도심항공교통의 포트 선정을 위한 기후정보 제공 방법 및 시스템
WO2020138574A1 (ko) 기후 정보 기반의 전기설비 열화 분석 시스템 및 방법
Zhu et al. The impact of dynamic traffic conditions on the sustainability of urban fire service
US20190227112A1 (en) Device, system and method for indicating and predicting a status of an outdoor object
CN115829246A (zh) 行程时间不确定环境下公共交通站点可达性评价方法
JP7030611B2 (ja) エレベータの周囲環境情報提供方法およびエレベータの周囲環境情報提供システム
Zhou et al. Analysis of public transit trip chain of commuters based on mobile phone data and GPS data
Delgado-Enales et al. Improving the urban accessibility of older pedestrians using multi-objective optimization
KR102321509B1 (ko) 동적 배후지 생성 방법 및 그 장치
CN112578479A (zh) 一种基于降水预报的城市内涝告警装置及方法
Kim et al. Method of Selecting the Optimal Location of Barrier-Free Bus Stops Using Clustering
KR20210096740A (ko) 공기질 측정기의 설치 위치를 설계하는 위치 설계 장치 및 방법
Bayen et al. Intelligent transportation systems and infrastructure a series of briefs for smart investments
Aggarwal et al. Data mining techniques for smart mobility—a survey

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: 18813923

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018813923

Country of ref document: EP

Effective date: 20200108