1 |
1
위치 정보를 획득할 수 있는 센서를 포함하는 스마트 단말에서 수행되는 이동 경로 실시간 예측 방법에 있어서, (a) 복수의 센서부에서 수집된 센싱 데이터의 적어도 일부를 일상 데이터로서 구분하고 시계열적으로 저장하는 단계; (b) 상기 시계열적으로 저장된 일상 데이터에 대하여, 사용자에게 일상적인 패턴으로서 표현될 수 있는 복수의 주요 장소들 및 주요 경로들을 추출하는 단계; (c) 현재 위치, 상기 복수의 주요 장소들 및 주요 경로들 사이의 계층적 연관 관계로 이루어지는 추론 모델을 구성하는 단계; 및 (d) 상기 구성된 추론 모델의 적어도 일부 그래프에 대하여 학습을 수행하고, 학습된 데이터를 기초로 현재 일상 데이터로부터 예측되는 이동 경로 또는 이동 장소를 추출하는 단계;를 포함하는 이동 경로 실시간 예측 방법
|
2 |
2
제1항에 있어서, 상기 (a) 단계는일상 데이터로 분류되는 기준에 따라 수집된 센싱 데이터를 구분하는 단계; 및구분된 일상 데이터에 속하는 센싱 데이터를 소정의 시간 간격마다 시계열적으로 저장하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
3 |
3
제1항에 있어서, 상기 (a) 단계는현재 수집된 일상 데이터를 기초로, 사용자의 현재 행동이 소정의 기 분류된 행동들 중 어느 하나에 속하는지 결정하는 단계;를 더 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
4 |
4
제3항에 있어서, 상기 (c) 단계는현재 위치, 상기 복수의 주요 장소들 및 주요 경로들에 상기 결정된 행동을 더 포함하여, 계층적 연관 관계 및 시계열적 관계로 이루어지는 추론 모델을 구성하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
5 |
5
제1항에 있어서, 상기 (b) 단계는(b-1) 상기 시계열적으로 저장된 일상 데이터에 대하여, 방문 횟수 및 방문 지속 시간을 기초로 복수의 주요 장소를 추출하는 단계; 및(b-2) 상기 추출된 복수의 주요 장소들 간의 또는 주요 장소를 경유하는 주요 경로를 추출하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
6 |
6
제5항에 있어서, 상기 (b-1) 단계는상기 일상 데이터에 대하여 가우시안 혼합 모델 (Gaussian Mixture Model, GMM)을 적용하는 단계; 및상기 GMM이 적용된 데이터에 대하여 방문 횟수 및 방문 지속 시간을 기반으로 주요 장소를 추출하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
7 |
7
제6항에 있어서, 상기 (b-2) 단계는상기 GMM의 가우시안 요소(Gaussian Component)의 시간 순서를 고려하여 궤도를 추출하는 단계; 및상기 추출된 궤도에 대하여 클러스터링을 수행하여 주요 경로를 추출하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
8 |
8
제1항에 있어서, 상기 (c) 단계는현재 위치, 복수의 주요 장소들 및 주요 경로들에 대하여 계층적 연관 관계 및 시계열적 관계를 확정하는 단계; 및k-1 및 k 시점에 대하여 상기 현재 위치, 복수의 주요 장소들 및 주요 경로들 간의 계층적 연관관계를 방향 그래프 모델로서 구성하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
9 |
9
제1항에 있어서, 상기 (c) 단계는현재 위치, 복수의 주요 장소들 및 주요 경로들에 대하여 계층적 연관 관계 및 시계열적 관계를 확정하는 단계; 및상기 확정된 관계들을 기초로 2-TBN(2-Time slice Bayesian Network) 형태의 동적 베이지안 망(Dynamic Bayesian Network)을 구성하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
10 |
10
제1항에 있어서, 상기 (d) 단계는구성된 확률 모델의 구성 요소를 관측 변수 및 그 외의 요소로 구분하는 단계;구분된 두 분류의 요소들에 대하여 서로 상이한 학습 알고리즘을 이용하여 각각 학습을 수행하는 단계; 및상기 각각 학습이 이루어진 확률 모델의 적어도 일부 영역들을 통합하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
11 |
11
제10항에 있어서, 상기 (d) 단계는현재의 주요 장소 및 현재의 주요 경로를 상기 관측 변수로서 설정하는 단계; 및상기 관측 변수를 포함하는 관측 값으로 구성된, 상기 확률 모델의 적어도 일부 그래프에 대해서 MLE(Maximum Likelihood Estimation) 방법을 적용하여 학습하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
12 |
12
제11항에 있어서, 상기 (d) 단계는상기 관측 값으로 구성되지 않은 상기 확률 모델의 나머지 일부 그래프에 대해서 학습 서버에 학습을 요청하는 단계; 및 상기 학습 서버로부터 수신된 학습된 나머지 일부 그래프와 상기 MLE 방법으로 학습된 적어도 일부 그래프를 통합하는 단계;를 포함하는 것을 특징으로 하는 이동 경로 실시간 예측 방법
|
13 |
13
학습 서버와 네트워크를 통하여 연결 가능하고, 위치 정보를 획득할 수 있는 센서를 포함하는 스마트 단말에 있어서, 수집된 센싱 데이터를 소정의 분류에 따라 일상 데이터로 구분하여 분류하여 시계열적으로 저장하는 센싱 데이터 처리부;방문 횟수 및 방문 지속 시간을 이용하여 상기 일상 데이터로부터 상기 스마트 단말의 사용자에 대한 복수의 주요 장소들을 추출하는 주요 장소 추출부;상기 복수의 주요 장소들 간의 또는 적어도 하나의 주요 장소를 경유하는 주요 경로를 추출하는 주요 경로 추출부; 및현재 위치, 상기 복수의 주요 장소들 및 주요 경로들 사이의 계층적 연관 관계 및 시계열적 관계를 반영하여 추론 그래프 모델을 구성하는 추론 모델 구성부;를 포함하는 스마트 단말
|
14 |
14
제13항에 있어서, 상기 스마트 단말은 현재 수집되는 일상 데이터를 이용하여, 사용자의 현재 행동이 소정의 분류된 행동들 중 어느 하나에 속하는 지를 인식하는 행동 인식부를 더 포함하고, 상기 추론 모델 구성부는 상기 현재 위치, 상기 복수의 주요 장소들 및 주요 경로들에 사용자의 행동을 더 포함하여 층적 연관 관계 및 시계열적 관계를 반영하여 추론 그래프 모델을 구성하는 것을 특징으로 하는 스마트 단말
|
15 |
15
제13항에 있어서, 상기 스마트 단말은 구성된 확률 모델의 구성 요소를 관측 변수 및 그 외의 요소로 구분하고, 구분된 두 분류의 요소들에 대하여 서로 상이한 학습 알고리즘을 이용하여 각각 학습을 수행하는 학습부;를 더 포함하는 것을 특징으로 하는 스마트 단말
|
16 |
16
제15항에 있어서, 상기 학습부는현재의 주요 장소 및 현재의 주요 경로를 관측 변수로서 설정하고, 상기 관측 변수를 포함하는 관측 값으로 구성된 상기 확률 모델의 적어도 일부 그래프에 대해서 MLE(Maximum Likelihood Estimation) 방법을 적용하여 학습하며, 상기 관측 값으로 구성되지 않은 상기 확률 모델의 나머지 일부 그래프에 대해서 상기 학습 서버에 학습을 요청하는 것 을 특징으로 하는 스마트 단말
|