[논문]스마트 워터 그리드(Smart Water Grid) 수자원 분배를 위한 컨텍스트 인지 추천시스템

양청해; 곽경섭

doi:10.12815/kits.2014.13.2.080

스마트 워터 그리드(Smart Water Grid) 수자원 분배를 위한 컨텍스트 인지 추천시스템
Context-aware Recommendation System for Water Resources Distribution in Smart Water Grids 원문보기

韓國ITS學會論文誌 = The journal of the Korea Institute of Intelligent Transportation Systems, v.13 no.2, 2014년, pp.80 - 89

양청해 (인하대학교 정보통신대학원) , 곽경섭 (인하대학교 정보통신공학부)

초록
AI-Helper

본 논문에서는 최종 사용자의 프로파일(profile), 물의 종류 및 네트워크 상태를 고려한 미래의 스마트 워터 그리드에서의 물의 분배를 위한 컨텍스트 인지 추천시스템을 제안한다. 수자원에 대한 최종 사용자의 공통적인 관심사를 근거로 최종 사용자를 각각 다른 공동체로 군집화하기 위한 스펙트럴 군집화 방안을 개발하였다. 수자원에 대한 최종 사용자의 선호도 평가 목록을 얻기 위한 역전파 신경망을 도입하여 설계하였다. 본 방식은 예상 평가가 가장 높은 수자원을 최종 사용자에게 추천토록 하였다. 시뮬레이션의 결과는 제안된 방식이 기존의 추천 방안에 비하여 보다 나은 사용자의 경험을 바탕으로, 추천의 정확도(오차 2.5%이내)를 상당히 개선시킬 수 있음을 보여주었다.

Abstract ▼ AI-Helper

In this paper, we conceive a context-aware recommendations system for water distribution in future smart water grids, with taking the end users' profiles, water types, network conditions into account. A spectral clustering approach is developed to cluster end users into different communities, based on the end users' common interests in water resources. A back-propagation (BP) neural network is designed to obtain the rating list of the end users' preferences on water resources and the water resource with the highest prediction rating is recommended to the end users. Simulation results demonstrate that the proposed scheme achieves the improved accuracy of recommendation within 2.5% errors notably together with a better user experience in contrast to traditional recommendations approaches.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 워터 그리드 내의 최종 사용자에게 완벽한 수자원을 추천하기 위하여 스마트 워터 그리드 네트워크를 위한 새로운 수자원 분배 추천 방식을 제안한다. 최종 사용자의 물 소비 선호도, 물의 품질, 지역 형태 및 그리드 네트워크의 상태와 같은 컨텍스트 정보를 이용하여 최종 사용자를 각각의 다른 네트워크 공동체로 군집화하기 위한 스펙트럴 군집화 방안을 제안하였고, 수자원에 대한 최종 사용자의 선호도 평가 목록을 얻기 위하여 역전파 신경망을 사용하기 위한 새로운 추천 프레임워크를 설계하였다.
본 논문에서는 최종 사용자의 만족도와 물 네트워크 운용의 효율성을 높이기 위한 스마트 워터 그리드의 컨텍스트 인지 정보에 기반한 수자원 분배 추천방식을 제안하였다. 컨텍스트 정보와 함께 최종 사용자의 프로파일을 고려하여 사용자를 스마트 워터 그리드 내의 물 사용 공동체로 군집화하기 위한 새로운 스펙트럴 군집화 방법을 제안하였다.
예측의 정확도가 높고 시간 지연이 낮은 수자원 추천 시스템을 개발하기 위하여 스마트 워터 그리드를 설계 및 구현하였으며, 이로 인하여 공동체에 속한 최종 사용자에게 근사적인 추천을 제공할 수 있다. 본 논문의 핵심 목표는 본 추천방식에서 추천의 정확도를 높이는 것이다. 추천의 정확도를 높이기 위하여 본 논문에서는 수자원에 대한 최종 사용자의 공통적인 관심사를 근거로 최종 사용자를 각각 다른 공동체로 군집화하기 위하여 스펙트럴 군집화 방법을 채택한다.
사용자들의 성향에 따라, 서로 유사한 관심사를 가지는 사용자는 동일한 종류의 수자원을 필요로 할 수 있다. 최종 사용자는 사용자의 물 소비 성향을 고려하여 각기 다른 공동체로 군집화되며, 이는 각기 다른 사용자의 수자원에 대한 요구를 처리하기 위한 방안으로 평가된다.
본 논문의 핵심 목표는 본 추천방식에서 추천의 정확도를 높이는 것이다. 추천의 정확도를 높이기 위하여 본 논문에서는 수자원에 대한 최종 사용자의 공통적인 관심사를 근거로 최종 사용자를 각각 다른 공동체로 군집화하기 위하여 스펙트럴 군집화 방법을 채택한다. 그리고, 최종 사용자의 추가 요청을 예측하기 위하여 콘텐츠 기반으로 획득한 수자원 평가를 역전파 신경망으로 입력한다.

가설 설정

기준 1: 정밀도 값은 추천되는 자원의 양에 대한 사용자가 관심을 가지며 이에 따라 추천되는 수자원의 양의 비율이며, 다음과 같이 주어진다.
기준 2: 회수도는 수집된 관심대상 자원의 양에 대한 추천되는 관심대상 수자원의 양의 비율이며, 다음과 같이 주어진다.
기준 3: 사용자의 만족도 값(score )은 수자원의 용적 Q_sp, 수자원의 인기도Q_pp, 수자원의 품질 Q_qp 및 가중치 S ci에 대한 정도의 합으로 계산되며, 다음과 같이 주어진다.
추천 엔진 모듈은 사용자의 물 소비 파라미터의 피드백에 따라서 수자원을 공동체의 최종 사용자에게 추천한다. 이 모듈에서는 M개 종류의 수자원(신선한 물, 빗물, 바닷물 등)이 자원 서버에 저장되어 있고, N명의 사용자가 공동체 내에 분포되어 있다고 가정한다. 사용자의 프로파일과 물 소비 이력에 근거하여 사용자를 위한 수자원을 선택한다.
인접행렬: 네트워크 내에 N명의 최종 사용자가 있는 것으로 가정하며, Λ을 네트워크 내의 인접행렬이라 정의한다.
공동체를 발견하기 위한 이 새로운 스펙트럴 군집화 방법은 인접행렬과 이득행렬을 구축함으로써 구현된다. 첫째, 스마트 워터 그리드 내에 N명의 사용자가 있는 것으로 가정하고, N명의 사용자를 K개의 공동체로 군집화 하기 위하여 이득 함수 기반의 스펙트럴 군집화 알고리즘을 정의한다. 그 상세한 절차를 하기에 설명한다.

제안 방법

그림 2에서 보는 바와 같이 한 공동체 내의 최종 사용자에게 수자원을 추천하기 위하여 타당한 수자원 추천 시스템 프레임워크를 먼저 설계하고, 프레임워크는 추천 시스템에 새로이 추가되는 요소인 수자원 서버, 추천 엔진 및 공동체를 포함하는 세 개의 부분으로 구성된다.
이와 같은 파라미터를 고려하여, 5개의 입력층 노드, 7개의 은닉층 노드 및 1개의 출력층 노드를 포함하는 역전파 신경망을 설계하였다. 또한, 서로 다른 수자원 추천 시스템에 대하여 일정한 기준을 정하기 어렵기 때문에, 세 개의 평가 기준을 정하여 수자원 추천방식의 품질을 표시하였다. 정밀도 P_r과 회수도(recall) R_c를 포함하는 추천모델의 품질 나타내기 위하여 추천 수자원의 수 N_r과 관심 수자원의 수 N_i를 사용하며, 이는 다음과 같이 정의한다.
수자원 추천을 위하여 역전파 신경망을 개발하였으며, 이는 수자원 평가 예측에 대하여 보다 우수한 성능을 보여주었다. 또한, 서로 다른 시나리오에서 추천의 정확성를 판단하기 위하여 NRC와 MSE의 측면에서 제안 방식의 성능을 평가하였다.
사용자는 시뮬레이션이 시작할 때 시스템에 합류하고 시뮬레이션 종료 시에 시스템을 떠난다. 이와 같은 파라미터를 고려하여, 5개의 입력층 노드, 7개의 은닉층 노드 및 1개의 출력층 노드를 포함하는 역전파 신경망을 설계하였다. 또한, 서로 다른 수자원 추천 시스템에 대하여 일정한 기준을 정하기 어렵기 때문에, 세 개의 평가 기준을 정하여 수자원 추천방식의 품질을 표시하였다.
관련되는 표준 플랫폼과 물 공동체 네트워크내 사용자의 실험 데이터를 이용할 수 없음 고려하여, 본 시뮬레이션에서는 스마트 워터 그리드로 부터 실험 데이터를 얻기 위하여 샘플 방법을 채택한다. 자원 특성, 컨텍스트 인지 정보 (시간, 장소, 활동) 및 워터 그리드 네트워크 상태를 포함하는 세 가지 종류의 컨텍스트 정보를 고려한다. 300개의 컨텍스트 정보 실험 데이터, 공동체 내 50명의 사용자, 그리고 10가지 종류의 수자원이 시뮬레이션의 파라미터로 주어진다.
2) 수자원 평가 예측: 컨텍스트 정보는 베이지안 네트워크(Bayesian network)에 의해 분류된다. 자원의 평가를 예측하기 위하여 역전파 신경망에 의하여 학습하여 예측되며, 역전파 신경망을 설계하였다. 베이즈 네트워크의 주된 아이디어는 분류되지 않은 항목에 대한 현재의 네트워크 상태에서 각 카테고리의 발생확률을 계산하는 것이고, 확률이 가장 높은 항목이 해당 카테고리에 속하는 것으로 분류된다.
여기에서, L은 물 이용 공동체 내의 최종 사용자의 수이며, L = 50이다. 제안된 추천 시스템의 성능을 NRC와 MSE에 대한 시뮬레이션을 통하여 평가하였다. 표 1은 물 종류의 수에 따른 NRC의 값을 제안한 방식과 임의 방식을 비교하였으며, 제안한 방식에 모든 종류의 물에 대하여 개선되었음을 보여준다.
정의된 인접행렬 Λ와 이득행렬 C에 근거하여 그림 3에서 보는 바와 같이 복잡한 네트워크를 두 개의 공동체로 군집화하는 과정은 다음과 같다. 첫째, 이득행렬 C의 최대 고유 값 중에서 주(principal) 고유벡터를 계산하고, 고유벡터 내 주된 요소의 부호에 기반한 네트워크를 두 개의 공동체로 군집화한다. 각각의 공동체는 새로운 스펙트럴 군집화 방법에 의하여 다시 다른 공동체로 분리된다.
본 논문에서는 워터 그리드 내의 최종 사용자에게 완벽한 수자원을 추천하기 위하여 스마트 워터 그리드 네트워크를 위한 새로운 수자원 분배 추천 방식을 제안한다. 최종 사용자의 물 소비 선호도, 물의 품질, 지역 형태 및 그리드 네트워크의 상태와 같은 컨텍스트 정보를 이용하여 최종 사용자를 각각의 다른 네트워크 공동체로 군집화하기 위한 스펙트럴 군집화 방안을 제안하였고, 수자원에 대한 최종 사용자의 선호도 평가 목록을 얻기 위하여 역전파 신경망을 사용하기 위한 새로운 추천 프레임워크를 설계하였다.
본 논문에서는 최종 사용자의 만족도와 물 네트워크 운용의 효율성을 높이기 위한 스마트 워터 그리드의 컨텍스트 인지 정보에 기반한 수자원 분배 추천방식을 제안하였다. 컨텍스트 정보와 함께 최종 사용자의 프로파일을 고려하여 사용자를 스마트 워터 그리드 내의 물 사용 공동체로 군집화하기 위한 새로운 스펙트럴 군집화 방법을 제안하였다. 수자원 추천을 위하여 역전파 신경망을 개발하였으며, 이는 수자원 평가 예측에 대하여 보다 우수한 성능을 보여주었다.

대상 데이터

자원 특성, 컨텍스트 인지 정보 (시간, 장소, 활동) 및 워터 그리드 네트워크 상태를 포함하는 세 가지 종류의 컨텍스트 정보를 고려한다. 300개의 컨텍스트 정보 실험 데이터, 공동체 내 50명의 사용자, 그리고 10가지 종류의 수자원이 시뮬레이션의 파라미터로 주어진다. 사용자는 시뮬레이션이 시작할 때 시스템에 합류하고 시뮬레이션 종료 시에 시스템을 떠난다.

이론/모형

관련되는 표준 플랫폼과 물 공동체 네트워크내 사용자의 실험 데이터를 이용할 수 없음 고려하여, 본 시뮬레이션에서는 스마트 워터 그리드로 부터 실험 데이터를 얻기 위하여 샘플 방법을 채택한다. 자원 특성, 컨텍스트 인지 정보 (시간, 장소, 활동) 및 워터 그리드 네트워크 상태를 포함하는 세 가지 종류의 컨텍스트 정보를 고려한다.
역전파 신경망의 목적은 수자원의 평가를 획득하는 것이므로, 출력층을 위해서는 하나의 노드 만을 설계하였다. 트랜잭션 함수로 시그모이드 (sigmoid) 함수를 채택하였다. 하나의 신경세포에 여러 개의 입력이 있다면, 이러한 입력은 입력 값 x(t)의 가중치 합을 통하여 얻을 수 있다.

성능/효과

1) 수자원에 대한 유사성 산출: 콘텐츠 기반의 추천 시스템은 물 사용 이력에 있어서 수자원에 대하여 유사한 관심을 가지는 최종 사용자에게 수자원을 추천한다. 사용자를 기술하는 파라미터가 n개 있다고 가정하면, 초기 특성에 대한 사용자 i의 선호도 가중치는 w = (w₁,.
결론적으로, 이와 같은 추천방식을 사용하여 M개의 수자원을 학습하고 예측할 수 있으며, 이러한 방식을 통하여 사용자에 대한 자원 추천 수준을 나타내는 예측 자원의 평가 목록을 얻을 수 있다. 또한, 가장 높은 예측 평가를 가지는 수자원을 사용자에게 추천하는 것이 일반적이다.
제안된 시스템의 NRC는 무작위 추천 시스템의 NRC보다 높다. 그림 6은 제안된 시스템의 확장성(scalability)과 수렴도 (convergence)를 보여주며, 이는 본 논문의 추천 시스템이 설계된 역전파 신경망에 대하여 빠른 수렴도와 높은 확장성을 가지고 있다는 것을 시사한다.
예측의 정확도가 높고 시간 지연이 낮은 수자원 추천 시스템을 개발하기 위하여 스마트 워터 그리드를 설계 및 구현하였으며, 이로 인하여 공동체에 속한 최종 사용자에게 근사적인 추천을 제공할 수 있다. 본 논문의 핵심 목표는 본 추천방식에서 추천의 정확도를 높이는 것이다.
그림 7은 추천방식의 예측 성능을 보여준다. 제안된 방식이 수자원을 추천함에 있어서 수자원 평가 예측에 대하여 양호한 성능을 가진다는 것을 나타낸다.
제안된 시스템의 NRC는 무작위 추천 시스템의 NRC보다 높다. 그림 6은 제안된 시스템의 확장성(scalability)과 수렴도 (convergence)를 보여주며, 이는 본 논문의 추천 시스템이 설계된 역전파 신경망에 대하여 빠른 수렴도와 높은 확장성을 가지고 있다는 것을 시사한다.
제안된 추천 시스템의 성능을 NRC와 MSE에 대한 시뮬레이션을 통하여 평가하였다. 표 1은 물 종류의 수에 따른 NRC의 값을 제안한 방식과 임의 방식을 비교하였으며, 제안한 방식에 모든 종류의 물에 대하여 개선되었음을 보여준다.

질의응답

핵심어	질문	논문에서 추출한 답변
	추천 엔진 모듈의 역할은 무엇인가?	추천 엔진 모듈은 사용자의 물 소비 파라미터의 피드백에 따라서 수자원을 공동체의 최종 사용자에게 추천한다. 이 모듈에서는 M개 종류의 수자원(신선한 물, 빗물, 바닷물 등)이 자원 서버에 저장되어 있고, N명의 사용자가 공동체 내에 분포되어 있다고 가정한다.
	스마트 워터 그리드의 기존의 수자원 관리 시스템의 처리 비용이 큰 이유는 무엇인가?	스마트 워터 그리드의 기존의 수자원 관리 시스템은 빈번한 누수와 비효율적인 물의 생산으로 인하여 물의 손실이 크고, 물이 사용되는 곳과 요구되는 품질에 관계없이 물의 품질이 동일하기 때문에 처리 비용이 크다. 당연히, 스마트 워터 그리드 내 최종 사용자들의 수자원에 대한 관심사가 각기 다르기 때문에 다양한 사용자의 관심을 충족시켜 지능적인 워터 그리드를 구축하기 위하여 수자원 추천 시스템이 필요하다.
	스마트 워터 그리드는 어떤 서비스를 제공하기 위하여 설계되었는가?	• 빗물, 재활용수, 바닷물과 같은 수자원을 이용한다. • 수자원의 불균형을 완화하기 위하여 물을 효과적으로 분배, 관리, 운송한다. • 발전된 센서 네트워크를 이용하여 수자원 네트워크의 안정성을 실시간으로 감시한다. • 깨끗한 물을 수자원 네트워크에게 전송한다.

참고문헌 (16)

B. David, C.T. Yin, Y. Zhou, T. Xu, B. Zhang, H. Jin and R. Chalon, "SMART-CITY: Problematics, techniques and case studies," In Proc. of 8th International Conference on Computing Technology and Information Management (ICCM), pp.168-174, Aug. 2012.
Y. He, Y.H. Liu, X.F. Shen and L.F. Mo, "Noninteractive localization of wireless camera sensors with mobile beacon," IEEE Transactions on Mobile Computing, vol. 12 ,no. 2, pp.333-345, Feb. 2013.

상세보기
M.I. Mohamed, W.Y. Wu and M. Moniri, "Power harvesting for smart Sensor networks in monitoring water distribution system," In Proc. Of IEEE Conference on Networking, Sensing and Control, pp.393-398, April 2011.
J. Hayes, K. Tong, D. Diamond, "A wireless sensor network for monitoring water treatment," In Proc. Of IEEE Conference on Sensor Technologies And Applications, pp.514-519, Aug. 2007.
P.Lungaro, Z. Segall and J. Zander, "Predictive and context-based Multimedia content delivery in future cellular networks," In Proc. of IEEE The Vehicular Technology Conference (VTC10), May 2010.
G. Adomavicius and A. Tuzhilin, "Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions," IEEE Trans. Knowledge and Data Engineering, vol. 17, no. 6, pp.739-749, Jan. 2005.
M. Xiao and B. Yan, "Collaborative filtering recommendation algorithm based on shift of users' preferences," In Proc. Of IEEE Business Management and Electronic Information (BMEI), pp.520-523, March 2011.
M. Bjelica, "Towards TV recommender system: experiments with user modeling," IEEE Trans. Consumer Electronics, vol. 56, no. 3, Aug. 2010.
Y.J. Zhang and L.C. Wang, "Some challenges for context-awarere commender systems," In Proc. of IEEE Computer Science and Education(ICCSE), pp.362-365, Aug .2010.
D. Bouneffouf, A. Bouzeghoub and A.L. Gancarski, "Following the user's interests in mobile context-aware recommender systems: the hybrid-egreedy algorithm," In Proc. of IEEE Advanced Information Networking and Applications Workshops (WAINA), pp.657-662, Aug. 2010.
L.J.Li and J. Can, "Complex network community structure of user Behaviors and its' statistical Characteristics," In Proc. Of IEEE Multimedia Information Networking and Security (MINES), pp.366-370, Nov.2010.
M.Y. Wu, "Wi-Fi community area networks enable a connected community, "In Proc of IEEE Frontiers of Mobile and Wireless Communication, pp.671-674, Feb. 2004.
S.Z. Niu, D.L. Wang, S. Feng, and G. Yu, "An improved spectral clustering algorithm for community discovery," In Proc of IEEE Hybrid Intelligent Systems, pp.262-267, Aug. 2009.
D.E. Chen, "The collaborative filtering recommendation algorithm based on BP neural networks," In Proc of IEEE Intelligent Ubiquitous Computing and Education, pp.234-236, May 2009.
Jacques Boudon, "Did you say "Smart Water Grid"?," In Proc. of Smart Water Grid International Conference, TS-15-01, Incheon, 12-14 Nov. 2013.
Kyung Sup Kwak, "Energy Efficient Critical Infrastructure Monitoring System for Wide-area Sensor Network," 20th Water Management Symposium and Exhibition, Session C-5, Jeju, 27-28 Feb. 2012.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증