본 연구에서는 공간빅데이터의 개념과 특징을 정의하고 데이터에 대한 통찰력을 높일 수 있는 정보 시각화 방법론을 조사하였다. 또한 시각화 과정에서 발생할 수 있는 문제점 및 해결방법을 제시하였다. 공간빅데이터를 공간정보의 정량적인 확장의 결과와 빅데이터의 정성적인 확장의 결과로 정의하였다. 공간빅데이터는 6V(Volume, Variety, Velocity, Value, Veracity, Visualization)의 특징을 갖고 있으며, 최근 활용 서비스 측면이 이슈화 되면서 공간빅데이터에 대한 통찰력을 제공하여 데이터의 활용 가치를 높이기 위해 공간빅데이터의 시각화가 주목받고 있다. 정보 시각화의 방법은 Matthias, Ben, 정보디자인교과서 등을 통하여 다양한 방법으로 정의 되어 있으나 공간빅데이터의 시각화는 방대한 양의 원시 데이터를 대상으로 하기 때문에 데이터의 조직화 과정을 거쳐야 하며 이를 통해 사용자에게 전달하려는 정보를 추출해야 하는 차이점이 있다. 추출된 정보는 특성에 따른 적합한 시각적 표현 방법을 사용해야 하며, 많은 양의 데이터를 시각적으로 표현하는 것은 사용자에게 정확한 정보를 제공 할 수 없으므로 필터링, 샘플링, 데이터 비닝, 클러스터링 등을 이용하여 데이터를 축소하여 표현하는 방법이 필요하다.
본 연구에서는 공간빅데이터의 개념과 특징을 정의하고 데이터에 대한 통찰력을 높일 수 있는 정보 시각화 방법론을 조사하였다. 또한 시각화 과정에서 발생할 수 있는 문제점 및 해결방법을 제시하였다. 공간빅데이터를 공간정보의 정량적인 확장의 결과와 빅데이터의 정성적인 확장의 결과로 정의하였다. 공간빅데이터는 6V(Volume, Variety, Velocity, Value, Veracity, Visualization)의 특징을 갖고 있으며, 최근 활용 서비스 측면이 이슈화 되면서 공간빅데이터에 대한 통찰력을 제공하여 데이터의 활용 가치를 높이기 위해 공간빅데이터의 시각화가 주목받고 있다. 정보 시각화의 방법은 Matthias, Ben, 정보디자인교과서 등을 통하여 다양한 방법으로 정의 되어 있으나 공간빅데이터의 시각화는 방대한 양의 원시 데이터를 대상으로 하기 때문에 데이터의 조직화 과정을 거쳐야 하며 이를 통해 사용자에게 전달하려는 정보를 추출해야 하는 차이점이 있다. 추출된 정보는 특성에 따른 적합한 시각적 표현 방법을 사용해야 하며, 많은 양의 데이터를 시각적으로 표현하는 것은 사용자에게 정확한 정보를 제공 할 수 없으므로 필터링, 샘플링, 데이터 비닝, 클러스터링 등을 이용하여 데이터를 축소하여 표현하는 방법이 필요하다.
In this study, define the concept of spatial big data and special feature of spatial big data, examine information visualization methodology for increase the insight into the data. Also presented problems and solutions in the visualization process. Spatial big data is defined as a result of quantita...
In this study, define the concept of spatial big data and special feature of spatial big data, examine information visualization methodology for increase the insight into the data. Also presented problems and solutions in the visualization process. Spatial big data is defined as a result of quantitative expansion from spatial information and qualitative expansion from big data. Characteristics of spatial big data id defined as 6V (Volume, Variety, Velocity, Value, Veracity, Visualization), As the utilization and service aspects of spatial big data at issue, visualization of spatial big data has received attention for provide insight into the spatial big data to improve the data value. Methods of information visualization is organized in a variety of ways through Matthias, Ben, information design textbook, etc, but visualization of the spatial big data will go through the process of organizing data in the target because of the vast amounts of raw data, need to extract information from data for want delivered to user. The extracted information is used efficient visual representation of the characteristic, The large amounts of data representing visually can not provide accurate information to user, need to data reduction methods such as filtering, sampling, data binning, clustering.
In this study, define the concept of spatial big data and special feature of spatial big data, examine information visualization methodology for increase the insight into the data. Also presented problems and solutions in the visualization process. Spatial big data is defined as a result of quantitative expansion from spatial information and qualitative expansion from big data. Characteristics of spatial big data id defined as 6V (Volume, Variety, Velocity, Value, Veracity, Visualization), As the utilization and service aspects of spatial big data at issue, visualization of spatial big data has received attention for provide insight into the spatial big data to improve the data value. Methods of information visualization is organized in a variety of ways through Matthias, Ben, information design textbook, etc, but visualization of the spatial big data will go through the process of organizing data in the target because of the vast amounts of raw data, need to extract information from data for want delivered to user. The extracted information is used efficient visual representation of the characteristic, The large amounts of data representing visually can not provide accurate information to user, need to data reduction methods such as filtering, sampling, data binning, clustering.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
공간빅데이터의 활용에 많은 사람들이 관심을 갖지만 다양한 개념이 혼재된 특성으로 인해 데이터에 대한 배경 지식이 없이는 모든 사람들이 원하는 결과를 얻기는 힘들다. 따라서 공간빅데이터의 정보 시각화를 통해 데이터에 대한 통찰력을 얻는 것이 비즈니스 모델에 활용하기 위해 필요하다고 제시 하였다. 공간빅데이터를 시각 화하기 위해서는 데이터의 유의미한 정보를 추출하기 위한 조직화 과정을 거쳐야 하며 데이터를 정보화 하고 정보 전달을 위해 적합한 시각적 표현과 방대한 양의 데이터를 시각적 표현하기 위한 데이터 축소 방법을 찾아야 한다.
본 연구에서는 공간빅데이터의 활용을 위해 데이터에 대한 통찰력이 필요하며, 이를 높이기 위한 방법으로 정보 시각화 방법론을 제시하고 공간빅데이터의 정보 시각화에 적합한 여러 형태의 방법론을 조사 정리 하고자 하였다. 공간빅데이터를 활용하기 위해서는 저장･관리･분석 측면의 특성 뿐 만 아니라 활용･서비스 측면의 특성을 고려해야 한다.
시각화는 다양한 유형으로 구분 되지만 모든 시각화는 다양한 의미가 혼재된 데이터에서 사용자가 원하는 의미를 정확하고 효율적이며 명확하게 전달하기 위한 시각적 표현이다. 시각화의 목표는 사용자가 잘 이해할 수 있도록 분석하고, 탐색하고, 검색하고, 설명하고, 정보를 전달할 수 있는 환경을 제공하여 데이터에 대한 통찰력을 갖게 해주는 것이다. 마찬가지로 공간빅데이터의 시각화는 위치정보를 중심으로 기록된 다양한 데이터에서 의미 있는 정보를 사용자가 이해하기 쉬운 시각적 표현을 통해 전달하기위한 방법 및 과정으로 정의 할 수 있다.
공간빅데이터를 시각 화하기 위해서는 데이터의 유의미한 정보를 추출하기 위한 조직화 과정을 거쳐야 하며 데이터를 정보화 하고 정보 전달을 위해 적합한 시각적 표현과 방대한 양의 데이터를 시각적 표현하기 위한 데이터 축소 방법을 찾아야 한다. 이에 본 논문에서는 공간빅데이터를 정의하고 정보 시각화 방법론 중 공간빅데이터의 정보 시각화에 적합한 시각화 방법론을 정리하였으며, 시각적 표현 단계에서 발생할 수 있는 문제점을 살펴보고 이를 해결하기 위한 방법을 정리 하였다. 이를 바탕으로 SNS 데이터를 활용하여 위치와 비율의 서로 다른 유형의 정보를 함축적으로 표현하여 시각화 하는 사례를 제시 하였다.
이에 본 연구에서는 공간빅데이터 대한 정의를 정리하고 공간빅데이터를 시각하기 위한 정보시각화 방법을 조사 하였으며, 공간빅데이터 시각화에 정합한 시각화 방법을 정리 하였다. 또한 시각화 과정에서 발생할 수 있는 문제점과 해결 방법을 정리 하였다.
제안 방법
Ben은 시각화의 방법을 정보획득(Acquire), 분석(Parse), 선별(Filter), 마이닝(Mine), 표현(Represent), 개선(Refine), 상호작용(Interact)의 7단계로 제시하였다[11]. 7단계는 다양한 데이터 저장 수단으로부터 데이터를 획득, 데이터가 갖는 의미에 따라 구조화 및 재분류, 필요한 데이터만 필터링하여 정리, 데이터에서 의미 있는 정보를 추출하기 위해 통계분석 및 데이터 마이닝 등을 적용하고, 사용자에게 정보를 전달하기 위해 바, 그래프, 리스트, 트리와 같은 시각적 표현 방법을 적용하여 전달하려는 정보를 좀 더 시각적으로 명확하게 전달하기 위해 시각적 표현 방법을 개선하고, 사용자에게 상호작용을 통해 정보를 탐색할 수 있는 환경을 제공하는 단계로 구분 하였다. Matthias는 효과적인 시각화를 위한 방법을 질문 만들기(Formulate the question), 데이터 수집하기(Gather the data), 시각적 표현 적용하기(Apply a visual representation)의 3가지 핵심 단계로 정리하였다[12].
SNS (Social Network Service)상에 사용자 남긴 메시지 중 지오태깅(Geotagging) 기능을 통해 사용자의 작성 위치정보가 포함된 메시지를 활용하여 서울시 행정구역에 따른 SNS 사용량을 확인하고 각 행정구역별 SNS 종류별 비율을 살펴보기 위해 앞서 정의한 공간빅데이터 정보 시각화 방법을 통하여 정보 시각화를 진행 하였다. Open API를 통하여 트위터, 인스타 그램, 유튜브의 국내 사용자가 2015년 7월 5일 부터 8월 5일 까지 작성한 메시지 중 지오태깅(Geotagging) 기능을 사용하여 작성자의 위치 정보가 포함된 메시지를 수집 하였다.
위치정보는 Vworld의 지도서비스를 배경맵으로 활용하고 서울시의 구에 해당하는 행정경계를 중첩하여 SNS의 지역별 분포 정보를 Figure 10과 같이 시각화하였다. SNS의 종류 정보는 SNS의 유형에 따라 색으로 구분하여 표현 하였다. 하지만 Figure 10은 좁은 공간 상에 표현해야 할 SNS 위치 정보가 중복되어 사용자가 정보를 얻기 어려운 부분이 있다.
데이터 조직화 과정을 거쳐 원시 데이터로부터 위치정보와 함께 SNS의 종류 정보를 구조화 하였다. 위치정보는 Vworld의 지도서비스를 배경맵으로 활용하고 서울시의 구에 해당하는 행정경계를 중첩하여 SNS의 지역별 분포 정보를 Figure 10과 같이 시각화하였다.
첫째, 공간빅데이터의 정의와 특성을 정리하고 공간빅데이터 시각화의 중요성을 설명한다. 둘째, 다양한 시각화 방법을 조사하고 각 시각화 방법의 차이와 함께 공간빅데이터에 중요한 시각화 단계를 설명하여 적합한 시각화 방법을 정리 한다. 셋째, 공간빅데이터의 특성으로 인해 발생할 수 있는 문제점을 제기하고 이를 해결하기 위한 방법을 제시한다.
이에 본 연구에서는 공간빅데이터 대한 정의를 정리하고 공간빅데이터를 시각하기 위한 정보시각화 방법을 조사 하였으며, 공간빅데이터 시각화에 정합한 시각화 방법을 정리 하였다. 또한 시각화 과정에서 발생할 수 있는 문제점과 해결 방법을 정리 하였다.
둘째, 다양한 시각화 방법을 조사하고 각 시각화 방법의 차이와 함께 공간빅데이터에 중요한 시각화 단계를 설명하여 적합한 시각화 방법을 정리 한다. 셋째, 공간빅데이터의 특성으로 인해 발생할 수 있는 문제점을 제기하고 이를 해결하기 위한 방법을 제시한다.
Open API를 통하여 트위터, 인스타 그램, 유튜브의 국내 사용자가 2015년 7월 5일 부터 8월 5일 까지 작성한 메시지 중 지오태깅(Geotagging) 기능을 사용하여 작성자의 위치 정보가 포함된 메시지를 수집 하였다. 수집된 데이터는 사용자, 텍스트, 사진 및 동영상, 조회횟수, 태그, 작성 시간 등의 정보를 포함하고 있으며, 시각화 목적에 맞는 데이터를 남기고 나머지 데이터는 정리하여 위치정보를 중심으로 Figure 9와 같이 데이터를 재배열 하여 구조화 하였다.
이에 본 논문에서는 공간빅데이터를 정의하고 정보 시각화 방법론 중 공간빅데이터의 정보 시각화에 적합한 시각화 방법론을 정리하였으며, 시각적 표현 단계에서 발생할 수 있는 문제점을 살펴보고 이를 해결하기 위한 방법을 정리 하였다. 이를 바탕으로 SNS 데이터를 활용하여 위치와 비율의 서로 다른 유형의 정보를 함축적으로 표현하여 시각화 하는 사례를 제시 하였다.
정보디자인교과서에 비해 Ben은 데이터 조직화 단계를 세분화 하여 정보획득, 분석, 선별, 마이닝으로 세분화 하였다. 조직화된 데이터는 시각적 표현 방법을 이용하여 시각화 하며 사용자와 상호작용 할 수 있는 전달 방식을 이용하여 시각적 표현을 개선하는 단계를 거쳐 최종적으로 정보를 전달하기 위한 시각화 프로세스를 구성 하였다.
대상 데이터
SNS (Social Network Service)상에 사용자 남긴 메시지 중 지오태깅(Geotagging) 기능을 통해 사용자의 작성 위치정보가 포함된 메시지를 활용하여 서울시 행정구역에 따른 SNS 사용량을 확인하고 각 행정구역별 SNS 종류별 비율을 살펴보기 위해 앞서 정의한 공간빅데이터 정보 시각화 방법을 통하여 정보 시각화를 진행 하였다. Open API를 통하여 트위터, 인스타 그램, 유튜브의 국내 사용자가 2015년 7월 5일 부터 8월 5일 까지 작성한 메시지 중 지오태깅(Geotagging) 기능을 사용하여 작성자의 위치 정보가 포함된 메시지를 수집 하였다. 수집된 데이터는 사용자, 텍스트, 사진 및 동영상, 조회횟수, 태그, 작성 시간 등의 정보를 포함하고 있으며, 시각화 목적에 맞는 데이터를 남기고 나머지 데이터는 정리하여 위치정보를 중심으로 Figure 9와 같이 데이터를 재배열 하여 구조화 하였다.
이론/모형
데이터의 양을 축소시키기 위한 방법으로 데이터 조직화 단계에서 주로 사용되는 필터링과 샘플링(Filtering & Sampling) 방법, 데이터를 정해진 구간으로 묶는 데이터 비닝 (Data Binning), 데이터의 유사성을 기준으로 그룹화하는 클러스터링(Clustering) 방법을 사용한다.
성능/효과
Figure 11은 각 서울시의 구를 기준으로 하여 각 구에 포함된 SNS 데이터의 총 건수를 숫자로 나타내고 있으며, 파이 차트는 해당 구의 SNS 데이터의 총 건수에서 트위터, 인스타그램, 유튜브가 차지 하는 비율을 보여주고 있다. 이를 통하여 지오태깅 (Geotagging)된 SNS 데이터로 범위로 한정하였을 때 서울시내에서 종로구, 중구, 마포구, 강남구의 SNS 사용량이 많으며, 중구를 제외한 나머지 지역에서 트위터의 사용 비율이 인스타그램과 유튜부의 사용 비율보다 높음을 확인 할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
공간빅데이터란 무엇인가?
또한 시각화 과정에서 발생할 수 있는 문제점 및 해결방법을 제시하였다. 공간빅데이터를 공간정보의 정량적인 확장의 결과와 빅데이터의 정성적인 확장의 결과로 정의하였다. 공간빅데이터는 6V(Volume, Variety, Velocity, Value, Veracity, Visualization)의 특징을 갖고 있으며, 최근 활용 서비스 측면이 이슈화 되면서 공간빅데이터에 대한 통찰력을 제공하여 데이터의 활용 가치를 높이기 위해 공간빅데이터의 시각화가 주목받고 있다.
공간빅데이터의 특징은 무엇인가?
공간빅데이터를 공간정보의 정량적인 확장의 결과와 빅데이터의 정성적인 확장의 결과로 정의하였다. 공간빅데이터는 6V(Volume, Variety, Velocity, Value, Veracity, Visualization)의 특징을 갖고 있으며, 최근 활용 서비스 측면이 이슈화 되면서 공간빅데이터에 대한 통찰력을 제공하여 데이터의 활용 가치를 높이기 위해 공간빅데이터의 시각화가 주목받고 있다. 정보 시각화의 방법은 Matthias, Ben, 정보디자인교과서 등을 통하여 다양한 방법으로 정의 되어 있으나 공간빅데이터의 시각화는 방대한 양의 원시 데이터를 대상으로 하기 때문에 데이터의 조직화 과정을 거쳐야 하며 이를 통해 사용자에게 전달하려는 정보를 추출해야 하는 차이점이 있다.
공간 데이터 활용을 위한 공간빅데이터 시각화 과정은 어떻게 되는가?
공간빅데이터 시각화 과정에서 고려해야 할 문제점과 시각화 프로세스를 정리하기 위하여 본 연구에서 다음과 같은 방법을 수행한다. 첫째, 공간빅데이터의정의와 특성을 정리하고 공간빅데이터 시각화의 중요성을 설명한다. 둘째, 다양한 시각화 방법을 조사하고각 시각화 방법의 차이와 함께 공간빅데이터에 중요한 시각화 단계를 설명하여 적합한 시각화 방법을 정리 한다. 셋째, 공간빅데이터의 특성으로 인해 발생할수 있는 문제점을 제기하고 이를 해결하기 위한 방법을 제시한다.
참고문헌 (16)
Ahn, C. W; Hwang, S. K. 2012, Big Data Technologies and Main Issues, Communications of The Korea Science Society, 30(6):10-17.
Manyika, J; Chui, M; Brown, B; Bughin, J; Dobbs, R; Roxburgh, C; Byers, A. H. 2011, Big data: The next frontier for innovation, competition, and productivity, McKinsey Global Institute.
Kim, J. S. 2012, Big data Utilization and related Technique and Technology Analysis, The Korea Contents Association Review, 10(1):34-40.
Kim, D. J. 2013, Smart and Trusted Government Implementation using Spatial Big Data, KRIHS Monthly Magazine, 379:12-18.
Kim, D. H; Kim, E. B. 2014, Spatial Big Data Analysis and Apply for citizen-feeling National and Urban Policy, KRIHS Policy Brief, 496:1-8
Shekhar, S; Gunturi, V; Evans, M. R; Yang, K. 2012, Spatial big-data challenges intersecting mobility and cloud computing, In Proceedings of the Eleventh ACM International Workshop on Data Engineering for Wireless and Mobile Access, 1-6.
Ahn, J. W; Yi, M. S; Shin, D. B. 2013, Study for Spatial Big Data Concept and System Building, Journal of Korea Spatial Information Society 21(5):43-51.
Geo-Spatial Big Data Research Group, Accessed October 29. http://geosbigdata.re.kr
Rho, S. M; Choi, Y. S. 2014, Analysis of Big Data Visualization Technology Based on Patent Analysis, Journal of the Institute of Electronics and Information Engineers, 51(7):149-154.
Khan, M; Khan, S. S. 2011, Data and Information Visualization Methods, and Interactive Mechanisms: A Survey, International Journal of computer Applications, 34(1):1-12.
Ben, F. 2007, Visualizing Data: Exploring and Explaining Data with the Processing Environment, O'Reilly Media.
Julie, S; Noah, L. 2010, Beautiful Visualization, O'Reilly Media.
Oh, B. K; Kang, S. J. 2008, Textbook of Information Design, ahn graphics publishers.
Lee, J. S. 2013, A Study on Visual Representations for Information Design based on Big Data, Korean Society of Design Science, 14(3):261-269.
OH, J. H; Kim, D. J; Kim, J. D. 2014, Big data visualization methods and visualization process, Korea Multimedia Society, 18(1):24-31.
Liu, Z; Jiang, B; Heer, J. 2013, imMens: Realtime Visual Querying of Big Data, In Computer Graphics Forum, 32(3):421-430.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.