Internet of Things(IoT) 기술이 발전하면서 다양한 IoT 기기들을 이용하여 사용자의 편의성을 높이기 위한 서비스가 늘어나고 있다. 또한, IoT 센서가 다양해지고 가격이 낮아지고 있어서 다양한 데이터를 수집 및 활용하여 서비스를 제공하는 사업자도 증가하는 추세이다. 스마트 IoT 홈 시스템은 IoT 기기를 이용하여 사용자의 편의성을 향상하는 대표적인 활용 사례이다. 본 논문에서는 스마트 IoT 홈 시스템의 사용자 편의성을 향상하기 위하여 데이터를 분석하여 연관 기기의 제어를 위한 방법을 제안한다. 스마트 IoT 홈 시스템의 센서에서 수집한 내부 환경 측정 데이터, 기기 제어 엑츄에이터에서 수집한 데이터 및 사용자의 판단 데이터를 학습하여 현재 홈 내부 상태를 분석하고 기기 제어 방법을 결정한다. 특히 기존 기술들과 다르게 최신 딥 러닝 기반의 심층 신경망을 도입하여 데이터를 분석하여 홈 내부 상태를 판단하고 최적의 홈 내부 환경 유지를 위한 정보를 제공한다. 실험에서는 실제 장기간 측정한 데이터와 추론 결과를 비교하여 제안한 방법의 판별 성능에 대한 분석을 수행하였다.
Internet of Things(IoT) 기술이 발전하면서 다양한 IoT 기기들을 이용하여 사용자의 편의성을 높이기 위한 서비스가 늘어나고 있다. 또한, IoT 센서가 다양해지고 가격이 낮아지고 있어서 다양한 데이터를 수집 및 활용하여 서비스를 제공하는 사업자도 증가하는 추세이다. 스마트 IoT 홈 시스템은 IoT 기기를 이용하여 사용자의 편의성을 향상하는 대표적인 활용 사례이다. 본 논문에서는 스마트 IoT 홈 시스템의 사용자 편의성을 향상하기 위하여 데이터를 분석하여 연관 기기의 제어를 위한 방법을 제안한다. 스마트 IoT 홈 시스템의 센서에서 수집한 내부 환경 측정 데이터, 기기 제어 엑츄에이터에서 수집한 데이터 및 사용자의 판단 데이터를 학습하여 현재 홈 내부 상태를 분석하고 기기 제어 방법을 결정한다. 특히 기존 기술들과 다르게 최신 딥 러닝 기반의 심층 신경망을 도입하여 데이터를 분석하여 홈 내부 상태를 판단하고 최적의 홈 내부 환경 유지를 위한 정보를 제공한다. 실험에서는 실제 장기간 측정한 데이터와 추론 결과를 비교하여 제안한 방법의 판별 성능에 대한 분석을 수행하였다.
Services that enhance user convenience by using various IoT devices are increasing with the development of Internet of Things(IoT) technology. Also, since the price of IoT sensors has become cheaper, companies providing services by collecting and utilizing data from various sensors are increasing. T...
Services that enhance user convenience by using various IoT devices are increasing with the development of Internet of Things(IoT) technology. Also, since the price of IoT sensors has become cheaper, companies providing services by collecting and utilizing data from various sensors are increasing. The smart IoT home system is a representative use case that improves the user convenience by using IoT devices. To improve user convenience of Smart IoT home system, this paper proposes a method for the control of related devices based on data analysis. Internal environment measurement data collected from IoT sensors, device control data collected from device control actuators, and user judgment data are learned to predict the current home state and control devices. Especially, differently from previous approaches, it uses deep neural network to analyze the data to determine the inner state of the home and provide information for maintaining the optimal inner environment. In the experiment, we compared the results of the long-term measured data with the inferred data and analyzed the discrimination performance of the proposed method.
Services that enhance user convenience by using various IoT devices are increasing with the development of Internet of Things(IoT) technology. Also, since the price of IoT sensors has become cheaper, companies providing services by collecting and utilizing data from various sensors are increasing. The smart IoT home system is a representative use case that improves the user convenience by using IoT devices. To improve user convenience of Smart IoT home system, this paper proposes a method for the control of related devices based on data analysis. Internal environment measurement data collected from IoT sensors, device control data collected from device control actuators, and user judgment data are learned to predict the current home state and control devices. Especially, differently from previous approaches, it uses deep neural network to analyze the data to determine the inner state of the home and provide information for maintaining the optimal inner environment. In the experiment, we compared the results of the long-term measured data with the inferred data and analyzed the discrimination performance of the proposed method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 스마트 IoT 홈 시스템에서 발생하는 데이터를 이용하여 사용자에게 편의성을 제공하기 위하여 홈 내부 상태를 판단하고 판단된 결과에 따라 사용자에게 맞는 환경을 제공하기 위하여 기기 제어 판단을 위한 분석 기술 및 시스템을 제안하였다. 가장 기본적인 홈 내부 데이터를 활용 하여 쉽게 수집 가능한 수치형 데이터를 활용하여 홈 내부 상태를 최적화 할 수 있는 방안을 연구하였다. 특히, 홈 내부상태 판단 및 기기 제어 정보 제공을 위하여 심층 신경망을 이용하였다.
본 논문에서는 IoT 센서 데이터를 이용해 홈 내부 상태 분석을 위해 심층 신경망(DNN)을 활용한 방법을 연구하였다. 본 연구에서 다루는 데이터의 형태는 수치형 데이터를 기반으로 하며, 수치형 데이터의 경우 머신 러닝 기법에서 일부 다루고 있으나 복잡한 수식을 적용해야 하고 단편적인 시점에 대해서만 판단을 내리기 때문에 본 연구에 적용하는 것에 무리가 있다.
본 논문에서는 스마트 IoT 홈 시스템에서 발생하는 데이터를 이용하여 사용자에게 편의성을 제공하기 위하여 홈 내부 상태를 판단하고 판단된 결과에 따라 사용자에게 맞는 환경을 제공하기 위하여 기기 제어 판단을 위한 분석 기술 및 시스템을 제안하였다. 가장 기본적인 홈 내부 데이터를 활용 하여 쉽게 수집 가능한 수치형 데이터를 활용하여 홈 내부 상태를 최적화 할 수 있는 방안을 연구하였다.
본 논문에서는 홈 내부에 설치된 스마트 IoT 시스템을 통해 쉽게 수집 가능한 데이터를 바탕으로 DNN(Deep Neural Network)을 이용해 사용자의 상태를 판단함과 동시에 구축된 플랫폼을 통해 사용자가 디바이스를 제어할 수 있도록 정보를 제공하거나 분석된 상태 판단을 통해 스스로 제어할 수 있도록 하는 기반 분석 기법에 대하여 제안한다. 스마트 IoT 홈 시스템을 통해 홈 내부 상태 정보인 온도, 조도, 습도, 먼지 농도에 관한 수치형 데이터를 수집한다.
가설 설정
정보를 전달받은 IoT 게이트웨이는 연결된 기기 On/Off 엑츄에이터에 정보를 전달하여 기기를 제어한다. 기기 제어와 함께 데이터베이스에 홈 내부 상태 판단 결과 및 기기 제어 정보를 전달하여 데이터를 저장하고 관리한다.
심층 신경망 모형 정립을 위해 각 환경 측정 데이터간의 연관성을 가정한다. 데이터 간의 연관성을 가정한 정보는 Table 3과 같다.
제안 방법
본 연구에서 다루는 데이터의 형태는 수치형 데이터를 기반으로 하며, 수치형 데이터의 경우 머신 러닝 기법에서 일부 다루고 있으나 복잡한 수식을 적용해야 하고 단편적인 시점에 대해서만 판단을 내리기 때문에 본 연구에 적용하는 것에 무리가 있다. 본 연구에서는 이전의 사용자가 행동이 어떠한 시점에서 이루어졌는지는 바탕으로 하고 단순한 수치형 데이터를 처리함으로써 복잡한 연산을 줄이고 내부 환경 변화에 따라 판단 결과 또한 바뀌어야 하기 때문에 단순한 심층 신경망의 적용을 통해 수치형 데이터를 처리하여 홈 내부 상태를 판단하기 위하여 환경 측정 센서에서 수집한 환경 측정 데이터, 실제 사용자가 느끼는 정보를 이용해 심층 신경망을 구성하여 홈 내부 상태를 판단한다.
스마트 IoT 홈 시스템을 통해 홈 내부 상태 정보인 온도, 조도, 습도, 먼지 농도에 관한 수치형 데이터를 수집한다. 시스템을 통해 수집된 데이터와 사용자가 느끼는 홈 내부 상태를 DNN을 통해 학습하고 현재 상태를 분석하여 홈 내부 디바이스 조작을 통해 최적을 상태를 맞출 수 있도록 기반 정보 및 디바이스 제어 정보를 제공한다.
본 논문에서는 IoT 시스템에서 일반적으로 수집되는 간단한 수치형 데이터를 이용한다. 추가적인 가공 단계를 거치지 않고 1차적으로 수집 가능한 데이터를 학습 및 분석하여 내부 환경의 상태를 판단하고 디바이스 제어를 위한 정보를 제공하는 연구를 진행하였다.
가장 기본적인 홈 내부 데이터를 활용 하여 쉽게 수집 가능한 수치형 데이터를 활용하여 홈 내부 상태를 최적화 할 수 있는 방안을 연구하였다. 특히, 홈 내부상태 판단 및 기기 제어 정보 제공을 위하여 심층 신경망을 이용하였다.
대상 데이터
Table 3과 같이 연관성을 있는 환경 측정 데이터를 활용하여 심층 신경망 모델을 구성하였다. 심층 신경망 모델을 FullyConnected Layer 형태로 구성하여 각 노드간의 가중치가 환경 측정 데이터의 연관성을 나타낸다.
본 논문에서 대상으로 하는 스마트 IoT 홈 시스템은 모바일 메신저 기반 스마트 IoT 하드웨어 제어 시스템을 활용한다. 수집한 데이터를 홈 내부 상태 분석 및 기기 제어를 위해 활용하였다[10].
대체적으로 IoT 환경에서 발생하는 데이터를 패턴 분석이나 컨텍스트를 통한 2차 가공을 수행한 후 데이터를 분석 및 활용한다. 본 논문에서는 IoT 시스템에서 일반적으로 수집되는 간단한 수치형 데이터를 이용한다. 추가적인 가공 단계를 거치지 않고 1차적으로 수집 가능한 데이터를 학습 및 분석하여 내부 환경의 상태를 판단하고 디바이스 제어를 위한 정보를 제공하는 연구를 진행하였다.
본 논문에서는 홈 내부에 설치된 스마트 IoT 시스템을 통해 쉽게 수집 가능한 데이터를 바탕으로 DNN(Deep Neural Network)을 이용해 사용자의 상태를 판단함과 동시에 구축된 플랫폼을 통해 사용자가 디바이스를 제어할 수 있도록 정보를 제공하거나 분석된 상태 판단을 통해 스스로 제어할 수 있도록 하는 기반 분석 기법에 대하여 제안한다. 스마트 IoT 홈 시스템을 통해 홈 내부 상태 정보인 온도, 조도, 습도, 먼지 농도에 관한 수치형 데이터를 수집한다. 시스템을 통해 수집된 데이터와 사용자가 느끼는 홈 내부 상태를 DNN을 통해 학습하고 현재 상태를 분석하여 홈 내부 디바이스 조작을 통해 최적을 상태를 맞출 수 있도록 기반 정보 및 디바이스 제어 정보를 제공한다.
사용자는 모바일 디바이스를 이용하여 스마트 IoT 게이트웨이와 통신이 가능하고 IoT 센서들은 스마트 IoT 게이트웨이와 연결되어 데이터를 주고받는다. 시스템에서는 환경 측정 센서, 도어락 센서, IR 센서, 에어컨 On/Off센서 등 많은 IoT 기기와 연결이 되어 있으나 상태 분석 및 기기 제어를 위하여 일부 센서의 데이터를 이용해 데이터 분석을 수행한다.
약 9개월간 매 분마다 수집된 데이터 약 38만 건의 데이터를 이용해 데이터 분석을 수행하였다. 실험을 위해 각 시간대별 수집되는 60개의 데이터 중 40개를 학습 데이터로 사용하고 나머지 20개의 데이터를 성능 평가를 위해 활용하였다. 데이터 분석을 위한 하드웨어 환경은 Table 6과 같다.
심층 신경망을 이용한 방법의 성능을 분석하기 위하여 실제 IoT 센서 데이터로부터 수집한 380,000건의 데이터 중 약 100,000건의 데이터를 학습 및 분석에 활용하였다. 해당 실험에 대하여 실제 사용자가 판단한 결과와 분석을 통해 판단된 결과를 비교하여 OOB Error를 통한 성능 분석을 수행하였다.
판단된 결과를 통해 해당 엑츄에이터를 움직이도록 하는 명령어로 변환하여 테스트를 진행하였고, 실험 이외의 시간에는 외부 환경으로 인해 문제가 발생하기 때문에 실험 환경 내부에 실험자가 있는지 여부에 따라 시스템을 제어하였다. 약 9개월간 매 분마다 수집된 데이터 약 38만 건의 데이터를 이용해 데이터 분석을 수행하였다. 실험을 위해 각 시간대별 수집되는 60개의 데이터 중 40개를 학습 데이터로 사용하고 나머지 20개의 데이터를 성능 평가를 위해 활용하였다.
홈 내부 상태 판단 및 기기 제어 판단을 위해 수립한 심층신경망에 대하여 전체 100,000건의 데이터를 학습하고, 심층신경망을 이용한 요소 간 상관관계를 고려한 분석을 위해 시간마다 임의로 선택한 40,000건의 데이터를 활용하였고, 데이터 분석의 성능 검증을 위해, 임의 시간마다 선택한 40,000건의 데이터를 활용하여 성능을 분석하였다.
데이터처리
이와 같은 환경을 통해 각 분석 방법에 대해 실험을 진행하였다. 심층 신경망을 이용한 홈 내부 상태 분석은 Google TensorFlow 및 Python 환경에서 분석을 수행하였다.
사람의 신체에 대하여 움직임을 가속도 센서를 통해 분류하는 방법을 제시하였다. 이를 위해 Hidden Markov Model을 이용하여 모델을 수립하고 시계열 데이터인 가속도 데이터를 입력 데이터로 하여 데이터 세트를 분석하였다.
학습 모델을 통해 추론된 결과에 사전에 판단되어진 결과값과의 비교를 통해 Out-of-bag (OOB) error성능 평가를 수행하였다. 출력 데이터의 구분을 위해 각 경우에 따른 Class를 설정하여 해당 결과와 비교하여 실험을 진행하였다.
심층 신경망을 이용한 방법의 성능을 분석하기 위하여 실제 IoT 센서 데이터로부터 수집한 380,000건의 데이터 중 약 100,000건의 데이터를 학습 및 분석에 활용하였다. 해당 실험에 대하여 실제 사용자가 판단한 결과와 분석을 통해 판단된 결과를 비교하여 OOB Error를 통한 성능 분석을 수행하였다. 즉, 입력 데이터를 통해 분석을 수행하고 최종적으로 출력된 결과 값과 실제 실험 데이터를 분류한 Label과 비교하여 해당 결과 값이 기대한 Label과 동일한지에 대한 판별 성능을 확인하였으며 심층 신경망을 이용한 분석의 판별 정확도는 94.
이론/모형
모델링한 심층 신경망 모형을 이용하여 입력 데이터와 출력 데이터를 설정하여 홈 내부 상태 분석을 위한 심층 신경망 모델을 학습시킬 수 있다. 심층 신경망의 각 노드들은 가중치로 연결되어 있다.
과적합 문제는 훈련 데이터에 매우 근사하게 맞추어 학습이 되어 데이터 분류에 문제가 발생한다. 이러한 과적합 문제를 해결하기 위하여 Drop-Out 방식을 이용하여 문제를 해결할 수 있다. Drop-Out 방식은 신경망의 유닛 중 일부분만 확률적으로 선택하여 학습하는 방법이다.
성능/효과
해당 실험에 대하여 실제 사용자가 판단한 결과와 분석을 통해 판단된 결과를 비교하여 OOB Error를 통한 성능 분석을 수행하였다. 즉, 입력 데이터를 통해 분석을 수행하고 최종적으로 출력된 결과 값과 실제 실험 데이터를 분류한 Label과 비교하여 해당 결과 값이 기대한 Label과 동일한지에 대한 판별 성능을 확인하였으며 심층 신경망을 이용한 분석의 판별 정확도는 94.04%를 달성하였고, 홈 내부 상태 판단 결과에 따라 사전에 지정한 기기 제어 목록에 따라 기기를 제어하였다.
후속연구
수치형 데이터를 분석하기 위해서는 분석을 위한 적절한 분석 기법을 찾는 것이 중요하다. 그리고 여러 센서의 데이터를 분석할 때에는 센서 데이터 간의 상호 연관성 또한 차후 연구의 고려 대상이다. 데이터 간의 연관성이 다양한 변수를 발생시켜서 분석 결과에 영향을 미치기 때문이다.
차후 연구에서는 실험에 사용한 데이터뿐만 아니라 다양한 IoT 센서 데이터를 이용하여 추가적인 실험을 통해 분석의 정확성을 높이거나 새로운 결과를 도출할 필요성이 있다. 또한 플랫폼의 안정성을 위해 클라우드 및 빅 데이터 시스템과 연동하여 안정적인 데이터 보존과 다양한 분석 기법을 적용하여스마트 홈 인공지능 시스템을 위한 연구로 발전이 가능하다.
차후 연구에서는 실험에 사용한 데이터뿐만 아니라 다양한 IoT 센서 데이터를 이용하여 추가적인 실험을 통해 분석의 정확성을 높이거나 새로운 결과를 도출할 필요성이 있다. 또한 플랫폼의 안정성을 위해 클라우드 및 빅 데이터 시스템과 연동하여 안정적인 데이터 보존과 다양한 분석 기법을 적용하여스마트 홈 인공지능 시스템을 위한 연구로 발전이 가능하다.
질의응답
핵심어
질문
논문에서 추출한 답변
IoT 기술이 적용되고 있는 분야는 무엇인가?
IoT 기술은 건물 자동화, 헬스케어, 홈 자동화, 물류 산업, 보안, 리테일 등 다양한 산업 분야에 적용되고 있다. 각 분야에서 다양한 센서를 이용해 정보를 수집하고 수집된 정보를 관리하고 분석하여 사용자에게 서비스를 제공한다.
스마트 홈 시장의 구성요소는 무엇인가?
스마트 홈 시장은 6가지의 구성 요소를 가진다. 1) 유무선 인터넷 인프라, 2) IoT 통신이 가능한 디바이스, 3) 스마트 디바이스 간 통신 표준, 4)운용 및 제어가 가능한 플랫폼, 5) 사용자의 편의성에 맞는 제어 디바이스, 및 6) 사용자의 니즈를 충족하는 컨텐츠로 구성되어있다. 국내외에서는 각 구성 요소에 맞는 스마트 홈 IoT 플랫폼을 연구 및 구축하고 있다.
심층 학습은 무엇인가?
심층 신경망은 딥 러닝(Deep Learning)을 위한 인공 신경망이다. 심층 학습은 여러 비선형 변환 기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 방법 중 하나이다. 인공 신경망에는 다양한 종류가 존재하며 대표적으로 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 제한 볼츠만 머신(Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망(Deep Belief Network, DBN) 등 다양한 형태의 신경망이 존재한다.
KT GIGA IoT Home Manager [Internet], https://product.olleh.com/wDic/productDetail.do?ItemCode1072.
LG IoT@Home [Internet], https://www.uplus.co.kr/ent/iot/IotProdList.hpi?mid10427.
K. Ro and S. Kim, "A Research on Personal Environment Services for a Smart Home Network," Journal of the Institute of Electronics Engineers of Korea - CI, Vol.49, No.3, pp.46-55, 2012.
J.-S. Kim, D.-Y. Kim, S.-H. Bin, D.-Y. Kim, M.-W. Ryu, and K.-H. Cho, "Design and Implementation of A Personalized Home Network Service System based on Emotion Analysis", Journal of the Institute of Electronics Engineers of Korea - CI, Vol.47, No.6, pp.131-138, 2010.
R. Xue, L. Wang, and J. Chen, "Using the IOT to construct ubiquitous learning environment," MACE, pp.7878-7880, 2011.
M. T. Lazarescu, "Design of a WSN Platform for Long-Term Environmental Monitoring for IoT Applications," IEEE Jounal on Emerging and Selected Topics in Circuits and Systems, Vol.3, No.1, pp.45-54, 2013.
A. Mannini and A. M. Sabatini, "Machine learning methods for classifying human physical activity from on-body accelerometers," Sensors, Vol.10, No.2, pp.1154-1175, 2010.
D. Choi and H. Jo, "Machine learning based motion recognition technology for intelligent IoT service," Journal of Electromagnetic Engineering And Science, Vol.27, No.4, pp.19-28, 2016.
S.-H. Lee, D.-H. Kim, and H.-Y. Lee, "Smart IoT Hardware Control System using secure Mobile Messenger," Journal of the Korean Institute of Electrical Engineers, Vol.65, No.12, pp.2232-2239, 2016.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.