[논문]머신러닝을 통한 건축 도시 데이터 분석의 기초적 연구 - 딥러닝을 이용한 유동인구 모델 구축 -

신동윤

doi:10.13161/kibim.2019.9.1.022

머신러닝을 통한 건축 도시 데이터 분석의 기초적 연구 - 딥러닝을 이용한 유동인구 모델 구축 -
Machine Learning Based Architecture and Urban Data Analysis - Construction of Floating Population Model Using Deep Learning - 원문보기

Journal of KIBIM = 한국BIM학회논문집, v.9 no.1, 2019년, pp.22 - 31

신동윤 (단국대학교 건축학과)

Abstract ▼ AI-Helper

In this paper, we construct a prototype model for city data prediction by using time series data of floating population, and use machine learning to analyze urban data of complex structure. A correlation prediction model was constructed using three of the 10 data (total flow population, male flow population, and Monday flow population), and the result was compared with the actual data. The results of the accuracy were evaluated. The results of this study show that the predicted model of the floating population predicts the correlation between the predicted floating population and the current state of commerce. It is expected that it will help efficient and objective design in the planning stages of architecture, landscape, and urban areas such as tree environment design and layout of trails. Also, it is expected that the dynamic population prediction using multivariate time series data and collected location data will be able to perform integrated simulation with time series data of various fields.

주제어

표/그림 (20)

그림 Figure 1. California middle-class housing price forecasts
그림 Figure 2. Scatterplot graph according to a simple scatterplot (a) and density of the location of the California housing prices shown reflect transparency (b)
그림 Figure 3. Representing a house price trends in California as a scatterplot graph using colors
그림 Figure 4. Analysis of correlation between the year of construction, number of rooms, income, and house price using data from California area
그림 Figure 5. Correlation between house price and income (left) in California and the number of rooms (right)
그림 Figure 6. Deep learning training through the basic algorithm
표 Table 1. Boston housing data set
그림 Figure 7. Change of epoch value according to the number of training
그림 Figure 8. Estimation of forecast value through quantitative analysis
표 Table 2. Status data information aggregate list
그림 Figure 9. CSV file collection via open data square
그림 Figure 10. Data structure and property validation Data normalization
그림 Figure 11. Correlation between total flow population and male flow population
그림 Figure 12. Visualization of the total floating population data of Seoul city in 2018
그림 Figure 13. From the left, Dense, LSTM with input_length = 1, LSTM with input_length = 4
그림 Figure 14. Conceptual diagram between LSTM sequences
그림 Figure 15. Concept of stateful mode
그림 Figure 16. Predict Model Layers
그림 Figure 17. Change of loss value according to training progress
그림 Figure 18. Predictive force test graph and predictive force value

AI 본문요약
AI-Helper

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

문제 정의

또한 디벨로퍼의 의사결정에 대한 데이터 분석 및 머신러닝을 통한 데이터 변화 예측정보(공실률, 고용인수, 보행 통행량, 관광객 입장객수, 소매점 매출, 평일 및 주말 통행량, 매출액 변화, 빈 점포의 변화)를 집계하고 상관관계를 종합적으로 이해할 수 있는 프로토타입 모델 구축을 연구하고자 한다.
본 연구는 이러한 필요성을 바탕으로 건축, 도시에서 생산되는 다양한 데이터를 효과적으로 분석하여 숨은 의미를 찾는 기술에 대한 연구를 목적으로 한다. 빅데이터를 효과적으로 이해하기 위한 방법과 이를 효과적으로 전달하기 위한 시각화 모델을 개발하는 일련의 과정에 대한 연구를 수행하였다.
본 연구를 통해 도시의 비정형 데이터를 수집하고 도시 내 쇠퇴원인 및 잠재력 등에 대한 데이터 베이스를 구축하여 건축 계획 및 도시계획 분야에 효율적 의사결정을 지원하는 모델을 구축하고자 한다. 프로토타입 모델 구축에 사용되게 될 건축, 도시 분석 데이터(Table 2)는 국가정보포털, 데이터광장에 기반하여 취합하였고 원자료를 바탕으로 GIS프로그램를 통한 시각화와 데이터 예측 서비스에 필요한 정보를 집계하였다.
본 연구에서 제시하고자 했던 도시 데이터 예측 딥러닝 모델은 건축 분야에서의 빅데이터 활용방안과 이를 접목한 설계, 계획 등의 통합된 정보의 가시화를 나타내고자 했다. 통합된 정보의 가시화를 통하여 건축계획, 설계에 있어 시간과 비용의 절약을 통한 효율적이고 객관적인 설계에 도움이 되고자 한다.
본 연구에서는 선행된 건축, 도시분야의 머신러닝을 활용하여 도시의 유동성 데이터 분석을 위한 ANN 프로토타입 모델 구축을 목적으로 한다.
본 연구에서는 선행된 도시 예측 모델을 검토하여 적용방법에 대해 알아본 후 케이스 스터디로 보스톤시에서 2014년 공개한 데이터와 캘리포니아주에서 공개한 데이터를 이용하여 그 적용 가능성을 살펴보았다. 그러한 결과를 바탕으로 최종적으로 서울시의 데이터를 이용하여 50여개의 항목 중 유동인구를 포함한 3개의 지표를 선별하여 상관관계 분석 모델을 구축하였다.
본 연구는 이러한 필요성을 바탕으로 건축, 도시에서 생산되는 다양한 데이터를 효과적으로 분석하여 숨은 의미를 찾는 기술에 대한 연구를 목적으로 한다. 빅데이터를 효과적으로 이해하기 위한 방법과 이를 효과적으로 전달하기 위한 시각화 모델을 개발하는 일련의 과정에 대한 연구를 수행하였다.
오픈 API데이터를 활용한 도시 내 물리적, 인문 및 사회적, 경제 및 산업적 변화의 양상 및 현황 데이터 베이스 구축을 통해 디벨로퍼의 의사결정을 지원하고자 한다.
특히 건축 계획 및 설계에 사용할 수 있는 유동인구 데이터의 경우 그 잠재력에도 불구하고 활용이 제한적으로 이루어지고 있었다. 이에 본 연구는 서울 상권 배후지 유동인구 데이터를 바탕으로 RNN(Recurrent Neural Network, LSTM) 모델을 활용해 유동 인구 예측을 위한 포로토타입 모델을 구축하였다.
본 연구에서 제시하고자 했던 도시 데이터 예측 딥러닝 모델은 건축 분야에서의 빅데이터 활용방안과 이를 접목한 설계, 계획 등의 통합된 정보의 가시화를 나타내고자 했다. 통합된 정보의 가시화를 통하여 건축계획, 설계에 있어 시간과 비용의 절약을 통한 효율적이고 객관적인 설계에 도움이 되고자 한다.

제안 방법

Figure 1은 캘리포니아 중산층 주택 가격 예측 데이터를 이용하여 인구수, 건축년도, 위치, 주택가격, 수입, 집의 규모, 방의 개수 등의 개별 항목에 대한 히스토그램을 나타낸 것이다. CSV형 식의 파일을 빠르게 검토하기 위해 히스토그램을 시각화 한 것으로 주어진 값의 범위에 속한 샘플 수를 막대그래프를 통해 나타내었다. 이러한 전통적 방법을 통한 개별 데이터의 가시화는 개별항목의 정보를 보여주는데는 유용하지만 항목들 간의 상관관계를 통하여 관계성을 보여주거나 위치에 따른 분포를 보여주지 못하는 한계가 있다.
본 모델은 유동인구의 시계열 데이터를 활용한 도시 데이터 예측을 위한 기초적인 모델로써 준비된 약 10여가지의 데이터 중 3가지의 데이터(전체 유동인구 수, 남성 유동인구 수, 월요일 유동인구)만을 사용하여 예측 모델을 구성하였다. 건축 분야에서 도시에 관한 빅데이터를 사용해 건축과 도시 분야와 접목을 시도하여 새로운 정보를 탐색하는 일련의 연구를 진행하였다.
구축한 신경망으로는 한 배치에서 학습된 상태가 다음 배치 학습 시에 전달되는 방식인 상태 유지신경망으로, ‘return_ stateful=True’옵션을 사용하여 LSTM 레이어를 여러개 쌓아 더 심층적인 레이어로 구성하였다(Figure 14).
본 연구에서는 선행된 도시 예측 모델을 검토하여 적용방법에 대해 알아본 후 케이스 스터디로 보스톤시에서 2014년 공개한 데이터와 캘리포니아주에서 공개한 데이터를 이용하여 그 적용 가능성을 살펴보았다. 그러한 결과를 바탕으로 최종적으로 서울시의 데이터를 이용하여 50여개의 항목 중 유동인구를 포함한 3개의 지표를 선별하여 상관관계 분석 모델을 구축하였다. 최종적으로 서울시 유동인구에 대한 예측 모델을 구축하여 모델의 타당성을 검토 하였다.
프로토타입 모델 구축에 사용되게 될 건축, 도시 분석 데이터(Table 2)는 국가정보포털, 데이터광장에 기반하여 취합하였고 원자료를 바탕으로 GIS프로그램를 통한 시각화와 데이터 예측 서비스에 필요한 정보를 집계하였다. 데이터 집계는 크게 현황, 변화 등으로 구분하여 집계하고자 한다
또한 Figure 15와 같이 상태유지(Stateful)모드을 사용하여 상태유지 가능한 순환신경망 모델을 구성하였다. 마지막 학습 값이 다음 학습 시에 입력되어 전달되는 방식으로 한 개의 순환신경망을 바탕으로 이를 여러 층을 구성하여 한 개인 층의 순환신경망 보다 더 깊은 추론을 가능하게 하는 모형으로 구성하였다
순환신경망(Recurrent Neural Network, RNN)의 경우 시계열 데이터를 다루기 위하여 개발된 모형으로 시간에 따라 다른 입, 출력 자료의 관계를 학습시킬 수 있는 신경망이다. 본 연구에서 RNN의 한 형태로 규모가 큰 순환 데이터와 더 심도있는 분석이 가능한 LSTM(Long-Short Term Memory unit)를 활용하여 (Figure 13) 서울시 유동인구 예측을 위한 기초적 모델을 구축하였다.
Figure 3은 같은 캘리포니아 지역의 데이터 세트을 주택가격에 따라 색을 구분하여 가시화한 그래프이다. 색과 투명도를 이용하여 다차원 정보를 효과적으로 가시화 하는 전략으로 사용하였다
해당 데이터의 경우 2018년 1월부터 7월까지의 서울시 유동인구 데이터로써 전체 유동인구를 포함하여 연령별, 성별, 시간대별, 요일별로 분류되어 있고, 수집 장소로는 도로별 주소 기준으로 서울시내 약 1700개 곳의 지점별로 수집되었다. 유동인구 데이터의 경우 각 항목의 값 편차가 다르기 때문에 0~1사이의 값으로 정규화를 통하여 머신러닝 학습을 위한 데이터 세트를 위한 작업을 진행하였다.
유동인구의 시계열 데이터를 비롯하여, 점포의 매출 데이터, 지가의 변동 데이터, 대중교통의 유동 데이터, SNS의 위치 정보 데이터 등의 상관관계의 분석을 통해 유동인구의 특정 연령별, 성별별, 시간대별 등의 다양한 정보와 비교 분석이 가능하다.
이 연구에서는 13개에 이르는 집값과 관련된 지표를 학습하여 새로운 집값을 예측하는 모델을 구축하고 예측값의 정확성을 비교함으로써 모델의 정확성을 확인하였다.
입력데이터와 출력데이터는 X, Y 값으로 입력되었고 훈련세트 (에포크: Epochs)로 정의되는 총 에포크는 최소 100으로 설정하여 100번 이상의 학습과정을 거치도록 하였고, 한번에 입력되는 입력값을(batch: 배치값) 20%로로 설정하여 총 500개의 데이터 세트 중 100개 세트의 학습을 통하여 나머지 400세트의 데이터 값을 예측 하도록 하였다(Figure 6). 이후 비교 분석을 통하여 정확성을 확인하였다.
입력데이터와 출력데이터는 X, Y 값으로 입력되었고 훈련세트 (에포크: Epochs)로 정의되는 총 에포크는 최소 100으로 설정하여 100번 이상의 학습과정을 거치도록 하였고, 한번에 입력되는 입력값을(batch: 배치값) 20%로로 설정하여 총 500개의 데이터 세트 중 100개 세트의 학습을 통하여 나머지 400세트의 데이터 값을 예측 하도록 하였다(Figure 6). 이후 비교 분석을 통하여 정확성을 확인하였다.
입력으로 200개의 데이터를 활용하며 출력값은 총 유동인구 수와 총 남자유동인구수, 월요일 유동인구 값 3가지를 가지고 진행하고자 한다.
그러한 결과를 바탕으로 최종적으로 서울시의 데이터를 이용하여 50여개의 항목 중 유동인구를 포함한 3개의 지표를 선별하여 상관관계 분석 모델을 구축하였다. 최종적으로 서울시 유동인구에 대한 예측 모델을 구축하여 모델의 타당성을 검토 하였다. 2장에서는 보스톤시와 캘리포니아주 데이터를 활용하여 기본적인 분석모델과 가시화에 대한 사전 연구의 내용을 기술하였다.
본 연구를 통해 도시의 비정형 데이터를 수집하고 도시 내 쇠퇴원인 및 잠재력 등에 대한 데이터 베이스를 구축하여 건축 계획 및 도시계획 분야에 효율적 의사결정을 지원하는 모델을 구축하고자 한다. 프로토타입 모델 구축에 사용되게 될 건축, 도시 분석 데이터(Table 2)는 국가정보포털, 데이터광장에 기반하여 취합하였고 원자료를 바탕으로 GIS프로그램를 통한 시각화와 데이터 예측 서비스에 필요한 정보를 집계하였다. 데이터 집계는 크게 현황, 변화 등으로 구분하여 집계하고자 한다

대상 데이터

2017년 1분기부터 2017년 4분기까지의 약 12000개의 시계데이터를 학습시켰고, 분석을 위한 RNN은 Keras deep learning 라이브러리의 LSTM 네트워크를 사용하였다.
머신러닝 모델의 검증을 위한 데이터 세트로 사용된 보스톤 도시 정보는 마이크로소프트사의 AzureML의 머신러닝 툴을 위한 정보 세트로 2014년 공개되었다. 아래의 Table 1과 같은 건축, 도시 머신러닝을 위한 다수의 데이터 세트를 제공한다.
본 모델은 유동인구의 시계열 데이터를 활용한 도시 데이터 예측을 위한 기초적인 모델로써 준비된 약 10여가지의 데이터 중 3가지의 데이터(전체 유동인구 수, 남성 유동인구 수, 월요일 유동인구)만을 사용하여 예측 모델을 구성하였다. 건축 분야에서 도시에 관한 빅데이터를 사용해 건축과 도시 분야와 접목을 시도하여 새로운 정보를 탐색하는 일련의 연구를 진행하였다.
따라서 일반적인 데이터의 경우 속성이 하나의 데이터에만 연결되는 것과 달리 건축, 도시 데이터의 경우 다양한 카테고리의 정보를 생성한 뒤 이를 통합하여 나타내기에 더욱 복잡한 차원을 갖게 되는 것이 특징(Healey, 2006)이다. 본 연구에서는 이러한 다차원 비정형 데이터(Lafarge et al., 2011)를 저장하고 통합하여 상관관계를 종합적으로 이해할 수 있는 프로토타입 모델 구축을 연구의 범위로 하고 있다.
하지만 SQLite는 가볍게 사용할 수 있는 관계형 데이터베이스지만 사용 시간이 길고 대량의 데이터를 계속 사용할 경우 문제가 발생 할 수 있다. 본 연구에서는 이러한 문제들을 해결 할 수 있는 클라이언트 / 서버 형태의 관계형 데이터 베이스인 MYSQL과 구글 클라우드 플랫폼, AWS를 사용하여 데이터 분석을 위한 수집을 진행하였다.
서울 열린데이터 광장을 활용한 상권분석 배후지 유동인구 CSV파일 데이터 수집을 통하여 유동인구 예측 모델의 데이터 세트를 구축하였다(Figure 9).
아래의 Table 1과 같은 건축, 도시 머신러닝을 위한 다수의 데이터 세트를 제공한다. 연구에 시험적으로 사용할 데이터는 보스턴의 지역별 집값에 영향을 끼치는 요인을 정리한 것으로, 다양한 변인을 조합하여 집값을 예측하기 위한 용도로 사용하였으나 이 연구에서는 머신러닝을 위한 데이터 세트로 활용하여 최종적으로 인공 신경망을 구축 및 실험 하는데 사용하였다. 머신러닝에 사용된 데이터 세트는 다음과 같은 목록으로 이루어져있다.
해당 데이터의 경우 2018년 1월부터 7월까지의 서울시 유동인구 데이터로써 전체 유동인구를 포함하여 연령별, 성별, 시간대별, 요일별로 분류되어 있고, 수집 장소로는 도로별 주소 기준으로 서울시내 약 1700개 곳의 지점별로 수집되었다. 유동인구 데이터의 경우 각 항목의 값 편차가 다르기 때문에 0~1사이의 값으로 정규화를 통하여 머신러닝 학습을 위한 데이터 세트를 위한 작업을 진행하였다.

데이터처리

딥러닝 결과 처음 118이던 손실(loss 값)이 학습을 실행한 결과 29까지 떨어졌으며, Model.evaluate() 함수를 통해 예측값과 비교를 하였다. 100회의 학습 결과, 예측값의 손실과 검증을 위한 손실값(var_loss)이 각각 29.
이 데이터 세트에는 총 506건의 보스턴 집값과 관련된 13가지의 정보로 이루어져있으며 (Table 1) 이를 통해 시계열 데이터를 예측하는 회귀 ANN을 구축하여 분석하였다.

이론/모형

머신러닝을 실행하기 위한 언어로는 Python을 사용하였고 효율적 작업환경을 위한 Python IDE는 Aanaconda를 사용하였다. 시각화 플랫폼으로는 ArcGIS 프로그램을 이용하였다.
머신러닝을 실행하기 위한 언어로는 Python을 사용하였고 효율적 작업환경을 위한 Python IDE는 Aanaconda를 사용하였다. 시각화 플랫폼으로는 ArcGIS 프로그램을 이용하였다.

성능/효과

evaluate() 함수를 통해 예측값과 비교를 하였다. 100회의 학습 결과, 예측값의 손실과 검증을 위한 손실값(var_loss)이 각각 29.197과 26.79로 나타났다(Figure 7). 평가 및 검증데이터의 손실과 학습을 통한 손실값의 격차가 매우 적게 나타나 머신 러닝을 통한 예측에 대한 신빙성을 확인 할 수 있었다.
본 연구를 통해 구축한 예측력 높은 유동인구예측 모델은 예측된 유동인구와 상권현황과의 상관관계를 도출할 수 있다. 이를 활용한 수목환경 설계, 산책로의 배치 등 건축, 조경, 도시 분야의 계획 단계에서 효율적이고 객관적인 설계에 도움을 줄 수 있다.
본 연구에서 시도하고자 하는 새로운 인공 신경망을 통한 분석 방법은 한국 도시의 변화나 변화의 추이, 다른 도시와의 비교와 분석을 통해 우리나라 도시가 처한 상황을 보다 객관적이고 논리적으로 판단할 수 있다. 또한 데이터에 근거하여 구축한 예측 분석 모델를 통해 도시의 변화를 예측 할 수 있다.
예측값과 실제값의 비교를 통해 근접한 예측값의 정확성을 확인하였다. Figure 18은 30번 훈련을 반복시킨 결과 점진적으로 훈련 값의 오차범위가 유의미하게 줄어드는 것을 확인 할 수 있었다.
특히 plot_loss() 그래프 함수를 사용하여 확인한 결과오류가 15회 전후로 급격히 감소하여 최종 예측의 정확성이 높아짐을 알 수 있었다. 즉 15회의 학습만으로 매우 높은 예측을 할 수 있음을 알 수 있었다. 이후 60회 전까지 점진적으로 증가와 감소를 반복 한 후 안정화 되어 값의 변화가 적다는 것을 볼 수 있다.
특히 plot_loss() 그래프 함수를 사용하여 확인한 결과오류가 15회 전후로 급격히 감소하여 최종 예측의 정확성이 높아짐을 알 수 있었다. 즉 15회의 학습만으로 매우 높은 예측을 할 수 있음을 알 수 있었다.
79로 나타났다(Figure 7). 평가 및 검증데이터의 손실과 학습을 통한 손실값의 격차가 매우 적게 나타나 머신 러닝을 통한 예측에 대한 신빙성을 확인 할 수 있었다.

후속연구

특히 이 연구가 실무적 혹인 현실적인 설계 프로세스로 작동하기 위해서는 다양한 빅데이터와의 연계와 은닉층과 뉴런의 객관적인 기준값 설정이 개선되어야 한다. 향후 연구를 통해 현재 유동인구로만 구성되어 있는 예측 모델에 지가분석, 입지분석 등 다양한 분야와의 접목을 통해 현실적적으로 설계 프로세스로 사용될 수 있는 모델로 발전하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공 신경망을 이용한 시계열 예측 방법의 특징은 무엇인가?	즉 머신러닝이란 컴퓨터에게 벡터라는 크기와 방향을 가진 형식을 제공하여 컴퓨터가 판단 할 수 있는 특징으로 경계를 설정 한 뒤 수많은 데이터를 학습시켜 거기에 존재하는 패턴을 찾아 내는 것(Goldberg, 1988)으로 ‘학습’이라는 능력을 컴퓨터로 구 현하는 기술이다. 인공 신경망(Artificial Neural Networks: ANN) 을 이용한 시계열 예측 방법은 전통적인 시계열 통계분석법과는 달리 변수들 간의 제약이 없기에 유동적인 상황에서 분석 및 예 측이 가능해 모델의 적용 범위가 크고 예측력 또한 높다 (Haykin et al., 2009).
	머신러닝이란 무엇인가?	즉 머신러닝이란 컴퓨터에게 벡터라는 크기와 방향을 가진 형식을 제공하여 컴퓨터가 판단 할 수 있는 특징으로 경계를 설정 한 뒤 수많은 데이터를 학습시켜 거기에 존재하는 패턴을 찾아 내는 것(Goldberg, 1988)으로 ‘학습’이라는 능력을 컴퓨터로 구 현하는 기술이다. 인공 신경망(Artificial Neural Networks: ANN) 을 이용한 시계열 예측 방법은 전통적인 시계열 통계분석법과는 달리 변수들 간의 제약이 없기에 유동적인 상황에서 분석 및 예 측이 가능해 모델의 적용 범위가 크고 예측력 또한 높다 (Haykin et al.
	SQLite3가 가지고 있는 문제들을 해결하기 위해 본 연구에서는 어떤 데이터베이스를 사용하였는가?	하지만 SQLite는 가볍게 사용할 수 있는 관계형 데이터베이스지만 사용 시간이 길고 대량의 데이터를 계속 사용할 경우 문제가 발생 할 수 있다. 본 연구에서는 이러한 문제들을 해결 할 수 있는 클라이언트 / 서버 형태의 관계형 데이터베이스인 MYSQL과 구글 클라우드 플 랫폼, AWS를 사용하여 데이터 분석을 위한 수집을 진행하였다.

참고문헌 (27)

Bae, S. W., Yu, J. S. (2017). Predicting the Real Estate Price Index Using Deep Learning. Korea Real Estate Research Institute 27(3), pp. 71-86.
Batty, M. (2013). Big data, smart cities and city planning. Dialogues in Human Geography, 3(3), pp. 274-279.

상세보기
Blais, P. (2011). Perverse cities: hidden subsidies, wonky policy, and urban sprawl, UBC Press.
Brockwell, P. J., Davis, R. A., Calder, M. V. (2002). Introduction to time series and forecasting, Springer.
Brownlee, J. (2017). Long Short-Term Memory Networks With Python. Machine Learning Mastery.
Curwell, S., M. Deakin, I. Cooper, K. Paskaleva-Shapira, Ravetz, J., Babicki, D. (2005). "Citizens' expectations of information cities: implications for urban planning and design." Building Research & Information 33(1), pp. 55-66.

상세보기
Deren, L., Qingquan, L. (1997). Study on a hybrid data structure in 3D GIS, Acta Geodaetica et Cartographica Sinica 2.
Ding, M., Bressler, S. L., Yang, W., Liang, H. (2000). Short-window spectral analysis of cortical eventrelated potentials by adaptive multivariate autoregressive modeling: data preprocessing, model validation, and variability assessment. Biological cybernetics 83(1), pp. 35-45.

상세보기
Goldberg, D. E., Holland, J. H. (1988). Genetic algorithms and machine learning. Machine learning 3(2), pp. 95-99.
Gulli, A., Pal, S. (2017). Deep Learning with Keras, Packt Publishing Ltd.
Ha, J. H., Lee, Y. H., Kim, Y. H. (2016). Forecasting the precipitation of the next day using deep learning. Journal of Korean Institute of Intelligent Systems 26(2), pp. 93-98.

원문보기 상세보기
Haykin, S. S. (2009). Neural networks and learning machines, Pearson Upper Saddle River.
Healey, P. (2006). Urban complexity and spatial strategies: Towards a relational planning for our times, Routledge.
Kim, M. K., Hong, C. (2016). The Artificial Neural Network based Electric Power Demand Forecast using a Season and Weather Informations. Journal of the Institute of Electronics and Information Engineers 53(1), pp. 71-78.

원문보기 상세보기
Kim, M. Y. The Development of Visualization Indicators for Case-study of Urban Geo-Spatial Information Visualization. Journal of The Korean Digital Architecture and Interior Association 12.
Kitchin, R. (2014). The real-time city? Big data and smart urbanism. GeoJournal 79(1), pp. 1-14.

상세보기
Kotsiantis, S. B., Zaharakis, I., Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering 160, pp. 3-24.
Lafarge, F., Mallet, C. (2011). Building large urban environments from unstructured point data. Iccv.
Lee, T. H., Jeon, M. J. (2018). Prediction of Seoul House Price Index Using Deep Learning Algorithms with Multivariate Time Series Data. SH Urban Research & Insight 8(2), pp. 39-56.

상세보기
Nicholson, D. G., King, J. C. (1997). Method and apparatus for producing a hybrid data structure for displaying a raster image, Google Patents.
Park, J. J., Kim, H. K., Bae, Y. J. (2015). An Analysis on the Changes in Publicly Noticed Value of Real Estate Price (PNV) on Household's Property Tax. Real Estate Research 25(3), pp. 27-39.
Rathore, M. M., Ahmad, A., Paul, A., Rho, S. (2016). Urban planning and building smart cities based on the internet of things using big data analytics. Computer Networks 101, pp. 63-80.

상세보기
Scholten, H. J., Stillwell, J. (2013). Geographical information systems for urban and regional planning, Springer Science & Business Media.
Shin, D., Aliaga, D., Tun er, B., Arisona, S. M., Kim, S., Z nd, D., Schmitt, G. (2015). Urban sensing: Using smartphones for transportation mode classification. Computers, Environment and Urban Systems 53, pp. 76-86.

상세보기
Sutton, R. S., Barto, A.G. (1998). Introduction to reinforcement learning, MIT press Cambridge.
Touchette, P. E., MacDonald, R. F., Langer, S. N. (1985). A scatter plot for identifying stimulus control of problem behavior. Journal of applied behavior analysis 18(4), pp. 343-351.

상세보기
Wilson, T. D. (2000). Human information behavior. Informing science 3(2), pp. 49-56.

상세보기

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