[논문]지하철에서 스마트폰 센서를 이용한 사용자 위치 추적 방법

조정길

doi:10.15207/jkcs.2020.11.3.037

지하철에서 스마트폰 센서를 이용한 사용자 위치 추적 방법
A User's Location Localization Method using Smartphone Sensor on a Subway 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.3, 2020년, pp.37 - 43

초록
AI-Helper

스마트폰 기반의 추적은 다양한 시나리오에서 널리 연구되어왔다. 그러나 우리가 아는 한, GPS 신호 및 무선 인프라가 항상 이용 가능하지 않는 지하 대중교통 시스템의 추적 문제를 해결한 연구는 극소수에 불과하다. 전동차의 위치를 아는 것은 지하철 승객에게 유용한 서비스를 개발하는데 필요하다. 따라서 지하철 승객을 대상으로 스마트폰 센서를 이용하여 모션 상태 및 정차역을 추정하는 방법이 연구되고 있다. 이 논문에서는 스마트폰의 기압계와 자기 센서를 이용하는 추적 방법을 제안한다. 이 논문에서 제안된 방법은 먼저 기압의 변동 및 자기장의 세기에 따라 전동차가 운행하는지 정차하는지를 추정한다. 그 다음에 고도 값과 자기장 값으로 전동차가 정차하는 정확한 역을 추정한다. 우리는 서울의 지하철 5호선 데이터를 사용하여 제안된 방법을 평가했다. 이전 방법과 비교하여 제안된 방법은 더 높은 정확성을 얻었다.

Abstract ▼ AI-Helper

Smartphone-based localization has been widely studied in many different scenarios. But as far as we know, few work has addressed the problem of localization in underground public transportation systems, where GPS signal and wireless infrastructure are not always available. Knowing the location of a train is necessary to develop a useful service for subway passengers. And so, estimation of motion state and stop station by using sensors on a smartphone is being studied for subway passengers. This paper proposes a localization method that uses a barometer and a magnetic sensor on a smartphone. The method proposed in this paper first estimates whether the train runs or stops according to the change in air pressure and the strength of the magnetic field. The altitude value and the magnetic field value are then used to estimate the exact stop station of the train. We evaluated the proposed method using data from the Seoul's subway line 5. Compared with previous methods, the proposed method achieves higher accuracy.

주제어

표/그림 (6)

그림 Fig. 1. Proposed passenger motion tracking system
그림 Fig. 2. Estimation of motion state: (A) Altitude variance, (B) Smoothed altitude
그림 Fig. 3. Cumulative distribution of RUNNING and STOPPED
그림 Fig. 4. Proposed stop station estimation algorithm
표 Table 1. The result of performance comparison with other methods
표 Table 2. Performance of motion state estimation with other methods

AI 본문요약
AI-Helper

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

문제 정의

따라서 이 논문에서는 모바일 기기의 내장 관성 센서를 이용한 실시간 지하철 승객 추적 시스템을 제안한다. 즉 스마트폰의 기압계(Barometer)와 자기 센서(Magnetic Sensor)를 이용하여 지하철 전동차의 위치를 추정한다.
Hyuga(2016)의 방법은 이 논문에서 사용한 스마트폰의 기압계 센서를 기반으로 하였다. 이 논문에서 Hyuga(2016) 의 방법과 비교하는 이유는 기압계 센서와 자기 센서인 두개의 센서가 정차 모션을 판별하기 위해 더 많은 정보를 얻을 수 있다는 것을 증명하기 위해서이다.
이 논문에서는 스마트폰의 기압계와 자기 센서를 이용 하여 지하철 전동차의 모션 상태와 최근의 정차역을 실시간으로 추정하는 방법을 제안하였다. 전동차의 기압은 운행 중에 빠르게 변하기 때문에 전동차가 운행중인지 정차중인지를 추정할 수가 있다.
이 연구는 스마트폰의 기압계와 자기 센서를 사용하여 지하철의 지하구간에서 사용자의 추적을 수행하는 것을 목표로 하였다. 실험 결과는 모션 상태에서 정차역을 추정할 때 관련 연구들보다 더 좋은 결과를 얻었다.

가설 설정

Table 2는 다른 방법과 비교한 정차역 추정의 성능 평가 결과이다. 제안된 정차역 추정 방법의 순수 성능을 평가하기 위하여 모션 상태의 추정이 완벽하게 작동한다는 가정 하에 정확도를 평가하였다. 이 논문의 정확성은 97%이상이고 만족한 결과를 얻었다.

제안 방법

4는 고도 정차역 추정(BAV)과 자기장 정차역 추정(MAV)의 결과를 분석해서 실제 정차역의 해를 구한다. 두 방법 모두 STOPPED 로 정차역이 추정되면 추가로 테이블의 고도와 비교하여 정차역 추정을 확정한다. 두 방법 중에 한 방법만 STOPPED로 정차역이 추정되면 추가로 테이블의 고도와 방향을 비교하여 정차역 추정을 확정한다.
두 방법 모두 STOPPED 로 정차역이 추정되면 추가로 테이블의 고도와 비교하여 정차역 추정을 확정한다. 두 방법 중에 한 방법만 STOPPED로 정차역이 추정되면 추가로 테이블의 고도와 방향을 비교하여 정차역 추정을 확정한다. 그리고 두 방법 모두 RUNNING으로 정차역이 추정되면 정차역 추정을 하지 않는다.
그러나 정차 기간과의 차이는 가속 및 감속 기간보다 상대적으로 작을 수 있으므로 오탐지 정차 감지가 발생할 수 있다. 따라서 제안된 시스템에서는 오 탐지 정차 감지를 줄이기 위하여 기압계로 추정한 결과와 자력계로 추정한 결과를 반영하여 모션 상태를 추정한다.
또한 자력계를 이용하여 전동차 주변의 자기장의 강도를 측정한다. 현대 지하철 운영 시스템은 일반적으로 전기 엔진으로 구동된다.
전동차의 실제 운행을 기반으로 전동차가 역에서 멈추거나 출발할 때마다 수동으로 실제 모션 상태인 STOPPED와 RUNNING를 입력했다. 또한 정확한 정차 역을 추정하는데 사용하기 위하여 각 지하철역의 고도와 방향도 조사하여 테이블로 저장하였다.
모션 상태에서 정차 상태로 추정된 시간 간격이 역에서 실제 정차 상태와 맞는지 확인하여 모션 상태 추정 정확도를 평가했다. STOPPED 감지의 성능을 평가하기 위하여 정확률(precision), 재현율(recall), F-measure를 사용한다.
자기장을 이용한 정차역 추정에서, 식 3에서 정차 확률의 시퀀스(결과)가 주어지면 마지막으로 정차한 기간 집합을 식별할 수가 있다. 시스템은 먼저 10초의 슬라이딩 윈도우에서 정차 확률의 시퀀스를 평균한 다음에, 평활화된 확률 곡선 결과에서 피크를 검출한다. 전동차가 각각 정차 기간은 보통 단일 양의 피크를 포함하며, 각각에 대해 인접한 운행 기간과 함께 최적의 경계를 탐색한다.
따라서 모션 상태를 정확히 감지하면 정차역을 결정할 수가 있다. 이 논문에서 제안된 방법은 운행에서 정차로 바뀔 때 고도를 기록한다. 정차역 추정은 A(고도의 추정치 값)와 B(특정 노선에 있는 지하철역의 실제 고도)간의 유사도를 계산한다.
이 논문에서 제안된 방법은 측정된 고도의 변동과 전동차 주변의 자기장 크기의 변동을 분석함으로써 지하철 전동차의 모션 상태(STOPPED 또는 RUNNING)를 추정한다.
이 논문에서 제안하는 사용자 위치 추적 시스템은 Fig. 1과 같으며, 기압 측정 및 모터 활동 감지, 모션 상태 추정, 정차역 추정 단계로 이루어진다. 지하철의 전동차를 추적하는 방법은 스마트폰의 기압계와 자력계를 이용한 위치 파악 방법으로 추정한다.
이 논문에서 제안한 방법에는 모션 상태 추정 오차와 정차역 추정 오류를 줄이기 위하여 기압계와 자기 센서를 이용하여 모션 상태 추정과 정차역 추정을 크로스로 체크하였다. Stockx(2014)의 결과는 모션 상태 추정과 정차역 추정에서 가속도 측정 결과가 노이즈와 현대 전동차의 동작 감소로 인하여 제일 좋지 못한 결과를 초래 하였다.
정차 기간의 집합을 찾기 위해 각 분산 샘플을 기반으로 정차 확률을 계산한다.
Hyuga(2016)의 연구에서는 기압계를 이용하여 지하철 전동차 추적을 위한 방법을 제안하였다[12]. 제안된 방법은 기압의 변동량에 의해 전동차의 운동 상태를 추정한다. 기압계를 사용하는 방법은 측정값을 유지하는 방법에 영향을 받지 않기 때문에 단순히 측정된 값을 사용할 수 있으나 승객의 밀도와 같은 다양한 요소로 인하여 기압에 영향을 주게 된다.
즉 스마트폰의 기압계(Barometer)와 자기 센서(Magnetic Sensor)를 이용하여 지하철 전동차의 위치를 추정한다. 제안된 방법은 먼저 기압의 변동량 및 자기장의 세기에 따라 전동차가 운행하는지 정차하는지를 추정한다. 그 다음에 고도 값과 자기장 값으로 전동차가 정차하는 정확한 역을 추정한다.
따라서 이 논문에서는 모바일 기기의 내장 관성 센서를 이용한 실시간 지하철 승객 추적 시스템을 제안한다. 즉 스마트폰의 기압계(Barometer)와 자기 센서(Magnetic Sensor)를 이용하여 지하철 전동차의 위치를 추정한다. 제안된 방법은 먼저 기압의 변동량 및 자기장의 세기에 따라 전동차가 운행하는지 정차하는지를 추정한다.

대상 데이터

또한 전동차가 운행 중일 때에는 자기장의 큰 분산 값이 감지되지만 전동차가 정차중일 때에는 거의 모든 구간에서 자기장의 분산 값이 상당히 적은 수준을 유지한다. 우리는 서울 지하철 5호선에서의 실험을 통해 제안된 방법을 평가했다. 현장 실험을 통하여 모션 상태의 추정 정확도와 정차역의 추정 정확성에서 기존의 연구 결과보다 높은 결과로 역에서 정차 기간을 식별할 수가 있음을 보여주었다.
(t)는 각각 시간 t에서 X-축, Y-축 및 Z-축 상의 자기장 강도를 나타낸다. 원시 데이터에서 측정 노이즈를 필터링하기 위해 10초의 지속 시간에 해당하는 500 크기의 이동 평균 윈도우를 채택한다.
이 논문에서 제안된 방법을 평가하기 위하여 우리는 서울 지하철 5호선에서 각각 5회의 왕복 데이터를 수집했다. 전동차의 실제 운행을 기반으로 전동차가 역에서 멈추거나 출발할 때마다 수동으로 실제 모션 상태인 STOPPED와 RUNNING를 입력했다.

데이터처리

정차역 추정은 A(고도의 추정치 값)와 B(특정 노선에 있는 지하철역의 실제 고도)간의 유사도를 계산한다. 고도의 상대적 변화를 비교하기 위해서 A와 B의 각 원소에서 A와 B의 평균을 각각 뺀 다음에 다음 공식 4를 사용하여 코사인 유사도를 계산한다.

이론/모형

그 이유는 가속도계를 사용하는 방법은 스마 트폰을 잡는 방법에 민감하게 영향을 받으며, 그 때문에 노이즈 제거를 위한 복잡한 처리가 필요하기 때문이다.Hyuga(2016)의 방법은 이 논문에서 사용한 스마트폰의 기압계 센서를 기반으로 하였다. 이 논문에서 Hyuga(2016) 의 방법과 비교하는 이유는 기압계 센서와 자기 센서인 두개의 센서가 정차 모션을 판별하기 위해 더 많은 정보를 얻을 수 있다는 것을 증명하기 위해서이다.
모션 상태에서 정차 상태로 추정된 시간 간격이 역에서 실제 정차 상태와 맞는지 확인하여 모션 상태 추정 정확도를 평가했다. STOPPED 감지의 성능을 평가하기 위하여 정확률(precision), 재현율(recall), F-measure를 사용한다. 정확률, 재현율, F-measure은 각각 식 5, 식 6, 식 7이다.
모션 상태 추정 정확도에서, Table 1의 성능 비교 평가에서는 이 논문의 방법을 Stockx(2014)의 방법과 Hyuga(2016)의 방법으로 비교하였다. Table 1은 세 가지 방법의 결과를 나타내고 있으며, 그 중에서 이 논문의 방법이 가장 좋은 결과를 보여주고 있다.

성능/효과

실험 결과는 모션 상태에서 정차역을 추정할 때 관련 연구들보다 더 좋은 결과를 얻었다. 실험 결과에서는 모두 모션 상태 추정 오차와 정차역 추정 오류가 나타났다. 모션 상태 추정 오차는 다른 전동차의 간섭에 의한 경우, 역 사이에서 전동차가 멈추는 경우, 노선의 최적 매개변수에 따른 부정확한 정확도인 경우이다.
이것은 분산 샘플이 훨씬 더 넓은 범위에 분산되어있는 운행 기간과는 대조적이다. 이 결과는 자기장의 크기 변동이 전동차의 모션 상태를 분류하는 강력한 기능으로 작용한다는 것을 의미한다.
그리고 Hyuga(2016)의 결과는 모션 상태 추정과 정차역 추정을 기압계의 결과만 반영하여 오류나 오차를 보정하지 못하였다. 이 논문에서는 먼저 기압계로 정차역을 추정할 경우에 다른 전동차의 간섭에 의한 경우의 오차, 공기조절과 사람들의 밀도가 기압에 영향을 주는 경우, 날씨의 변화인 경우에 자기 센서로 정차역을 추정하여 비교함으로써 오차나 오류를 줄일 수 있음을 보여주었다.
제안된 정차역 추정 방법의 순수 성능을 평가하기 위하여 모션 상태의 추정이 완벽하게 작동한다는 가정 하에 정확도를 평가하였다. 이 논문의 정확성은 97%이상이고 만족한 결과를 얻었다.
고도는 지하철 터널의 영향과 실제 노선의 높이에 따라 바뀐다. 제안된 방법은 고도 변동의 분산이 특정 임계값을 초과하면 전동차가 운행 중(RUNNING)임을 추정할 수 있으며, 임계값보다 작으면 전동차가 정차(STOPPED)되었다고 추정할 수가 있다.
우리는 서울 지하철 5호선에서의 실험을 통해 제안된 방법을 평가했다. 현장 실험을 통하여 모션 상태의 추정 정확도와 정차역의 추정 정확성에서 기존의 연구 결과보다 높은 결과로 역에서 정차 기간을 식별할 수가 있음을 보여주었다. 향후 연구로 다른 센서와 개략적인 위치 정보를 사용하여 의사 결정의 정확성(accuracy)을 향상시킬 것이다.

후속연구

향후 연구로 다른 센서와 개략적인 위치 정보를 사용하여 의사 결정의 정확성(accuracy)을 향상시킬 것이다. 또한 자동적으로 승차 노선 및 방향을 추정하기 위해 연구할 계획이다.
현장 실험을 통하여 모션 상태의 추정 정확도와 정차역의 추정 정확성에서 기존의 연구 결과보다 높은 결과로 역에서 정차 기간을 식별할 수가 있음을 보여주었다. 향후 연구로 다른 센서와 개략적인 위치 정보를 사용하여 의사 결정의 정확성(accuracy)을 향상시킬 것이다. 또한 자동적으로 승차 노선 및 방향을 추정하기 위해 연구할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	국내 스마트폰 사용자 보급률은 얼마인가?	지하철은 근래에 와서 중요하고 편리한 대중교통 수단이 되고 있으며 도시의 인구가 늘어남에 따라 지하철 이용객이 증가하고 있다[1]. 국내 스마트폰 사용자는 인구 대비 94∼95%로 보급률이 높은데[2], 대부분의 승객은 지하철을 타고 다니면서 독서, 게임, 비디오 시청, 음악 듣기 또는 잠자는 데 시간을 보낸다. 현재의 전동차는 도착할 역을 음성 안내와 화면에 표시하며, 승객은 시끄럽고 혼잡한 전동차 환경에서 이러한 정보를 쉽게 무시할 수가 있다.
	지하철을 이용하는 승객은 대부분 어떻게 시간을 보내는가?	지하철은 근래에 와서 중요하고 편리한 대중교통 수단이 되고 있으며 도시의 인구가 늘어남에 따라 지하철 이용객이 증가하고 있다[1]. 국내 스마트폰 사용자는 인구 대비 94∼95%로 보급률이 높은데[2], 대부분의 승객은 지하철을 타고 다니면서 독서, 게임, 비디오 시청, 음악 듣기 또는 잠자는 데 시간을 보낸다. 현재의 전동차는 도착할 역을 음성 안내와 화면에 표시하며, 승객은 시끄럽고 혼잡한 전동차 환경에서 이러한 정보를 쉽게 무시할 수가 있다.
	승객들은 전동차를 타는 동안 주의를 기울이지 않으면 정차역을 쉽게 놓칠 수 있는 이유는 무엇인가?	국내 스마트폰 사용자는 인구 대비 94∼95%로 보급률이 높은데[2], 대부분의 승객은 지하철을 타고 다니면서 독서, 게임, 비디오 시청, 음악 듣기 또는 잠자는 데 시간을 보낸다. 현재의 전동차는 도착할 역을 음성 안내와 화면에 표시하며, 승객은 시끄럽고 혼잡한 전동차 환경에서 이러한 정보를 쉽게 무시할 수가 있다. 따라서 승객들은 전동차를 타는 동안 주의를 기울이지 않으면 정차역을 쉽게 놓칠 수가 있다.

참고문헌 (17)

D. H. Kwon, S. H. Jang, H. J. Mun & M. H. Chey. (2019). The Running Vibration Assessment of Daegu Metropolitan Transit using Smartphone Acceleration Sensor. Journal of the Korea Convergence Society, 10(6), 179-184. DOI : 10.15207/JKCS.2019.10.6.179

원문보기 상세보기
D. H. Choi. (2019). A Study on Smartphone Addiction and Mental Health Trend Improvement in Koreans. Journal of Convergence for Information Technology, 9(11), 22-27. DOI : 10.22156/CS4SMB.2019.9.11.022
G. Liu, J. Liu, F. Li, X. Ma, Y. Chen & H. Liu. (2017). SubTrack: Enabling Real-Time Tracking of Subway Riding on Mobile Devices. 2017 IEEE 14th International Conference on Mobile Ad Hoc and Sensor Systems(MASS), 90-98. DOI : 10.1109/MASS.2017.55
A. Thiagarajan, J. Biagioni, T. Gerlich & J. Eriksson. (2010). Cooperative transit tracking using smartphones. in SenSys ', 10, 85-98.
P. Zhou, Y. Zheng, & M. Li. (2012). How long to wait?: predicting bus arrival time with mobile phone based participatory sensing. in MobiSys, 12, 379-392.
S. S. Kim, J. W. Kim & D. S. Han. (2017). Floor Detection Using a Barometer Sensor in a Smartphone. 2017 Indoor Positioning and Indoor Navigation(IPIN2017).
J. S. Jeon, Y. S. Kong, Y. Y. Nam & K. B. Yim. (2015). An Indoor Positioning System Using Bluetooth RSSI with an Acceleroeter and a Barometer on a Smartphone. 2015 10th International Conference on Broadband and Wireless Computing, Communication and Applications (BWCCA). DOI : 10.1109/BWCCA.2015.142
K. Muralidharan, A. J. Khan & A. Misra. (2014). Barometric Phone Sensors- More Hype Than Hope!. Proceedings of the 15th Workshop on Mobile Computing Systems and Applications. DOI : 10.1145/2565585.2565596
W. Gu, M. Jin. Z. Zhou, C. J. Spanos & L. Zhang. (2016). MetroEye: Smart Tracking Your Metro Trips Underground. Computer Science Published in MOBIQUITOUS 2016(MobiQuitous, 2016), 84-93. DOI : 10.1145/2994374.2994381
H. Shin, G. W. Lee & D. S. Han. (2018). Subway STOP/Departure Detection using a Magnetic Sensor of the Smartphone. ICVISP 2018: Proceedings of the 2nd International Conference on Vision, Image and Signal Processing, 1-5. DOI : 10.1145/3271553.3271614
T. Stockx, B. Hecht & J. Schoning. (2014). Subwayps: Towards smartphone positioning in underground public transportation systems. in SIGSPATIAL, 14, 93-102.
S. Hyuga, M. Ito, M. Iwai & K. Sezaki. (2016). An Online Localization Method for a Subway Train Utilizing the Barometer on a Smartphone. in SIGSPATIAL '16, 5, 1-4.
T. Watanabe, D. Kamisaka, S. Muramatsu & H. Yokoyama. (2012). At which station am I?: Identifying subway stations using only a pressure sensor. 2012 16th International Symposium on Wearable Computers. DOI : 10.1109/ISWC.2012.18
K. Sankaran, M. Zhu, X. F. Guo & A. L. Ananda. (2014). Using mobile phone barometer for low-power transportation context detection. Proceedings of the 12th ACM Conference on Embedded Network Sensor Systems, 191-205.
T. Willemsen, F. Keller & H. Sternberg. (2014). Concept for building a mems based indoor localization system. 2014 International Conference on Indoor Positioning and Indoor Navigation(IPIN), 1-10. DOI : 10.1109/IPIN.2014.7275461
G. Lee & D. Han. (2014). Subway train stop detection using magnetometer sensing data. 2014 International Conference on Indoor Positioning and Indoor Navigation(IPIN), 766-769. DOI : 10.1109/IPIN.2014.7275562
M. Havas, S. Shum & D. Raheman. (2004). Passenger exposure to magnetic fields on go-trains and on buses, streetcars, and subways run by the toronto transit commission. Biological Effects of EMFs, 3rd International Workshop, 1065-1071.

저자의 다른 논문 :

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