[논문]Hybrid CNN-LSTM 알고리즘을 활용한 도시철도 내 피플 카운팅 연구

최지혜; 김민승; 이찬호; 최정환; 이정희; 성태응

doi:10.13088/jiis.2020.26.2.131

초록
AI-Helper

산업혁신의 흐름에 발맞추어 다양한 분야에서 활용되고 있는 IoT 기술은 빅데이터의 접목을 통한 새로운 비즈니스 모델의 창출 및 사용자 친화적 서비스 제공의 핵심적인 요소로 부각되고 있다. 사물인터넷이 적용된 디바이스에서 누적된 데이터는 사용자 환경 및 패턴 분석을 통해 맞춤형 지능 시스템을 제공해줄 수 있어 편의 기반 스마트 시스템 구축에 다방면으로 활용되고 있다. 최근에는 이를 공공영역 혁신에 확대 적용하여 CCTV를 활용한 교통 범죄 문제 해결 등 스마트시티, 스마트 교통 등에 활용하고 있다. 그러나 이미지 데이터를 활용하는 기존 연구에서는 개인에 대한 사생활 침해 문제 및 비(非)일반적 상황에서 객체 감지 성능이 저하되는 한계가 있다. 본 연구에 활용된 IoT 디바이스 기반의 센서 데이터는 개인에 대한 식별이 불필요해 사생활 이슈로부터 자유로운 데이터로, 불특정 다수를 위한 지능형 공공서비스 구축에 효과적으로 활용될 수 있다. 대다수의 국민들이 일상적으로 활용하는 도시철도에서의 지능형 보행자 트래킹 시스템에 IoT 기반의 적외선 센서 디바이스를 활용하고자 하였으며 센서로부터 측정된 온도 데이터를 실시간 송출하고, CNN-LSTM(Convolutional Neural Network-Long Short Term Memory) 알고리즘을 활용하여 구간 내 보행 인원의 수를 예측하고자 하였다. 실험 결과 MLP(Multi-Layer Perceptron) 및 LSTM(Long Short-Term Memory), RNN-LSTM(Recurrent Neural Network-Long Short Term Memory)에 비해 제안한 CNN-LSTM 하이브리드 모형이 가장 우수한 예측성능을 보임을 확인하였다. 본 논문에서 제안한 디바이스 및 모델을 활용하여 그간 개인정보와 관련된 법적 문제로 인해 서비스 제공이 미흡했던 대중교통 내 실시간 모니터링 및 혼잡도 기반의 위기상황 대응 서비스 등 종합적 메트로 서비스를 제공할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

In line with the trend of industrial innovation, IoT technology utilized in a variety of fields is emerging as a key element in creation of new business models and the provision of user-friendly services through the combination of big data. The accumulated data from devices with the Internet-of-Thin...

In line with the trend of industrial innovation, IoT technology utilized in a variety of fields is emerging as a key element in creation of new business models and the provision of user-friendly services through the combination of big data. The accumulated data from devices with the Internet-of-Things (IoT) is being used in many ways to build a convenience-based smart system as it can provide customized intelligent systems through user environment and pattern analysis. Recently, it has been applied to innovation in the public domain and has been using it for smart city and smart transportation, such as solving traffic and crime problems using CCTV. In particular, it is necessary to comprehensively consider the easiness of securing real-time service data and the stability of security when planning underground services or establishing movement amount control information system to enhance citizens' or commuters' convenience in circumstances with the congestion of public transportation such as subways, urban railways, etc. However, previous studies that utilize image data have limitations in reducing the performance of object detection under private issue and abnormal conditions. The IoT device-based sensor data used in this study is free from private issue because it does not require identification for individuals, and can be effectively utilized to build intelligent public services for unspecified people. Especially, sensor data stored by the IoT device need not be identified to an individual, and can be effectively utilized for constructing intelligent public services for many and unspecified people as data free form private issue. We utilize the IoT-based infrared sensor devices for an intelligent pedestrian tracking system in metro service which many people use on a daily basis and temperature data measured by sensors are therein transmitted in real time. The experimental environment for collecting data detected in real time from sensors was established for the equally-spaced midpoints of 4×4 upper parts in the ceiling of subway entrances where the actual movement amount of passengers is high, and it measured the temperature change for objects entering and leaving the detection spots. The measured data have gone through a preprocessing in which the reference values for 16 different areas are set and the difference values between the temperatures in 16 distinct areas and their reference values per unit of time are calculated. This corresponds to the methodology that maximizes movement within the detection area. In addition, the size of the data was increased by 10 times in order to more sensitively reflect the difference in temperature by area. For example, if the temperature data collected from the sensor at a given time were 28.5℃, the data analysis was conducted by changing the value to 285. As above, the data collected from sensors have the characteristics of time series data and image data with 4×4 resolution. Reflecting the characteristics of the measured, preprocessed data, we finally propose a hybrid algorithm that combines CNN in superior performance for image classification and LSTM, especially suitable for analyzing time series data, as referred to CNN-LSTM (Convolutional Neural Network-Long Short Term Memory). In the study, the CNN-LSTM algorithm is used to predict the number of passing persons in one of 4×4 detection areas. We verified the validation of the proposed model by taking performance comparison with other artificial intelligence algorithms such as Multi-Layer Perceptron (MLP), Long Short Term Memory (LSTM) and RNN-LSTM (Recurrent Neural Network-Long Short Term Memory). As a result of the experiment, proposed CNN-LSTM hybrid model compared to MLP, LSTM and RNN-LSTM has the best predictive performance. By utilizing the proposed devices and models, it is expected various metro services will be provided with no illegal issue about the personal information such as real-time monitor

주제어

표/그림 (8)

그림 Proposed Sensor Personnel Counting Model(Example)
그림 Measurement Environment
그림 Normalization process for utilizing training data(example)
그림 Flowchart of the proposed CNN-LSTM hybrid model
그림 Performance comparison between actual and predicted values
표 Model Structure
표 Comparison for Error Rates without Data Preprocessing
표 Comparison for Error Rates with Data Preprocessing

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 다수 국민들이 활용하는 지하 철에서의 빅데이터를 활용한 메트로 서비스 제공 방안에 주안점을 두었다. IoT 디바이스 기반의 적외선 센서 정보를 통해 실시간 통행 인원에 대한 예측을 수행, 역사 및 출입구 내 혼잡성을 확인하여 효율적 메트로 서비스 체계 구축에 이바지하고자 하였다. 또한 빅데이터의 실용화 방안에서 두각을 나타내고 있는 인공신경망 모델을 예측에 각각 적용, 성능 비교를 수행하였다.
본 연구에서는 다수 국민들이 활용하는 지하 철에서의 빅데이터를 활용한 메트로 서비스 제공 방안에 주안점을 두었다. IoT 디바이스 기반의 적외선 센서 정보를 통해 실시간 통행 인원에 대한 예측을 수행, 역사 및 출입구 내 혼잡성을 확인하여 효율적 메트로 서비스 체계 구축에 이바지하고자 하였다.
제안한 CNN-LSTM 하이브리드 모형의 흐름도는 다음의 Figure 4와 같다. 본 연구에서는 딥러닝 기반 알고리즘인 CNN과 LSTM을 직렬 병합하여 특정 구간에서의 보행인원 수를 예측하고자 하였다.
본 연구에서는 보행 인원 계수에 신규 적용되고 있는 센서 데이터에 대한 딥러닝 알고리즘의 적용을 기반으로 도시철도 내 보행인원의 수를 예측하는 것을 연구의 목표로 설정하였다. 따라서 추후 기술된 본 연구의 단계 중 적절한 학습 데이터의 선정, 적절한 예측 알고리즘의 구축은본 연구의 목표를 달성하기 위해 가장 중요한 부분이라 할 수 있다.

제안 방법

또한 실시간 수집되는 센서 데이터의 시계적 특성을 고려하여 시계열(Time-Series)분석 및 예측에 적합한 모형을 활용하고자 하였다. 시계열 분석 및 패턴 추출에서는 이미 성능이 입증되었으나 센서 디바이스를 활용한 보행인원 계수 분야에서 상대적으로 연구가 미진한 하이브리드 인공신경망 알고리즘(CNN-LSTM)을 본 연구에 활용하였다.
먼저, 본 논문에서 사용한 전처리 작업의 적합 성을 확인하기 위해 전처리를 적용하지 않은 원데이터를 사용한 알고리즘의 오차율을 측정하였다. 다음의 Table 2는 동일 데이터를 대상으로 각 50개와 100개의 뉴런으로 구성된 3층의 MLP 네트워크 및 CNN, LSTM, RNN-LSTM을 활용하여 얻은 오차율을 나타낸다.
본 연구에서는 제안된 딥러닝(Deep Learning) 알고리즘에 대한 입력 데이터를 구축하기 위하여 정규화(Normalization)를 수행하였다. 정규화 방식은 아래 수식과 같이 서로 다른 16개 영역의 기준값α_j 을 설정하고, 보행자의 진입이 판단된 경우 해당 영역의 온도와 기준값과의 차이를 계산하여 온도 변화가 발생하였는지를 판단하였다.

대상 데이터

데이터 수집에 활용한 IoT 디바이스에서의 센서는 4x4 배열의 16개 구역을 측정하는 Infrared thermal array sensor를 사용하였다.
본 연구는 1개의 지하철 출입구를 분석대상으로 선정, 적외선 IoT 디바이스를 설치하여 데이터를 수집하였으며, 단기간 수집된 데이터를 예측에 적용하였으므로 타 환경에의 적용에 대한 검증이 수행되지 않았다는 한계가 존재한다. 향후 타 역사와의 협조를 통한 여러 환경에서의 데이터 수집을 통해 이에 대한 검증을 추후 연구로 수행할 예정이며, 적외선 센서 외 기타 센서 데이터 (Wi-Fi, WSN 등)을 복합 활용하여 학습 데이터를 추가 구성, 모형의 성능을 다소 향상할수 있을 것으로 기대된다.
사람이 존재하지 않는 경우를 기준(Background) 온도로 설정한 후, 보행자가 적외선 센서의 영역에 진입하였을때 기준온도 간의 차이를 검출한다. 상기의 과정을 통해 총 6,620개의 온도 데이터를 수집, 분석에 활용하였다.
학습에 활용된 센서 데이터는 기존 선행연구 에서 활용한 영상 및 이미지 데이터와는 달리 보행자 개인의 사생활 이슈로부터 다소 자유로울 수 있는 데이터이며, 최근 확대된 IoT 디바이스의 보급 활성화로 인해 실시간 수집 및 분석에의 용이성이 확보 되었다. 또한 선행연구에서 밝혀진 바와 같이 기상상황에 따른 감지정확도 변화가 없으며, 어떠한 상황에서도 객체를 안정적으로 감지할 수 있다는 장점이 있다.

데이터처리

IoT 디바이스 기반의 적외선 센서 정보를 통해 실시간 통행 인원에 대한 예측을 수행, 역사 및 출입구 내 혼잡성을 확인하여 효율적 메트로 서비스 체계 구축에 이바지하고자 하였다. 또한 빅데이터의 실용화 방안에서 두각을 나타내고 있는 인공신경망 모델을 예측에 각각 적용, 성능 비교를 수행하였다. 그 결과, 입력변수의 공간적 특성 및 시계열 데이터에 대한 패턴 분석을 동시에 수행할 수 있는 CNN-LSTM 모형에서의 오차율이 약 2.
최종적으로 이미지 학습에 특화되어 있는 CNN 모델의 특징을 고려, 정규화 후 데이터를 4X4 이미지로 재조정하였다. 이때 검출 구간별 온도 차이를 보다 단순하면서도 극명하게 표현하기 위해 0∼ 255 픽셀로 표현되는 1-Channel의 Gray scale 이미지로 변환하여 분석에 활용하였다.
최종적으로 정규화를 한 데이터에 대해 MLP, LSTM, RNN-LSTM 모델과 비교, 검증하였다. Table 3에서 보이듯이 타 모델 대비 본 연구에서 제안한 CNN-LSTM의 성능이 가장 우수한 것을 확인하였다.

이론/모형

본 연구의 실험은 실제 지하철 출입구에서 수집된 온도 데이터를 활용하여 제안한 딥러닝 방법론에 적용하였다. 모든 딥러닝 과정은 Backend 로 Tensorflow 패키지를 사용하는 Keras 라이브 러리를 이용하였다. 또한 모형의 성능 비교를 위해 다중 퍼셉트론(MLP), RNN 등 기존에 널리 사용되는 몇 가지 접근 방식을 고려하였다.
본 논문에서는 이미지 분류에서 뛰어난 성능을 보이는 CNN과 시계열 데이터 분석에 적합한 LSTM을 결합한 CNN-LSTM을 사용하였다. 이는 적외선 온도 데이터에서 지역적인 특징을 추출하는데 효과적인 CNN에 장기 시계열 (Long-term Time Series) 데이터에서 발생할 수있는 Gradient Descent 현상을 예방할 수 있게 해주는 LSTM을 연결하여 시계열 데이터 학습에 적합하도록 구성하였다.
본 연구의 실험은 실제 지하철 출입구에서 수집된 온도 데이터를 활용하여 제안한 딥러닝 방법론에 적용하였다. 모든 딥러닝 과정은 Backend 로 Tensorflow 패키지를 사용하는 Keras 라이브 러리를 이용하였다.
또한 실시간 수집되는 센서 데이터의 시계적 특성을 고려하여 시계열(Time-Series)분석 및 예측에 적합한 모형을 활용하고자 하였다. 시계열 분석 및 패턴 추출에서는 이미 성능이 입증되었으나 센서 디바이스를 활용한 보행인원 계수 분야에서 상대적으로 연구가 미진한 하이브리드 인공신경망 알고리즘(CNN-LSTM)을 본 연구에 활용하였다.

성능/효과

또한 빅데이터의 실용화 방안에서 두각을 나타내고 있는 인공신경망 모델을 예측에 각각 적용, 성능 비교를 수행하였다. 그 결과, 입력변수의 공간적 특성 및 시계열 데이터에 대한 패턴 분석을 동시에 수행할 수 있는 CNN-LSTM 모형에서의 오차율이 약 2.6%로 가장 낮은 것을 확인하였으며, 전반적으로 두 가지 이상의 모형을 혼합 활용한 Hybrid Model이 센서 데이터에 대해 우수한 예측 성능을 나타냄을 확인하였다.
이는 앞서 언급한 바와 같이 CNN에서의 온도 변화에 대한 공간적 특성을 더 국소적 으로 포착할 수 있는 특성이 LSTM의 학습에 효율적으로 반영된 결과라 할 수 있다. 또한 모든 네트워크에서 원 데이터를 사용한 결과에 비해 오차율이 눈에 띄게 낮아진 것을 비교하여 본 논문의 전처리 작업이 적절했다고 판단할 수 있다.

후속연구

향후 타 역사와의 협조를 통한 여러 환경에서의 데이터 수집을 통해 이에 대한 검증을 추후 연구로 수행할 예정이며, 적외선 센서 외 기타 센서 데이터 (Wi-Fi, WSN 등)을 복합 활용하여 학습 데이터를 추가 구성, 모형의 성능을 다소 향상할수 있을 것으로 기대된다. 다수 시설에서의 성능이 현재의 모델과 유사하게 도출될 경우, 본 논문에서 활용한 센서 데이터 분석방안을 토대로 개인정보 및 기타 법령의 제약으로 인해 실행에 난항을 겪었던 대중교통 내 실시간 모니터링 및 지하철 차량과 역의 혼잡도를 실시간으로 파악 하여 최적 경로를 찾는 것뿐 아니라 시간별, 위치별 트래픽을 지하철 편성계획에 반영하여 운영 효율을 향상할 수 있을 것으로 기대된다. 또한 스마트시티에서의 도시기획 및 에너지 절감, 상권분석, 관광지 활성화 등 데이터 확보의 어려움으로 인해 모델링의 한계가 있던 분야에 대하여 센서 데이터 및 하이브리드 인공신경망 모델의 적용을 통해 산업 발전의 방향성이 확대될 수있을 것으로 기대된다.
다수 시설에서의 성능이 현재의 모델과 유사하게 도출될 경우, 본 논문에서 활용한 센서 데이터 분석방안을 토대로 개인정보 및 기타 법령의 제약으로 인해 실행에 난항을 겪었던 대중교통 내 실시간 모니터링 및 지하철 차량과 역의 혼잡도를 실시간으로 파악 하여 최적 경로를 찾는 것뿐 아니라 시간별, 위치별 트래픽을 지하철 편성계획에 반영하여 운영 효율을 향상할 수 있을 것으로 기대된다. 또한 스마트시티에서의 도시기획 및 에너지 절감, 상권분석, 관광지 활성화 등 데이터 확보의 어려움으로 인해 모델링의 한계가 있던 분야에 대하여 센서 데이터 및 하이브리드 인공신경망 모델의 적용을 통해 산업 발전의 방향성이 확대될 수있을 것으로 기대된다.
본 연구는 1개의 지하철 출입구를 분석대상으로 선정, 적외선 IoT 디바이스를 설치하여 데이터를 수집하였으며, 단기간 수집된 데이터를 예측에 적용하였으므로 타 환경에의 적용에 대한 검증이 수행되지 않았다는 한계가 존재한다. 향후 타 역사와의 협조를 통한 여러 환경에서의 데이터 수집을 통해 이에 대한 검증을 추후 연구로 수행할 예정이며, 적외선 센서 외 기타 센서 데이터 (Wi-Fi, WSN 등)을 복합 활용하여 학습 데이터를 추가 구성, 모형의 성능을 다소 향상할수 있을 것으로 기대된다. 다수 시설에서의 성능이 현재의 모델과 유사하게 도출될 경우, 본 논문에서 활용한 센서 데이터 분석방안을 토대로 개인정보 및 기타 법령의 제약으로 인해 실행에 난항을 겪었던 대중교통 내 실시간 모니터링 및 지하철 차량과 역의 혼잡도를 실시간으로 파악 하여 최적 경로를 찾는 것뿐 아니라 시간별, 위치별 트래픽을 지하철 편성계획에 반영하여 운영 효율을 향상할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	컴퓨터 비전에서의 카메라 방식의 한계점은?	이와 같이 컴퓨터 비전에서의 카메라 방식은 사람의 이미지가 저장되므로 사생활 침해 가능성이 있고, 기상 주간 주야간 여부에 따라 정확도가 떨어지는 문제점이 다수 확인되며, 우천 시성능이 저하되는 등 해당 기술을 산업에 즉각 적용하기에는 다소 한계가 있을 것이라 여겨진다.
	사물인터넷이란?	사물인터넷은 무선통신기법의 발달과 함께 유무선 네트워크를 활용하여 사람과 사물 및 사물과 사물 간 상호작용이 가능한 지능적 시스템을 지칭한다(Pyo, 2014). 이러한 사물인터넷 서비스는 인간과 기기 간 편리한 소통 교감하는 가교 역할을 뛰어넘어, 스마트 디바이스의 확산과 더불어 새로운 유형의 빅데이터 환경을 유발하고 있다.
	정규화 방식으로 온도에 대한 차이를 더욱 민감하게 반영을 통해 어떤 효과를 볼 수 있었는가?	이를 통해 인간의 움직임이 발생했을 때의 레이더 감지 영역 내 움직임만을 분석에 활용할 수있도록 하였다. 기준값은 온도의 변화가 없는 안정된 상태를 파악하여 변화가 없는 데이터가 일정 이상 유지가 되는 경우, 이에 대한 평균을 기준값으로 지정하였다.

참고문헌 (19)

Chan, A. B., Z. J. Liang and N. V. "Privacy preserving crowd monitoring: Counting people without people models or tracking", IEEE Conference on Computer Vision and Pattern Recognition, 1-7, 2008.
Depatla, S., A. Muralidharan and Y. Mostofi, "Occupancy estimation using only WiFi power measurements", IEEE Journal on Selected Areas in Communications, Vol.33, No.7(2015), 1381-1393.

상세보기
Fu, H., H. Ma and H. Xiao, "Real-time accurate crowd counting based on RGB-D information", 2012 19th IEEE International Conference on Image Processing, 2685-2688, 2012.
Jacques Jr, J. C. S. and S. R. Musse, "Crowd Analysis Using Computer Vision", IEEE Signal Processing Magazine, Vol.27, No.5(2010), 66-77.
Jin, H. and A. Anish "A regression-based radar-mote system for people counting", IEEE International Conference On Pervasive Computing and Communications, 95-102, 2014.
Jung, W. S., S. H. Kim and K. S. Min, "An Analysis of the Economic Effect for the IoT Industry", Journal of Korean Society for Internet Information, Vol.22, No.1(2013), 7-13.
Kim, G. J., K. Y. Eom, J. Y. Jung and M. H. Kim, "A Study on the Analysis of Congestion Degree in Platform Image for Urban Traffic", Proceedings of the KISS conference, Vol.36, No.2(2009), 422-426.
Kim, H. W. and D. K. Kim, "IoT technology and security", Review of KIISC, Vol.22, No.1 (2012), 7-13.
Kim, T. H., J. M. Choi, H. Lee, J. H. So and M. J. Kim, "A Study on the Implementation Strategies of Smart City Mobility", Korea Transport Institute, 2018.
Lee, H. and J. K. Choi, "Development of an Algorithm for Estimating Subway Platform Congestion Using Public Transportation Card Data", Journal of the Korean Society for Railway, Vol.18, No.3(2015), 270-277.
Mehmood, Y., F. Ahmad, I. Yaqoob, A. Adnane, M. Imran and S. Guizani, "Internetof-Things-Based Smart Cities: Recent Advances and Challenges", IEE Communications Magazine, Vol.55, No.9(2017), 16-24.
Park, K. C., D. H. Kim, W. S. Ji and M. Y. Bin, "Making safe public transportation", Issue & Diagnostics, Vol.20(2011), 1-25.
Park, J. W. and K. S. Lee, "Analysis of Passenger Flows in the Subway Transportation Network of the Metropolitan Seoul", Journal of KIISE:Computing Practices and Letters, Vol.16, No.3(2010), 316-323.
Pyo, C. S., "Trend of Internet of Things", Journal of Korean Institute of Electromagnetic Engineering and Science, Vol.25, No.4(2014), 49-58.
Xu, H. and L. Meng, "A people counting system based on head-shoulder detection and tracking in surveillance video", IEEE International Conference On Computer Design and Applications, 394-398, 2010.
Yuan, Y., J. Zhao, C. Qiu and W. Xi, "Estimating Crowd Density in an RF-Based Dynamic Environment", IEEE Sensors Journal, Vol.13, No.10(2013), 3837-3845.

상세보기
Yang, H. J., H. Jang, J. H. Jeong, B. W. Lee and D. S. Jeong, "A Real-time People Counting Algorithm Using Background Modeling and CNN," Journal of the Institute of Electronics and Information Engineers, Vol.54, No.3(2017), 70-77.
Zhang, E. and F. Chen, "A Fast Robust People Counting Method in Video Surveillance", IEEE International Conference on Computational Intelligence and Security, 339-343, 2017.
http://news.seoul.go.kr/traffic/archives/31616

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

Hybrid CNN-LSTM 알고리즘을 활용한 도시철도 내 피플 카운팅 연구
A Study on People Counting in Public Metro Service using Hybrid CNN-LSTM Algorithm 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (19)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Hybrid CNN-LSTM 알고리즘을 활용한 도시철도 내 피플 카운팅 연구 A Study on People Counting in Public Metro Service using Hybrid CNN-LSTM Algorithm 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (19)

이 논문을 인용한 문헌

저자의 다른 논문 :

성태응 (3)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Hybrid CNN-LSTM 알고리즘을 활용한 도시철도 내 피플 카운팅 연구
A Study on People Counting in Public Metro Service using Hybrid CNN-LSTM Algorithm 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper