[논문]IoT 센서의 시계열 데이터 정확도 향상을 위한 인공지능 기반 분류 기법

김진영; 심이삭; 윤성훈

doi:10.7236/jiibc.2021.21.4.57

[국내논문] IoT 센서의 시계열 데이터 정확도 향상을 위한 인공지능 기반 분류 기법
Artificial Intelligence-based Classification Scheme to improve Time Series Data Accuracy of IoT Sensors 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.21 no.4, 2021년, pp.57 - 62

김진영 ((주)스마트에버) , 심이삭 (광운대학교 전자융합공학과) , 윤성훈 ((주)코젠)

초록
AI-Helper

인공지능을 위한 병렬연산 능력이 향상됨에 따라 인공지능 적용 분야가 다양한 방향으로 확대되고 있다. 특히 방대한 데이터를 처리해야 하는 IoT센서의 데이터를 처리하기 위해 인공지능이 도입되고 있다. 하지만 시간에 따른 데이터의 중요도가 달라지는 IoT 시계열 데이터 특성상 기존의 인공지능 학습 기법을 그대로 적용하기에는 한계점이 있다. 본 과제에서는 IoT 센서 데이터를 효과적으로 처리하기 위해 시간가중치기반 및 사용자 상태값 기반 인공지능 처리기법을 연구한다. 상기 기법을 통해 기존 인공지능 학습을 적용시키는 것 보다 높은 센서 정확도를 확보 할 수 있게 된다. 이에 더해, 해당 연구를 기반으로 다양한 분야에서 인공지능 학습을 적용하는 방안을 제시하고, 지속적인 연구를 통해 다양한 분야로의 확장을 기대할 수 있다.

Abstract ▼ AI-Helper

As the parallel computing capability for artificial intelligence improves, the field of artificial intelligence technology is expanding in various industries. In particular, artificial intelligence is being introduced to process data generated from IoT sensors that have enoumous data. However, the limitation exists when applying the AI techniques on IoT network because IoT has time series data, where the importance of data changes over time. In this paper, we propose time-weighted and user-state based artificial intelligence processing techniques to effectively process IoT sensor data. This technique aims to effectively classify IoT sensor data through a data pre-processing process that personalizes time series data and places a weight on the time series data before artificial intelligence learning and use status of personal data. Based on the research, it is possible to propose a method of applying artificial intelligence learning in various fields.

주제어

표/그림 (5)

그림 그림 1. 기존 IoT 네트워크의 인공지능 학습 및 본 논문에서 제안하는 시간가중치 및 사용자 상태 기반 인공지능 학습 Fig. 1. Conventional IoT-AI scheme and poposed IoT-AI scheme based on time-weight and personal status.
그림 그림 2. 본 논문에서 제시하는 데이터 탈락 층이 추가된 합성곱 신경망 기반 데이터 분류 인공지능 학습 모델. Fig. 2. CNN classification artificial intelligence model with data leave-out layer.
표 표 1. 데이터 탈락층이 추가된 인공지능 프로세스 코드 Table 1. AI learning code with data leave-out
그림 그림 3. 학습 횟수 대비 센서 트레이닝-테스팅 데이터 손실율 그래프. Fig. 3. training-testing data loss versus learning iteration for the proposed and conventional CNN scheme
표 표 2. 본 논문 시뮬레이션의 환경변수 설정 Table 2. Parameter settings used in proposed simulations.

AI 본문요약
AI-Helper

문제 정의

본 논문에서 제안하는 인공지능 기반 IoT 시계열 데이터 분류 기법은 기존의 데이터값 기반 분류 기법과 달리 데이터 뿐만 아니라 데이터에 연계되어 있는 각종 외주 요건을 정밀하게 비교분석한다. IoT 센서와 밀접한 연관이 있는 사용자 및 주변 환경을 데이터화하여, IoT 센서로 수집 할 수 없는 데이터를 추가하고 이를 기반으로 데이터를 분류하고자 한다.
본 논문에서는 IoT 시계열 데이터를 효과적으로 학습하기 위해 다양한 기법을 연구하였다. 시계열 데이터 학습 정확도 향상을 위해 단말 연산성능을 이용한 IoT 센서의 시간가중치 전처리, 가중치 기반 데이터 탈락 인공지능 연산, 사용자상태값을 통한 학습 모델 개인화를 제시하였다.
본 논문에서는 IoT센서의 시계열 데이터 수집을 위해 Arduino 및 센서를 통하여 다양한 비정형 데이터를 생성하고 이를 실시간을 수집하는 모델을 수립하였다.

가설 설정

제안 방법

가. 기존의 데이터 전처리 및 분류기법에서 많이 차용되는 중복데이터 기반 필터링을 지양하고, 각 IoT 기기들이 가지는 인간의 생활패턴 기반 시계열 특성을 고려하여, 데이터 자체에 가중치를 부여하여 인공지능 학습 시 이를 고려한 학습을 통한 데이터 향상을 제시하였다.
다. 데이터 분류 및 학습 능력 향상에 도움이 되는 외부요인을 조사하고, 이를 인공지능 신경망에 실제로 적용시켜 학습량은 줄이면서 정확도는 향상시킬 수 있는 방법을 제시하였다.
따라서, 본 논문에서 제시하는 인공지능 학습모델에 추가된 데이터 탈락 과정은 데이터 탈락을 결정하는 연산이 단발성으로 추가되고, 그 외의 과정은 기존의 CNN(Convolutional Neural Network)기반 분류 과정과 동일한 과정을 거쳐 데이터를 분류하게 된다.
이뿐만 아니라, 사용자에게 맞는 데이터를 상태값으로 저장하고, 이를 학습에 활용하여 모델링을 수행한다. 모델링 데이터는 IoT네트워크를 이용하는 사용자마다 맞춤형으로 모델링하게 되며, 이를 구현하기 위해 python tensorflow의 keras 라이브러리를 활용하여 코드를 구현하였다.
본 논문에서 제안하는 인공지능 기반 IoT 시계열 데이터 분류 기법은 기존의 데이터값 기반 분류 기법과 달리 데이터 뿐만 아니라 데이터에 연계되어 있는 각종 외주 요건을 정밀하게 비교분석한다. IoT 센서와 밀접한 연관이 있는 사용자 및 주변 환경을 데이터화하여, IoT 센서로 수집 할 수 없는 데이터를 추가하고 이를 기반으로 데이터를 분류하고자 한다.
본 논문에서는 IoT 시계열 데이터를 효과적으로 학습하기 위해 다양한 기법을 연구하였다. 시계열 데이터 학습 정확도 향상을 위해 단말 연산성능을 이용한 IoT 센서의 시간가중치 전처리, 가중치 기반 데이터 탈락 인공지능 연산, 사용자상태값을 통한 학습 모델 개인화를 제시하였다. 본 연구를 통해 기존 단순한 데이터 처리를 넘어 데이터 특성에 맞는 인공지능 학습 전략 수립을 위한 토대를 마련하였다.
나. 현재 활발하게 연구되고 있는 IoT기술 및 스마트홈 관련 기술에 개인 맞춤형 데이터를 testbed를 통해 가시화하여 연구하였다.

대상 데이터

그림 3은 표 2의 시뮬레이션 환경을 기반으로 수행한 CNN 모델의 트레이닝-테스팅 데이터 손실율(에러율)을나타낸 그래프이다. 적색-청색은 기존의 CNN 코드를 적용한 결과이고, 녹색-황색은 본 과제에서 제시한 데이터 탈락 층이 추가된 CNN 모델 레이어다. 기존의 CNN 방식 대비 약 8~11%의 손실율 완화가 있음을 확인하였다.

성능/효과

적색-청색은 기존의 CNN 코드를 적용한 결과이고, 녹색-황색은 본 과제에서 제시한 데이터 탈락 층이 추가된 CNN 모델 레이어다. 기존의 CNN 방식 대비 약 8~11%의 손실율 완화가 있음을 확인하였다.
시계열 데이터 학습 정확도 향상을 위해 단말 연산성능을 이용한 IoT 센서의 시간가중치 전처리, 가중치 기반 데이터 탈락 인공지능 연산, 사용자상태값을 통한 학습 모델 개인화를 제시하였다. 본 연구를 통해 기존 단순한 데이터 처리를 넘어 데이터 특성에 맞는 인공지능 학습 전략 수립을 위한 토대를 마련하였다.

후속연구

향후 IoT 네트워크 및 빅데이터 연구에 맞춤형 인공지능을 적극적으로 활용할 수 있는 방안을 제시하였다.

참고문헌 (9)

Erbo Shang, Xiaohua Liu, Hailong Wang, Yangfeng Rong, Yuerong Liu, "Research on the Application of Artificial Intelligence and Distributed Parallel Computing in Archives Classification", 2019 IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chengdu, China, pp. 1267-1271, 2019. DOI: https://doi.org/10.1109/IAEAC47372.2019.8997992.
Pill-Won Park, "Text-CNN Based Intent Classification Method for Automatic Input of Intent Sentences in Chatbot", The Journal of Korean Institute of Information Technology, Vol. 18, No. 1, pp. 19-25, 2020. DOI: https://doi.org/10.14801/jkiit.2020.18.1.19.

상세보기
Jong-Bok Kim, Dong-Hwa Jang, Yang Kayoung, Kyeong-Seok Kwon, Jung-Kon Kim, Joon-Whoan Lee, "Recognition of Dog's Front Face Using Deep Learning and Machine Learning", Journal of the Korea Academia-Industrial Cooperation Society, Vol. 21, No. 12 pp. 1-9, 2020. DOI: https://doi.org/10.5762/KAIS.2020.21.12.1

원문보기 상세보기
Ji-su Moon, Min-ji Kim, Young-kyu Lim, Ki-sok Kong, "Conversion Program of Music Score Chord using OpenCV and Deep Learning", The Journal of The Institute of Internet Broadcasting and Communication (IIBC), Vol. 21, No. 1, pp. 69-77, 2021. DOI: https://doi.org/10.7236/JIIBC.2021.21.1.69.

원문보기 상세보기
Jie Yang, Yue Gao, Ying Ding, Yingyi Sun, Yang Meng, Wei Zhang, "Deep Learning Aided System Design Method for Intelligent Reimbursement Robot", in IEEE Access, Vol. 7, pp. 96232-96239, 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2927499.

상세보기
Kazuo Okamura, Seiji Yamada, "Empirical Evaluations of Framework for Adaptive Trust Calibration in Human-AI Cooperation", IEEE Access, Vol. 8, pp. 220335-220351, 2020. DOI: https://doi.org/10.1109/ACCESS.2020.3042556.

상세보기
Daoqu Geng, Chengyun Zhang, Cengjing Xia, Xue Xia, Qilin Liu, Xinshuai Fu, "Big Data-Based Improved Data Acquisition and Storage System for Designing Industrial Data Platform", IEEE Access, Vol. 7, pp. 44574-44582, 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2909060.

상세보기
Waldemar Hummer, Vinod Muthusamy, Thomas Rausch, Parijat Dube, Kaoutar El Maghraoui, Anupama Murthi, Punleuk Oum, "ModelOps: Cloud-Based Lifecycle Management for Reliable and Trusted AI", 2019 IEEE International Conference on Cloud Engineering (IC2E), Prague, Czech Republic, pp. 113-120, 2019. DOI: https://doi.org/10.1109/IC2E.2019.00025.
Hui-Eun Lee, Jin-ku Choi, "Implementation of Smart Ventilation Control System using IoT and Machine Learning", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 20, No. 2, pp. 283-287, 2020. DOI: https://doi.org/10.7236/JIIBC.2020.20.2.283.

원문보기 상세보기

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