본 논문에서는 심층 학습을 이용하여 주변 환경 정보를 분석하고 이후 환경 정보 변화를 예측해 사용자에게 적합한 환경을 제공하는 시스템을 제안한다. 생활의 수준이 향상되면서 삶의 질의 향상에 대한 관심도 높아지고 있다. 특히 최근 황사, 스모그, 미세먼지, 초미세먼지 등의 발생으로 대기질이 악화되자 실외공기뿐 아니라 실내공기의 질 역시 심각한 문제로 대두되었다. 환기의 부족, 화학 물질 사용 등으로 인해 실내 오염이 증가하는 상황은 실내 생활의 비중이 높은 현대인들에게는 심각한 문제이다. 이러한 실내 대기 오염을 해결하기 위해서 센서를 통해 대기질의 상태를 측정하고 적정 온도, 습도를 유지하는 시스템이 제안되었다. 그러나 기존 시스템은 대기 환경 정보의 대부분을 센서에만 의존하여 다양한 사용자에게 적용하는데 어려움이 있다. 본 논문에서 제안하는 시스템은 센서를 통해 수집한 실내 오염 정보를 심층 학습을 이용해 분석하여 실내 환경을 예측한다. 그리고 예측된 실내 환경을 모델링하여 본 시스템에 학습시킨 후 사용자에게 적합한 환경을 제안한다. 이후, 시스템은 사용자에게 제안된 환경을 최적의 환경 조성이 가능하도록 사용자로부터 피드백을 받고, 이를 재학습하는 과정을 반복한다.
본 논문에서는 심층 학습을 이용하여 주변 환경 정보를 분석하고 이후 환경 정보 변화를 예측해 사용자에게 적합한 환경을 제공하는 시스템을 제안한다. 생활의 수준이 향상되면서 삶의 질의 향상에 대한 관심도 높아지고 있다. 특히 최근 황사, 스모그, 미세먼지, 초미세먼지 등의 발생으로 대기질이 악화되자 실외공기뿐 아니라 실내공기의 질 역시 심각한 문제로 대두되었다. 환기의 부족, 화학 물질 사용 등으로 인해 실내 오염이 증가하는 상황은 실내 생활의 비중이 높은 현대인들에게는 심각한 문제이다. 이러한 실내 대기 오염을 해결하기 위해서 센서를 통해 대기질의 상태를 측정하고 적정 온도, 습도를 유지하는 시스템이 제안되었다. 그러나 기존 시스템은 대기 환경 정보의 대부분을 센서에만 의존하여 다양한 사용자에게 적용하는데 어려움이 있다. 본 논문에서 제안하는 시스템은 센서를 통해 수집한 실내 오염 정보를 심층 학습을 이용해 분석하여 실내 환경을 예측한다. 그리고 예측된 실내 환경을 모델링하여 본 시스템에 학습시킨 후 사용자에게 적합한 환경을 제안한다. 이후, 시스템은 사용자에게 제안된 환경을 최적의 환경 조성이 가능하도록 사용자로부터 피드백을 받고, 이를 재학습하는 과정을 반복한다.
In this paper, we propose a system that analyzes environment information by using deep learning and then provides a suitable environment for users by predicting environmental information change. As the level of living improves, interest in improving the quality of life is increasing. In particular, ...
In this paper, we propose a system that analyzes environment information by using deep learning and then provides a suitable environment for users by predicting environmental information change. As the level of living improves, interest in improving the quality of life is increasing. In particular, as the air quality deteriorated due to the recent occurrence of dust, smog, fine dust, and ultrafine dust, the indoor air quality as well as the outdoor air became a serious problem. The increase of indoor pollution due to the lack of ventilation and the use of chemicals is a serious problem for modern people who have a lot of indoor living. In order to solve this indoor air pollution, a system has been proposed that measures the state of air quality through sensors and maintains proper temperature and humidity. However, existing system has a difficulty to apply most of the atmospheric environment information to various users depending on sensors only. The system proposed in this paper predicts the indoor environment by analyzing the indoor pollution information collected through the sensor using the deep learning. Then, the predicted indoor environment is modeled and learned in this system, and the environment suitable for the user is suggested. Afterwards, the system receives feedback from the user and repeats the process of re-learning the proposed environment so that it can create the optimal environment for the user.
In this paper, we propose a system that analyzes environment information by using deep learning and then provides a suitable environment for users by predicting environmental information change. As the level of living improves, interest in improving the quality of life is increasing. In particular, as the air quality deteriorated due to the recent occurrence of dust, smog, fine dust, and ultrafine dust, the indoor air quality as well as the outdoor air became a serious problem. The increase of indoor pollution due to the lack of ventilation and the use of chemicals is a serious problem for modern people who have a lot of indoor living. In order to solve this indoor air pollution, a system has been proposed that measures the state of air quality through sensors and maintains proper temperature and humidity. However, existing system has a difficulty to apply most of the atmospheric environment information to various users depending on sensors only. The system proposed in this paper predicts the indoor environment by analyzing the indoor pollution information collected through the sensor using the deep learning. Then, the predicted indoor environment is modeled and learned in this system, and the environment suitable for the user is suggested. Afterwards, the system receives feedback from the user and repeats the process of re-learning the proposed environment so that it can create the optimal environment for the user.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 실내 설치에 문제가 없는 소형 대기 측정 센서들과 측정된 데이터를 웹 서버에 전송하기 위한 통신 모듈로 구성된, 사물인터넷(Internet of Things : IoT)과 심층 학습 기반의 대기환경 분석 및 예측 시스템을 제안하였다. 해당 시스템은 센서를 통해 얻은 대기질 관련 센싱 데이터들을 취합하고, 이전의 시계열 데이터를 가진 LSTM 네트워크를 이용해 미래의 실내 대기 정보를 예측한다.
제안 방법
대기질을 예측하기 위해 대기질 측정 모델에서 사용되는 변수들인 YT', YH', γPM10', γVOCs', #와 각 센서에서 측정되는 온도(T3), 습도(H3), 미세먼지 농도([PM10]), 가스농도([VOCs]), 이산화탄소 농도([CO2])를 LSTM에 적용하여 향후의 종합 대기질(Ψ)을 예측한다.
본 논문은 이러한 방안에 대한 연구의 일환으로 제안하는 시스템은 실내 쾌적성을 결정하는 요소 중 대기 환경 정보를 이용하여 주변 환경 정보를 분석해 데이터화 한다. 이후 분석된 데이터를 이용해 시스템을 심층 학습(Deep-Learning) 시켜 이후 환경 정보 변화를 예측하고 실내 쾌적성 개선 방안을 제공한다.
본 시스템은 실내 대기를 측정할 수 있는 각종 센서로 대기 환경을 측정하고, 실내 대기의 오염 정도에 따라 사용자가 불쾌함을 느낄 수 있을 만큼의 대기 오염 수치가 측정될 시, 사용자에게 적합한 환경을 조성할 수 있는 방법들을 예측하고, 그중 최적의 환경 조성 방법을 추천한다.
텐서플로 (Tensor Flow)를 이용한 심층 학습을 위해 입력된 데이터는 칼만 필터를 적용하여 데이터 값을 보정하고 이를 PC에서 3차원 텐서(Tensor)로 재구성 후, 순환 신경망(Recurrent Neural Network: RNN)을 기반으로 한 LSTM(Long Short-Term Memory) 구조의 심층 학습을 반복하여 실내공간에서의 쾌적성을 판단한다. 불쾌한 수치로 판단될 시 최적의 환경 조성 방법을 도출한 뒤, 이 방법이 단위시간당 얼마만큼의 효과가 있는지 예측한다. 센서로부터 받아온 각각의 대기 환경 정보와 함께 최적의 환경 조성 방법을 웹 서버에 전송한다.
웹 서버에서 칼만 필터를 이용해 값을 보정한다[2]. 사용자는 스마트 디바이스 어플리케이션을 통해 웹 서버에 접속하여 쾌적한 정도를 파악하고, 최적의 환경 조성 방법을 추천받아 실행한다. 효과에 따라 사용자는 어플리케이션으로 웹 서버에 접속하여 추천된 방법의 효용성을 피드백한다.
대기질의 상태를 학습하기 위해서는 먼저 데이터 전처리 과정이 필요하다. 센싱 데이터(온습도 센서, 이산화탄소 센서, 미세먼지 센서, 휘발성 유기화합물 센서)를 각 데이터마다 [-1, 1] 사이의 범위를 기준으로 전체 데이터 범위를 정규화하고, 칼만 필터를 적용하여 정확한 센서 데이터 값을 도출한다.
온습도 센서(SHT15), 이산화탄소 센서 (SEN0219), 미세먼지 센서(GP2Y1023AU0F), 휘발 성유기화합물 센서(MiCS-VZ-89TE)를 아두이노에 연결하여 대기질을 측정한다. 대기 측정 장치의 동작 흐름은 그림 1과 같다[1].
본 논문은 이러한 방안에 대한 연구의 일환으로 제안하는 시스템은 실내 쾌적성을 결정하는 요소 중 대기 환경 정보를 이용하여 주변 환경 정보를 분석해 데이터화 한다. 이후 분석된 데이터를 이용해 시스템을 심층 학습(Deep-Learning) 시켜 이후 환경 정보 변화를 예측하고 실내 쾌적성 개선 방안을 제공한다.
아두이노는 라즈베리파이와 연동되고, 라즈베리파이에서 서버의 데이터 베이스에 측정된 데이터 값을 시계열 순으로 입력한다. 텐서플로 (Tensor Flow)를 이용한 심층 학습을 위해 입력된 데이터는 칼만 필터를 적용하여 데이터 값을 보정하고 이를 PC에서 3차원 텐서(Tensor)로 재구성 후, 순환 신경망(Recurrent Neural Network: RNN)을 기반으로 한 LSTM(Long Short-Term Memory) 구조의 심층 학습을 반복하여 실내공간에서의 쾌적성을 판단한다. 불쾌한 수치로 판단될 시 최적의 환경 조성 방법을 도출한 뒤, 이 방법이 단위시간당 얼마만큼의 효과가 있는지 예측한다.
본 논문에서는 실내 설치에 문제가 없는 소형 대기 측정 센서들과 측정된 데이터를 웹 서버에 전송하기 위한 통신 모듈로 구성된, 사물인터넷(Internet of Things : IoT)과 심층 학습 기반의 대기환경 분석 및 예측 시스템을 제안하였다. 해당 시스템은 센서를 통해 얻은 대기질 관련 센싱 데이터들을 취합하고, 이전의 시계열 데이터를 가진 LSTM 네트워크를 이용해 미래의 실내 대기 정보를 예측한다. 특히 해당 시스템은 대기질 분석결과를 단순히 측정 장치 또는 웹페이지 상에서만 확인 가능하던 기존 시스템과는 달리 스마트 디바이스를 통하여 언제 어디서든 손쉽게 대기질의 확인 및 대기질 개선 방안을 추천받을 수 있는 어플리케이션을 제공하고, 이 어플리케이션으로부터 추천된 개선 방안의 효용성을 피드백 받아 재학습함으로써 실내 쾌적성 개선 방안의 효과를 높이는 특징이 있다.
후속연구
향후에는 실내 쾌적성에 도움을 주는 요소들의 가중치 판단을 위한 실험을 할 것이다. 그리고 LSTM 네트워크에 종합 대기질(Ψ)과 가중치를 입력하여 사용자에게 적합한 환경을 제안하는 시스템을 고안할 예정이다.
일반적으로 감각기관을 통해 감지하기 쉬운 오염물이나, 오염물로 인한 악취 등은 실내 쾌적성에 직접적으로 영향을 미치는 것으로 인식하나, 무색무취한 일산화탄소, 라돈 등의 휘발성 유기화합물 및 이산화탄소, 미세먼지 등 대기 오염물질의 위해성에 대한 인식이 부족하다. 본 논문에서 제안한 시스템을 통해 사용자들이 간과하기 쉬운 실내오염물질들에 대한 인식을 높임으로써 실내 쾌적성 관리에 도움을 줄 것으로 기대된다.
향후에는 실내 쾌적성에 도움을 주는 요소들의 가중치 판단을 위한 실험을 할 것이다. 그리고 LSTM 네트워크에 종합 대기질(Ψ)과 가중치를 입력하여 사용자에게 적합한 환경을 제안하는 시스템을 고안할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.