콘볼루션 신경망을 이용한 센서 데이터로부터의 행동 유형 파악과 효과적인 센서 데이터 압축 (Activity Prediction from Sensor Data using Convolutional Neural Networks and an Efficient Compression Method)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 45권 / 6호 / 564 ~ 571페이지
· 저자명 : 진우정, 최동진, 김영진, 강유

초록

건물 내 IoT 시스템을 이용한 재실자의 수 및 행동 유형 파악은 스마트 냉/난방 시스템 등에사용되어 전력 효율을 개선시키고 비용 절감에 도움되는 중요한 문제이다. 실제 건물 관리 시스템에서는 카메라 등의 장비를 이용하여 방 안의 현황을 파악하고 재실자의 수와 행동 유형을 직접 파악하는 방법등이 사용되고 있다. 이 방법으로 사람 수와 행동 유형을 파악하는 것은 비효율적일뿐만 아니라 데이터를 위한 방대한 저장 공간이 필요하다. 본 연구에서는 적외선 그리드 아이 센서와 소음 센서를 이용하여 실내 센서 데이터를 수집하였다. 또한 이 데이터를 토대로 재실자 수와 행동 유형을 파악하는 딥러닝 모델과 데이터의 시간적 특성을 고려하는 딥러닝 모델을 제안한다. 제안하는 모델은 약 95.3%의 정확도로 사람 수를 파악하고 90.9%의 정확도로 사람 행동 유형을 파악한다. 또한 Truncated SVD를 이용하여 정확도의 손실을 최소화하면서 저장 공간을 줄이는 방법을 제안한다.

영어초록

The identification of the number of occupants and their activities using the IoT system in a building is an important task to improve the power efficiency and reduce the cost of using smart cooling/heating systems. In the actual building management system, it is possible to use equipment such as a camera to understand the current situation in the room, and to directly determine the number of occupants and their types of behavior. However, identifying the number of people and behavior types in this way is inefficient and requires a large amount of storage space for data. In this study, indoor sensor data were collected using an infrared Grid-Eye sensor and noise sensor. Based on this data, we also propose a deep learning model that captures the number of participants and behavior patterns and a deep learning model that considers the temporal characteristics of data. The proposed model identifies the number of people with an accuracy of about 95.3% and human activities with an accuracy of 90.9%. We also propose a method to reduce the storage space while minimizing the loss of accuracy using truncated SVD.

참고자료

· 없음