GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에서 수행되는 사용자의 이동 경로 실시간 예측 방법에 있어서,(a) 상기 센서에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 단계;(b) 상기 수집된 센싱데이터, 도로 정보 및 행동 정보 중 적어도 하나를 기초로 사용자에게 일상적인 패턴으로서 표현될 수 있는 복수의 주요 장소들 및 주요 경로들을 추출하는 단계;(c) 상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 단계; 및(d) 상기 구성된 확률 그래프 모델을 학습하고, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 단계를 포함하고,상기 (a) 단계는 (a-1) 상기 센서에 의하여 획득되는 상기 GPS 신호에 해당하는 위치와 가장 가까운 도로를 검색하고, 상기 도로를 나타내는 도로 정보를 생성하여 제1 데이터베이스에 저장하는 단계를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

삭제

제1항에 있어서, 상기 (a) 단계는(a-2) 상기 수집된 센싱데이터를 기초로 사용자의 현재 행동이 소정의 기 분류된 행동들 중 어느 하나에 속하는지 결정하여 상기 결정된 행동을 나타내는 행동 정보를 생성하고, 상기 생성된 행동 정보를 상기 제1 데이터베이스에 저장하는 단계를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에서 수행되는 사용자의 이동 경로 실시간 예측 방법에 있어서,(a) 상기 센서에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 단계;(b) 상기 수집된 센싱데이터, 도로 정보 및 행동 정보 중 적어도 하나를 기초로 사용자에게 일상적인 패턴으로서 표현될 수 있는 복수의 주요 장소들 및 주요 경로들을 추출하는 단계;(c) 상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 단계; 및(d) 상기 구성된 확률 그래프 모델을 학습하고, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 단계를 포함하고,상기 (b) 단계는 (b-1) 상기 수집된 센싱데이터에 대하여 가우시안 혼합 모델(Gaussian Mixture Model, GMM)을 적용하는 단계 및 (b-2) 상기 GMM이 적용된 데이터에 대하여 방문 횟수 및 방문 지속 시간을 기반으로 주요 장소를 추출하는 단계를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에서 수행되는 사용자의 이동 경로 실시간 예측 방법에 있어서,(a) 상기 센서에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 단계;(b) 상기 수집된 센싱데이터, 도로 정보 및 행동 정보 중 적어도 하나를 기초로 사용자에게 일상적인 패턴으로서 표현될 수 있는 복수의 주요 장소들 및 주요 경로들을 추출하고 상기 시계열적으로 저장된 센싱데이터를 상기 도로 정보 및 행동 정보를 기초로 군집화를 수행하여 주요 경로를 추출하는 단계;(c) 상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 단계; 및(d) 상기 구성된 확률 그래프 모델을 학습하고, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 단계를 포함하고,상기 (b) 단계는 (b-1) 행동 정보의 변환을 기준으로 복수 개의 시퀀스(sequence)를 분할하는 단계, (b-2) 행동 정보가 동일하고 기설정된 범위 이상의 도로를 공유하는 적어도 하나의 시퀀스에 대한 그룹을 생성하는 단계 및 (b-3) 상기 생성된 그룹에서 가장 긴 시퀀스를 선택하고, 상기 선택된 시퀀스의 시작점 및 끝점을 지나는 최단 경로를 결정하여 상기 주요 경로를 추출하는 단계를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

삭제

GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에서 수행되는 사용자의 이동 경로 실시간 예측 방법에 있어서,(a) 상기 센서에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 단계;(b) 상기 수집된 센싱데이터, 도로 정보 및 행동 정보 중 적어도 하나를 기초로 사용자에게 일상적인 패턴으로서 표현될 수 있는 복수의 주요 장소들 및 주요 경로들을 추출하는 단계;(c) 상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 단계; 및(d) 상기 구성된 확률 그래프 모델을 학습하고, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 단계를 포함하고,상기 (c) 단계는 은닉 변수, 현재 관측치 및 이전 관측치의 함수에 따라 전이 행렬과 관측 행렬이 변화하는 멀티스위치 은닉 마코프 모델(multiswitch Hidden Markov Models, mHMM)을 구성하는 단계를 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

제7항에 있어서, 상기 (c) 단계는 (c-1) 시계열적인 도로 정보 및 행동 정보 각각에 대한 조건을 표현하는 멀티스위치; 시점과 연관된 도로 정보 및 행동 정보 각각에 대한 관측치; 및 예측 경로와 예측 도착지를 포함하는 예측치에 대한 연관 관계 및 시계열적 관계를 정의하여 상기 mHMM을 구성하는 단계를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

제8항에 있어서, 상기 (c) 단계는 (c-2) 상기 구성된 mHMM을 제2 데이터베이스에 저장하는 단계를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

제7항에 있어서, 상기 (d) 단계는(d-1) 상기 센싱데이터, 도로 정보 및 행동 정보 중 적어도 하나를 이용하여 상기 구성된 mHMM의 파라미터를 학습하는 단계를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

제10항에 있어서, 상기 (d-1) 단계는기정의된 EM(Expectation-Maximization) 알고리즘을 통하여 상기 구성된 mHMM의 파라미터를 학습하는 단계를 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 방법.

제11항에 있어서, 상기 (d) 단계는(d-2) 상기 학습된 mHMM 및 상기 센서로부터 획득되는 센싱데이터를 기초로 기정의된 FF(Forword Filtering) 방법을 사용하여 추론을 수행하는 단계를 더 포함하는 것을 특징으로 하는사용자의 이동 경로 실시간 예측 방법.

GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에 있어서,센서부에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 센싱데이터 처리부;상기 센싱 데이터에서 방문 횟수 및 방문 지속 시간을 기반으로 복수의 주요 장소들을 추출하는 주요 장소 추출부;상기 센싱데이터, 도로 정보 및 행동 정보를 기초로 군집화를 수행하여 복수의 주요 경로들을 추출하는 주요 경로 추출부;상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 확률 모델 구성부; 및상기 구성된 확률 그래프 모델에 대한 학습이 완료되면, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 예측부를 포함하고,상기 센싱 데이터 처리부는 상기 센서에 의하여 획득되는 상기 GPS 신호에 해당하는 위치와 가장 가까운 도로를 검색하고, 상기 도로를 나타내는 도로 정보를 생성하여 제1 데이터베이스에 저장하는 도로 검색부를 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 시스템.

삭제

제13항에 있어서, 상기 센싱 데이터 처리부는상기 수집된 센싱데이터를 기초로 사용자의 현재 행동이 소정의 기 분류된 행동들 중 어느 하나에 속하는지 결정하여 상기 결정된 행동을 나타내는 행동 정보를 생성하고, 상기 생성된 행동 정보를 상기 제1 데이터베이스에 저장하는 행동 인식부를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 시스템.

GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에 있어서,센서부에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 센싱데이터 처리부;상기 센싱 데이터에서 방문 횟수 및 방문 지속 시간을 기반으로 복수의 주요 장소들을 추출하는 주요 장소 추출부;상기 센싱데이터, 도로 정보 및 행동 정보를 기초로 군집화를 수행하여 복수의 주요 경로들을 추출하는 주요 경로 추출부;상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 확률 모델 구성부; 및상기 구성된 확률 그래프 모델에 대한 학습이 완료되면, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 예측부를 포함하고,상기 주요 장소 추출부는 상기 수집된 센싱데이터에 대하여 가우시안 혼합 모델(Gaussian Mixture Model, GMM)을 적용하고, 상기 GMM이 적용된 데이터에 대하여 방문 횟수 및 방문 지속 시간을 기반으로 주요 장소를 추출하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 시스템.

GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에 있어서,센서부에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 센싱데이터 처리부;상기 센싱 데이터에서 방문 횟수 및 방문 지속 시간을 기반으로 복수의 주요 장소들을 추출하는 주요 장소 추출부;상기 센싱데이터, 도로 정보 및 행동 정보를 기초로 군집화를 수행하여 복수의 주요 경로들을 추출하고 상기 시계열적으로 저장된 센싱데이터를 상기 도로 정보 및 행동 정보를 기초로 군집화를 수행하여 주요 경로를 추출하는 주요 경로 추출부;상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 확률 모델 구성부; 및상기 구성된 확률 그래프 모델에 대한 학습이 완료되면, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 예측부를 포함하고,상기 주요 경로 추출부는 행동 정보의 변환을 기준으로 복수 개의 시퀀스(sequence)를 분할하며 행동 정보가 동일하고 기설정된 범위 이상의 도로를 공유하는 적어도 하나의 시퀀스에 대한 그룹을 생성하고, 상기 생성된 그룹에서 가장 긴 시퀀스를 선택하고 상기 선택된 시퀀스의 시작점 및 끝점을 지나는 최단 경로를 결정하여 상기 주요 경로를 추출하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 시스템.

GPS 신호를 포함하는 센싱데이터를 획득할 수 있는 센서와 연결될 수 있는 사용자의 이동 경로 실시간 예측 시스템에 있어서,센서부에 의하여 시계열적으로 수집된 센싱데이터에서 도로 정보 및 행동 정보를 생성하여 저장하는 센싱데이터 처리부;상기 센싱 데이터에서 방문 횟수 및 방문 지속 시간을 기반으로 복수의 주요 장소들을 추출하는 주요 장소 추출부;상기 센싱데이터, 도로 정보 및 행동 정보를 기초로 군집화를 수행하여 복수의 주요 경로들을 추출하는 주요 경로 추출부;상기 추출된 복수의 주요 장소들 및 주요 경로들 각각과 연관된 스위치들을 포함하는 확률 그래프 모델을 구성하는 확률 모델 구성부; 및상기 구성된 확률 그래프 모델에 대한 학습이 완료되면, 학습된 모델 및 상기 센서로부터 입력되는 센싱데이터를 기초로 사용자의 이동 장소 및 경로 중 적어도 하나를 예측하는 예측부를 포함하고,상기 확률 모델 구성부는 은닉 변수, 현재 관측치 및 이전 관측치의 함수에 따라 전이 행렬과 관측 행렬이 변화하는 멀티스위치 은닉 마코프 모델(multiswitch Hidden Markov Models, mHMM)을 구성하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 시스템.

제18항에 있어서, 기정의된 EM(Expectation-Maximization) 알고리즘을 통하여 상기 센싱데이터, 도로 정보 및 행동 정보 중 적어도 하나를 이용하여 상기 구성된 mHMM의 파라미터를 학습하는 학습부를 더 포함하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 시스템.

제19항에 있어서, 상기 예측부는상기 학습된 mHMM 및 상기 센서로부터 획득되는 센싱데이터를 기초로 기정의된 FF(Forword Filtering) 방법을 사용하여 추론을 수행하는 것을 특징으로 하는 사용자의 이동 경로 실시간 예측 시스템.