복수의 사물인터넷 서비스에 대해 각각 할당된 서비스 에이전트가 자신의 서비스를 서비스 레지스트리에 등록하고, 자신의 현재 상태를 서비스 레지스트리에 주기적으로 업데이트하는 단계; 사용자 단말이 서비스 레지스트리에 사물인터넷 서비스를 요청하면, 서비스 레지스트리는 후보 사물인터넷 서비스 집합을 검색하는 단계; 검색된 각 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트는 서비스 레지스트리로부터 경험 품질을 예측하기 위한 호출을 수신 받아 경험 품질 예측을 위한 분산 학습 및 강화 학습을 수행하여 경험 품질 예측 결과를 서비스 레지스트리에 리턴하는 단계; 및 사용자 단말이 서비스 레지스트리로부터 상기 후보 사물인터넷 서비스 집합 및 상기 경험 품질 예측 결과를 수신 받아 후보 사물인터넷 서비스 집합 중 가장 높은 경험 품질을 제공하는 서비스 에이전트를 선택하고, 선택된 서비스 에이전트에 대해 피드백하는 단계 를 포함하고, 상기 검색된 각 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트는 서비스 레지스트리로부터 경험 품질을 예측하기 위한 호출을 수신 받아 경험 품질 예측을 위한 분산 학습 및 강화 학습을 수행하여 경험 품질 예측 결과를 서비스 레지스트리에 리턴하는 단계는, 상기 사용자 단말이 가장 높은 경험 품질을 제공하는 서비스 에이전트를 선택하여 해당 서비스 에이전트에 대해 피드백한 후, 해당 서비스 에이전트는 사용자 단말의 피드백을 이용하여 경험 품질 예측을 위한 강화 학습을 수행하고, 경험 품질 예측 결과를 업데이트하는 단계를 포함하고, 사용자 단말로부터 피드백을 수신한 서비스 에이전트는 경험 품질 예측 정확도를 높이기 위해 경사 하강 기법을 사용하여 상기 서비스 에이전트의 물리적 환경 요소를 나타내는 지문을 업데이트하는공공 사물인터넷 서비스 선택 방법.

제1항에 있어서,상기 검색된 각 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트는 서비스 레지스트리로부터 경험 품질을 예측하기 위한 호출을 수신 받아 경험 품질 예측을 위한 분산 학습 및 강화 학습을 수행하여 경험 품질 예측 결과를 서비스 레지스트리에 리턴하는 단계는, 상기 검색된 각 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트는 경험 품질을 예측하기 위해 분산 학습 방식으로 학습을 수행하며, 사용자 단말이 상기 해당 서비스 에이전트의 서비스를 선택할 경우 예상되는 경험 품질 값인 해당 서비스 에이전트의 상태에 따른 행동을 수행할 때 누적 보상의 기대값을 추정하여, 추정되는 기대값에 따라 경험 품질을 예측하는 공공 사물인터넷 서비스 선택 방법.

제2항에 있어서,상기 검색된 각 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트는 서비스 레지스트리로부터 경험 품질을 예측하기 위한 호출을 수신 받아 경험 품질 예측을 위한 분산 학습 및 강화 학습을 수행하여 경험 품질 예측 결과를 서비스 레지스트리에 리턴하는 단계는, 상기 후보 사물인터넷 서비스 집합에 대한 서비스 에이전트들 간의 물리적 환경 요소에 따른 간섭을 인식하기 위해 각 서비스 에이전트는 상기 기대값 추정을 위해 다른 서비스 에이전트의 상태를 수집하고, 상기 다른 서비스 에이전트의 상태의 가중치 합을 고정 길이 컨텍스트 벡터로 요약하여, 지문 어텐션(Fingerprint Attention) 기반 학습을 통해 서비스 에이전트들 간의 간섭에 따른 기대값을 추정하는 공공 사물인터넷 서비스 선택 방법.

삭제

제1항에 있어서, 상기 검색된 각 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트는 서비스 레지스트리로부터 경험 품질을 예측하기 위한 호출을 수신 받아 경험 품질 예측을 위한 분산 학습을 수행하여 경험 품질 예측 결과를 서비스 레지스트리에 리턴하는 단계는, 해당 서비스 에이전트가 지문 어텐션 기반 학습을 통해 컨텍스트 벡터를 계산하고, 서비스 에이전트들 간의 물리적 환경 요소에 따른 간섭을 추정하기 위해 완전 연결된 단일 신경망 계층을 통해 다른 서비스 에이전트의 지문을 변환하고, 상기 변환된 지문과 지문의 내적을 계산하여 어텐션 점수와 유사도 점수를 획득하고, 상기 어텐션 점수를 어텐션 가중치로 변환하여 다른 서비스 에이전트의 현재 상태와 지문을 연결하여 가중치 합을 계산하는 공공 사물인터넷 서비스 선택 방법.

서비스 레지스트리, 서비스 에이전트 및 사용자 단말을 포함하는 공공 사물인터넷 서비스 선택 시스템에 있어서, 상기 서비스 에이전트는, 복수의 사물인터넷 서비스에 대해 각각 할당된 서비스 에이전트의 서비스를 서비스 레지스트리에 등록하고, 자신의 현재 상태를 서비스 레지스트리에 주기적으로 업데이트하는 상태 측정부; 및 서비스 레지스트리를 통해 검색된 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트가 서비스 레지스트리로부터 경험 품질을 예측하기 위한 호출을 수신 받아 경험 품질 예측을 위한 분산 학습 및 강화 학습을 수행하여 경험 품질 예측 결과를 서비스 레지스트리에 리턴하는 경험 품질 예측부를 포함하고, 상기 사용자 단말은, 서비스 레지스트리가 후보 사물인터넷 서비스 집합을 검색하도록 서비스 레지스트리에 사물인터넷 서비스를 요청하고, 서비스 레지스트리로부터 상기 후보 사물인터넷 서비스 집합 및 서비스 에이전트로부터 경험 품질 예측 결과를 수신 받아 후보 사물인터넷 서비스 집합 중 가장 높은 경험 품질을 제공하는 서비스 에이전트를 선택하는 사용자 단말의 서비스 선택부; 및 상기 선택된 서비스 에이전트에 대해 피드백하는 피드백부를 포함하고, 상기 경험 품질 예측부는, 상기 사용자 단말의 피드백부로부터 선택된 서비스 에이전트에 대한 피드백을 수신한 후, 해당 서비스 에이전트는 사용자 단말의 피드백을 이용하여 경험 품질 예측을 위한 강화 학습을 수행하고, 경험 품질 예측 결과를 업데이트하며, 상기 경험 품질 예측 정확도를 높이기 위해 경사 하강 기법을 사용하여 상기 서비스 에이전트의 물리적 환경 요소를 나타내는 지문을 업데이트하는 공공 사물인터넷 서비스 선택 시스템.

제6항에 있어서,상기 경험 품질 예측부는, 상기 검색된 각 후보 사물인터넷 서비스에 대한 해당 서비스 에이전트는 경험 품질을 예측하기 위해 분산 학습 방식으로 학습을 수행하며, 사용자 단말이 상기 해당 서비스 에이전트의 서비스를 선택할 경우 예상되는 경험 품질 값인 해당 서비스 에이전트의 상태에 따른 행동을 수행할 때 누적 보상의 기대값을 추정하여, 추정되는 기대값에 따라 경험 품질을 예측하는 공공 사물인터넷 서비스 선택 시스템.

제7항에 있어서,상기 경험 품질 예측부는, 상기 후보 사물인터넷 서비스 집합에 대한 서비스 에이전트들 간의 물리적 환경 요소에 따른 간섭을 인식하기 위해 각 서비스 에이전트는 상기 기대값 추정을 위해 다른 서비스 에이전트의 상태를 수집하고, 상기 다른 서비스 에이전트의 상태의 가중치 합을 고정 길이 컨텍스트 벡터로 요약하여, 지문 어텐션(Fingerprint Attention) 기반 학습을 통해 서비스 에이전트들 간의 간섭에 따른 기대값을 추정하는 공공 사물인터넷 서비스 선택 시스템.

삭제

제6항에 있어서, 상기 경험 품질 예측부는, 해당 서비스 에이전트가 지문 어텐션 기반 학습을 통해 컨텍스트 벡터를 계산하고, 서비스 에이전트들 간의 물리적 환경 요소에 따른 간섭을 추정하기 위해 완전 연결된 단일 신경망 계층을 통해 다른 서비스 에이전트의 지문을 변환하고, 상기 변환된 지문과 지문의 내적을 계산하여 어텐션 점수와 유사도 점수를 획득하고, 상기 어텐션 점수를 어텐션 가중치로 변환하여 다른 서비스 에이전트의 현재 상태와 지문을 연결하여 가중치 합을 계산하는 공공 사물인터넷 서비스 선택 시스템.