도시 센서 데이터로부터 지역 그래프(region graph)를 생성하는 단계; 상기 지역 그래프의 그래프 중심성 지표를 이용하여 공간 이상 지역(spatial outlier)을 판단하는 단계; 상기 공간 이상 지역의 상기 도시 센서 데이터 및 상기 공간 이상 지역이 아닌 일반 지역의 상기 도시 센서 데이터에 대해 서로 다른 가중치를 이용하여 감지 모델을 학습하는 단계; 및상기 감지 모델을 이용하여 도시 이벤트를 판단하는 단계를 포함하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 지역 그래프를 생성하는 단계는상기 도시 센서 데이터로부터 지역 특성값(region feature)를 생성하는 단계; 및상기 지역 특성값을 기초로 상기 지역 그래프를 생성하는 단계를 포함하는 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 지역 그래프를 생성하는 단계는 지역 쌍 간의 유사성을 판단하는 단계를 포함하고, 상기 지역 쌍 간의 유사성은 에 의해 결정되고,여기서 Rx, Ry ∈ 이고, Rj는 각 시간 단위에 대한 j지역의 도시 동태(003c#Rj.a1, ...,Rj.az003e#)를 나타내고, m은 특정 시간을 나타내고, x, y, j,z는 자연수이며, p는 상수인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제3항에 있어서, 상기 지역 쌍 간의 상기 유사성은 상기 지역 쌍 간의 에지 가중치인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 그래프 중심성 지표는 제1 중심 지표(Centeredness) 및 제2 중심 지표(Center-closeness)를 포함하고,상기 제1 중심 지표(Centeredness)는 제1 정점이 다른 정점들에 의해 중심으로 간주되는 정도이고, 상기 제2 중심 지표(Center-closeness)는 상기 제1 정점이 중심으로 간주될 가능성이 있는 다른 정점들과 가까운 정도인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제5항에 있어서, 제1 지역의 상기 제1 중심 지표(Centeredness) 및 상기 제2 중심 지표(Center-closeness)의 평균이 임계값보다 작으면, 상기 제1 지역은 상기 공간 이상 지역으로 판단되는 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제5항에 있어서, 상기 제1 중심 지표(Centeredness)는이고,q는 D를 참조하는 지역이고, Wq→D는 지역 q에서 지역 D까지의 에지 가중치이며, Out(q)는 q가 참조하는 지역 집합이고, SUM(Out(q))는 q에서 Out(q)까지의 모든 에지 가중치의 합인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제7항에 있어서, 상기 제1 중심 지표(Centeredness)가 c이고, 상기 제1 중심 지표의 i+1번째 연산이 이며, W가 에지 가중치 행렬일 때, 은 semi-definite 행렬 의 principal eigenvector로 수렴하는 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제8항에 있어서, 상기 제2 중심 지표(Centeredness)가 cc이고, k는 노멀라이즈 계수일 때, 인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제5항에 있어서, 상기 제2 중심 지표(Centeredness)는이고,r은 D가 참조하는 모든 지역이고, WD→r은 지역 D에서 지역 r까지의 에지 가중치이며, In(r)은 r을 참조하는 지역 집합이고, SUM(In(r))은 In(r)에서 r까지의 모든 에지 가중치의 합인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제10항에 있어서, 상기 제2 중심 지표(Centeredness)가 cc이고, 상기 제2 중심 지표의 i+1번째 연산이 이며, W가 에지 가중치 행렬일 때, 은 semi-definite 행렬 의 principal eigenvector로 수렴하는 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제11항에 있어서, 상기 제1 중심 지표(Centeredness)가 c이고, k는 노멀라이즈 계수일 때, 인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 공간 이상 지역의 상기 도시 센서 데이터의 가중치는 상기 일반 지역의 상기 도시 센서 데이터의 가중치보다 작은 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제13항에 있어서, 상기 공간 이상 지역의 상기 도시 센서 데이터의 상기 가중치는 0.1이고, 상기 일반 지역의 상기 도시 센서 데이터의 상기 가중치 1인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 감지 모델의 목적 함수는 이고, 이고, 이며, 는 모델 변동성(model variability)을 나타내고, 는 트레이닝 세트의 비정상 데이터 포인트 비율에 대한 하이퍼파라미터이며, 은 데이터 포인트의 개수이고, 는 도시 동태에 따른 가중치이고, 는 각 데이터 포인트에 대한 슬랙 변수(slack variable)이며, 는 결정 경계에서 원점까지의 거리이고, 는 특징 공간(feature space)에 대한 기저 함수(basis function)인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제15항에 있어서, 상기 목적 함수를 라그랑주 함수로 표현하면, 이고, αi 및 βi는 라그랑주 승수인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제16항에 있어서, 및 커널 함수를 적용하면 상기 라그랑주 함수는 으로 표현되고, 이고, 이며, K는 커널 함수인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제17항에 있어서, 상기 감지 모델의 결정 경계 함수는 이고, 는 라그랑주 승수의 최적값이며, 는 상기 결정 경계에서 상기 원점까지의 거리의 최적값인 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 도시 이벤트를 판단하는 단계는 상기 감지 모델을 이용하여 도시 이상 점수를 판단하는 단계; 및상기 도시 이상 점수를 기초로 상기 도시 이벤트를 판단하는 단계를 포함하고,상기 도시 이상 점수가 음수일 때, 상기 도시 이벤트가 발생한 것으로 판단되는 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 도시 이벤트는 차량 충돌, 소셜/스포츠 이벤트, 긴급 작업, 차량 고장 및 긴급 사고를 포함하는 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항에 있어서, 상기 도시 센서 데이터는 노상 주차 데이터, 보행자 데이터 및 차량 이동 데이터를 포함하는 것을 특징으로 하는 그래프 기반 기계 학습을 이용하여 도시 이벤트를 감지하는 방법.

제1항 내지 제21항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체.