프로젝트

일반

사용자정보

사양한계 #31

Chris Bae이(가) 약 3년 전에 변경

해당 모델에 대한 해석은 다음과 같이 할 수 있습니다. 
 ★★ 민원이 접수된 데이터를 바탕으로 잠재적 도로관리 대상을 발견하기 위한 모델 

 DTG 정보는 보통 가공된 형태의 데이터(예: 급가속, 급감속 등)로 출력됩니다. 하지만 딥러닝을 통해 DTG 센서로부터 수집되는 Raw 데이터(예: X축 기울기, Y축 기울기 등)와 고객이 제공하는 결과데이터(고객이 도로파손으로 판정하는 시점의 DTG 출력데이터) 를 분석하여 연관관계를 예측하기 위한 모델을 개발합니다. 이때 고객이 직접 결과데이터를 판정함에 따라 이 결과데이터는 확정적으로 볼 수 있습니다.  

 차량A 
 시간       X축     Y축      Z축     
 09:30    0.12    0.42    0.52 
 09:40    0.11    0.52    0.22 (고객이 영상 또는 스트리트뷰 등을 통해 해당 차량이 해당시점에 민원발생 지점을 지나갔다고 판정) 
 10:20    0.87    0.47    0.79 

 차량B 
 시간       X축     Y축      Z축     
 09:28    0.21    0.34    0.78 
 10:42    0.35    0.72    0.78  
 10:55    0.33    0.12    0.09 (고객이 영상 또는 스트리트뷰 등을 통해 해당 차량이 해당시점에 민원발생 지점을 지나갔다고 판정) 

 차량A의 자동차A의 09:40 데이터와 차량B의 자동차B의 10:55 데이터를 학습시켜 딥러닝 모델을 개발합니다.모델이 개발되면 추가적으로 입력되는 차량의 센서데이터를 입력으로 하여 결과를 예측하고 예측이 일치하면 모델학습을 강화하며, 예측이 실패한 경우 예측 정확도를 높이기 위한 변수를 재설정하여 예측 정확도를 높이는 작업을 진행합니다. 

 변수 설정에 대한 예시와 가설은 다음과 같이 설정될 수 있습니다.  
 가설) 유사항 차량 타입(예: 버스, 택시)에 대한 예측모델은 같은 차량 타입의 결과 예측에 더 정확할 것이다.  
 ★★ 간단히 말해 버스는 버스끼리 택시는 택시끼리 예측모델을 개발하여 예측에 활용한다는 뜻입니다.

뒤로