안녕하세요!

SKT Fellowship 5기에서 무선신호 패턴 분석을 통한 실내/외 추정 연구 과제를 진행하게 된 팀 WAY 입니다.

저희 팀명은 Where Are You(위치 추정)을 위한 Way(방법)을 찾겠다는 의미로 “WAY”로 정했습니다!

첫 포스트에서는 저희가 맡은 과제에 대한 연구 내용과 계획에 대해 소개해 드리려고 합니다.

1. 과제 추진 배경

리트머스 란?

대부분의 사람들은 매일 어딘가로 이동하고, 머무르고 또 이동합니다. 그들은 어디에서 어디로 무엇을 위해 이동하는 걸까요? 이러한 이동으로부터 더 유용한 정보를 알아낼 수 있다면 어떨까요?

리트머스(LITMUS)는 SK텔레콤이 보유하고 있는 다양한 위치 기반 데이터를 분석해 ‘이동’과 ‘체류’에 담겨 있는 사람들의 이야기를 추정하고 구체화하는 위치 인텔리전스 시스템(Location intelligence System) 입니다.

그림출처: https://openapi.sk.com/community/news/detailView?newsSeq=3081

이러한 시스템을 활용하여 도시, 교통, 네트워크, 마케팅, 인구통계 등 다양한 현대 사회 문제를 해결하기 위한 도메인 솔루션을 구성하여 사람들의 삶을 더 편리하고 안전하게 만들고자 합니다.

• 스마트 시티 솔루션

  • 지표와 데이터로 도시 설계, 탄소 배출 감시, 정책 효과성 모니터링이 가능

• 교통 솔루션

  • 교차로를 포함한 교통량 데이터와 주차 수요 지수 제공으로 교통 최적화

• 생활 인구 솔루션

  • 기존 인구 분포에 더해 이동의 목적과 수단이 조합된 새로운 인사이트 제공

• 마케팅 솔루션

  • DOOH, 타겟 마케팅 등을 위한 필터링 및 효과성 검증 솔루션

리트머스에 대한 자세한 내용은 여기서 확인할 수 있습니다.

실/내외 분류 및 필요성

리트머스 기술을 달성하기 위해서 다음과 같은 6개의 단계들이 존재합니다.

위 단계 중 저희는 Level 2 와 Level 3 과정에 초점을 맞추어 측위 대상인 무선 신호 데이터가 실내에 위치한 데이터인지 AI 기술을 활용해 먼저 판단하고자 합니다.

사용자의 실내/외 분류를 통해 건물 단위 혼잡도, 망품질, Context 분석 등 다양한 곳에 활용할 수 있습니다.

• 예를 들어 고객들이 어떤 건물에서 얼마만큼 데이터를 쓰고 활동을 하는지 분석하여 붐비는 지역에 추가 중계기 설치 등을 할 수 있겠습니다.

2. 무선 신호 데이터 소개

저희가 다루게 될 데이터는 일반적으로 스마트폰을 이용해 통신을 수행할 때 발생하는 데이터들이라고 보시면 됩니다.

예를 들어 T전화 또는 Tmap 앱을 통한 통신 기능을 이용하기 위해 우리는 무선 통신 단말기로부터 WIFI, 또는 기지국으로부터 LTE, 5G 등의 무선 신호를 받아 이용하게 됩니다.

이러한 무선 신호 내에는 신호 세기와 같은 다양한 feature 정보들이 존재합니다.

WIFI 데이터

• ssid, mac, rssi, ch 등

Cellular 데이터 (LTE,5G 등)

• eci, rsrp, rsrq, rssi, pci, ta ,tac ,sinr, ri, frequency 등

기타 데이터

• 수집 시간, 위/경도 좌표

무선 신호 Features 예시

또한 수집되는 무선신호 데이터의 크기가 매우 큽니다.

WIFI 데이터만 해도 전국으로부터 하루에 약 4천만 건 정도나 수집이 된다고 하네요.

다양하고 많은 무선 신호를 어떻게 처리할지도 굉장히 중요한 포인트가 될 것 같습니다.

3. 과제 목표 및 수행 방안

저희의 최종 목적은 상용 데이터에 대한 실내/외 분류를 수행하는 것입니다.

상용 데이터에는 T 전화, AOM, HPS 등으로 T 전화 또는 Tmap 앱 등에서 수집되는 정보들입니다.

하지만 수집된 상용 데이터 내에는 실/내외 정답 레이블 정보가 존재하지 않습니다.

그러므로 직접 무선 신호 단말기를 들고 다양한 곳을 돌아다니며 실내 및 실외에 해당하는 무선 신호 정보를 수집할 필요가 있습니다.

저희는 아래 과정과 같이 직접 무선 신호(와이파이 + Cellular) 데이터를 직접 수집하고 실내/외를 구별할 수 있는 이진 분류 모델 개발 및 평가하여 상용 데이터(T전화, AOM, HPS) 실/내외 분류에 적용하고자 합니다.

과제 목표 달성을 위한 실행 방안

데이터 수집 및 분석

실내와 실외를 어떠한 기준으로 정의해야 할까요?

실내 / 실외를 어떠한 기준으로 정의하는가에 따라 모델의 성능이 크게 바뀔 것입니다.

왜냐하면 아주 얇은 유리창 하나로 실내 실외가 바뀌는 경우, 사실상 무선신호의 차이는 미약할테니까요.

이 뿐만 아니라 옥상은 실내인지 실외인지 등 여러 가지 정의해야 할 사항들이 남아있습니다.

마침 SK텔레콤 측에서 저희에게 직접 무선 신호를 수집할 수 있는 단말기와 앱을 제공해주실 예정이라고 하니 직접 무선신호를 찾아 떠나보려 합니다!

멘토님께서 사사로운 케이스(건물 밖이지만 대중교통을 타는 경우, 실외에 지붕만 존재하는 포장마차 등)까지 같이 해결하려고 고민하지 말고

백화점, 학교, 복합건물 등 많은 사람들이 이용하고 특징이 도드라지는 건물부터 분석해보기를 조언해주셨습니다.

그러므로 저희는 우선적으로** 대표적인 건물 유형을 최소 10가지** 가량으로 선정하고,

직접 무선신호를 수집하고 분석해나가며 무선 신호에 대한 이해와 실내/외 분류를 위한 최적의 방안을 탐색해 나갈 예정입니다.

모델 개발

멘토님께서 특정 새로운 방법론을 고집하기 보다 먼저 간단한 메소드들을 적용해 보며 성능을 확인해 보길 권유하셨습니다.

그러므로 저희는 Random Forest부터 LSTM 등 다양한 머신러닝 및 딥러닝 알고리즘을 적용하고 오차를 분석하여 최적의 성능을 도출할 수 있는 모델을 개선해나갈 예정입니다.

그래프 인공지능 모델

최적의 성능을 위한 방법론 중 하나로 저희는 무선신호 데이터를 그래프화하여 GNN과 같은 그래프 인공지능 모델 활용을 고려하고 있습니다.

실제로 최근 연구들에서 무선 신호 위치 추정을 위해 CNN과 LSTM 같은 인공지능 모델보다 GNN 계열 모델을 이용한 경우 더 좋은 성능을 보인다는 연구들이 등장하고 있고,

또한 무선신호 정보를 그래프 데이터로 표현한다면 무선 신호 내 존재하는 기하학적인 특징을 포착할 수 있어 더 좋은 위치 추정 성능을 보일 것으로 예상합니다.

XAI를 이용한 모델 예측 결과 분석

XAI란 딥러닝과 같이 해석하기 어려운 복잡한 AI 모델에 대해 예측 근거를 인간이 이해할 수 있는 형태로 설명해 줄 수 있는 기술입니다.

저희는 추후 모델 개발을 통한 예측이 수행된 후 XAI를 통해 입력단에서 원인 분석을 수행을 고려하고 있습니다.

이를 통해 모델 예측 영향도 정보 도출을 통해 최적의 feature를 선별하여 분류 성능 개선에 도움을 줄 수 있을 것으로 예상합니다.

4. 추진 계획

2주에 1번 온라인 회의를 진행하고 킥오프 회의 또는 필요시 오프라인 회의를 진행하려고 합니다.

또한 정기적인 회의뿐만 아니라 수시로 멘토님들을 괴롭 조언을 구해가며 연구를 진행할 계획입니다!

5. 팀 소개

저희 WAY 팀은 고려대학교 석사 이형일, 정관영, 한성민으로 팀입니다.

저희 모두 같은 연구실 소속으로 친하고 팀웍이 좋습니다!

멘토분들께서 저희에게 많은 기대를 하고 계신만큼 보답해 드릴 수 있도록 하겠습니다!