지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박상현
- 발행연도
- 2015
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
데이터 프로세싱을 이용한 연구가 데이터 수집, 저장, 처리, 그리고 분석에서부터 미래예측으로 이동하고 있다. 또한 다양한 센서를 탑재한 모바일 디바이스의 보급화로 모바일 데이터의 양이 폭발적으로 증가하게 되었다. 이에 따라 모델 기반의 연구와 위치정보기반 서비스 연구도 더욱 활발히 이뤄질 수 있게 되었다. 위치기반서비스 중 주목할만한 소재는 목적지 예측이며 이를 증진시키기 위해서는 신뢰할 수 있는 수준의 예측 정확도(prediction accuracy), 빠른 실행속도(process velocity), 그리고 환경에 대한 시스템의 가변성(system variability) 등의 고려가 필요하다. 여태까지 목적지 예측을 위한 연구들 중 많은 경우들이 은닉 마르코프 모델(Hidden Markov Model, HMM)을 이용하였지만 이 방법의 단점인 지수관계적 시간복잡도(exponential time complexity)를 충분히 고려하지 못하였고 새로운 환경에 대한 적응력 또한 고려하지 않은 경우도 빈번하였다.
본 연구에서는 이중 확률처리 방법인 HMM을 개량하여 신속하고 지속적인 모델 매개변수(parameter) 업데이트 방법을 제안하고 이 방법을 사용한 목적지 예측 시스템을 구축한다. 이를 위하여 목적지 예측에 맞춰 앙상블 학습(Ensemble Training, ET), 후향 과정 근사(Backward Process approximation)를 변형하고 가중합 형태의 HMM Online 학습 방법을 제안한다. 제안한 방법은 기존의 Baum-Welch 5~6%의 EM 과정 연산량으로 Baum-Welch의 평균 예측율 32~63%보다 높은 39~69%의 목적지 예측율을 보였다.
본 연구에서는 이중 확률처리 방법인 HMM을 개량하여 신속하고 지속적인 모델 매개변수(parameter) 업데이트 방법을 제안하고 이 방법을 사용한 목적지 예측 시스템을 구축한다. 이를 위하여 목적지 예측에 맞춰 앙상블 학습(Ensemble Training, ET), 후향 과정 근사(Backward Process approximation)를 변형하고 가중합 형태의 HMM Online 학습 방법을 제안한다. 제안한 방법은 기존의 Baum-Welch 5~6%의 EM 과정 연산량으로 Baum-Welch의 평균 예측율 32~63%보다 높은 39~69%의 목적지 예측율을 보였다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0