1.서 론

스마트홈 환경에서 거주자의 라이프스타일과 행동 특성 을 학습하여 지능형 서비스를 추천하기 위한 다양한 연구 가 지속되고 있다[1-4, 6, 7, 13, 14, 17]. 이러한 연구는 스마 트홈의 공기 질의 관리나 온도 조절[3, 13], 거주자의 이상 활동 감지[7], 스마트홈의 에너지 사용 조절[5, 8], 노인을 위한 지능형 서비스[14]처럼 스마트홈 관련 특정 서비스나 특정 종류의 센서 정보에 한정된 연구가 대부분이다.

그런데 스마트홈 환경에서 지능형 서비스를 수행하기 위해서는 스마트 단말, 센서, 가전제품 등에서 수많은 데 이터를 수집해야 하며, 거주자의 행동 패턴의 특성과 라 이프스타일 등을 학습하는 복잡한 과정이 공통적으로 요 구된다. 따라서 스마트홈 환경에서 특정 서비스를 제공 하기 위해 별도의 시스템을 개발하는 것보다는, 거주자 의 필요에 따라 다양한 서비스가 추가될 수 있는 스마트 홈 지능형 서비스 플랫폼이 구축하는 것이 바람직하다. 왜냐하면 스마트홈을 위한 서비스 플랫폼이 구축되면 플 랫폼에서 거주자에 대한 폭넓은 데이터가 동일한 방식으 로 수집되어 공통된 행동 특성과 라이프스타일을 예측한 후, 이를 개별 서비스에서 공통적으로 활용할 수 있기 때 문이다. 이러한 이유로 스마트홈 지능형 서비스 플랫폼 을 개발하고자 하는 연구들이 있어 왔다[1, 2, 6].

<Figure 1>은 스마트홈 지능형 서비스 플랫폼을 개념 적으로 모형화한 것이다. <Figure 1>에서 보듯이 서비스 플랫폼은 스마트홈 환경 내의 다양한 스마트 단말, 센서 및 각종 IoT(Internet of Things) 기기, 스마트홈 관제 기 기(방범 카메라 등), 스마트 가전 등과 연결될 수 있어야 한다. 또한 스마트홈 환경에서 지능형 서비스 플랫폼은 다양한 기기가 추가되고 사라지는 동적인 환경에서 끊임 없는 연결성을 유지할 수 있어야 한다. 또한 연결된 기기 로부터 데이터를 수집하고, 적절한 방식으로 이러한 기 기를 조정할 수 있는 메커니즘을 확보해야 할 것이다.

또한 스마트홈 지능형 서비스 플랫폼은 수집된 데이 터를 종합적으로 분석하여 사용자의 행동 패턴을 예측하 여 적절하게 서비스를 추천할 수 있는 서비스 추천 모형 을 생성할 수 있는 기능이 필요하다. 그리고 이를 위해서 는 스마트홈 환경에서 발생할 수 있는 다양한 서비스 추 천 모형을 생성할 수 있는 범용형 데이터 마이닝 기법의 플랫폼 탑재가 필요하다.

지금까지 스마트홈 지능형 서비스 플랫폼에 대한 연구 는 주로 기기와의 연결성, 데이터 수집, 서비스 조절 메커 니즘 측면에서 주로 연구되었고[1, 2, 6], 서비스 플랫폼의 지능이라고 할 수 있는 서비스 추천 모형을 생성하는 방식 에 대한 연구는 적었다. 특히 서비스 추천 모형을 생성하는 데 적합한 데이터 마이닝 기법에 대한 연구는 없었다. 유사 한 연구로는 IoT 환경 전반이나 이상탐지에 적합한 데이터 마이닝 기법에 대한 연구가 있었다[8, 10, 15]. 그러나 스마 트홈 지능형 서비스 플랫폼에 한정된 연구는 없었다.

본 연구에서는 스마트홈 지능형 서비스 플랫폼에서 사 용하기에 적합한 데이터 마이닝 기법을 평가하는 것을 연 구목표로 한다. 이를 위해 본 연구는 다음 4가지 내용을 수행한다.

첫째, 기존의 스마트홈 환경에서 지능형 서비스를 수 행하는 시나리오를 개발한다.

둘째, 개발된 시나리오를 기반으로 스마트홈 지능형 서비스 플랫폼에 탑재될 데이터 마이닝 기법에 대한 기 능 요구사항과 기술 요구사항을 도출한다.

셋째, AHP(Analytic Hierarchy Process) 기법을 이용하 여 데이터 마이닝 기법에 대해 스마트홈 지능형 서비스 플랫폼에서의 적합도에 대한 평가를 수행한다.

이를 통해 스마트홈 지능형 서비스 플랫폼을 구축할 때 적합한 데이터 마이닝 기법을 선택하는 문제에 대한 가이드라인을 제공하고자 한다.

2.스마트홈 지능형 서비스 시나리오

2.1.스마트홈 지능형 서비스 플랫폼

스마트홈은 가정 내 기기들을 네트워크로 연동해 스 마트 단말이나 PC 등을 통해 원격으로 모니터링, 제어하 고, 지능형 서비스를 제공하는 서비스와 솔루션을 총칭 하는 말이다. 사실 스마트홈은 2000년대 초반 인터넷이 가정에 보급되면서 시작된 시장이지만 매우 더디게 성장 하였다. 그러나 최근 몇 년 가정에서 스마트 단말 이용이 확대되고, 아울러 무선통신 기술, 센서 기술, IoT 관련 기술이 발전함에 따라, 서비스와 기기 사이의 연결을 위 한 구축비용이 대폭 감소하였다. 따라서 스마트홈 시장 은 얼리 어댑터를 위한 니치 마켓에서 매스 마켓으로 급 격히 변화하는 조짐을 보이고 있다.

스마트홈의 관련 기술은 크게 다음 6가지 분야로 나눌 수 있다[9].

위의 6가지 기술 중 하나인 스마트홈 서비스 플랫폼은 스마트 기기와 서비스를 제어하는 중앙서버이자 기기와 서비스를 이어주는 통로 역할을 수행한다. 플랫폼 기술 이 안착화되면 해당 기술을 중심으로 다른 부가적인 서 비스와 기술이 개발되어 연동되는 구조이므로 글로벌 IT 회사, 가전업체, 통신 업체들이 관련된 기술의 개발에 박 차를 가하고 있다[9].

2.2.스마트홈 지능형 서비스 시나리오

현재 스마트홈 서비스를 표방하고 있는 사업자는 다 양한 관점에서 스마트홈 서비스를 표방하고 있다. 본 연 구에서는 이러한 서비스를 거주자가 집이라는 공간에서 기대하는 핵심 기대가치를 중심으로 5가지 분야로 나누 어 보았다.

본 연구에서는 이러한 서비스 영역 중 ‘편안한 스마트 홈’과 ‘에너지 효율적인 스마트홈’ 서비스를 결합한 서비 스 시나리오를 구체화해 본다. 서비스의 범위로는 집의 온도, 습도, 청정도, 조도 등을 적절히 조절하는 지능형 추천 서비스로 한정한다.

이를 위해 서비스 플랫폼은 온도, 습도, 청정도, 조도 등을 조절하기 위해서는 다음과 같은 기기에 대한 제어 를 수행한다고 가정한다.

<Figure 2>는 본 연구에서 제시하는 서비스 시나리오 의 개요를 보여준다. 스마트홈 환경에서 지능형 서비스 는 데이터 수집, 서비스 추천 모형의 수립, 서비스 추천 수행, 모형의 평가 및 강화의 4단계의 사이클을 지속적 으로 순환하게 될 것이다. 다음은 시나리오의 각 단계에 대한 설명이다.

2.2.1.데이터 수집 단계

편안하고 에너지 효율적인 스마트홈을 구현하기 위해 서는 먼저 다음의 4가지 정보를 수집할 수 있어야 한다.

2.2.2.서비스 추천 모형 생성 단계

이전 단계에서 데이터가 수집되었다면 스마트홈 지능 형 서비스 플랫폼은 서비스 추천을 위한 모형을 생성해 야 한다. 서비스 플랫폼은 일정 기간 동안 집의 내외부 환경 데이터와 사용자 행동 데이터를 수집하여 다음 모 형을 수립한다.

2.2.3.서비스 자동 제어 수행 단계

스마트홈 지능형 서비스 플랫폼은 생성된 모형을 이 용하여 온습도, 조도 등의 자동 제어 서비스를 수행한다. 수행하는 동안 사용자의 피드백을 수집하여 사용자의 의 도에 맞추어 자동 조절을 조정해 나간다.

2.2.4.서비스 추천 모형의 평가 및 진화 단계

스마트홈 지능형 서비스 플랫폼은 수집된 사용자의 피드백에 근거하여 현재의 모형을 주기적으로 평가한다. 모형은 항상 어느 정도의 부정확성을 가지게 되고, 사용 자의 주위환경에 대한 선호도 바뀔 수 있으므로 서비스 자동 제어 단계 동안 수집된 사용자의 피드백에 기반하 여 현재의 모형이 적합한지를 평가하고 현재의 추천 모 형의 개선이 필요하면 이를 수행하게 된다.

3.스마트홈 지능형 서비스 플랫폼을 위한 데 이터 마이닝 기법 요구사항 도출

스마트홈 환경에서 장착될 지능형 서비스 플랫폼에서 적용될 데이터 마이닝 기법을 선정하기 위해 데이터 마 이닝 기법에게 요구되는 기능 요구사항과 기술 요구사항 을 도출한다. 도출된 요구사항에 대한 요약은 <Table 1> 에 제시되어 있다.

3.1.기능 요구사항

앞서 개발된 서비스 시나리오의 각 단계를 분석하여 데이터 마이닝 기법에 요구되는 기능 요구사항을 도출한 다. 각 요구사항을 FR(functional requirements) 접두어로 일련 변호를 붙인다.

3.1.1.데이터 수집 단계의 기능 요구사항

3.1.2.서비스 추천 모형 생성 단계의 기능 요구사항

3.1.3.서비스 자동 제어 수행 단계의 기능 요구사항

3.1.4.서비스 추천 모형의 평가 및 진화 단계의 기능 요구사항

3.2.기술적 요구사항

스마트홈 지능형 서비스 플랫폼이 구현될 기술적 사 항을 고려하여 기술 요구사항을 도출한다. 각 기술 요구 사항을 TR(technical requirements) 접두어로 일련 변호를 붙인다.

4.AHP 기법을 이용한 데이터 마이닝 기법에 대한 적합성 평가

4.1.평가 대상 데이터 마이닝 기법 선정

스마트홈 지능형 서비스 추천 플랫폼에 적합한 데이 터 마이닝 기법을 찾기 위해서는 먼저 적합도 평가 대상 이 될 데이터 마이닝 기법 후보군의 선정이 필요하다. 적 합도 평가 후보군이 될 데이터 마이닝 기법 선정에는 다음 기준을 사용하였다.

첫째, 서비스 조절을 위한 추천에는 목표 변수의 예측 이 필요하므로 지도 학습(supervised learning) 데이터 마 이닝 기법에서 대상을 선정하였다.

둘째, 후보군은 의사결정나무, 배깅 등 데이터 마이닝 기법 수준에서 대상을 선정하였다. 데이터 마이닝 기법이 구현된 세부 알고리즘 수준으로 선정하면 대상이 너무 많 아질 뿐 아니라, 각 알고리즘의 세부 단계는 실제 분석 과 정에서 필요에 따라 개선될 수 있으므로 세부적인 알고리 즘 차이를 평가하는 것은 실효성이 적기 때문이다.

셋째, 다만 C4.5나 CART처럼 알고리즘 구현 사례가 데이터 마이닝 기법 수준으로 매우 널리 알려져 있고, 서 로 중요 부분의 차이가 어느 정도 큰 경우에는 하나의 데이터 마이닝 기법으로 분류하였다.

후보군의 선정은 통계적 학습 분야의 저명한 저서로 뽑히고 있는 Hastie et al.[5], 최근의 데이터 마이닝 기법 을 훌륭히 반영하고 있는 저서로 뽑히는 Witten et al. [16], 그리고 IoT 분야에 적용되는 데이터 마이닝 기법에 대한 조사분석 논문인 Tsai et al.[15]를 기초 문헌으로 참조하였다.

제시된 세 개의 문헌을 기준으로 <Table 2>와 같은 총 18개의 데이터 분류기법을 추출하였다.

4.2.적합도 평가 방법론

4.2.1.AHP 기법

AHP 기법은 다기준 의사결정 기법으로 1977년 Satty [11]에 의해 처음 도입되었다. AHP는 좋은 수학적 성질 과 의사결정에 필요한 입력 데이터를 산출하기가 비교적 쉽기 때문에 많은 연구자에 의해 널리 받아들여졌다.

AHP는 본질적으로 의사결정의 계층적 구조를 구성한 후, 각 계층의 요소를 쌍대 비교하고, 이를 기반으로 상대 적 중요도를 결정하여 최종 의사결정을 수행하는 방법이다. AHP 방법의 개략적 단계는 다음과 같다.

이렇듯 AHP 기법은 대안이 다수이고, 대안을 선택하 는 데 고려해야 하는 기준도 다수인 경우, 전문가의 판단 을 체계적으로 반영하여 신속하게 최적 대안을 선택할 수 있다는 장점이 있다.

본 연구의 대상인 스마트홈 지능형 서비스 추천 플랫 폼에 적합한 데이터 마이닝 기법은 <Table 2>에서 확인 할 수 있듯이 매우 많다. 이러한 모든 기법을 스마트홈 지능형 서비스의 대표적 시나리오 하에서 직접 구현하여 테스트해 본다면 가장 적합한 기법을 선택할 수 있을 것 이다. 그러나 이러한 방법은 시나리오 개발과 시나리오 별 모형 구축이 필요하므로 현실적으로 많은 비용이 발 생할 수 밖에 없다. 따라서 본 연구에서는 AHP 기법을 이용하여 전문가의 의견을 기반으로 적합한 데이터 마이 닝 기법을 선별하는 방법을 사용하였다.

4.2.2.본 연구의 AHP 기법 적용 체계

AHP 기법은 쌍대 비교의 대상이 너무 많으면 전문가 들이 정확한 평가를 하기 어렵다. 일반적으로 쌍대 비교 의 대상이 7, 8개 이하인 경우에 좋은 결과를 준다고 알 려져 있다[12]. 그런데 현재 도출된 요구사항은 기능과 기술 영역을 모두 포함하여 모두 13개이고, 데이터 마이 닝 기법 대안의 수도 18개이다. 따라서 이러한 점을 고 려하여 본 연구에서는 <Figure 3>과 같은 AHP 평가 계 층을 단계적으로 구성하여 적합한 데이터 마이닝 기법을 선정한다.

먼저 데이터 적합도 평가의 기준이 되는 요구사항을 기능 요구사항과 기술 요구사항으로 묶어서 먼저 기능 요구사항 그룹과 기술 요구사항 그룹의 중요도를 먼저 쌍대 비교하여 두 그룹의 상대적 중요도를 먼저 도출한 다. 각 그룹의 상대적 중요의 합은 1이 되도록 한다. 이 를 수식으로 표현하면 다음과 같다.

단, c_FR과 c_TR은 기능 요구사항 그룹과 기술 요구사항 그룹의 상대적 중요도.

기능 요구사항 그룹의 각 요구사항에 대하여 쌍대 비 교를 통해 기능 요구사항 안에서의 상대적 중요도를 도 출한다. 마찬가지로 기술 요구사항 그룹의 각 요구사항 에 대하여 쌍대 비교를 하여 기술 요구사항 안에서의 상 대적 중요도를 도출한다. 각 그룹 내에서의 요구사항의 중요도의 합은 1이 되도록 한다. 이를 수식으로 표현하 면 다음과 같다.

단, d_i는 해당 그룹 내에서의 요구사항 i의 상대적 중 요도.

요구사항 그룹에 대한 상대적 중요도와 각 그룹 내에 서의 상대적 중요도를 곱하여 최종적으로 모든 기능적이 거나 기술 요구사항의 상대적 중요도 c_k를 구한다.

이 경우 ∑ k c k = 1 이 된다.

그 다음 후보로 선택된 데이터 마이닝 기법을 AHP 평 가의 대안으로 하여, AHP 기준인 요구사항 별로 쌍대 비 교를 수행한다. 그리고 쌍대 비교 행렬의 고유치 벡터를 구하여 데이터 마이닝 기법의 상대적 적합도 w_ik를 구한 다. 각 요구사항별 상대적 적합도의 합은 1이 되도록 한다.

최종적으로 후보 데이터 마이닝 기법의 적합도 a_i는 요구 사항별 상대적 중요도를 가중치로 다음과 같이 산출한다.

4.3.적합도 평가 결과

데이터 마이닝 기법에 대한 적합도 평가는 연구팀 전 문가 2인, 외부 데이터 마이닝 기법 전문가 3인으로 총 5 명의 전문가에 의해 이루어졌다. 외부 데이터 분석전문 가는 현재 대학교에 관련 분야 교수로 재직하는 사람들 이다. 요구사항의 중요도에 대한 평가는 5명의 전문가의 토론을 통해 하나의 평가가 이루어졌고, 데이터 마이닝 기법에 대한 평가는 개별적으로 수행된 후 기하평균을 이용하여 쌍대 비교 행렬을 계산하였다.

4.3.1.요구사항 그룹 간의 상대적 중요도 평가

요구사항 그룹은 기능 요구사항 그룹(FR)과 기술 요구 사항 그룹(TR) 두 가지만 존재하므로 둘 사이의 쌍대 비 교만 수행하면 된다. 최종 결과로 <Table 3>과 같은 결 과를 얻었다.

4.3.2.요구사항 그룹 내의 상대적 중요도 평가

기능 요구사항의 쌍대 비교 결과를 통해 얻어진 중요도 결과는 <Table 4>와 같다. 기능 요구사항의 쌍대 비교 행 렬의 일관성 비율(CR; consistency ratio)은 6.5%로 10% 미만의 값이 나왔으므로 쌍대 비교에 일관성이 있었다고 판단된다.

기술 요구사항에 대한 쌍대 비교 결과를 통해 얻어진 중요도 결과는 <Table 5>와 같다. 기능 요구사항의 쌍대 비교 행렬의 일관성 비율(CR)은 3.7%로 10% 미만의 값 이 나왔으므로 쌍대 비교에 일관성이 있었다고 판단된다.

4.3.3.요구사항 전체 항목의 상대적 중요도 평가

<Table 3>~<Table 5>의 결과는 각각 식 (1)과 식 (2)에 해당하는 결과이고, 이 결과에 식 (3)을 적용하면 이용하 면 모든 요구사항의 상대적 중요도를 <Table 6> 같이 계 산할 수 있다.

결과에서도 알 수 있듯이 기능 요구사항인 FR4 예측 의 정확도에 대한 요구사항이 가장 큰 중요도를 가졌고, 그 다음으로는 기술 요구사항인 TR4 예측 시간 등이 중 요한 요구사항으로 평가되었다.

4.3.4.데이터 마이닝 기법 사전 적합도 평가

AHP 기법을 이용하여 최적의 데이터 마이닝 기법을 평가하기에는 <Table 2>에 나열된 기법은 너무 많다. 따 라서 다음의 점을 고려하여 데이터 마이닝 기법에 대한 토론을 통해 사전 정성 평가를 실시하였다.

첫째, 기술 요구사항의 대부분은 데이터 마이닝 기법 이 너무 많은 저장, 컴퓨팅 용량을 요구해서는 안 되며, 예측 시간이 짧아야 한다는 것이다. k-근접 접근 방법이 나 지역적으로 가중치된 선형 회귀 모형은 훈련 데이터 의 모든 사례를 보관해야 한다. 그리고 모형의 예측 시점 에도 가장 가까운 이웃 데이터를 찾아야 하므로 많은 계 산을 요구한다. 따라서 제한된 컴퓨팅 환경을 가지는 서 비스 추천 플랫폼에 적절한 데이터 마이닝 기법으로 판 단되지 않으므로 두 분석기법을 후보에서 제외하였다.

둘째, 요구사항의 중요도 평가에서도 밝혀졌듯이 모형 의 해석가능성보다 모형의 정확도가 매우 중요하다. 따라 서 모형의 해석 가능성은 좋지만 일반적으로 정확도가 떨 어진다고 평가되는 1R, covering rules, 나이브 베이즈, 단 순 의사결정나무(C4.5, CART), 로지스틱 회귀분석, LDA, 모형 나무 기법을 후보에서 제외하였다.

셋째, RBF 네트워크는 사실 인공 신경망에서 활성화 함수(activation function)가 radial basis인 경우와 같으므 로 인공 신경망 기법의 하나로 간주하여 평가에서 제외 하였다.

위와 같은 이유로 최종적으로 <Table 7>의 7개의 후보 데이터 마이닝 기법이 선정되었다.

4.3.5.요구사항별 적합도 평가

요구사항별로 데이터 마이닝 기법의 적합도를 쌍대 비교한 후, 쌍대 비교 행렬의 고유 벡터를 구하여 데이터 마이닝 기법의 상대적 적합성을 구했다. <Table 8>은 요 구사항별로 데이터 마이닝 기법의 상대적 적합도를 구한 결과이다.

요구사항별로 쌍대 비교 행렬의 일치성 비율 CR은 <Table 8>의 CR 열에서 확인할 수 있다. 일부 10%를 조 금 상회하는 쌍대 비교도 있었지만 대체적은 10% 미만의 CR을 보이고 있어서 쌍대 비교 결과의 신뢰성이 있는 것 으로 판단된다.

4.3.6.데이터 마이닝 기법 최종 적합도 점수

<Table 6>는 요구사항의 상대적 중요도를 나타내며 식 (3)의 값이 된다. <Table 8>은 요구사항별 데이터 마이닝 기법의 적합도를 나타내며 식 (4)의 값이 된다. 식 (5)를 이용하면 데이터 마이닝 기법의 최종 적합도를 <Table 9> 같이 구할 수 있다.

<Table 9>는 데이터 마이닝 기법을 최종 적합도 점수 가 높은 것에서 낮은 것 순으로 보여준다. 가장 적합도가 높은 3개의 데이터 마이닝 기법으로는 부스팅, 랜덤 포 레스트, SVM이 선택되었다. 부스팅은 FR4의 예측 정확 도에서 높은 적합도 점수를 얻었고, 랜덤 포레스트는 기 능 요구사항 전반에서 높은 점수를 얻었다. 반면 SVM은 기술 요구사항 전반에서 높은 점수를 얻었다.

5.결 론

본 연구는 스마트홈 지능형 서비스 플랫폼에 적용될 데이터 마이닝 기법의 적합도를 평가하는 연구로서 다음 사항을 수행하였다.

첫째, 스마트홈 환경에서의 지능형 서비스에 대한 시 나리오를 개발하였다.

둘째, 서비스 시나리오를 바탕으로 데이터 마이닝 기법 에 요구되는 8개 기능 요구사항을 발굴하고, 제한된 컴퓨 팅 용량 하의 플랫폼 구동 환경에서 데이터 마이닝 기법 이 갖추어야 할 5개 기술 요구사항을 도출하였다.

셋째, 총 18개 데이터 마이닝 기법을 사전 평가를 통 해 7개의 유력한 데이터 마이닝 기법 후보로 추려내었다. 그 후 도출된 요구사항에 적합한 정도를 AHP 기법을 이 용하여 적합도 평가를 수행하였다. 이를 통해 최종 3개 의 데이터 마이닝 기법을 선정하였다.

기존에 특정 스마트홈 서비스를 위해 데이터 기법을 적용한 연구는 있었으나, 스마트홈 서비스 플랫폼에 장 착될 범용형 데이터 마이닝 기법의 적합도에 대한 연구 는 없었다. 본 연구는 스마트홈 지능형 서비스 플랫폼을 구축할 때 가이드라인으로 사용될 수 있으므로, 기존의 세부적인 데이터 마이닝 기법 적용 연구와 실제 플랫폼 구현 연구 사이의 상호간극을 줄이는데 기여하였다는데 의의가 있다.

마지막으로 본 연구의 한계와 발전 가능성을 제시하 며 마무리 하고자 한다. 본 연구에서는 전문가의 평가를 통해 스마트홈 지능형 서비스 플랫폼에 적합한 데이터 마이닝 기법을 선정하였지만, 이를 실제적으로 플랫폼에 구현하여 각 기법의 실제 성능에 대한 분석은 수행하지 않았다. 추후 프로토타이핑을 통한 각 기법의 성능에 대 한 다양한 분석이 이루어진다면 더 완전한 평가 결과가 도출되리라 기대된다.