Movement Route Generation Technique through Location Area Clustering

위치 영역 클러스터링을 통한 이동 경로 생성 기법

In this paper, as a positioning technology for predicting the movement path of a moving object using a recurrent neural network (RNN) model, which is a deep learning network, in an indoor environment, continuous location information is used to predict the path of a moving vehicle within a local path. We propose a movement path generation technique that can reduce decision errors. In the case of an indoor environment where GPS information is not available, the data set must be continuous and sequential in order to apply the RNN model. However, Wi-Fi radio fingerprint data cannot be used as RNN data because continuity is not guaranteed as characteristic information about a specific location at the time of collection. Therefore, we propose a movement path generation technique for a vehicle moving a local path in an indoor environment by giving the necessary sequential location continuity to the RNN model.

본 논문에서는 딥러닝 네트워크인 순환신경망(RNN) 모델을 사용해 이동 중인 객체의 이동 경로의 예측을 위한 포지셔닝 기술로서 실내 환경에서 지역 경로 내의 이동 중인 차량의 경로 예측에 연속적인 위치 정보를 이용하여 현재 위치 결정의 오류를 낮출 수 있는 이동 경로 생성 기법을 제안한다. GPS 정보를 사용할 수 없는 실내 환경의 경우 RNN 모델을 적용하기 위해서는 데이터 세트가 연속적이고 순차적이어야 한다. 그러나 Wi-Fi 전파 지문 데이터는 수집 시점의 특정 위치에 대한 특징 정보로서 연속성이 보장되지 않기 때문에 RNN 데이터로 사용할 수 없다. 따라서 RNN 모델에 필요한 순차적 위치의 연속성을 부여하여 실내 환경의 지역 경로를 이동하는 차량의 이동 경로 생성 기법을 제안한다.