딥러닝 시티: 스마트 시티의 빅데이터 분석 프레임워크 제안

논문: Kim, H.-J. (2017) “Deep Learning City: A Big Data Analytics Framework for Smart Cities,” Informatization Policy. 한국정보화진흥원, 24(4), pp. 79–92. doi: 10.22693/NIAIP.2017.24.4.079.

 

스마트 시티란 정보통신기술을 활용하여 교통, 안전, 복지, 생활 등 도시 문제를 효과적으로 해결하는 것을 말한다. 

최근 세계 각국은 빅데이터, 사물인터넷, 인공지능 기술을 스마트 시티에 도입하는 시도를 하고 있으나 종합적인 도시 서비스로는 발전하지 못하고 있다. 

 

유비쿼터스도시 사업성과는 기대에 크게 미치지 못하였는데, 그 핵심 이유 중 하나는 도시의 모든 데이터를 한 곳에 집중하는 통합관제센터를 만들고 여기에서 종합적인 데이터 분석 및 응용 서비스를 제공하려고 한 것이었다.

도시 데이터를 한 곳에 집중하는 것이 이상적이기는 하나 서로 다른 기관에서 생산된 데이터를 한 곳에 모으는 것은 개인정보보호, 데이터보안, 소유권 문제, 데이터 품질 관리 문제 등으로 현실적으로 매우 어렵다. 특히 가공하지 않은 센서 데이터, 에너지 생산 및 사용량 등 원시 데이터를 공유하는 것은 거의 불가능하다. 

 

에너지 소비 예측과 효율적인 이용

'딥러닝 시티'란 인공지능 기술 중에서 딥러닝 기술을 도시 빅데이터 분석에 도입하여 도시 내 여러 영역간의 데이터 융합, 그리고 여러 도시에서 이루어지는 데이터 분석 결과를 효과적으로 공유하는 방법을 말한다. 도시 빅데이터 분석을 도시 간에 협력적으로 수행하는 플랫폼으로 딥러닝 시티 프레임워크를 제안하였다. 

 

머리않아 인공지능 서비스는 현재의 웹이나 인터넷 서비스처럼 보편적인 서비스가 될 것이다. 

 

해외 스마트 시티 추진 사례

미국: 

도시 간의 정보 및 기술을 교류하고, 상호 협력을 통해 도시 문제를 해결하는 방안을 제시하였다. 

스마트 시티 솔루션을 공유하여 효과적인 협력을 이끌어 내기 위한 GCCTC슈퍼 클러스터를 구축하여 운영중

 

영국:

도시 빅데이터 수집을 위해 데이터 센터를 구축

 

국내 스마트 시티 현황

-서비스 간 호환성이 문제

-관련 부서 간 협력의 어려움, 도시 시설에 관한 법제도 정비의 어려움, 새로운 서비스 도입에 필요한 막대한 운영비 발생, 개인정보 유출 및 데이터 관리 및 데이터 품질 유지에 대한 책임문제

 

스마트 시티와 같은 복합 서비스는 기존의 단일 서비스 중심의 정보화 사업과 달리, 여러 부서간, 여러 서비스 간 융합이 필수적이며 특히 관련된 빅데이터의 융합 활용이 중요하다. 

 

딥러닝의 장점: 분산처리가 용이하다-> 도시 데이터를 분석하는데 매우 유, 기계 학습에 필요한 특성을 찾아내는 일을 모델이 스스로 수행한다. 

용한 장점을 제공한다. 

딥러닝-> 자연어 처리 또는 시계열 데이터 처리(시간대별 교통량 변화, 에너지 사용변화), 컴퓨터비전쪽으로 주로 활용

챗봇 등

 

도시데이터는 주로 공공기관 주도로 만들고 운영되었지만 SNS 확산과 함께 시민참여와 피드백이 실시간으로 서비스에 반영되는 비중이 점차 커지고있으므로 DCF와 같은 프레임워크가 필요하다. 

DCF를 사용하는 가장 큰 장점은 여러 도시에서 발생하는 데이터를 학습하여 도시 전체의 기능을 파악하는 능력을 지속적으로 키울 수 있다는 것. 

 

스마트 시티 서비스가 성공적으로 정착하기 위해서는 두가지 핵심 문제가 해결되어야 한다.

1. 도시 간 서비스 연계를 용이하게 지원하기 위해서 공통으로 동작하는 표준화된 데이터 분석 방법을 구축해야한다.

2. 각 도시의 특성이 반영된 차별화된 사업 추진을 지원할 수 있어야 하며 이를 위해서는 도시마다 변형된 서비스구현이 가능해야 한다. 

 

3) 자원 및 에너지 관리 현재 전력 사용량을 예측하는데 가장 중요한 정보는 기상정보이다.

그러나 수도 사용량, 스포츠 이벤트 정보 등을 같이 분석하면 정교한 에너지 사용 모델을 만들 수 있다. 

태양광 등 신재생 에너지 생산과 소비 정보, 전기자동차 이용 데이터도 공유할 수 있다면 더 정확한 에너지 사용 예측 모델을 만들 수 있을 것이다. 

빌딩에서는 에너지 사용, 조명, 온도 및 습도 조절, 환기 등을 해야 한다. 

이러한 빌딩 관리를 위해서 빌딩 관리 시스템을 필요로 하며 이는 냉난방 관리, 물 관리, 건물 보안관리, 경보 시스템, 감시카메라 정보를 필요로 한다. 이러한 에너지 및 자원 이용 데이터는 상호 밀접한 관련이 있으나 이 데이터를 모두 한 곳에서 취합하여 분석할 수는 없다. 

 

향후 사물인터넷의 발전과 함께 도시 정보를 생산하는 센서는 계속 추가로 설치될 것이다. 이러한 입력 데이터 추가를 DCF가 지속적으로 수용할 수 있어야 한다. 새로운 데이터가 추가될 때마다 모델을 새롭게 만드는 것이 아니라 점차 정교한 모델을 만들어 질 수 있도록 전체적인 도시 딥러닝 모델이 초기에 설계되어야한다.