실내 사람 위치 추적 기반 LSTM 모델을 이용한 고객 혼잡 예측 연구 = An Approach Using LSTM Model to Forecasting Customer CongestionBased on Indoor Human Tracking

국문 초록 (Abstract)

본 연구는 실내 상업적 공간, 특히 카페에서 보안 카메라를 이용해 방문자 수와 위치를 실시간으로 파악하고, 이를 통해 사용 가능한 좌석 정보와 혼잡도 예측을 제공하는 시스템의 개발을 목표로 한다. 우리는 실시간 객체 탐지 및 추적 알고리즘인 YOLO를 활용하여 방문자 수와 위치를 실시간으로 파악하며, 이 정보를 카페 실내 지도에 업데이트하여 카페 방문자가 사용 가능한 좌석을 확인할 수 있도록 한다. 또한, 우리는 vanishing gradient문제를 해결한 장단기 메모리(Long Short Term Memory, LSTM)와 시간적인 관계를 가지는 데이터를 처리하는데 유용한 시퀀스-투-시퀀스(Sequence-to-Sequence, Seq2Seq)기법을 활용해 다양한 시간 간격에 따른 방문자 수와 움직임 패턴을 학습하고, 이를 바탕으로 카페의 혼잡도를 실시간으로 예측하는 시스템을 개발하였다. 이 시스템은 카페의 관리자와 이용자 모두에게 예상 혼잡도를 제공함으로써, 카페의 운영 효율성을 향상시키고, 고객 만족도를 높일 수 있다. 본 연구에서는 보안 카메라를 활용한 실내 위치 추적 기술의 효용성을 입증하며, 상업적 공간에서의 활용 가능성과 더불어 미래 연구 방향을 제시한다.

다국어 초록 (Multilingual Abstract)

In this detailed and comprehensive study, our primary focus has been placed on accurately gauging the number of visitors and their real-time locations in commercial spaces. Particularly, in a real cafe, using security cameras, we have developed a system that can offer live updates on available seating and predict future congestion levels. By employing YOLO, a real-time object detection and tracking algorithm, the number of visitors and their respective locations in real-time are also monitored. This information is then used to update a cafe’s indoor map, thereby enabling users to easily identify available seating. Moreover, we developed a model that predicts the congestion of a cafe in real time. The sophisticated model, designed to learn visitor count and movement patterns over diverse time intervals, is based on Long Short Term Memory (LSTM) to address the vanishing gradient problem and Sequence-to-Sequence (Seq2Seq) for processing data with temporal relationships. This innovative system has the potential to significantly improve cafe management efficiency and customer satisfaction by delivering reliable predictions of cafe congestion to all users. Our groundbreaking research not only demonstrates the effectiveness and utility of indoor location tracking technology implemented through security cameras but also proposes potential applications in other commercial spaces.

참고문헌 (Reference)

• 1 최고운, "한강공원혼잡도 측정 및 시각화 시스템" 559-564, 2021
• 2 김보섭, "출입자 검출을 위한 지능형 CCTV 시스템 최적화 연구" 강릉원주대학교 일반대학원 2020
• 3 김중우, "초음파 센서 기반의 실시간 인원 계수 및 혼잡도 검출 시스템구현" 308-309, 2019
• 4 김근원 ; 김동우 ; 노규성 ; 이주연, "지하철 혼잡도 개선방안에 관한 빅데이터융합 기반의 탐색적 연구" 한국디지털정책학회 13 (13): 35-42, 2015
• 5 김민지 ; 고선영 ; 정남호, "제주관광공사의 실시간 관광지 혼잡도 분석 서비스 사례" 한국IT서비스학회 20 (20): 29-41, 2021
• 6 김동현 ; 황기연 ; 윤영, "심층인공신경망(DNN)과 다각도 상황 정보 기반의 서울시 도로 링크별 교통 혼잡도 예측" 한국ITS학회 18 (18): 44-57, 2019
• 7 김진수, "빅데이터 분석을 이용한 지하철 혼잡도 예측 및 추천시스템" 한국디지털정책학회 14 (14): 289-295, 2016
• 8 채희주, "비디오 스트리밍의 실내 사람 위치 추적 기반 LSTM 모델을이용한 고객 혼잡 예측" 2023
• 9 김시하, "딥러닝 기반 객체 탐지 기술을 이용한 카페 혼잡도 안내 애플리케이션 개발" 1342-1344, 2021
• 10 이홍석 ; 부이 칵 남 ; 선충녕, "도심지 교통흐름 및 미세먼지 예측을 위한 딥러닝 LSTM 프레임워크" 한국정보과학회 47 (47): 292-297, 2020
• 11 이태우, "다중 초음파 센서 기반의 비상구 출입인원 카운팅 알고리즘" 299-300, 2018
• 12 Brostrom, M., "YOLO Tracking"
• 13 Ultralytics, "YOLO"
• 14 Du, Y., "StrongSORT: make DeepSORT great again" 2023
• 15 Sojasingarayar, A., "Seq2Seq AI Chatbot with Attention Mechanism, arXiv preprint arXiv: 2006. 02767"
• 16 Qolomany, B., "Role of deep LSTM neural networks and Wi-Fi networks in support of occupancy prediction in Smart Buildings" 50-57, 2017
• 17 poiuyreq0, "KOKO"
• 18 권순호, "IEEE 802.11Proberequest를 활용한 공간 상에서의 혼잡도 추정프로그램 개발" 29 (29): 257-260, 2021
• 19 Ito, K., "Gaussian filters for nonlinear filtering problems" 45 (45): 910-927, 2000
• 20 Dey, R., "Gate-variants of gated recurrent unit (GRU) neural networks" 1597-1600, 2017
• 21 Park, Y., "Concise logarithmic loss function for robust training of anomaly detection model, arXiv preprint arXiv: 2201.05748v2"
• 22 Iqbal, M., "COVID-19 patient count prediction using LSTM" 8 (8): 974-981, 2021
• 23 Sultana, F., "A review of object detection models based on convolutional neural network, arXiv preprint arXiv: 1905.01614"
• 24 Boukary, N. A., "A comparison of time series forecasting learning algorithms on the task of predicting event timing" Royal Military College of Canada 2016
• 25 Koutník, J., "A Clockwork RNN, arXiv preprint arXiv:1402.3511"