AWS 사물 인터넷 환경에서 딥러닝을 이용한 시계열 센서 데이터의 예측 기법
A Prediction of Time Series Sensor Data Utilizing Deep Learning with AWS IoT Support
- 주제(키워드) 딥러닝 , IoT , AWS
- 발행기관 아주대학교
- 지도교수 김기형
- 발행년도 2017
- 학위수여년월 2017. 8
- 학위명 석사
- 학과 및 전공 일반대학원 지식정보공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000025599
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
IT기술의 발전에 따라 빅데이터 분석의 수요가 급증하고 있다. 특히 사물인터넷(IoT)는 사람들이 만들어 내는 데이터와 달리 유무선 통신 네트워크를 기반으로 가정 내의 다양한 가전 기기 및 센서들이 서로 상호 연결되어 수많은 데이터를 제공한다. 이러한 시계열 데이터(Time series Data)는 실시간으로 대응하여 다양한 서비스를 제공 가능하며 예측을 위한 통계적 분석이 중요하다. 따라서 본 논문에서는 AWS(Amazon Web Service)를 이용하여 실시간 예측 서비스를 위한 사물인터넷환경 아키텍처를 제시하고 다양한 알고리즘 중 시계열 데이터에 알맞은 순환형 신경망(Recurrent Neural Networks)을 이용해 IoT디바이스로부터 받아온 전력, 온도, 습도, 풍속등과 같은 센서 데이터를 이용하여 분석하고 예측데이터를 이용해 사용자에게 필요한 서비스를 제공할 수 있도록 한다.
more목차
제 1 장 서 론 1
제 2 장 이론적 배경 2
제 1 절 컨볼루션 신경망(Convolutional Neural Networks) 2
제 2 절 순환형 신경망(Recurrnet Neural Networks) 4
제 1 항 Vanishing Gradient Problem 6
제 2 항 LSTM(Long Short-Term Memory) 7
제 3 절 Cloud Computing Service 9
제 3 장 관련 연구 11
제 1 절 AWS IoT Platform 11
제 2 절 AWS S3 13
제 3 절 AWS EC2 14
제 4 절 사물인터넷 환경에서 AWS 활용방향 15
제 4 장 제안 방식 16
제 1 절 제안한 하이브리드 사물인터넷 아키텍처 16
제 2 절 Device Gateway 18
제 3 절 Rule Engine 20
제 4 절 제안한 하이브리드 환경에서의 GPU Computing 21
제 5 절 LSTM 모델 23
제 5 장 실험 및 비교 분석 24
제 1 절 실험 방법 24
제 2 절 실험 환경 25
제 3 절 실험 평가 26
제 6 장 결론 및 향후 연구 29
참고문헌 30
Abstract 32