Recently, as IoT devices are widely spread, many sensors exist and measure various information. the house occupies a large part of a human's life, and various sensors can be installed, making it easy to collect various information. By analyzing the user's current location, device usage information, and time information, the user's activity, patterns, and habits can be found, and activity prediction enables various services. User's Behavior Prediction In previous studies, the time the behavior occurred is very important, but this information was not used for model training. In this study, we propose a user's behavior prediction model that uses occurrence time information in addition to sensor data in a smart home environment. The accuracy of the proposed model was 1.2~5.7% higher than that of Bi-LSTM as a result of using the model input of occurrence time and evaluating model performance in multiple data sets.
최근 IoT 장치가 널리 보급되면서 많은 센서가 존재하고 다양한 정보를 측정하고 있다. 특히, 집은 사용자의 생활에 큰 부분을 차지하고 다양한 센서의 설치가 가능해 다양한 정보를 수집하기 쉽다. 사용자의 현재 위치와 장치 사용 정보, 시간정보를 분석해 사용자의 행동이나 패턴, 습관 등을 찾아낼 수 있고 이런 행동 예측은 다양한 서비스를 가능하게 한다. 사용자의 행동 예측 기존 연구에서는 행동의 발생한 시간이 매우 중요한데 모델 학습에 이러한 정보가 활용되지 않았다. 따라서, 본 연구에서는 스마트 홈 환경에서 센서 데이터 이외에도 발생 시간 정보를 사용하는 사용자의 행동 예측 모델을 제안한다. 발생 시간의 모델 입력 활용, 여러 데이터 세트에서의 모델 성능 평가 결과 Bi-LSTM 보다 제안된 모델의 정확도가 1.2~5.7% 높았다.