KR102171886B1 - Data Analysis Method and Data Analysis Apparatus Using The Same - Google Patents
Data Analysis Method and Data Analysis Apparatus Using The Same Download PDFInfo
- Publication number
- KR102171886B1 KR102171886B1 KR1020190057470A KR20190057470A KR102171886B1 KR 102171886 B1 KR102171886 B1 KR 102171886B1 KR 1020190057470 A KR1020190057470 A KR 1020190057470A KR 20190057470 A KR20190057470 A KR 20190057470A KR 102171886 B1 KR102171886 B1 KR 102171886B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- graph
- correlation
- data analysis
- concentration
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007405 data analysis Methods 0.000 title claims abstract description 32
- 239000000428 dust Substances 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000009795 derivation Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 230000010365 information processing Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 210000004081 cilia Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000009834 vaporization Methods 0.000 description 1
- 230000008016 vaporization Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
- G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Immunology (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Pathology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Dispersion Chemistry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
Description
본 발명은 데이터 분석 방법 및 장치에 관한 것으로서, 보다 상세하게는 미세먼지를 측정하는 서로 다른 기기의 자료를 비교하고, 이를 통해 상관관계를 도출하여 미세먼지 특성을 파악하고, 신뢰성 높은 측정자료의 통합관리를 할 수 있는 데이터 분석 방법 및 장치에 관한 것이다.The present invention relates to a data analysis method and apparatus, and more particularly, to compare data of different devices for measuring fine dust, to derive a correlation through this, to grasp fine dust characteristics, and to integrate highly reliable measurement data It relates to a data analysis method and apparatus that can be managed.
먼지는 입자의 크기에 따라 총먼지(TSP: Total suspended particles), 지름이 10 μm 이하로 눈에 보이지 않을 정도로 작은 입자인 미세먼지(PM10), 미세먼지의 ¼ 크기로 지름이 2.5 μm 이하인 초미세먼지(PM2.5)로 구분된다.Depending on the size of the particles, dust is total suspended particles (TSP), fine dust (PM10), which is small enough to be invisible with a diameter of 10 μm or less, and ultra-fine with a diameter of 2.5 μm or less with a ¼ size of fine dust. It is classified as dust (PM2.5).
미세먼지는 매우 작기 때문에 대기 중에 머물러 있다가 호흡기를 거쳐 폐 등에 침투하거나 혈관을 따라 체내로 이동해 들어가고 초미세먼지는 체내 섬모에서 여과되지 않은 채 신체 각 기관에 직접 도달하며 폐포를 통과해 혈관에 침투하기도 한다. 이것이 신체 각 기관에서 혈전을 만들거나 염증 반응을 일으키면 심장질환과 호흡기 질병을 발생시키는 등 건강상 각종 문제가 발생한다. Because fine dust is very small, it stays in the atmosphere and then penetrates into the lungs through the respiratory tract or moves into the body along the blood vessels, and the ultrafine dust directly reaches each organ of the body without being filtered by the internal cilia and penetrates the blood vessels through the alveoli. Sometimes it does. When this causes blood clots or inflammatory reactions in each organ of the body, various health problems such as heart disease and respiratory disease occur.
따라서, 세계보건기구(WHO) 산하 국제 암연구소(IARC)는 미세먼지를 1급 발암물질로 지정하고 권고 기준을 두고 있다. 또한 미세먼지는 빛의 산란이나 흡수와 같은 프로세스를 통해 기후변화에도 영향을 미칠 수 있다. 따라서 여러 측면에서 비추어 볼 때, 미세먼지의 저감은 이루어져야 하며, 이를 위해서는 미세먼지의 특성에 관한 구체적 연구가 필요하다.Therefore, the International Cancer Research Institute (IARC) under the World Health Organization (WHO) designates fine dust as a first-class carcinogen and has recommended standards. In addition, fine dust can also affect climate change through processes such as light scattering or absorption. Therefore, in view of various aspects, reduction of fine dust must be made, and for this, specific studies on the characteristics of fine dust are required.
미세먼지의 생성원인을 규명하고 연구하기 위해 서울을 포함한 전국 각지 상시집중측정 장소에서 여러 측정기기가 사용되고 있다. 대기오염측정망은 도시대기, 교외대기, 국가배경농도, 도로변대기 측정망인 일반 대기오염 측정망과 유해대기물질, 대기중금속, 산성강하물 등 특수물질을 주로 측정하는 특수대기측정망, 그리고 국가 배경지역과 주요 권역별 대기질 현황 및 유입/유출되는 오염물질을 파악하고 황사 등 장거리 이동 대기오염물질을 분석하기 위한 목적을 가진 집중측정망으로 나뉜다. 여러 곳의 측정 망 중 대표적으로 도시대기 측정소는 2016년 12월 기준 264곳이 있으며 대기오염집중측정소는 전국 6개 권역(백령도, 수도권, 호남권, 중부권, 제주도, 영남권)에서 운영되고 있다. 총 측정망 현황으로는 국가에서 관리하는 측정소 154곳, 지자체에서 운영하는 측정소 356곳에서 대기오염물질이 측정되고 있다('16.12월 기준). In order to investigate and study the cause of fine dust generation, various measuring devices are being used at regular intensive measurement locations across the country, including Seoul. The air pollution monitoring network is a general air pollution monitoring network that measures urban atmosphere, suburban atmosphere, national background concentration, and roadside atmosphere, and a special air monitoring network that mainly measures special substances such as hazardous air substances, atmospheric heavy metals, and acid precipitation. It is divided into a centralized monitoring network with the purpose of identifying air quality status and inflow/outflow pollutants by region, and analyzing long-distance air pollutants such as yellow dust. As of December 2016, 264 urban air quality monitoring stations are representative of several monitoring networks, and air pollution concentration monitoring stations are operated in six areas nationwide (Baekryeong Island, Metropolitan area, Honam area, Central area, Jeju Island, and Yeongnam area). As for the total status of the monitoring network, air pollutants are being measured at 154 monitoring stations managed by the state and 356 monitoring stations operated by local governments (as of December 2016).
측정소 별, 측정기기 및 항목 등이 다양하고, 광범위한 측정값이 도출되면 이를 수집하고 분석하기 위해 측정 결과값을 통합적으로 관리할 필요성이 있다. 같은 지역 내 서로 다른 측정기기의 결과값을 비교함으로써, 결과의 객관성과 신뢰도를 높일 수 있고, 또는 지역 간의 미세먼지 농도를 비교하여 상호 지역간 대기질을 비교, 분석함으로써 관리할 수 있다. There is a need for comprehensive management of the measurement results in order to collect and analyze when a wide range of measurement values are derived for each measurement station, measurement devices, and items. By comparing the results of different measuring devices in the same area, objectivity and reliability of the results can be improved, or by comparing and analyzing air quality between regions by comparing the concentration of fine dust between regions.
뿐만 아니라, 서로 다른 측정 항목들 간의 상관관계를 살펴보는 것은 미세먼지의 특성(일례로, 밀도 및 점도 등)의 물리적 특성을 이해하는 데에도 유용하다. 그런데 서로 다른 측정기기를 사용하여 측정한 미세먼지 농도는, 기기의 고유 특성에 맞게 측정을 하고 있어, 시간 범위 등의 조건이 다르며, 때문에 이를 동일한 조건에서 비교하기 위한 분석방법이 필요하다. In addition, looking at the correlations between different measurement items is also useful for understanding the physical properties of fine dust properties (eg, density and viscosity). However, the concentration of fine dust measured using different measuring devices is measured according to the unique characteristics of the device, and conditions such as time ranges are different, so an analysis method is needed to compare them under the same conditions.
따라서, 서로 다른 측정 항목들의 상관관계를 정확하고 빠르게 분석해 내는 일은 미세먼지 특성 연구에 있어서도 중요한 부분이다. Therefore, accurate and quick analysis of the correlation between different measurement items is also an important part of fine dust characteristics research.
한편, 서로 다른 포맷의 데이터를 생산하는 측정기기간의 측정값을 비교하여 측정기기들간의 통합관리 효율을 향상시키고, 상관성 파악을 통한 미세먼지 특성 규명을 효율적으로 하기 위한 데이터 분석방법이 요구된다.On the other hand, there is a need for a data analysis method to improve the efficiency of integrated management between measuring devices by comparing measured values between measuring devices that produce data in different formats, and to efficiently identify the characteristics of fine dust through correlation identification.
본 발명의 목적은 데이터 분석방법을 통해, 수동으로 다루기 힘든 서로 다른 측정기기의 데이터를 빠르고, 정확하게 비교, 분석할 수 있도록 하여 정보 처리의 신속성, 결과의 객관성 및 신뢰도를 높이는 방법을 제공하는 것이다.It is an object of the present invention to provide a method of increasing the speed of information processing, objectivity and reliability of results by enabling fast and accurate comparison and analysis of data of different measuring devices that are difficult to handle manually through a data analysis method.
상기의 과제를 해결하기 위해, 본 발명의 데이터 분석 방법은, 제1기기의 데이터 및 제2기기의 데이터를 로딩하는 데이터 로딩 단계; 상기 제1기기의 데이터 및 제2기기의 데이터 각각의 시간을 기 결정된 범위 내로 설정하는 시간 설정 단계; 및 설정된 시간의 범위 내에서 상기 제1기기의 데이터 및 상기 제2기기의 데이터 간의 상관성을 도출하여 이를 나타내는 상관성 도출 단계를 포함한다. In order to solve the above problems, the data analysis method of the present invention includes a data loading step of loading data of a first device and data of a second device; A time setting step of setting each time of the data of the first device and the data of the second device within a predetermined range; And deriving a correlation between the data of the first device and the data of the second device within a set time range, and indicating the correlation.
본 발명과 관련된 일 예에 의하면, 상기 상관성 도출 단계는, 상기 제1기기의 데이터 및 상기 제2기기의 데이터 간의 상관성을 도출하도록 그래프를 생성한다. According to an example related to the present invention, in the step of deriving the correlation, a graph is generated to derive a correlation between data of the first device and data of the second device.
바람직하게는, 상기 상관성 도출 단계는, 특정 시간대의 기상상태의 특이성을 도출하도록, 상기 제1기기의 데이터 및 상기 제2기기의 데이터의 변화를 시계열 그래프로 나타내는 단계를 포함한다. Preferably, the step of deriving the correlation includes displaying a change in the data of the first device and the data of the second device in a time series graph to derive the specificity of the weather condition in a specific time period.
상기 시계열 그래프는, 시간에 따라 상기 제1기기 및 상기 제2기기의 농도의 경향성을 비교 가능하게 하도록 상기 제1기기 농도를 일 측의 y축으로 하고, 상기 제2기기의 농도를 타 측의 y축으로 하며, x축은 분석을 진행하는 기간으로 할 수 있다. In the time series graph, the concentration of the first device is set to the y-axis of one side and the concentration of the second device is set to the other side so that the tendency of the concentration of the first device and the second device can be compared over time. The y-axis can be used, and the x-axis can be a period for analysis.
본 발명과 관련된 다른 일 예에 의하면, 상기 상관성 도출 단계는, 상기 제1기기의 데이터 및 상기 제2기기의 데이터의 변화를 산포도 그래프로 나타내는 단계를 포함하고, 상기 산포도 그래프에는 회귀식을 통하여 도출되는 결정계수 값이 표시되어 상기 산포도 그래프를 통해 상기 제1기기의 데이터 및 상기 제2기기의 데이터를 수치적으로 확인할 수 있다. According to another example related to the present invention, the step of deriving the correlation includes a step of representing a change in the data of the first device and the data of the second device as a scatter graph, and the scatter plot is derived through a regression equation. A determined coefficient value is displayed, and data of the first device and data of the second device can be numerically checked through the scatter graph.
상기 산포도 그래프에는 회귀식이 표시되어 상기 산포도 그래프에 수치적으로 확인할 수 있도록 한다. A regression equation is displayed on the scatter plot so that the scatter plot can be numerically confirmed.
또한, 상기의 과제를 해결하기 위해, 데이터 분석 장치는, 미세먼지를 측정하는 서로 다른 기기의 자료를 비교하고, 이를 통해 상관관계를 도출하여 미세먼지 특성을 파악하고, 측정자료의 통합관리를 가능하게 하며, 전술한 데이터 분석 방법을 적용하도록 구현한다.In addition, in order to solve the above problems, the data analysis device compares the data of different devices measuring fine dust, derives correlations through it, identifies the characteristics of fine dust, and enables integrated management of the measurement data. And the above-described data analysis method is applied.
본 발명은, 전국 각지의 상시 집중측정 장소에서 측정한 값을 통합관리, 비교할 수 있도록 한다. 뿐만 아니라, 서로 다른 측정 항목들 간의 상호 관계 분석을 통하여 미세먼지 특성을 좀 더 깊이 있게 이해할 수 있도록 한다.The present invention enables integrated management and comparison of values measured at regular intensive measurement locations across the country. In addition, it enables a more in-depth understanding of the characteristics of fine dust by analyzing the correlation between different measurement items.
본 발명은, 수동으로 작업하기 어려운 다량의 실시간 데이터들을 편리하고 빠르게 분석할 수 있으며, 정보의 정확성을 보장한다.The present invention can conveniently and quickly analyze a large amount of real-time data, which is difficult to work manually, and ensures the accuracy of information.
본 발명은, 시간의 경과에 따른 제1기기 및 제2기기 농도의 변화를 시계열 그래프로 나타내어 특정 시간대의 기상상태 특이성을 알아볼 수 있다.In the present invention, the change in concentration of the first device and the second device according to the passage of time is represented by a time series graph, so that the specificity of the meteorological state at a specific time period can be found.
본 발명은, 두 기기로 측정한 값을 습도, 온도, 풍향, 풍속등 다양한 파라미터의 값을 이용하여 비교하고, 데이터에 따른 비교 변화를 한눈에 파악할 수 있으며, 이로 인해 측정기기간 오차나 원인 등을 한눈에 파악할 수 있다.In the present invention, the values measured by two devices are compared using values of various parameters such as humidity, temperature, wind direction, and wind speed, and the comparison change according to the data can be grasped at a glance. You can grasp at a glance.
본 발명은, 두 기기로 측정한 값의 상관관계 계수를 통해 에어로졸(Aerosol)의 특성(예: 밀도, 점도, 기화도 등) 또한 알 수 있다.In the present invention, characteristics of aerosol (eg, density, viscosity, vaporization degree, etc.) can also be known through the correlation coefficient of the values measured by the two devices.
도 1은 본 발명의 일 예에 의한 데이터 분석 방법의 순서도.
도 2는 본 발명의 다른 일 예에 의한 데이터 분석 방법의 순서도.
도 3은 비교에 필요한 웨이브를 불러들이고, 기존 웨이브를 더해 AMS 기기로 측정한 총 질량 농도를 구하는 방법의 일 예.
도 4는 시간 분해능이 높은 AMS 기기의 질량 농도값의 웨이브를 SMPS 기기의 부피 농도와 비교하기 위해 시간단위를 맞추기 위한 계산하는 방법의 일 예.
도 5는 AMS 기기의 질량농도와 SMPS 기기의 부피농도를 비교하는 시계열 그래프를 그리는 방법과 두 농도의 비율을 통해 에어로졸의 특성을 알 수 있는 그래프 도시 방법의 일 예.
도 6은 제1기기 및 상기 제2기기의 농도의 경향성을 비교 가능한 시계열 그래프.
도 7은 제1기기의 데이터 및 상기 제2기기의 데이터의 변화를 보여주는 산포도 그래프.
도 8은 그래프가 산출되는 Igor Pro 소프트웨어 화면.1 is a flow chart of a data analysis method according to an example of the present invention.
2 is a flow chart of a data analysis method according to another example of the present invention.
3 is an example of a method of obtaining a wave required for comparison and adding an existing wave to obtain a total mass concentration measured by an AMS device.
4 is an example of a method of calculating a time unit to match a wave of mass concentration values of an AMS device having a high time resolution with a volume concentration of an SMPS device.
5 is an example of a method of drawing a time series graph comparing the mass concentration of the AMS device and the volume concentration of the SMPS device, and a graph showing method for knowing the characteristics of an aerosol through the ratio of the two concentrations.
6 is a time series graph for comparing the tendency of the concentration of the first device and the second device.
7 is a scatter graph showing changes in data of a first device and data of a second device.
8 is an Igor Pro software screen in which a graph is calculated.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 동일하거나 유사한 구성요소에는 동일, 유사한 도면 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, embodiments disclosed in the present specification will be described in detail with reference to the accompanying drawings, but the same or similar components are denoted by the same or similar reference numerals, and redundant descriptions thereof will be omitted. The suffix "unit" for the constituent elements used in the following description is given or used interchangeably in consideration of only the ease of writing the specification, and does not itself have a distinct meaning or role from each other. In addition, in describing the embodiments disclosed in the present specification, when it is determined that a detailed description of related known technologies may obscure the subject matter of the embodiments disclosed in the present specification, the detailed description thereof will be omitted. In addition, the accompanying drawings are for easy understanding of the embodiments disclosed in the present specification, and the technical idea disclosed in the present specification is not limited by the accompanying drawings, and all modifications included in the spirit and scope of the present invention It should be understood to include equivalents or substitutes.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms including ordinal numbers, such as first and second, may be used to describe various elements, but the elements are not limited by the terms. These terms are used only for the purpose of distinguishing one component from another component.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. When a component is referred to as being "connected" to another component, it should be understood that although it may be directly connected to the other component, another component may exist in the middle.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.Singular expressions include plural expressions unless the context clearly indicates otherwise.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.In the present application, terms such as "comprises" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the presence or addition of elements or numbers, steps, actions, components, parts, or combinations thereof, does not preclude in advance.
도 1은 본 발명의 일 예에 의한 데이터 분석 방법(S100)의 순서도이다. 1 is a flow chart of a data analysis method (S100) according to an example of the present invention.
도 1을 참조하면, 본 발명의 데이터 분석 방법(S100)은, 데이터 로딩 단계(S10)와, 시간 설정 단계(S20)와, 상관성 도출 단계(S30)를 포함한다. Referring to FIG. 1, a data analysis method (S100) of the present invention includes a data loading step (S10), a time setting step (S20), and a correlation derivation step (S30).
데이터 로딩 단계(S10)는 제1기기의 데이터 및 제2기기의 데이터를 로딩하는 단계이다. The data loading step S10 is a step of loading data of a first device and data of a second device.
본 발명에서 제1기기는 AMS 측정기기이고, 제2기기는 SMPS 측정기기일 수 있다. In the present invention, the first device may be an AMS measuring device, and the second device may be an SMPS measuring device.
또한, 본 발명에서 데이터는 제1기기 및 제2기기에서 측정되는 미세먼지에 대한 데이터일 수 있는데, 보다 상세하게는 미세먼지의 농도에 대한 데이터일 수 있다. In addition, in the present invention, the data may be data on fine dust measured by the first device and the second device, and more specifically, may be data on the concentration of the fine dust.
데이터 로딩 단계(S10)에서, 제1 및 제2기기의 데이터를 같은 파일 내에 위치시킬 수 있다. 일례로, 데이터 로딩 단계(S10)에서, 제1기기를 분석하고 있는 파일 내에 제2기기의 웨이브(wave)를 불러들일 수 있다. In the data loading step S10, data of the first and second devices may be located in the same file. For example, in the data loading step S10, a wave of the second device may be loaded in a file that is analyzing the first device.
한편, 본 발명에서 데이터 로딩 단계(S10)는 예를 들면, 제1기기 및 제2기기의 데이터를 로딩하여 데이터를 생성하는 방법으로 이해될 수도 있으나, 반드시 이에 한정되는 것은 아니다. Meanwhile, in the present invention, the data loading step S10 may be understood as a method of generating data by loading data of a first device and a second device, but is not limited thereto.
시간 설정 단계(S20)는 상기 제1기기의 데이터 및 제2기기의 데이터 각각을 기 결정된 시간 범위 내로 설정하는 단계이다. The time setting step (S20) is a step of setting each of the data of the first device and the data of the second device within a predetermined time range.
시간 설정 단계(S20)는 제1기기 및 제2기기의 시간 범위가 다르기 때문에 제1 및 제2기기의 데이터 값을 기 결정된 시간 범위 내로 설정하도록 한다. In the time setting step S20, since the time ranges of the first device and the second device are different, the data values of the first and second devices are set within a predetermined time range.
또한, 제1기기 및 제2기기의 시간 범위가 다르기 때문에 각각의 기기의 시계열(time series)을 일정하게 맞추고 값 또한 그에 맞게 평균을 내도록 한다. 이때, 시간 설정 단계(S20)에서, 시간 분해능(time resolution)이 낮은 데이터를 기준으로 하여 시간 분해능이 높은 데이터를 평균 내어 데이터의 손실이 없도록 한다. In addition, since the time ranges of the first device and the second device are different, the time series of each device is uniformly adjusted and the values are averaged accordingly. At this time, in the time setting step (S20), data having a high time resolution is averaged based on data having a low time resolution so that there is no data loss.
한편, 본 발명에서 시간 설정 단계(S20)는 제1기기 및 제2기기의 데이터를 기 결정된 시간 범위 내로 설정하도록 보정하는 단계로 이해될 수도 있다.Meanwhile, in the present invention, the time setting step S20 may be understood as a step of calibrating the data of the first device and the second device to be set within a predetermined time range.
본 발명의 데이터 분석 방법(S100)은, 전술한 시간 설정 단계(S20) 뿐 아니라, 다양한 측정에 대한 정보를 설정하는 정보 설정 단계(미도시)를 더 포함할 수도 있다. 측정에 대한 정보는 농도, 습도, 온도, 풍향 및 풍속 등의 정보를 포함할 수 있다.The data analysis method S100 of the present invention may further include an information setting step (not shown) of setting information for various measurements as well as the time setting step S20 described above. Information about the measurement may include information such as concentration, humidity, temperature, wind direction and wind speed.
상관성 도출 단계(S30)는 설정된 시간 범위 내에서 상기 제1기기의 데이터 및 상기 제2기기의 데이터 간의 상관성을 도출하여 이를 나타내는 단계이다. The correlation derivation step (S30) is a step of deriving and indicating a correlation between data of the first device and data of the second device within a set time range.
상관성 도출 단계(S30)는 시간 설정 단계(S20)에서 기 결정된 시간 범위 내로 설정된 데이터들 간의 상관성을 도출하고 이를 나타낼 수 있다. In the correlation derivation step S30, a correlation between data set within a predetermined time range in the time setting step S20 may be derived and displayed.
예를 들면, 상관성 도출 단계(S30)는 상기 제1기기의 데이터 및 상기 제2기기의 데이터 간의 상관성을 도출하도록 시계열 그래프로 나타내는 단계(S33)를 포함할 수 있다. For example, the correlation derivation step (S30) may include a step (S33) representing a time series graph to derive a correlation between the data of the first device and the data of the second device.
상관성 도출 단계(S30)가 시계열 그래프로 나타내는 단계(S33)를 포함하는 경우, 시계열 그래프에 의해 특정 시간대의 기상상태의 특이성을 도출할 수 있다. 도 6에서 제1기기 및 상기 제2기기의 농도의 경향성을 비교 가능한 시계열 그래프가 도시된다. When the correlation derivation step S30 includes the step S33 representing a time series graph, the specificity of the weather condition in a specific time zone may be derived by the time series graph. In FIG. 6, a time series graph capable of comparing the concentration trends of the first device and the second device is shown.
또한, 상관성 도출 단계(S30)에서 시계열 그래프를 생성하는 경우, 예를 들면, 제1기기 농도를 좌측의 y축으로 할 수 있고, 제2기기의 농도를 우측의 y축으로 하며, x축은 분석을 진행하는 기간으로 하는 시계열 그래프를 도출해낼 수 있다. In addition, when the time series graph is generated in the correlation derivation step (S30), for example, the concentration of the first device may be the y-axis on the left, the concentration of the second device is the y-axis on the right, and the x-axis is analyzed. You can derive a time series graph with a period of progression.
상관성 도출 단계(S30)에서 도출된 시계열 그래프에 의해 제1기기의 농도 및 제2기기의 농도를 비교할 수 있다. The concentration of the first device and the concentration of the second device may be compared by the time series graph derived in the correlation derivation step (S30).
상관성 도출 단계(S30)는, 제1기기의 데이터 및 상기 제2기기의 데이터를 수치적으로 확인할 수 있도록 하기 위해 산포도 그래프로 나타내는 단계(S35)를 포함할 수 있다.The correlation derivation step (S30) may include a step (S35) of representing the data of the first device and the data of the second device as a scatter graph in order to numerically confirm the data.
상관성 도출 단계(S30)가 산포도 그래프로 나타내는 단계(S35)를 포함하는 경우, 두 기기로 측정한 농도의 분포를 보여주고, 회귀식을 통하여 결정계수 R2값 및 선형회귀식을 그래프에 표시하여 그래프에 표시된 점들의 분포를 수치적으로 확인할 수 있게 한다. When the correlation derivation step (S30) includes the step (S35) showing a scatter plot, the distribution of the concentration measured by the two devices is shown, and the coefficient of determination R2 value and the linear regression equation are displayed on the graph through the regression equation. Allows you to numerically check the distribution of the points indicated in.
도 7에는 제1기기의 데이터 및 상기 제2기기의 데이터의 변화를 보여주는 산포도 그래프가 도시된다. 도 7에서, 선형회귀식은 그래프상에 빨간색 실선으로 표시되어 있으며, 그래프 오른쪽 하단에 있는 날짜 색인은 분석 날짜별 색깔을 의미한다. 각각의 데이터를 나타내는 점들의 대략적인 날짜를 파악할 수 있기 때문에 각 기기로 측정한 농도의 시간에 따른 변화를 효율적으로 파악할 수 있다. 이때 색인은 날짜 뿐만이 아니라, 습도, 온도, 풍속 등 외부의 다양한 요인들을 적용할 수 있도록 하여, 데이터 비교 시에 차이가 나는 특정구간이나 항목들이 있다면 요인 파악을 할 수 있도록 한다.7 is a scatter graph showing changes in data of the first device and the data of the second device. In FIG. 7, the linear regression equation is indicated by a red solid line on the graph, and the date index at the lower right of the graph indicates the color for each analysis date. Since the approximate date of the points representing each data can be grasped, it is possible to efficiently grasp the change over time of the concentration measured by each device. At this time, the index allows you to apply not only the date, but also various external factors such as humidity, temperature, and wind speed, so that you can identify the factors if there are specific sections or items that differ when comparing data.
제1기기와 제2기기의 농도의 비율이 1에 가까우면 두 값이 거의 비슷하게 측정되었다는 것을, 혹은 상관관계가 비슷하다는 의미이며, 그래프의 기울기가 1보다 크면 제1기기의 값이 제2기기의 값보다 크다는 의미 혹은 상관관계가 1보다 크다는 의미이다. 그래프의 기울기가 1보다 작을 때는 제1기기의 값이 제2기기의 값보다 작거나 상관관계가 1 이하임을 나타낸다.If the ratio of the concentration of the first device and the second device is close to 1, it means that the two values are measured almost similarly, or that the correlation is similar, and if the slope of the graph is greater than 1, the value of the first device is the second device. It means that it is greater than the value of or that the correlation is greater than 1. When the slope of the graph is less than 1, it indicates that the value of the first device is less than the value of the second device or that the correlation is less than 1.
본 발명의 데이터 분석 방법(S100)은 IGOR pro 소프트웨어를 기반으로 하여 처리 가능한 방법일 수 있다. 도 8에서, 그래프가 산출되는 Igor Pro 소프트웨어 화면이 보여진다.The data analysis method S100 of the present invention may be a method that can be processed based on IGOR pro software. In Fig. 8, the Igor Pro software screen in which the graph is calculated is shown.
도 2는 본 발명의 다른 일 예에 의한 데이터 분석 방법(S200)의 순서도이다.2 is a flowchart of a data analysis method S200 according to another example of the present invention.
도 2에는, 제1기기의 데이터 폴더 내에 제2기기의 데이터 웨이브를 생성하고 이와 비교할 제1기기의 값을 나타내는 단계(S210), 제1기기 및 제2기기를 비교할 수 있도록 시간 및 농도를 같은 범위로 맞추는 단계(S220), 생성된 웨이브에 근거하여 그래프를 생성하는 단계(S230)를 포함하는 데이터 분석 방법(S200)의 예가 도시된다. In FIG. 2, generating a data wave of the second device in the data folder of the first device and indicating the value of the first device to be compared therewith (S210), time and concentration are the same so that the first device and the second device can be compared. An example of a data analysis method S200 including the step S220 of fitting into a range and the step S230 of generating a graph based on the generated wave is shown.
도 2에서 도시되는 바와 같이, 그래프를 생성하는 단계(S230)는 시계열 그래프 및 AMS 기기의 전체(total) 및 SMPS 기기의 부피(volume)를 디스플레이하는 단계(S231), 그래프 수정 단계(S233), 어펜드 투 그래프(appendtograph) 명령어를 사용하여 우측 y축이 SMPS_Volume이고, x축이 t_smps인 그래프를 생성하는 단계(S235) 및 그래프 수정 단계(S237)를 포함할 수 있다. As shown in FIG. 2, the step of generating the graph (S230) includes displaying a time series graph, the total of the AMS device, and the volume of the SMPS device (S231), the graph modification step (S233), It may include generating a graph in which the right y-axis is SMPS_Volume and the x-axis is t_smps using an appendtograph command (S235) and a graph modification step (S237).
도 3에는 비교에 필요한 웨이브를 불러들이고, 기존 웨이브를 더해 AMS 기기로 측정한 총 질량 농도를 구하는 방법의 일 예가 보여진다. FIG. 3 shows an example of a method of obtaining a wave required for comparison and adding an existing wave to obtain the total mass concentration measured by the AMS device.
도 3을 참조하면, 제1 및 제2기기의 데이터를 로딩하여 보정하여 총 농도를 계산하는 예가 보여진다. 뉴 데이터 폴더(newdatafolder)라는 명령어를 사용하여 통해 불러들일 제2기기의 데이터의 위치가 새로 만들어 지정된다. 도 3에서는 루트(root) 안의 SMPS라는 폴더를 만들고 위치를 지정해주었다. 다음으로 웨이브(wave)라는 명령어를 사용하여 분석에 필요한 데이터를 로딩할 수 있다. 예시에서는 t_smps와 SMPS_Volume을 불러오고 분석의 조건에 맞게 보정하였다. 다음에는 제1기기에서 얻은 각각의 이온 농도 데이터를 더해 총 농도로 나타내고 보정해주는 과정을 거친다. Referring to FIG. 3, an example of calculating the total concentration by loading and correcting data of the first and second devices is shown. A new location of the data of the second device to be loaded through a command called newdatafolder is created and specified. In Fig. 3, a folder called SMPS in the root was created and the location was designated. Next, you can load the data required for analysis by using a command called wave. In the example, t_smps and SMPS_Volume were loaded and corrected according to the analysis conditions. Next, each ion concentration data obtained from the first device is added to represent the total concentration and corrected.
도 3에서는 실시간 AMS 측정으로 얻은 Org_allV, NO3_allV, SO4_allV, NH4_allV, Chl_allV의 웨이브를 모두 더해 total_allV라는 총 농도를 계산하여 도출하는 예가 도시된다.FIG. 3 shows an example of calculating and deriving the total concentration of total_allV by adding all the waves of Org_allV, NO3_allV, SO4_allV, NH4_allV, and Chl_allV obtained by real-time AMS measurement.
도 4는 제1기기의 웨이브(wave)를 제2기기의 결과값과 비교할 수 있도록 시간의 범위를 맞추고 농도는 그에 맞게 평균 내어주는 과정의 예가 도시된다. FIG. 4 shows an example of a process in which a range of time is adjusted so that a wave of a first device can be compared with a result value of a second device, and the concentration is averaged accordingly.
도 4에서 얻은 total_allV는 AMS 측정기기가 V mode일 때 측정값이므로 데이터에 빈칸(NaNs)이 존재한다. make/o/d/n 명령어를 사용하여 빈칸을 제거하고 6분 단위의 결과값만 존재하는 Total_noNaNs라는 웨이브를 생성하였고 또한, 이와 맞는 t_series_noNaNs라는 웨이브를 생성한다. 다음으로 Total_noNaNs과 t_series_noNaNs를 SMPS의 시간 웨이브인 t_smps에 맞게 평균이 도출되는 예가 보여진다.The total_allV obtained in FIG. 4 is a measured value when the AMS measuring device is in the V mode, so there is a blank (NaNs) in the data. Using the make/o/d/n command, blanks were removed, and a wave called Total_noNaNs with only the result value of 6 minutes was created, and a wave called t_series_noNaNs was created accordingly. Next, an example of deriving the average of Total_noNaNs and t_series_noNaNs according to the time wave t_smps of SMPS is shown.
도 5에서는 그래프를 도시하고자 디스플레이(Display) 명령어를 사용하는 예가 도시된다. 그래프 좌측의 y축에 Total_AMSavgSMPS, x축에 t_smps이 그려지고 그래프의 이름을 “AMSMappedandSMPS”라고 명명했다. 그리고 어펜드 투 그래프(appendtograph) 명령어를 사용하여 우측 y축이 SMPS_Volume이고, x축이 t_smps인 그래프를 생성하였다. 그래프를 생성한 뒤 그래프 수정(modifygraph) 명령어를 사용하여 색깔 및 디자인을 변경하였고, 라벨(label) 명령어를 통해 그래프 각각의 축에 해당하는 이름을 작성하였다.5 illustrates an example of using a display command to display a graph. Total_AMSavgSMPS is drawn on the y-axis on the left side of the graph, and t_smps is drawn on the x-axis, and the graph is named “AMSMappedandSMPS”. And, using the appendtograph command, the right y-axis is SMPS_Volume and the x-axis is t_smps. After creating the graph, the color and design were changed using the modifygraph command, and the names corresponding to each axis of the graph were written through the label command.
도 5에는 “AMS total (faverage) vs SMPS Volume”으로 명명되는 두번째의 그래프를 생성하는 예가 또한 보여지는데, y축을 Total_AMSavgSMPS으로, x축을 SMPS_Volume으로 하는 산포도 그래프이다. 그래프 수정(modifygraph) 명령어를 사용하여 그래프의 크기, 색깔, 폰트 등을 지정하였고 라벨 명령어를 통해 그래프 축의 이름이 입력된다. In FIG. 5, an example of creating a second graph named “AMS total (faverage) vs SMPS Volume” is also shown, which is a scatter graph in which the y-axis is Total_AMSavgSMPS and the x-axis is SMPS_Volume. The graph size, color, and font are specified using the modifygraph command, and the name of the graph axis is entered through the label command.
한편, 본 발명의 데이터 분석 장치는 미세먼지를 측정하는 서로 다른 기기의 자료를 비교하고, 이를 통해 상관관계를 도출하여 미세먼지 특성을 파악하고, 측정자료의 통합관리를 가능하게 하는 장치이다. On the other hand, the data analysis device of the present invention is a device that compares data of different devices measuring fine dust, derives a correlation through it, identifies characteristics of fine dust, and enables integrated management of measurement data.
본 발명의 데이터 분석 장치는 전술한 데이터 분석 방법을 적용하도록 구현되는데, 일례로, 본 발명의 데이터 분석 장치는 Igor Pro 소프트웨어가 탑재된 컴퓨터일 수 있다. The data analysis apparatus of the present invention is implemented to apply the above-described data analysis method. As an example, the data analysis apparatus of the present invention may be a computer equipped with Igor Pro software.
위와 같은 방법으로 AMS 기기와 SMPS 기기로 측정한 미세먼지의 농도를 비교할 수 있는 그래프를 생성할 수 있다. 예시에서 사용한 AMS 기기와 SMPS 기기는 서로 다른 기기로 확장하여 적용할 수 있고 다른 지역에서 측정된 값 또한 이와 같은 방법으로 비교할 수 있다. 예시에서 지정한 그래프 및 웨이브의 이름을 사용자의 편의에 따라 해당 이름으로 지정하여 그래프를 생성하면 많은 양의 데이터를 세밀하고 정확하게 관측할 수 있도록 하여 본 발명의 목적을 이룰 수 있다. In the same way as above, it is possible to create a graph that can compare the concentration of fine dust measured by the AMS device and the SMPS device. The AMS device and the SMPS device used in the example can be extended and applied to different devices, and values measured in different regions can be compared in the same way. When a graph is created by designating the graph and wave names specified in the example with the corresponding names according to the user's convenience, a large amount of data can be observed in detail and accurately, thereby achieving the object of the present invention.
이상에서 설명한 데이터 분석 방법(S100) 및 데이터 분석 장치는 위에서 설명된 실시예들의 구성과 방법에 한정되는 것이 아니라, 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다. The data analysis method (S100) and the data analysis apparatus described above are not limited to the configuration and method of the embodiments described above, but the embodiments are all or part of each of the embodiments selectively combined so that various modifications can be made. It can also be configured.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.It is obvious to those skilled in the art that the present invention can be embodied in other specific forms without departing from the spirit and essential features of the present invention. Therefore, the detailed description above should not be construed as restrictive in all respects and should be considered as illustrative. The scope of the present invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.
Claims (7)
제1기기의 데이터 및 제2기기의 데이터를 로딩하는 데이터 로딩 단계;
상기 제1기기의 데이터 및 제2기기의 데이터 각각의 시간을 기 결정된 범위 내로 설정하는 시간 설정 단계;
설정된 시간의 범위 내에서 상기 제1기기의 데이터 및 상기 제2기기의 데이터 간의 상관성을 도출하여 이를 나타내는 상관성 도출 단계; 및
다양한 측정에 대한 정보를 설정하는 정보 설정 단계를 포함하고,
상기 측정에 대한 정보는 농도, 습도, 온도, 풍향 및 풍속 등의 정보를 포함하며,
상기 상관성 도출 단계는, 상기 제1기기의 데이터 및 상기 제2기기의 데이터의 변화를 산포도 그래프로 나타내는 단계; 및
특정 시간대의 기상상태의 특이성을 도출하도록, 상기 제1기기의 데이터 및 상기 제2기기의 데이터의 변화를 시계열 그래프로 나타내는 단계를 포함하고,
상기 산포도 그래프에는 회귀식을 통하여 도출되는 결정계수 값이 표시되어 상기 산포도 그래프를 통해 상기 제1기기의 데이터 및 상기 제2기기의 데이터를 수치적으로 확인할 수 있도록 하고,
상기 상관성 도출 단계는,
상기 제1기기의 데이터 및 상기 제2기기의 데이터 간의 상관성을 도출하도록 그래프를 생성하고,
상기 시계열 그래프는, 시간에 따라 상기 제1기기 및 상기 제2기기의 농도의 경향성을 비교 가능하게 하도록 상기 제1기기 농도를 일 측의 y축으로 하고, 상기 제2기기의 농도를 타 측의 y축으로 하며, x축은 분석을 진행하는 기간으로 하는 것을 특징으로 하는 데이터 분석 방법.
As a data analysis method that increases the speed and reliability of information processing by allowing data from different measuring devices to be compared and analyzed,
A data loading step of loading data of a first device and data of a second device;
A time setting step of setting each time of the data of the first device and the data of the second device within a predetermined range;
Deriving a correlation between data of the first device and data of the second device within a set time range and indicating the correlation; And
Including an information setting step of setting information for various measurements,
Information on the measurement includes information such as concentration, humidity, temperature, wind direction and wind speed,
The step of deriving the correlation may include: representing a change in data of the first device and the data of the second device as a scatter graph; And
To derive the specificity of the weather condition in a specific time period, including the step of representing the change of the data of the first device and the data of the second device in a time series graph,
In the scatter plot graph, a determination coefficient value derived through a regression equation is displayed so that data of the first device and data of the second device can be numerically confirmed through the scatter plot graph,
The correlation derivation step,
Create a graph to derive a correlation between the data of the first device and the data of the second device,
In the time series graph, the concentration of the first device is set to the y-axis of one side and the concentration of the second device is set to the other side so that the tendency of the concentration of the first device and the second device can be compared over time. Data analysis method, characterized in that the y-axis and the x-axis is a period during which the analysis is performed.
상기 산포도 그래프에는 회귀식이 표시되어 상기 산포도 그래프에 수치적으로 확인할 수 있도록 하는 것을 특징으로 하는 데이터 분석 방법.
The method of claim 1,
A data analysis method, characterized in that a regression equation is displayed on the scatter plot so that it can be numerically confirmed in the scatter plot graph.
제1항 및 제6항 중 어느 한 항의 데이터 분석 방법을 적용하도록 구현되는 것을 특징으로 하는 데이터 분석 장치.As a data analysis device that compares the data of different devices measuring fine dust and derives correlations through it, understands the characteristics of fine dust, and enables integrated management of the measurement data.
A data analysis device, characterized in that it is implemented to apply the data analysis method of any one of claims 1 and 6.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190057470A KR102171886B1 (en) | 2019-05-16 | 2019-05-16 | Data Analysis Method and Data Analysis Apparatus Using The Same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190057470A KR102171886B1 (en) | 2019-05-16 | 2019-05-16 | Data Analysis Method and Data Analysis Apparatus Using The Same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102171886B1 true KR102171886B1 (en) | 2020-10-30 |
Family
ID=73048090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190057470A KR102171886B1 (en) | 2019-05-16 | 2019-05-16 | Data Analysis Method and Data Analysis Apparatus Using The Same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102171886B1 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110128511A (en) * | 2010-05-24 | 2011-11-30 | 주식회사 에니텍 | 3d realtime airwatch system using web |
| KR20140008602A (en) * | 2012-07-09 | 2014-01-22 | 서울시립대학교 산학협력단 | Apparatus |
| JP2015040814A (en) * | 2013-08-23 | 2015-03-02 | 紀明 岡崎 | Radioactive material moving path estimation method and decontamination method |
| JP2015040815A (en) * | 2013-08-23 | 2015-03-02 | 紀明 岡崎 | Radioactive material moving path estimation method and decontamination method |
| KR20180065588A (en) * | 2016-12-08 | 2018-06-18 | 에스케이테크엑스 주식회사 | Apparatus for managing meteorological information using fine dust sensor, method thereof and computer readable medium having computer program recorded thereon |
| JP2018534569A (en) * | 2015-11-12 | 2018-11-22 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | Air pollution prediction methods, programs, and equipment (ultra-short-term air pollution prediction) |
-
2019
- 2019-05-16 KR KR1020190057470A patent/KR102171886B1/en active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110128511A (en) * | 2010-05-24 | 2011-11-30 | 주식회사 에니텍 | 3d realtime airwatch system using web |
| KR20140008602A (en) * | 2012-07-09 | 2014-01-22 | 서울시립대학교 산학협력단 | Apparatus |
| JP2015040814A (en) * | 2013-08-23 | 2015-03-02 | 紀明 岡崎 | Radioactive material moving path estimation method and decontamination method |
| JP2015040815A (en) * | 2013-08-23 | 2015-03-02 | 紀明 岡崎 | Radioactive material moving path estimation method and decontamination method |
| JP2018534569A (en) * | 2015-11-12 | 2018-11-22 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | Air pollution prediction methods, programs, and equipment (ultra-short-term air pollution prediction) |
| KR20180065588A (en) * | 2016-12-08 | 2018-06-18 | 에스케이테크엑스 주식회사 | Apparatus for managing meteorological information using fine dust sensor, method thereof and computer readable medium having computer program recorded thereon |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | A science mapping approach based review of construction safety research | |
| Tichý | JUICE, software for vegetation classification | |
| CN106547265B (en) | A kind of live reliability estimation method and system of rail traffic electronic control unit | |
| Deissenboeck et al. | The quamoco tool chain for quality modeling and assessment | |
| WO2007068509A2 (en) | System and method for automatically selecting one or more metrics for performing a cmmi evaluation | |
| CN115389385B (en) | Dust intelligent monitoring and early warning system based on operation environment and human occupational health | |
| Anderson et al. | Repeatability and reproducibility of TEM soot primary particle size measurements and comparison of automated methods | |
| CN106529050A (en) | Three-dimensional model data detection method, device and system for product | |
| CN115236045A (en) | Method and device for determining chemical oxygen demand in water by using fluorescence spectrometry and storage medium | |
| KR102171886B1 (en) | Data Analysis Method and Data Analysis Apparatus Using The Same | |
| CN118297444A (en) | Artificial intelligence-oriented data set quality general assessment method | |
| US20150025847A1 (en) | Quantitative elemental profiling in optical emission spectroscopy | |
| Laurinaviciene et al. | Digital immunohistochemistry platform for the staining variation monitoring based on integration of image and statistical analyses with laboratory information system | |
| CN107607492B (en) | Method and equipment for detecting motor vehicle exhaust standard | |
| CN106525674A (en) | Calibration method for measured data of portable atmospheric particulate concentration instrument | |
| WO2024061122A1 (en) | Method for assessing fire severity for non-metal material of railway vehicle | |
| CN106295957A (en) | Occupation Competency Model system and the method for analysis | |
| KR102436604B1 (en) | Diurnal Pattern Automated Analysis Method From Air Quality Measurement Data | |
| KR20200000662A (en) | Method for calculating a neutralization of particulate matters in the atmosphere | |
| CN113808393A (en) | Method for eliminating influence of hybrid control object | |
| KR20220061569A (en) | Outlier Detecting and Removing Method | |
| KR102622028B1 (en) | Apparatus and method for evaluating effects of fine dust components | |
| Yilmaz et al. | Towards the development of a defect detection tool for cosmic functional size measurement | |
| CN115290784B (en) | Determination method for aversion type odor substances in vehicle | |
| KR102441849B1 (en) | Quantifying Method of Uncertainty of Measured Value by Close Match Span Calibration And The Apparatus Using The Same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |