[그림 1] Manufacturing process digital twin model 33

[그림 2] 디지털 쌍둥이 도시 형상도 34

[그림 3] U-City 통합관제센터(좌)와 서울시립대학교 디지털 트윈 실험실(우) 35

[그림 4] BIM-GIS 상호운용 개념도 35

[그림 5] 디지털 트윈 개발도구 조사 및 성능 비교(정성적 평가) 36

[그림 6] 지자체별 스마트시티 서비스 현황 37

[그림 7] 서울시 클라우드센터의 관제시스템 일부 38

[그림 8] 서울시 S-map(생활정보 서비스) 38

[그림 9] 인천시 3D GIS 플랫폼의 도시모델 39

[그림 10] 침수예측 솔루션 39

[그림 11] 대구 3D지도 및 D-데이터 허브 고도화(안) 40

[그림 12] 대구시 3D지도(생활정보 서비스) 40

[그림 13] 국내 클라우드 IT 인프라 시장 전망 41

[그림 14] 국내 소프트웨어 시장 성장 전망 2018-2022 41

[그림 15] 씨앗(CEART, Creative Economy Application maRT) 오픈마켓 42

[그림 16] 연도별 클라우드 전환계획 42

[그림 17] 스마트시티 시장규모 예상 43

[그림 18] 스마트시티 시장규모 예상 43

[그림 19] 글로벌 스마트시티 시장의 지역별 시장 규모 및 전망 43

[그림 20] Global Market Insights의 디지털 트윈 시장 규모 예측 44

[그림 21] MarketsandMarkets의 디지털 트윈 시장 규모 예측 44

[그림 22] V-World 화면 예시(좌: 3차원 모델 시각화, 우: 시설물 실내공간 시각화) 45

[그림 23] 서울시 실내공간지도 이미지 46

[그림 24] S-Map 실내공간지도 이미지 46

[그림 25] OneM2M 기반 스마트시티 데이터 통합 플랫폼 구성 47

[그림 26] S-Map에서 제공하는 서비스 예시 48

[그림 27] '대구 3D-Map' 에서 제공하는 서비스 예시 48

[그림 28] 디지털 트윈 전주의 3차원 객체모델 49

[그림 29] 디지털 트윈 전주의 제공 서비스 예시 50

[그림 30] 부산 에코델타시티 디지털 트윈 라이프사이클 50

[그림 31] 세종 5-1생활권의 디지털 트윈 단계별 적용방안 51

[그림 32] 디지털 트윈 관련 연구과제 수 51

[그림 33] 실내 공간정보 해외 추진 사례(공공) 54

[그림 34] 세계 주요 도시들의 디지털 트윈 구축 사례 55

[그림 35] Mago3D의 실행화면 예(서울대학교 시흥캠퍼스 조감도) 58

[그림 36] Mago3D 시스템에서 제공하는 서비스 예시 59

[그림 37] XDMap 제공 시뮬레이션 서비스 예시 60

[그림 38] 대용량 데이터 경량화 60

[그림 39] 가상/증강 현실 기술기반의 콘텐츠 제공 60

[그림 40] 3D Modelling and Visual Experimentation 관련 서비스들 61

[그림 41] Virtual Test-Bedding 관련 서비스들 62

[그림 42] 노약자 및 장애인을 위한 경로 파악 및 이동성 개선 62

[그림 43] Bentley Map 활용 프로젝트 63

[그림 44] iTwin 활용 프로젝트 63

[그림 45] AssetWise 활용 프로젝트 63

[그림 46] OpenUtilities 활용 프로젝트 64

[그림 47] VU.City에서 제공하는 시뮬레이션 및 서비스의 일부 64

[그림 48] Autodesk tandem의 개념 65

[그림 49] OEP(Orlando Economic Partnership) 디지털 트윈 서비스 대화형 3D 지도 66

[그림 50] 전 세계 A.I. 소프트웨어 전망(2021년-2025년) 68

[그림 51] 인공지능 9대 핵심기술 및 활용 방안 71

[그림 52] ISO./IEC JTC 1/SC 42 구조 72

[그림 53] A.I. 기술 로드맵 73

[그림 54] KT G-Cloud Kt PaaS-TA 75

[그림 55] 국가정보자원관리원 PaaS 구성 75

[그림 56] 전력소프트웨어 연구개발 플랫폼 구성도 76

[그림 57] 윈도우즈 작업관리자 78

[그림 58] Canonical live patch(https://ubuntu.com/security/livepatch/docs/howitworks) 79

[그림 59] 스마트시티 표준화 기구별 이슈 및 현황 82

[그림 60] 디지털 트윈 1.0 프레임워크 85

[그림 61] 연구의 비전 및 목표 87

[그림 62] 클라우드 기반 디지털 트윈 시스템 구성도 90

[그림 63] 스마트시티 사업에서 개발기술의 위치 및 참여기관의 역할 94

[그림 64] 기관별 개발기술 연계 개념도 94

[그림 65] 기관별 개발기술 연계 개념도(통합성과물 관점) 98

[그림 66] 기관별 개발기술 연계 개념도(기관별 최종성과물 관점) 99

[그림 67] 1세부사업단 주관기관(KETI)의 스마트시티 참조모델 111

[그림 68] 1-3 세부과제 최종성과물별 중간산출물 117

[그림 69] 디지털 트윈국토 참조모델의 개념적 프레임워크 129

[그림 70] BIM to GIS 요소 변환 메커니즘 개념도 130

[그림 71] IFC, CityGML 기반 디지털 트윈 개발유형 133

[그림 72] IFC 데이터의 형상/속성 정보 분리 과정 134

[그림 73] 디지털 트윈 데이터 구축 프로세스 135

[그림 74] BIM 데이터 처리/활용 프로세스 136

[그림 75] LOD 2.5~4 디지털 트윈 모델 시각화 결과 137

[그림 76] IFC entity 단위 활용 예 137

[그림 77] 존별 전력사용량 시각화 서비스 137

[그림 78] 에너지 모니터링 서비스의 ERD 139

[그림 79] 에너지 모니터링 서비스의 ERD 141

[그림 80] 건물 내‧외부 표현방법의 차이 149

[그림 81] LOD 2.5 디지털 트윈 S/W 목표성과물 개념도 151

[그림 82] 대구 LOD 2.5 디지털 트윈 모델 구축 방법 152

[그림 83] 세부과제 간 협업 및 협력방안 153

[그림 84] 데이터 허브 연동 PoC(주차 서비스) 전체 계획 160

[그림 85] PoC 대상 주차장 디지털 트윈 모델 구축 160

[그림 86] PoC 데이터 연동 및 시각화 결과 161

[그림 87] PoC 데이터 기반 학습/추론을 위한 데이터 정의 161

[그림 88] 추론 결과(일부) 162

[그림 89] 추론 데이터 기반 디지털 트윈 시각화 162

[그림 90] 대구시 인동촌 LOD 3 디지털 트윈 S/W의 공간적 범위 163

[그림 91] 인동촌 LOD 2.5. 디지털 트윈 모델(전체) 164

[그림 92] 인동촌 LOD 2.5. 디지털 트윈 모델(부분) - 1 164

[그림 93] 인동촌 LOD 2.5. 디지털 트윈 모델(부분) - 2 164

[그림 94] 인동촌 도시시설물 및 폭염저감장치 165

[그림 95] 실증대상 건물의 LOD 3.5 디지털 트윈 모델(상단 좌측: 외관, 하단: 내부) 166

[그림 96] 화재 감지 여부 실시간 시각화 169

[그림 97] 재실자 최단대피경로 시각화(위: 계단실에 장애물 있는 경우, 아래: 계단실에 장애물 없는 경우) 170

[그림 98] 침수 높이 데이터의 형태 171

[그림 99] 그리드별 침수높이 데이터의 3차원 시각화 171

[그림 100] 3차년도 3D 물리 시뮬레이션 기반 침수 예측 서비스 개발 결과 172

[그림 101] 4차년도 3D 물리 시뮬레이션 기반 침수 예측 서비스 개발 결과 172

[그림 102] 도시 홍수 2D 수치해석(좌) 및 물리 엔진 기반 시뮬레이션(우) 결과 비교 173

[그림 103] 폭염저감장치 실시간 상태정보 시각화 173

[그림 104] 살수차 최적경로 도출 174

[그림 105] 기준 위험온도 적용 개념도 174

[그림 106] 화재 서비스 비교 175

[그림 107] 홍수 서비스 비교 175

[그림 108] 시흥시 정왕동 LOD 3 디지털 트윈 S/W의 공간적 범위 176

[그림 109] 도로명주소 shape 데이터 기반 LOD 2.5 디지털 트윈 모델 177

[그림 110] 시흥시 제공 LOD 2 데이터 스크린샷 177

[그림 111] 시흥시 제공 데이터 기반 LOD 2 디지털 트윈 모델 177

[그림 112] 시흥시 제공 데이터 기반 LOD 2.5 모델(시흥 에코센터 인근) 178

[그림 113] 시흥시 제공 데이터 기반 LOD 2.5. 모델(서울대학교 시흥캠퍼스 인근) 178

[그림 114] 서울대학교 시흥캠퍼스 교육협력동 BIM 모델 178

[그림 115] 서울대학교 시흥캠퍼스 교육협력동 LOD 4 디지털 트윈 모델 179

[그림 116] 서울대학교 시흥캠퍼스 교육협력동 LOD 4 디지털 트윈 모델(내부) 179

[그림 117] 시흥 에코센터 BIM 모델 179

[그림 118] 시흥 에코센터 LOD 4 디지털 트윈 모델 180

[그림 119] 시흥 에코센터 LOD 4 디지털 트윈 모델(내부) 180

[그림 120] 태양광 발전량 모니터링 서비스 개념도 183

[그림 121] BEMS 데이터의 2차원 대시보드 기반 표출 예 184

[그림 122] BEMS 데이터 기반 상관/다중회귀분석 서비스 개념도 184

[그림 123] BIM 정보 기반 시설물 에너지 시뮬레이션 서비스 개념도 185

[그림 124] 에너지 Use Case를 통한 시스템 기능 비교(에너지 시뮬레이션 포함) 185

[그림 125] 디지털 트윈 개발유형 정리 186

[그림 126] Unity에서의 베를린 CityGML 데이터 시각화(좌: Cesium, 우: Unity) 187

[그림 127] 5개의 S/W의 디지털 트윈 개발도구로서의 사용 빈도 187

[그림 128] Unity에서의 BIM-GIS 연계 데이터 사용을 위한 최적 포맷 테스트 결과 188

[그림 129] 클라우드 기반 디지털 트윈 시스템에서의 디지털 트윈 S/W의 위치 188

[그림 130] BIM-GIS 기반 디지털 트윈 S/W의 시스템 아키텍처 189

[그림 131] BIM-GIS 기반 디지털 트윈 S/W의 시스템 아키텍처(주요부분 설명) 190

[그림 132] 맵 타일링 및 동적로딩 기능 구현 결과 190

[그림 133] 침수 예측을 위한 물리 시뮬레이션 장면 191

[그림 134] Use Case별 모듈화를 적용한 디지털 트윈 S/W 아키텍처 192

[그림 135] 화재 Use Case의 모듈 구성 193

[그림 136] 화재 시 최적 대피경로 도출 Use Case의 데이터 흐름도 193

[그림 137] 도시홍수 시 침수지역 예측 Use Case의 모듈 구성 194

[그림 138] 도시홍수 시 침수지역 예측 Use Case의 데이터 흐름도 194

[그림 139] 에너지 Use Case 데이터 흐름도 195

[그림 140] 상관관계 분석모듈 구성 201

[그림 141] 시흥에코센터 존별 데이터 이상치 제거(일부) 203

[그림 142] 시흥에코센터 2F 전체 데이터 상관분석 결과(상관계수) 204

[그림 143] 시흥에코센터 2F 전체 데이터 상관분석 결과(유의확률) 204

[그림 144] 통합 모델 오차율 검증 205

[그림 145] 인공지능 학습모델관리 S/W 개발 시스템 개념도 207

[그림 146] 인공지능 학습모델관리 프로세스 흐름과 DB 구성 208

[그림 147] 인공지능 데이터 탐색 Sequence Diagram 208

[그림 148] 인공지능 학습을 위한 입력 데이터 전처리 Sequence Diagram 209

[그림 149] 최적 성능 학습모델 선택 Sequence Diagram 209

[그림 150] 인공지능 모델 학습 수행 Sequence Diagram 210

[그림 151] 인공지능 하이퍼 파라미터 관리 Sequence Diagram 210

[그림 152] 인공지능 판정 처리 Sequence Diagram 211

[그림 153] 인공지능 판정 성능 평가 Sequence Diagram 211

[그림 154] 인공지능 학습모델관리 S/W 인공지능 학습, 학습모델 개념도 212

[그림 155] 인공지능, 빅데이터 처리 프로세스 213

[그림 156] 인공지능 학습모델관리 S/W 실행화면 214

[그림 157] CRISP-DM의 프로세스 흐름도 215

[그림 158] CRISP-DM 수행절차 215

[그림 159] CRISP-DM의 프로세스 단계 215

[그림 160] VM과 컨테이너 방식 비교 218

[그림 161] 도커 컨테이너 생성 219

[그림 162] 클라우드 기반 디지털 트윈 서비스 아키텍처 220

[그림 163] 클라우드를 통한 배포 및 사용자 접속 221

[그림 164] 화면 연계를 위한 인터페이스 개발 221

[그림 165] 직관적으로 옵션 메뉴 선택 222

[그림 166] 목표달성을 위한 연구수행 방법 223

[그림 167] 연구목표 달성을 위한 연구수행 방법 224

[그림 168] 협업 요청 및 질의 등록 화면 225

[그림 169] 자료실 등록 화면 225

[그림 170] 사용자 관리 화면 226

[그림 171] 로그인 이력 관리 화면 226

[그림 172] 디지털 트윈 협업시스템 개념도 227

[그림 173] 계층(Hierarchy) 구조의 메뉴 구성 228

[그림 174] 직관적인 옵션 선택 메뉴 228

[그림 175] 모바일 연계를 위한 인터페이스 개발 228

[그림 176] 함수 호출 예제 (좌)예제 코드 (우)함수 호출 그래프 230

[그림 177] Strace 도식도 231

[그림 178] library wrapper 예제(strcpy) 232

[그림 179] 커널 모듈을 이용한 시스템 콜 수집 방법 232

[그림 180] echo 서버 소스코드 및 오토마타 변환 예제 233

[그림 181] 핫패칭 플랫폼 전체 도식 235

[그림 182] 패치 이미지 생성 과정 235

[그림 183] 패치 이미지 구조 236

[그림 184] 실제 ELF 정보 237

[그림 185] 어셈블리 코드 수정 전후 237

[그림 186] 표준형태 Type 239

[그림 187] 분야별 표준 데이터셋 240

[그림 188] 스마트시티 Use Case 데이터의 특성 248

[그림 189] Use Case 데이터 구성요인 248

[그림 190] Unity와 QGIS 간 좌표정보 입력 시 출력 비교 267

[그림 191] 대구 서구 비산동(인동촌) 근처 통합기준점 예시 267

[그림 192] Unity에서 통합기준점을 원점으로 하는 좌표계 구현 시, 오차범위 계산 268

[그림 193] COVID-19 확산강도 예측(좌), 빌딩 에너지 효율 예측(우) Use Case 268

[그림 194] 1-3 세부과제 추진체계 269

[그림 195] 3, 4차년도 기관별 성과물의 연계 및 협력 체계도 270

[그림 196] 세부과제 협업 및 기술 교류 일정계획(4차년도 예시) 270

[그림 197] 기술개발과 실증장애요인 및 극복방안 279

[그림 198] Use Case 선정 프로세스 279

[그림 199] 2-2 세부과제 연구내용 구성 286

[그림 200] 3-2 세부과제 개발 서비스 292

[그림 201] 에너지 사용량 예측 서비스 개념 293

[그림 202] 에너지 Use Case의 데이터 흐름도 293

[그림 203] 에너지 Use Case의 서비스 제공 프로세스 294

[그림 204] 에너지 Use Case의 기대효과 294

[그림 205] 에너지 Use Case 실증을 위한 기관별 업무분장 295

[그림 206] 프로토타입의 데이터 구성도 306

[그림 207] 전체 기능 구성도 307

[그림 208] 프로토타입 전체 흐름도 308

[그림 209] 인동촌 디지털 트윈 모델링 프로세스 개념도 309

[그림 210] 인동촌 LOD 2.5 디지털 트윈 모델링 과정 일부 310

[그림 211] 인동촌 LOD 2.5 디지털 트윈 모델링 결과 310

[그림 212] 인동촌 LOD 3.5 디지털 트윈 모델링 내부 이미지 310

[그림 213] 데이터 적재 구성 311

[그림 214] Use Case 데이터 구성 312

[그림 215] File Server 구성 313

[그림 216] 화재 감지 및 대피 전체 구성 313

[그림 217] 화재 전체 흐름도 314

[그림 218] 도시 침수 예측 전체 구성 315

[그림 219] 도시 침수 예측 전체 흐름도 315

[그림 220] 폭염 대응 전체 구성 316

[그림 221] 폭염 대응 전체 흐름도구성 317

[그림 222] 프로토타입의 데이터 구성도 318

[그림 223] 전체 기능 구성도 319

[그림 224] 프로토타입 전체 흐름도 320

[그림 225] 계층화된 파일 324

[그림 226] 에코센터 기준으로 계층화된 DAE를 GLB로 변환하는 ShellScript 324

[그림 227] XML 파일 구조 325

[그림 228] decomposition 구조 325

[그림 229] 데이터 적재 구성 326

[그림 230] Use Case 데이터 구성 327

[그림 231] File Server 구성 328

[그림 232] 동적 로딩 타일 공간 생성 330

[그림 233] 동적 로딩 화면 및 구성요소 331

[그림 234] 에너지 모니터링 전체 구성 332

[그림 235] 건물정보 기반 예측 전체 구성 333

[그림 236] 에너지 모니터링 전체 흐름도 335

[그림 237] 건물기반 예측 전체 흐름도 337

[그림 238] 통계 기반 예측 전체 구성 339

[그림 239] 통계 기반 예측 전체 흐름도 340

[그림 240] AI 기반 예측 전체 구성도 341

[그림 241] AI 기반 예측 전체 흐름도 343

[그림 242] 디지털 트윈 3단계 구현 레벨 345

[그림 243] 기관의 최종성과물과 통합성과물로서의 지능형 디지털 트윈 S/W 차이 346

[그림 244] 상관관계 분석모듈 및 디지털 트윈 S/W 프로토타입 간 연계모듈 347

[그림 245] A.I. 기반 예측 서비스에서의 연결관계 347

[그림 246] 디지털 트윈 S/W 프로토타입 및 인공지능 학습모델관리 S/W 간 연계 348

[그림 247] 통계 기반 예측 서비스 화면 예 348

[그림 248] 클라우드를 포함한 디지털 트윈 S/W 구성 349

[그림 249] 안전 플랫폼 DB 현황 355

[그림 250] 실시간 화재 감지 서비스 화면 355

[그림 251] 내비게이션 적용 화면 - 1 356

[그림 252] 내비게이션 적용 화면 - 2 356

[그림 253] 화재 최단 대피경로 도출 356

[그림 254] 화재 최단 출동경로 도출 357

[그림 255] 달서 배수분구 수치해석 결과(붉은 점선이 인동촌 경계) 357

[그림 256] 수치해석용 지형 데이터와 지형 모델 일치 357

[그림 257] 수치해석 결과(2D)의 3D 시각화 358

[그림 258] 3D 개략 예측결과 기반 건물 침수 높이 분석 358

[그림 259] 인동촌 지역의 폭염 취약성 관련 요인 359

[그림 260] 폭염 취약성 종합 데이터(히트맵) 시각화 359

[그림 261] 폭염 저감장치 360

[그림 262] 실시간 기온에 따른 폭염 피해 위험지역 360

[그림 263] 건물별 전력사용량 시각화(시흥 에코센터) 361

[그림 264] 건물별 전력사용량 시각화(교육협력동) 361

[그림 265] 층별 전력사용량 시각화(시흥 에코센터) 362

[그림 266] 층별 전력사용량 시각화(교육협력동) 362

[그림 267] 존별 전력사용량 시각화(시흥 에코센터 1층) 363

[그림 268] 존별 전력사용량 시각화(시흥 에코센터 2층) 363

[그림 269] 전력 사용패턴 시각화 364

[그림 270] 최대수요전력 시각화 364

[그림 271] 태양광 발전량 모니터링 365

[그림 272] 지열시스템 모니터링 365

[그림 273] 에너지 시뮬레이션 도구(open studio) 선정 근거 366

[그림 274] 건물정보 기반 예측 서비스 프로세스 366

[그림 275] 건물정보 기반 예측 서비스(조명 스케줄 입력) 367

[그림 276] 건물정보 기반 예측 서비스(HVAC 스케줄 입력) 367

[그림 277] 통계 기반 서비스를 위한 상관관계 분석 모듈 구성 368

[그림 278] 통계 기반 서비스 화면 368

[그림 279] 건물 층별 에너지 사용량 예측 서비스 데이터 흐름도 예시 369

[그림 280] 시간 단위 전력사용량 예측 369

[그림 281] 시간 단위 전력사용량 예측(내부 상세) 370

[그림 282] 일 단위 전력사용량 예측 370

[그림 283] 일 단위 전력사용량 예측(내부 상세) 371

[그림 284] 쾌적도 예측 371

[그림 285] 디지털 트윈 프로세스 380

[그림 286] 상관분석모듈 개발 381

[그림 287] 파이썬 라이브러리 382

[그림 288] seaborn 시각화 methods 385

[그림 289] 백분위수 기반 이상치 제거법 387

[그림 290] 화재 관련 데이터 예시 392

[그림 291] 화재 관련 CSV파일 업로드 화면 예시 392

[그림 292] 데이터 항목 삭제 예시 393

[그림 293] 데이터 변환 예시 393

[그림 294] 상관계수 계산 예시 393

[그림 295] 상관계수 시각화 예시 394

[그림 296] 시설물관리 관련 데이터 예시 395

[그림 297] 시설물관리 관련 CSV파일 업로드 화면 예시 395

[그림 298] 데이터 항목 삭제 예시 396

[그림 299] 데이터 변환 예시 396

[그림 300] 상관계수 계산 예시 396

[그림 301] 상관계수 시각화 예시 397

[그림 302] 필수 라이브러리 예시 401

[그림 303] 유의확률 계산 함수 402

[그림 304] 테이블 색상 적용 함수 402

[그림 305] 이상치 제거 함수 402

[그림 306] 입력데이터 리드 함수 403

[그림 307] 회귀분석 함수 - 1 403

[그림 308] 회귀분석 함수 - 2 404

[그림 309] 회귀분석 함수 - 3 405

[그림 310] 회귀분석 함수 - 4 406

[그림 311] 회귀분석 함수 - 5 406

[그림 312] 실행 함수 407

[그림 313] 실행 파일 구동 함수 408

[그림 314] 실행파일 경로 이동 408

[그림 315] 실행 명령어(예시) 409

[그림 316] 결과파일 생성 위치(예시) 409

[그림 317] 결과파일 생성(예시) 409

[그림 318] 시흥에코센터 1F EPS실 존 데이터 이상치 제거 410

[그림 319] 시흥에코센터 1F EPS실 존 상관분석 결과(상관계수) 410

[그림 320] 시흥에코센터 1F EPS실 존 상관분석 결과(유의확률) 411

[그림 321] 시흥에코센터 1F 기계실 존 데이터 이상치 제거 412

[그림 322] 시흥에코센터 1F 기계실 존 상관분석 결과(상관계수) 412

[그림 323] 시흥에코센터 1F 기계실 존 상관분석 결과(유의확률) 412

[그림 324] 시흥에코센터 1F 중앙감시실 존 데이터 이상치 제거 414

[그림 325] 시흥에코센터 1F 중앙감시실 존 상관분석 결과(상관계수) 414

[그림 326] 시흥에코센터 1F 중앙감시실 존 상관분석 결과(유의확률) 414

[그림 327] 시흥에코센터 1F 통신실 존 데이터 이상치 제거 416

[그림 328] 시흥에코센터 1F 통신실 존 상관분석 결과(상관계수) 416

[그림 329] 시흥에코센터 1F 통신실 존 상관분석 결과(유의확률) 416

[그림 330] 시흥에코센터 2F EPS실 존 데이터 이상치 제거 418

[그림 331] 시흥에코센터 2F EPS실 존 상관분석 결과(상관계수) 418

[그림 332] 시흥에코센터 2F EPS실 존 상관분석 결과(유의확률) 418

[그림 333] 시흥에코센터 2F 다목적실 존 데이터 이상치 제거 420

[그림 334] 시흥에코센터 2F 다목적실 존 상관분석 결과(상관계수) 420

[그림 335] 시흥에코센터 2F 다목적실 존실 상관분석 결과(유의확률) 420

[그림 336] 시흥에코센터 2F 카페테리아 존 데이터 이상치 제거 422

[그림 337] 시흥에코센터 2F 카페테리아 존 상관분석 결과(상관계수) 422

[그림 338] 시흥에코센터 2F 카페테리아 존 상관분석 결과(유의확률) 422

[그림 339] 시흥에코센터 존별 모델 기반 오차율 검증 424

[그림 340] Unity 기반 시각화 424

[그림 341] LOD 2.5~4 디지털 트윈 모델 시각화 결과 426

[그림 342] 에너지 서비스 ERD의 일부 426

[그림 343] 상관관계 분석모듈 및 디지털 트윈 S/W 프로토타입 간 연계모듈 426

[그림 344] 디지털 트윈 S/W 프로토타입 및 인공지능 학습모델관리 S/W 간 연계 427

[그림 345] 통계 기반 예측 서비스 화면 예 427

[그림 346] 시흥시 실시간 전력량 모니터링 428

[그림 347] 화재 센싱 데이터 및 폭염저감장치 상태정보 데이터 수신 방안 429

[그림 348] BEMS 데이터 수신 방안 429

[그림 349] 상관관계 분석모듈 구성 430

[그림 350] 디지털 트윈 프로세스 430

[그림 351] 시흥에코센터 1F EPS실 존 상관분석 결과(상관계수) 431

[그림 352] 시흥에코센터 1F EPS실 존 상관분석 결과(유의확률) 431

[그림 353] 시흥에코센터 1F EPS실 존 다중회귀분석 결과 431

[그림 354] 통합 모델 오차율 검증 432

[그림 355] 디지털 트윈 데이터를 구축하기 위한 LOD별 프로세스 432

[그림 356] 화재 센싱 데이터 및 폭염저감장치 상태정보 데이터 수신 방안 433

[그림 357] 대구시, 시흥시 실증 서비스 433

[그림 358] 실행환경 조회 436

[그림 359] 실행환경 상세 조회 437

[그림 360] 실행환경 관리 화면의 + 버튼 위치 437

[그림 361] 실행환경 등록 438

[그림 362] 전처리 모듈 조회 438

[그림 363] 전처리 모듈 상세 조회 439

[그림 364] 전처리 모듈 등록 440

[그림 365] 학습 알고리즘 조회 440

[그림 366] 학습 알고리즘 상세 조회 441

[그림 367] 학습 알고리즘 등록 442

[그림 368] 실증도시 지능형 디지털 트윈 S/W와 인공지능 학습모델 관리 S/W의 연계 443

[그림 369] 추론 서비스 API 제공 프로세스: 추론모델 목록 조회 444

[그림 370] 추론서비스 API 제공 프로세스: 추론모델 상세 조회 444

[그림 371] 추론서비스 API 제공 프로세스: 추론 모델 테스트 445

[그림 372] 추론서비스 API 제공 프로세스: 추론 모델 테스트 결과 445

[그림 373] 추론 서비스 API 제공 프로세스: 추론 API 조회 445

[그림 374] 추론 서비스 API 제공 프로세스: 추론 API 등록 446

[그림 375] 추론 서비스 API 제공 프로세스: 추론 API 상세 조회 446

[그림 376] 인공지능 학습모델관리 S/W와 디지털 트윈 DB의 연계 개념도 447

[그림 377] 디지털 트윈 S/W와 인공지능 학습모델관리 S/W 연계구조 448

[그림 378] 디지털 트윈 S/W와 인공지능 학습모델관리 S/W의 데이터 연동 449

[그림 379] DT S/W의 BEMS 데이터 연계 및 AI 학습모델관리 S/W의 추론결과 저장 451

[그림 380] 시간 단위 전력 예측 추론모델 조회 451

[그림 381] 시간 단위 전력 예측 추론모델 상세 조회 452

[그림 382] 시간 단위 전력 예측 추론모델 테스트 452

[그림 383] 시간 단위 전력 예측 추론 API 조회 452

[그림 384] 시간 단위 전력 예측 추론 API 상세 조회 453

[그림 385] 일 단위 전력 예측 추론 모델 조회 453

[그림 386] 일 단위 전력 예측 추론모델 상세 조회 454

[그림 387] 일 단위 전력 예측 추론모델 테스트 454

[그림 388] 일 단위 전력 예측 추론 API 조회 455

[그림 389] 일 단위 전력 예측 추론 API 상세 조회 455

[그림 390] 실내 쾌적도 예측 추론 모델 조회 456

[그림 391] 실내 쾌적도 예측 추론 모델 상세 조회 456

[그림 392] 실내 쾌적도 예측 추론모델 테스트 457

[그림 393] 실내 쾌적도 예측 추론 API 조회 457

[그림 394] 실내 쾌적도 예측 추론 API 상세 조회 458

[그림 395] 인공지능 학습모델관리 S/W 시스템 459

[그림 396] 인공지능 학습모델관리 S/W 구성도 459

[그림 397] 인공지능 학습모델관리 S/W: 로그인 화면 460

[그림 398] 인공지능 학습모델관리 S/W 선택 화면: 티쓰리큐.cep / 티쓰리큐.dl 460

[그림 399] 인공지능 학습모델관리 S/W: 데이터 파이프라인 관리 S/W 460

[그림 400] 인공지능 학습모델관리 S/W: 학습모델관리 S/W 461

[그림 401] 인공지능 학습모델관리 S/W: 사용자별 프로젝트 구분 461

[그림 402] 인공지능 학습모델관리 S/W: 사용자별 독립적 실행환경 461

[그림 403] 인공지능 학습모델관리 S/W: 기본 제공 + 사용자 정의 전처리 알고리즘 462

[그림 404] 인공지능 학습모델관리 S/W : 기본 제공 + 사용자 정의 학습 알고리즘 462

[그림 405] 에너지 Use Case 실증 목표 달성을 위한 연구수행 방법 463

[그림 406] 에너지 Use Case 실증 목표 달성을 위한 인공지능 서비스의 시스템화 464

[그림 407] 에너지 Use Case 실증 목표 달성을 위한 데이터 파이프라인 구성 464

[그림 408] 에너지 Use Case 실증 : BEMS 데이터(존별 통계) 465

[그림 409] 에너지 Use Case 실증 : BEMS 데이터(존별 전력 사용량) 465

[그림 410] 에너지 Use Case 실증 : 기상 데이터(통계) 465

[그림 411] 에너지 Use Case 실증: 기상 데이터(기온, 풍속, 강수, 습도, 풍향) 466

[그림 412] 에너지 Use Case 실증: 기상 데이터 히트맵 466

[그림 413] 에너지 Use Case 실증: 인공지능 서비스 프로세스 467

[그림 414] 인공지능 서비스 알고리즘: LSTM 구조 468

[그림 415] 에너지 Use Case 실증: 모델 현황표 469

[그림 416] 시간 단위 전력 예측 모델구조 469

[그림 417] 일 단위 전력 예측 모델 구조 470

[그림 418] 실내 쾌적도 예측 모델구조 470

[그림 419] 모델별 하이퍼 파라미터 470

[그림 420] 데이터 축적에 따른 시간 단위 전력예측 모델 성능 변화 471

[그림 421] 데이터 축적에 따른 일 단위 전력예측 모델 성능 변화 471

[그림 422] 인공지능 데이터 파이프라인 관리 S/W 472

[그림 423] 에너지 Use Case 실증모델 개발: 인공지능 데이터 파이프라인 관리 S/W 472

[그림 424] 인공지능 학습모델 관리 S/W 473

[그림 425] 에너지 Use Case 실증모델 개발 : 인공지능 학습모델 관리 S/W 473

[그림 426] 클라우드 기반 서비스 아키텍처 구성도 478

[그림 427] 클라우드 웹 기반 디지털 트윈 서비스 479

[그림 428] 초기 화면설계를 위한 기능 정의서 479

[그림 429] 클라우드 기반 디지털 트윈 화면설계 508

[그림 430] 클라우드 기반 디지털 트윈 Web S/W 508

[그림 431] 클라우드 기반 디지털 트윈 모바일 S/W 509

[그림 432] 클라우드 환경에서의 구성 510

[그림 433] 가상머신 리스트 확인 510

[그림 434] 초기 가상머신 설정 파일 511

[그림 435] 기존 함수의 저장 및 결과 리턴을 위한 함수 포인터 선언 511

[그림 436] 데이터 수집을 위한 함수 정의 511

[그림 437] 모니터링 모듈의 시작 지점 512

[그림 438] 모듈 빌드 결과 및 proc file system 512

[그림 439] test application을 통한 모듈 동작 확인 513

[그림 440] Statemachine class source snippet 513

[그림 441] Statemachine 사용 예제 514

[그림 442] 커널 모듈에서 프로세스 등록 함수 514

[그림 443] 사용자 정의를 위한 문법 및 statemachine 생성 source code 514

[그림 444] Monitoring S/W web UI 515

[그림 445] patch image 생성 방법 516

[그림 446] assembly transforming script 516

[그림 447] patch image function extractor script 517

[그림 448] hot-patching 기능 실행 순서 517

[그림 449] 공유 메모리 생성(hot-patcher) 518

[그림 450] 패치 진행여부 확인 518

[그림 451] 기 패치가 존재할 경우 재사용 코드 518

[그림 452] 공유메모리 injection 코드(hot-patcher) 519

[그림 453] injection code execution flow 519

[그림 454] ARM architecture에서의 trampoline code 생성 520

[그림 455] trampoline code generation & injection code 520

[그림 456] iperf3 application에 핫패칭 적용시 download speed의 변화 521

[그림 457] Hot-patching S/W 속도 측정결과 523

[그림 458] 시계열 예측을 위해 기본적인 정제가 완료된 데이터 525

[그림 459] 이창치 제거 전 전력 수요량 시각화 525

[그림 460] 내림차순 정렬된 전력 수요량 526

[그림 461] 이상치 제거 후 전력 수요량 시각화 526

[그림 462] 1차 차분 후 전력 수요량 시각화 527

[그림 463] 1차 차분 후 전력 수요량 시각화 527

[그림 464] 예측값과 실제값 비교 528

[그림 465] 시계열 분류를 위해 기본적 정제 완료 데이터 529

[그림 466] 클래스별 임의 추출한 시계열 시각화 529

[그림 467] 각 클래스에 속하는 시계열의 통계량 비교 530

[그림 468] 시계열마다 이상치 제거가 필요한 이유(2021년 4월 데이터) 530

[그림 469] 특징 추출이 완료된 데이터 531

[그림 470] 데이터 분류 532

[그림 471] 케이스 데이터 532

[그림 472] 시계열 데이터의 구성 요소 533

[그림 473] 시계열 예측 문제 534

[그림 474] 채찍효과 535

[그림 475] 학습데이터와 평가데이터 분할 방법 536

[그림 476] 특징 추출을 통한 시계열 분류 과정 537

[그림 477] 시계열 군집화의 종류 538

[그림 478] 유클리디안 거리 등을 사용할 수 없는 이유 538

[그림 479] DTW의 기본 개념 539

[그림 480] DTW의 계산 예시 539

[그림 481] 시계열 이상 탐지의 분류 540

[그림 482] 전체 프레임워크의 구성 540

[그림 483] 예측을 위한 시계열 시각화 541

[그림 484] 시계열 예측 모델 유형 결정 가이드라인 542

[그림 485] 결측이 이어진 최장기간이 길 때, 결측을 제거해야 하는 이유 543

[그림 486] 1차 차분의 효과 543

[그림 487] 시계열 예측 모델링을 위한 다변량 시계열 데이터 구조 변환 544

[그림 488] 계절성 및 이벤트를 나타내는 범주형 변수 추가 545

[그림 489] 계절성 및 이벤트를 나타내는 범주형 변수 추가 545

[그림 490] 클래스의 분포 확인 예시 546

[그림 491] 군집화에서 특징 정의의 중요성 549

[그림 492] 군집화 알고리즘 선택 가이드라인 550

[그림 493] 이전 값을 고려한 이상치 탐지 방법 551

[그림 494] 프로젝트 정의서 552

[그림 495] 예측 모델 내역 552

[그림 496] 데이터 허브 연계와 데이터 흐름도 552

[그림 497] 모델링 데이터 정의서 553

[그림 498] 모델링 데이터 구현 내역 554

[그림 499] 데이터 흐름도 555

[그림 500] 데이터 결손 처리 방법 561

[그림 501] AI 학습 정의서 562

[그림 502] 일별 전력 수요량 예측 예시 569

[그림 503] 상관관계 분석을 위한 Pearson, Cramer's V 계수 570

[그림 504] 상관도 heapmap 570

[그림 505] 다중회귀분석을 활용한 에너지 사용량 예측방안 571

[그림 506] 통계기반 예측 모듈개발 571

[그림 507] Use Case 다이아그램 573

[그림 508] S/W 아키텍쳐 574

[그림 509] 스마트시티 데이터 허브 시스템 참조 구조 574

[그림 510] 데이터 허브 시스템 인터페이스 및 프로토콜 575

[그림 511] 데이터 인터페이스 저장 및 API 목록(TTAK.KO-10.1331-Part3) 576

[그림 512] OAuth를 이용한 로그인 시나리오 578

[그림 513] 예측값과 실제값 비교 580

[그림 514] 시계열마다 이상치 제거가 필요한 이유(2021년 4월 데이터) 580

[그림 515] 전체 프레임워크의 구성 581

[그림 516] 시계열 예측 모델 유형 결정 가이드라인 582

[그림 517] 특징 추출을 통한 시계열 분류 과정 583

[그림 518] 군집화 알고리즘 선택 가이드라인 583

[그림 519] 이전 값을 고려한 이상치 탐지 방법 584

[그림 520] 디지털 트윈 S/W 개발에 사용되는 개발도구 602

[그림 521] CityGML 데이터 활용율 603

[그림 522] 디지털 트윈 2.0 프레임워크 605

[그림 523] 실종자 찾기 탐색정보 608

[그림 524] 디지털 트윈 기반 전통시장 화재 모니터링 구현 화면 613

[그림 525] 디지털 트윈 기반 에너지 사용량 시각화 614

[그림 526] 디지털 트윈 기반 시설물 통합관리시스템 614

[그림 527] 반경 내 CCTV 감지(좌) 및 CCTV 기준 이동경로 시각화(우) 615