KR20190057731A - 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 - Google Patents
자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 Download PDFInfo
- Publication number
- KR20190057731A KR20190057731A KR1020170155029A KR20170155029A KR20190057731A KR 20190057731 A KR20190057731 A KR 20190057731A KR 1020170155029 A KR1020170155029 A KR 1020170155029A KR 20170155029 A KR20170155029 A KR 20170155029A KR 20190057731 A KR20190057731 A KR 20190057731A
- Authority
- KR
- South Korea
- Prior art keywords
- simulation
- model
- data
- self
- agent
- Prior art date
Links
Images
Classifications
-
- G06F17/5009—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/043—Distributed expert systems; Blackboards
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
자가진화 에이전트 기반 시뮬레이션 시스템은 현실 데이터와 에이전트 기반 시뮬레이션 모델의 시뮬레이션 결과값간 차이가 설정된 오차 범위 내의 값을 만족하지 않는 경우, 현실 데이터와 상기 시뮬레이션 결과값 간에 발생한 차이를 상기 시뮬레이션 모델에 반영하기 위한 모델 진화전략을 생성하고, 상기 모델 진화전략을 이용하여 상기 시뮬레이션 모델을 구성하고 있는 컴포넌트들을 재구성하여 상기 시뮬레이션 모델을 진화시킨다.
Description
본 발명은 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법에 관한 것으로, 더욱 자세하게는 복잡하고 다양한 현실의 변화를 파악하고 미래를 예측하는데 활용되었던 에이전트기반 마이크로 시뮬레이션을 이용하여 시간이 지남에 따라 발생하였던 미래 예측력 저하 문제를 해결하고 지속적으로 높은 정확도의 미래 예측을 가능하게 하는, 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법에 관한 것이다.
현대의 복잡 다양한 경제 및 사회 현상을 분석하고, 미래를 예측하기 위해서 실제 세계를 대상으로 실험을 수행하는 것은 비용이 매우 크고, 실험이 불가능한 경우가 대부분이다. 그러므로 현실 세계를 추상적 모형으로 모델링하는 시뮬레이션 방법을 이용하여 현실 세계를 분석하고 미래를 예측하는 것이 비용을 매우 절감할 수 있다.
하지만, 시뮬레이션 결과는 실제와 오차를 가지며, 오랫동안 시뮬레이션을 수행하면 오차가 누적되어 미래 예측 결과가 실제와는 다르게 나타날 수도 있다.
에이전트기반 시뮬레이션 시스템은 일반적으로 에이전트, 상호작용 및 환경으로 구성된다. 종래의 에이전트기반 시뮬레이션 방법에서는 시스템 컴포넌트들과 시스템 컴포넌트간의 상호작용을 모델링하여 컴퓨팅 노드에서 실행시키고 실행 결과를 분석하고 예측하는 기법이다.
그러나 지속적으로 주위 환경이 변하기 때문에 한번 만들어진 시뮬레이션 모델은 시간이 경과함에 따라 오차가 지속적으로 누적되어, 시뮬레이션 모델의 미래 예측 능력은 시간이 갈수록 낮아질 수 밖에 없는 문제점을 갖고 있다.
본 발명이 해결하려는 과제는 시간이 지남에 따른 미래 예측력 저하 문제를 해결하고 지속적으로 높은 정확도의 미래 예측을 가능하게 하는, 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법을 제공하는 것이다.
본 발명의 한 실시 예에 따르면, 자가진화 에이전트 기반 시뮬레이션 시스템의 자가진화 시뮬레이션 방법이 제공된다. 자가진화 에이전트 기반 시뮬레이션 방법은 에이전트 기반 시뮬레이션 모델을 실행시켜 시뮬레이션 결과값을 출력하는 단계, 현실 데이터와 상기 시뮬레이션 모델의 시뮬레이션 결과값간 차이가 설정된 오차 범위를 벗어나는 경우, 상기 현실 데이터와 상기 시뮬레이션 결과값 간에 발생한 차이를 상기 시뮬레이션 모델에 반영하기 위한 모델 진화전략을 생성하는 단계, 그리고 상기 모델 진화전략을 이용하여 상기 시뮬레이션 모델을 구성하고 있는 컴포넌트들을 재구성하여 상기 시뮬레이션 모델을 진화시키는 단계를 포함한다.
상기 자가진화 에이전트 기반 시뮬레이션 방법은 상기 시뮬레이션 모델을 실행하기 전에, 상기 시뮬레이션 모델에 참여하는 에이전트의 수를 조절하는 단계를 더 포함할 수 있다.
상기 조절하는 단계는 정해진 기준에 따라서 유사한 특성을 갖는 에이전트들을 하나의 에이전트로 그룹화하는 단계, 그리고 상기 그룹화된 에이전트에 밀집도를 표시하는 단계를 포함할 수 있다.
상기 자가진화 에이전트 기반 시뮬레이션 방법은 데이터의 경향 및 조건을 고려하여, 상기 설정된 오차 범위를 업데이트하는 단계를 더 포함할 수 있다.
상기 생성하는 단계는 상기 현실 데이터와 상기 시뮬레이션 결과값 간에 발생한 변화 결과, 시뮬레이션 모델 구조, 변화 이력 및 상기 시뮬레이션 결과값 중 적어도 하나를 이용하여 상기 모델 진화전략을 생성하는 단계를 포함할 수 있다.
본 발명의 다른 특징에 따르면, 자가진화 에이전트 기반 시뮬레이션 시스템이 제공된다. 자가진화 에이전트 기반 시뮬레이션 시스템은 에이전트 기반 시뮬레이션 모델을 실행시켜 시뮬레이션 결과값을 출력하는 시뮬레이션 모델 실행부, 현실 데이터와 상기 시뮬레이션 결과값 간의 차이를 확인하는 변화 인지부, 그리고 상기 차이가 설정된 오차 범위를 벗어나는 경우, 상기 차이를 반영하여 상기 시뮬레이션 모델을 진화시키는 모델 자가진화부를 포함한다.
상기 자가진화 에이전트 기반 시뮬레이션 시스템은 상기 차이를 기반으로 모델 진화전략을 생성하는 모델 진화전략 생성부를 더 포함하고, 상기 모델 자가진화부는 상기 모델 진화전략을 토대로 상기 시뮬레이션 모델의 컴포넌트들을 재구성할 수 있다.
상기 변화 인지부는 상기 현실 데이터를 상기 시뮬레이션 결과값과 비교할 수 있는 형태로 변환하는 복합 도메인 데이터 분석부, 동일한 시간의 상기 현실 데이터와 상기 시뮬레이션 결과값간 차이를 인지하는 변화 인지 처리부, 그리고 상기 차이가 상기 오차 범위를 벗어나는 경우 상기 차이에 따른 변화인지 결과를 생성하는 데이터 경향 분석부를 포함할 수 있다. 하는 자가진화 에이전트 기반 시뮬레이션 시스템.
상기 모델 자가진화부는 상기 변화인지 결과, 시뮬레이션 모델 구조, 변화 이력 및 상기 시뮬레이션 결과값 중 적어도 하나를 이용하여 상기 모델 진화전략을 생성할 수 있다.
자가진화 에이전트 기반 시뮬레이션 시스템은 상기 시뮬레이션 모델을 실행하기 전에, 상기 시뮬레이션 모델에 참여하는 에이전트의 수를 조절하는 시뮬레이션 준비 처리부를 더 포함할 수 있다.
상기 시뮬레이션 준비 처리부는 정해진 기준에 따라서 유사한 특성을 갖는 에이전트들을 하나의 에이전트로 그룹화하고, 상기 그룹화된 에이전트에 밀집도를 표시하는 에이전트 그룹핑부를 포함할 수 있다.
본 발명의 실시 예에 의하면, 급변하는 현실 데이터와 시뮬레이션의 차이를 파악하고, 인지된 차이를 시뮬레이션 모델에 지속적으로 반영하여 시뮬레이션 모델을 자가진화 시킴으로써, 시뮬레이션의 예측력을 향상시킬 수 있다.
특히, 급변하는 현실의 변화를 지속적으로 시뮬레이션 모델에 반영할 수 있어 시뮬레이션 모델의 오차 보정을 위하여 모델을 변경하는데 소요되는 많은 비용과 시간을 절약할 수 있을 뿐 아니라 지속적으로 정확도가 높은 예측 결과를 얻을 수 있는 장점이 있다.
도 1은 본 발명의 한 실시 예에 따른 자가진화 시뮬레이션 시스템을 나타낸 도면이다.
도 2는 도 1에 도시된 변화 인지부를 나타낸 도면이다.
도 3은 도 1에 도시된 모델 진화 전략 생성부를 나타낸 도면이다.
도 4는 도 1에 도시된 모델 자가진화부를 나타낸 도면이다.
도 5는 본 발명의 실시 예에 따른 자가진화 시뮬레이션 방법을 설명하는 도면이다.
도 6은 본 발명의 다른 실시 예에 따른 자가진화 시뮬레이션 시스템을 나타낸 도면이다.
도 7은 도 6에 도시된 시뮬레이션 준비 처리부를 나타낸 도면이다.
도 2는 도 1에 도시된 변화 인지부를 나타낸 도면이다.
도 3은 도 1에 도시된 모델 진화 전략 생성부를 나타낸 도면이다.
도 4는 도 1에 도시된 모델 자가진화부를 나타낸 도면이다.
도 5는 본 발명의 실시 예에 따른 자가진화 시뮬레이션 방법을 설명하는 도면이다.
도 6은 본 발명의 다른 실시 예에 따른 자가진화 시뮬레이션 시스템을 나타낸 도면이다.
도 7은 도 6에 도시된 시뮬레이션 준비 처리부를 나타낸 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
이제 본 발명의 실시 예에 따른 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법에 대하여 도면을 참고로 하여 상세하게 설명한다.
도 1은 본 발명의 한 실시 예에 따른 자가진화 시뮬레이션 시스템을 나타낸 도면이다.
도 1을 참고하면, 자가진화 시뮬레이션 시스템(100)은 변화 인지부(110), 모델 진화전략 생성부(120), 모델 자가진화부(130) 및 시뮬레이션 모델 실행부(140)를 포함한다. 자가진화 시뮬레이션 시스템(100)은 시뮬레이션 결과 저장부(150)를 더 포함할 수 있다. 자가진화 시뮬레이션 시스템(100)은 적어도 하나의 프로세서(도시하지 않음)에 의해 변화 인지부(110), 모델 진화전략 생성부(120), 모델 자가진화부(130) 및 시뮬레이션 모델 실행부(140) 각각의 기능을 수행할 수 있다. 적어도 하나의 프로세서는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시 예들에 따른 방법이 수행되는 전용의 프로세서를 의미할 수 있다.
변화 인지부(110)는 에이전트기반 마이크로 시뮬레이션의 예측 값과 현실 데이터간의 차이를 인지하고, 차이가 발생한 경우 변화인지 결과를 모델 진화전략 생성부(120)로 전달한다.
모델 진화전략 생성부(120)는 변화 인지부(110)로 변화인지 결과를 수신하면, 인지된 변화를 기반으로 미래 예측력을 향상시킬 수 있도록 모델 진화전략을 생성한다. 모델 진화전략 생성부(120)는 누적되어 있는 이력 정보를 토대로 모델 진화전략을 생성할 수 있다. 예를 들면, 모델 진화전략 생성부(120)는 시뮬레이션 결과 저장부(150)로부터 시뮬레이션 모델 구조, 입력 데이터 세트, 시뮬레이션 결과 등의 이력 정보를 제공 받아, 모델 진화전략을 생성할 수 있다.
모델 자가진화부(130)는 모델 진화전략에 의하여 시뮬레이션 모델의 컴포넌트들을 재구성하여 모델을 진화시킨다. 진화된 모델은 시뮬레이션 모델 실행부(140)로 전달된다.
시뮬레이션 모델 실행부(140)는 진화된 모델을 실행시켜 시뮬레이션 결과를 출력한다. 시뮬레이션 모델 실행부(140)는 시뮬레이션을 처음 시작할 때 초기 데이터를 사용하여 시뮬레이션 모델을 실행시켜 시뮬레이션 결과를 출력한다. 시뮬레이션 모델 실행부(140)에서 시뮬레이션 모델을 실행시키면, 복수의 에이전트들이 생성되고 에이전트들 간에 상호작용을 하며 시뮬레이션이 실행된다.
시뮬레이션 결과 저장부(150)는 시뮬레이션 이력, 시뮬레이션 결과 및 모델 진화전략 등의 정보를 저장 및 관리한다.
도 2는 도 1에 도시된 변화 인지부를 나타낸 도면이다.
도 2를 참고하면, 변화 인지부(110)는 복합 도메인 데이터 분석부(112), 변화 인지 처리부(114) 및 데이터 경향 분석부(116)를 포함한다.
복합 도메인 데이터 분석부(112)는 현실에서 측정한 다중 도메인 현실 데이터를 시뮬레이션 결과와 비교할 수 있는 형태의 데이터로 변경한다. 한편, 현실에서 측정한 데이터가 시뮬레이션 결과와 바로 비교가 가능한 경우, 데이터의 변경 없이 현실에서 측정한 데이터가 그대로 사용될 수 있다.
변화 인지 처리부(114)는 시계열(time series) 데이터에 해당하는 현실에서 측정한 데이터와 시뮬레이션 결과를 비교하여 현실 데이터와 시뮬레이션 결과간 차이를 인지한다. 즉, 변화 인지 처리부(114)는 자가진화 시뮬레이션 시스템(100)에서 예측한 시간대별로 변하는 데이터의 값과 현실에서 해당 시간에 측정된 데이터의 값을 비교하여 차이가 있는지 없는지를 파악한다.
데이터 경향 분석부(116)는 데이터의 경향 및 조건을 고려하여, 설정된 오차 범위를 업데이트하고, 차이가 설정된 오차 범위 내의 값을 만족하는지 판단한다. 차이가 설정된 오차 범위 내의 값을 만족하지 않는 경우에 변화인지 결과를 생성하고, 변화인지 결과를 모델 진화전략 생성부(120)로 전달한다. 변화인지 결과는 변화 유무를 나타내며, 변화가 존재할 경우 현실 데이터와 시뮬레이션 결과의 차이에 대한 정보를 포함할 수 있다.
도 3은 도 1에 도시된 모델 진화 전략 생성부를 나타낸 도면이다.
도 3을 참고하면, 모델 진화전략 생성부(120)는 거시적 진화전략 생성부(122), 미시적 진화전략 생성부(124) 및 복합적 진화전략 생성부(126)를 포함한다.
거시적 진화전략 생성부(122)는 거시적인 변화를 시뮬레이션 모델에 반영하기 위한 거시적인 진화전략을 생성한다.
미시적 진화전략 생성부(124)는 미시적인 변화를 시뮬레이션 모델에 반영하기 위한 미시적인 진화전략을 생성한다.
거시적인 변화란 사회의 현재 상태의 변화를 의미한다. 예를 들어, 주택 시장에서는 주택 거래량 및 주택 거래가 등의 지표를 통해 주택 시장이 현재 호황기인지 불황기인지, 특정 지역이 투기 지역인지 아닌지 등을 파악할 수 있다. 주택시장에서는 경기의 변화(호황/불황)와 지역 특성의 변화(투기/비투기 지역)가 거시적 변화에 해당된다.
반면에, 미시적인 변화란 사회 구성원들의 행동의 변화를 의미한다. 예를 들면, 주택 시장에는 주택을 거래하는 에이전트 마다 주택 매도(주택을 시장에 내놓는 시기와 가격) 방법과 주택 매수(주택 구입 시기와 가격) 방법이 상이하고, 이 방법 역시 주택 시장의 변화에 따라 변화한다. 주택시장에서는 에이전트의 거래 행동의 변화가 미시적인 변화에 해당될 수 있다.
복합적 진화전략 생성부(126)는 거시적인 변화 및 미시적인 변화를 고려한 복합적인 변화를 시뮬레이션 모델에 반영하기 위한 복합적인 진화전략을 생성한다.
변화 인지부(110)로부터 전달되는 변화인지 결과, 시뮬레이션 모델 구조, 변화 이력 및 시뮬레이션 결과를 토대로 거시적 진화전략 생성부(122), 미시적 진화전략 생성부(124) 및 복합적 진화전략 생성부(126)가 모두 동작하여 진화전략을 생성한다.
도 4는 도 1에 도시된 모델 자가진화부를 나타낸 도면이다.
도 4를 참고하면, 모델 자가진화부(130)는 ABM(agent-based model) 컴포넌트 저장소(132) 및 모델 진화 처리부(134)를 포함한다.
ABM 컴포넌트 저장소(132)는 시뮬레이션 모델의 ABM 컴포넌트들을 저장 및 관리한다. 즉, ABM 컴포넌트 저장소(132)는 시뮬레이션 모델의 행동 컴포넌트, 상호작용 컴포넌트, 모델 구조 컴포넌트를 저장 및 관리한다.
모델 진화 처리부(134)는 모델 진화전략 생성부(120)에 의해 생성된 진화전략을 이용하여 현재 시뮬레이션 모델을 진화시킨다. 진화된 시뮬레이션 모델은 시뮬레이션 모델 실행부(140)에 의해 실행된다. 또한 진화된 시뮬레이션 모델의 행동 컴포넌트, 상호작용 컴포넌트, 모델 구조 컴포넌트를 ABM 컴포넌트 저장소(132)에 저장하며, 진화전략 등의 정보를 시뮬레이션 결과 저장부(150)에 저장한다.
도 5는 본 발명의 실시 예에 따른 자가진화 시뮬레이션 방법을 설명하는 도면이다.
도 5를 참고하면, 시뮬레이션이 시작되면, 변화 인지부(110)는 다중 도메인 현실 데이터와 시뮬레이션 모델 실행부(140)로부터 시계열 기반 시뮬레이션 결과값을 입력 값으로 수신한다(S502, S504).
변화 인지부(110)는 현실 데이터와 시뮬레이션 결과값간에 오차가 발생하는지 확인하고(S506), 오차가 발생한 경우 변화인지 결과를 모델 진화전략 생성부(120)로 전달한다(S508).
모델 진화전략 생성부(120)는 변화 인지부(110)로부터 변화인지 결과를 수신하면, 현실 데이터와 시뮬레이션 결과값 간에 발생한 거시적 변화 및/또는 미시적 변화를 모델에 반영하기 위한 모델 진화전략을 생성하고(S510), 모델 진화전략을 모델 자가진화부(130)로 전달한다(S512).
모델 자가진화부(130)는 모델 진화전략을 이용하여 ABM 컴포넌트 저장소(132)에 저장된 시뮬레이션 모델의 행동 컴포넌트, 상호작용 컴포넌트, 모델 구조 컴포넌트를 재구성하여 진화된 시뮬레이션 모델을 생성하고(S514), 진화된 시뮬레이션 모델을 ABM 컴포넌트 저장소(132)에 저장하고, 진화된 시뮬레이션 모델에 적용된 진화전략을 시뮬레이션 결과 저장부(150)에 저장한다(S516). 그리고 진화된 시뮬레이션 모델을 시뮬레이션 모델 실행부(140)로 전달한다(S518).
시뮬레이션 모델 실행부(140)는 진화된 시뮬레이션 모델을 실행시키고(S520), 시뮬레이션 결과값을 변화 인지부(110)로 전달한다(S522).
그리고 단계(S504~S522)는 현실 데이터와 시뮬레이션 결과값의 차이가 설정된 오차 범위 내의 값을 만족할 때까지 반복 수행되어, 시뮬레이션 모델을 계속 진화시키며, 그 차이가 오차 범위 내의 값을 만족하면, 시뮬레이션 모델의 진화 동작이 종료된다.
이와 같이, 본 발명의 실시 예에 따른 자가진화 시뮬레이션 방법은 시뮬레이션을 종료할 때까지 현실 데이터와 시뮬레이션 결과값을 계속적으로 비교하여, 변화가 인지되면 단계(S508~516)를 실행하여 시뮬레이션 모델을 자가 진화시키므로, 미래 예측력을 향상시키는 자가진화형 시뮬레이션을 실현할 수 있다.
도 6은 본 발명의 다른 한 실시 예에 따른 자가진화 시뮬레이션 시스템을 나타낸 도면이다.
도 6을 참고하면, 자가진화 시뮬레이션 시스템(100')은 도 1의 자가진화 시뮬레이션 시스템(100)에 비해 시뮬레이션 준비 처리부(160) 및 초기 데이터 저장부(170)를 더 포함할 수 있다.
시뮬레이션 준비 처리부(160)는 시뮬레이션을 실행하기 전에 시뮬레이션과 모델 진화에 참여할 에이전트의 수와 에이전트 초기 데이터를 준비한다. 시뮬레이션의 총 실행 시간은 실행하고자 하는 컴퓨터 사양과 시뮬레이션에 참여하는 에이전트의 수, 시뮬레이션 모델의 복잡도, 모델을 자가진화 하는데 소요되는 시간에 따라 결정된다. 따라서 시뮬레이션에 참여하는 에이전트 수가 대규모인 경우에는 시뮬레이션에 참여하는 에이전트 수를 조절하는 것이 필요하다. 시뮬레이션 준비 처리부(160)는 시뮬레이션에 참여하는 에이전트의 수를 조절하기 위하여, 시뮬레이션에 참여하는 에이전트들의 특성을 비교하여 동일한 특성을 갖는 에이전트들은 하나의 에이전트로 대치한 후 동일한 에이전트가 몇 개 있었는지 에이전트 속성 중 밀집도 필드에 기록한다. 이 과정을 거치면 동일한 특성을 갖는 복수 개의 에이전트들이 하나의 에이전트로 대치되므로 시뮬레이션에 참여하는 에이전트의 숫자가 줄어든다. 이 과정을 거친 후 줄어든 에이전트를 시뮬레이션 모델 실행부(140)에 제공한다.
시뮬레이션에 참여하는 에이전트의 수가 소규모이거나, 지원하는 컴퓨터 시스템이 충분한 성능을 제공하여 시뮬레이션 실행 시간이 문제가 되지 않는 경우는 시뮬레이션 준비 처리부(160)의 기능이 생략될 수 있다. 한편, 시뮬레이션에 참여하는 에이전트 수가 많아 시뮬레이션 성능이 문제가 되는 경우 초기 데이터 준비부(160)의 기능을 적용하면 제한된 컴퓨터 시스템에서 대규모 에이전트 시뮬레이션이 가능해 진다.
초기 데이터 저장부(170)는 시뮬레이션을 위한 초기 데이터를 저장한다.
도 7은 도 6에 도시된 시뮬레이션 준비 처리부를 나타낸 도면이다.
도 7을 참고하면, 시뮬레이션 준비 처리부(160)는 시뮬레이션에 참여하는 에이전트의 규모를 조절하기 위해 유사한 특성을 가지는 에이전트들을 그룹화하고, 그룹화된 에이전트에 밀집도를 표시하는 에이전트 그룹핑부(162) 및 에이전트 그룹핑부(162)에 의해 그룹화된 에이전트와 초기 에이전트를 융합하는 에이전트 융합처리부(164)로 구성될 수 있다.
다음으로, 본 발명의 실시 예에 따른 자가진화 시뮬레이션 시스템(100, 100')이 적용될 수 있는 일 예에 대해서 설명한다.
먼저, 자가진화 시뮬레이션 시스템(100')을 이용한 노인 복지 시뮬레이션을 예를 들어 설명한다.
표 1은 노인 복지 시뮬레이션의 시나리오를 나타낸다.
노인 복지 시뮬레이션 주체 | 정부 또는 지방자치단체 |
노인 복지 시뮬레이션 목적 | - 미래의 노인 경제 활동 및 빈곤 변화 예측을 통한 효율적인 노인 복지 정책 수립 - 정부의 노인 복지 정책 변화에 따른 노인의 경제 활동 행태/빈곤에 미치는 영향 예측 |
입력 데이터 | - 초기 데이터: 초기 노인 인구 데이터(약 6,000가구, 2014년, 한국복지패널 조사 데이터) - 시뮬레이션 검증 데이터: 노인의 경제 활동 참가율, 기초연금 수급률, 빈곤율(통계청, 2014년~현재) - 정부 정책 데이터: 노인 경제활동 관련: 노인일자리사업 참여자수/예산 기초연금 정책 관련: 기본공제액, 선정기준액, 소득 및 재산 환산율 |
시뮬레이션 출력 데이터 | - 노인 복지 시뮬레이션 결과: * 노인 경제활동 참가율, 기초연금수급률, 노인빈곤율 (자가진화 체크 포인트) * 노인 고용률, 공적이전소득비중 - 노인별 특성 변화 데이터(2014년 1월 ~ 현재) * 노인의 성/지역/연령/혼인상태/교육수준 분포 * 노인별 경제활동/고용/기초연금수급/빈곤 |
본 발명의 실시 예에 따른 자가진화 시뮬레이션 시스템(100')의 노인 복지 시뮬레이션의 실행과 자가진화 과정을 설명하면 다음과 같다.
시뮬레이션 초기 데이터는 초기 데이터 저장부(170)에 저장되고, 시뮬레이션 결과를 검증할 시뮬레이션 검증 데이터와 정부 정책 데이터는 현실 데이터로서 변화 인지부(110)에 제공된다. 시뮬레이션 초기 데이터는 시뮬레이션에 참가하는 초기 노인 인구데이터로, 시뮬레이션 모델 실행부(140)는 시뮬레이션 시작 시 이 데이터를 이용하여 초기 노인 에이전트를 생성하여 시뮬레이션을 실행한다. 시뮬레이션 검증 데이터는 노인 경제 활동 참가율, 기초연금수급률 및 빈곤율 데이터를 포함할 수 있으며, 정부 정책 데이터는 노인일자리사업 참여자수/예산, 기본공제액, 선정기준액, 소득 및 재산 환산율 등을 포함할 수 있다.
시뮬레이션 준비 처리부(110)는 시뮬레이션에 참여하는 에이전트 수와 시뮬레이션에 사용되는 컴퓨터 시스템의 성능을 고려하여, 시뮬레이션에 참여하는 에이전트를 그룹화하여 실행할지, 그대로 실행할지 결정한다. 예를 들어, 에이전트의 수가 6000개 정도는 컴퓨터 시스템의 성능에 크게 영향을 주지 않으므로, 시뮬레이션 준비 처리부(110)의 기능이 생략될 수 있다. 만약 단일 CPU상에서 수십만 에이전트가 넘는 시뮬레이션을 할 경우는 시뮬레이션 실행시간이 기하급수적으로 늘어나므로 시뮬레이션 준비 처리부의 기능이 필요하다. 시뮬레이션 준비 처리부(110)는 시뮬레이션에 참여하는 에이전트를 그룹화 할 경우 에이전트의 유사성(나이, 소득, 지역 등) 정보를 이용하여 유사한 에이전트를 하나의 그룹화된 에이전트로 생성한다. 이 경우 그룹화된 에이전트에 밀집도 정보를 표기한다. 밀집도 정보는 동일한 에이전트가 얼마나 있는가를 나타내는 정보로 추후 시뮬레이션 결과 분석 시 활용될 수 있다.
시뮬레이션 모델 실행부(140)는 예를 들어, 2014년 1월 6000명인 노인 인구 데이터(한국복지패널조사 2014.1)를 초기 데이터로 사용하여 노인 복지 시뮬레이션 모델을 실행시켜, 매월 단위의 시뮬레이션 결과(노인 경제활동 참가율, 기초연금수급률, 노인빈곤율)를 변화 인지부(110)에 전달하고, 나머지 실행 결과를 시뮬레이션 결과 저장부(150)에 출력한다. 시뮬레이션 모델 실행부(140)가 변화 인지부(110)로 전달하는 첫 번째 데이터는 2014년 2월 노인 경제활동 참가율, 기초연금수급률, 노인빈곤율 정보가 된다. 나머지 실행 결과는 시뮬레이션 출력 데이터 중 변화 인지부(110)에 제공할 정보를 제외한 정보로서, 표 1의 시뮬레이션 출력 데이터 중 노인 경제 활동 참가율, 기초연금수급률, 노인빈곤율 제외한 노인의 성/지역/연령/혼인상태/교육수준 분포 및 노인별 경제활동/고용/기초연금수급/빈곤 지표를 의미한다.
변화 인지부(110)는 시뮬레이션 결과(노인 경제활동 참가율, 기초연금수급률, 노인빈곤율)를 통계청이 발표한 실제 데이터와 비교하여 오차가 허용 범위 안에 있는지를 확인한다. 오차의 허용 범위는 사용자가 지정할 수 있으며, 예를 들어, 오차 허용 범위는 5% 또는 10%로 설정될 수 있다. 변화 인지부는(110)는 오차가 허용 범위 이내에 있는 경우 시뮬레이션 모델 실행부(140)에 시뮬레이션을 계속하라는 메시지를 보낸다. 이 경우 시뮬레이션 모델의 예측 정확도에 문제가 없으므로, 시뮬레이션 모델을 진화시키지 않고 그대로 사용한다. 한편, 오차가 허용 범위를 벗어나는 경우, 시뮬레이션 모델의 예측력이 떨어져 모델의 진화가 필요한 경우이다. 이 경우, 변화 인지부(110)는 시뮬레이션 모델 진화를 지시하기 위하여, 변화인지 결과(노인 경제활동 참가율, 기초연금수급률, 노인빈곤율 정보의 오차 정보)를 모델진화 전략 생성부(120)에 전달한다. 다음, 도 5의 S510~S518 단계가 차례로 수행되어 새로운 시뮬레이션 모델이 생성되어 시뮬레이션 모델 실행부(140)로 제공된다. 구체적으로, 모델진화 전략 생성부(120)는 변화 인지부(110)로부터 수신된 변화 인지 결과(노인 경제활동 참가율, 기초연금수급률, 노인빈곤율 정보의 오차 정보)를 이용하여 현재 노인 복지 모델의 미래 예측력이 실제와 어느 정도 차이가 있는지를 확인하고, 실제로 측정된 노인 경제활동 참가율, 기초연금수급률, 노인빈곤율 정보와 시뮬레이션에서 예측한 노인 경제활동 참가율, 기초연금수급률, 노인빈곤율 결과값 간에 발생한 오차를 시뮬레이션 모델에 반영하기 위하여, 모델 진화 전략을 생성한 후 모델 자가진화부(130)에 전달한다. 모델 자가진화부(130)는 전달 받은 모델 진화 전략과 ABM 모델 컴포넌트들을 가지고 새로운 진화 모델을 생성한다. 새롭게 생성된 진화 모델과 적용된 진화 전략은 ABM 컴포넌트 저장소(132)에 저장되고 시뮬레이션 모델 실행부(140)에 진화된 모델 정보를 전달한다.
다음, 시뮬레이션 모델 실행부(140)는 모델 자가진화부(130)로부터 진화된 모델정보를 수신하면, 새로 진화된 모델을 실행한다.
이와 같이, 지속적으로 변화하는 현실 데이터가 변화 인지부(110)에 제공되고, 시뮬레이션 모델 실행부(140)의 시뮬레이션 결과와 현실 데이터간 오차를 시뮬레이션 모델에 계속하여 반영되어, 지속적으로 높은 정확도의 미래 예측이 가능해진다.
또 다른 예로서, 자가진화 시뮬레이션 시스템(100, 100')을 이용한 주택 시뮬레이션을 예를 들어 설명할 수 있다.
주택 시뮬레이션의 시나리오는 표 2와 같다.
주택 시뮬레이션 주체 | 정부 또는 지방자치단체 |
주택 시뮬레이션 목적 | - 미래의 주택시장 변화 분석 예측을 통한 효율적인 주택정책 수립 - 정부의 정책 변화에 따른 주택시장 변화 예측 |
입력 데이터 | - 초기 데이터: 초기 가구 데이터(7,000가구, 통계청 가계금융복지 데이터, 2012년 ~ 2017년) - 시뮬레이션 검증 데이터: 주택 거래량, 주택 가격 지수(국토 교통부 주택 실거래 데이터, 2012년1월~현재) - 정부 정책 데이터: LTV, DTI, 주택 세율 데이터(양도소득세, 소득세, 취등록세) - 거시 데이터: 고용률 |
시뮬레이션 출력 데이터 | - 주택 시장 변화 결과: * 주택 거래량, 주택 가격 지수 (자가진화 체크 포인트) * 주택 형태, 주거 형태, 거래 성공률, 공실률, 가계부채 - 가구별 특성 변화 데이터 (2012년 1월 ~ 현재, 월별 가구별 특성 데이터) * 가구주 성별 분포, 가구주 연령분포, 가구원수 분포, 혼인상태 분포, 가구주 교육수준 * 주택 입주 형태, 주택 유형, 소득분위별 거주부동산 시가/전세/임대 보증금/총자산 변화/금융자산 변화/부채 변화 |
본 발명의 실시 예에 따른 자가진화 시뮬레이션 시스템의 주택 시뮬레이션의 실행과 자가진화 과정을 설명하면 다음과 같다. 시뮬레이션 초기 데이터는 초기 데이터 저장부(170)에 저장되고, 시뮬레이션 결과를 검증할 시뮬레이션 검증 데이터와 정부 정책 데이터는 현실 데이터에 해당한다. 시뮬레이션 초기 데이터는 초기 가구 데이터를 포함한다. 시뮬레이션 검증 데이터는 주택 실거래 데이터를 포함하고, 주택 실거래 데이터는 국토 교통부의 주택 실거래 데이터가 사용될 수 있다. 정부 정책 데이터는 주택담보인정비율(Loan To Value ratio, LTV), 총부채상환비율(Debt-to-income ratio, DTI), 주택 세율 데이터(양도소득세, 소득세, 취등록세) 등을 포함할 수 있다.
시뮬레이션 준비 처리부(110)는 시뮬레이션에 참여하는 에이전트 수와 시뮬레이션에 사용되는 컴퓨터 시스템의 성능을 고려하여, 시뮬레이션에 참여하는 에이전트를 ㄱ룹화하여 실행할지, 그대로 실행할지 결정한다.
시뮬레이션 모델 실행부(140)는 예를 들어 2012년 1월 7000 가구의 데이터(가계금융복지데이터 2012.1)를 초기 데이터로 사용하여 주택 시뮬레이션 모델(H-Model: Housing Model)을 실행시켜, 매월 단위의 시뮬레이션 결과(주택가격지수, 주택 거래량 정보)를 변화 인지부(110)에 전달하고, 나머지 실행 결과를 시뮬레이션 결과 저장부(150)에 전달한다. 시뮬레이션 모델 실행부(140)가 변화 인지부(110)로 전달하는 첫 번째 데이터는 2012년 2월 주택가격지수, 주택 거래량 정보가 된다.
변화 인지부(110)는 시뮬레이션 결과(주택가격지수, 주택 거래량 정보)를 국토 교통부가 발표한 실제 데이터와 비교하여 오차가 허용 범위 안에 있는지를 점검한다. 변화 인지부(110)는 오차가 허용 범위 이내에 있는 경우, 시뮬레이션 모델 실행부(140)에 시뮬레이션을 계속하라는 메시지를 보내고, 오차가 허용 범위를 벗어나는 경우, 시뮬레이션 모델진화를 지시하기 위하여, 변화인지 결과(주택가격지수, 주택 거래량 정보의 오차 정보)를 모델진화 전략 생성부(120)에 전달한다. 이 경우, 도 5의 S510~S518 단계가 차례로 수행되어 새로운 시뮬레이션 모델이 생성되어 시뮬레이션 모델 실행부(140)로 제공된다. 구체적으로, 모델진화 전략 생성부(120)는 변화 인지부(110)로부터 수신된 변화인지 결과(주택가격지수, 주택 거래량 정보의 오차 정보)를 이용하여 현재 주택모델의 미래 예측력이 실제와 어느 정도 차이가 있는지를 확인하고, 실제로 측정된 주택가격지수/주택거래량 정보와 시뮬레이션에서 예측한 주택가격지수/주택거래량 결과 값 간에 발생한 오차를 시뮬레이션 모델에 반영하기 위하여, 모델 진화 전략을 생성한 후 모델 자가진화부(130)에 전달한다. 모델 자가진화부(130)는 전달 받은 모델 진화 전략과 ABM 모델 컴포넌트들을 가지고 새로운 진화 모델을 생성한다. 새롭게 생성된 진화 모델과 적용된 진화 전략은 ABM 모델 컴포넌트 저장소(132)에 저장되고 시뮬레이션 모델 실행부(140)에 진화된 모델 정보를 전달한다.
다음, 시뮬레이션 모델 실행부(140)는 모델 자가진화부(130)로부터 진화된 모델정보를 수신하면, 새로 진화된 모델을 실행한다.
이와 같이, 자가진화 시뮬레이션 시스템의 주택 시뮬레이션의 경우에도 지속적으로 변화하는 현실 데이터가 변화 인지부(110)에 제공되고, 시뮬레이션 모델 실행부(140)의 시뮬레이션 결과와 현실 데이터간 오차를 시뮬레이션 모델에 계속하여 반영되어, 지속적으로 높은 정확도의 미래 예측이 가능해진다.
본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시 예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시 예의 기재로부터 본 발명이 속하는 기술 분야의 전문가라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리 범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리 범위에 속하는 것이다.
Claims (11)
- 자가진화 에이전트 기반 시뮬레이션 시스템의 자가진화 시뮬레이션 방법으로서,
에이전트 기반 시뮬레이션 모델을 실행시켜 시뮬레이션 결과값을 출력하는 단계,
현실 데이터와 상기 시뮬레이션 모델의 시뮬레이션 결과값간 차이가 설정된 오차 범위를 벗어나는 경우, 상기 현실 데이터와 상기 시뮬레이션 결과값 간에 발생한 차이를 상기 시뮬레이션 모델에 반영하기 위한 모델 진화전략을 생성하는 단계, 그리고
상기 모델 진화전략을 이용하여 상기 시뮬레이션 모델을 구성하고 있는 컴포넌트들을 재구성하여 상기 시뮬레이션 모델을 진화시키는 단계
를 포함하는 자가진화 에이전트 기반 시뮬레이션 방법. - 제1항에서,
상기 시뮬레이션 모델을 실행하기 전에, 상기 시뮬레이션 모델에 참여하는 에이전트의 수를 조절하는 단계
를 더 포함하는 자가진화 에이전트 기반 시뮬레이션 방법. - 제2항에서,
상기 조절하는 단계는
정해진 기준에 따라서 유사한 특성을 갖는 에이전트들을 하나의 에이전트로 그룹화하는 단계, 그리고
상기 그룹화된 에이전트에 밀집도를 표시하는 단계를 포함하는 자가진화 에이전트 기반 시뮬레이션 방법. - 제1항에서,
데이터의 경향 및 조건을 고려하여, 상기 설정된 오차 범위를 업데이트하는 단계
를 더 포함하는 자가진화 에이전트 기반 시뮬레이션 방법. - 제1항에서,
상기 생성하는 단계는 상기 현실 데이터와 상기 시뮬레이션 결과값 간에 발생한 변화 결과, 시뮬레이션 모델 구조, 변화 이력 및 상기 시뮬레이션 결과값 중 적어도 하나를 이용하여 상기 모델 진화전략을 생성하는 단계를 포함하는 자가진화 에이전트 기반 시뮬레이션 방법. - 자가진화 에이전트 기반 시뮬레이션 시스템으로서,
에이전트 기반 시뮬레이션 모델을 실행시켜 시뮬레이션 결과값을 출력하는 시뮬레이션 모델 실행부,
현실 데이터와 상기 시뮬레이션 결과값 간의 차이를 확인하는 변화 인지부, 그리고
상기 차이가 설정된 오차 범위를 벗어나는 경우, 상기 차이를 반영하여 상기 시뮬레이션 모델을 진화시키는 모델 자가진화부
를 포함하는 자가진화 에이전트 기반 시뮬레이션 시스템. - 제6항에서,
상기 차이를 기반으로 모델 진화전략을 생성하는 모델 진화전략 생성부
를 더 포함하고,
상기 모델 자가진화부는 상기 모델 진화전략을 토대로 상기 시뮬레이션 모델의 컴포넌트들을 재구성하는 자가진화 에이전트 기반 시뮬레이션 시스템. - 제6항에서,
상기 변화 인지부는
상기 현실 데이터를 상기 시뮬레이션 결과값과 비교할 수 있는 형태로 변환하는 복합 도메인 데이터 분석부,
동일한 시간의 상기 현실 데이터와 상기 시뮬레이션 결과값간 차이를 인지하는 변화 인지 처리부, 그리고
상기 차이가 상기 오차 범위를 벗어나는 경우 상기 차이에 따른 변화인지 결과를 생성하는 데이터 경향 분석부를 포함하는 자가진화 에이전트 기반 시뮬레이션 시스템. - 제8항에서,
상기 모델 자가진화부는 상기 변화인지 결과, 시뮬레이션 모델 구조, 변화 이력 및 상기 시뮬레이션 결과값 중 적어도 하나를 이용하여 상기 모델 진화전략을 생성하는 자가진화 에이전트 기반 시뮬레이션 시스템. - 제6항에서,
상기 시뮬레이션 모델을 실행하기 전에, 상기 시뮬레이션 모델에 참여하는 에이전트의 수를 조절하는 시뮬레이션 준비 처리부
를 더 포함하는 자가진화 에이전트 기반 시뮬레이션 시스템. - 제10항에서,
상기 시뮬레이션 준비 처리부는 정해진 기준에 따라서 유사한 특성을 갖는 에이전트들을 하나의 에이전트로 그룹화하고, 상기 그룹화된 에이전트에 밀집도를 표시하는 에이전트 그룹핑부를 포함하는 자가진화 에이전트 기반 시뮬레이션 시스템.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170155029A KR102434489B1 (ko) | 2017-11-20 | 2017-11-20 | 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 |
US16/196,602 US11216733B2 (en) | 2017-11-20 | 2018-11-20 | Self-evolving agent-based simulation system and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170155029A KR102434489B1 (ko) | 2017-11-20 | 2017-11-20 | 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190057731A true KR20190057731A (ko) | 2019-05-29 |
KR102434489B1 KR102434489B1 (ko) | 2022-08-19 |
Family
ID=66658082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170155029A KR102434489B1 (ko) | 2017-11-20 | 2017-11-20 | 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11216733B2 (ko) |
KR (1) | KR102434489B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102352957B1 (ko) * | 2020-12-28 | 2022-01-19 | 한국과학기술원 | 시뮬레이션 기반 시스템 오브 시스템즈 검증 및 분석 방법 및 장치 |
CN115240409A (zh) * | 2022-06-17 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110018264A (ko) * | 2009-08-17 | 2011-02-23 | 한국전자통신연구원 | 시뮬레이션 작업을 동적으로 지원하는 테스트 장치 및 방법 |
US20120330639A1 (en) * | 2010-05-20 | 2012-12-27 | International Business Machines Corporation | Automatic model evolution |
JP2014002290A (ja) * | 2012-06-19 | 2014-01-09 | Toshiba Corp | シミュレータおよびシミュレーション実行方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100349065B1 (ko) | 1995-09-25 | 2003-01-14 | 쇼꾸바이 카세이 고교 가부시키가이샤 | 항균제 |
US8057235B2 (en) * | 2004-08-12 | 2011-11-15 | Purdue Research Foundation | Agent based modeling of risk sensitivity and decision making on coalitions |
US8015127B2 (en) * | 2006-09-12 | 2011-09-06 | New York University | System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models |
US8781989B2 (en) * | 2008-01-14 | 2014-07-15 | Aptima, Inc. | Method and system to predict a data value |
US10248957B2 (en) * | 2011-11-02 | 2019-04-02 | Ignite Marketing Analytics, Inc. | Agent awareness modeling for agent-based modeling systems |
KR20140021389A (ko) | 2012-08-10 | 2014-02-20 | 한국전자통신연구원 | 모델 제작 및 실행 분리형 시뮬레이션 장치 및 그 방법 |
KR20140098602A (ko) | 2013-01-31 | 2014-08-08 | 한국전자통신연구원 | 분산 시뮬레이션 수행 시스템 및 방법 |
JPWO2015037165A1 (ja) | 2013-09-12 | 2017-03-02 | 日本電気株式会社 | 情報処理装置、予測制御方法、及び、プログラム |
US20150242798A1 (en) * | 2014-02-26 | 2015-08-27 | Xerox Corporation | Methods and systems for creating a simulator for a crowdsourcing platform |
SG11201610035RA (en) * | 2014-06-30 | 2017-01-27 | Evolving Machine Intelligence Pty Ltd | A system and method for modelling system behaviour |
KR20160014174A (ko) | 2014-07-28 | 2016-02-11 | 한국전자통신연구원 | 에이전트 기반 마이크로 시뮬레이션 시스템 및 방법 |
KR20160084026A (ko) | 2015-01-05 | 2016-07-13 | 유홍준 | 조립식 패턴진화 통합 모델링 기반 컴퓨터적사고 증진 방법 및 시스템 |
US20170213150A1 (en) * | 2016-01-25 | 2017-07-27 | Osaro, Inc. | Reinforcement learning using a partitioned input state space |
-
2017
- 2017-11-20 KR KR1020170155029A patent/KR102434489B1/ko active IP Right Grant
-
2018
- 2018-11-20 US US16/196,602 patent/US11216733B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110018264A (ko) * | 2009-08-17 | 2011-02-23 | 한국전자통신연구원 | 시뮬레이션 작업을 동적으로 지원하는 테스트 장치 및 방법 |
US20120330639A1 (en) * | 2010-05-20 | 2012-12-27 | International Business Machines Corporation | Automatic model evolution |
JP2014002290A (ja) * | 2012-06-19 | 2014-01-09 | Toshiba Corp | シミュレータおよびシミュレーション実行方法 |
Non-Patent Citations (1)
Title |
---|
한국경영과학회 추계학술대회 논문집, 620-623쪽(2016) 1부.* * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102352957B1 (ko) * | 2020-12-28 | 2022-01-19 | 한국과학기술원 | 시뮬레이션 기반 시스템 오브 시스템즈 검증 및 분석 방법 및 장치 |
CN115240409A (zh) * | 2022-06-17 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
CN115240409B (zh) * | 2022-06-17 | 2024-02-06 | 上智联(上海)智能科技有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190171942A1 (en) | 2019-06-06 |
KR102434489B1 (ko) | 2022-08-19 |
US11216733B2 (en) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chudik et al. | Theory and practice of GVAR modelling | |
Denrell et al. | Inferring superior capabilities from sustained superior performance: A Bayesian analysis | |
US7970676B2 (en) | Method and system for modeling future action impact in credit scoring | |
Georg | The effect of the interbank network structure on contagion and common shocks | |
Brauer et al. | Industry divestiture waves: How a firm's position influences investor returns | |
Giacomantonio | Grant-maximizing but not money-making: A simple decision-tree analysis for social impact bonds | |
Yang et al. | Research note—Using real options to investigate the market value of virtual world businesses | |
Attary et al. | The economic effects of financial relief delays following a natural disaster | |
US20090177612A1 (en) | Method and Apparatus for Analyzing Data to Provide Decision Making Information | |
Vermeulen et al. | Agent-based modeling for decision making in economics under uncertainty | |
US20220004923A1 (en) | Systems and methods for model explanation | |
US20180240136A1 (en) | Modeling consumer activity | |
Auer et al. | Using machine learning to model trace behavioral data from a game‐based assessment | |
Yang et al. | Optimal computing budget allocation for ordinal optimization in solving stochastic job shop scheduling problems | |
Engemann | Emerging developments in organizational risk | |
Serdar et al. | Urban infrastructure resilience assessment during mega sport events using a multi-criteria approach | |
KR102434489B1 (ko) | 자가진화 에이전트 기반 시뮬레이션 시스템 및 방법 | |
Christensen et al. | Industry competition and firm conduct: Joint determinants of risk–return relations | |
Potluru et al. | Synthetic data applications in finance | |
Bottazzi et al. | Consumption responses to a large shock to financial wealth: evidence from Italy | |
Kinder et al. | System of systems modelling and simulation–an outlook and open issues | |
Khashanah et al. | Connectivity, Information Jumps, and Market Stability: An Agent‐Based Approach | |
Serletis | Introduction to Macroeconomic Dynamics special issue on complexity in economic systems | |
EP2838065A1 (en) | Customer income estimator with confidence intervals | |
Davidovic et al. | Liquidity hoarding in financial networks: The role of structural uncertainty |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |