위치 정보를 활용한 아동 및 노인 실종 예방을 위한 인공지능 기반 이상탐지 앱 개발

Development of an AI-Based App for Preventing Missing Children and Elderly Using Location Information

Abstract

The issue of missing children and the elderly is a serious social problem, emphasizing the need for effective prevention and response systems. This study aims to develop an artificial intelligence-based smartphone app designed to prevent such incidents by detecting anomalies in the daily travel patterns of vulnerable populations like children and the elderly using location information. The app is developed with two modes: one for at-risk individuals and another for their guardians, allowing guardians to monitor the movement of at-risk individuals in real time. The overall workflow of the app is as follows: First, users send their location data to the system server via the Google Maps app. Next, the web server receives and processes this data, storing it in a database. Subsequently, the app uses the LSTM(Long Short-Term Memory) deep learning algorithm to learn the users' daily travel patterns. Additionally, if a user deviates beyond a set distance from their normal path, the app considers it an anomaly and immediately sends an alert to the guardian. Through the app developed in this study, it is expected to reduce the social and economic costs associated with missig children and the elderly and to prevent such incidents by real-time detection of deviations from typical daily travel patterns.

1. 서론

현대 사회는 최첨단 기술의 발전으로 점점 더 복잡해지고 있으며, 이에 따라 아동과 노인과 같은 취약계층의 안전 문제가 점점 더 중요한 사회적 과제로 대두되고 있다. 이들의 실종은 단순한 개인적 문제를 넘어 심각한 사회적, 경제적 문제로 인식되고 있으며, 이를 예방하고 효과적으로 대응할 수 있는 시스템의 필요성이 날로 커지고 있다. 과거에는 실종 사건이 드물게 발생했지만, 최근 들어 이러한 사건이 빈번해지고 있으며, 이는 사회적 공공 안전에 대한 우려를 증폭시키고 있다. 경찰청 통계에 따르면, 연간 실종자 수는 2021년 4만 1,122명에서 2022년 4만 9,287명으로 증가하였으며, 특히 18세 미만 아동의 실종 건수가 증가세를 주도하고 있다. 이처럼 아동과 노인의 실종 문제는 더 이상 간과할 수 없는 사회적 문제로, 이를 예방하기 위한 기술적 대응책 마련이 절실한 상황이다.

전통적인 실종 대응 방식은 사건 발생 이후의 대처에 초점이 맞춰져 있어, 실종을 사전에 예방하는 데 한계가 있다. 이를 해결하기 위해 본 연구는 아동과 노인의 실종 예방을 목표로 하는 새로운 시스템을 제안한다. 본 시스템은 스마트폰 애플리케이션을 통해 사용자의 위치 정보를 수집하고, 수집된 데이터를 기반으로 이상 경로를 탐지하는 인공지능 알고리즘을 활용한다. 특히, 딥러닝 알고리즘 중 시계열 데이터 분석에 적합한 LSTM(Long Short-Term Memory)[1]을 적용하여, 사용자의 위치 이동 패턴을 학습하고 실시간으로 이상 행동을 감지하여 실종을 예방하는 기능을 구현하고자 한다.

본 연구방법은 사용자의 이동 경로를 지속적으로 모니터링하며, 이상 행동이 탐지될 경우 신속히 대응할 수 있는 실시간 경고 시스템을 포함한다. 제안된 시스템은 아동과 노인의 안전 문제에 대한 사회적 책임을 해결하고, 이들의 실종으로 인한 사회적 및 경제적 비용을 절감하는 데 기여할 것으로 기대된다.

본 논문의 구성은 다음과 같다. 2장에서는 본 연구와 관련된 선행 연구를 검토하여 본 연구의 차별성과 기여점을 논의한다. 3장에서는 제안된 WnM 시스템의 구조와 핵심 기능을 상세히 설명하며, 4장에서는 실험 결과를 통해 시스템의 성능과 유효성을 검증한다. 마지막으로, 5장에서는 본 연구의 결론을 제시하고, 향후 연구 방향을 논의한다.

2. 관련 연구

아동과 노인의 실종 예방 및 대응을 위해 기존에 다양한 모바일 애플리케이션이 개발되었으며, 대표적인 예로 ‘안전 드림’과 ‘도와줘’를 들 수 있다. 이들 앱은 모두 실종 및 위험 상황에 대응하는 것을 목적으로 하지만, 본 연구에서 제안하는 인공지능 기반 실종 예방 시스템과는 몇 가지 중요한 차이점이 존재한다.

‘안전 드림’은 경찰청에서 운영하는 실종 아동 보호 애플리케이션으로, 실종 신고 접수와 실종 아동 정보를 제공하는 기능에 초점을 맞추고 있다. 이 앱은 보호자가 실종 신고를 즉시 할 수 있도록 지원하며, 실종 사건 발생 후 대응에 중점을 둔 구조로 설계되었다. 그러나 실종을 사전에 예방하기 위한 기능은 부족하며, 실시간 위치 추적이나 딥러닝 기반 이동 패턴 분석과 같은 고도화된 기술적 기능은 포함되어 있지 않다. 이로 인해 실종 위험을 조기에 감지하거나 사전 예방하는 데 한계가 있다.

‘도와줘’는 가족 및 보호 대상자의 실시간 위치 추적 기능과 더불어, 위급 상황에서 보호자에게 구조 요청을 보낼 수 있는 기능을 제공한다. 또한, ‘안심 존’ 기능을 통해 사용자가 설정한 특정 이동 범위를 벗어날 경우 알림을 전송함으로써 보호 대상자의 안전을 모니터링할 수 있다. 하지만 이 앱 역시 한계를 지니고 있다. 안심 존 기능은 일정 반경의 원형 범위를 설정하여 이탈 여부를 확인하는 방식으로, 사용자의 실제 이동 경로나 지리적 특성을 반영하지 못한다. 이러한 방식은 위험 지역이나 경로 이탈을 보다 정밀하게 감지하기 어렵게 만들며, 실시간 이동 경로 분석 기능이 부재하여 실종 위험을 세부적으로 판단하기에는 한계가 있다.

따라서, 기존의 모바일 애플리케이션은 실종 대응의 초기 단계를 지원하거나 간단한 위치 기반 경고 기능을 제공하지만, 본 연구에서 제안하는 인공지능 기반 시스템과 같이 이동 경로를 분석하고 실시간으로 이상 행동을 감지하여 실종을 사전에 예방하는 기능을 포함하지 않는다. 본 연구에서 개발한 인공지능 기반 스마트폰 앱은 실시간 위치 추적 및 AI 기반의 이동 패턴 학습을 통해 보호 대상자의 안전을 보다 효과적으로 관리할 수있는 가능성을 제시한다.

3. Wishing-No-Missing(WnM) 앱

3.1 시스템 구조

본 연구에서는 아동과 노인의 실종 예방을 목적으로 안드로이드 기반 스마트폰 애플리케이션 Wishing-No-Missing(WnM)을 개발하였다. WnM은 실시간 위치 데이터 수집 및 이상 행동 탐지를 통해 보호자와 보호 대상자 모두의 안전을 효과적으로 관리하는 것을 목표로 한다.

WnM의 전체 시스템 구조는 Fig. 1과 같다. 먼저, WnM은 Google Maps API를 활용하여 보호 대상자의 실시간 위치 데이터를 수집하며, 수집된 데이터는 ngrok을 통해 Flask 서버로 전송된다. Flask 서버는 Python으로 구현되어 데이터를 처리한 후 PostgreSQL 데이터베이스에 저장한다. 데이터베이스 관리는 DBeaver를 통해 이루어지며, 데이터의 정확성과 접근성을 보장한다. 본 시스템의 핵심 기술은 LSTM(Long Short-Term Memory) 딥러닝 알고리즘을 활용한 이동 패턴 분석이다. 수집된 위치 데이터를 학습한 LSTM 모델은 보호 대상자의 이동 경로에서 이상 행동을 탐지하며, 이를 기반으로 실시간으로 보호자에게 경고 알림을 전송한다.

Fig. 1. System architecture

Fig. 2와 같이, WnM의 사용자 인터페이스는 보호자 모드와 보호 대상자 모드로 구성되어 있으며, 각 모드에는 다음과 같은 기능이 제공된다.

Fig. 2. Main interface of the app with separate screen modes for guardians and dependents

보호자는 보호 대상자의 상태를 실시간으로 모니터링하고 관리할 수 있는 다양한 기능을 제공한다. 먼저, 보호 대상자 정보 등록 기능을 통해 보호자는 대상자의 이미지와 기본 정보를 입력할 수 있으며, 이를 통해 신상 정보와 위치를 쉽게 확인할 수 있다. 실시간 위치 확인 기능은 Google Maps API를 사용하여 보호자가 대상자의 현재 위치를 실시간으로 추적할 수 있게 한다. 또한, 출발 및 도착 알림 기능을 통해 보호 대상자가 설정된 지점에서 출발하거나 도착할 때 자동으로 알림을 받을 수 있어, 효과적으로 관리가 가능하다. 보호 대상자는 주로 아동과 노인으로 구분되며, 각 상황에 적합한 안전 관리 기능이 제공된다. 예를 들어, 아동의 경우 이동 경로 이상 여부에 대한 실시간 탐지 기능이 중요하며, 노인의 경우 한 위치에 일정 시간 이상 머무를 경우 보호자에게 알림이 전송되어 노인의 안전을 실시간으로 확인하고 필요한 조치를 하도록 작동한다.

3.2 LSTM 기반 경로 이상탐지

본 연구에서 개발한 앱의 주요 기능은 보호 대상자의 위치 데이터를 기반으로 이동 패턴을 학습하고, 이상 행동을 탐지하여 보호자에게 실시간 알림을 제공하는 것이다. 먼저, 데이터 수집은 보호 대상자의 스마트폰 앱을 통해 이루어진다. 앱은 매일 1분 간격으로 보호 대상자의 위치 데이터를 Google Maps API를 통해 수집하며, 수집한 데이터는 서버로 전송되어 서버 내의 PostgreSQL 데이터베이스에 저장되고 DBeaver를 통해 관리된다.

WnM) 시스템은 보호 대상자의 이동 패턴을 분석하기 위해 최근 30일간의 위치 데이터를 사용한다. 보호 대상자가 앱 내에서 경로 학습 버튼을 누르면, 해당 기간 동안 수집된 데이터를 기반으로 이동 경로 패턴 학습이 진행된다. Fig. 3과 같은 방식으로 수집된 위치 데이터는 LSTM 모델 학습에 앞서 데이터 전처리 단계를 거친다. 전처리 과정에서는 원시 데이터를 인공지능 모델이 처리하기 적합한 형태로 변환한다. 기본적으로, LSTM 학습을 위해 128분간의 데이터를 한 구간으로 묶어 학습한다. 위치 데이터는 MinMaxScaler를 사용해 정규화하는데, 이는 위도와 경도 값을 0과 1 사이로 변환하여 모델 학습의 안정성을 높이는 역할을 한다. 이 정규화된 데이터는 모델 학습을 위한 입력 데이터로 사용된다.

Fig. 3 Location data format

LSTM은 메모리 셀과 게이트 유닛을 포함하는 독특한 아키텍처를 가진 강력한 딥러닝 알고리즘으로, 주로 시계열 데이터와 같은 긴 시퀀스 데이터를 효과적으로 처리할 수 있다[1, 2]. 특히, 순환 신경망(RNN)[3, 4]에서 자주 발생하는 기울기 소실 문제를 해결하여, 시퀀스의 장기 의존성을 학습할 수 있게 한다. LSTM은 신호 분석, 자연어 처리, 음성 인식 등 다양한 시계열 순차 데이터 처리 작업에서 그 성능이 입증되었다[5-7]. 기본적으로 LSTM 아키텍처는 메모리 블록이라 불리는 상호 연결된 서브 네트워크로 구성되며, 각 메모리 블록은 비선형 게이팅 유닛을 통해 정보를 선택적으로 저장하고 흐름을 제어하여 시간에 따라 상태를 유지하는 것이 핵심이다. Fig. 4는 입력신호 x(t), 출력 y(t), 게이트, 활성화 함수 및 피프홀 연결을 포함한 표준 LSTM 구조를 보여주며, 출력은 모든 게이트를 포함하여 순환적으로 입력에 다시 연결된다[5].

Fig. 4 Architecture of a standard LSTM algorithm

본 연구에서 사용한 LSTM 모델은 두 개의 LSTM 계층이 포함되어 있다. 첫 번째 LSTM 계층은 50개의 유닛을 사용하며, 다음 LSTM 계층으로 중간 결과를 전달한다. 두 번째 LSTM 계층 역시 50개의 유닛을 사용하고, 마지막으로 Dense 레이어를 통해 2차원 결과값, 즉 정상과 비정상 결과를 출력한다. 모델 최적화는 확률적 경사 하강법(SGD)을 사용해 학습하였고, 손실 함수는 RMSE (Root Mean Squared Error)를 적용하였다. Table 1, Table 2와 같이, 위도와 경도 데이터에 대하여 LSTM 학습파라미터로, 에포크(300, 500, 700, 1000), 배치 크기(128)를 변경하여 학습하였다. 학습이 완료된 모델과 전처리에 사용된 스케일러는 각각 .h5 및 .pkl 파일 형식으로 서버에 저장하고, 저장된 모델은 앱에서 호출하여 실시간 위치 데이터에 대하여 이동 경로의 이상 행동을 탐지하는데 활용된다.

Table 1. Hyperparameter tuning for latitude

Table 2. Hyperparameter tuning for longitude

4. LSTM 수행 결과

학습이 완료된 후, 모델의 성능을 평가하고 결과를 시각화 하는 단계는 모델이 얼마나 잘 학습했는지, 예측 정확도는 어느 정도인지 이해하는 데 중요하다.

Fig. 6은 아동의 실제 위치 값과 모델의 예측 값을 비교하였다. 마지막으로, 저장된 학습된 여러 모델 중 가장 최적의 모델을 선택하여 실제 값과 예측 값을 비교하여 모델의 성능을 평가하였다. Fig. 6에서와 같이, 위도와 경도 각각 학습데이터의 결과는 실제값과 매우 유사하게 예측했음을 알 수 있다.

Fig. 6 Comparison of Actual and Predicted Values Using the Optimized Model

5. 결론

본 논문에서는 실시간 위치 데이터 기반 모니터링과 딥러닝 알고리즘을 결합함으로써 실종 위험이 높은 아동과 노인의 안전을 효과적으로 관리할 수 있는 기술적 해결책을 제시한다. 이러한 기술적 접근은 실종 사건 발생 이후의 대응에 머무르지 않고, 실종을 사전에 예방하는 방향으로의 전환을 제시하며, 실종으로 인한 사회적, 경제적 비용을 줄이는 데 기여할 수 있을 것으로 기대된다.

향후 연구에서는 본 시스템의 성능을 실생활에 적용해 더욱 다양한 환경에서의 이동 패턴을 학습하고, 경로 예측의 정확성을 높이는 방향으로 나아갈 필요가 있다. 또한, 딥러닝 알고리즘의 성능을 지속적으로 개선하여 예측 정확도를 높이고, 다양한 이상 행동 시나리오에 적응할 수 있도록 발전시켜 나가고자 한다.