스마트시티 데이터 통합을 위한 온톨로지 구축과 대규모 정제 전략

초록

본 논문은 스마트시티 서비스에 필요한 도로 그래프, 교통 센서, 도로 서비스 등 다양한 정적·동적 데이터를 온톨로지에 매핑하고 RDF 스토어에 저장하는 파이프라인을 제안한다. 데이터 수집·정제·검증·조정 과정을 상세히 기술하고, 구축된 지식베이스를 SPARQL 기반 애플리케이션이 활용하는 사례를 제시한다.

상세 요약

이 연구는 스마트시티 분야에서 데이터의 의미적 상호운용성 부족이라는 근본적인 문제를 해결하기 위해 온톨로지 기반 데이터 통합 프레임워크를 설계하였다. 먼저, 기존에 산재해 있는 공공·민간 데이터셋을 조사하고, 도로 네트워크, 교통 센서, 서비스 위치 등 핵심 도메인 개념을 추출한다. 이러한 개념들을 계층적 클래스와 속성으로 구조화한 스마트시티 온톨로지는 OWL‑DL 수준에서 정의되어, 추론 엔진을 통한 일관성 검증이 가능하도록 설계되었다.

데이터 수집 단계에서는 정적 데이터(예: 도로 지도, 시설물 위치)와 동적 데이터(실시간 교통 흐름, 센서 측정값)를 각각 API, 파일 다운로드, 스트리밍 등 다양한 채널을 통해 수집한다. 수집된 원시 데이터는 스키마 불일치, 중복 레코드, 결측값, 형식 오류 등 품질 문제를 내포하고 있기 때문에, 자동화된 정제 파이프라인이 필요하다. 논문에서는 파이썬 기반 ETL 스크립트와 Apache NiFi를 결합해 데이터 클렌징, 정규화, 변환 과정을 구현했으며, 특히 지리 좌표 체계 변환과 시간 스탬프 표준화에 중점을 두었다.

정제된 데이터는 매핑 엔진을 통해 온톨로지 개념에 연결된다. 매핑 규칙은 SPARQL CONSTRUCT 쿼리와 R2RML 매핑 파일로 기술되며, 동적 데이터는 시계열 RDF 트리플로 변환해 시간‑공간 차원에서의 질의가 가능하도록 설계되었다. 매핑 과정에서 발생할 수 있는 개념 충돌(예: 동일 시설이 서로 다른 ID로 존재)과 중복 엔터티는 동일성 판단 알고리즘(레벤슈타인 거리, 지리적 거리 기반)으로 자동 조정한다.

저장소는 Apache Jena Fuseki 기반의 RDF‑Store를 사용했으며, 대용량 트리플을 효율적으로 관리하기 위해 파티셔닝과 인덱싱 전략을 적용하였다. 저장된 지식베이스는 SPARQL 엔드포인트를 통해 외부 애플리케이션이 접근할 수 있으며, 질의 성능을 향상시키기 위해 캐시 레이어와 프리페치 메커니즘을 도입했다.

검증 단계에서는 SHACL와 OWL Reasoner를 활용해 스키마 일관성, 클래스 계층 구조, 속성 도메인·범위 등을 자동 검사한다. 또한, 도메인 전문가가 정의한 검증 규칙을 적용해 비즈니스 로직 수준의 오류(예: 교통 센서가 도로와 연결되지 않음)를 탐지한다.

마지막으로, 논문은 구축된 지식베이스를 활용한 시나리오를 제시한다. 예를 들어, 특정 구역의 실시간 교통 혼잡도와 인근 공공 서비스(버스 정류장, 주차장) 정보를 결합해 최적 경로를 제공하는 모바일 서비스, 그리고 도시 계획자가 도로 확장 시 시뮬레이션에 활용할 수 있는 복합 질의 등을 구현하였다. 이러한 사례는 온톨로지 기반 데이터 통합이 스마트시티 서비스 혁신에 직접적인 가치를 제공함을 입증한다.

전반적으로 이 논문은 데이터 수집·정제·온톨로지 매핑·저장·검증의 전 과정을 체계화한 파이프라인을 제시함으로써, 스마트시티 분야에서 대규모 이질 데이터의 의미적 통합을 실현하는 실용적인 로드맵을 제공한다.