KR101812007B1 - 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법 - Google Patents

Abstract

본 발명은 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법에 관한 것으로서, 도로 건설 공사와 관련한 복수 개의 사례 프로젝트를 수집하고, 상기 사례 프로젝트를 분석하여 사례 프로젝트별로 적어도 하나 이상의 속성 정보를 포함하는 조회사례 데이터베이스를 구축하는 데이베이스 구축 단계; 신규 사례가 되는 도로시설물의 기획 단계에서 상기 속성 정보를 입력 변수로 하여 상기 입력변수에 대한 사례기반추론 모델을 수립하고, 각 사례 프로젝트에 대해 각 공종별 투입자원을 산출하며, 전과정 평가(LCA)에 의하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하는 사례기반추론 수행 단계; 상기 사례기반추론 모델의 속성 정보별로 환경 부하량에 대한 속성 가중치를 유전자 알고리즘을 이용하여 최적화하는 가중치 최적화 단계; 상기 속성정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 산정하고, 상기 산정된 유사도 점수를 크기에 따라 순위를 부여한 후 기설정된 순위까지의 사례들을 유사 사례로 추출하는 유사사례 추출 단계; 및 상기 추출된 유사 사례를 이용하여 상기 신규 사례에 대한 환경부하량 추정치를 산출하기 위한 환경부하량 추정 모델을 구성하는 환경부하량 예측 단계를 포함한다. 따라서, 본 발명은 사례기반추론(CBR) 기법을 이용하여 환경부하량 추정치를 산출함으로써 전과정평가에 의한 환경부하량 평가 기법의 단점을 보완하고, 도로 시설물의 기획단계에서 가용할 수 있는 속성 정보를 이용하여 간편하게 환경부하량을 추정할 수 있고, 속성 정보의 차이로 발생한 환경부하량의 오차를 비표준화 계수를 이용한 보정 방식 또는 회귀방정식의 오차율에 의한 보정 방식을 이용하여 보정할 수 있고, 추가로 학습과정의 정확도에 의한 보정 방식을 병행함으로써 환경부하량 추정 모델의 정확도를 향상시킬 수 있으며, 그로 인해 사용자는 속성 정보만을 입력하면 동일한 화면에서 신뢰도 높은 환경부하량의 예측 결과를 바로 확인할 수 있다.

Description

사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법{ System for Estimating Environmental Load of Road Earthwork by Case-Based Reasoning and Method thereof }

본 발명은 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 도로 토공부의 기획단계에서 사례기반추론 기법을 이용한 환경부하량 추정 모델을 통해 도출된 최종 환경부하량 값을 환경 경제성을 평가할 수 있는 정보로 제공할 수 있는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법에 관한 것이다.

최근, 고도 산업화로 인한 온실가스 배출과 기후변화 등에 대한 관심과 우려의 목소리가 커지면서 이를 위한 국제적인 협력의 중요성이 강조되고 있다. 선진국들은 1997년 교토의정서를 채택하여 5년 단위의 감축 목표를 설정한 바 있으며, 우리나라도 의무 감축대상국은 아니었지만 2020년 배출전망치(Business As Usual, BAU) 대비 30%의 온실가스 감축목표를 발표하고 이의 달성을 위한 다양한 실천적 정책을 제시해왔다.

2015년 12월에는 만료가 5년여 남은 교토의정서를 대체하기 위하여 각국의 정상들이 프랑스 파리에 모여 파리기후 변화 협약 당사국 총회(Paris Climate Change Conference)를 개최하고 새로운 기후변화 대응을 위한 협약을 체결하였다. 이 협약의 주요 내용은 그동안 선진국 위주로 이루어지던 온실가스 배출의무를 개발도상국의 참여까지 확대하여 '모든 국가가 자국이 스스로 정한 방식'에 따라 2020년부터 온실가스 배출에 대해 감축을 시행해야 한다는 것이다. 우리나라는 2030년까지 교토의정서 채택시 제시한 BAU 대비 감축량보다 7% 포인트 증가한 37%의 감축목표를 제시하였다.

에너지 다소비산업구조로 인해 세계 7위의 온실가스 배출국인 우리 나라의 경우에 감축목표 달성을 위해 모든 산업분야에서 혁신적인 친환경적 생산구조로 변화를 도모해야 할 것으로 판단된다. 건설산업은 국내의 모든 산업 온실가스 배출량의 40%를 차지하고 있어 온실가스 감축 목표 달성에 가장 큰 영향을 미칠 것으로 예상된다. 특히, 사회기반시설물로서 건설되는 도로 시설물은 수많은 자재와 장비의 사용으로 시공단계에서 높은 환경부하량이 발생한다.

이때, 환경부하란 시설물의 전생애주기 동안 지구환경에 영향을 미치는 인자들에 대한 지구환경의 부담 정도를 정량화한 것으로써 도로시설물과 같은 사회기반시설의 시공과정에서 발생하는 환경부하량을 감소시키기 위해서는 기획단계에서부터 환경부하에 대한 영향을 검토하고 친환경적인 공법이 적용될 수 있도록 하는 환경 경제성에 대한 평가가 수행되어야 한다.

현재까지 국내에서 수행된 연구결과를 살펴보면, 사회기반시설물의 환경부하량을 측정하는 기술은 크게 2가지로 구분할 수 있다. 첫 번째의 사회기반시설물의 환경부하량을 측정하는 기술은 시공과정에서 발생하는 오염물질의 센싱 기술 등을 이용하여 직접 측정하는 방법이고, 두 번째의 사회기반시설물의 환경부하량을 측정하는 기술은 전과정평가(Life Cycle Assessment, LCA)를 이용하여 환경부하를 평가하는 방법이다. 국외 연구 동향 역시 전과정평가(LCA)를 이용하여 온실가스 배출량을 정량화하는 연구, 건설공사에서 사용되는 자재에 따른 환경영향을 전과정평가(LCA)를 통해 평가하는 연구 등 주로 전과정평가(LCA)를 이용하여 환경부하를 평가하려는 시도를 많이 하고 있다.

전과정평가(LCA)는 하나의 상품 혹은 기능에 대하여 에너지와 원료의 취득에서부터 폐기에 이르는 전과정에서의 환경적 부담을 정량화하는 방법으로서, 원재료의 추출, 조립, 수송, 사용 및 유지, 재활용 및 폐기에 이르는 모든 공정을 고려하는 분석기법이다. 따라서 전과정평가(LCA)를 이용한 사회기반시설물의 환경부하량 평가 기술은 모두 완성된 설계자료를 이용하여 시공과정에서 투입되는 자원량을 산출하고 이 자원량의 단위 수량당 환경부하량을 적용하여 시설물 전체의 환경부하량을 추정하는 방법으로써 시공단계와 유지관리단계에서 투입이 예상되는 자원량을 파악할 수 있는 정보가 충분치 못한 도로시설물의 기획단계에서 환경 영향에 대한 평가를 위한 자료는 제공해 주지 못한다.

한국건설관리학회 논문집, 제15권 제6호 "전과정평가기법에 의한 도로건설공사 환경부하량 평가 연구(문진석, 주기범, 서명배, 강인석, 2014)" 대한건축학회 학술발표대회 논문집, 제26권 제1호 "사례기반추론의 속성 가중치 비교에 관한 연구(김성근, 김동언, 신윤석, 이웅균, 강경인, 2006)"

본 발명은 과거 유사사례를 토대로 해법을 유추하는 사례기반추론(Case-Based Reasoning, CBR) 기법을 이용하여 환경부하량 추정치를 산출함으로써 전과정평가에 의한 환경부하량 평가 기법의 단점을 보완하고, 도로 시설물의 기획단계에서 가용할 수 있는 속성 정보를 이용하여 간편하게 환경부하량을 추정할 수 있는 환경부하량 추정 모델을 수립하며, 환경부하량 추정 모델의 정확도를 향상시키기 위해 오차 보정을 수행할 수 있는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법을 제공한다.

실시예들 중에서, 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법은, 과거 유사사례를 근거로 하여 신규 사례에 대한 환경부하량을 예측하기 위한 환경부하량 예측 시스템에 의해 수행되는 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 방법에 있어서, 도로 건설 공사와 관련한 복수 개의 사례 프로젝트를 수집하고, 상기 사례 프로젝트를 분석하여 사례 프로젝트별로 다수의 속성 정보를 포함하는 조회사례 데이터베이스를 구축하는 데이베이스 구축 단계; 신규 사례가 되는 도로시설물의 기획 단계에서 상기 속성 정보를 입력 변수로 하여 상기 입력변수에 대한 사례기반추론 모델을 수립하고, 각 사례 프로젝트에 대해 각 공종별 투입자원을 산출하며, 전과정 평가(LCA)에 의하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하는 사례기반추론 수행 단계; 복수 개의 사례 프로젝트 중에서 기설정된 개수의 사례 프로젝트를 학습 사례로 설정하여 속성정보 최적화 학습 과정에 사용하고, 상기 학습 사례의 예측된 환경부하량과 실제 환경 부하량의 오차량이 최소화되도록 상기 사례기반추론 모델의 속성 정보별로 환경 부하량에 대한 속성 가중치를 유전자 알고리즘을 이용하여 최적화하는 가중치 최적화 단계; 상기 속성정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 산정하고, 상기 산정된 유사도 점수를 크기에 따라 순위를 부여한 후 기설정된 순위까지의 사례들을 유사 사례로 추출하는 유사사례 추출 단계; 상기 추출된 유사 사례를 이용하여 환경부하량 추정 모델을 구성하고, 이를 통해 신규 사례에 대한 환경부하량 추정치를 산출하는 환경부하량 예측 단계; 및, 상기 환경부하량 예측 단계에서 예측된 환경부하량 추정치에 대해 다중회귀분석에 의해 회귀방정식을 수립하여 신규 사례와 조회 사례 데이터베이스의 속성 정보의 차이로 인해 발생하는 오차에 대한 속성 오차 보정량을 산출하고, 속성 오차 보정량에 학습 과정에서 발생한 학습 오차를 통해 산출된 학습과정의 정확도(1-학습오차)를 적용하여 학습 오차 보정량이 추가 적용된 총 보정량을 산출하며, 상기 환경부하량 예측 단계에서 예측된 환경부하량 추정치에 총 보정량을 합산하여 최종 환경부하량을 산출하는 환경부하량 보정 단계를 포함하여 구성되되, 상기 환경부하량 보정 단계에서 속성 오차 보정량 산출과정은 비표준화계수에 의한 보정 방식과, 오차율에 의한 보정 방식 중 하나의 방식을 통해 산출되며, 상기 비표준화계수에 의한 보정 방식은 상기 상기 속성 정보를 독립 변수로 설정하고, 상기 사례 프로젝트별 환경 부하량을 종속 변수로 설정한 후 다중회귀분석을 수행하여 각 독립 변수별 비표준화계수를 산출하는 단계와, 상기 신규사례와 조회사례 데이터베이스의 속성 정보 값 차이인 독립 변수 차이 값을 구하고, 상기 독립변수 차이 값에 비표준화계수를 곱하여 종속변수의 변화량인 속성 오차 보정량을 산출하는 단계로 이루어지고, 상기 오차율에 의한 보정 방식은, 상기 각 독립변수의 비표준화계수를 이용하여 계산한 환경부하량의 오차를 회귀방정식으로부터 산출한 종속변수로 나누어 오차율을 계산하는 단계와, 상기 조회사례 데이터베이스 중 기설정된 추출 순위내에 위치한 사례 프로젝트의 환경부하량에 상기 오차율을 곱하여 오차 보정량을 산출하는 단계로 이루어지는 것을 특징으로 한다.

상기 사례 프로젝트는 실시설계 자료, 설계내역 자료, 수량 산출자료를 포함하고, 상기 속성 정보는 공사 유형, 차로수, 총도로폭, 토공부연장, 도로등급, 설계속도, 행정구역, 지형, 도로면적, 포장 재료, 포장두께, 도로 높이 중 적어도 하나 이상을 포함하는 것을 특징으로 한다.

상기 사례기반추론 수행 단계는, 상기 전과정 평가에서 LCI DB(Life Cycle Inventory Database)를 사용하고, 상기 산출된 각 공종별 투입자원에 대해 상기 LCI DB를 적용하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하는 것을 특징으로 한다.

상기 유사사례 추출 단계는, 상기 속성 정보를 정량 변수와 정성 변수로 구분하는 단계; 및 상기 정량 변수는 신규 사례와 조회사례 데이터베이스의 속성 정보별 유사 척도를 상황에 따른 값으로 표현하는 속성 유사도를 신규사례와 조회사례 데이터베이스간 유사율에 따라 부여하는 단계; 상기 정량 변수는 신규사례 속성값과 조회사례 데이터베이스의 속성값을 이용하여 속성 유사도를 유사율로 산출하는 단계; 및 상기 정성 변수는 신규사례와 조회사례 데이터베이스의 사례가 일치하는 경우에 속성 유사도에 기설정된 최고점수를 부여하고, 상기 신규 사례와 조회사례 데이터베이스의 사례가 상이한 경우에 속성 유사도에 기설정된 최저 점수를 부여하는 것을 특징으로 한다.

상기 정량 변수는 신규사례 속성값과 조회사례 데이터베이스의 속성값을 이용하여 속성 유사도를 유사율로 산출하는 단계는, 수학식 1을 이용하여 유사율을 산출하는 것을 특징으로 한다.

삭제

상기 유사사례 추출 단계는, 상기 속성정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 수학식 2를 이용하여 산정하는 것을 특징으로 한다.

상기 환경부하량 예측 단계는, 상기 환경부하량 예측 모델은 수학식 3을 이용하여 상기 신규 사례의 환경 부하량을 결정하는 것을 특징으로 한다.

상기 조회사례 데이터베이스에서 신규 사례와 학습 사례를 제외한 나머지 사례들을 이용하여 사례기반추론을 수행하고, 상기 환경부하량 추정 모델에 의한 환경부하량 추정치와 전과정평가에 의해 산출한 실제 환경부하량을 비교하여 검증하는 모델 검증 단계를 더 포함하는 것을 특징으로 한다.

삭제

삭제

상기 비표준화계수에 의한 보정 방식은, 기 속성 정보를 정량 변수와 정성 변수로 구분하고, 상기 독립 변수가 정성 변수인 경우에 상기 신규 사례와 조회 사례 데이터베이스가 일치할 경우에 속성 정보의 오차값을 0으로 하고, 상기 신규 사례와 조회 사례 데이터베이스가 상이할 경우에 속성 정보의 오차 값을 1로 하여 정성 변수의 차이에 의한 오차를 비표준화계수를 통하여 보정하는 단계를 더 포함하는 것을 특징으로 한다.

삭제

삭제

삭제

실시예들 중에서, 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템은, 도로 건설 공사와 관련한 복수 개의 사례 프로젝트를 분석하여 사례 프로젝트별로 다수의 속성 정보를 입력하고, 신규 사례에 대해 예측된 환경 부하량 추정치를 출력하는 입출력 모듈; 복수 개의 사례 프로젝트 중에서 기 설정된 개수의 사례 프로젝트를 학습 사례로 설정하여 속성 정보 최적화 학습 과정에 사용하고, 상기 학습 사례의 예측된 환경부하량과 실제 환경 부하량의 오차량이 최소화되도록 유전자 알고리즘을 이용하여 각 속성 정보별로 환경 부하량에 대한 속성 가중치를 최적화하는 학습 모듈; 상기 복수 개의 사례 프로젝트에 대한 조회사례 데이터베이스를 구축하고, 상기 속성 정보를 입력 변수로 하는 사례기반추론 모델을 수립하며, 각 사례 프로젝트에 대해 각 공종별 투입 자원을 산출하고, 전과정 평가에 의하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하며, 상기 속성 정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에서 유사사례를 추출한 후 상기 추출된 유사 사례를 이용하여 신규 사례에 대한 환경부하량 추정치를 산출함과 더불어, 이 환경부하량 추정치에 총 보정량을 합산하여 최종 환경부하량을 산출하는 환경부하량 추정 모델을 구성하는 사례기반추론 모듈; 상기 유사 사례를 이용하여 산출된 환경부하량 추정치에 대해 다중회귀분석에 의해 회귀방정식을 수립하여 신규 사례와 조회 사례 데이터베이스의 속성 정보의 차이로 인해 발생하는 오차에 대한 속성 오차 보정량을 산출하고, 속성 오차 보정량에 학습 과정에서 발생한 학습 오차를 통해 산출된 학습과정의 정확도(1-학습오차)를 적용하여 학습 오차 보정량이 추가 적용된 총 보정량을 산출하는 오차 보정 모듈; 및 상기 환경부하량 추정 모델에 의해 산출된 환경부하량 추정치를 목록화하여 저장하는 저장 모듈을 포함하여 구성되고, 상기 오차 보정 모듈은 비표준화계수에 의한 보정 방식과, 오차율에 의한 보정 방식 중 하나의 방식을 통해 속성 오차 보정량을 산출하되, 상기 비표준화계수에 의한 보정 방식은 상기 상기 속성 정보를 독립 변수로 설정하고, 상기 사례 프로젝트별 환경 부하량을 종속 변수로 설정한 후 다중회귀분석을 수행하여 각 독립 변수별 비표준화계수를 산출함과 더불어, 상기 신규사례와 조회사례 데이터베이스의 속성 정보 값 차이인 독립 변수 차이 값을 구하고, 상기 독립변수 차이 값에 비표준화계수를 곱하여 종속변수의 변화량인 속성 오차 보정량을 산출하도록 구성되고, 상기 오차율에 의한 보정 방식은 상기 각 독립변수의 비표준화계수를 이용하여 계산한 환경부하량의 오차를 회귀방정식으로부터 산출한 종속변수로 나누어 오차율을 계산하고, 상기 조회사례 데이터베이스 중 기설정된 추출 순위내에 위치한 사례 프로젝트의 환경부하량에 상기 오차율을 곱하여 속성 오차 보정량을 산출하도록 구성되는 것을 특징으로 한다.

상기 사례 프로젝트는 실시설계 자료, 설계내역 자료, 수량 산출자료를 포함하고, 상기 속성 정보는 공사 유형, 차로수, 총도로폭, 토공부연장, 도로등급, 설계속도, 행정구역, 지형, 도로면적, 포장 재료, 포장두께, 도로 높이 중 적어도 하나 이상을 포함하는 것을 특징으로 한다.

상기 조회사례 데이터베이스는, 상기 전과정 평가에서 LCI DB(Life Cycle Inventory Database)를 사용하고, 상기 산출된 각 공종별 투입자원에 대해 상기 LCI DB를 적용하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하는 것을 특징으로 한다.

상기 사례기반추론 모듈은 상기 속성 정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 산정하고, 상기 산정된 유사도 점수를 크기에 따라 순위를 부여한 후 기설정된 순위까지의 사례들을 유사 사례로 추출하는 것을 특징으로 한다.

삭제

상기 조회사례 데이터베이스의 추가 또는 상기 입력 변수가 변경되는 경우에 해당 속성 정보별 속성 가중치의 최적화값을 변경하기 위한 학습 사례를 정의하는 변수 관리 모듈을 더 포함하는 것을 특징으로 한다.

삭제

삭제

삭제

삭제

삭제

삭제

본 발명의 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템 및 그 방법은, 사례기반추론(CBR) 기법을 이용하여 환경부하량 추정치를 산출함으로써 전과정평가에 의한 환경부하량 평가 기법의 단점을 보완하고, 도로 시설물의 기획단계에서 가용할 수 있는 속성 정보를 이용하여 간편하게 환경부하량을 추정할 수 있고, 속성 정보의 차이로 발생한 환경부하량의 오차를 비표준화 계수를 이용한 보정 방식 또는 회귀방정식의 오차율에 의한 보정 방식을 이용하여 보정할 수 있고, 추가로 학습과정의 정확도에 의한 보정 방식을 병행함으로써 환경부하량 추정 모델의 정확도를 향상시킬 수 있는 효과가 있다.

따라서, 본 발명은 사용자가 속성 정보만을 입력하면 동일한 화면에서 신뢰도 높은 환경부하량의 예측 결과를 바로 확인할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 방법을 설명하는 순서도이다.
도 2는 본 발명에 적용되는 사례기반추론 기법을 설명하는 도면이다.
도 3은 사례 프로젝트의 주요 속성 정보에 대한 현황을 설명하는 도면이다.
도 4는 도로 높이에 따른 환경부하량의 변화를 설명하는 그래프이다.
도 5는 환경부하량 산출 과정에 적용되는 전과정 평가를 설명하는 순서도이다.
도 6은 사례 프로젝트별 환경부하량 산출 결과를 설명하는 그래프이다.
도 7은 검증 사례 프로젝트별 평균 오차를 설명하는 그래프이다.
도 8은 본 발명의 일 실시예에 따른 오차보정 방법에 따른 평균 오차율의 변화를 설명하는 그래프이다.
도 9는 학습 과정의 정확도 반영에 따른 오차 보정량의 변화를 설명하는 그래프이다.
도 10은 학습 오차에 따른 학습 과정 정확도의 보정 효과를 설명하는 그래프이다.
도 11은 오차 보정 방법에 따른 표준 편차의 변화를 설명하는 그래프이다.
도 12는 오차 보정 방법에 따른 보정 효과를 설명하는 그래프이다.
도 13은 본 발명의 일 실시예에 따른 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템을 설명하는 블록도이다.
도 14는 도 13의 입출력 모듈의 화면 구성을 설명하는 예시도이다.
도 15는 도 13의 저장 모듈의 환경부하량 산출 결과 목록 출력 상태를 설명하는 예시도이다.
도 16은 변수관리모듈, 학습 모듈, 입출력 모듈 간에 속성 정보의 속성 가중치를 최적화하기 위한 데이터 흐름을 설명하는 도면이다.

본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

한편, 본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

도 1은 본 발명의 일 실시예에 따른 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 방법을 설명하는 순서도이다.

도 1을 참고하면, 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 방법은 각 사례 프로젝트의 실시 설계 자료 분석을 통해 각 공종에 투입되는 자원량을 파악하고, 전과정 평가에 의해 환경부하량을 산출하여 조회사례 데이터베이스로 구축한 후 사례기반추론 모델을 수립한다.(S1 ~S3)

본 발명은 국내에서 수행된 54개의 국도건설사업의 사례 자료를 이용하고 있으며, 이 중 교량과 터널 등을 제외한 토공부(흙깍기 및 흙쌓기부)만을 대상으로 한다. 설계 내역서상 공종으로는 토공, 비탈면안정공, 배수공, 포장공, 교통안전시설공, 부대공 등이 해당된다.

사례기반추론 모델에 의한 환경 부하량 예측 시스템에서 사용자에 의해 신규 사례에 대한 속성 정보가 입력되면 환경부하량 예측 시스템은 필요에 따라 유사사례 조회의 기준이 되는 유사도 점수 산정을 위해 유전자 알고리즘을 이용하여 도로 시설물의 기획단계의 각 속성 정보에 대한 속성 가중치의 최적화를 수행한다. 그리고, 환경부하량 예측 시스템은 속성 가중치를 이용하여 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 산정하며, 유사도 점수의 크기에 따라 각 사례에 순위를 부여한다. 환경부하량 예측 시스템은 1순위부터 5순위까지의 사례들을 유사 사례로 추출하고, 유사 사례를 이용하여 신규 사례에 대한 환경부하량 추정치를 산출한다.(S4~ S6)

한편, 사례기반추론의 입력정보로 사용될 도로 기획단계에서 가용할 수 있는 정보, 즉 속성 정보는 기존 연구의 문헌 분석을 통해 공사유형, 차로수, 총도로폭, 토공부연장, 도로등급, 설계속도, 행정구역, 지형, 도로면적, 포장재료, 포장두께, 도로높이 등의 12개를 도출한 것이다.

환경부하량 예측 시스템은 54개의 사례 프로젝트 중 5개의 프로젝트를 속성정보 최적화 학습과정에서 학습 사례로 사용하고, 환경부하량 추정 모델의 유효성 확인을 위하여 신규 사례와 학습 사례를 제외한 40개 프로젝트를 대상으로 모델 검증을 실시하며, 조회사례 의 부족으로 인한 오차를 보정하여 최종 환경부하량 값에 대한 정확도를 향상시킨다.(S7)

따라서, 본 발명은 사례기반추론 모델을 통해 전과정 평가 방식의 단점을 보완하여 도로 시설물의 기획단계에서 가용할 수 있는 속성 정보만으로 환경부하량을 추정할 수 있는 환경부하량 추정 모델을 구성할 수 있다.

본 발명은 도로 기획단계에서의 환경부하량 추정 모델을 구축하기 위해 사례기반추론 기법을 활용한다. 사례기반추론 기법은 인간의 사고 과정에서 새로운 문제를 해결하기 위하여 과거에 사용되었던 해결책을 활용한다는 점에서 착안하여 개발된 방법으로, 새로운 해결 대안을 제시하는 혁신적인 기법이라기보다는 과거의 유사한 사례로부터 해결방안을 도출하는 추론 기법이다.

도 2는 본 발명에 적용되는 사례기반추론 기법을 설명하는 도면이다.

도 2를 참고하면, 사례기반추론 기법은 문제 해결을 위하여 과거의 사례로부터 답을 찾는 과정인 조회(retrieve) 및 재사용(reuse)과 해결된 문제를 다시 과거사례로 저장하여 추후 발생되는 문제에 다시 활용하는 과정인 수정(revise) 및 저장(retain)를 거치게 되며, 이러한 과정의 반복을 통해 그 정확도가 개선되어 나가는 특징이 있다.

도로 시설물의 환경 부하량을 산출하기 위해서는 각 공종에 투입되는 자원의 산출이 필요하며, 이러한 투입 자원을 산출하기 위하여 공종별 공사물량이 확정되어야 하지만, 도로 시설물의 기획단계에서는 이러한 공종별 공사물량을 추정할 수 있는 정보가 부족하기 때문에 환경부하량을 산출하는 것이 불가능하다. 그러나, 사례기반추론 기법을 이용하여 환경부하량 추정 모델을 구성할 경우에 별도의 공사물량 산출과정을 거치지 않고 도로 시설물의 기획단계에서 가용할 수 있는 속성정보만으로 과거의 조회사례 데이터베이스로부터 환경부하량을 예측할 수 있게 된다.

환경부하량 추정 모델의 입력 변수는 표 1에 나타나 있듯이 도로시설물의 기획단계에서 가용할 수 있는 정보 목록으로 12개의 항목을 선정한다.

환경부하량 추정 모델의 입력변수로 선정된 12개의 속성 정보 중 포장 재료는 국도 시설물의 거의 모든 사례에서 아스콘의 동일한 재료를 사용하고 있다. 따라서, 포장 재료는 유사 사례 추출에 영향이 극히 작을 것으로 판단되어 환경부하량 추정 모델에서 제외시키고, 환경부하량 추정 모델의 입력 변수는 총 11개를 사용한다.

환경부하량 추정 모델은 조회사례 데이터베이스를 구축하기 위하여 국내에서 수행된 54개의 국도건설공사에 대한 사례 프로젝트를 수집하고, 실시설계보고서 및 설계 내역서, 수량 산출서를 분석하여 각 공종별 투입되는 자원량을 파악한 후 전과정평가에 의하여 환경부하량을 산출하고, 각 사례 프로젝트의 속성 정보를 포함하여 환경부하량 예측을 위한 조회사례 데이터베이스로 사용한다.

도 3은 사례 프로젝트의 주요 속성 정보에 대한 현황을 설명하는 도면이고, 도 4는 도로 높이에 따른 환경부하량의 변화를 설명하는 그래프이다.

도 3 및 도 4를 참고하면, 과거 사례로 수집된 프로젝트의 주요 속성 정보 중 행정 구역별 분포를 살펴보면, 도 3의 (a)에 도시된 바와 같이 경상북도에서 수행된 프로젝트가 28%로 가장 많은 분포를 보였고, 다음으로 충청남도에서 수행된 프로젝트가 17%의 분포를 보였다. 그 외 행정구역에서 수행된 프로젝트는 10% 내외의 유사한 분포를 나타냈다.

한편, 도 3의 (b)에 도시된 바와 같이, 전체 사례 프로젝트의 공사유형별 분포는 확포장이 57%, 신설포장이 43%로 조사되었다. 도 3의 (c) 및 (d)에 나타난 설계속도별 분포 현황과 도로 등급별 분포현황을 살펴보면 설계 속도가 80km/h인 프로젝트가 61%로 가장 많았으며, 이 설계 속도를 기준에 포함하고 있는 도로등급인 국도 Ⅰ과 국도 Ⅱ가 각가 28%와 43%로 가장 많은 분포를 보였다.

환경 부하량에 큰 영향을 주는 변수는 각 작업에 투입되는 자원의 종류와 양이다. 도로 토공부 작업에서 가장 많이 소요되는 자원은 유류(경유 또는 휘발유)이며, 이러한 유류 사용량을 결정하는 작업은 건설기계가 주로 사용되는 흙깍기, 흙쌓기 및 흙운반이다.

국내 국도건설 사례는 대부분의 프로젝트가 유사한 도로폭원(4차로)과 연장(10km 내외)으로 되어 있기 때문에 도로폭원과 연장이 환경부하량의 변화에 중요한 변수로 작용하지 못한다. 따라서, 토공작업 물량에 가장 큰 영향을 주는 변수는 도로 높이가 된다.

도 4에 도시된 바와 같이, 도로 높이에 따른 환경 부하량의 변화는 상관계수(R)가 약 64%로서 도로 높이가 환경부하량의 변화에 비교적 밀접하게 영향을 미치고 있는 것을 알 수 있다.

본 발명에서 도로 높이는 기본 설계 과정에서 선정한 도로의 노선을 수치지형도에 적용하여 구할수 있는 개략적인 도로의 평균 높이를 말하며, 사례 분석을 통해 표현한 도로 높이는 흙쌓기량을 토공부의 면적으로 나눈 등가환산 높이다. 도 3의 (e)에는 사례 프로젝트의 도로높이별 분포를 보여주고 있다.

도 5는 환경부하량 산출 과정에 적용되는 전과정 평가를 설명하는 순서도이고, 도 6은 사례 프로젝트별 환경부하량 산출 결과를 설명하는 그래프이며, 도 7은 검증 사례 프로젝트별 평균 오차를 설명하는 그래프이다.

사례 프로젝트의 환경부하량 산출에 사용한 전과정 평가는 전과정에서 환경적 부담을 정량화하는 방법으로서, 도 5에 도시된 바와 같이 목적 및 범위의 설정(Goal and Scope Definition), 목록 분석(Inventory Analysis), 영향 평가(Impact Assessment), 결과 해석(Interpretation)의 4단계로 구성된다.

전과정평가의 구성 중 목록 분석에 사용된 LCI DB는 산업자원부와 환경부에 의해 이미 구축되어 있는 자료를 사용하고, 아스팔트와 같이 국내에 구축된 자료가 없는 자원의 경우에 해외 자료를 사용하거나 관련 업체의 협조를 받아 국내 실정에 맞게 새로 구축하여 사용한다.

표 2는 사례 프로젝트의 전과정평가 사용된 LCI DB를 나타낸 것이다.

사례기반추론 모델은 수집된 54개의 국도건설공사 사례에 대하여 설계내역서와 수량산출서 분석을 통하여 각 공종별 투입자원을 산출하고, 도 6에 도시된 바와 같이 산출된 각 투입자원에 대하여 표 2의 LCI DB를 적용하여 공종별, 프로젝트별 환경부하량을 산출한다.

한편, 설계 내역서 분석 결과에서 일부 사례 프로젝트에서 환경부하량의 변화에 크게 영향을 주는 자원(자재)이 해당 공종이 아닌 부대공에 합산되어 있어 실제 직접적인 작업 공종이 적은 부대공의 환경부하량이 상대적으로 크게 평가되는 문제가 발생되어 해당 자원에 대하여 투입공종으로 환원하는 작업을 수행하여 작업 공종의 특성에 따른 환경부하량이 파악될 수 있도록 한다.

환경부하량 추정 모델은 도로시설물의 기획 단계에서 가용할 수 있는 속성정보를 바탕으로 설계 분석을 통하여 환경 부하량을 산정한 후에 이미 구축해놓은 조회사례 데이터베이스에서 유사한 속성 정보를 지닌 프로젝트를 유사 사례로 추출하여 환경부하량을 예측하게 된다. 유사 사례의 조회 방법은 최근접 추출 방법(Nearest neighbor retrieval method)으로써 조회사례 데이터베이스에 저장되어 있는 사례들 중에서 일정한 유사성 척도, 즉 속성 유사도에 의해 신규 사례와 유사한 속성을 지닌 유사 사례를 추출한 후 가중 합계하여 대응시키는 방법이다.

도로시설물의 기획 단계에서 가용할 수 있는 정보 목록인 환경부하량 추정 모델의 입력 변수(표 1 참고)를 살펴보면, 행정구역, 공사유형, 지형 등과 같이 입력값을 정량적으로 나타낼 수 없는 정성 변수와 도로 높이, 설계 속도 등과 같이 정량적으로 나타낼 수 있는 정량 변수로 구분할 수 있으며, 일정한 값으로 표현해야 하는 유사성 척도의 특성상 표 3에 나타낸 바와 같이 정성 변수와 정량 변수의 유사도 산출 방법을 다르게 사용한다.

정성 변수는 속성 유사도, 즉 신규 사례와 조회사례 데이터베이스의 속성 정보별 유사척도를 상황에 따른 값으로 표현하는 것이 불가능하기 때문에 신규사례와 조회사례 데이터베이스가 일치하는 경우에만 유사도 100을 부여하고, 서로 상이한 값을 나타낼 경우에는 0으로 처리한다. 정량 변수는 신규사례와 조회사례 데이터베이스간의 유사정도를 수학식 1과 같이 수치화하여 반영한다.

수학식 1에서, ASI는 속성 유사도(Attribute Similarity Index), V_N은 신규사례 속성값(Attribute Value of New-Case), V_R은 조회사례 데이터베이스의 속성값(Attribute Value of Retrieved-Case)을 각각 의미한다.

사례기반추론 모델에서는 조회사례 데이터베이스의 각 사례별 유사도 점수를 산정하여 신규사례와 가장 유사한 사례들을 도출하고, 이를 이용하여 신규사례의 환경부하량 값을 추정하는 과정을 거치게 된다. 이때, 각 사례에 대한 신규사례와의 유사 정도는 사례별 유사도 점수를 사용하여 판단한다. 환경부하량 추정 모델은 사례별 유사도 점수를 산정하기 위하여 각 속성 정보의 환경부하량에 대한 영향 정도(속성 가중치)를 파악한다. 이때, 환경부하량 추정 모델은 학습사례의 예측된 환경부하량과 실제 환경부하량의 오차량을 최소화하는 각 속성정보의 가중치를 최적화하기 위하여 유전자 알고리즘을 활용한다.

최적의 속성가중치 조합을 위하여 수집한 54개의 조회사례 데이터베이스 중 5개의 사례를 무작위로 선정하여 속성 가중치 최적화를 위한 학습사례로 사용한다. 속성정보 가중치의 최적화에 사용한 프로그램은 마이크로소프트사의 엑셀에서 사용 가능한 애플리케이션인 해찾기(solver)의 진화 엔진을 사용한다.

표 4는 유전자 알고리즘을 활용하여 최적화한 각 속성정보별 가중치이다.

각 속성 정보의 가중치를 이용하여 사례별 유사도 점수는 다음 수학식 2와 같이 산정한다.

수학식 2에서, CSI는 사례별 유사도 점수(Case Similarity Index), n은 각 사례의 속성 정보의 개수, ASI_i는 i번째 속성 유사도(수학식 1 참고), w_i는 i번째 속성 가중치를 의미한다.

수학식 2를 통해 산정한 사례별 유사도 점수를 크기에 따라 순위를 부여하고, 최적의 조합이 되도록 유사 사례의 추출 순위를 결정하여야 하는데, 3순위부터 7순위까지 사례기반추론을 수행한 결과 표 5와 같이 5순위까지 추출했을 때 오차율에 대한 표준편차가 14.56%로 가장 작게 조사되어 5순위를 사례기반추론에 의한 환경부하량 추정 모델의 추출 순위로 결정한다.

유사도 점수에 의한 5순위까지의 조회사례 데이터베이스를 이용한 신규 사례의 환경 부하량은 다음 수학식 3에 의하여 결정하게 된다.

수학식 3에서, E_N은 신규사례의 환경부하량 추정치, n은 추출 순위, E_i는 i순위 사례의 실제 환경부하량, CSI_i는 i순위 사례의 유사도 점수,

는 n추출 순위까지 유사도 점수의 총합을 각각 의미한다.

환경부하량 예측 시스템은 사례 자료로 수집한 54개의 국도건설공사 중 학습에 사용한 5개의 사례를 제외한 49개의 사례중 40개를 선정하여 환경부하량 추정치에 대한 검증을 실시한다. 사례기반추론 모델은 검증에 사용한 사례들을 조회사례 데이터베이스 구축을 위해 수집한 54개의 프로젝트 중에서 선택하였기 때문에 신규 사례와 조회사례가 완벽하게 일치하여 유사도 선정에 반영되는 오류를 피하기 위하여 신규사례로 사용되는 신규사례 프로젝트는 조회사례 데이터베이스에서 제외를 하여 사례기반추론을 수행한다.

즉, 5개의 학습 사례를 제외하고 구축된 49개의 조회사례 중에서 신규사례로 선정된 프로젝트를 제외한 48개의 프로젝트가 조회사례 데이터베이스로 구축되어 사례기반추론 모델의 검증에 사용한다. 그 검증 결과는 표 6에 나타나 있듯이 속성 정보별 가중치의 최적화를 위한 학습 사례보다 오차가 약 3% 포인트 증가한 23.88%를 보이고, 표준편차는 약 3.6% 포인트 증가한 18.14%를 나타낸다.

환경 부하량 추정에 대한 정확도와 관련한 연구나 기준이 정립되어 있지 않기 때문에 본 발명에서는 AACE(Association for the Advancement of Engineering)에서 공사비 추정 모델의 정확도로 권장하고 있는 -30% ~+ 50% 오차보다 보수적인 -25% ~+25%의 오차를 목표 정확도로 설정하였다. 표 6에 나타나 있듯이, 본 발명은 목표로 한 정확도에 도달하였으나, 40개의 사례 검증을 통해 살펴본 결과 도 6에 도시된 바와 같이 사례 프로젝트별 편차가 다소 크게 조사되었다. 이는 상대적으로 조회사례 데이터베이스가 부족하여 유사도가 낮게 평가되는 상황, 즉 신규사례의 입력값과 조회사례 데이터베이스의 특성값에 차이가 크게 발생함으로 인한 결과로 판단된다. 따라서, 신규사례의 입력값과 조회사례 데이터베이스의 특성값의 차이에 대한 보정을 통해 오차를 감소시킬 필요가 있다.

도 8은 본 발명의 일 실시예에 따른 오차보정 방법에 따른 평균 오차율의 변화를 설명하는 그래프이고, 도 9는 학습 과정의 정확도 반영에 따른 오차 보정량의 변화를 설명하는 그래프이며, 도 10은 학습 오차에 따른 학습 과정 정확도의 보정 효과를 설명하는 그래프이고, 도 11은 오차 보정 방법에 따른 표준 편차의 변화를 설명하는 그래프이며, 도 12는 오차 보정 방법에 따른 보정 효과를 설명하는 그래프이다.

도 8 내지 도 12을 참고하면, 본 발명에서 환경부하량 추정 모델을 구축하기 위하여 사용한 사례기반추론은 조회사례 데이터베이스가 많을수록 정확도가 향상되는 특성을 가지고 있다. 본 발명에서 사용한 54개의 사례는 사례기반추론에 의한 추정값의 신뢰도를 높이기에는 부족한 것으로 판단된다.

환경부하량 추정 모델은 조회사례 데이터베이스의 부족으로 발생한 오차, 즉 속성 정보의 차이에 의한 오차는 다중회귀분석에 의해 회귀방정식을 수립하고, 이를 활용하여 신규 사례와 조회사례의 속성 정보 차이로 인해 발생하는 환경부하량을 보정한다.

회귀방정식에서 비표준화계수는 다른 독립변수들을 특정 값으로 고정할 때, 어떤 독립변수의 값이 1단위 변함에 따라 종속변수가 얼마나 변화하는지, 즉 독립변수가 종속변수에 미치는 순수한 영향을 나태는 값이다. 따라서, 다중회귀분석에 의해 회귀방정식을 수립하고, 신규사례와 조회사례의 속성 정보값 차이를 구한 후 이 값에 비표준화계수를 곱하면 속성 정보의 차이에 의해 발생한 환경부하량의 오차를 구할 수 있다.

환경부하량 추정 모델은 회귀방정식을 수립하기 위하여 사례기반추론에 입력변수로 사용하는 11개의 속성 정보를 독립 변수로 하고, 각 조회사례 데이터베이스의 환경부하량을 종속 변수로 하여 다중회귀분석을 수행한 결과는 표 7과 같이 결정계수(R²)가 0.680, 유의 확률이 0.001로 유의한 회귀 모델임을 나타낸다. 다만, 수정된 결정계수(Adjusted R²)가 0.473로 작게 나타난 것은 11개(정성 변수를 가변수로 변환시 총 20개의 독립변수가 됨)인 독립변수의 수에 비하여 상대적으로 적은 표본수(다중회귀분석에는 52개의 조회사례 데이터베이스를 사용함)를 사용하기 때문이라고 판단된다.

표 8은 다중회귀분석을 통해 산출한 각 독립변수별 비표준화계수를 나타낸 것이다.

환경부하량 추정 모델의 입력변수 중 정성변수와 정량변수는 모두 표 8에 나타낸 비표준화계수를 이용하여 오차를 보정한다.

독립변수의 차(속성정보 값의 차이)를 구한 후 비표준화계수를 곱하여 종속변수의 변화량인 환경부하량의 오차를 구하게 된다. 한편, 독립변수가 정성변수인 경우에 신규사례와 조회사례가 동일하면 속성 정보의 오차값을 0으로 하고, 신규사례와 조회사례가 서로 상이하면 속성 정보의 오차값을 1로 하여 정량변수와 동일한 방법으로 보정을 수행한다. 표 9는 정성변수와 정량변수의 비표준화계수에 의한 종속변수(환경부하량)의 변화량 값에 대한 보정방법의 예시를 나타낸 것이다.

속성 정보에 의해 발생한 오차를 보정하기 위하여 비표준화계수를 사용하여 직접 오차량을 계산하는 비표준화계수에 의한 보정 방식은 실제 투입자원을 이용하여 산출된 조회사례 데이터베이스의 환경부하량과 비표준화계수를 이용하여 계산된 변화량(환경부하량의 오차 값)을 합산하는 방식이다. 따라서, 다중회귀분석에 의한 회귀모델의 신뢰도가 높지 않을 경우, 즉 회귀방정식이 유의하지 못할 경우에 오차보정 효과가 줄어들 것으로 예상되며, 프로젝트 규모의 차이에 의해서 발생하는 오차의 불확실성의 차이(프로젝트의 규모가 커짐에 따라 오차의 불확실성이 커질 수 있는 사례)는 고려하지 못한다.

사례 프로젝트의 규모의 차이에 의해서 발생하는 오차의 불확실성의 차이를 고려하기 위해, 본 발명은 각 독립변수의 비표준화계수를 이용하여 계산한 오차량을 회귀방정식으로부터 산출한 환경부하량(종속변수)으로 나누어 오차율을 계산한 후 조회사례 데이터베이스의 환경부하량에 이 오차율을 곱하여 보정량을 산출하는 회귀방정식의 오차율에 의한 보정 방식을 수행한다.

회귀방정식의 오차율에 의한 보정 방식은 회귀방정식의 신뢰도가 낮거나 프로젝트의 규모에 의해 더 크게 발생할 수 있는 불확실한 오차도 상쇄시켜줄 수 있다. 즉, 회귀방정식에서 오차율을 계산하기 위하여 비표준화계수에 의한 속성 정보의 오차량을 회귀방정식의 종속변수로 나누면 된다.

각 독립변수에 의해 발생한 회귀 모델에서의 오차율은 실제 추정된 환경부하량에서도 유사할 것이라는 가정하에 오차율에 의한 보정을 수행한다. 표 10은 회귀방정식의 오차율에 의한 보정 방법을 나타낸 것이다.

회귀방정식의 오차율에 의한 보정방법에 대한 검증을 위해 학습사례를 추가로 4회, 즉 총 5회 변경하여 속성 정보의 가중치에 변화를 주어 환경부하량을 추정한 후 표 9의 비표준화계수에 의한 보정 방식과 표 10의 회귀방정식의 오차율에 의한 보정 방식을 모두 사용하여 오차를 보정 하고, 도 8에 도시된 바와 같이 오차보정방법에 따른 평균오차율을 확인한다.

도 8에 도시된 바와 같이, 비표준화계수에 의해 오차를 보정한 결과는 평균 약 4.9% 포인트가 감소한 21.12%의 평균 오차를 보이고, 회귀방정식의 오차율에 의한 보정을 수행한 결과는 비표준화계수에 의한 보정 방법보다 평균 약 2.1% 포인트가 추가로 보정되는 효과를 보여 오차 보정효과가 더 우수한 것을 확인할 수 있다.

사례기반추론 모델은 유사도 점수를 산정하기 위하여 유전자알고리즘을 통해 속성 정보별 속성 가중치를 최적화한다. 이러한 가중치의 최적화 단계에서 계산의 반복횟수를 계속 증가시켜도 더이상 요구조건의 변화가 발생하지 않게 되는 시점의 가중치를 최적화된 속성가중치로 사용하게 된다.

그런데 가중치의 최적화 단계, 즉 사례의 학습 과정에서도 오차가 발생하고, 이 발생한 학습 과정 오차를 가지고 산정된 가중치를 이용하여 유사도 점수를 계산하면 아무리 신규사례와 조회사례 데이터베이스의 유사도가 높다고 하더라도 학습사례에서 발생된 오차만큼 기본적인 오차를 가지게 된다. 따라서, 사례기반추론에 의해 추정된 값의 신뢰도를 높이기 위해서는 학습 과정에서 발생한 오차를 오차보정 단계에서 검토할 필요가 있다.

가중치 최적화를 위한 사례의 학습 과정에서 발생한 평균오차는 (+) 및 (-) 오차의 절대값에 대한 평균오차이므로 오차 보정과정에 일괄적으로 적용하는데 어려움이 있다.

따라서, 본 발명에서는 계산과정의 단순화를 위해 (+) 혹은 (-)값을 갖는 학습오차를 대신하여 수학식 4와 같이 하나의 값으로 표현할 수 있는 학습과정의 정확도를 제안하여 학습과정에서 발생한 오차를 보정한다.

상기한 표 9와 표 10에 나타낸 총 보정량(g)에 수학식 4의 학습과정의 정확도를 곱하여 학습 과정에서 발생한 학습오차에 대한 보정을 수행한다.

도 9에 도시된 바와 같이, 학습 오차에 대한 보정의 결과는 학습 오차를 보정하지 않았을 때 26.04% 였던 오차가 비표준화계수 및 회귀방정식의 오차율에 의한 속성 정보의 오차 보정만을 반영하였을 때 각각 약 5% 포인트와 약 7% 포인트가 감소한 21.12%와 18.98%를 나타낸다.

비표준화계수 및 회귀방정식의 오차율에 의한 보정 방식에 추가로 학습과정의 정확도에 의한 보정 방식을 반영할 경우에, 비표준화계수에 의한 오차 보정 방식은 약 1.5% 포인트의 오차가 추가로 감소하여 전체적인 오차는 평균 약 6.5% 포인트가 감소한 19.56%임을 알 수 있다. 비표준화계수에 의한 보정 방식을 사용할 경우에 수학식 9에 나타낸 학습과정의 정확도에 의한 보정 방식과 조합하여 오차보정을 수행하면 더 효과적인 오차보정을 수행할 수 있다.

한편, 회귀방정식의 오차율에 의한 보정 방식에 수학식 9에서 제시한 학습과정의 정확도에 의한 보정 방식을 추가로 반영할 경우 전체적인 오차가 평균 약 7.6% 포인트가 감소한 18.43%를 나타내고 있으므로, 비표준화계수 및 학습과정의 정확도에 의한 보정 방식보다 큰 감소 효과를 보였으나, 학습과정의 정확도를 반영하여 추가로 감소된 오차는 약 0.6% 포인트로 보정효과가 미미한 것을 알 수 있다.

수학식 4에서 제시한 학습과정의 정확도에 의한 보정 방식은 학습과정에서 발생한 오차를 이용하기 때문에 학습과정에서 큰 오차가 생겼을 경우, 즉 속성정보 가중치의 최적화에 대한 신뢰도가 낮을 때 더 효과적이다.

도 10에 도시된 바와 같이, 학습오차에 따른 학습과정 정확도의 보정효과를 살펴보면 평균 5.59%의 오차를 보인 학습사례에서 회귀방정식의 오차율에 의한 보정 방식만을 사용한 경우와 여기에 수학식 4의 학습과정 정확도에 의한 보정 방식을 추가로 수행한 경우를 비교한 결과 오차의 변화가 거의 없음(약 0.02%)을 알 수 있다.

반면에 학습오차가 20.28%로 비교적 크게 나타난 사례에서는 그 차이가 약 1.4% 포인트로 나타나 학습오차의 크기에 따라 수학식 4의 학습과정 정확도에 의한 보정효과가 다르게 나타남을 알 수 있다. 즉, 학습 오차가 큰 사례에서 회귀방정식의 오차율에 의한 보정방식과 학습과정의 정확도에 의한 보정방식을 조합하여 사용할 경우 더 효과적인 오차보정이 수행된다.

한편, 평균오차와 함께 오차 보정 방식에 따라 표준편차 역시 변화를 보이고 있는데, 도 11에 도시된 바와 같이, 오차를 보정하지 않았을 경우에 평균 20.18%에 이르던 표준편차가 비표준화계수에 의한 오차 보정을 수행할 경우에 약 2.6% 포인트가 감소한 17.6%를 나타내고, 회귀방정식의 오차율에 의한 보정과 학습과정 정확도에 의한 보정을 조합하여 수행한 사례는 약 5% 포인트가 감소한 15.0%로 조사되어 회귀방정식의 오차율과 학습과정의 정확도에 의한 보정 방식을 조합하여 오차를 보정할 경우 평균 오차율뿐만 아니라 표준편차의 검토에서도 우수한 보정 효과를 나타냄을 알 수 있다.

도 12를 참고하여, 오차보정 방법에 따른 평균오차와 표준편차의 변화를 더 자세하게 살펴보면, 보정 방법을 변화시킴에 따라 표준편차의 감소, 즉 검증사례의 오차가 전체 평균오차에 수렴해 가고 있는 것을 알 수 있다.

도 12의 (a)에 나타낸 비표준화계수에 의한 보정 방식보다 도 12의 (b)에 나타낸 바와 같이 학습과정의 정확도에 의한 보정 방식을 추가로 적용할 경우 더 효과적인 오차보정이 수행됨을 알 수 있으며, 비표준화계수에 의한 보정 방식과 학습 과정의 정확도에 의한 보정 방식을 조합한 오차 보정 방법 보다 도 12의 (c) 및 (d)에 나타낸 바와 같이 회귀방정식의 오차율에 의한 보정 방식과 학습 과정의 정확도에 의한 보정 방식을 조합하여 사용할 경우 평균오차에 수렴해가는 경향을 더 뚜렷이 알 수 있어 오차보정 효과가 우수한 것을 알 수 있다.

한편, 도 12의 (d)에 나타낸 회귀방정식의 오차율에 의한 보정 방식과 학습과정의 정확도에 의한 보정 방식을 추가로 적용한 사례가 도 12의 (c)에 나타낸 회귀방정식의 오차율에 의한 보정 방식을 단독으로 사용한 사례와 오차보정 효과에서 큰 차이를 보이지는 않는 것은 도 11에 나타낸 사례가 평균 6.7%의 학습오차를 보인 사례로서 속성 가중치의 최적화에 대한 신뢰도가 비교적 높기 때문으로 판단된다.

도 13은 본 발명의 일 실시예에 따른 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템을 설명하는 블록도이고, 도 14는 도 13의 입출력 모듈의 화면 구성을 설명하는 예시도이며, 도 15는 도 13의 저장 모듈의 환경부하량 산출 결과 목록 출력 상태를 설명하는 예시도이고, 도 16은 변수관리모듈, 학습 모듈, 입출력 모듈 간에 속성 정보의 속성 가중치를 최적화하기 위한 데이터 흐름을 설명하는 도면이다.

도 13 내지 도 16을 참고하면, 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템은 입출력 모듈(110), 사례기반추론(CBR) 모듈(120), 학습 모듈(130), 변수관리 모듈(140), 저장 모듈(150), 오차보정 모듈(160) 및 회귀계수관리 모듈(165)을 포함한다.

입출력 모듈(110)은 도로 건설 공사와 관련한 복수 개의 사례 프로젝트를 분석하여 사례 프로젝트별로 적어도 하나 이상의 속성 정보를 입력하고, 신규 사례에 대해 예측된 환경 부하량 추정치를 저장 모듈(150)로 출력한다.

학습 모듈(130)은 속성 정보별로 환경 부하량에 대한 속성 가중치를 유전자 알고리즘을 이용하여 최적화한다. 이러한 학습 모듈(130)은 복수 개의 사례 프로젝트 중에서 기설정된 개수(예를 들어, 5개)의 사례 프로젝트를 학습 사례로 설정하여 속성정보 최적화 학습 과정에 사용하고, 학습 사례의 예측된 환경부하량과 실제 환경 부하량의 오차량이 최소화되도록 유전자 알고리즘을 통하여 각 속성정보의 가중치를 최적화한다.

사례기반추론 모듈(120)은 복수 개의 사례 프로젝트에 대한 조회사례 데이터베이스(125)를 구축하고, 속성 정보를 입력 변수로 하는 사례기반추론 모델을 수립하며, 각 사례 프로젝트에 대해 각 공종별 투입 자원을 산출하고, 전과정 평가에 의하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하며, 속성 정보별 속성 가중치를 이용하여 조회사례 데이터베이스(125)에서 유사사례를 추출한 후 추출된 유사 사례를 이용하여 신규 사례에 대한 환경부하량 추정치를 산출하기 위한 환경부하량 추정 모델을 구성한다.

저장 모듈(150)은 환경부하량 추정 모델에 의해 산출된 환경부하량 추정치를 목록화하여 저장한다.

변수관리 모듈(140)은 조회사례 데이터베이스(125)의 추가 또는 입력 변수가 변경되는 경우에 해당 속성 정보별 속성 가중치의 최적화값을 변경하기 위한 학습 사례를 정의한다.

오차보정 모듈(160)은 속성 정보의 차이에 의한 오차를 다중회귀분석에 의해 회귀방정식을 수립하고, 회귀방정식을 이용하여 신규 사례와 조회 사례 데이터베이스(125)의 속성 정보의 차이로 인해 발생하는 환경부하량의 오차를 비표준화계수에 의한 보정 방식 또는 회귀방정식의 오차율에 의한 보정 방식을 수행하여 환경부하량의 보정량을 산출한다.

이러한 구성으로 인해, 사용자는 입출력 모듈(110)만을 이용하여 속성정보를 입력하고 동일한 화면에서 신뢰도 높은 환경부하량의 추정 결과를 바로 확인할 수 있다.

본 발명의 일 실시예에 따른 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템은 도로토공부의 기획단계에서 환경부하량을 추정할 수 있는 환경부하량 추정 모델과 속성정보의 차이에 의해 발생할 수 있는 오차를 보정하기 위한 오차보정 모듈(160)을 토대로 실무에서 간편하게 이용할 수 있다.

사례기반추론은 조회사례 데이터베이스(125)의 확보와 유사도 평가, 그리고 입력변수별 가중치의 최적화가 결과의 신뢰도에 큰 영향을 미치기 때문에 조회사례 데이터베이스(125)의 추가와 유전자 알고리즘에 의한 입력변수 가중치의 최적화가 비교적 용이하고 실무에서 사용빈도가 높아 많은 사람들에게 익숙한 사무용 스프레드쉬트(spread sheet) 프로그램인 마이크로소프트(Microsoft)사의 엑셀(EXCEL)을 이용할 수 있다. 엑셀의 연산 및 데이터베이스 관리 기능을 이용하여 환경부하량 추정 모델을 적용하고, 사용자의 편리함을 위해 매크로 및 VBA(Visual Basic for Application)를 활용하여 사용자 인터페이스(User Interface, UI)를 구성할 수 있다.

본 발명의 일 실시예에 따른 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템은 입출력 모듈(110)에서 입력된 속성정보가 CBR 모듈(120)로 전달되면, CBR 모듈(120)은 유사도 평가에 의해 유사사례를 추출하고 이 유사사례로부터 환경부하량 추정치를 산출한다.

오차보정 모듈(160)은 CBR 모듈(120)에서 산출된 환경부하량의 보정량을 계산하여 CBR 모듈(120)로 전송하고, CBR 모듈(120)에서 이미 산출된 환경부하량 추정치에 오차보정 모듈(160)에서 전송받은 환경부하량 보정량을 합산하여 최종 환경부하량을 산출한다.

CBR 모듈(120)은 최종 환경부하량 값을 입출력 모듈(110)로 전송하고, 입출력 모듈(110)은 최종 환경부하량 값을 저장 모듈(150)로 전송하며, 저장 모듈(150)은 최종 환경부하량의 결과를 목록화하여 화면에 표시한다.

조회사례 데이터베이스(125)나 학습사례가 변경되지 않는다면 사용자는 도 14의 (a) 및 (b)의 입출력 모듈(110)과 도 15의 저장 모듈(150)만을 간편하게 사용하면 된다.

조회사례 데이터베이스(125)의 추가는 CBR 모듈(120)을 통해서 가능하며, 유사 사례 추출에 큰 영향을 주는 속성정보 가중치의 최적화도 학습 모듈(130)을 통해 사용자가 익숙한 엑셀 작업 환경에서 가능하다.

사용자가 새롭게 입력한 속성정보와 그에 따라 추정된 환경부하량은 도 15에 도시된 바와 같이 목록 형태로 저장이 되며, 화면 출력을 통해 사례 프로젝트별로 비교해 볼 수 있을 뿐만 아니라 환경부하량의 추정 결과를 간편하게 새로운 조회사례 데이터베이스(125)로 추가할 수 있다.

조회사례 데이터베이스(125)가 추가되거나 입력변수가 변경되어 속성정보별 속성 가중치의 최적화 값을 변경해야 할 경우에는 도 16에 도시된 바와 같이 변수관리 모듈(140)이 학습사례를 정의한 후 학습 모듈(130)에서 엑셀의 추가기능 프로그램인 해찾기(solver)를 이용하여 최적화 과정을 수행하면 최적화된 속성 정보별 속성 가중치가 입출력 모듈(110)을 통해서 CBR 모듈(120)로 전달됨으로써 환경부하량 추정을 위한 유사도 평가에 사용된다.

한편, 환경부하량 추정 모듈에 의해 추정된 환경부하량의 오차를 보정하기 위한 오차보정 모듈(160)은 회귀방정식의 오차율에 의한 보정 방식과 학습과정의 정확도에 의한 오차 보정 방식을 조합함으로써 속성 정보의 차이에 의한 오차의 보정과 속성정보별 가중치를 최적화하는 학습 과정에서 발생하는 오차를 보정할 수 있어 최종 환경부하량의 값에 대한 신뢰도를 높일 수 있다.

본 발명에서는 엑셀(EXCEL) 기반의 시스템으로 구현한 환경부하량 추정 모델이 유효함을 검증하기 위하여 20개 프로젝트를 입력사례로 선정하여 표 12와 같이 설계자료의 분석에 의해 산출된 실제 환경부하량과 환경부하량 추정 모델에서 추정된 환경부하량을 비교하였다.

실제 환경부하량과 환경부하량 추정 모델을 비교 분석한 결과는 표 11에 나타낸 바와 같이 평균 오차가 목표로 설정한 25%를 초과하지 않았으며, 회귀방정식의 오차율과 학습과정의 정확도에 의한 오차 보정 방식을 조합하여 수행한 결과가 평균오차가 15.99%로 6.85% 포인트가 감소하는 효과를 보이고 있다. 표준편차 역시 오차 보정을 통해 3.89% 포인트가 감소한 12.47%를 나타내고 있어 환경부하량 추정 모델이 유효하게 환경 부하량 예측 시스템으로 반영되었음을 알 수 있다.

이와 같이, 본 발명은 도로 시설물의 기획단계에서 가용할 수 있는 정보목록으로 도출된 속성정보를 공사유형, 차로수, 총도로폭, 토공부연장, 도로등급, 설계속도, 행정구역, 지형, 도로면적, 포장재료, 포장두께, 도로높이의 12개로 산출하고, 속성 정보 중에서 포장재료를 제외한 11개의 속성정보를 독립변수로 설정하며, 환경부하량을 종속변수로 설정하여 다중회귀분석을 수행한다. 다중회귀분석을 수행한 결과, 결정계수(R²)가 0.68, 수정된 결정계수는 0.473, 유의확률은 0.001로 회귀방정식이 유의함을 알 수 있다.

사례기반추론에서 도로 기획단계의 속성 정보에 대한 영향 정도를 나타내는 속성 가중치를 구하기 위하여 학습 모듈(130)은 유전자알고리즘을 사용하여 속성 가중치를 최적화한 결과 20.91%의 평균오차와 14.56%의 표준편차를 나타낸다.

유사 사례에 대한 추출 순위를 5순위로 결정하여 사례기반추론 기법에 의해 도로시설물의 기획단계에서 환경부하량 추정 모델을 구성하고, 총 54개의 사례 프로젝트 중 신규 사례와 5개의 습 사례를 제외한 40개 사례 프로젝트를 이용하여 환경부하량 추정 모델을 검증한 결과는 평균 23.88%의 오차와 18.14%의 표준편차를 보여 목표 오차범위로 설정한 ±25%를 충족하는 결과는 보이고 있다. 그러나, 학습 과정보다 평균오차는 약 3% 포인트, 표준편차는 약 3.6% 포인트를 증가하는 것으로 조사되었다. 이는 조회사례 데이터베이스의 부족으로 인한 유사도의 감소에서 기인한 것으로 판단된다.

따라서, 조회사례 데이터베이스의 부족에서 기인한 사례의 유사도 감소에 대한 오차를 보정하기 위하여 3가지 오차보정 방식, 즉 비표준화계수에 의한 보정 방식, 회귀방정식의 오차율에 의한 보정 방식, 학습과정의 정확도에 의한 오차 보정 방식을 적용하고, 5차례 학습사례 변경에 따른 결과를 비교한 결과 회귀방정식의 오차율과 학습과정의 정확도에 의한 보정 방식을 조합하여 사용할 경우에 평균 오차가 약 8% 포인트 감소하고 표준편차는 약 5% 포인트가 감소됨을 알 수 있다.

본 발명은 전과정평가(LCA)에 의해 수많은 자료의 분석을 통해서 산출이 가능한 도로시설물의 환경부하량을 제한된 정보만 활용할 수 있는 기획단계에서 11개의 속성 정보만으로 추정할 수 있기 때문에 실무에서 환경평가와 관련한 빠르고 정확한 의사결정에 큰 도움이 될 것으로 기대된다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

110 : 입출력 모듈 120 : 사례기반추론 모듈
125 : 조회사례 데이터베이스 130 : 학습 모듈
140 : 변수관리 모듈 150 : 저장 모듈
160 : 오차보정 모듈 165 : 회귀계수관리 모듈

Claims (28)

1. 과거 유사사례를 근거로 하여 신규 사례에 대한 환경부하량을 예측하기 위한 환경부하량 예측 시스템에 의해 수행되는 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 방법에 있어서,
   도로 건설 공사와 관련한 복수 개의 사례 프로젝트를 수집하고, 상기 사례 프로젝트를 분석하여 사례 프로젝트별로 다수의 속성 정보를 포함하는 조회사례 데이터베이스를 구축하는 데이베이스 구축 단계;
   신규 사례가 되는 도로시설물의 기획 단계에서 상기 속성 정보를 입력 변수로 하여 상기 입력변수에 대한 사례기반추론 모델을 수립하고, 각 사례 프로젝트에 대해 각 공종별 투입자원을 산출하며, 전과정 평가(LCA)에 의하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하는 사례기반추론 수행 단계;
   복수 개의 사례 프로젝트 중에서 기설정된 개수의 사례 프로젝트를 학습 사례로 설정하여 속성정보 최적화 학습 과정에 사용하고, 상기 학습 사례의 예측된 환경부하량과 실제 환경 부하량의 오차량이 최소화되도록 상기 사례기반추론 모델의 속성 정보별로 환경 부하량에 대한 속성 가중치를 유전자 알고리즘을 이용하여 최적화하는 가중치 최적화 단계;
   상기 속성정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 산정하고, 상기 산정된 유사도 점수를 크기에 따라 순위를 부여한 후 기설정된 순위까지의 사례들을 유사 사례로 추출하는 유사사례 추출 단계;
   상기 추출된 유사 사례를 이용하여 환경부하량 추정 모델을 구성하고, 이를 통해 신규 사례에 대한 환경부하량 추정치를 산출하는 환경부하량 예측 단계; 및,
   상기 환경부하량 예측 단계에서 예측된 환경부하량 추정치에 대해 다중회귀분석에 의해 회귀방정식을 수립하여 신규 사례와 조회 사례 데이터베이스의 속성 정보의 차이로 인해 발생하는 오차에 대한 속성 오차 보정량을 산출하고, 속성 오차 보정량에 학습 과정에서 발생한 학습 오차를 통해 산출된 학습과정의 정확도(1-학습오차)를 적용하여 학습 오차 보정량이 추가 적용된 총 보정량을 산출하며, 상기 환경부하량 예측 단계에서 예측된 환경부하량 추정치에 총 보정량을 합산하여 최종 환경부하량을 산출하는 환경부하량 보정 단계를 포함하여 구성되되,
   상기 환경부하량 보정 단계에서 속성 오차 보정량 산출과정은 비표준화계수에 의한 보정 방식과, 오차율에 의한 보정 방식 중 하나의 방식을 통해 산출되며,
   상기 비표준화계수에 의한 보정 방식은 상기 상기 속성 정보를 독립 변수로 설정하고, 상기 사례 프로젝트별 환경 부하량을 종속 변수로 설정한 후 다중회귀분석을 수행하여 각 독립 변수별 비표준화계수를 산출하는 단계와, 상기 신규사례와 조회사례 데이터베이스의 속성 정보 값 차이인 독립 변수 차이 값을 구하고, 상기 독립변수 차이 값에 비표준화계수를 곱하여 종속변수의 변화량인 속성 오차 보정량을 산출하는 단계로 이루어지고,
   상기 오차율에 의한 보정 방식은, 상기 각 독립변수의 비표준화계수를 이용하여 계산한 환경부하량의 오차를 회귀방정식으로부터 산출한 종속변수로 나누어 오차율을 계산하는 단계와, 상기 조회사례 데이터베이스 중 기설정된 추출 순위내에 위치한 사례 프로젝트의 환경부하량에 상기 오차율을 곱하여 오차 보정량을 산출하는 단계로 이루어지는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
2. 제1항에 있어서,
   상기 사례 프로젝트는 실시설계 자료, 설계내역 자료, 수량 산출자료를 포함하고, 상기 속성 정보는 공사 유형, 차로수, 총도로폭, 토공부연장, 도로등급, 설계속도, 행정구역, 지형, 도로면적, 포장 재료, 포장두께, 도로 높이 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
3. 제1항에 있어서,
   상기 사례기반추론 수행 단계는,
   상기 전과정 평가에서 LCI DB(Life Cycle Inventory Database)를 사용하고, 상기 산출된 각 공종별 투입자원에 대해 상기 LCI DB를 적용하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
4. 제1항에 있어서,
   상기 유사사례 추출 단계는,
   상기 속성 정보를 정량 변수와 정성 변수로 구분하는 단계; 및
   상기 정량 변수는 신규 사례와 조회사례 데이터베이스의 속성 정보별 유사 척도를 상황에 따른 값으로 표현하는 속성 유사도를 신규사례와 조회사례 데이터베이스간 유사율에 따라 부여하는 단계;
   상기 정량 변수는 신규사례 속성값과 조회사례 데이터베이스의 속성값을 이용하여 속성 유사도를 유사율로 산출하는 단계; 및
   상기 정성 변수는 신규사례와 조회사례 데이터베이스의 사례가 일치하는 경우에 속성 유사도에 기설정된 최고점수를 부여하고, 상기 신규 사례와 조회사례 데이터베이스의 사례가 상이한 경우에 속성 유사도에 기설정된 최저 점수를 부여하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
5. 제4항에 있어서,
   상기 정량 변수는 신규사례 속성값과 조회사례 데이터베이스의 속성값을 이용하여 속성 유사도를 유사율로 산출하는 단계는, 수학식 1을 이용하여 유사율을 산출하고,
   [수학식 1]
   

   

   
   상기 수학식 1에서, ASI는 속성 유사도(Attribute Similarity Index), V_N은 신규사례 속성값(Attribute Value of New-Case), V_R은 조회사례 데이터베이스의 속성값(Attribute Value of Retrieved-Case)을 나타내는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
6. 삭제
7. 제5항에 있어서,
   상기 유사사례 추출 단계는,
   상기 속성정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 수학식 2를 이용하여 산정하고,
   [수학식 2]
   

   

   
   상기 수학식 2에서 CSI는 사례별 유사도 점수(Case Similarity Index), n은 각 사례의 속성 정보의 개수, ASI_i는 i번째 속성 유사도, w_i는 i번째 속성 가중치를 나타내는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
8. 제1항에 있어서,
   상기 환경부하량 예측 단계는,
   상기 환경부하량 예측 모델은 수학식 3을 이용하여 상기 신규 사례의 환경 부하량을 결정하고,
   [수학식 3]
   

   

   
   수학식 3에서, E_N은 신규사례의 환경부하량 추정치, n은 추출 순위, E_i는 i순위 사례의 실제 환경부하량, CSI_i는 i순위 사례의 유사도 점수,

   

   는 n추출 순위까지 유사도 점수의 총합을 나타내는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
9. 제1항에 있어서,
   상기 조회사례 데이터베이스에서 신규 사례와 학습 사례를 제외한 나머지 사례들을 이용하여 사례기반추론을 수행하고, 상기 환경부하량 추정 모델에 의한 환경부하량 추정치와 전과정평가에 의해 산출한 실제 환경부하량을 비교하여 검증하는 모델 검증 단계를 더 포함하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
   
10. 삭제
11. 삭제
12. 제1항에 있어서,
    상기 비표준화계수에 의한 보정 방식에서 속성 오차 보정량을 산출하는 단계는,
    상기 종속변수의 변화량은 수학식 4를 이용하여 계산하고,
    [수학식 4]
    

    

    
    상기 수학식 4에서 E는 종속변수, k는 상수, x₁, x₂, x₃는 독립변수, a, b, c는 비표준화계수를 나타내는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
    
13. 제1항에 있어서,
    상기 비표준화계수에 의한 보정 방식은,
    상기 속성 정보를 정량 변수와 정성 변수로 구분하고, 상기 독립 변수가 정성 변수인 경우에 상기 신규 사례와 조회 사례 데이터베이스가 일치할 경우에 속성 정보의 오차값을 0으로 하고, 상기 신규 사례와 조회 사례 데이터베이스가 상이할 경우에 속성 정보의 오차 값을 1로 하여 정성 변수의 차이에 의한 오차를 비표준화계수를 통하여 보정하는 단계를 더 포함하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 방법.
    
14. 삭제
15. 삭제
16. 삭제
17. 도로 건설 공사와 관련한 복수 개의 사례 프로젝트를 분석하여 사례 프로젝트별로 다수의 속성 정보를 입력하고, 신규 사례에 대해 예측된 환경 부하량 추정치를 출력하는 입출력 모듈;
    복수 개의 사례 프로젝트 중에서 기 설정된 개수의 사례 프로젝트를 학습 사례로 설정하여 속성 정보 최적화 학습 과정에 사용하고, 상기 학습 사례의 예측된 환경부하량과 실제 환경 부하량의 오차량이 최소화되도록 유전자 알고리즘을 이용하여 각 속성 정보별로 환경 부하량에 대한 속성 가중치를 최적화하는 학습 모듈;
    상기 복수 개의 사례 프로젝트에 대한 조회사례 데이터베이스를 구축하고, 상기 속성 정보를 입력 변수로 하는 사례기반추론 모델을 수립하며, 각 사례 프로젝트에 대해 각 공종별 투입 자원을 산출하고, 전과정 평가에 의하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하며, 상기 속성 정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에서 유사사례를 추출한 후 상기 추출된 유사 사례를 이용하여 신규 사례에 대한 환경부하량 추정치를 산출함과 더불어, 이 환경부하량 추정치에 총 보정량을 합산하여 최종 환경부하량을 산출하는 환경부하량 추정 모델을 구성하는 사례기반추론 모듈;
    상기 유사 사례를 이용하여 산출된 환경부하량 추정치에 대해 다중회귀분석에 의해 회귀방정식을 수립하여 신규 사례와 조회 사례 데이터베이스의 속성 정보의 차이로 인해 발생하는 오차에 대한 속성 오차 보정량을 산출하고, 속성 오차 보정량에 학습 과정에서 발생한 학습 오차를 통해 산출된 학습과정의 정확도(1-학습오차)를 적용하여 학습 오차 보정량이 추가 적용된 총 보정량을 산출하는 오차 보정 모듈; 및
    상기 환경부하량 추정 모델에 의해 산출된 환경부하량 추정치를 목록화하여 저장하는 저장 모듈을 포함하여 구성되고,
    상기 오차 보정 모듈은 비표준화계수에 의한 보정 방식과, 오차율에 의한 보정 방식 중 하나의 방식을 통해 속성 오차 보정량을 산출하되,
    상기 비표준화계수에 의한 보정 방식은 상기 상기 속성 정보를 독립 변수로 설정하고, 상기 사례 프로젝트별 환경 부하량을 종속 변수로 설정한 후 다중회귀분석을 수행하여 각 독립 변수별 비표준화계수를 산출함과 더불어, 상기 신규사례와 조회사례 데이터베이스의 속성 정보 값 차이인 독립 변수 차이 값을 구하고, 상기 독립변수 차이 값에 비표준화계수를 곱하여 종속변수의 변화량인 속성 오차 보정량을 산출하도록 구성되고,
    상기 오차율에 의한 보정 방식은 상기 각 독립변수의 비표준화계수를 이용하여 계산한 환경부하량의 오차를 회귀방정식으로부터 산출한 종속변수로 나누어 오차율을 계산하고, 상기 조회사례 데이터베이스 중 기설정된 추출 순위내에 위치한 사례 프로젝트의 환경부하량에 상기 오차율을 곱하여 속성 오차 보정량을 산출하도록 구성되는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템.
    
18. 제17항에 있어서,
    상기 사례 프로젝트는 실시설계 자료, 설계내역 자료, 수량 산출자료를 포함하고, 상기 속성 정보는 공사 유형, 차로수, 총도로폭, 토공부연장, 도로등급, 설계속도, 행정구역, 지형, 도로면적, 포장 재료, 포장두께, 도로 높이 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템.
    
19. 제17항에 있어서,
    상기 조회사례 데이터베이스는, 상기 전과정 평가에서 LCI DB(Life Cycle Inventory Database)를 사용하고, 상기 산출된 각 공종별 투입자원에 대해 상기 LCI DB를 적용하여 공종별 환경 부하량 또는 사례 프로젝트별 환경 부하량을 산출하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경 부하량 예측 시스템.
    
20. 제17항에 있어서,
    상기 사례기반추론 모듈은 상기 속성 정보별 속성 가중치를 이용하여 상기 조회사례 데이터베이스에 저장된 사례별 유사도 점수를 산정하고, 상기 산정된 유사도 점수를 크기에 따라 순위를 부여한 후 기설정된 순위까지의 사례들을 유사 사례로 추출하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템.
    
21. 삭제
22. 제17항에 있어서,
    상기 조회사례 데이터베이스의 추가 또는 상기 입력 변수가 변경되는 경우에 해당 속성 정보별 속성 가중치의 최적화값을 변경하기 위한 학습 사례를 정의하는 변수 관리 모듈을 더 포함하는 것을 특징으로 하는 사례기반추론 기법에 의한 도로토공부의 환경부하량 예측 시스템.
    
    
23. 삭제
24. 삭제
25. 삭제
26. 삭제
27. 삭제
28. 삭제

Images