KR101937940B1 - 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법 - Google Patents

빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법 Download PDF

Info

Publication number
KR101937940B1
KR101937940B1 KR1020170067821A KR20170067821A KR101937940B1 KR 101937940 B1 KR101937940 B1 KR 101937940B1 KR 1020170067821 A KR1020170067821 A KR 1020170067821A KR 20170067821 A KR20170067821 A KR 20170067821A KR 101937940 B1 KR101937940 B1 KR 101937940B1
Authority
KR
South Korea
Prior art keywords
spatial
crime
cctv
data
location
Prior art date
Application number
KR1020170067821A
Other languages
English (en)
Other versions
KR20180131165A (ko
Inventor
김주환
Original Assignee
(주)아이티폴리스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)아이티폴리스 filed Critical (주)아이티폴리스
Priority to KR1020170067821A priority Critical patent/KR101937940B1/ko
Publication of KR20180131165A publication Critical patent/KR20180131165A/ko
Application granted granted Critical
Publication of KR101937940B1 publication Critical patent/KR101937940B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Alarm Systems (AREA)

Abstract

본 발명은 신규로 CCTV 설치시 해당 지역의 범죄요인에 따른 공간통계분석과 공간종속분석을 통해 범죄 위험지역을 예측하여 최적의 위치를 찾아주는 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 방법 및 시스템에 관한 것이다. 본 발명의 시스템은, 해당 지역에 대한 공간데이터와 속성데이터로 구축된 공간 데이터베이스와, 네트워크를 통해 범죄와 관련된 변수들에 대한 빅 데이터를 수집하는 빅 데이터 수집모듈과, 상기 수집된 빅 데이터들을 지리부호화하여 상기 공간 데이터베이스에 속성으로 부가하는 지오코딩모듈과, 공간 데이터베이스에서 변수들에 대한 기본 통계 자료를 추출하여 공간대별 범죄발생현황과 시간대별 범죄발생현황, 공간시간대별 범죄발생현황을 생성하는 기본 통계자료 추출모듈; 구축된 공간 데이터베이스에서 지점 데이터를 기반으로 범죄간의 군집성을 분석하는 군집분석모듈과, 군집성에 따라 범죄별 위험지점을 탐색하고 중첩분석을 통해 위험지점을 선정하는 위험지점 선정모듈과, 구축된 공간 데이터베이스에서 면적 데이터를 기반으로 변수들에 대한 상관분석을 통해 위험공간을 선정하는 위험공간 선정모듈과, 위험지점과 위험공간에 대한 중첩분석을 통해 CCTV 설치위치를 선정하는 설치위치 선정모듈을 포함하는 것이다.

Description

빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 방법{METHOD OF DECIDING CPTED CCTV POSITION BY BIG DATA}
본 발명은 새로운 CCTV를 설치할 위치를 선정하기 위한 기술에 관한 것으로, 더욱 상세하게는 신규로 CCTV 설치시 해당 지역의 범죄요인에 따른 공간통계분석과 공간종속분석을 통해 범죄 위험지역을 예측하여 최적의 위치를 찾아주는 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 방법에 관한 것이다.
산업 발전에 따른 도시화의 역기능으로 도시 내 범죄가 증가하면서 시민들의 불안감이 고조되고 있다. 특히, 아동·어린이 및 여성을 대상으로 하는 범죄가 증가하고 있는데, 이러한 범죄들의 피해 위치를 살펴보면, 주로 방범초소와 방범용 폐쇄회로 텔레비전(CCTV: Closed Circuit Television, 이하 CCTV)이 설치되지 않은 사각지대로 밝혀지고 있다. 이에 따라 지역 주민들은 도시 안전에 대한 요구로 CPTED의 시설중의 하나인 방범용 CCTV 설치 민원이 꾸준히 제기되고 있으며, 이에 부응하여 각 지방자치단체는 도시 범죄를 예방하고 안전도시(safe city)를 조성하기 위한 방안으로써 도시 전체에 안전의 개념이 도입된 CPTED 기반의 도시 설계와 도시계획을 추진하고 있다. 여기서, CPTED란 Crime Prevention Through Environmental Design의 약자로 '환경설계를 통한 범죄예방'이란 뜻이며, 방범용 CCTV는 CPTED의 원리 중 자연적 감시/관찰 및 접근통제가 어려운 사각지대에 기계적ㆍ보조적 감시관찰 수단으로 아주 중요하게 사용된다.
따라서 각 지방자치단체에서는 주민안전과 생활편의를 위한 CCTV 설치를 지속적으로 강화하고 있으나 CCTV 설치시 제한된 예산 대비 설치의 효과나 각 CCTV의 사각 지점(Blind Spot)에 대한 충분한 분석 없이 주먹구구식으로 설치하여 불필요하게 중복되거나 꼭 필요한 곳에 설치되지 않아 범죄 예방에 비효율적인 문제점이 있다.
이러한 문제점을 해소하기 위하여 대한민국 특허청 등록특허공보에 등록번호 10-0670816호로 영상취득 카메라로 영상을 취득하기를 원하는 관심지리영역과 영상취득 카메라를 설치할 모의설치위치를 설정하고 3차원 공간정보분석을 통하여 최적의 영상취득카메라 설치위치를 결정하고 그 영향권을 분석하여 영상취득 카메라의 효용성을 극대화할 수 있는 3차원 공간정보를 이용한 영상취득 카메라의 설치위치 결정방법이 공고된 바 있다. 또한 등록번호 10-1396160호로 설치지역의 교통환경, 기설치 위치조건, 방범 등을 고려하여 신규로 CCTV 설치시 최적의 위치를 자동으로 찾아주는 매시업(MASH-UP) 기능을 활용한 CCTV 블라인드 스폿(Blind Spot) 분석 및 설치 위치 결정 시스템이 공고된 바 있다.
KR 10-0670816 B1 KR 10-1396160 B1
종래의 CCTV 설치 위치 결정 방법은 설치하고자 하는 후보위치의 주소를 극좌표로 구하고, 기 구축되어 있는 지점의 극좌표를 포인트 SHP 파일로 변환하여 맵상에 표출하며, 커널 밀도 분석 툴을 통하여 생성된 래스터 파일을 지도상에 표출하되, 기 구축되어 운영중인 CCTV의 위치지점을 스폿(SPOT) 자료로 입력하고, 6M 이상 도로의 노드링크자료를 데이터로 변환 입력한 후에 각 CCTV에 따라 소정 반경의 감시거리를 노드링크의 자료와 접합하여 CCTV 감시조망권을 설정하는 방식이므로 절차가 복잡하고, 실제 범죄 예방에는 미흡한 문제점이 있다.
본 발명은 상기와 같은 문제점을 해소하기 위해 제안된 것으로, 본 발명의 목적은 신규로 CCTV 설치시 해당 지역의 범죄요인에 따른 공간통계분석과 공간종속분석을 통해 범죄 위험지역을 예측하여 최적의 위치를 찾아주는 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 방법을 제공하는 것이다.
상기와 같은 목적을 달성하기 위하여 본 발명의 방법은, 해당 지역에 대한 공간데이터와 속성데이터로 공간 데이터베이스를 구축하는 제1단계; 네트워크를 통해 범죄와 관련된 변수들에 대한 빅 데이터를 수집하는 제2단계; 상기 수집된 빅 데이터들을 범죄와 관련된 지역별 도시공간변수, 사회 경제적 변수, 범죄방어기재 시설물 현황, 범죄현황, 112 신고현황으로 분류한 후 지리부호화하여 상기 공간 데이터베이스에 해당 속성으로 부가하는 제3단계; 범죄와 관련된 속성이 부가된 공간 데이터베이스에서 지점 데이터를 기반으로 범죄 간의 군집성을 분석하는 제4단계; 군집성에 따라 범죄별 위험지점을 탐색하고 중첩분석을 통해 위험지점을 선정하는 제5단계; 상기 범죄와 관련된 속성이 부가된 공간 데이터베이스에서 면적 데이터를 기반으로 변수들에 대한 상관분석을 통해 위험공간을 선정하는 제6단계; 및 상기 위험지점과 상기 위험공간에 대한 중첩분석을 통해 CCTV 설치위치를 선정하는 제7단계를 포함하고, 상기 제3단계의 도시공간변수는 교육시설과 풍속업체위치로 구하고, 사회경제적 변수는 각 동별 인구현황, 사회적 약자현황, 인구세대, 외국인 거주현황, 다문화가정거주 번지, 생활보호대상자거주 번지로 구하며, 범죄방어기재 시설물현황으로는 해당 지역의 관내 경찰서와 파출소, 지구대의 위치, 가로등 및 보안등의 설치위치, 기구축된 방범 CCTV 위치로 구하고,
상기 범죄 간의 군집성을 분석하는 제4단계는, 특정한 점 개체가 발생한 점을 중심으로 반경(d)을 가진 동심원을 구축하는 제4-1단계; 상기 동심원 안에서 관찰된 다른 점 개체수를 측정하여 모든 점 개체의 평균개수를 산출하는 제4-2단계; 산출된 평균개수를 전체 대상지역의 평균밀도로 나누어서 공간상 점들 사이의 의존성을 나타내는 K함수를 산출하되,
상기 K함수는 수학식1
Figure 112018028835447-pat00012
로 산출하는 제4-3 단계를 포함하고, 단, 수학식1에서 λ는 단위 지역당 사건들의 수 또는 강도이고, R은 대상지역의 면적이며, dij는 대상지역에서 관찰된 사건 i와 j 사이의 거리이고, lh(dij)는 dij가 기준거리 h보다 작으면 1이고, 그렇지 않으면 0를 나타내는 함수임,
상기 위험공간을 선정하는 제6단계는, 국지적인 공간적 상관분석(Local Indicator of Spatial Association, LISA)을 이용하되, 국지적인 공간적 상관분석(LISA)의 통계량 추정에 수학식2
Figure 112018028835447-pat00013
단, 수학식2에서 zi와 zj는 평균과의 편차이고, wij는 행 표준화된 가중치 행렬임, 로 정의되는 국지적 모란(local Moran)을 이용하여 산출하는 것을 특징으로 한다.
삭제
본 발명에 따르면, 신규로 CCTV 설치시 해당 지역의 범죄요인에 따른 공간통계분석과 공간종속분석을 통해 범죄 위험지역을 예측하여 CCTV 설치 위치를 찾아주므로 범죄 예방에 매우 효과적이고, 특히 기 설치된 CCTV도 범죄 위험지역이 아닐 경우 재배치를 통해 도시의 전반적인 범죄 예방 효율을 향상시킬 수 있는 효과가 있다. 즉, 본 발명에 따르면 공간상에 발생하는 범죄에 대해서 분포를 살피고, 빈번하게 발생하는 위험지점(Hotspot)을 찾고, 그 장소에 CPTED 모니터링 장비인 CCTV를 설치하여 범죄를 예방할 수 있다.
도 1은 본 발명에 따른 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 시스템을 도시한 개략도,
도 2는 본 발명에 따라 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 절차를 도시한 순서도,
도 3은 본 발명의 실시예에 따른 범죄별 Ripley K 함수 그래프의 예,
도 4는 본 발명의 실시예에서 5대 범죄 모드분석에 의한 위험지역의 예,
도 5는 본 발명의 실시예에서 LISA분석을 통해 나타난 5대 범죄율 변수에 따른 위험공간의 예,
도 6은 본 발명의 실시예에 따른 위험도 예방자료를 활용한 위험공간 선정 예,
도 7은 본 발명의 실시예에서 이력자료에 의한 신규 설치위치와 예방자료에 의한 신규 설치위치 및 기존의 CCTV 설치위치를 도시한 예이다.
본 발명과 본 발명의 실시에 의해 달성되는 기술적 과제는 다음에서 설명하는 본 발명의 바람직한 실시예들에 의하여 보다 명확해질 것이다. 다음의 실시예들은 단지 본 발명을 설명하기 위하여 예시된 것에 불과하며, 본 발명의 범위를 제한하기 위한 것은 아니다.
도 1은 본 발명에 따른 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 시스템을 도시한 개략도이다.
본 발명에 따른 CCTV 위치 선정 시스템(100)은 도 1에 도시된 바와 같이, 전국의 지역에 대한 지리정보시스템(GIS)을 갖고 있는 지리정보 데이터베이스(10), 각종 범죄발생정보와 성범죄자 관련 정보를 저장하고 경찰청 범죄 데이터베이스(20), 각 행정구역의 기설치된 CCTV정보와 행정구역의 주민들에 대한 정보 등이 저장되어 있는 행정 데이터베이스(30), 통계청 인구정보 데이터 베이스(40)와 네트워크(102)를 통해 각각 연결되어 분산되어 있는 대량의 데이터들을 가져와 CCTV를 위한 최적의 위치를 자동으로 산출한다.
먼저, 범죄예방을 목적으로 하는 CPTED CCTV는 범죄가 발생할 위험지역에 설치하는 것이 중요하다. 그런데 범죄는 근본적으로 복잡한 사회구조와 관련하여 공간적으로 제한된 자원을 얻으려는 개개인의 능력의 차이와 빈곤한 환경에 처하게 되는 불이익으로 인한 공간적인 상호작용을 반영한다는 점에서 범죄발생은 본질적으로 지리적인 속성을 내포하기 때문에 본 발명에서는 범죄분석에 공간적 패턴 분석을 적용한 것이다. 즉, 범죄현상을 정확하게 이해하기 위해선 범죄 자체가 가진 특성 뿐 아니라 범죄가 발생하고 범죄자가 생활하고 있는 범죄의 대상이 존재하고 있는 공간적 특성에 대한 이해가 있어야 한다.
본 발명에서는 좌표, 거리, 밀도 등 전체적인 분석결과를 도출하기 위해 모든 자료를 GIS로 구성하고, 이를 위해 우선 해당 지역의 행정동 경계와 도로, 토지이용현황에 대한 자료를 지리부호화(geo-coding)하여 분석의 공간구조의 프레임 구조(Frame structure)를 잡고, 해당 지역의 행정동 단위로 구성된 사회경제적 변수를 추출한다.
그리고 분석할 사회경제변수로는 각 동별 인구현황, 사회적 약자현황(사회적 약자라 함은 각 동별 만 12세 이하 인구와 60세 이상 인구, 여자인구를 포함함), 인구세대, 외국인 거주현황 등이고, 다문화가정거주 번지, 생활보호대상자거주 번지 등의 점(點)자료를 각각 별도의 속성 자료로 구축한다. 또한 도시공간변수로는 교육시설(유치원, 초, 중, 고등학교, 대학교, 아동센터, 청소년 공부방을 포함)과 풍속업체위치(여관, 유흥주점, 숙박업소, 노래방, 단란주점 등)를 각각 별도의 속성 자료로 구성한다. 범죄방어 기제 시설물로는 해당 지역의 관내 경찰서와 파출소, 지구대의 위치를 통합하여 한 파일로 관리하고, 가로등 및 보안등의 설치위치, 또한 기존 구축한 방범 CCTV위치를 DB화하여 반경 80m 기준으로 별도 구축한다. 범죄발생지표를 구체적으로 표현하면 해당 지역 경찰서에 발생한 다수의 5대 범죄와 해당 지역의 112신고로 접수된 범죄신고의 번지와 지점들을 DB화하여 공간적으로 점(點) 사상으로 표현하여, 이를 범죄유형(폭행, 절도, 성범죄, 강도 등)자료와 년도 별로 분류한다. 역시 112로 신고한 내용들도 각각 분류하여 분석한다.
도 1을 참조하면, 본 발명에 따른 CCTV 위치 선정 시스템(100)은 공간데이터베이스(104), 빅 데이터 수집모듈(110), 지오 코딩 모듈(120), 기본통계자료 추출모듈(130), 군집분석모듈(140), 위험지점 선정모듈(150), 상관분석모듈(160), 위험공간 선정모듈(170), 설치위치 선정모듈(180)로 구성되어 신규로 CCTV 설치시 해당 지역의 범죄요인에 따른 공간통계분석과 공간종속분석을 통해 범죄 위험지역(Hot spot)을 예측하여 최적의 위치를 선정할 수 있게 한다.
공간 데이터베이스(104)는 해당 지역에 대한 공간데이터와 속성데이터가 구축되어 있고, 빅 데이터 수집모듈(110)은 네트워크(102)를 통해 범죄와 관련된 변수들에 대한 빅 데이터를 수집하며, 지오코딩모듈(120)은 수집된 빅 데이터들을 지리부호화하여 공간 데이터베이스(104)에 속성으로 부가한다.
기본 통계자료 추출모듈(130)은 공간 데이터베이스(104)에서 변수들에 대한 기본 통계 자료를 추출하여 공간대별 범죄발생현황과 시간대별 범죄발생현황, 공간시간대별 범죄발생현황을 생성하고, 군집분석모듈(140)은 구축된 공간 데이터베이스에서 지점 데이터를 기반으로 범죄 간의 군집성을 분석한다. 군집성 분석 방법은 특정한 점 개체가 발생한 점을 중심으로 반경(d)를 가진 동심원을 구축하고, 그 원안에서 관찰된 다른 점 개체수를 측정하여 모든 점 개체의 평균개수를 산출한 후, 산출된 평균개수를 전체 대상지역의 평균밀도로 나누어서 공간상 점들 사이의 의존성을 나타내는 K함수 K(L)를 다음 수학식 1과 같이 산출한다.
Figure 112017052148013-pat00001
수학식1에서 λ는 단위 지역당 사건들의 수 또는 강도이고, R은 대상지역의 면적이다. dij는 대상지역에서 관찰된 사건 i와 j 사이의 거리이다. 또한 lh(dij)는 dij가 기준거리 h보다 작으면 1이고, 그렇지 않으면 0를 나타내는 함수이다. 대상지역 경계부근에 위치한 점들은 K차수 원안에 포함될 때 오차를 수반하게 된다. wij는 이 같은 가장자리 효과를 고려하기 위한 것으로 i점을 중심으로 하고, j점을 통과하는 원주의 비율이라 한다. 공간상의 군집을 간단히 탐색하기 위해 공간적 상관성이 없는 단일한 가정 하에서 K(L)를 πh2이라 정의한다.
위험지점 선정모듈(150)은 군집성에 따라 범죄별 위험지점을 탐색하고 중첩분석을 통해 위험지점을 선정하며, 상관분석모듈(160)은 구축된 공간 데이터베이스(104)에서 면적 데이터를 기반으로 변수들에 대한 자기상관분석과 회귀분석을 통해 상관성을 분석하고, 위험공간 선정모듈(170)은 변수들에 대한 상관분석 결과에 따라 위험공간을 선정한다. 설치위치 선정모듈(180)은 위험지점과 위험공간에 대한 중첩분석을 통해 CCTV 설치위치를 선정한다.
도 2는 본 발명에 따라 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 절차를 도시한 순서도이다.
본 발명에 따른 CCTV 위치 선정 방법은 도 2에 도시된 바와 같이, CCTV 설치 지역의 공간 데이터베이스(104)를 구축하는 단계(S101)와, 범죄 관련 빅 데이터를 수집하는 단계(S102)와, 수집된 범죄관련 데이터와 지오 데이터를 코딩하는 단계(S103)와, 기본 통계자료를 추출하는 단계(S104)와, 군집분석단계(S105), 위험지점 분석 단계(S106), 범죄별 위험지점 선정 단계(S107), 중첩분석에 의한 위험지점 선정 단계(S108), 변수 선정 단계(S109), 공간적 자기 상관 분석단계(S110), 공간회귀분석을 통한 속성 파악단계(S111), 공간속성 자료를 활용한 위험공간 선정단계(S112), 중첩분석을 통해 CCTV 설치 위치를 선정하는 단계(S113)와, 선정된 지역을 분석 및 가시화하는 단계(S114)로 구성된다.
도 2를 참조하면, 본 발명에 적용하는 공간분석 방법론은 공간 데이터베이스(104)에 들어 있는 공간데이터와 속성데이터를 이용하여 현실세계에서 발생하는 각종 문제를 해결하는 데 도움을 주는 정보를 생성하는 것이다. 공간 데이터베이스 구축단계(S101)에서 공간데이터(Spatial data)는 지도화할 수 있는 지리적 공간을 점유하고 있으며, 경/위도나 주소와 지리적 좌표 체계에 의해 특정된다. 또한 공간 데이터는 점, 선, 면의 형태로 나타낼 수 있으며, 비공간적인 특성은 속성 데이터에 의해 나타낼 수 있다. GIS 환경에서 저장된 공간자료 간에는 세 가지의 주요 관계를 포함하고 있는데, 첫째는 공간자료의 연결성(Connectivity)으로 연결되어 있는 대상물간의 관계를 의미하고, 둘째는 인접성(Contiguity)으로 연결성의 단면으로 연결되어 있는 정도를 의미하며, 셋째는 근접성(Adjacency)으로 대상들 간의 거리를 측정하여 근접관계를 알 수 있다. 이 세 가지 특성을 통해 다양한 공간분석기법들을 활용할 수 있다. 또한 공간데이터는 시간요소가 중요한데, 데이터의 질적 수준이나 공간데이터의 동태성, 변화경향을 표현하는데 중요한 요소가 된다.
공간 데이터베이스 구축 단계(S101)에서 지리적 공간 데이터베이스(104)를 구축한 후 범죄 관련 데이터를 빅 데이터 방식으로 수집한 후 지리부호화 단계에서 지오코딩하여 공간 데이터베이스(104)에 속성으로 부가한다(S102,S103). 즉, 하둡과 같은 빅 데이터 플랫폼을 이용하여 범죄가 발생하는 요인들에 대한 다양한 자료 즉, 지역별 도시변수(교육시설위치, 풍속업체지점(술집, 단란주점, 여관)와, 사회경제변수(인구, 사업체 종사자, 차량 보유댓수, 외국인 거주 지점, 다문화 가정, 생활보호대상자, 부동산지가, 세금추징현황, 기지국 접속자 수)와, 범죄방어 기재 시설물(경찰서, 지구대, 가로방범CCTV, 가로등 및 보안등 위치) 등을 수집하여 지오 코딩 후 지점 및 면적 위주로 공간 데이터베이스(104)에 속성으로 부가한다.
이어 기본통계자료 추출 단계(S104)에서는 구축된 공간 데이터베이스(104)에서 해당 지역의 동 단위로 사회경제적 변수, 도시공간변수, 범죄 방어 기제 시설물 공간 현황, 범죄현황, 112신고 현황 등 기본 통계자료를 추출한다.
한편, 본 발명의 실시예에서는 범죄사건을 공간자료로 활용하여 공간상에서 점(點) 사상(point) 중 일정거리와 빈도가 높게 발생하는 지점을 '위험지점', 면(面) 사상(polygon) 중 분석조건에 부합하는 지역을 '위험공간'으로 정의한다. 그 중 점 사상(point) 분석은 지역경계에 영향을 받지 않고 위험지점을 분류할 수 있다는 점과 빈도수와 버퍼기능을 활용하여 기본적인 통계자료로 활용할 수 있다는 장점이 있지만, 사건에 대한 원인분석과 변수들을 추출하기에는 한계가 있다. 면 사상(polygon)은 동 단위의 다양한 변수들을 추출하고 변인들에 대한 통계분석이 원활하다는 장점이 있다.
본 발명에 따른 공간 분석 과정은 크게 지점 자료중심의 공간 통계 분석 과정과, 면적자료를 중심으로 하는 공간 종속성 분석 과정으로 구분되어 진행될 수 있다.
공간 통계 분석 과정은, 군집 분석 단계(S105), 위험지점 분석 단계(S106), 범죄별 위험지점 선정 단계(S107), 중첩분석에 의한 위험지역 선정단계(S108)로 구성된다. 즉, 과거에 발생한 범죄자료를 중심으로 군집분석을 통해 각 사건, 사상들이 과연 군집되어 있는지를 점검한다. 그 과정을 통해 각 범죄의 군집성 여부와 사고 지점간의 분포를 통해 군집간 거리분포를 파악한다. 이러한 과정을 통해 군집으로 판명이 된 범죄별로 위험지점(Hotspot)분석이 이루어진다. 범죄별 위험지점의 선정은 범죄의 내용과 상황 등이 서로 상이하기 때문에 각 검색조건을 상이하게 하여 접근해야 한다. 분석방법은 Point location(Mode, Buffer분석), 계층적 기법(Hierarchical Technique: Nearest Neighbor Hierarchical Clustering(Nnh)와 Risk-adjusted Nearest Neighbor Hierarchical Clustering(Rnnh)기법)과 분할기법 (Partitioning technique: K-Means clustering), 밀도기법(Density technique : 커넬(Kernel)을 이용한 확률밀도함수(Probability Density Function), 변수기반기법(Risk-based technique: Risk-adjusted Nearest Neighbor Hierarchical Clustering(Rnnh)기법)을 활용하여 범죄별 위험지점(Hotspot)을 선정한다. 그리고 중첩분석에 의해 위험지점을 선정한다.
다른 한편, 공간 종속 분석 과정은 변수 선정 단계(S109), 공간적 자기상관 분석단계(S110), 공간회귀 분석을 통한 속성 파악단계(S111), 공간 속성 자료를 활용한 위험공간 선정단계(S112)로 구성된다.
공간종속 분석 과정의 변수 선정 단계(S109)에서는 공간 종속 분석할 변수를 선정하고, 면적자료를 활용하여 인근 지역간의 영향을 고려한 공간적 자기상관성 분석을 실시할 수 있도록 인접성과 상관성을 추출할 수 있는 여러 기법을 통해 공간행렬을 추출한다(S110). 이를 통해 각 범죄가 근린성과 인접성을 통해 서로간 영향을 주는 관계인지를 점검하는 Moran's I 기법을 통해 이웃 지역간 근린성 여부를 재점검한다. 여기서는 서로 강한 영향을 주고 받는 관계속에서 위험공간을 죤별군집(Zonal clustering technique: Anselin's Local Moran과 Getis-Ord Local "G"기법)방법을 활용하여 선정할 수 있다.
즉, 위험공간(Hotspot)으로 지정되는 변인을 찾고자 모형에 타당한 각 종속변수와 설명변수를 선정을 통해 고전적인 회귀모형을 적용한다(S111). 이때 적용하고자 하는 회귀모형은 최소자승법(Ordinary Least Square), 공간시차모델(Spatial Lag Model), 공간오차모델(Spatial Error Model)이다. 이 모형을 통해 위험공간(Hotspot)을 선정한다(S112).
이후 중첩분석을 통한 CCTV 설치 위치 선정 단계(S113)에서는 선정된 위험지점과 위험공간은 서로 단일 및 중첩분석을 통해 최종적인 설치 위치를 선정하고, 이 지역에 대한 여러 가지 변수와 자료를 가지고 현장 지역에 대한 분석이 이루어진 후 CPTED 모니터링 설치위치를 가시화한다(S114).
좀 더 자세히 살펴보면, 군집분석 단계(S105)는 공간상에서 존재하는 사건들이 일정한 패턴을 가지고 군집현상으로 존재하는지 아니면 분산된 형태를 취하는지를 분석하여 위험지점(Hotspot)의 일관성을 살펴보는 것이다. 군집분석방법은 전역적 공간 특성내에서 존재하는 각각의 지역적 공간분포특성, 즉 범죄간의 근린성(Neighbor), 일정한 공간지역 내에서 존재하는 범죄들이 집중하는 독특한 환경을 분석할 수 있다. 분석방법은 먼저 최근린 거리분석(Nearest Neighbor Distance Analysis)기법과 Ripley’K statistic를 사용할 수 있다. 본 발명의 실시예에서는 앞서 수학식 1과 같이 Ripley’K statistic의 K 함수를 이용하고, 각 범죄별 Ripley K 함수 그래프의 예는 도 3에 도시된 바와 같다.
위험지점(Hotspot) 분석 단계(S106)에서는 모드분석이나 버퍼기법을 통해 위험지점을 정의한다. Mode 분석은 범죄가 발생한 지점에 대해 빈도수로 도식화하는 기법으로서, 동일한 주소나 번지수를 중심으로 발생한 빈도수를 중심으로 표현하여 정확한 위치를 알려주는 장점이 있다. Buffer분석은 정확한 위치보다는 일정 경계지역을 포함한 지점을 표시하는 기법이다. 최근린 계층군집기법(Nearest Neighbor Hierarchical clustering)은 군집에 포함될 임의의 관측 값 수를 정한 후 그 조건에 맞추어 가장 근접한 관측 값끼리 묶어내는 방법이고, Risk-adjusted Nearest Neighbor Hierarchical Clustering(Rnnh)기법은 기존의 최근린 계층군집기법에 커널 밀집 보간기법을 혼용한다. 본 발명의 실시예에서 5대 범죄 모드분석에 의한 위험지역(Hot Spot)의 예는 도 4에 도시된 바와 같다.
변수선정 단계(S109)애서는 범죄에 영향을 미치는 주요변수를 추출하는 것으로, 각 자료의 속성 값 간에 이질성과 등락폭이 강하고, 종속변수와 설명변수간 완전한 선형관계가 형성되지 않을 때, 즉, 비선형관계가 존재할 때 취하는 방법이 종속변수와 설명변수를 자연로그를 취함으로써 선형관계가 형성이 되기에 자연로그를 취하여 자료를 변환, 분석한 것이다. 본 발명의 실시예에서 종속변수는 5대 범죄율과, 112 신고비율, 폭력범죄율, 성폭력범죄율, 절도범죄율을 선정하였다.
공간적 자기상관 분석단계(S110)에서 공간 자기상관은 두 변수간의 관계가 아닌 하나의 변수가 갖는 여러 관측 개체 또는 관측 값들 사이에서 존재하는 관계를 나타낸다. 즉, 공간 자기상관이란 "공간단위들이 지표상에 배열되는 방식에서 기인하는 하나의 변수가 갖는 여러 값들 간의 관계"로 정의할 수 있다. 이러한 공간적 자기상관에는 '정적 공간적 자기상관(positive spatial autocorrelation)'과 '부적 공간적 자기상관(negative spatial autocorrelation)'이 있다.
이러한 공간적 자기상관성을 측정하고자 하는 경우 중요한 문제 중 하나는 공간적 인접성(Spatial Neighborhood)을 어떻게 정의하고 측정하는가이다. 일반적으로 공간적 인접성은 특정지점(point)으로부터의 일정거리(임계치 거리)내에 위치한 모든 지역으로 정의되거나 특정지역에 가장 가까이 위치한 n개의 지역(지점)으로 단순하게 정의되기도 한다. 본 발명의 실시예에서 인접성은 공간가중행렬(Spatial Weighted Matrix)을 이용하여 나타내고, 공간적 자기상관성은 모란 산포도로 산출된다.
공간속성자료를 활용한 변수별 위험공간 선정(S112)은 국지적인 공간적 상관분석(Local Indicator of Spatial Association, LISA)을 이용한다. LISA는 국지적 규모에서 공간적 자기분석을 통해 공간적 군집 여부를 발견할 수 있을 뿐 아니라 군집의 스케일과 주변지역과의 관계도 함께 탐색할 수 있으며 공간적인 이례지점(outlier)도 파악할 수 있다.
LISA 통계량 추정 종류에는 local Moran과 local Geary가 있는데, local Moran은 다음 수학식 2로 정의된다.
Figure 112017052148013-pat00002
수학식 2에서 zi와 zj는 평균과의 편차이고, wij는 해석의 편의를 위해 행 표준화된 가중치 행렬로 정의한다. 따라서 Ii는 이웃하는 위치에서 관찰 값들의 평균과 zi의 곱이라고 정의할 수 있다. local Moran이 실제로 각각의 관찰지점에서 공간적으로 평탄하게 나타나기 때문에 국지적 군집을 확인하기 위해 사용될 수 있다. 또한 i지역에서 local Geary는 다음 수학식 3과 같이 정의된다.
Figure 112017052148013-pat00003
수학식 3에서 ci값이 작을 경우 i지역의 정적인 공간적 상관성을 나타내고, ci 값이 크면 음의 공간적 상관성을 나타낸다. local Geary는 국지적인 지역에서 관찰지역과 그 이웃 사이의 평균차를 측정하기 때문에 이례 지점이나 공간적 관계, 즉 유사성과 이질성을 확인할 수 있는 통계량이다. 본 발명의 실시예에서 LISA 분석을 통해 나타난 5대 범죄율 변수에 따른 위험공간의 예는 도 5에 도시된 바와 같다.
본 발명의 실시예에서 범죄자료를 분석하여 구한 5대 범죄율의 특징은 생활보호대상자가 많을수록, 풍속업소가 많을수록, 가로등 밀집도가 낮을수록 범죄가 높아지는 것으로 나타났다. 이를 근거로 하여 생활보호대상자의 점 자료를 DB화하여 NNH기법을 이용하여 5가구 이상, 100m 거리 안에 거주하고 있는 상황을 Hotspot으로 하여 접근을 해본 결과 5,984가구 중 5,740가구 즉, 95.9%를 포함한 군집을 얻을 수 있었다. 또한 풍속업체도 100m 거리내에 3개 이상업소 군집을 한 결과 46개 지점 총 704개업소중 90.9% 군집을 얻었다.
또한, 각 행정동에 설치운영중인 가로등 및 보안등이 평균 이하인 지역 7개 지역인 비산1동, 3동, 관양1동, 관양2동, 호계1,2,3동을 포함하여 63개 지역의 군집을 얻을 수 있고, 이와 같은 위험도 예방자료를 활용한 위험공간 선정의 예는 도 6에 도시된 바와 같다.
중첩분석을 통해 CCTV 설치위치를 선정하고 이를 가시화하는 단계(S113,S114)에서는 기존의 CCTV 설치위치와 위험지점, 위험공간을 중첩하여 최종적으로 CCTV 설치위치를 선정한다. 그리고 이력자료와 예방자료를 기준으로 비교하여 이력자료에 의한 신규 설치위치와 예방자료에 의한 신규 설치위치 및 기존의 CCTV 설치위치를 도시한 예는 도 7에 도시된 바와 같다.
이상에서 본 발명은 도면에 도시된 일 실시예를 참고로 설명되었으나, 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
10: 지리정보 데이터베이스 20: 경찰청 범죄정보 데이터베이스
30: 행정 데이터베이스 40: 통계청 데이터베이스
102: 네트워크 104: 공간 데이터베이스
110: 빅데이터 수집모듈 120: 지오코딩모듈
130: 기본통계자료 추출모듈 140: 군집분석모듈
150: 위험지점 선정모듈 160: 상관분석모듈
170: 위험공간 선정모듈 180: 설치위치 선정모듈

Claims (3)

  1. 삭제
  2. 삭제
  3. 전국의 지역에 대한 지리정보시스템(GIS)을 갖고 있는 지리정보 데이터베이스와, 각종 범죄발생정보와 성범죄자 관련 정보를 저장하고 있는 경찰청 범죄 데이터베이스와, 각 행정구역의 기설치된 CCTV정보와 행정구역의 주민들에 대한 정보가 저장되어 있는 행정 데이터베이스와, 통계청 인구정보 데이터 베이스와 네트워크를 통해 각각 연결되어 분산되어 있는 대량의 데이터들을 가져와 CCTV를 위한 최적의 위치를 자동으로 산출하는 CCTV 위치 선정 시스템에 의한 방범 CCTV 위치 선정 방법에 있어서,
    상기 CCTV 위치 선정 시스템이 해당 지역에 대한 공간데이터와 속성데이터로 공간 데이터베이스를 구축하는 제1단계;
    상기 CCTV 위치 선정 시스템이 네트워크를 통해 범죄와 관련된 변수들에 대한 빅 데이터를 수집하는 제2단계;
    상기 CCTV 위치 선정 시스템이 상기 수집된 빅 데이터들을 범죄와 관련된 지역별 도시공간변수, 사회 경제적 변수, 범죄방어기재 시설물 현황, 범죄현황, 112 신고현황으로 분류한 후 지리부호화하여 상기 공간 데이터베이스에 해당 속성으로 부가하는 제3단계;
    상기 CCTV 위치 선정 시스템이 범죄와 관련된 속성이 부가된 공간 데이터베이스에서 지점 데이터를 기반으로 범죄 간의 군집성을 분석하는 제4단계;
    상기 CCTV 위치 선정 시스템이 군집성에 따라 범죄별 위험지점을 탐색하고 중첩분석을 통해 위험지점을 선정하는 제5단계;
    상기 CCTV 위치 선정 시스템이 상기 범죄와 관련된 속성이 부가된 공간 데이터베이스에서 면적 데이터를 기반으로 변수들에 대한 상관분석을 통해 위험공간을 선정하는 제6단계; 및
    상기 CCTV 위치 선정 시스템이 상기 위험지점과 상기 위험공간에 대한 중첩분석을 통해 CCTV 설치위치를 선정하는 제7단계를 포함하고,
    상기 제3단계의 도시공간변수는 교육시설과 풍속업체위치로 구하고, 사회경제적 변수는 각 동별 인구현황, 사회적 약자현황, 인구세대, 외국인 거주현황, 다문화가정거주 번지, 생활보호대상자거주 번지로 구하며, 범죄방어기재 시설물현황으로는 해당 지역의 관내 경찰서와 파출소, 지구대의 위치, 가로등 및 보안등의 설치위치, 기구축된 방범 CCTV 위치로 구하고,
    상기 범죄 간의 군집성을 분석하는 제4단계는,
    특정한 점 개체가 발생한 점을 중심으로 반경(d)을 가진 동심원을 구축하는 제4-1단계;
    상기 동심원 안에서 관찰된 다른 점 개체수를 측정하여 모든 점 개체의 평균개수를 산출하는 제4-2단계;
    산출된 평균개수를 전체 대상지역의 평균밀도로 나누어서 공간상 점들 사이의 의존성을 나타내는 K함수를 산출하되,
    상기 K함수는 수학식1
    Figure 112018082830206-pat00014
    로 산출하는 제4-3 단계를 포함하고,
    단, 수학식1에서 λ는 단위 지역당 사건들의 수 또는 강도이고, R은 대상지역의 면적이며, dij는 대상지역에서 관찰된 사건 i와 j 사이의 거리이고, lh(dij)는 dij가 기준거리 h보다 작으면 1이고, 그렇지 않으면 0를 나타내는 함수임,
    상기 위험공간을 선정하는 제6단계는,
    국지적인 공간적 상관분석(Local Indicator of Spatial Association, LISA)을 이용하되,
    국지적인 공간적 상관분석(LISA)의 통계량 추정에 수학식2
    Figure 112018082830206-pat00015

    단, 수학식2에서 zi와 zj는 평균과의 편차이고, wij는 행 표준화된 가중치 행렬임, 로 정의되는 국지적 모란(local Moran)을 이용하여 산출하는 것을 특징으로 하는 빅 데이터를 활용한 단계별 방범 CCTV 위치 선정 방법.
KR1020170067821A 2017-05-31 2017-05-31 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법 KR101937940B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170067821A KR101937940B1 (ko) 2017-05-31 2017-05-31 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170067821A KR101937940B1 (ko) 2017-05-31 2017-05-31 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법

Publications (2)

Publication Number Publication Date
KR20180131165A KR20180131165A (ko) 2018-12-10
KR101937940B1 true KR101937940B1 (ko) 2019-01-11

Family

ID=64670986

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170067821A KR101937940B1 (ko) 2017-05-31 2017-05-31 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법

Country Status (1)

Country Link
KR (1) KR101937940B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102189346B1 (ko) 2019-03-27 2020-12-09 주식회사 더원테크 디지털 설문에 기반하여 잠재적 위험 지역을 결정하는 방법, 장치 및 프로그램
KR102234492B1 (ko) 2019-03-27 2021-04-05 주식회사 더원테크 디지털 설문에 기반하여 교통안전 시설물 설치정보를 획득하는 방법, 장치 및 프로그램
CN110351523B (zh) * 2019-07-22 2020-10-16 常州机电职业技术学院 一种楼宇视频监控系统与视频监控调整方法
KR102319662B1 (ko) * 2019-12-26 2021-11-03 한국국토정보공사 Cctv를 활용한 불법주정차 관리 장치 및 방법
KR102249524B1 (ko) * 2019-12-26 2021-05-11 한국국토정보공사 데이터 기반 공간분석을 이용한 민원 발생 예측관리 장치 및 방법
CN116797051B (zh) * 2023-08-24 2023-11-14 青岛海洋地质研究所 基于多距离空间聚类分析的海洋碳泄漏点数量的评估方法

Also Published As

Publication number Publication date
KR20180131165A (ko) 2018-12-10

Similar Documents

Publication Publication Date Title
KR101937940B1 (ko) 빅 데이터를 활용한 단계별 방범 cctv 위치 선정 방법
Wang et al. Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management
CN109738970B (zh) 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质
Tingzon et al. Mapping poverty in the Philippines using machine learning, satellite imagery, and crowd-sourced geospatial information
KR102024695B1 (ko) 감시카메라 배치 모델링 시스템 및 방법
CA2561939C (en) Method and system for forecasting events and results based on geospatial modeling
US7801842B2 (en) Method and system for spatial behavior modification based on geospatial modeling
Pham et al. Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam
US8341110B2 (en) Temporal-influenced geospatial modeling system and method
US7571146B2 (en) Event, threat and result change detection system and method
Shirowzhan et al. Data mining for recognition of spatial distribution patterns of building heights using airborne lidar data
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
CN103491351A (zh) 违章建筑物的智能视频监控方法
Esch et al. Urban remote sensing–how can earth observation support the sustainable development of urban environments?
Qiu et al. Disaggregating population data for assessing progress of SDGs: methods and applications
Aldogom et al. Multi temporal satellite images for growth detection and urban sprawl analysis; Dubai City, UAE
CN116522272A (zh) 一种基于城市信息单元的多源时空数据透明融合方法
Meng et al. A dynamic emergency decision support model for emergencies in urban areas
Rosni et al. Managing urbanisation and urban sprawl in Malaysia by using remote sensing and GIS applications
Taubenböck et al. Risk and vulnerability assessment to tsunami hazard using very high resolution satellite data-the case study of Padang, Indonesia
Xu et al. Analysis of the spatiotemporal expansion and pattern evolution of urban areas in Anhui Province, China, based on nighttime light data
Weihong et al. Spatial− temporal forecast research of property crime under the driven of urban traffic factors
CN114925994A (zh) 一种基于深度学习的城中村风险评估和风险因素定位方法
Kalyani et al. A multi-scale urban analysis using remote sensing and GIS
Ren et al. A topology-based approach to identifying urban centers in America using multi-source geospatial big data

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant