KR102069087B1 - 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 - Google Patents
고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR102069087B1 KR102069087B1 KR1020180167834A KR20180167834A KR102069087B1 KR 102069087 B1 KR102069087 B1 KR 102069087B1 KR 1020180167834 A KR1020180167834 A KR 1020180167834A KR 20180167834 A KR20180167834 A KR 20180167834A KR 102069087 B1 KR102069087 B1 KR 102069087B1
- Authority
- KR
- South Korea
- Prior art keywords
- train
- data
- risk prediction
- risk
- train accident
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013058 risk prediction model Methods 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
- G06Q50/40—Business processes related to the transportation industry
-
- G06Q50/30—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
본원은 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 에 관한 것으로서, 열차사고 위험도 예측 장치에 의한 열차사고 위험도 예측 방법은 상기 열차사고 위험도 예측 장치에서, 열차의 유지보수 내역 데이터 중 고장이 발생한 데이터를 와이블 회귀모형을 이용해 열차의 고장확률을 산출하는 단계, 상기 열차사고 위험도 예측 장치에서, 상기 고장확률, 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 데이터셋에 대하여, 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 전처리를 수행하는 단계, 상기 열차사고 위험도 예측 장치에서, 상기 전처리된 데이터셋에 기초하여 위험예측 모델을 생성하는 단계, 상기 열차사고 위험도 예측 장치에서, 상기 위험예측 모델을 기반으로 복수의 머신러닝 알고리즘을 통해 상기 신규 데이터에 대한 열차사고 위험도를 예측하는 단계를 포함할 수 있다.
Description
본원은 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 에 관한 것이다.
열차사고는 사고의 발생시 큰 인명피해와 금전적 손해를 야기하는 중대 사고 중 하나이다. 또한 고속열차의 경우 300km/h 이상의 속도로 수 많은 인원을 수송하기에 높은 기계적 신뢰도를 요구하는 장비이며, 열차의 고장과 사고발생의 가능성은 밀접하다고 볼 수 있다.
현재 열차사고 위험을 분석하는 기술은 대부분 기존의 통계적 기법에 기초한 분석이며 이는 열차사고의 위험을 정확히 예측하는 데에 한계가 있다.
이러한 문제를 해결하기 위해 열차의 유지보수 내역 중 고장관련 데이터를 활용하여 고장확률을 계산한 값을 열차사고 예측의 변수로 포함시켜 열차사고 위험예측 모형의 성능을 향상시킬 수 있다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1020191호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 열차사고의 위험을 보다 고장확률을 활용해 예측함으로써 열차사고의 위험을 사전에 효과적으로 예방할 수 있는 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 열차사고 위험도 예측 장치에 의한 열차사고 위험도 예측 방법은 상기 열차사고 위험도 예측 장치에서, 열차의 유지보수 내역 데이터 중 고장이 발생한 데이터를 와이블 회귀모형을 이용해 열차의 고장확률을 산출하는 단계, 상기 열차사고 위험도 예측 장치에서, 상기 고장확률, 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 데이터셋에 대하여, 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 전처리를 수행하는 단계, 상기 열차사고 위험도 예측 장치에서, 상기 전처리된 데이터셋에 기초하여 위험예측 모델을 생성하는 단계, 상기 열차사고 위험도 예측 장치에서, 상기 위험예측 모델을 기반으로 복수의 머신러닝 알고리즘을 통해 상기 신규 데이터에 대한 열차사고 위험도를 예측하는 단계를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 전처리를 수행하는 단계는, 상기 열차사고 위험도 예측 장치에서, 정규화된 상기 데이터를 기반으로 하여 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 신규데이터 및 상기 고장확률의 심각도를 산정하는 단계, 상기 고장확률의 변수와 상기 심각도를 결합하고, 정규화된 상기 데이터를 기반으로 하여 위험예측 모델의 생성을 위한 적어도 하나의 변수를 선정하는 단계를 포함하는 단계를 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 심각도를 산정하는 단계는, 사고 피해 규모 및 사고 빈도수를 고려하여 상기 심각도를 산정하는 것일 수 있다.
본원의 일 실시예에 따르면, 상기 심각도를 산정하는 단계는, 지연시간을 더 고려하여 상기 심각도를 산정하는 것일 수 있다.
본원의 일 실시예에 따르면, 상기 데이터셋을 전처리하는 단계는, Robust Scale방법으로 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 것일 수 있다.
본원의 일 실시예에 따르면, 상기 위험예측 모델을 생성하는 단계는, 상기 심각도의 산정에 의한 위험수준 값 및 상기 선정된 변수를 이용하여 상기 위험예측 모델을 생성하는 것일 수 있다.
본원의 일 실시예에 따르면, 열차사고 위험도 예측 장치에 의한 열차사고 위험도 예측 방법은 상기 열차사고 위험도 예측 장치에서, 상기 생성된 위험예측 모델에 복수의 머신러닝 알고리즘을 적용함으로써, 생성된 위험예측 모델 후보에 대한 학습을 수행하는 단계를 더 포함할 수 있다.
본원의 일 실시예에 따르면, 열차사고 위험도 예측 장치에 의한 열차사고 위험도 예측 방법은, 상기 열차사고 위험도 예측 장치에서, 상기 생성된 위험예측 모델 중 상기 신규 데이터에 대한 열차사고 위험도 예측을 위한 위험예측 모델을 선정하는 단계를 더 포함할 수 있다.
본원의 일 실시예에 따르면, 상기 학습 결과에 기초하여 위험예측 모델을 선정하는 단계는, 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 열차사고 위험예측 모델을 선정하는 것일 수 있다.
본원의 일 실시예에 따르면, 상기 복수의 머신러닝 알고리즘은 XGBoost, 랜덤포레스트(random forest) 알고리즘, 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘 및 k-최근접이웃(k-Nearest Neighbors, KNN)알고리즘 중 적어도 하나를 포함하는 것일 수 있다.
본원의 일 실시예에 따르면, 상기 예측하는 단계는, 상기 신규 데이터에 대한 열차사고 위험도를 정상, 주의, 경고 및 위험 중 어느 하나로 예측하는 것일 수 있다.
본원의 일 실시예에 따르면, 열차사고 위험도 예측 장치에 의한 열차사고 위험도 예측 방법은, 상기 데이터셋은 복수의 레코드를 포함하고, 상기 레코드는 상기 열차사고 데이터 및 상기 운행실적 데이터를 운행일자, 편성번호 및 열차번호를 기준으로 연결함으로써 생성되는 것일 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 열차사고 위험도 예측 장치는, 열차의 유지보수 내역 데이터 중 고장이 발생한 데이터를 와이블 회귀모형을 이용해 열차의 고장확률을 산출하는 계산부, 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 데이터셋에 대하여, 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 전처리를 수행하는 전처리부, 상기 전처리된 데이터셋에 기초하여 위험예측 모델을 생성하는 모델 생성부, 상기 열차사고 위험도 예측 장치에서, 상기 위험예측 모델을 기반으로 복수의 머신러닝 알고리즘을 통해 상기 신규 데이터에 대한 열차사고 위험도를 예측하는 위험도 예측부를 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 열차 유비보수 내역 중 고장 관련 이력 데이터를 이용하여 해당 열차의 고장 확률을 도출하고, 이를 변수에 포함시킨 후 머신러닝을 통해 예측모델을 만들고, 최적화 과정을 통해 해당 모델을 활용하여 열차 사고를 예측하는 장치를 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 기존 통계적 기법에 의한 낮은 예측율의 한계를 고장확률 데이터를 적용한 머신러닝 예측 모델을 적용함으로써, 열차 사고 예측율을 향상시킬 수 있다.
도 1은 본원의 일 실시예에 따른 열차사고 위험도 예측 장치의 개략적인 구성을 나타낸 도면이다.
도 2는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 고장확률값의 데이터 형태를 나타낸 도면이다.
도 3은 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 복수의 머신러닝 알고리즘이 적용된 열차사고 위험도 예측 결과를 나타낸 도면이다.
도 4는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 복수의 머신러닝 알고리즘 각각에 대응하는 복수의 위험예측 모델(모형)별 예측 정확도를 나타낸 도면이다.
도 5는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 실제 신규 데이터에 대하여 위험예측 모델이 적용됨에 따른 열차사고 위험도 예측 결과의 예를 나타낸 도면이다.
도 6은 본원의 다양한 실시예에 따른 열차사고 위험도 예측 방법에 대한 동작 흐름도이다.
도 2는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 고장확률값의 데이터 형태를 나타낸 도면이다.
도 3은 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 복수의 머신러닝 알고리즘이 적용된 열차사고 위험도 예측 결과를 나타낸 도면이다.
도 4는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 복수의 머신러닝 알고리즘 각각에 대응하는 복수의 위험예측 모델(모형)별 예측 정확도를 나타낸 도면이다.
도 5는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 실제 신규 데이터에 대하여 위험예측 모델이 적용됨에 따른 열차사고 위험도 예측 결과의 예를 나타낸 도면이다.
도 6은 본원의 다양한 실시예에 따른 열차사고 위험도 예측 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
이하에서는 도 1 내지 도 6을 참조하여 본원의 열차사고 위험도 예측 장치 및 방법에 대하여 설명한다.
도 1은 본원의 일 실시예에 따른 열차사고 위험도 예측 장치의 개략적인 구성을 나타낸 도면이고, 도 2는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 고장확률값의 데이터 형태를 나타낸 도면이다.
먼저, 도 1을 참조하면, 열차사고 위험도 예측 장치(10)는 계산부(11), 전처리부(13), 모델 생성부(14), 및 예측부(17)를 포함할 수 있다
계산부(11)는 열차의 유지보수 내역 데이터 중 고장이 발생한 데이터를 와이블 회귀모형을 이용해 열차의 고장확률을 산출할 수 있다. 이 때, 계산부(11)는 열차 각각에 대하여 고장확률을 산출하는 것일 수 있다. 또한, 본원에서 열차는 철도를 의미할 수 있다.
여기서, 열차의 유지보수 내역 데이터는, 열차의 자체결함에 의한 고장을 보수한 내역, 결함을 방지하기 위해 보수한 내역, 열차 자체결함 이외의 원인으로 인한 고장을 보수한 내역 등의 정보를 포함할 수 있으나, 이에 한정되는 것은 아니다. 또한, 열차의 유지보수 내역 데이터는 날짜, 열차의 편성번호, Cycle 등을 기준으로 저장될 수 있다.
계산부(11)는 열차의 유지보수 내역 중 고장을 보수한 데이터 수를 이용해 고장확률을 산출할 수 있다. 예를 들어, 각 열차의 고장을 보수한 데이터 수를 와이블 회귀모형의 변수로 이용함으로써 고장확률을 산출할 수 있다.
계산부(11)는 열차 각각에 대하여 상기와 같은 산출과정을 수행하고, 고장확률이 높은 순서대로 저장하는 것일 수 있다.
여기서 도 2를 참조하면, 열차사고 위험도 예측 장치(10)는 고장확률 값의 데이터를 Failure rate 값으로 저장할 수 있으며, 고장 일자와 열차의 편성번호를 기준하여 저장할 수 있다.
전처리부(13)는 고장확률, 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 데이터셋에 대하여, 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 전처리를 수행할 수 있다. 즉, 전처리부(13)는 데이터셋에 저장된 데이터의 변수 값들을 일정 기준으로 맞춰주는 데이터 정규화를 수행할 수 있다.
구체적으로, 전처리부(13)는 Robust Scale방법으로 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화할 수 있다. Robust Scale방법으로 전처리함으로써 데이터셋에 저장된 데이터가 가지는 오차를 효과적으로 줄일 수 있다. 또한, 전처리부(13)는 Robust Scale방법을 이용함으로써, 데이터셋에 저장된 데이터의 변수값을 중앙값(median)과 IQR을 사용하여 아웃라이어의 영향을 최소화할 수 있다.
이 때, 본원의 본원의 일 실시예에 따른 열차사고 위험도 예측 장치는 데이터셋을 생성하는 데이터셋 생성부를 포함할 수 있다. 데이터셋에는 고장확률 계산값과 열차 운행실적 및 열차사고 데이터가 통합되어 저장될 수 있다. 이에 따르면, 데이터셋에 저장된 데이터는 고장이력과 이에 따른 고장확률 데이터가 저장될 수 있다. 열차 운행실적 데이터는 열차 각각의 운행실적이 포함되며, 열차사고 데이터는 과거의 열차 사고 및 열차 장애와 관련된 데이터로서, 사고장애데이터, 철도사고 데이터 등으로 달리 지칭될 수 있다. 운행실적 데이터는 열차의 운행과 관련된 실적으로서, 열차운행 횟수, 운행 거리, 누적 운행거리 등의 정보를 포함할 수 있으나, 이에만 한정되는 것은 아니다.
또한, 데이터셋은 복수의 레코드를 포함할 수 있다. 여기서, 레코드는 열차 운행일자, 편성번호를 기준으로 사고장애 여부와 고장확률 값을 연결함으로써 데이터셋에 저장될 수 있다. 이때, 운행일자, 편성번호 및 열차번호를 기준으로 연결되어 데이터셋에 저장되는 하나의 데이터를 하나의 레코드라 할 수 있다.
전처리부(13)는 정규화된 상기 데이터를 기반으로 하여 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 신규데이터 및 고장확률의 심각도를 산정할 수 있다.
전처리부(13)는 상기 고장확률의 변수와 상기 심각도를 결합하고, 정규화된 상기 데이터를 기반으로 하여 위험예측 모델의 생성을 위한 적어도 하나의 변수를 선정 할 수 있다. 또한, 전처리부(13)는 사고 피해 규모 및 사고 빈도수를 고려하여 심각도를 산정할 수 있고다. 특히, 전처리부(13)는 사고피해 규모 및 사고요인 빈도수의 곱을 통해 심각도를 산정할 수 있다.
다시 말해, 심각도는 사고 빈도수와 사고 피해 규모를 고려하여 산정될 수 있다. 이때, 전처리부(13)는 사고 빈도수와 각 사고의 피해 규모(사고 피해 규모)를 곱함으로써 데이터셋 내의 레코드별로 심각도를 산정할 수 있다. 여기서, 사고 피해 규모는 열차사고시 발생한 물적피해 규모에 의하여 산출될 수 있다. 또한 사고 피해 규모는 열차사고시 발생한 물적피해 규모에 영업피해 규모를 합산함으로써 산출될 수 있다. 즉, 사고 피해 규모는 열차사고시 발생한 물적피해 규모 외에 추가적으로 영업피해 규모를 고려함으로써 산출될 수 있다.
또한, 전처리부(13)는 사고 피해 규모, 사고 빈도수 외에 지연시간을 더 고려하여 심각도를 산정할 수 있다. 여기서, 지연시간이라 함은 열차사고에 의한 열차 지연시간을 의미할 수 있다.
또한, 전처리부(13)는 정규화된 데이터(즉, 데이터셋에 저장된 정규화된 데이터)를 기반으로 하여 위험예측 모델의 생성을 위한 적어도 하나의 변수를 선정할 수 있다. 달리 표현하여, 전처리부(13)는 정규화된 데이터를 기반으로 하여 열차사고 위험도 예측에 필요한 변수(중요 변수)를 선정할 수 있다. 이러한 변수의 선정은 위험예측 모델(모형)의 생성시 위험예측 모델에 영향력 있는 변수만을 사용하기 위해 이루어질 수 있다.
모델 생성부(14)는 전처리된 데이터셋에 기초하여 위험예측 모델을 생성할 수 있다. 이 때, 모델 생성부(14)는 상기 심각도의 산정에 의한 위험수준 값 및 상기 선정된 변수를 이용하여 상기 위험예측 모델을 생성할 수 있다. 본원에서 모델은 모형이라 달리 지칭될 수 있다.
구체적으로, 모델 생성부(14)는 정규화된 데이터를 기반으로 한 심각도의 산정에 의한 위험수준 값 및 선정된 변수를 이용하여 위험예측 모델을 생성할 수 있다. 즉, 위험예측 모델 생성부(14)는 심각도 산정에 의하여 산출된 레코드별 열차사고 위험수준 값과 열차사고 위험도 예측을 위해 선정된 변수를 이용하여 위험예측 모델을 생성할 수 있다. 이때, 위험예측 모델 생성부(14)는 열차사고 위험수준 값을 종속변수로 설정하고 선정된 변수를 독립변수로 설정함으로써 위험예측 모델을 생성할 수 있다.
예측부(17)는 상기 위험예측 모델을 기반으로 복수의 머신러닝 알고리즘을 통해 상기 신규 데이터에 대한 열차사고 위험도를 예측할 수 있다. 여기서 예측부(17)는 상기 신규 데이터에 대한 열차사고 위험도를 정상, 주의, 경고 및 위험 중 어느 하나로 예측할 수 있다.
본원의 일 실시예에 따른 열차사고 위험도 예측 장치(10)는 수집부(12), 학습부(15), 모델 선정부(16)를 포함할 수 있다.
수집부(12)는 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 신규데이터를 수집할 수 있다. 신규데이터는 여기서 신규데이터는 열차사고 데이터, 운행실적 데이터 중 적어도 하나와 관련된 열차 관련 데이터를 의미할 수 있다. 신규데이터에 포함되는 각각의 데이터는 데이터셋에 포함될 수 있다.
본원의 일 실시예에 따르면, 계산부(11) 및 수집부(12)는 네트워크를 통해 외부 서버에서 열차 관련 데이터를 수집할 수 있다. 계산부(11) 및 수집부(12) 및 외부 서버간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local AreaNetwork), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
학습부(15)는 상기 생성된 위험예측 모델에 복수의 머신러닝 알고리즘을 적용함으로써, 생성된 위험예측 모델 후보에 대한 학습을 수행할 수 있다. 이 때, 복수의 머신러닝 알고리즘은 XGBoost, 랜덤포레스트(random forest) 알고리즘, 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘 및 k-최근접이웃(k-Nearest Neighbors, KNN)알고리즘 중 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니고 다양한 머신러닝 알고리즘이 적용될 수 있다.
또한, 학습부(15)는 모델 생성부(14)에 의하여 생성된 위험예측 모델에 복수의 머신러닝 알고리즘을 적용함으로써, 생성된 위험예측 모델에 대한 학습을 수행할 수 있다. 달리 말해, 모델 생성부(14)에 의하여 생성된 위험예측 모델은 복수의 머신러닝 알고리즘을 적용함으로써 학습될 수 있다.
이때, 위험예측 모델 생성부(14)에 의하여 생성된 위험예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 열차사고 위험도(위험 수준)가 산출될 수 있다. 달리 표현하여, 생성된 위험예측 모델이 복수의 머신러닝 알고리즘 각각에 적용됨으로써, 복수의 머신러닝 알고리즘 각각에 대응하여 머신러닝 알고리즘의 적용 결과로서 열차사고 위험 수준을 판단할 수 있다.
모델 선정부(16)는 모델 생성부(14)에 의하여 생성된 위험예측 모델 중 상기 신규 데이터에 대한 열차사고 위험도 예측을 위한 위험예측 모델을 선정할 수 있다. 이 때, 모델 선정부(16)는 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 열차사고 위험예측 모델을 선정할 수 있다.
도 3은 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 복수의 머신러닝 알고리즘이 적용된 열차사고 위험도 예측 결과를 나타낸 도면이다.
도 3을 참조하면, (a) 내지 (d)는 컨퓨전 매트릭스(confusion matrix)를 통해 복수의 머신러닝 알고리즘인 랜덤포레스트, SVM, XGBoost 및 KNN 각각이 적용된 위험예측 모델에 대한 성능 평가 결과를 나타낸다. 여기서, (a) 내지 (d) 각각에서 세로축은 True label의 값을 나타내고, predicted label의 값을 나타낸다. 이에 따르면, 위험예측 모델 선정부(16)는 컨퓨전 매트릭스 (confusion matrix)를 통해 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 위험예측 모델을 신규 데이터에 대한 열차사고 위험도 예측을 위한 위험예측 모델로서 선정할 수 있다.
도 4는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 복수의 머신러닝 알고리즘 각각에 대응하는 복수의 위험예측 모델(모형)별 예측 정확도를 나타낸 도면이다.
도 4를 참조하면, 일예로 랜덤포레스트 알고리즘이 적용된 위험예측 모델(모형)의 정확도는 77.2%, SVM 알고리즘이 적용된 위험예측 모델의 정확도는 71.9%, XGBoost알고리즘이 적용된 위험예측 모델의 정확도는 80.7%, KNN 알고리즘이 적용된 위험예측 모델의 정확도는 73.7%로 나타날 수 있다. 이러한 경우, 위험예측 모델 선정부(16)는 복수의 위험예측 모델 중 XGBoos알고리즘이 적용된 위험예측 모델을 신규 데이터에 대한 열차사고 위험도 예측을 위한 위험예측 모델로서 선정할 수 있다.
도 5는 본원의 다양한 실시예에 따른 열차사고 위험도 예측 장치에서 실제 신규 데이터에 대하여 위험예측 모델이 적용됨에 따른 열차사고 위험도 예측 결과의 예를 나타낸 도면이다.
도 5를 참조하면, 예측부(17)는 위험예측 모델 선정부(16)에서 선정된 위험예측 모델에 기초하여 신규 데이터에 대한 열차사고 위험도(위험 수준)를 예측할 수 있다. 즉, 신규데이터에 대한 열차사고 위험도의 예측은 복수의 머신러닝 알고리즘에 대응하는 복수의 위험예측 모델 중 정확도가 가장 높은 위험예측 모델을 기반으로 이루어질 수 있다.
또한, 예측부(17)는 신규 데이터에 대한 열차사고 위험도(위험 수준)를 정상, 주의, 경고 및 위험 중 어느 하나로 예측할 수 있다. 구체적으로, 예측부(17)는 위험예측 모델에 기초한 신규 데이터의 열차사고 위험도 값이 1로 산출된 경우열차사고 위험도(위험 수준)가 '정상'인 것으로 예측할 수 있다. 또한, 예측부(17)는 위험예측 모델에 기초한 신규 데이터의 열차사고 위험도 값이 2로 산출된 경우 열차사고 위험도(위험 수준)가 '주위'인 것으로 예측할 수 있다. 또한, 예측부(17)는 위험예측 모델에 기초한 신규 데이터의 열차사고 위험도 값이 3으로 산출된 경우 열차사고 위험도(위험 수준)가 '경고'인 것으로 예측할 수 있다. 또한, 예측부(17)는 위험예측 모델에 기초한 신규 데이터의 열차사고 위험도 값이 4로 산출된 경우 열차사고 위험도(위험 수준)가 '위험'인 것으로 예측할 수 있다.
일예로 데이터셋에는 신규 데이터와 관련하여 운행일자와 편성번호가 연결(연관)되어 하나의 데이터로서 저장되어 있을 수 있다. 일예로 데이터셋에 저장된 복수의 레코드 중 제1 레코드에는 일자ID와 관련하여 '2018-05-13’ 이 저장되어 있고, 편성번호와 관련하여 '1C1001’ 이 저장되어 있을 수 있다. 이때, 도 5를 참조한 예에서는 제1 레코드를 위험예측 모델 선정부(16)에서 선정된 위험예측 모델에 적용한 결과, 제1 레코드에 대한 열차사고 위험도값 (predicit_1)이 '1'로 산출(도출) 되었으므로, 예측부(17)는 제1 레코드에 대응하는 신규 데이터에 대한 열차사고 위험도(위험 수준)를 '정상'인 것으로 예측할 수 있다.
이러한 본원의 제1 측면에 따른 열차사고 위험도 예측 장치(10)는, 열차의 고장확률 및 운행실적에 따른 열차사고 데이터를 포함(즉, 열차사고 데이터와 운행실적 데이터를 포함)하는 데이터셋을 생성하고, 신규 데이터에 대한 위험도(위험 수준) 예측의 오차를 줄이기 위해 데이터셋에 대하여 정규화를 수행하고, 데이터셋에 기초하여 열차사고의 위험도(위험 수준)를 결정하는 심각도를 산정하고 위험예측 모델의 생성을 위한 중요 변수를 선정하며, 선정된 중요 변수와 산정된 심각도를 고려하여 위험예측 모델을 생성함으로써, 생성된 위험예측 모델에 기초하여 신규 데이터에 대한 위험도(위험 수준)를 예측할 수 있다. 즉, 본원은 열차사고 데이터와 운행실적을 이용하여 생성된 위험예측 모델로 하여금 열차사고의 위험도를 예측할 수 있으며, 이로부터 열차사고의 위험을 사전에 효과적으로 예방할 수 있다.
또한, 본원은 열차사고 데이터와 운행실적 데이터를 연계함으로써 데이터셋내에 빅데이터로 구성하여 저장할 수 있다. 또한, 본원은 편성번호 및 열차번호를 기준으로 하여 머신러닝 알고리즘으로 하여금 열차 사고 위험(즉, 열차사고의 위험도)을 예측할 수 있다. 다시 말해, 본원은 빅데이터 기반의 머신러닝 알고리즘을 이용하여 열차사고의 위험도를 예측함으로써, 보다 정확하고 향상된 예측률을 달성할 수 있다.
도 6은 본원의 다양한 실시예에 따른 열차사고 위험도 예측 방법에 대한 동작 흐름도이다.
도 6에 도시된 열차사고 위험도 예측 방법은 앞서 설명된 열차사고 위험도예측 장치(10)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 열차사고 위험도 예측 장치(10)에 대하여 설명된 내용은 열차사고 위험도 예측방법에 대한 설명에도 동일하게 적용될 수 있다.
도6을 참조하면, 열차사고 위험도 예측 방법은 열차사고 위험도 예측 장치에서, 열차의 유지보수 내역 데이터 중 고장이 발생한 데이터를 와이블 회귀모형을 이용해 열차의 고장확률을 산출할 수 있다. (S100)
다음으로, 열차사고 위험도 예측 장치에서, 단계S100에서 산출된 고장확률, 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 데이터셋에 대하여, 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 전처리를 수행할 수 있다. (S200)
여기서, 데이터셋은 복수의 레코드를 포함하고, 레코드는 열차 운행일자 및 편성번호를 기준으로 사고장애 데이터와 고장확률 값을 연결함으로써 생성될 수 있다.
또한, 단계S200에서는 정규화된 상기 데이터를 기반으로 하여 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 신규데이터 및 상기 고장확률의 심각도를 산정할 수 있다. 또한, 단계 S200에서 상기 고장확률의 변수와 상기 심각도를 결합하고, 정규화된 상기 데이터를 기반으로 하여 위험예측 모델의 생성을 위한 적어도 하나의 변수를 선정할 수 있다.
이 때, 단계 S200에서는 사고 피해 규모 및 사고 빈도수를 고려하여 상기 심각도를 산정하고, 지연시간을 더 고려하여 상기 심각도를 산정하는 것일 수 있다.
단계S200에서 전처리는 Robust Scale방법으로 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 것일 수 있다.
다음으로, 열차사고 위험도 예측 장치에서, 단계S200에서 전처리된 데이터셋에 기초하여 위험예측 모델을 생성할 수 있다. (S300)
단계 S400에서는, 단계S300에서 생성된 위험예측 모델에 복수의 머신러닝 알고리즘을 적용함으로써, 생성된 위험예측 모델 후보에 대한 학습을 수행할 수 있다. 또한, 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 열차사고 위험예측 모델을 선정할 수 있다.
여기서, 복수의 머신러닝 알고리즘은 XGBoost, 랜덤포레스트(random forest) 알고리즘, 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘 및 k-최근접이웃(k-Nearest Neighbors, KNN)알고리즘 중 적어도 하나를 포함할 수 있다. 그러나 이에 한정되는 것은 아니다.
단계 S400은 신규 데이터에 대한 열차사고 위험도를 정상, 주의, 경고 및 위험 중 어느 하나로 예측할 수 있다.
상술한 설명에서, 단계 S100 내지 S400은 본원의 구현 예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 열차사고 위험도 예측 장치에 의해 수행되는 열차사고 위험도 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 열차사고 위험도 예측 장치에 의해 수행되는 열차사고 위험도 예측 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
10: 열차사고 위험도 예측 장치
11: 계산부
12: 수집부
13: 전처리부
14: 모델 생성부
15: 학습부
16: 모델 선정부
17: 예측부
11: 계산부
12: 수집부
13: 전처리부
14: 모델 생성부
15: 학습부
16: 모델 선정부
17: 예측부
Claims (14)
- 열차사고 위험도 예측 장치에 의한 열차사고 위험도 예측 방법에 있어서,
상기 열차사고 위험도 예측 장치에서, 열차의 유지보수 내역 데이터 중 고장이 발생한 데이터를 와이블 회귀모형을 이용해 열차의 고장확률을 산출하는 단계;
상기 열차사고 위험도 예측 장치에서, 상기 고장확률, 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 데이터셋에 대하여, 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 전처리를 수행하는 단계;
상기 열차사고 위험도 예측 장치에서, 상기 전처리된 데이터셋에 기초하여 위험예측 모델을 생성하는 단계;
상기 생성된 위험예측 모델에 복수의 머신러닝 알고리즘을 적용함으로써, 생성된 위험예측 모델 후보에 대한 학습을 수행하는 단계;
상기 생성된 위험예측 모델 중 신규 데이터에 대한 열차사고 위험도 예측을 위한 위험예측 모델을 선정하는 단계; 및
상기 열차사고 위험도 예측 장치에서, 상기 위험예측 모델을 기반으로 상기 신규 데이터에 대한 열차사고 위험도를 정상, 주의, 경고 및 위험 중 어느 하나로 예측하는 단계,
를 포함하고,
상기 데이터셋은 복수의 레코드를 포함하고, 상기 레코드는 상기 고장확률, 과거의 열차 사고 및 열차 장애와 관련된 상기 열차사고 이력 데이터 및 열차운행 횟수 및 운행 거리와 관련된 상기 열차의 운행실적 데이터를 운행일자, 편성번호 및 열차번호를 기준으로 연결함으로써 하나의 레코드로서 생성되고,
상기 위험예측 모델을 선정하는 단계는,
상기 학습 결과에 기초하여 상기 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 열차사고 위험예측 모델을 선정하는 것인, 열차사고 위험도 예측 방법. - 제1항에 있어서,
상기 전처리를 수행하는 단계는,
상기 열차사고 위험도 예측 장치에서, 정규화된 상기 데이터를 기반으로 하여 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 신규데이터 및 상기 고장확률의 심각도를 산정하는 단계;
상기 고장확률의 변수와 상기 심각도를 결합하고, 정규화된 상기 데이터를 기반으로 하여 위험예측 모델의 생성을 위한 적어도 하나의 변수를 선정하는 단계,
를 포함하는 열차사고 위험도 예측 방법. - 제2항에 있어서,
상기 심각도를 산정하는 단계는, 사고 피해 규모 및 사고 빈도수를 고려하여 상기 심각도를 산정하는 것인, 열차사고 위험도 예측 방법. - 제3항에 있어서,
상기 심각도를 산정하는 단계는, 지연시간을 더 고려하여 상기 심각도를 산정하는 것인, 열차사고 위험도 예측 방법. - 제1항에 있어서,
상기 데이터셋을 전처리하는 단계는,
Robust Scale방법으로 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 것인, 열차사고 위험도 예측 방법. - 제2항에 있어서,
상기 위험예측 모델을 생성하는 단계는,
상기 심각도의 산정에 의한 위험수준 값 및 상기 선정된 변수를 이용하여 상기 위험예측 모델을 생성하는 것인, 열차사고 위험도 예측 방법. - 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 복수의 머신러닝 알고리즘은 XGBoost, 랜덤포레스트(random forest) 알고리즘, 서포트 벡터 머신(Support Vector Machine, SVM) 알고리즘 및 k-최근접이웃(k-Nearest Neighbors, KNN)알고리즘 중 적어도 하나를 포함하는 것인, 열차사고 위험도 예측 방법. - 삭제
- 삭제
- 열차사고 위험도 예측 장치에 있어서,
열차의 유지보수 내역 데이터 중 고장이 발생한 데이터를 와이블 회귀모형을 이용해 열차의 고장확률을 산출하는 계산부;
상기 고장확률, 열차의 운행실적 데이터 및 열차사고 이력 데이터를 포함하는 데이터셋에 대하여, 데이터셋에 저장된 데이터 중 일정하지 않은 변수 값을 가지는 데이터를 정규화하는 전처리를 수행하는 전처리부;
상기 전처리된 데이터셋에 기초하여 위험예측 모델을 생성하는 모델 생성부;
상기 생성된 위험예측 모델에 복수의 머신러닝 알고리즘을 적용함으로써, 생성된 위험예측 모델 후보에 대한 학습을 수행하는 학습부;
상기 운행실적 데이터 및 상기 열차사고 이력 데이터를 포함하는 신규 데이터를 수집하는 수집부;
상기 모델 생성부에 의하여 생성된 위험예측 모델 중 상기 신규 데이터에 대한 열차사고 위험도 예측을 위한 위험예측 모델을 선정하는 모델 선정부; 및
상기 위험예측 모델을 기반으로 상기 신규 데이터에 대한 열차사고 위험도를 정상, 주의, 경고 및 위험 중 어느 하나로 예측하는 예측부,
를 포함하고,
상기 데이터셋은 복수의 레코드를 포함하고, 상기 레코드는 상기 고장확률, 과거의 열차 사고 및 열차 장애와 관련된 상기 열차사고 이력 데이터 및 열차운행 횟수 및 운행 거리와 관련된 상기 열차의 운행실적 데이터를 운행일자, 편성번호 및 열차번호를 기준으로 연결함으로써 하나의 레코드로서 생성되고,
상기 모델 선정부는,
상기 학습 결과에 기초하여 상기 복수의 머신러닝 알고리즘 중 가장 높은 정확도를 나타내는 머신러닝 알고리즘이 적용된 열차사고 위험예측 모델을 선정하는 것인, 열차사고 위험도 예측 장치. - 제1항 내지 제6항 및 제10항 중 어느 한 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터에서 판독 가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180167834A KR102069087B1 (ko) | 2018-12-21 | 2018-12-21 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180167834A KR102069087B1 (ko) | 2018-12-21 | 2018-12-21 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102069087B1 true KR102069087B1 (ko) | 2020-01-22 |
Family
ID=69368176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180167834A KR102069087B1 (ko) | 2018-12-21 | 2018-12-21 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102069087B1 (ko) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985708A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
| CN113064976A (zh) * | 2021-04-19 | 2021-07-02 | 深圳市明睿数据科技有限公司 | 基于深度学习算法的事故车判定方法 |
| KR102276634B1 (ko) * | 2020-09-15 | 2021-07-13 | 엠아이엠테크 주식회사 | 차상 설치식 전동차 팬터그래프 이상 검지 시스템 및 그의 처리 방법 |
| KR20210116183A (ko) * | 2020-03-12 | 2021-09-27 | (주)씽크포비엘 | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 |
| KR20210115204A (ko) * | 2020-03-12 | 2021-09-27 | (주)씽크포비엘 | 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 |
| CN115762140A (zh) * | 2022-11-01 | 2023-03-07 | 山东高速集团有限公司 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
| CN116777085A (zh) * | 2023-08-23 | 2023-09-19 | 北京联创高科信息技术有限公司 | 基于数据分析和机器学习技术的煤矿水害预测系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009288918A (ja) * | 2008-05-28 | 2009-12-10 | Railway Technical Res Inst | 鉄道運転作業におけるヒューマンエラーのリスク管理支援方法 |
| KR20180059898A (ko) * | 2015-09-29 | 2018-06-05 | 에이에스엠엘 네델란즈 비.브이. | 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들. |
-
2018
- 2018-12-21 KR KR1020180167834A patent/KR102069087B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009288918A (ja) * | 2008-05-28 | 2009-12-10 | Railway Technical Res Inst | 鉄道運転作業におけるヒューマンエラーのリスク管理支援方法 |
| KR20180059898A (ko) * | 2015-09-29 | 2018-06-05 | 에이에스엠엘 네델란즈 비.브이. | 리소그래피 시스템들과 같은 시스템들을 모델링하거나 시스템들의 예측 유지보수를 수행하는 방법들, 및 연계된 리소그래피 시스템들. |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210116183A (ko) * | 2020-03-12 | 2021-09-27 | (주)씽크포비엘 | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 |
| KR20210115204A (ko) * | 2020-03-12 | 2021-09-27 | (주)씽크포비엘 | 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 |
| KR102486761B1 (ko) | 2020-03-12 | 2023-01-11 | (주)씽크포비엘 | 가축의 개체별 이상 징후 포착 시스템 및 그 이용 방법 |
| KR102624927B1 (ko) | 2020-03-12 | 2024-01-15 | (주)씽크포비엘 | 가축의 설사 탐지 및 설사 위험도 예측 시스템 및 그 이용 방법 |
| CN111985708A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
| CN111985708B (zh) * | 2020-08-17 | 2023-09-22 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
| KR102276634B1 (ko) * | 2020-09-15 | 2021-07-13 | 엠아이엠테크 주식회사 | 차상 설치식 전동차 팬터그래프 이상 검지 시스템 및 그의 처리 방법 |
| CN113064976A (zh) * | 2021-04-19 | 2021-07-02 | 深圳市明睿数据科技有限公司 | 基于深度学习算法的事故车判定方法 |
| CN115762140A (zh) * | 2022-11-01 | 2023-03-07 | 山东高速集团有限公司 | 一种考虑变量异质性的高速公路交通事故风险预测方法 |
| CN116777085A (zh) * | 2023-08-23 | 2023-09-19 | 北京联创高科信息技术有限公司 | 基于数据分析和机器学习技术的煤矿水害预测系统 |
| CN116777085B (zh) * | 2023-08-23 | 2023-11-10 | 北京联创高科信息技术有限公司 | 基于数据分析和机器学习技术的煤矿水害预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102069087B1 (ko) | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 | |
| Soleimanmeigouni et al. | Track geometry degradation and maintenance modelling: A review | |
| US20150294246A1 (en) | Selecting optimal training data set for service contract prediction | |
| US9530256B2 (en) | Generating cumulative wear-based indicators for vehicular components | |
| KR101982753B1 (ko) | 열차사고 위험도 예측 장치 및 방법 | |
| US20210157310A1 (en) | System and method for forecasting industrial machine failures | |
| CN103617110A (zh) | 服务器设备状态检修系统 | |
| Bai et al. | Classification-learning-based framework for predicting railway track irregularities | |
| KR102042645B1 (ko) | 복합모형을 활용한 선로 위험도 예측 장치 및 방법 | |
| CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
| Alemazkoor et al. | Survival analysis at multiple scales for the modeling of track geometry deterioration | |
| Brahimi et al. | Development of a prognostics and health management system for the railway infrastructure—Review and methodology | |
| Liu et al. | Traffic dynamics exploration and incident detection using spatiotemporal graphical modeling | |
| JP5987749B2 (ja) | 部品故障発生予測方法、部品故障発生予測プログラムおよび部品故障発生予測装置 | |
| CN110222856A (zh) | 列车车轮踏面损伤的处理方法、装置及存储介质 | |
| Lee et al. | Generative adversarial network-based missing data handling and remaining useful life estimation for smart train control and monitoring systems | |
| US20210342707A1 (en) | Data-driven techniques for model ensembles | |
| JP2019139554A (ja) | モデル学習装置、モデル学習方法、プログラム | |
| Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
| Xu et al. | Data-driven optimization of repair schemes and inspection intervals for highway bridges | |
| Ji et al. | Multi-indicators prediction in microservice using Granger causality test and Attention LSTM | |
| JP7403421B2 (ja) | 運行計画変更支援装置、判断モデル作成装置、判断モデル作成プログラム、及び列車運行管理システム | |
| Soualhi et al. | Dealing with prognostics uncertainties: Combination of direct and recursive remaining useful life estimations | |
| Ejlali et al. | Developing hybrid machine learning models to assign health score to railcar fleets for optimal decision making | |
| Girstmair et al. | Advantages of using statistical models for detecting faulty components in railway bogies against using simple criteria as defined in standards |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |