KR102247188B1 - 상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 - Google Patents
상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR102247188B1 KR102247188B1 KR1020190177777A KR20190177777A KR102247188B1 KR 102247188 B1 KR102247188 B1 KR 102247188B1 KR 1020190177777 A KR1020190177777 A KR 1020190177777A KR 20190177777 A KR20190177777 A KR 20190177777A KR 102247188 B1 KR102247188 B1 KR 102247188B1
- Authority
- KR
- South Korea
- Prior art keywords
- risk
- beach
- data
- situation
- fuzzy
- Prior art date
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims description 51
- 238000004590 computer program Methods 0.000 title claims description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000012417 linear regression Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 2
- 206010013647 Drowning Diseases 0.000 description 33
- 230000008569 process Effects 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 241000717739 Boswellia sacra Species 0.000 description 2
- 235000003717 Boswellia sacra Nutrition 0.000 description 2
- 235000012035 Boswellia serrata Nutrition 0.000 description 2
- 239000004863 Frankincense Substances 0.000 description 2
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 240000003421 Dianthus chinensis Species 0.000 description 1
- 241000242583 Scyphozoa Species 0.000 description 1
- 206010053510 Venomous sting Diseases 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012795 verification 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
해수욕장 위험도 평가 시스템은, 대상 해수욕장에 관련된 공공 데이터를 포함하는 기본 데이터를 수신하도록 구성된 데이터 수신부; 상황인식 알고리즘에 기반하여 상기 기본 데이터 중 위험 상황에 관련된 하나 이상의 특징 데이터를 결정하며, 상기 특징 데이터를 기반으로 상기 기본 데이터에 상응하는 위험 상황 예측값을 산출하도록 구성된 상황인식 기반 분석부; 상기 기본 데이터 중 하나 이상의 데이터를 기반으로 하는 퍼지 함수를 저장하며, 상기 퍼지 함수를 이용하여, 상기 기본 데이터에 상응하는 위험 등급을 결정하도록 구성된 퍼지이론 기반 분석부; 및 상기 상황인식 기반 분석부에 의해 산출된 위험 상황 예측값 및 상기 퍼지이론 기반 분석부에 의해 결정된 위험 등급을 이용하여 상기 대상 해수욕장의 위험도를 산출하도록 구성된 위험 평가부를 포함한다. 상기 해수욕장 위험도 평가 시스템에 의하면, 대상 해수욕장의 자연 환경에 관련된 데이터로부터 상황인식 및 퍼지이론에 기반하여 특징 데이터를 추출하고, 이를 기반으로 한 다중 선형 회귀 분석을 통하여, 해수욕장의 안전 사고를 발생시키는 위험 상황을 시간에 따른 특징간의 관계 및 이에 따른 확률로 예측할 수 있다.
Description
실시예들은 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램에 관한 것이다. 보다 상세하게는, 실시예들은 풍속, 수온, 조위, 이안류 등과 같은 대상 해수욕장의 자연 환경에 관련된 데이터로부터 상황인식(situation awareness) 및 퍼지이론(fuzzy logic)에 기반하여 특징 데이터를 추출하고, 이를 기반으로 한 다중 선형 회귀 분석을 통하여 해수욕장 위험도를 평가하는 기술에 대한 것이다.
해마다 많은 관광객들이 해수욕장을 방문하고 있으며, 해수욕장을 방문하는 관광객들의 수는 해가 갈수록 점차 증가하고 있다. 그런데, 이와 더불어 해수욕장과 관련된 안전사고 또한 빈번하게 발생되고 있다. 해수욕장에서 일어나는 사고의 원인들은 일반적으로 개인부주의, 음주, 높은 파도 등이 있다. 하지만 단순히 한 가지 요소로 인해서 사고가 발생한다기 보다는 이러한 요소와 더불어 수온, 이안류 등 다양한 위험 요소들이 복합적으로 작용하여 사고가 발생한다고 볼 수 있다.
이처럼 다양한 요소를 통해 안전사고가 발생하지만, 현재까지 이에 대한 명확한 정의가 존재하지 않고 관련 통계 정보도 정확하게 이루어지지 않고 있다.
특히, 해수욕장에서의 위험 관리에 관련된 종래의 기술은, 센서 데이터를 기반으로 각 조난자의 개인 차원에서 위험을 탐지하는 정도에 그치고 있다. 예컨대, 등록특허공보 제10-1709751호는 촬영 영상에서 입수자들을 검출하여 해변의 입수자에 대한 위험을 감지하는 자동 위험 감지 시스템을 개시한다.
그러나, 이와 같은 종래 기술은 위험 상황의 발생을 영상 정보 등으로부터 탐지하는 것이므로 이미 위험 상황이 발생된 후에야 이에 대한 대응이 가능한 한계가 있고, 해수욕장에 상존하는 위험 요소들을 체계적으로 분석하고 관리하여 사고를 사전에 차단하거나 대응할 수 있도록 하는 기술은 현재까지 전무한 실정이다.
본 발명의 일 측면에 따르면, 실시예들은 풍속, 수온, 조위, 이안류 등과 같은 대상 해수욕장의 자연 환경에 관련된 데이터로부터 상황인식(situation awareness) 및 퍼지이론(fuzzy logic)에 기반하여 특징 데이터를 추출하고, 이를 기반으로 한 다중 선형 회귀 분석을 통하여 해수욕장 위험도를 평가할 수 있는 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램을 제공할 수 있다.
본 발명의 일 측면에 따른 해수욕장 위험도 평가 시스템은, 대상 해수욕장에 관련된 공공 데이터를 포함하는 기본 데이터를 수신하도록 구성된 데이터 수신부; 상황인식 알고리즘에 기반하여 상기 기본 데이터 중 위험 상황에 관련된 하나 이상의 특징 데이터를 결정하며, 상기 특징 데이터를 기반으로 상기 기본 데이터에 상응하는 위험 상황 예측값을 산출하도록 구성된 상황인식(situation awareness) 기반 분석부; 상기 기본 데이터 중 하나 이상의 데이터를 기반으로 하는 퍼지 함수를 저장하며, 상기 퍼지 함수를 이용하여, 상기 기본 데이터에 상응하는 위험 등급을 결정하도록 구성된 퍼지이론(fuzzy logic) 기반 분석부; 및 상기 상황인식 기반 분석부에 의해 산출된 위험 상황 예측값 및 상기 퍼지이론 기반 분석부에 의해 결정된 위험 등급을 이용하여 상기 대상 해수욕장의 위험도를 산출하도록 구성된 위험 평가부를 포함할 수 있다.
일 실시예에서, 상기 상황인식 기반 분석부는, 복수 개의 특징 데이터로부터 생성되는 하나 이상의 특징 조합을 생성하도록 구성된 특징 조합 추출부; 상기 하나 이상의 특징 조합에 대한 군집화를 통하여 군집 기준 정보 및 위험 상황 정의 정보를 도출하도록 구성된 군집화부; 및 상기 군집 기준 정보를 이용하여 상기 기본 데이터에 대한 군집화를 수행한 결과를 상기 위험 상황 정의 정보와 비교하여 위험 상황 발생 확률을 산출하도록 구성된 확률 산출부를 포함한다.
일 실시예에서, 상기 상황인식 기반 분석부는, 미리 설정된 시간 동안의 상기 위험 상황 발생 확률을 이용하여 상기 위험 상황 예측값을 산출하도록 더 구성된다.
일 실시예에서, 상기 퍼지이론 기반 분석부는, 서로 상이한 복수의 특징 데이터에 의해 각각 정의되는 하나 이상의 퍼지 함수를 저장하도록 구성된 퍼지함수 저장부; 및 상기 기본 데이터를 상기 퍼지 함수에 대한 입력 데이터로 이용하여 상기 위험 등급을 결정하도록 구성된 등급 결정부를 포함한다.
일 실시예에서, 상기 위험 평가부는, 상기 대상 해수욕장에 관련된 자연환경 정보를 이용하여 해변 가중치를 결정하도록 구성된 가중치 조정부; 및 상기 위험 상황 예측값 및 상기 위험 등급에 의해 산출되는 표류 위험도 및 익수 위험도와, 상기 해변 가중치를 이용한 다중 선형 회귀 방식으로 상기 대상 해수욕장의 위험도를 산출하도록 구성된 위험 산출부를 포함한다.
본 발명의 일 측면에 따른 해수욕장 위험도 평가 방법은, 해수욕장 위험도 평가 시스템이 대상 해수욕장에 관련된 공공 데이터를 포함하는 기본 데이터를 수신하는 단계; 상기 해수욕장 위험도 평가 시스템이, 상황인식 알고리즘에 기반하여 상기 기본 데이터 중 위험 상황에 관련된 하나 이상의 특징 데이터를 결정하며, 상기 특징 데이터를 기반으로 상기 기본 데이터에 상응하는 위험 상황 예측값을 산출하는 단계; 상기 해수욕장 위험도 평가 시스템에 상기 기본 데이터 중 하나 이상의 데이터를 기반으로 하는 퍼지 함수를 저장하는 단계; 상기 해수욕장 위험도 평가 시스템이, 상기 퍼지 함수를 이용하여, 상기 기본 데이터에 상응하는 위험 등급을 결정하는 단계; 및 상기 해수욕장 위험도 평가 시스템이, 상기 위험 상황 예측값 및 상기 위험 등급을 이용하여 상기 대상 해수욕장의 위험도를 산출하는 단계를 포함한다.
일 실시예에서, 상기 위험 상황 예측값을 산출하는 단계는, 상기 해수욕장 위험도 평가 시스템이, 복수 개의 특징 데이터로부터 생성되는 하나 이상의 특징 조합을 생성하는 단계; 상기 해수욕장 위험도 평가 시스템이, 상기 하나 이상의 특징 조합에 대한 군집화를 통하여 군집 기준 정보 및 위험 상황 정의 정보를 도출하는 단계; 및 상기 해수욕장 위험도 평가 시스템이, 상기 군집 기준 정보를 이용하여 상기 기본 데이터에 대한 군집화를 수행한 결과를 상기 위험 상황 정의 정보와 비교하여 위험 상황 발생 확률을 산출하는 단계를 포함한다.
일 실시예에서, 상기 위험 상황 예측값을 산출하는 단계는, 상기 해수욕장 위험도 평가 시스템이, 미리 설정된 시간 동안의 상기 위험 상황 발생 확률을 이용하여 상기 위험 상황 예측값을 산출하는 단계를 더 포함한다.
일 실시예에서, 상기 퍼지 함수는, 서로 상이한 복수의 특징 데이터에 의해 각각 정의되는 하나 이상의 퍼지 함수를 포함하며, 상기 위험 등급을 결정하는 단계는, 상기 해수욕장 위험도 평가 시스템이, 상기 기본 데이터를 상기 퍼지 함수에 대한 입력 데이터로 이용하여 상기 위험 등급을 결정하는 단계를 포함한다.
일 실시예에서, 상기 대상 해수욕장의 위험도를 산출하는 단계는, 상기 해수욕장 위험도 산출 시스템이, 상기 대상 해수욕장에 관련된 자연환경 정보를 이용하여 해변 가중치를 결정하는 단계; 상기 해수욕장 위험도 산출 시스템이, 상기 위험 상황 예측값 및 상기 위험 등급에 상기 대상 해수욕장의 표류 위험도 및 익수 위험도를 산출하는 단계; 및 상기 해수욕장 위험도 산출 시스템이, 상기 표류 위험도, 상기 익수 위험도 및 상기 해변 가중치를 이용한 다중 선형 회귀 방식으로 상기 대상 해수욕장의 위험도를 산출하는 단계를 포함한다.
일 실시예에 따른 컴퓨터 프로그램은 하드웨어와 결합되어 전술한 실시예들에 따른 해수욕장 위험도 평가 방법을 실행하기 위한 것으로서 컴퓨터로 판독 가능한 매체에 저장된 것일 수 있다.
본 발명의 일 측면에 따른 해수욕장 위험도 평가 시스템 및 방법에 의하면, 풍속, 수온, 조위, 이안류 등과 같은 대상 해수욕장의 자연 환경에 관련된 데이터로부터 상황인식(situation awareness) 및 퍼지이론(fuzzy logic)에 기반하여 특징 데이터를 추출하고, 이를 기반으로 한 다중 선형 회귀 분석을 통하여, 해수욕장의 안전 사고를 발생시키는 위험 상황을 시간에 따른 특징간의 관계 및 이에 따른 확률로 예측할 수 있는 이점이 있다.
또한, 본 발명의 일 측면에 따른 해수욕장 위험도 평가 시스템 및 방법에 의하면, 해수욕장에서 발생할 수 있는 표류(漂流) 및 익수(溺水) 사건 각각에 대한 위험도를 산출하고 이에 대해 해변의 특징에 따른 가중치를 적용하여 자연 환경 정보들이 해수욕장 사고와 가지는 관계를 정량적으로 평가하고, 이를 통해 해수욕장 사고 발생을 예측하여 미연의 사고를 방지할 수 있는 이점이 있다.
도 1은 일 실시예에 따른 해수욕장 위험도 평가 시스템의 개략적인 블록도이다.
도 2는 일 실시예에 따른 해수욕장 위험도 평가 방법의 각 단계를 나타내는 순서도이다.
도 3은 도 2에 도시된 평가 과정에서 상황 인식 예측 과정을 상세히 나타내는 순서도이다.
도 4는 도 3에 도시된 상황 인식 예측 과정의 개념도이다.
도 5a 및 5b는 표류 사고를 대상으로 한 종래 기술에 의한 예측 결과를 일 실시예에 따른 해수욕장 위험도 평가 방법에 의한 예측 결과와 비교하여 나타낸 그래프이다.
도 6a 내지 6c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 퍼지 함수의 예시적인 형태를 나타내는 그래프이다.
도 7a 내지 7c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 또 다른 퍼지 함수의 예시적인 형태를 나타내는 그래프이다.
도 8a 내지 8c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 또 다른 퍼지 함수의 예시적인 형태를 나타내는 그래프이다.
도 2는 일 실시예에 따른 해수욕장 위험도 평가 방법의 각 단계를 나타내는 순서도이다.
도 3은 도 2에 도시된 평가 과정에서 상황 인식 예측 과정을 상세히 나타내는 순서도이다.
도 4는 도 3에 도시된 상황 인식 예측 과정의 개념도이다.
도 5a 및 5b는 표류 사고를 대상으로 한 종래 기술에 의한 예측 결과를 일 실시예에 따른 해수욕장 위험도 평가 방법에 의한 예측 결과와 비교하여 나타낸 그래프이다.
도 6a 내지 6c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 퍼지 함수의 예시적인 형태를 나타내는 그래프이다.
도 7a 내지 7c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 또 다른 퍼지 함수의 예시적인 형태를 나타내는 그래프이다.
도 8a 내지 8c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 또 다른 퍼지 함수의 예시적인 형태를 나타내는 그래프이다.
이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.
도 1은 일 실시예에 따른 해수욕장 위험도 평가 시스템의 개략적인 블록도이다.
도 1을 참조하면, 본 실시예에 따른 해수욕장 위험도 평가 시스템(2)은 외부의 공공데이터 서버(3)와 통신하며 동작할 수 있다. 또한, 해수욕장 위험도 평가 시스템(2)은 사용자의 사용자 장치(1)와 더 통신하면서 동작할 수도 있다. 해수욕장 위험도 평가 시스템(2)과 공공데이터 서버(3) 및/또는 사용자의 사용자 장치(1) 사이의 통신 방법은 유선 및/또는 무선 네트워크를 통하여 객체와 객체가 네트워킹 할 수 있는 모든 통신 방법을 포함할 수 있으며, 유선 통신, 무선 통신, 3G, 4G, 혹은 그 이외의 방법으로 제한되지 않는다.
예를 들어, 해수욕장 위험도 평가 시스템(2)과 공공데이터 서버(3) 또는 사용자 장치(1) 사이의 유선 및/또는 무선 네트워크는 LAN(Local Area Network), MAN(Metropolitan Area Network), GSM(Global System for Mobile Network), EDGE(Enhanced Data GSM Environment), HSDPA(High Speed Downlink Packet Access), W-CDMA(Wideband Code Division Multiple Access), CDMA(Code Division Multiple Access), TDMA(Time Division Multiple Access), 블루투스(Bluetooth), 지그비(Zigbee), 와이-파이(Wi-Fi), VoIP(Voice over Internet Protocol), LTE Advanced, IEEE802.16m, WirelessMAN-Advanced, HSPA+, 3GPP Long Term Evolution (LTE), Mobile WiMAX (IEEE 802.16e), UMB (formerly EV-DO Rev. C), Flash-OFDM, iBurst and MBWA (IEEE 802.20) systems, HIPERMAN, Beam-Division Multiple Access (BDMA), Wi-MAX(World Interoperability for Microwave Access) 및 초음파 활용 통신으로 이루어진 군으로부터 선택되는 하나 이상의 통신 방법에 의한 통신 네트워크를 지칭할 수 있으나, 이에 한정되는 것은 아니다.
공공데이터 서버(3)는 여러 해수욕장의 파도 높이, 수심, 수온, 기온, 기압, 유속, 유향, 조위, 풍속, 풍향, 해파리 출현율, 염분, 해수욕장 면적, 안전요원 수 및 안전표지판 수 등과 같은 데이터를 제공하는 공공기관의 서버이다. 예를 들어, 공공데이터 서버(3)는 해양수산부 서버일 수 있다. 실시예들에 따른 해수욕장 위험도 평가 시스템(2)은 공공데이터 서버(3)가 제공하는 데이터를 기본데이터로 이용하여 이를 기반으로 해수욕장의 안전사고에 관련된 특징 데이터를 추출할 수 있다.
또한 일 실시예에서, 공공데이터 서버(3)는 해수욕장의 인명구조 장비함, 수상인명 구조대 및 안전요원 망루의 개수와 같은 안전 정보를 더 제공할 수도 있다.
사용자 장치(1)는 해수욕장 위험도 평가 시스템(2)을 이용하여 모델링 및/또는 특정 해수욕장에 대한 위험도 평가를 수행하는 사용자가 사용하는 장치이다. 사용자는 사용자 장치(1)를 통하여 해수욕장 위험도 평가 시스템(2)에 위험도 평가를 위해 필요한 인적데이터 등 필요 정보를 입력하거나, 또는 위험도 모델의 생성에 필요한 설문 등 사용자 입력을 입력하거나, 또는 해수욕장 위험도 평가 시스템(2)이 제공하는 위험도 평가 결과를 수신할 수 있다.
그러나, 다른 실시예에서는 해수욕장 위험도 평가 시스템(2) 자체가 사용자가 사용하는 컴퓨팅 장치의 형태로 구현될 수 있으며, 이 경우 사용자 장치(1)는 생략될 수 있다. 한편, 도 1에서 사용자 장치(1)는 노트북 컴퓨터의 형태로 도시되었다. 그러나, 이는 예시적인 것으로서, 사용자 장치(1)는 스마트폰(smartphone) 등 이동 통신 단말기, 개인용 컴퓨터(personal computer), PDA(personal digital assistant), 태블릿(tablet), IPTV(Internet Protocol Television) 등을 위한 셋톱박스(set-top box) 등 임의의 컴퓨팅 장치의 형태로 구현될 수도 있다.
일 실시예에서, 해수욕장 위험도 평가 시스템(2)은 데이터 수신부(20), 상황인식(situation awareness) 기반 분석부(24), 퍼지이론(fuzzy logic) 기반 분석부(25) 및 위험 평가부(26)를 포함한다.
실시예들에 따른 해수욕장 위험도 평가 시스템(2)과 이에 포함된 각 부(unit)는, 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 해수욕장 위험도 평가 시스템(2)과 이에 포함된 각 모듈 또는 부는 특정 형식 및 내용의 데이터를 처리하거나 또는/또한 전자통신 방식으로 주고받기 위한 하드웨어 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈(module)", "장치", "단말기", "서버" 또는 "시스템" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
또한, 해수욕장 위험도 평가 시스템(2)을 구성하는 각각의 요소는 반드시 서로 물리적으로 구분되는 별개의 장치를 지칭하는 것으로 의도되지 않는다. 즉, 도 1의 데이터 수신부(20), 상황인식 기반 분석부(24), 퍼지이론 기반 분석부(25) 및 위험 평가부(26) 등은 해수욕장 위험도 평가 시스템(2)을 구성하는 하드웨어를 해당 하드웨어에 의해 수행되는 동작에 따라 기능적으로 구분한 것일 뿐, 반드시 각각의 부가 서로 독립적으로 구비되어야 하는 것이 아니다. 물론, 실시예에 따라서는 데이터 수신부(20), 상황인식 기반 분석부(24), 퍼지이론 기반 분석부(25) 및 위험 평가부(26) 중 하나 이상이 서로 물리적으로 구분되는 별개의 장치로 구현되는 것도 가능하다.
도 2는 일 실시예에 따른 해수욕장 위험도 평가 시스템에 의한 평가 과정의 흐름도이다.
도 1 및 도 2를 참조하면, 해수욕장 위험도 평가 시스템(2)의 데이터 수신부(20)는 공공데이터 서버(3)로부터 기본 데이터를 수신하기 위한 데이터 수집부(21)를 포함할 수 있다. 예컨대, 데이터 수집부(21)는 공공데이터 서버(3)로부터 기후 환경, 바다 환경 및 인적 환경에 대한 공공데이터를 기본데이터로 수신할 수 있다(S1). 기후 환경에 대한 데이터는 예컨대 날씨, 기온 등을 포함하며, 바다 환경에 대한 데이터는 예컨대 수온, 파도 높이 등을 포함하고, 인적 환경에 대한 데이터는 예컨대 안전 시설이나 요원의 수 등을 포함할 수 있다.
이하의 본 명세서에서는, 수온, 파고, 풍속 및 풍향 등 자연 환경에 관련된 공공 데이터를 이용하여 해수욕장의 위험도를 평가하는 실시예들에 대하여 설명한다. 그러나, 본 명세서를 통하여 설명되는 원칙이 기후 환경에 대한 데이터 및/또는 인적 환경에 대한 데이터에 대해서도 동일한 방식으로 적용될 수 있다는 것이 통상의 기술자에게 용이하게 이해될 것이다.
일 실시예에서, 데이터 수신부(20)는 데이터 입력부(23)를 더 포함하여, 기본 데이터의 일부 또는 전부를 사용자 장치(1)를 통하여 사용자로부터 직접 입력받을 수 있다(S2).
또한 일 실시예에서, 데이터 수신부(20)는 데이터 수집부(21)에 의해 수집된 데이터를 데이터 가공부(22)에 의해 가공할 수도 있다(S2). 예컨대, 데이터 가공부(22)는 기본데이터에 대한 데이터 클리닝(data cleaning) 및 정규화(normalization) 등을 수행할 수 있다. 또한, 데이터 가공부(22)는 기본데이터를 바탕으로 해수욕장의 자연 환경 및/또는 인적 환경에 대한 가공데이터를 생성할 수 있다. 예컨대, 가공데이터는 파고, 너울성 파랑, 조류, 조석, 이안류, 해파리 쏘임, 안전요원 비율 및 안전표지판 비율 등일 수 있다.
그러나 이는 예시적인 것으로서, 공공데이터 서버(3)로부터 제공되는 정보만을 기본 데이터로 이용하는 경우 데이터 입력부(23) 및 데이터 가공부(22)는 생략될 수 있다.
해수욕장 위험도 평가 시스템(2)에서는, 기본데이터를 기반으로 안전사고를 정의할 수 있는 이벤트(event) 규칙을 결정할 수 있으며, 또한 이를 토대로 해수욕장의 위험도 평가를 위한 지표가 되는 위험과 이의 평가 방법 및 안전범위 등을 정의할 수 있다. 예컨대, 위험은 해수욕장의 표류(漂流, drifting) 및 익수(溺水, drowning) 사고에 의해 정의될 수 있다. 표류는 해수욕 중 이안류 등이 발생하여 해안선에서 멀리 떠밀려 수면 위에 맨몸이나 튜브 등에 의지하여 떠 있는 상태로 구조를 받아야 하는 위급한 상황을 의미하며, 익수는 자연 환경 또는 개인의 신체적 이상 등으로 해수욕 중 물에 빠져 구조를 받아야 하는 위급한 상황을 의미한다.
본 명세서에서 대상 해수욕장이란 반드시 특정한 하나의 지점에 대응되는 것이 아니며, 또한 본 명세서의 실시예들에 의해 산출되는 위험도는 특정한 하나의 사람에 상응하는 것이 아닐 수 있다. 예컨대, 특정 지역범위 내의 다수의 해수욕장 전체에 대해 위험도를 평가하거나, 또는 대상자의 연령, 성별, 병력 등을 다양하게 설정하여 어떠한 특성을 가지는 대상자들이 어떤 위험도를 가지는지를 사전에 분석하는 것도 본 발명의 실시예들에서 지칭하는 대상 해수욕장에 대한 평가에 포함된다.
해수욕장 위험도 평가 시스템(2)의 상황인식 기반 분석부(24)는, 상황인식 알고리즘에 기반하여 기본 데이터 중 위험 상황에 관련된 하나 이상의 특징 데이터를 결정하며, 특징 데이터를 기반으로 데이터 수신부(20)에 수신된 기본 데이터에 상응하는 위험 상황 예측값을 산출할 수 있다(S3).
이상의 동작을 위하여, 일 실시예에서 상황인식 기반 분석부(24)는 복수 개의 특징 데이터로부터 생성되는 하나 이상의 특징 조합을 생성하는 특징 조합 추출부(241), 생성된 특징 조합에 대한 군집화를 통하여 군집 기준 정보 및 위험 상황 정의 정보를 도출하는 군집화부(242), 및 군집 기준 정보를 이용하여 기본 데이터에 대한 군집화를 수행한 결과를 위험 상황 정의 정보와 비교하여 위험 상황 발생 확률을 산출하는 확률 산출부(243)를 포함한다.
도 3은 도 2에 도시된 평가 과정에서 상황 인식 예측 과정을 상세히 나타내는 순서도이며, 도 4는 도 3에 도시된 상황 인식 예측 과정의 개념도이다.
도 1, 도 3 및 도 4를 참조하면, 특징 조합 추출부(241)는 기본 데이터로 수신된 데이터들을 특징 데이터로 이용하여 특징들의 조합을 생성할 수 있다(S32). 이때, 일 실시예에서 특징 조합 추출부(241)는 특징들의 조합을 도출하기 전에 서로 상이한 수치 범위를 가지는 각 특징 데이터를 동일한 구간(예컨대, 0 내지 1)의 수치로 변환하는 정규화 과정을 수행할 수도 있다(S31).
예를 들어, 본 명세서에 기재된 실시예들에서는 수집이 용이한 자연 환경 데이터로서 하기 표 1과 같은 데이터들을 특징 데이터로 이용하였다.
특징 이름 | 특징 정의 |
Hour | 0~23 시간으로 구분 |
wind_dir | 특정 시간 사이에 측정된 풍향의 평균 |
wind_speed | 특정 시간 사이에 측정된 풍속의 평균 |
current_dir | 특정 시간 사이에 측정된 유향의 평균 |
current_speed | 특정 시간 사이에 측정된 유속의 평균 |
wave_height | 특정 시간 사이에 측정된 파고의 평균 |
water_temp | 특정 시간 사이에 측정된 수온의 평균 |
tide_height | 특정 시간 사이에 측정된 조위의 평균 |
dif_tide_height | 특정 시간 사이에 측정된 조위의 최고/최저 차 |
tide_variation | 특정 시간 사이에 측정된 조위의 절대변화량 |
이때, 표 1에 기재된 특징 데이터 중 조위의 절대변화량을 나타내는 tide_variation은 조위 값을 x라고 할 경우 하기 수학식 1에 의해 표현되는 함수에 의하여 산출될 수 있다.
[수학식 1]
상황인식 기반 분석부(24)는, 미리 설정된 훈련 데이터로부터 추출된 특징 데이터를 이용하여 표류 및 익수 사고 각각에 관련된 위험 상황을 정의하는 기준 정보를 도출할 수 있다.
본 명세서에 기재된 실시예들에서는 대천 해수욕장의 2016년부터 2018년까지의 데이터를 훈련 데이터로 이용하였으며, 해수욕장의 개장 기간인 6월 셋째 주 토요일부터 8월 셋째 주 일요일까지 총 65일을 예측 범위로 한정하였다. 또한, 수집된 데이터는 2시간 단위 평균값을 취하여 이용하였다. 그러나 이는 본 발명자들이 본 발명의 실시예들의 효과를 확인하기 위하여 수행한 시험에 사용된 데이터를 단지 예시하기 위한 것이며, 본 발명의 범위를 한정하는 것이 아니라는 점이 용이하게 이해될 것이다.
상황인식 기반 분석부(24)의 군집화부(242)는, 인식될 상황을 정의하기 위하여, 특징 조합 추출부(241)에 의해 추출된 특징 조합에 대한 군집화를 수행하고(S33), 이를 통하여 상황을 정의하는 특징들의 목록과 패턴을 도출할 수 있다. 먼저, 군집화부(242)는 군집화를 수행할 기준이 되는 군집 기준 정보를 도출할 수 있다(S34). 예를 들어, 일 실시예에서 특징 조합에 대한 군집화에는 k-평균 군집화(k-means clustering) 알고리즘이 이용될 수 있으며, 군집화부(242)는 특징 조합에 대한 k-평균 군집화를 통하여 군집화에 적합한 최적의 k 값을 도출할 수 있다. 최적의 k 값은 격차 통계(gap statistics)에 기반하여 도출될 수 있으나, 이에 한정되는 것은 아니다.
다음으로, 군집화부(242)는 훈련 데이터의 특징 데이터에 대한 군집화를 통하여(S35), 특징 목록별로 위험 상황을 정의하는 위험 상황 정의 정보를 도출할 수 있다(S36). 이때 위험 상황 정의 정보란, 군집화를 통해 생성된 각 클러스터를 정의하는 특징의 최소값 및/또는 최대값을 지칭할 수 있으나, 이에 한정되는 것은 아니다. 또한, 전술한 군집화를 통한 최적의 기준값 도출 과정과 병행하여, 인식될 상황을 정의하기 위한 특징들의 목록과 이의 군집화를 위한 기준값은 적어도 부분적으로 사용자에 의해 설정될 수도 있다.
다음으로, 상황인식 기반 분석부(24)의 확률 산출부(243)는, 지각(perception) 과정으로서 전술한 것과 같이 산출된 위험 상황 정의 정보를 토대로 대상 해수욕장의 기본 데이터로부터 군집화된 각 클러스터가 가지는 위험 발생 확률을 산출할 수 있다(S37). 예컨대, 일 실시예에서 각 클러스터의 위험 발생 확률은 베이지안(Bayesian) 이론을 토대로 하기 수학식 2 내지 수학식 4에 의하여 산출될 수 있다.
[수학식 2]
[수학식 3]
[수학식 4]
상기 수학식 2는 위험상황 S에서 발견된 위험상황 패턴 SC의 위험 발생 확률 p(SC)을 정의한다. 위험상황 S는 해수욕장 안전사고를 발생하는 자연 요인들의 관계성을 바탕으로 하며, 위험상황 패턴 SC는 위험상황에 영향을 미치는 자연 요인들의 관계에서 발견된 위험상황 발생 패턴을 의미한다. 예를 들어, 자연요인인 풍속, 파도, 수심을 통해 풍속 2 m/s, 파도 0.5 m, 수심 1.6 m 일 때 표류사고가 발생하는 것으로 파악되었다고 가정하면, 위험상황 S는 풍속, 파도, 수심을 통해 위험상황 S를 정의한 것이며, 세부적인 위험상황 발생 조건인 위험상황 패턴SC는 각각의 실측 수치를 의미할 수 있다.
본 발명자들은, 위험 발생 확률 p(SC)를 정의하기 위하여 사후 확률을 기반으로 사전 확률을 정의하는 베이지안 정리(Bayesian Theorem)를 이용하였다. 수학식 2에서 predSC는 위험상황 패턴SC에서 관측된 해수욕장 안전사고 발생 실측 정보를 기반으로 한 사후확률을 의미한다. 해당 사후확률을 통해 위험 상황 S에서 군집화를 통해 정의한 위험 상황 발생 패턴인 SC에 대하여 사전확률인 위험상황 발생 확률 p(SC)를 정의할 수 있다.
또한, 상기 수학식 3은 사전확률인 위험상황 패턴SC의 위험상황 발생 확률 p(SC)를 통해 위험 상황 S의 위험 발생 확률 p(S)를 정의한다. 본 발명자들은 이를 위해 베이지안 네트워크(Bayesian Network) 개념을 적용하였다. 수학식 3의 n은 위험 상황 S에서 발견된 위험상황 발생 패턴SC의 수이며, 위험상황 S에서 발견된 위험상황 발생 패턴들의 확률을 통합하기 위하여 평준화 방법을 이용하였다.
다음으로, 각 상황 간의 위험 발생 확률을 수학식 4에 의하여 평균화함으로써 대상 시간 구간(예컨대, 2시간) 동안의 위험 발생 확률 p(Accident)을 산출할 수 있다. 수학식 4에서 m은 정의된 상황의 개수를 의미한다.
즉, 본 발명자들은 베이지안 정리를 통해 해수욕장 실측 수치와 사고 발생 정보로부터 위험상황 패턴의 발생확률을 수학식 2와 같이 정의하고, 수학식 3과 같이 베이지안 네트워크를 통해 각 위험상황 패턴 SC의 발생 확률을 위험상황 S에 대한 확률로 통합하며, 수학식 4를 통하여 위험상황 S를 해수욕장 안전사고 발생 확률 p(Accident)로 통합하였다.
다음으로, 확률 산출부(243)는 이해(comprehension) 과정으로서, 대상 시간 구간 동안의 위험 발생 확률을 입력값으로 하여 위험 상황에 대한 예측값을 결정할 수 있다(S38). 예를 들어, 일 실시예에서 위험 상황 예측값은 해당 시간대의 위험 발생 유무를 각각 1과 0으로 나타낸 이진값의 형태를 가질 수 있다. 위험 발생 확률로부터 예측값을 도출하는 과정에는 가우시안 커널(Gaussian kernel) 서포트 벡터 머신(Support Vector Machine; SVM)과 같은 머신 러닝(machine learning) 알고리즘이 이용될 수 있으나, 이에 한정되는 것은 아니다.
본 발명자들은, SVM의 훈련 과정에서는 지각 단계에서 도출한 대상 시간 구간의 위험 발생 확률을 기준으로, 표류에 대해서는 위험 발생 확률 80% 이상, 익수에 대해서는 위험 발생 확률 70% 이상인 데이터를 훈련 데이터로 이용하되, 정확도가 90% 이상인 데이터들은 과적합을 방지하기 위하여 제외하였다.
도 5a 및 5b는 표류 사고를 대상으로 한 종래 기술에 의한 예측 결과를 일 실시예에 따른 해수욕장 위험도 평가 방법에 의한 예측 결과와 비교하여 나타낸 그래프로서, 도 5a는 종래의 기술에 의해 예측된 위험 상황 발생 확률을 나타낸 것이고, 도 5b는 본 발명의 일 실시예에 의하여 예측된 위험 상황 발생 확률을 나타낸 것이다. 종래의 방법에서는 위험 상황 발생 확률이 0.00058로 도출되었으며, SVM을 통한 예측값은 67.867%의 한계를 갖는다. 반면, 본 발명의 일 실시예에 의한 방법에서는 위험 상황 발생 확률이 0.6758로 도출되었으며, SVM을 통한 예측값은 표류 92.009%, 익수 98.411%의 값이 도출되었다.
다시 도 1 및 도 2를 참조하면, 해수욕장 위험도 평가 시스템(2)의 퍼지이론 기반 분석부(25)는 기본 데이터 중 하나 이상의 데이터를 기반으로 하는 퍼지 함수를 저장하며, 퍼지 함수를 이용하여, 데이터 수신부(20)에 수신된 기본 데이터에 상응하는 위험 등급을 결정할 수 있다(S4). 퍼지이론에 기반한 분석 과정은 전술한 상황인식 기반의 위험 상황 예측 과정(S3)과 동시에 또는 위험 상황 예측 과정(S3)의 전 또는 후에 수행될 수 있다.
퍼지이론 기반의 분석을 위하여, 일 실시예에서 퍼지이론 기반 분석부(25)는 상이한 복수의 특징 데이터에 의해 각각 정의되는 하나 이상의 퍼지 함수를 저장하는 퍼지함수 저장부(251), 및 기본 데이터를 퍼지 함수에 대한 입력 데이터로 이용하여 위험 등급을 결정하는 등급 결정부(252)를 포함한다. 퍼지 함수는, 입력되는 특징 데이터의 값에 따라 해당 데이터가 특정 위험 등급에 해당하는 정도를 직선 형태로 나타낸 전건부를 가지며, 이러한 전건부의 정보를 토대로 해당 특징 데이터를 토대로 한 위험 등급을 결정하는 후건부를 가질 수 있다.
본 발명자들은, 해양경찰, 안전관리요원 등 전문가들의 경험을 토대로 퍼지 멤버십 함수(fuzzy membership function)를 구성하였으며, 자연 환경에 관련된 6가지 특징 데이터(파고, 수심, 조류속도(유속), 조류방향(유향), 풍속 및 풍향)를 이용하여 3가지 퍼지 함수를 정의하였다. 3가지 퍼지 함수는 익수 및 표류 각각의 사고에 대한 퍼지 규칙을 정의하며, 각 퍼지 함수의 전건부는 각 특징 데이터에 따른 위험 등급을 나타내고, 후건부는 이를 퍼지 함수로 합쳤을 때 산출되는 위험 등급을 나타낸다. 여기서 퍼지 함수는 두 가지 특징 데이터에 의해 나타내는 결과를 나타내는 역할을 하며, 퍼지 규칙은 퍼지 함수에 입력된 특징 데이터를 처리하는 기준을 정의하는 정보를 지칭한다.
도 6a 내지 6c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 퍼지 함수의 예시적인 형태를 나타내는 그래프로서, 도 6a 및 6b는 각각 전건부로서 파고 및 수심에 대한 등급을 결정하는 퍼지 함수를 나타내며, 도 6c는 후건부의 종합적인 위험 등급을 결정하는 퍼지 함수를 나타낸다. 이때, 수심은 해수욕장의 평균 수심과 조위 값의 합으로 산출되었다.
또한, 표 2는 표류 및 익수 각각의 사고에 대해, 파고 및 수심의 특징 데이터를 이용하여 퍼지 규칙에 따라 결정되는 등급을 나타내는 것으로, 매우 작음(VS), 작음(S), 중간(M), 큼(B) 및 매우 큼(VB)의 등급으로 위험도를 분류한 결과를 나타낸다. 표에 나타난 바와 같이, 수심과 파고가 클수록 표류 및 익수 모두 위험 등급이 증가하였으나, 각 입력 데이터의 사고의 종류 별로 상이하였다.
파고 | 표류 | 익수 | ||||
수심 | 수심 | |||||
작음 | 중간 | 큼 | 작음 | 중간 | 큼 | |
작음 | VS | M | B | VS | S | B |
중간 | M | B | VB | M | M | B |
큼 | M | B | VB | M | B | VB |
도 7a 내지 7c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 또 다른 퍼지 함수의 예시적인 형태를 나타내는 그래프로서, 도 7a 및 7b는 각각 전건부로서 조류방향 및 조류속도에 대한 등급을 결정하는 퍼지 함수를 나타내며, 도 7c는 후건부의 종합적인 위험 등급을 결정하는 퍼지 함수를 나타낸다. 또한, 표 3은 표류 및 익수 각각의 사고에 대해, 조류방향 및 조류속도의 특징 데이터를 이용하여 퍼지 규칙에 따라 결정되는 등급을 나타낸다.
조류 방향 | 표류 | 익수 | ||||
조류 속도 | 조류 속도 | |||||
작음 | 중간 | 큼 | 작음 | 중간 | 큼 | |
작음 | S | S | VS | S | S | VS |
중간 | M | B | VB | S | M | B |
큼 | M | B | VB | M | M | B |
도 8a 내지 8c는 일 실시예에 따른 해수욕장 위험도 평가 방법에 의해 사용된 또 다른 퍼지 함수의 예시적인 형태를 나타내는 그래프로서, 도 8a 및 8b는 각각 전건부로서 풍향 및 풍속에 대한 등급을 결정하는 퍼지 함수를 나타내며, 도 8c는 후건부의 종합적인 위험 등급을 결정하는 퍼지 함수를 나타낸다. 또한, 표 4는 표류 및 익수 각각의 사고에 대해, 풍향 및 풍속의 특징 데이터를 이용하여 퍼지 규칙에 따라 결정되는 등급을 나타낸다.
풍향 | 표류 | 익수 | ||||
풍속 | 풍속 | |||||
작음 | 중간 | 큼 | 작음 | 중간 | 큼 | |
작음 | VS | VS | VS | VS | VS | VS |
중간 | S | M | B | S | M | M |
큼 | M | B | VB | S | M | B |
다시 도 1 및 도 2를 참조하면, 전술한 과정에 의하여 상황인식 및 퍼지이론을 통해 도출된 특징들과 안전 사고에 대한 정보들은 위험 평가부(26)의 데이터베이스(database; DB)(261)에 저장될 수 있다.
또한, 위험 평가부(261)의 위험 산출부(263)는 상황인식 및 퍼지이론을 통해 도출된 결과들을 이용하여 대상 해수욕장의 위험도를 산출할 수 있다(S5). 일 실시예에서, 위험 산출부(263)는 상황인식 및 퍼지이론을 통해 표류 및 익수에 대한 각각의 위험도를 산출하고, 이를 다중 선형 회귀에 적용하여 해수욕장 위험도를 산출할 수 있다. 또한, 위험 산출부(263)는 특징들 사이의 상관관계를 분석하여, 해수욕장 위험도에 전반적으로 큰 영향을 주는 요소들을 확인할 수도 있다.
일 실시예에서, 위험 평가부(26)의 가중치 조정부(262)는 대상 해수욕장의 자연 환경 특성에 기초하여 결정되는 해변 가중치를 결정하고(S6), 위험 산출부(263)에서는 표류 및/또는 익수 사고에 대한 위험도를 산출함에 있어서 가중치 조정부(262)에 의하여 결정된 해변 가중치를 적용하여 위험도를 산출할 수도 있다(S7).
해변 가중치는 대상 해변이 위치한 방향이나 해변의 특성과, 해변의 평균 파도 높이, 및 그 외 표류 및/또는 익수 사고 발생에 높은 영향을 미치는 것으로 알려진 해변의 특성(예컨대, 이안류) 등을 기초로 설정된 아래의 표 5와 같이 결정될 수 있다.
위치 | 해변 정의 | 특징 | 조건 | |||
0 | 1 | 2 | 3 | |||
동해 | 이안류 및 해류 | 1) 평균 파도 높이 1.5-2.5m 이상 2) 이안류 발생 |
0.20 | 0.30 | 0.50 | - |
연안 사주 | 1) 평균 파도 높이 0.5~1.5m | 0.20 | 0.30 | - | - | |
계단식 | 1) 평균 파도 높이 0.5m 미만 | 0.10 | 0.20 | - | - | |
남해 | 낮은 역조 | 1) 평균 파도 높이 1.0~2.0m 2) 가장 낮은 조위[썰물]와 가장 높은 조위[밀물]의 차이가 평균 3배 차이 |
0.15 | 0.25 | 0.35 | - |
여러 개의 모래사장을 따라 생긴 형태 |
1) 평균 파도 높이 0.5~1.0m 2) 조위 평균 2.0 ~ 5.0m |
0.10 | 0.15 | 0.25 | - | |
조수 및 계단식 | 1) 평균 파도 높이 1.0m 미만 2) 조수 간만의 차로 발생한 해안의 차가 100m 이내 |
0.10 | 0.15 | 0.20 | - | |
서해 | 모래사장을 따라 생긴형태 |
1) 평균 파도 높이 1.0m 2) 평균 조위 5.0m 3) 평균 해변 길이 400m 이상 |
0.10 | 0.20 | 0.26 | 0.30 |
모래 평면 | 1) 평균 파도 높이 0.5m 미만 | 0.10 | 0.20 | - | - | |
모래 및 진흙 | 1) 평균 파도 높이 0.5m 미만 | 0.10 | 0.20 | - | - |
상기 표 5는 기타 요소를 제외한 자연 환경 요소에 의하여 해변의 위험 발생 정도의 높고 낮음을 가중치로 나타낸 것이다. 상기 표 5에서 우측의 조건 0 내지 3은, 대상 해수욕장이 표 5의 좌측에 의해 정의된 해변의 특징들 중 몇 가지에 부합하는지를 통해 가중치를 결정하기 위한 것이다. 표 5에 분류된 해수욕장들은 각 해변 정의에 따라 위험도가 상이하므로, 해변의 정의에 따라 가질 수 있는 최대 가중치가 상이하게 결정될 수 있다. 각 특징들은 정의된 해변이 가지고 있는 대표적인 특징들이므로, 정의된 해변에 부합되는 특징 조건이 많을수록 가중치를 높게 결정할 수 있다.
예를 들어, 동해의 이안류 및 해류에 속하는 대상 해수욕장에 대한 위험도 평가 및 예측을 수행하는 경우, 대상 해수욕장이 표 5의 동해 이안류 및 해류에 해당하는 2가지 특징 중 몇 개에 부합하는지를 확인하고, 1개가 부합되면 0.3의 가중치를 부여하며, 2개가 부합되면 0.5의 가중치를 부합할 수 있다. 또한, 대상 해수욕장이 계단식 해변(동해)이고, 평균 파도 높이가 0.5m 미만이라면 0.2의 가중치를 산정합니다. 한편, 상기 표 5에서 이안류가 발생한 시간 구간에 대해서는 항상 가중치를 0.5로 산정하였다.
본 발명자들은, 이상에서 실시한 본 발명의 실시예들에 따라 해수욕장의 표류 위험도 및 익수 위험도를 각각 상황인식 및 퍼지이론에 기반하여 산출하였으며, 그 결과를 예시로서 기재하면 아래와 같다.
먼저, 표류 위험도는 특정 시간 구간(예컨대, 2시간) 동안 수집한 정보들을 이용하여 특정 시간 범위 내에서 표류가 발생할 확률을 정의한다. 본 발명의 일 실시예에 의하여, 상황 인식에 의한 결과 데이터로는 시간(hour), SVM을 통해 산출된 사고 발생 확률(svm) 및 위험 상황 예측값(prediction)이 이용되었다. 또한, 퍼지이론에 의한 결과 데이터로는 파고 및 수심을 특징 데이터로 이용하여 결정된 위험 등급, 조류속도와 조류방향을 특징 데이터로 이용하여 결정된 위험 등급, 및 풍속과 풍향을 특징 데이터로 이용하여 결정된 위험 등급이 이용되었다.
그 결과, 일 실시예에서 표류 위험도는 하기 수학식 5와 같이 정의될 수 있다.
[수학식 5]
수학식 5에서 아래첨자 i는 표류 위험도를 산출하는데 사용된 특징을 의미하며, m은 사용된 총 특징의 수를 의미한다. 즉, 수학식 5의 예에서는 m의 값은 6이다.
또한, 수학식 5에서 α는 각 특징에 대하여 선형 회귀를 통하여 도출된 회귀 계수를 의미한다. 즉, αHOUR는 시간이라는 입력 데이터에 대한 회귀 계수를 의미하며, αSA-prediction는 상황 인식 기반의 예측값에 대한 회귀 계수를 의미하고, αSVM은 SVM을 통한 사고 발생 확률에 대한 회귀 계수를 의미하며, αF-whdw는 파고/수심을 이용한 퍼지 이론 기반의 위험 등급에 대한 회귀 계수를 의미하고, αF-current는 조류속도/조류방향을 이용한 퍼지 이론 기반의 위험 등급에 대한 회귀 계수를 의미하며, αF-wind는 풍향/풍속을 이용한 퍼지 이론 기반의 위험 등급에 대한 회귀 계수를 의미한다.
나아가, 수학식 5에서 β는 표류 위험도에 대한 회귀 상수를 의미한다.
본 발명자들은 이상과 같이 산출된 표류 위험도가 실제 알려진 결과와 얼마나 일치하는지 여부에 대한 실험을 수행하였다. 실험은 K겹 교차검증(K-fold 검증)에 의해 수행하였고, K의 값은 5로 설정하였다. 실험에 사용된 데이터는 표류 사고 178건에 대한 정보가 존재하는 대천 해수욕장의 데이터 셋을 사용하였으며, 2016년부터 2018년까지의 데이터 중 개장 기간인 6월 셋째 주 토요일부터 8월 셋째 주 일요일까지 총 65일을 예측 범위로 한정하였다.
실험 결과는 하기 표 6과 같이 나타났으며, 표류 위험에 대한 평가의 정확도는 약 83.01%로 나타났다. 따라서, 상황인식 및 퍼지이론에 기반하여 도출된 자연 환경 정보들이 표류 사고와 관계가 있는 것을 식별하고, 이를 통해 표류 사고 발생의 위험도를 산출함으로써 사고 발생을 예측할 수 있음을 확인할 수 있다.
모델 정보 | 결과 | |
정확도(Accuracy) | 83.01(%) | |
회귀 상수(β) | -0.0557 | |
회귀 계수(α) | hour | -2.48962331e-02 |
vm | 2.61870946e-02 | |
rediction | 1.30010008e+01 | |
uzzy_whdw | 1.51162702e-01 | |
uzzy_current | -7.14629354e-02 | |
uzzy_wind | -6.67074540e-03 |
다음으로, 익수 위험도 역시 동일한 방식으로 특정 시간 범위 내에서 익수 사고가 발생할 확률을 정의하며, 특정 시간 구간(예컨대, 2시간) 내에서 수집된 기본 데이터로부터 상황인식 및 퍼지이론에 의해 도출된 특징값들을 선형 회귀 방식으로 분석하여 익수 위험도를 산출하였다. 이때 사용된 특징은 전술한 표류 위험도에 사용된 특징과 동일하므로, 설명의 중복을 피하기 위해 자세한 설명은 생략한다.
그 결과, 일 실시예에서 익수 위험도는 하기 수학식 6과 같이 정의될 수 있다.
[수학식 6]
또한, 본 발명자들은 이상과 같이 산출된 익수 위험도가 실제 알려진 결과와 얼마나 일치하는지 여부에 대한 실험을 수행하였다. 실험은 표류 위험도에 사용된 것과 동일한 대천 해수욕장의 데이터에서 익수 사고 34건에 대한 정보를 이용하여 수행되었으며, 실험에 사용된 교차 검증 방법은 전술한 표류 위험도의 경우와 동일하다.
실험 결과는 하기 표 7과 같이 나타났으며, 익수 위험에 대한 평가의 정확도는 약 54.81%로 나타났다. 따라서, 상황인식 및 퍼지이론에 기반하여 도출된 자연 환경 정보들이 표류 사고만큼 높은 정도는 아니더라도 익수 사고와 관계가 있는 것을 식별할 수 있었다.
모델 정보 | 결과 | |
정확도(Accuracy) | 54.81(%) | |
회귀 상수(β) | 0.0741 | |
회귀 계수(α) | hour | -0.00574603 |
rediction | 5.06766406 | |
uzzy_whdw | 0.02808088 | |
uzzy_current | -0.22744343 | |
uzzy_wind | 0.01194618 |
한편, 일 실시예에서는 표류와 익수 사고를 포함한 해수욕장에서 발생하는 사고에 대한 위험도를 해수욕장 위험도로 정의하여, 전술한 표류 위험도 및 익수 위험도와 동일한 방식으로 특정 시간 범위 내에서 해수욕장의 사고가 발생할 확률을 해수욕장 위험도로 산출하였다. 특정 시간 구간(예컨대, 2시간) 내에서 수집된 기본 데이터로부터 상황인식 및 퍼지이론에 의해 도출된 특징값들을 선형 회귀 방식으로 분석하여 해수욕장 위험도를 산출하였으며, 이때 사용된 특징은 전술한 표류 및 익수 위험도에 사용된 특징과 동일하다.
그 결과, 일 실시예에서 해수욕장 위험도는 하기 수학식 7과 같이 정의될 수 있다.
[수학식 7]
상기 수학식 7에서 BW는 전술한 가중치 조정부(262)에 의하여 산출되는 해변 가중치를 의미한다. 그 외 다른 항들의 의미는 수학식 5 및 수학식 6의 표류 위험도 및 익수 위험도 산출과 관련하여 전술한 것과 동일하므로 자세한 설명을 생략한다.
또한, 본 발명자들은 이상과 같이 산출된 해수욕장 위험도가 실제 알려진 결과와 얼마나 일치하는지 여부에 대한 실험을 수행하였다. 실험은 표류 및 익수 위험도에 사용된 것과 동일한 대천 해수욕장의 데이터에서 전체 사고 195건에 대한 정보를 이용하여 수행되었으며, 실험에 사용된 교차 검증 방법은 전술한 표류 위험도의 경우와 동일하다.
실험 결과는 하기 표 8과 같이 나타났으며, 해수욕장 위험에 대한 평가의 정확도는 약 78.57%로 나타났다. 따라서, 상황인식 및 퍼지이론에 기반하여 도출된 자연 환경 정보들이 해수욕장의 사고와 관계가 있는 것을 식별하고, 이를 통해 해수욕장 사고 발생의 위험도를 산출함으로써 사고 발생을 예측할 수 있음을 확인할 수 있다.
모델 정보 | 결과 | |
정확도(Accuracy) | 78.13(%) | |
회귀 상수(β) | -0.7516 | |
회귀 계수(α) | Hour | -1.14936664e-02 |
rediction | 1.19459870e+01 | |
vm | 4.65372234e-02 | |
uzzy_whdw | 2.58206372e-01 | |
uzzy_current | 9.65302770e-01 | |
uzzy_wind | -1.50357809e-02 |
일 실시예에서, 위험 산출부(263)는 전술한 방식으로 산출된 해수욕장의 위험도를 기준으로 위험도를 하기 표 9에 도시된 것과 같인 5개의 단계로 결정할 수 있다. 이때, 위험도는 2시간 단위로 산출될 수 있다.
단계 | 정의 | 위험도 | |
5 | 매우 위험 |
자연 환경으로 인해 해수욕장 사고가 발생할 가능성이 현저히 높으며, 관광객들이 해수용장을 사용하는 것을 금지함 | x ≥ 0.55 |
4 | 위험 | 자연 환경으로 인해 해수욕장 사고가 발생할 가능성이 높으며, 관광객들이 해수욕장을 사용하지 않는 것을 권고 | 0.45 ≤ x < 0.55 |
3 | 경보 | 자연 환경으로 인해 해수욕장 사고가 발생할 수 있으며, 해수욕장 이용이 가능하나 안전요원의 관리가 필요 | 0.35 ≤ x < 0.45 |
2 | 주의 | 해수욕장 이용을 할 수 있으나, 자연 환경으로 인해 해수욕장 사고가 발생할 수 있다는 주의가 필요(관광객들이 사고가 발생 할 수 있다는 것을 인식하고 있어야 함) | 0.2 ≤ x < 0.35 |
1 | 안전 | 관광객들이 해수욕을 하기에 안전한 자연환경 | x < 0.2 |
또한 본 발명자들은, 해수욕장 위험도 모델을 검증하기 위해 태풍이 발생한 날에 대한 데이터를 수집하여, 이러한 데이터 셋을 입력하여 본 발명의 실시예들에 따른 시스템에 의하여 출력되는 결과를 통해 실제 태풍이 발생한 날에 위험도가 어떻게 산출되는지를 확인하였다.
실험에 사용한 데이터는 2018년부터 2019년도에 발생한 태풍 10건에 대한 것이며, 태풍이 발생한 시점을 기준으로 전후 15일 기간의 데이터를 수집하였다. 해수욕장 위험도 평가를 위해 경포대, 해운대, 대천 해수욕장의 데이터를 수집하였으며, 대상 기간에 해당 지역에 발생한 태풍은 쁘라빠룬, 룸비아, 솔릭, 콩레이(이상 2018년) 및 다나스, 프란시스코, 레끼마, 크로사, 링링, 타파(이상 2019년)이다.
실험 결과는 아래의 표 10과 같고, 이때 정확도는 태풍이 발생한 날에 대해서 위험 단계가 표 9의 위험도에 따른 단계 분류에서 [안전]이 아닌 [매우 위험], [위험], [경보] 및 [주의]로 식별된 결과를 이용하여 하기 수학식 8과 같이 결정되었다.
해수욕장 | 위험 단계 | 예측 결과 | 가중치 기준 | 가중치 | 정확도(%) |
경포대 해수욕장 |
매우 위험 | 0 | 동해 (연안 사주) 1) 평균 파도 높이 0.5~1.5m |
0.3 | 98.57 |
위험 | 0 | ||||
경보 | 12 | ||||
주의 | 195 | ||||
안전 | 3 | ||||
해운대 해수욕장 |
매우 위험 | 2 | 남해 (낮은 역조) 1) 평균 파도 높이 1.0 ~ 2.0m |
0.25 | 94.53 |
위험 | 0 | ||||
경보 | 9 | ||||
주의 | 162 | ||||
안전 | 12 | ||||
대천 해수욕장 |
매우 위험 | 0 | 서해 (모래사장을 따라 생긴 형태) 1) 평균 파도 높이 1.0m 2) 평균 해변 길이 400m 이상 |
0.26 | 83.24 |
위험 | 0 | ||||
경보 | 0 | ||||
주의 | 154 | ||||
안전 | 31 |
[수학식 8]
정확도(%) = [태풍이 발생한 기간 동안 위험 단계 수] / [태풍이 발생한 기간] Х 100
상기 표 10에 나타난 것과 같이, 3곳의 해수욕장에 대해 태풍이 발생한 기간에 대한 위험도 산출을 통하여, 태풍이 발생한 기간의 총 580건의 사고를 포함한 데이터를 대상으로 사고가 발생할 수 있다는 예측 결과 534건을 도출함으로써, 약 92.06%의 높은 예측 정확도를 달성하였다. 따라서, 본 발명의 실시예들에 의한 해수욕장 위험도 평가 모델이 자연 환경과 사고 사이에 존재하는 관계를 식별하고 있으며, 이를 기반으로 해수욕장의 위험도를 예측하고 평가하는 것이 가능하다는 점을 확인할 수 있다.
일 실시예에서, 해수욕장 위험도 평가 시스템(2)은 대상 해수욕장의 위험도를 평가한 결과 일정 수준 이상으로 위험도가 높을 경우 이를 사용자 장치(1), 공공데이터 서버(3) 또는 해수욕장에 대한 관리 책임이 있는 다른 기관의 서버 등에 통지하여 안전 사고에 대한 대비가 가능하도록 할 수도 있다. 또한, 해수욕장 위험도 평가 시스템(2)은 위험에 대한 알림을 해수욕장에 위치하는 이용객들의 사용자 장치에 재난 알림 SMS와 같은 형태로 직접 전송할 수도 있다.
이상에서 설명한 실시예들에 따른 해수욕장 위험도 평가 방법에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 실시예들에 따른 해수욕장 위험도 평가 방법에 의한 동작을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해서 정해져야 할 것이다.
Claims (11)
- 대상 해수욕장에 관련된 공공 데이터를 포함하는 기본 데이터를 수신하도록 구성된 데이터 수신부;
상황인식 알고리즘에 기반하여 상기 기본 데이터 중 위험 상황에 관련된 하나 이상의 특징 데이터를 결정하며, 상기 특징 데이터를 기반으로 상기 기본 데이터에 상응하는 위험 상황 예측값을 산출하도록 구성된 상황인식 기반 분석부;
상기 기본 데이터 중 하나 이상의 데이터를 기반으로 하는 퍼지 함수를 저장하며, 상기 퍼지 함수를 이용하여, 상기 기본 데이터에 상응하는 위험 등급을 결정하도록 구성된 퍼지이론 기반 분석부; 및
상기 상황인식 기반 분석부에 의해 산출된 위험 상황 예측값 및 상기 퍼지이론 기반 분석부에 의해 결정된 위험 등급을 이용하여 상기 대상 해수욕장의 위험도를 산출하도록 구성된 위험 평가부를 포함하되,
상기 퍼지이론 기반 분석부는,
서로 상이한 복수의 특징 데이터에 의해 각각 정의되는 하나 이상의 퍼지 함수를 저장하도록 구성된 퍼지함수 저장부; 및
상기 기본 데이터를 상기 퍼지 함수에 대한 입력 데이터로 이용하여 상기 위험 등급을 결정하도록 구성된 등급 결정부를 포함하며,
상기 하나 이상의 퍼지 함수 각각은,
입력되는 두 가지 특징 데이터에 각각 상응하는 두 개의 위험 등급을 결정하기 위한 전건부; 및
상기 전건부에 의해 결정된 상기 두 개의 위험 등급을 종합하여 상기 등급 결정부에 의해 결정될 상기 위험 등급을 산출하기 위한 후건부를 포함하고,
상기 위험 평가부는,
상기 기본 데이터 중 하나 이상의 데이터, 상기 위험 상황 예측값 및 상기 위험 등급에 각각 미리 설정된 회귀 계수를 곱한 값을 합산하는 다중 선형 회귀 방식으로 상기 대상 해수욕장의 위험도를 산출하도록 구성된 위험 산출부를 포함하는 해수욕장 위험도 평가 시스템.
- 제1항에 있어서,
상기 상황인식 기반 분석부는,
복수 개의 특징 데이터로부터 생성되는 하나 이상의 특징 조합을 생성하도록 구성된 특징 조합 추출부;
상기 하나 이상의 특징 조합에 대한 군집화를 통하여 군집 기준 정보 및 위험 상황 정의 정보를 도출하도록 구성된 군집화부; 및
상기 군집 기준 정보를 이용하여 상기 기본 데이터에 대한 군집화를 수행한 결과를 상기 위험 상황 정의 정보와 비교하여 위험 상황 발생 확률을 산출하도록 구성된 확률 산출부를 포함하는 해수욕장 위험도 평가 시스템.
- 제2항에 있어서,
상기 상황인식 기반 분석부는, 미리 설정된 시간 동안의 상기 위험 상황 발생 확률을 이용하여 상기 위험 상황 예측값을 산출하도록 더 구성된 해수욕장 위험도 평가 시스템.
- 삭제
- 제1항에 있어서,
상기 위험 평가부는,
상기 대상 해수욕장에 관련된 자연환경 정보를 이용하여 해변 가중치를 결정하도록 구성된 가중치 조정부를 더 포함하며,
상기 위험 산출부는, 상기 해변 가중치를 더 이용한 다중 선형 회귀 방식으로 상기 대상 해수욕장의 위험도를 산출하도록 구성된 해수욕장 위험도 평가 시스템.
- 해수욕장 위험도 평가 시스템이 대상 해수욕장에 관련된 공공 데이터를 포함하는 기본 데이터를 수신하는 단계;
상기 해수욕장 위험도 평가 시스템이, 상황인식 알고리즘에 기반하여 상기 기본 데이터 중 위험 상황에 관련된 하나 이상의 특징 데이터를 결정하며, 상기 특징 데이터를 기반으로 상기 기본 데이터에 상응하는 위험 상황 예측값을 산출하는 단계;
상기 해수욕장 위험도 평가 시스템에 상기 기본 데이터 중 하나 이상의 데이터를 기반으로 하는 퍼지 함수를 저장하는 단계;
상기 해수욕장 위험도 평가 시스템이, 상기 퍼지 함수를 이용하여, 상기 기본 데이터에 상응하는 위험 등급을 결정하는 단계; 및
상기 해수욕장 위험도 평가 시스템이, 상기 위험 상황 예측값 및 상기 위험 등급을 이용하여 상기 대상 해수욕장의 위험도를 산출하는 단계를 포함하되,
상기 위험 등급을 결정하는 단계는, 상기 해수욕장 위험도 평가 시스템이, 상기 기본 데이터를 상기 퍼지 함수에 대한 입력 데이터로 이용하여 상기 위험 등급을 결정하는 단계를 포함하며,
상기 퍼지 함수는, 서로 상이한 복수의 특징 데이터에 의해 각각 정의되는 하나 이상의 퍼지 함수를 포함하고,
상기 하나 이상의 퍼지 함수 각각은,
입력되는 두 가지 특징 데이터에 각각 상응하는 두 개의 위험 등급을 결정하기 위한 전건부; 및
상기 전건부에 의해 결정된 상기 두 개의 위험 등급을 종합하여 상기 위험 등급을 결정하는 단계에서 결정될 상기 위험 등급을 산출하기 위한 후건부를 포함하며,
상기 대상 해수욕장의 위험도를 산출하는 단계는,
다중 선형 회귀 분석을 위하여 상기 기본 데이터 중 하나 이상의 데이터, 상기 위험 상황 예측값 및 상기 위험 등급에 각각 미리 설정된 회귀 계수를 곱한 값을 합산하는 단계를 포함하는 해수욕장 위험도 평가 방법.
- 제6항에 있어서,
상기 위험 상황 예측값을 산출하는 단계는,
상기 해수욕장 위험도 평가 시스템이, 복수 개의 특징 데이터로부터 생성되는 하나 이상의 특징 조합을 생성하는 단계;
상기 해수욕장 위험도 평가 시스템이, 상기 하나 이상의 특징 조합에 대한 군집화를 통하여 군집 기준 정보 및 위험 상황 정의 정보를 도출하는 단계; 및
상기 해수욕장 위험도 평가 시스템이, 상기 군집 기준 정보를 이용하여 상기 기본 데이터에 대한 군집화를 수행한 결과를 상기 위험 상황 정의 정보와 비교하여 위험 상황 발생 확률을 산출하는 단계를 포함하는 해수욕장 위험도 평가 방법.
- 제7항에 있어서,
상기 위험 상황 예측값을 산출하는 단계는,
상기 해수욕장 위험도 평가 시스템이, 미리 설정된 시간 동안의 상기 위험 상황 발생 확률을 이용하여 상기 위험 상황 예측값을 산출하는 단계를 더 포함하는 해수욕장 위험도 평가 방법.
- 삭제
- 제6항에 있어서,
상기 대상 해수욕장의 위험도를 산출하는 단계는,
상기 해수욕장 위험도 평가 시스템이, 상기 대상 해수욕장에 관련된 자연환경 정보를 이용하여 해변 가중치를 결정하는 단계; 및
상기 해수욕장 위험도 평가 시스템이, 상기 해변 가중치를 더 이용한 다중 선형 회귀 방식으로 상기 대상 해수욕장의 위험도를 산출하는 단계를 포함하는 해수욕장 위험도 평가 방법.
- 하드웨어와 결합되어 제6항 내지 제8항 및 제10항 중 어느 한 항에 따른 해수욕장 위험도 평가 방법을 실행하도록 컴퓨터로 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190177777A KR102247188B1 (ko) | 2019-12-30 | 2019-12-30 | 상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190177777A KR102247188B1 (ko) | 2019-12-30 | 2019-12-30 | 상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102247188B1 true KR102247188B1 (ko) | 2021-05-04 |
Family
ID=75914086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190177777A KR102247188B1 (ko) | 2019-12-30 | 2019-12-30 | 상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102247188B1 (ko) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283767A (zh) * | 2021-06-01 | 2021-08-20 | 中铁十六局集团北京轨道交通工程建设有限公司 | 一种基于信息融合的基坑施工风险评估方法 |
KR102527923B1 (ko) | 2022-10-24 | 2023-05-02 | 옥해안 | 해수욕장 위험성 평가방법 |
CN117521815A (zh) * | 2024-01-04 | 2024-02-06 | 交通运输部水运科学研究所 | 航路与平台之间安全距离的评估方法、电子设备 |
CN117749448A (zh) * | 2023-12-08 | 2024-03-22 | 广州市融展信息科技有限公司 | 一种网络潜在风险智能预警方法及装置 |
CN118229092A (zh) * | 2024-05-22 | 2024-06-21 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于全要素的海上搜救事故风险区评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101709751B1 (ko) | 2015-11-24 | 2017-02-24 | 주식회사 지오멕스소프트 | 해변의 입수자에 대한 자동 위험 감시 시스템 |
KR20180118979A (ko) * | 2017-04-24 | 2018-11-01 | 한국전자통신연구원 | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 |
KR20190069649A (ko) * | 2017-12-06 | 2019-06-20 | 주식회사 아세스 | 수상 레저 안전성 예측 방법 및 이를 실행하는 프로그램이 기록된 기록매체 |
-
2019
- 2019-12-30 KR KR1020190177777A patent/KR102247188B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101709751B1 (ko) | 2015-11-24 | 2017-02-24 | 주식회사 지오멕스소프트 | 해변의 입수자에 대한 자동 위험 감시 시스템 |
KR20180118979A (ko) * | 2017-04-24 | 2018-11-01 | 한국전자통신연구원 | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 |
KR20190069649A (ko) * | 2017-12-06 | 2019-06-20 | 주식회사 아세스 | 수상 레저 안전성 예측 방법 및 이를 실행하는 프로그램이 기록된 기록매체 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283767A (zh) * | 2021-06-01 | 2021-08-20 | 中铁十六局集团北京轨道交通工程建设有限公司 | 一种基于信息融合的基坑施工风险评估方法 |
KR102527923B1 (ko) | 2022-10-24 | 2023-05-02 | 옥해안 | 해수욕장 위험성 평가방법 |
CN117749448A (zh) * | 2023-12-08 | 2024-03-22 | 广州市融展信息科技有限公司 | 一种网络潜在风险智能预警方法及装置 |
CN117749448B (zh) * | 2023-12-08 | 2024-05-17 | 广州市融展信息科技有限公司 | 一种网络潜在风险智能预警方法及装置 |
CN117521815A (zh) * | 2024-01-04 | 2024-02-06 | 交通运输部水运科学研究所 | 航路与平台之间安全距离的评估方法、电子设备 |
CN117521815B (zh) * | 2024-01-04 | 2024-04-02 | 交通运输部水运科学研究所 | 航路与平台之间安全距离的评估方法、电子设备 |
CN118229092A (zh) * | 2024-05-22 | 2024-06-21 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | 一种基于全要素的海上搜救事故风险区评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102247188B1 (ko) | 상황인식 및 퍼지이론 기반의 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
Pham et al. | A novel ensemble classifier of rotation forest and Naïve Bayer for landslide susceptibility assessment at the Luc Yen district, Yen Bai Province (Viet Nam) using GIS | |
KR102197226B1 (ko) | 다중 선형 회귀를 이용한 해수욕장 위험도 평가 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
US10929722B2 (en) | Anomaly detection in streaming networks | |
Yu et al. | Crime forecasting using spatio-temporal pattern with ensemble learning | |
Tayebi et al. | Crimetracer: Activity space based crime location prediction | |
KR20200048898A (ko) | 머신러닝을 이용한 홍수 또는 가뭄 위험 분석 장치 및 방법 | |
KR20200039526A (ko) | 해수욕장 안전사고 예방을 위한 해수욕장 안전 관리 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
Li et al. | A Bayesian method to mine spatial data sets to evaluate the vulnerability of human beings to catastrophic risk | |
US20240029894A1 (en) | Predictive models for infectious diseases | |
Wei | RBF neural networks combined with principal component analysis applied to quantitative precipitation forecast for a reservoir watershed during typhoon periods | |
Alsayadi et al. | Improving the regression of communities and crime using ensemble of machine learning models | |
CN114067535B (zh) | 基于人工智能的地质灾害预警方法、装置及存储介质 | |
Syeed et al. | Flood prediction using machine learning models | |
KR20160133198A (ko) | 키워드 관련도 기반의 재난 이슈별 재난 탐지 기술 및 이를 이용한 재난대처 방법 | |
Ahn et al. | Personalized behavior pattern recognition and unusual event detection for mobile users | |
Sá et al. | Lightning forecast using data mining techniques on hourly evolution of the convective available potential energy | |
CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及系统 | |
Munir et al. | Early identification model for dengue haemorrhagic fever (DHF) outbreak areas using rule-based stratification approach | |
Yuan et al. | Predicting road flooding risk with machine learning approaches using crowdsourced reports and fine-grained traffic data | |
Jangyodsuk et al. | Flood prediction and mining influential spatial features on future flood with causal discovery | |
Raj et al. | Predicting the impact of climate change on tidal zone fishes using SVM Approach | |
Chinh et al. | An analysis of the relative variable importance to flood fatality using a machine learning approach | |
Toguchi et al. | STUDY OF DETERMINING RISK LEVEL REGARDING SWIMMING CONDITION ON BATHING BEACH USING AI | |
Khan et al. | A factual flash flood evaluation using SVM and K-NN |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |