KR102509851B1 - 감염병 감시를 위한 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법 및 시스템 - Google Patents
감염병 감시를 위한 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR102509851B1 KR102509851B1 KR1020210006865A KR20210006865A KR102509851B1 KR 102509851 B1 KR102509851 B1 KR 102509851B1 KR 1020210006865 A KR1020210006865 A KR 1020210006865A KR 20210006865 A KR20210006865 A KR 20210006865A KR 102509851 B1 KR102509851 B1 KR 102509851B1
- Authority
- KR
- South Korea
- Prior art keywords
- sewage
- scale
- network
- measurement
- infection
- Prior art date
Links
- 239000010865 sewage Substances 0.000 title claims abstract description 222
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 184
- 208000035473 Communicable disease Diseases 0.000 title claims abstract description 81
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 113
- 230000002458 infectious effect Effects 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 241000894006 Bacteria Species 0.000 claims abstract description 38
- 241000700605 Viruses Species 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 61
- 238000011144 upstream manufacturing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 229940079593 drug Drugs 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 241000588724 Escherichia coli Species 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 208000025721 COVID-19 Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 241000711573 Coronaviridae Species 0.000 description 3
- 208000025370 Middle East respiratory syndrome Diseases 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- MKUXAQIIEYXACX-UHFFFAOYSA-N aciclovir Chemical compound N1C(N)=NC(=O)C2=C1N(COCCO)C=N2 MKUXAQIIEYXACX-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005183 environmental health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 241001678559 COVID-19 virus Species 0.000 description 1
- 241000991587 Enterovirus C Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241001263478 Norovirus Species 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011847 diagnostic investigation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229940001470 psychoactive drug Drugs 0.000 description 1
- 239000004089 psychotropic agent Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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"
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Pathology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Emergency Alarm Devices (AREA)
Abstract
본 발명은 하수 내 감염균/바이러스 모니터링을 최적으로 수행 관리하기 위한 측정지점의 선정과 관리, 하수에서 감염균/바이러스 검출시 지역사회의 감염규모를 예측하기 위한 하수 빅데이터 마이닝 기술에 관한 것으로서, 일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법은 하수관망을 전산화하고 및 하수관망도에 대한 공간DB를 구축하는 단계, 상기 전산화된 하수관망과, 상기 구축된 공간DB를 이용하여, 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화함으로써, 감염균 하수 측정망을 최적화 하는 단계, 및 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계를 포함할 수 있다.
Description
본 발명은 하수 내 감염균/바이러스 모니터링을 최적으로 수행 관리하기 위한 측정지점의 선정과 관리, 하수에서 감염균/바이러스 지역사회의 감염규모를 예측하기 위한 하수 빅데이터 마이닝 기술에 관한 것이다.
최근 도시 내 여러 자원을 효과적으로 사용하여 도시민의 삶의 질을 향상하기 위해서는 스마트 도시관리의 개념이 시작되었다. 스마트시티는 데이터를 기반으로 효율적인 도시 내의 자산을 유지할 뿐만 아니라 도시주민들의 삶의 질을 한 단계 높이는 정책이라 할 수 있다. 스마트도시의 핵심 사안은 데이터 기반 도시운영 추진전략으로 지역주민의 데이터를 이용하여 맞춤형 서비스를 제공하는 것이 핵심이다. 그러나, 이러한 기술중심적 도시 인프라 확보 접근 방법은 복잡한 도시생태계 및 인권을 고려하였을 때 문제점을 야기할 가능성이 높다. 이를 보안하기 위에 지역사회의 생활 형태를 반영할 수 있는 새로운 데이터를 축적하고 이를 지속가능한 도시로 선순환시키려는 여러 방안들이 추진되고 있다. 이에 최근 외국에서는 지역하수로부터 여러 생물학적 및 화학적 데이터를 수집하고 종합분석하여 지역사회의 환경보건학적 지표를 분석하려는 여러 시도들이 제안되고 있다. 예를 들어, 지역사회에 전파된 질병 및 건강 관련 지표를 얻기 위해 하수로부터 항생제나 향정신성의약품을 측정하거나 암 등 여러 질병의 바이오 마커를 선택하여 측정 및 분석할 수 있다. 이러한 하수기반 역학(Wastewater Based- Epidemiology) 정보를 주기적으로 축적하여 데이터마이닝을 하게 되면 해당 지역 생활권자들의 사회적 형태를 반영할 수 있게 된다.
세계 각국에서는 하수역학에 대한 중요성을 인지하고 여러 방면의 도시 주민의 정보를 얻기 위한 대규모 모니터링을 하고 있다. 예를 들어 이스라엘에서는 1980년대 후반부터, 국가 전역 30여개 지점에서 폴리오바이러스의 지역감염에 대한 모니터링을 실시하고 있다. 마약 문제가 심각한 호주에서는 50여개의 하수처리장 유입수에서 마약 추적을 위한 국가 하수 마약 모니터링 프로그램(National Wastewater Drug Monitoring Program)을 지속적으로 실시(ACIC, 2019) 유럽에서는 이를 더욱 발전 시켜 국가별 마약류 발생량을 2011년부터 6년간 하수에서 측정하여, 마약 사용량 모니터링을 실시하였다. 따라서 하수기반 역학 기법은 개인정보를 침해하지 않고 도시 주민의 보건상태를 모니터링 함으로써 스마트도시의 지속적인 관리를 가능하게 만들 수 있으며, 선제적 환경보건 정책을 수행할 수 있도록 하는 핵심적인 도시 관리 기술이라 할 수 있다.
한편, 국내외에서의 감염병 전파는 1960년 이후 지속적으로 감소하다 1990년대 말부터 발생률이 다시 증가하기 시작하여 지속적 증가 추세를 보이고 있다. 세계보건기구(WHO)를 비롯한 국제기구는 이러한 새로운 전염병 출연이 가속화된다고 보고 하였고, 1970년대 이후 SARS, AIHI, MERS 등 감염률과 치명률이 높은 신종 감염병의 위협을 전 인류가 겪고 있다. MERS(메르스)는 사우디아라비아에서 지속적으로 발생하고 있으며 '19.1.1-3.13 총 확진 115명 발생, 사망 22명. 국내에서는 '19.1.1-3.13. 의심환자 99명 보고되었다. 최근에 COVID-19가 세계적 대유행으로 인류의 생존을 위협하고 있고 경제시스템, 의료시스템의 붕괴를 우려할 정도로 심각한 상황이다. 특히 COVID-19와 같은 전염병을 사전에 모니터링하여 사람의 생명과 재산을 보호하는 예보 및 경보체계가 없어 앞으로도 심각한 감염병의 팬데믹(Pandemic) 우려를 낳고 있다. 최근 우리나라의 경우 생활방역시스템으로 전환을 검토하고 있는 중이며, 요양원 등 집단감염 우려와 치명률이 높은 경우 10여 개의 입소자 검체를 혼합하여 하나의 검체로 만들고 이를 분석하여 예방적 모니터링을 추진하고 있다. 그러나 예방적 모니터링을 매일 실시하기 어렵고 지금과 같이 세계적 대유행이 지나면 중단할 수밖에 없으므로 한시적인 제도에 그칠 것이 자명하다. 진단 조사를 토대로 한 현재의 방역체계는 주로 내원한 유증상을 대상으로 하므로 전수조사가 불가능하고 무증상 감염자(조용한 전파자)에 대한 조기발견의 어려움으로 실질적인 발병규모와 범위, 발병 시기의 판단 불가능하여 선제적 대응에 한계가 있다. 특히 COVID-19는 전파력이 상당히 높고 증상이 나타나기 1~2일 전부터 감염이 가능하기 때문에 확진자와 접촉한 대상의 동선을 철저하게 추적하여 검사해야 하는 어려움이 있다.
따라서 COVID-19와 같은 세계 대유행 사례와 같이 감염병은 사람의 생명과 재산에 매우 직접적이고도 강한 타격을 미칠 뿐만 아니라 현재의 생활방식을 송두리째 중단시킬 수 있으므로 감염병에 대한 상시적인 모니터링을 통한 선제적 대응이 무엇보다 중요다. 이에 도시내 발생하는 국민의 건강정보를 상시 모니터링 할 수 있는 학수역학에 기반하여 항생제 내성 세균, 콜레라, 이질, 소아마비 등 수인성 전염병, 결핵 등의 퇴치된 전염병의 재발생 등으로 감염병 조기발견과 예보 및 경보시스템의 마련은 역사상 그 어느 때 보다 시급한 상황이라고 할 수 있다.
본 발명은 하수의 정기적인 모니터링을 통해 지역사회에서의 감염균/바이러스의 전파와 확산여부에 대한 신속한 탐지 및 감염규모의 합리적 추정을 통해 감염병에 대한 선제적 대응책을 마련이 가능하도록, 감염병 하수 측정망 설계 최적화 기술 및 측정망으로부터 수집된 하수 및 발병현황 자료 데이터에 기반한 감염규모 추정기술을 제공하고자 한다.
본 발명은 하수처리장 유입부 등 지역사회를 서비스 하고 있는 하수관망 말단에서 하수를 정기적으로 채수하고 코로나바이러스를 포함한 감염병을 정기적으로 모니터링하여 발생여부 감지, 확산 또는 진정되는 추이 파악하여 감염원 추적 등에 이용함으로써 국가 감염병 모니터링 및 대응 체계를 개선하는데 목적이 있다.
일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법은 하수관망을 전산화하고 및 하수관망도에 대한 공간DB를 구축하는 단계, 상기 전산화된 하수관망과, 상기 구축된 공간DB를 이용하여, 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화함으로써, 감염균 하수 측정망을 최적화 하는 단계, 및 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 하수관망을 전산화하고 및 상기 하수관망도에 대한 공간DB를 구축하는 단계는, 하수관망도, 맨홀 및 하수처리장 공간분포, 하수처리구역 경계, 매설관거 및 맨홀의 속성정보를 포함하는 하수관거의 공간정보와, 발병지역 및 발병 건수를 포함하는 감염병 발병현황 DB, 대기측정망, 수질측정망을 포함하는 감염병 발병에 영향을 미치는 기상 및 환경측정정보에 대한 정보를 기록하고 저장하는 단계를 포함할 수 있다.
일실시예에 따른 상기 감염균 하수 측정망을 최적화 하는 단계는, 각 맨홀별 유효 처리 규모를 산정하기 위해서 관망 네트워크의 연결성을 고려하여 맨홀을 계층화 하는 단계, 및 상기 각 맨홀 상류의 해당 처리구역규모를 산정한 후, 각 맨홀에 해당하는 구역별로 처리규모를 DB화 하는 단계를 포함할 수 있다.
일실시예에 따른 상기 감염균 하수 측정망을 최적화 하는 단계는, 상기 각 맨홀의 처리구역규모 산정시 수치 지형도, 토지이용도, 행정구역별 인구통계, 하수처리구역도 중에서 적어도 하나를 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 감염균 하수 측정망을 최적화 하는 단계는, Non-dominated Sorted Genetic Algorithm-II (NSGA-II) 알고리즘을 이용하여, 하수처리장 유입부를 포함하는 관망네트워크의 최말단 및 상류지역 상세 모니터링 지점을 최적화할 수 있다.
일실시예에 따른 상기 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계는, Hotspot 감염병 규모 추정 모델링을 이용하되, 상기 Hotspot 감염병 규모 추정 모델링은 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 토대로한 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계를 포함할 수 있다.
일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템은 하수관망을 전산화하고 및 하수관망도에 대한 공간DB를 구축하는 공간정보 추출부, 상기 전산화된 하수관망과, 상기 구축된 공간DB를 이용하여, 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화함으로써, 감염균 하수 측정망을 최적화 하는 최적화 처리부, 및 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 감염규모 예측부를 포함할 수 있다.
일실시예에 따른 상기 공간정보 추출부는, 하수관망도, 맨홀 및 하수처리장 공간분포, 하수처리구역 경계, 매설관거 및 맨홀의 속성정보를 포함하는 하수관거의 공간정보와, 발병지역 및 발병 건수를 포함하는 감염병 발병현황 DB, 대기측정망, 수질측정망을 포함하는 감염병 발병에 영향을 미치는 기상 및 환경측정정보에 대한 정보를 기록하고 저장할 수 있다.
일실시예에 따른 상기 최적화 처리부는, 각 맨홀별 유효 처리 규모를 산정하기 위해서 관망 네트워크의 연결성을 고려하여 맨홀을 계층화 하고, 상기 각 맨홀 상류의 해당 처리구역규모를 산정한 후, 각 맨홀에 해당하는 구역별로 처리규모를 DB화할 수 있다.
일실시예에 따른 상기 최적화 처리부는, 상기 각 맨홀의 처리구역규모 산정시 수치 지형도, 토지이용도, 행정구역별 인구통계, 하수처리구역도 중에서 적어도 하나를 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정할 수 있다.
일실시예에 따른 상기 최적화 처리부는, Non-dominated Sorted Genetic Algorithm-II (NSGA-II) 알고리즘을 이용하여, 하수처리장 유입부를 포함하는 관망네트워크의 최말단 및 상류지역 상세 모니터링 지점을 최적화할 수 있다.
일실시예에 따른 상기 감염규모 예측부는, Hotspot 감염병 규모 추정 모델링을 이용하되, 상기 Hotspot 감염병 규모 추정 모델링은 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 토대로한 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정할 수 있다.
일실시예에 따르면, 하수의 정기적인 모니터링을 통해 지역사회에서의 감염균/바이러스의 전파와 확산여부에 대한 신속한 탐지 및 감염규모의 합리적 추정을 통해 감염병에 대한 선제적 대응책을 마련이 가능하도록, 감염병 하수 측정망 설계 최적화 기술 및 측정망으로부터 수집된 하수 및 발병현황 자료 데이터에 기반한 감염규모 추정기술을 제공할 수 있다.
일실시예에 따르면, 하수처리장 유입부 등 지역사회를 서비스 하고 있는 하수관망 말단에서 하수를 정기적으로 채수하고 코로나바이러스를 포함한 감염병을 정기적으로 모니터링하여 발생여부 감지, 확산 또는 진정되는 추이 파악하여 감염원 추적 등에 이용함으로써 국가 감염병 모니터링 및 대응 체계를 개선할 수 있다.
도 1은 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템을 설명하는 도면이다.
도 2는 도 1의 서비스 흐름 중에서 하수관망 전산화 및 공간DB 구축을 위한 과정을 설명하는 도면이다.
도 3은 도 1의 서비스 흐름 중에서 감염균 하수 측정망 최적화 과정을 설명하는 도면이다.
도 4는 도 1의 서비스 흐름 중에서 핫스팟 감염규모 추정 모델링을 설명하는 도면이다.
도 5는 공간 네트워크 분석 기반 맨홀별 처리규역 규모 산정 개념도를 설명하는 도면이다.
도 6은 하수측정지점 다목적 최적화 결과(파레토 프런트 플롯) 예시를 설명하는 도면이다.
도 7은 머신러닝기반 회고적 모델링(retrospective modeling)을 이용한 감염규모 예측을 설명하는 도면이다.
도 8은 일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법을 설명하는 도면이다.
도 2는 도 1의 서비스 흐름 중에서 하수관망 전산화 및 공간DB 구축을 위한 과정을 설명하는 도면이다.
도 3은 도 1의 서비스 흐름 중에서 감염균 하수 측정망 최적화 과정을 설명하는 도면이다.
도 4는 도 1의 서비스 흐름 중에서 핫스팟 감염규모 추정 모델링을 설명하는 도면이다.
도 5는 공간 네트워크 분석 기반 맨홀별 처리규역 규모 산정 개념도를 설명하는 도면이다.
도 6은 하수측정지점 다목적 최적화 결과(파레토 프런트 플롯) 예시를 설명하는 도면이다.
도 7은 머신러닝기반 회고적 모델링(retrospective modeling)을 이용한 감염규모 예측을 설명하는 도면이다.
도 8은 일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법을 설명하는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템(100)을 설명하는 도면이다.
하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템(100)은 하수의 정기적인 모니터링을 통해 지역사회에서의 감염균/바이러스의 전파와 확산여부에 대한 신속한 탐지 및 감염규모의 합리적 추정을 통해 감염병에 대한 선제적 대응책을 마련할 수 있다. 또한, 감염병 하수 측정망 설계 최적화 기술 및 측정망으로부터 수집된 하수 및 발병현황 자료 데이터에 기반한 감염규모 추정기술을 제공할 수 있다.
이를위해, 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템(100)은 공간정보 추출부(110), 최적화 처리부(120), 감염규모 예측부(130)를 포함할 수 있다.
먼저, 공간정보 추출부(110)는 하수관망을 전산화하고 및 하수관망도에 대한 공간DB를 구축할 수 있다.
특히, 공간정보 추출부(110)는 감염병 발병에 영향을 미치는 기상 및 환경측정정보에 대한 정보를 기록하고 저장할 수 있다.
일례로, 감염병 발병에 영향을 미치는 기상 및 환경측정정보에 대한 정보는, 하수관망도, 맨홀 및 하수처리장 공간분포, 하수처리구역 경계, 매설관거 및 맨홀의 속성정보 등의 하수관거의 공간정보를 포함할 수 있다.
또한, 발병지역 및 발병 건수 등의 감염병 발병현황 DB, 대기측정망, 수질측정망을 포함할 수 있다.
다음으로, 최적화 처리부(120)는 전산화된 하수관망과, 구축된 공간DB를 이용하여, 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화함으로써, 감염균 하수 측정망을 최적화할 수 있다.
예를 들어, 최적화 처리부(120)는 각 맨홀별 유효 처리 규모를 산정하기 위해서 관망 네트워크의 연결성을 고려하여 맨홀을 계층화 하고, 각 맨홀 상류의 해당 처리구역규모를 산정한 후, 각 맨홀에 해당하는 구역별로 처리규모를 DB화 할 수 있다.
또한, 최적화 처리부(120)는 각 맨홀의 처리구역규모 산정시 수치 지형도, 토지이용도, 행정구역별 인구통계, 하수처리구역도 등을 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정할 수 있다.
일례로, 최적화 처리부(120)는 Non-dominated Sorted Genetic Algorithm-II (NSGA-II) 알고리즘을 이용하여, 하수처리장 유입부를 포함하는 관망네트워크의 최말단 및 상류지역 상세 모니터링 지점을 최적화할 수 있다.
NSGA-II 알고리즘은 관망최적화를 위한 다목적 알고리즘의 일예시이며, 이에 한정되는 것이 아니고 다양한 다목적알고리즘의 사용도 가능하다.
또한, 감염규모 예측부(130)는 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정할 수 있다.
일례로, 감염규모 예측부(130)는 Hotspot 감염병 규모 추정 모델링을 이용하여 감염규모를 예측할 수 있다.
특히, 감염규모 예측부(130)는 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 토대로한 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정할 수 있다.
도 2는 도 1의 서비스 흐름 중에서 하수관망 전산화 및 공간DB 구축을 위한 과정을 설명하는 도면(200)이다.
본 발명에 따르면, 도 2의 공간 DB구축 과정을 통해, 상시 수집되는 데이터 이외에도, 일정시간 간격, 특정시간대, 특정 지역, 특정 날짜, 특정 이벤트에 해당하는 경우에 관련된 정보들을 수집하여 DB를 구축할 수 있다.
감염병 감시대상 지역에 대한 하수관망을 전산화하고, 매설관거의 속성정보, 지형정보, 하수처리구역 경계, 하수처리장 및 맨홀분포 등 하수관망 정보에 대한 공간정보를 구축하고, 감염병 발병에 영향을 미치는 인구밀도 및 지형, 기상정보를 수집하여 DB화 할 수 있다.
뿐만 아니라, 본 발명은 면적 또는 처리 인구를 기준으로 구분된 서비스 구역에 대한 처리구역경계와 관련된 정보를 수집하여 미리 기록하고 이를 유지할 수 있다.
도 3은 도 1의 서비스 흐름 중에서 감염균 하수 측정망 최적화 과정을 설명하는 도면(300)이다.
관망 말단 상시모니터링 단계에서는 바이러스 배출되는 경우 하수도내 바이러스가 적재되고, 이는 상시 모니터링 과정을 통해 검출될 수 있다.
특히, 관망 말단 상시모니터링 단계에서는 하수처리장 유입부 등 감시대상 지역의 관망 말단에서 하수내 감염균을 상시적으로 측정함으로써 지역사회 감염병 확산 여부를 파악하는 하수역학 기반으로 감염병 감시가 가능하다.
보다 구체적으로, 감염균 하수측정망 최적화를 위해서는, 감시지역내에서의 관망 네트워크 구조를 고려하여 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화 할 수 있다.
이 과정에서, 각 맨홀별 유효 처리 규모를 산정하기 위해서 관망 네트워크의 연결성을 고려하여 맨홀을 계층화해야 한다.
특히, 각 맨홀 상류의 해당 처리구역규모, 예를 들어 처리면적 또는 처리인구를 산정한 후, 각 맨홀에 해당 처리구역 규모를 대응하여 DB화 할 수 있다.
또한, 각 맨홀의 처리규모 산정시 수치 지형도의 예로써 배치도, 토지이용도의 예로써 거주지역 범위, 행정구역별 인구통계, 하수처리구역도 등을 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정할 수 있다.
또한, 감염균 하수측정망 최적화 과정에서는 관망네트워크의 최말단의 예로, 하수처리장 유입부 및 상류지역 상세 모니터링 지점을 최적화할 수 있다.
하수 측정지점이 많을수록 공간적으로 더욱 상세화 된 지역 규모의 감염병 발병 감시가 가능하지만 모니터링 비용이 증가한다. 따라서 주어진 예산을 고려하여 최대한 감시 범위를 상세화 할 수 있도록 하는 측정망 설계 최적화, 즉 다목적 최적화(Multi-objective optimization)가 필요하다. 이를 위하여 Non-dominated Sorted Genetic Algorithm-II (NSGA-II)와 같은 다목적 알고리즘을 사용할 수 있다.
도 4는 도 1의 서비스 흐름 중에서 핫스팟 감염규모 추정 모델링을 설명하는 도면(400)이다.
Hotspot 감염병 규모 추정 모델링은 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 토대로한 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계이다.
국가 감염병 통계는 COVID-19, 노로바이러스 등 과거 행정구역별, 일/월별 발병이력 자료로서 국가의 유관기관 (식품의약안전처)에서 지속적으로 조사 기록하고 공개하고 있는 자료이다. 유관기관에서는 최근의 감염병 발병 현황 자료를 지속적으로 추가, 갱신하고 있으므로, 본 발명에서 구축되는 감염규모 예측모델 또한 감염병 통계자료와 공간자료를 지속적으로 갱신 가능하여, 이에 따라 모델 구축에 사용되는 자료도 지속적으로 증가하므로 시간이 지남에 따라 모델의 정확도도 지속적으로 향상될 수 있다.
일련의 과정에서 필요한 공간분석 (공간데이터베이스 구축, 공간보간 및 평균값 추출, 시각화)은 ArcGIS등 공간분석 프로그램을 사용할 수 있으며 상세 모델 구축 및 비교평가는 R이나 python과 같은 연산프로그램을 사용할 수 있다. 이러한 공간분석과 통계분석은 ArcGIS 및 R/python을 사용할 경우 프로그램간의 연동 및 연산 자동화을 통해 모듈화 하여 계산 및 시각화과정을 자동화 함으로써 사용자의 편의를 높힐 수 있다.
도 5는 공간 네트워크 분석 기반 맨홀별 처리규역 규모 산정 개념도를 설명하는 도면이다.
도면부호 510에서는 감염균 하수측정망 최적화 단계에서는 감시지역내에서의 관망 네트워크 구조를 고려하여 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정할 수 있다. 또한, 도면부호 520에서와 같이 산정한 유효 처리규모를 DB화할 수 있다.
일례로, 하류 맨홀의 유효 처리규모는 하류맨홀의 처리규모에서 상류맨홀의 처리규모의 차이로 산출될 수 있다.
각 맨홀별 유효 처리 규모를 산정하기 위해서는 관망 네트워크의 연결성을 고려하여 맨홀을 계층화할 수 있다.
또한, 각 맨홀 상류의 해당 처리구역규모로서, 처리면적 또는 처리인구를 산정한 후, 각 맨홀에 해당 처리구역 규모를 대응하여 DB화 할 수 있다.
이 과정에서 각 맨홀의 처리규모 산정시 수치 지형도, 토지이용도, 행정구역별 인구통계, 하수처리구역도 등을 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정할 수 있다.
도 6은 하수측정지점 다목적 최적화 결과(파레토 프런트 플롯) 예시를 설명하는 도면(600)이다.
도 6은 측정지점의 개수(또는 비용)와 유효 처리규모의 최댓값을 각 축으로 하는 2차원의 그래프에 해당한다.
이는 다목적 최적화를 통하여 생성되는 Pareto plot으로서, 대안적 측정망 설계 방안을 도출하는데 활용될 수 있다.
예를 들어, 하수 측정지점이 많을수록 공간적으로 더욱 상세화 된 지역 규모의 감염병 발병 감시가 가능하지만 모니터링 비용이 증가한다. 따라서 주어진 예산을 고려하여 최대한 감시 범위를 상세화 할 수 있도록 하는 측정망 설계 최적화, 즉 다목적 최적화(Multi-objective optimization)가 필요하다. 이를 위하여 도 6의 그래프에 기반하는 같은 다목적 알고리즘을 사용할 수 있다.
도 7은 머신러닝기반 회고적 모델링(retrospective modeling)을 이용한 감염규모 예측을 설명하는 도면이다.
본 발명에 따른 감염규모 예측을 살펴보면, 우선적으로 처리구역 내 공간정보를 추출할 수 있다(단계 701). 다음으로, 앙상블을 이용한 모델링 머신러닝을 통한 학습을 처리하고(단계 702), 이를 기반으로 감염규모를 예측할 수 있다(단계 703).
처리구역 내 공간정보를 추출하기 위해서는, 처리구역 내 설명변수를 추출할 수 있다. 예를 들어, 감염병 통계 변수, 기상자료로서 기온 및 습도 변수, 하수 내 바이러스 강도 변수, 대기측정망 자료로서 Nox, Sox, O3, PM 등의 변수, 하수의 이화학적 지표, 대장균 변수, 토지 이용도 변수 등을 처리구역 내 공간정보로 추출할 수 있다.
한편, 본 발명에서는 추출한 설명변수를 회고적 모델링에 반영하여 ANN(Artificial Neural Network), SVM(Support Vector Machine), 랜덤포레스트 등을 활용하여 최적화 처리를 수행할 수 있다. 이 과정에서 추출한 설명변수들에 대한 추정 평균값을 산출할 수 있다.
다음으로, 본 발명에서는 추정된 평균값에 기반하여 감염규모를 예측할 수 있다. 예를 들어, 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정할 수 있다.
도 8은 일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법을 설명하는 도면이다.
일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법은 하수관망을 전산화하고 및 하수관망도에 대한 공간DB를 구축할 수 있다(단계 801).
이를 위해, 단계 801에서는 하수관망도, 맨홀 및 하수처리장 공간분포, 하수처리구역 경계, 매설관거 및 맨홀의 속성정보를 포함하는 하수관거의 공간정보와, 발병지역 및 발병 건수를 포함하는 감염병 발병현황 DB, 대기측정망, 수질측정망을 포함하는 감염병 발병에 영향을 미치는 기상 및 환경측정정보에 대한 정보를 기록하고 저장할 수 있다.
또한, 일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법은 전산화된 하수관망과, 상기 구축된 공간DB를 이용하여, 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화함으로써, 감염균 하수 측정망을 최적화할 수 있다(단계 802).
감염균 하수 측정망을 최적화 하기 위해, 본 발명에서는 각 맨홀별 유효 처리 규모를 산정하기 위해서 관망 네트워크의 연결성을 고려하여 맨홀을 계층화 하고, 각 맨홀 상류의 해당 처리구역규모를 산정한 후, 각 맨홀에 해당하는 구역별로 처리규모를 DB화할 수 있다.
또한, 감염균 하수 측정망을 최적화 하기 위해서는, 각 맨홀의 처리구역규모 산정시 수치 지형도, 토지이용도, 행정구역별 인구통계, 하수처리구역도 중에서 적어도 하나를 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정할 수 있다.
예를 들어, 감염균 하수 측정망을 최적화하기 위해서는, Non-dominated Sorted Genetic Algorithm-II (NSGA-II) 알고리즘을 이용하여, 하수처리장 유입부를 포함할 수 있다.
일실시예에 따른 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법은 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정할 수 있다(단계 803).
예를 들어, 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하기 위해서는, Hotspot 감염병 규모 추정 모델링을 이용할 수 있다.
특히, 상기 Hotspot 감염병 규모 추정 모델링은 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 토대로한 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정할 수 있다.
결국, 본 발명을 이용하면 하수의 정기적인 모니터링을 통해 지역사회에서의 감염균/바이러스의 전파와 확산여부에 대한 신속한 탐지 및 감염규모의 합리적 추정을 통해 감염병에 대한 선제적 대응책을 마련이 가능하도록, 감염병 하수 측정망 설계 최적화 기술 및 측정망으로부터 수집된 하수 및 발병현황 자료 데이터에 기반한 감염규모 추정기술을 제공할 수 있다.
일실시예에 따르면, 하수처리장 유입부 등 지역사회를 서비스 하고 있는 하수관망 말단에서 하수를 정기적으로 채수하고 코로나바이러스를 포함한 감염병을 정기적으로 모니터링하여 발생여부 감지, 확산 또는 진정되는 추이 파악하여 감염원 추적 등에 이용함으로써 국가 감염병 모니터링 및 대응 체계를 개선할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 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 실시예를 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (12)
- 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템에 의하여 동작하는, 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법에 있어서,
상기 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템의 공간정보 추출부를 통해, 하수관망을 전산화하고, 공간정보를 추출하여 하수관망도에 대한 공간DB를 구축하는 단계;
상기 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템의 최적화 처리부를 통해, 상기 전산화된 하수관망과, 상기 구축된 공간DB를 이용하여, 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화함으로써, 감염균 하수 측정망을 최적화 하는 단계; 및
상기 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템의 감염규모 예측부를 통해, 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계
를 포함하고,
상기 공간DB를 구축하는 단계는,
처리구역 내 설명변수를 추출하여 처리구역 내 상기 공간정보를 추출하되,
감염병 통계 변수, 기상자료로서 기온 및 습도 변수, 하수 내 바이러스 강도 변수, NOx, SOx, O3, PM의 변수를 포함하는 대기측정망 자료, 하수의 이화학적 지표, 대장균 변수, 토지 이용도 변수 중에서 적어도 하나의 변수를 이용하여 상기 처리구역 내 공간정보를 추출하고,
상기 국가 감염병 발병 통계는,
식품의약안전처를 포함하는 유관기관으로부터 제공되는 가장 최근의 감염병 발병 현황 자료에 기초하여 지속적으로 추가 및 갱신되고,
상기 감염규모를 추정하기 위해 구축되는 모델은 상기 추가 및 갱신되는 상기 국가 감염병 발병 통계에 기반하여 갱신되는 것을 특징으로 하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법. - 제1항에 있어서,
상기 하수관망을 전산화하고 및 상기 하수관망도에 대한 공간DB를 구축하는 단계는,
하수관망도, 맨홀 및 하수처리장 공간분포, 하수처리구역 경계, 매설관거 및 맨홀의 속성정보를 포함하는 하수관거의 공간정보와, 발병지역 및 발병 건수를 포함하는 감염병 발병현황 DB, 대기측정망, 수질측정망을 포함하는 감염병 발병에 영향을 미치는 기상 및 환경측정정보에 대한 정보를 기록하고 저장하는 단계
를 포함하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법. - 제1항에 있어서,
상기 감염균 하수 측정망을 최적화 하는 단계는,
각 맨홀별 유효 처리 규모를 산정하기 위해서 관망 네트워크의 연결성을 고려하여 맨홀을 계층화 하는 단계; 및
상기 각 맨홀 상류의 해당 처리구역규모를 산정한 후, 각 맨홀에 해당하는 구역별로 처리규모를 DB화 하는 단계
를 포함하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법. - 제1항에 있어서,
상기 감염균 하수 측정망을 최적화 하는 단계는,
상기 각 맨홀의 처리구역규모 산정시 수치 지형도, 토지이용도, 행정구역별 인구통계, 하수처리구역도 중에서 적어도 하나를 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정하는 단계
를 포함하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법. - 제1항에 있어서,
상기 감염균 하수 측정망을 최적화 하는 단계는,
Non-dominated Sorted Genetic Algorithm-II (NSGA-II) 알고리즘을 이용하여, 하수처리장 유입부를 포함하는 관망네트워크의 최말단 및 상류지역 상세 모니터링 지점을 최적화 하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법. - 제1항에 있어서,
상기 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계는,
Hotspot 감염병 규모 추정 모델링을 이용하되, 상기 Hotspot 감염병 규모 추정 모델링은 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 토대로한 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 단계
를 포함하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법. - 하수관망을 전산화하고, 공간정보를 추출하여 하수관망도에 대한 공간DB를 구축하는 공간정보 추출부;
상기 전산화된 하수관망과, 상기 구축된 공간DB를 이용하여, 잠재적인 하수 측정 가능 지점인 하수맨홀 별로 해당 유효 처리규모를 산정하여 DB화함으로써, 감염균 하수 측정망을 최적화 하는 최적화 처리부; 및
국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 기초로 하여 생성된 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 감염규모 예측부
를 포함하고,
상기 공간정보 추출부는,
처리구역 내 설명변수를 추출하여 처리구역 내 상기 공간정보를 추출하되,
감염병 통계 변수, 기상자료로서 기온 및 습도 변수, 하수 내 바이러스 강도 변수, NOx, SOx, O3, PM의 변수를 포함하는 대기측정망 자료, 하수의 이화학적 지표, 대장균 변수, 토지 이용도 변수 중에서 적어도 하나의 변수를 이용하여 상기 처리구역 내 공간정보를 추출하고,
상기 국가 감염병 발병 통계는,
식품의약안전처를 포함하는 유관기관으로부터 제공되는 가장 최근의 감염병 발병 현황 자료에 기초하여 지속적으로 추가 및 갱신되고,
상기 감염규모를 추정하기 위해 구축되는 모델은 상기 추가 및 갱신되는 상기 국가 감염병 발병 통계에 기반하여 갱신되는 것을 특징으로 하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템. - 제7항에 있어서,
상기 공간정보 추출부는,
하수관망도, 맨홀 및 하수처리장 공간분포, 하수처리구역 경계, 매설관거 및 맨홀의 속성정보를 포함하는 하수관거의 공간정보와, 발병지역 및 발병 건수를 포함하는 감염병 발병현황 DB, 대기측정망, 수질측정망을 포함하는 감염병 발병에 영향을 미치는 기상 및 환경측정정보에 대한 정보를 기록하고 저장하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템. - 제7항에 있어서,
상기 최적화 처리부는,
각 맨홀별 유효 처리 규모를 산정하기 위해서 관망 네트워크의 연결성을 고려하여 맨홀을 계층화 하고, 상기 각 맨홀 상류의 해당 처리구역규모를 산정한 후, 각 맨홀에 해당하는 구역별로 처리규모를 DB화 하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템. - 제7항에 있어서,
상기 최적화 처리부는,
상기 각 맨홀의 처리구역규모 산정시 수치 지형도, 토지이용도, 행정구역별 인구통계, 하수처리구역도 중에서 적어도 하나를 이용한 공간 중첩 분석을 사용하여 각 맨홀과 관로가 서비스하고 있는 총 처리구역 면적 또는 총 처리대상 인구를 산정함으로써 처리구역 규모를 결정하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템. - 제7항에 있어서,
상기 최적화 처리부는,
Non-dominated Sorted Genetic Algorithm-II (NSGA-II) 알고리즘을 이용하여, 하수처리장 유입부를 포함하는 관망네트워크의 최말단 및 상류지역 상세 모니터링 지점을 최적화 하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템. - 제7항에 있어서,
상기 감염규모 예측부는,
Hotspot 감염병 규모 추정 모델링을 이용하되, 상기 Hotspot 감염병 규모 추정 모델링은 국가 감염병 발병 통계와 하수내 감염균/바이러스 측정결과를 토대로한 회고적 모델링을 통해 측정지점이 서비스하는 지역내 감염규모를 추정하는 하수측정망 최적화 및 하수역학 기반 감염규모 예측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210006865A KR102509851B1 (ko) | 2021-01-18 | 2021-01-18 | 감염병 감시를 위한 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210006865A KR102509851B1 (ko) | 2021-01-18 | 2021-01-18 | 감염병 감시를 위한 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220105206A KR20220105206A (ko) | 2022-07-27 |
| KR102509851B1 true KR102509851B1 (ko) | 2023-03-15 |
Family
ID=82701019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210006865A KR102509851B1 (ko) | 2021-01-18 | 2021-01-18 | 감염병 감시를 위한 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102509851B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611590B (zh) * | 2023-07-20 | 2023-10-31 | 山东捷讯通信技术有限公司 | 一种污水处理的排污口的位置分布优化方法及装置 |
| CN117198422A (zh) * | 2023-09-25 | 2023-12-08 | 江苏长三角智慧水务研究院有限公司 | 一种污水管网中痕量毒品的溯源方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101815581B1 (ko) * | 2016-10-26 | 2018-01-05 | 연세대학교 산학협력단 | Gis 및 하수관망 정보모델을 이용한 도로 침수 구역 판단 시스템 및 방법 |
| KR101874994B1 (ko) * | 2017-04-05 | 2018-08-02 | 동국대학교 산학협력단 | 노로바이러스 감염병 발병 확률 예측 장치 및 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3995424B2 (ja) | 2001-03-16 | 2007-10-24 | 株式会社パスコ | 感染症伝播解析システム及びその伝播シミュレーションシステム |
| KR20170021692A (ko) | 2015-08-18 | 2017-02-28 | 주식회사 에스원 | 전염병 감염 의심자의 이동 경로 추적 시스템 및 이를 이용한 이동 경로 추적 방법 |
-
2021
- 2021-01-18 KR KR1020210006865A patent/KR102509851B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101815581B1 (ko) * | 2016-10-26 | 2018-01-05 | 연세대학교 산학협력단 | Gis 및 하수관망 정보모델을 이용한 도로 침수 구역 판단 시스템 및 방법 |
| KR101874994B1 (ko) * | 2017-04-05 | 2018-08-02 | 동국대학교 산학협력단 | 노로바이러스 감염병 발병 확률 예측 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220105206A (ko) | 2022-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cao et al. | Electrical load prediction of healthcare buildings through single and ensemble learning | |
| Fotovatikhah et al. | Survey of computational intelligence as basis to big flood management: Challenges, research directions and future work | |
| Feizizadeh et al. | A scenario-based approach for urban water management in the context of the COVID-19 pandemic and a case study for the Tabriz metropolitan area, Iran | |
| CN111462917B (zh) | 基于空间地理分析和机器学习的疫情预警方法及系统 | |
| KR102509851B1 (ko) | 감염병 감시를 위한 하수측정망 최적화 및 하수역학 기반 감염규모 예측 방법 및 시스템 | |
| Calle et al. | Optimal selection of monitoring sites in cities for SARS-CoV-2 surveillance in sewage networks | |
| Nasehi et al. | Assessment of urban green space fragmentation using landscape metrics (case study: district 2, Tehran city) | |
| Sharma et al. | Novel hybrid deep learning model for satellite based PM10 forecasting in the most polluted Australian hotspots | |
| Wang et al. | A novel air quality prediction and early warning system based on combined model of optimal feature extraction and intelligent optimization | |
| Sabokbar et al. | Measuring spatial accessibility and equity to healthcare services using fuzzy inference system | |
| Wu et al. | Examining component-based city health by implementing a fuzzy evaluation approach | |
| Razavi-Termeh et al. | Coronavirus disease vulnerability map using a geographic information system (GIS) from 16 April to 16 May 2020 | |
| Domańska et al. | Explorative forecasting of air pollution | |
| KR102530990B1 (ko) | 하수역학 및 관망 네트워크 분석 기반 감염병 발병지역 추적 방법 및 시스템 | |
| Ghosh et al. | STROVE: Spatial data infrastructure enabled cloud–fog–edge computing framework for combating COVID-19 pandemic | |
| Zhang et al. | Evaluation of uncertain signals’ impact on deep reinforcement learning-based real-time control strategy of urban drainage systems | |
| Kim et al. | Optimal allocation and operation of sewer monitoring sites for wastewater-based disease surveillance: A methodological proposal | |
| Hou et al. | Assessment of urban ecosystem condition and ecosystem services in Shenzhen based on the MAES analysis framework | |
| Gupta et al. | Impact of Weather Predictions on COVID‐19 Infection Rate by Using Deep Learning Models | |
| Disher et al. | Measuring heatwaves and their impacts | |
| Chang et al. | An application of sensor networks for syndromic surveillance | |
| Kotwal et al. | Review On Ai And Iot Based Integrated Smart Water Management And Distribution System | |
| Srivastava et al. | Air pollution prediction system using XRSTH-LSTM algorithm | |
| Idemudia et al. | Evaluating the performance of random forest, decision tree, support vector regression and gradient boosting for streamflow prediction | |
| Zamenian et al. | Systematic approach for asset management of urban water pipeline infrastructure systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |