KR102564191B1 - 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 - Google Patents
실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 Download PDFInfo
- Publication number
- KR102564191B1 KR102564191B1 KR1020220094067A KR20220094067A KR102564191B1 KR 102564191 B1 KR102564191 B1 KR 102564191B1 KR 1020220094067 A KR1020220094067 A KR 1020220094067A KR 20220094067 A KR20220094067 A KR 20220094067A KR 102564191 B1 KR102564191 B1 KR 102564191B1
- Authority
- KR
- South Korea
- Prior art keywords
- disaster
- data
- type
- information
- risk
- Prior art date
Links
- 230000004044 response Effects 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 230000007613 environmental effect Effects 0.000 claims abstract description 66
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 38
- 238000013473 artificial intelligence Methods 0.000 claims description 35
- 238000007726 management method Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 239000002243 precursor Substances 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 7
- 239000000428 dust Substances 0.000 claims description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 239000007789 gas Substances 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 3
- 229910052815 sulfur oxide Inorganic materials 0.000 claims description 3
- 239000012855 volatile organic compound Substances 0.000 claims description 3
- 238000011017 operating method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000007781 pre-processing Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 5
- 238000009795 derivation Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 102100037658 STING ER exit protein Human genes 0.000 description 1
- 101710198240 STING ER exit protein Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Emergency Management (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Geology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Toxicology (AREA)
Abstract
본 개시의 일 실시 예에 따른 재난 감지 및 대응 서비스를 제공하는 재난 대응 시스템의 동작 방법은 이기종의 센서들로부터 센싱 데이터를 수신하는 단계; 상기 센싱 데이터를 실시간으로 분석하여 재난별 전조 현상을 감지하는 단계; 상기 전조 현상을 감지하면, 상기 센싱 데이터를 처리하여 재난 감지 데이터를 생성하는 단계; 상기 재난 감지 데이터를 기반으로 재난 유형 및 위험도를 판단하는 단계; 및 상기 재난 유형 및 상기 위험도를 기반으로 시뮬레이션을 통해 환경 시설 또는 시설물에 따른 피해 정도를 예측하고, 재난 대응에 필요한 의사결정을 지원하는 단계를 포함한다. 상기 이기종의 센서들은 환경 정보를 획득하는 제1 센서, 재난 정보를 획득하는 제2 센서, 및 상기 환경 정보 및 상기 재난 정보가 통합된 통합 정보를 획득하는 제3 센서 중 적어도 둘을 포함한다.
Description
본 개시는 재난 대응 시스템에 관한 것으로, 보다 상세하게는, ICT(Information and Communication Technologies) 기술을 활용하여 환경시설에 대한 재난을 실시간으로 감지 및 분석하고, 분석된 정보에 기반하여 위험도를 예측하는 재난 대응 시스템에 관한 것이다.
일반적으로 국내외에서 발생하고 있는 국가적 재난의 양상은 갈수록 복합화, 대형화, 다양화되어가고 있는 추세이다. 따라서 과거 재난 이력에 대한 정보를 기반으로 재난을 대비하던 것만으로는 미래의 재난을 예측, 예방하기에 한계가 있다. 또한, 기후 변화 및 도시의 복잡화 과밀화로 인해 재난 발생에 있어서 재난간 연계가 증가하여 연쇄적 재난 형태로 발생하는 경우가 증대하고 있다. 특히, 최근엔 지진대의 활성화에 따른 대규모 재난 발생 가능성이 증가하고 있어서 이를 사전에 예측하고 대응하는 국가 차원의 필요성과 요구가 높아지고 있다.
관련하여, 지자체별로 또는 국가차원에서 모든 자연재난과 사회재난이 발생 가능하다고 가정하고 예측 및 대비하기에는 그 종류와 경우의 수가 너무 다양하여 한계가 있기에, 개연성 있는 시나리오를 기반으로 한 재난 예측과 이를 통한 사전 대비책이 요구되고 있으며, 이를 수행하는 재난 대응 시스템의 중요성 및 필요성이 확대되고 있는 실정이다.
특히, 정수장, 공공하수처리장 등과 같은 환경시설의 경우, 연평균 200억원 이상이 재난 피해 복구에 투입되는 실정이고, 환경시설 재난피해의 특성상 2차 피해의 영향을 포함할 시 더욱 많은 금액이 소요되기 때문에, 환경시설에 대한 재난 감지 및 대응 시스템의 필요성이 요구된다.
또한, 기존에는 태풍, 호우, 지진 등과 같은 단일 재난에 대해서만 사전 예측했으나, 다수의 자연재난간 또는 자연재난으로 인해 연계되는 사회재난에 대해서는 예측하는 방식 및 시스템이 존재하지 않았다.
이 분야의 종래기술로서 대한민국 등록특허공보 특허번호 제10-0683580호(지능형 플랜트 정보시스템)에는 플랜트 설비의 관리, 운영, 정비, 해체, 비상 및 재난 발생시 필요한 조치와 해당 대응을 정확하고 신속하게 의사결정이 이루어지도록 지원하는 시스템이 개시되어 있다. 그러나 이러한 종래기술에 따른 대형 플랜트 시설에서의 재난관리시스템은 사고후 대책에 급급한 실정이며 사고의 예방은 불가능한 시스템이다.
또한 대한민국 등록특허공보 특허번호 제10-0755890호(지아이에스를 이용한 지역별 안전도 평가 시스템 및 방법)에 따른 지자체별 재난발생 위험을 예측하여 재해를 예방하는 시스템이 개시된 바 있지만, 이 시스템은 실제 사고가 발생할 수 있는 플랜트 시설 등에 관한 자료가 아닌 일반적으로 넓은 지역에 대한 안전도 평가자료이므로 이를 통해 특정 시설에 대한 재난 예측을 판단하기에는 적절하지 않은 것이다.
본 개시는 재난 대응 시스템에 관한 것으로, IoT 기반으로 환경시설에 대한 재난 전조 현상을 실시간으로 감지하고, 인공지능을 통해 위험도 판단 및 재난 지원의 의사결정을 제공하는 것을 목적으로 한다.
본 개시의 일 실시 예에 따른 재난 감지 및 대응 서비스를 제공하는 재난 대응 시스템의 동작 방법은 이기종의 센서들로부터 센싱 데이터를 수신하는 단계; 상기 센싱 데이터를 실시간으로 분석하여 재난별 전조 현상을 감지하는 단계; 상기 전조 현상을 감지하면, 상기 센싱 데이터를 처리하여 재난 감지 데이터를 생성하는 단계; 상기 재난 감지 데이터를 기반으로 재난 유형 및 위험도를 판단하는 단계; 및 상기 재난 유형 및 상기 위험도를 기반으로 시뮬레이션을 통해 환경 시설 또는 시설물에 따른 피해 정도를 예측하고, 재난 대응에 필요한 의사결정을 지원하는 단계를 포함한다. 상기 이기종의 센서들은 환경 정보를 획득하는 제1 센서, 재난 정보를 획득하는 제2 센서, 및 상기 환경 정보 및 상기 재난 정보가 통합된 통합 정보를 획득하는 제3 센서 중 적어도 둘을 포함한다.
실시 예에 따라, 상기 센싱 데이터를 수신하는 단계는 무선 사물 인터넷(IoT: Internet of Things) 네트워크를 통해 상기 이기종의 센서들로부터 실시간으로 상기 환경 정보, 상기 재난 정보, 및 상기 통합 정보 중 적어도 둘을 획득하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 전조 현상을 감지하는 단계는 재난별 데이터 특성에 따른 분석 기법을 기반으로 학습된 인공지능 모델을 통해 상기 센싱 데이터를 분석하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 재난 감지 데이터를 생성하는 단계는 상기 센싱 데이터를 기반으로 상기 환경 정보와 관련된 환경 인자 및 상기 재난 정보와 관련된 재난 인자를 도출하는 단계; 외부 서버로부터 재난 관련 데이터를 수신하는 단계; 상기 환경 인자, 상기 재난 인자, 및 상기 재난 관련 데이터를 수집 및 연계하는 단계; 및 수집된 데이터를 특정 형식 및 특정 범위 내의 값으로 변환하여 재난 감지 데이터를 생성하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 환경 인자는 유해가스, 미세먼지, 초미세먼지, 일산화탄소, 이산화탄소, 황산화물, 휘발성유기화합물, 암모니아, 소음 및 악취를 포함할 수 있다.
실시 예에 따라, 상기 재난 인자는 진동, 압력, 폭우, 범람, 침수 및 폭설을 포함할 수 있다.
실시 예에 따라, 상기 재난 관련 데이터는 서로 다른 기관에서 제공하는 자연 재난, 인적 재난, 및 사회적 재난과 관련된 알림, 교통, 기상, 통계, 사진, 영상, 및 매뉴얼 정보를 포함할 수 있다.
실시 예에 따라, 상기 재난 관련 데이터를 수집 및 연계하는 단계는 스케줄러를 통해 주기적으로 정형 데이터 및 비정형 데이터를 포함하는 상기 재난 관련 데이터를 수집하는 단계; 상기 환경 인자 및 상기 재난 인자를 정형 데이터와 연계하는 단계; 및 상기 환경 인자 및 상기 재난 인자를 비정형 데이터와 연계하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 재난 유형은 재난의 연쇄 가능성이 일정 수준 보다 낮은 개별 재난 발생의 제1 유형 및 상기 재난의 연쇄 가능성이 상기 일정 수준 이상인 복합 재난 발생의 제2 유형을 포함할 수 있다.
실시 예에 따라, 상기 재난 유형 및 상기 재난 유형별 위험도를 판단하는 단계는 상기 재난 유형을 상기 제1 유형으로 판단하는 단계; 및 재난별 위험도 산출 알고리즘을 실행하여 제1 위험도를 산출하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 재난 유형 및 상기 재난 유형별 위험도를 판단하는 단계는 상기 재난 유형을 상기 제2 유형으로 판단하는 단계; 상기 재난 감지 데이터를 기반으로 시뮬레이션 기반의 복합 재난 시나리오를 생성하는 단계; 상기 복합 재난 시나리오로부터 기 설정된 위험요소에 대응되는 복수의 위험요소들을 도출하는 단계; 상기 복수의 위험요소들 간의 상대적 중요도를 결정하는 단계; 및 상기 상대적 중요도를 기반으로 제2 위험도를 산출하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 재난 대응에 필요한 의사결정을 지원하는 단계는 재난 대응을 단계화하고 단계별 의사결정 프로세스를 수행하는 단계를 포함할 수 있다.
실시 예에 따라, 상기 단계별 의사결정 프로세스를 수행하는 단계는 메타 러닝 기반의 인공지능 모델을 이용할 수 있다.
본 개시의 일 실시 예에 따른 재난 감지 및 대응 서비스를 제공하는 재난 대응 시스템은 환경 정보를 획득하는 제1 센서, 재난 정보를 획득하는 제2 센서, 및 상기 환경 정보 및 상기 재난 정보가 통합된 통합 정보를 획득하는 제3 센서 중 적어도 둘을 포함하는 이기종의 센서들; 상기 이기종의 센서들이 획득한 센싱 데이터를 실시간으로 분석하여 재난별 전조 현상을 감지하고, 상기 전조 현상을 감지하면, 상기 센싱 데이터를 처리하여 재난 감지 데이터를 생성하는 재난 감지 장치; 및 상기 재난 감지 데이터를 기반으로 재난 유형 및 위험도를 판단하고, 상기 재난 유형 및 상기 위험도를 기반으로 시뮬레이션을 통해 환경 시설 또는 시설물에 따른 피해 정도를 예측하고, 재난 대응에 필요한 의사결정을 지원하는 재난 관리 장치를 포함한다.
실시 예에 따라, 상기 센싱 데이터를 분석하는 제1 학습 모델을 제공하고, 상기 제1 학습 모델에 기초하여 상기 재난별 전조 현상을 감지하도록 구성된 제1 인공지능 모듈을 더 포함할 수 있다.
실시 예에 따라, 상기 재난 감지 데이터를 분석하는 제2 학습 모델을 제공하고, 상기 제2 학습 모델에 기초하여 상기 재난 유형 및 상기 위험도를 판단하도록 구성된 제2 인공지능 모듈을 더 포함할 수 있다.
본 개시에 따른 재난 대응 시스템은 지진, 풍수해, 유해가스 등 복합적인 재난 상황에서의 위험도를 산출하는 재난 관리 장치를 포함함으로써, 현실적 위험도 판단에 있어서의 정확도를 향상시킬 수 있다.
도 1은 본 개시의 일 실시 예에 따른 재난 대응 시스템을 나타내는 블록도이다.
도 2는 도 1의 재난 감지 장치의 일 실시 예를 나타내는 블록도이다.
도 3은 도 1의 재난 관리 장치의 일 실시 예를 나타내는 블록도이다.
도 4는 본 개시에 따른 재난 대응 시스템의 동작 방법을 나타내는 순서도이다.
도 5는 도 4의 S140 단계를 구체화하는 순서도이다.
도 6은 도 4의 S150 단계를 구체화하는 순서도이다.
도 7은 제1 유형의 재난 유형에 따른 위험도 산출 알고리즘의 일 실시 예를 나타내는 순서도이다.
도 8은 본 개시의 다른 실시 예에 따른 재난 대응 시스템을 나타내는 블록도이다.
도 9는 도 8의 재난 대응 시스템을 적용한 지능형 의사결정지원 통합 플랫폼의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨터 장치를 나타내는 블록도이다.
도 2는 도 1의 재난 감지 장치의 일 실시 예를 나타내는 블록도이다.
도 3은 도 1의 재난 관리 장치의 일 실시 예를 나타내는 블록도이다.
도 4는 본 개시에 따른 재난 대응 시스템의 동작 방법을 나타내는 순서도이다.
도 5는 도 4의 S140 단계를 구체화하는 순서도이다.
도 6은 도 4의 S150 단계를 구체화하는 순서도이다.
도 7은 제1 유형의 재난 유형에 따른 위험도 산출 알고리즘의 일 실시 예를 나타내는 순서도이다.
도 8은 본 개시의 다른 실시 예에 따른 재난 대응 시스템을 나타내는 블록도이다.
도 9는 도 8의 재난 대응 시스템을 적용한 지능형 의사결정지원 통합 플랫폼의 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨터 장치를 나타내는 블록도이다.
이하에서, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다. 다만, 본 발명은 청구범위에 기재된 범위 안에서 여러 가지 상이한 형태로 구현될 수 있으므로 하기에 설명하는 실시 예들은 표현 여부에 불구하고 예시에 불과하다. 즉, 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조 합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의 해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면, 다음과 같다.
도 1은 본 개시의 일 실시 예에 따른 재난 대응 시스템을 나타내는 블록도이다.
도 1을 참조하면, 재난 대응 시스템(100)은 환경 시설을 실시간으로 감지하여, 환경 시설에 대한 재난 전조 현상을 감지 또는 예측할 수 있다. 재난 대응 시스템(100)은 재난 상황에서 재난 위험도를 산출하고, 재난 유형별 시나리오를 통해 피해 예측 및 재난 대응 의사결정을 지원할 수 있다. 이를 위해, 재난 대응 시스템(100)은 센서(110), 재난 감지 장치(120), 재난 관리 장치(130), 외부 서버(140), 데이터베이스(150), 및 사용자 인터페이스(160) 중 적어도 하나를 포함할 수 있다.
센서(110)는 IoT 기반 센서일 수 있다. 센서(110)는 네트워크를 통해 센싱 데이터 또는 획득한 정보를 재난 감지 장치(120)에 전송할 수 있다. 센서(110)는 이기종의 센서들을 포함할 수 있다. 예를 들어, 센서(110)는 환경 정보를 획득하는 제1 센서(111), 재난 정보를 획득하는 제2 센서(112), 및 환경 정보 및 재난 정보가 통합된 통합 정보를 획득하는 제3 센서(113) 중 적어도 하나를 포함할 수 있다.
제1 내지 제3 센서들(111, 112, 113)은 환경 시설 또는 시설물을 실시간으로 감지하고, 획득한 정보를 재난 감지 장치에 무선 또는 유선으로 전송할 수 있다. 본 명세서에서, 환경 시설은 하수 처리 시설, 상수도 시설, 폐기물 처리 시설, 분뇨 처리 시설 등 환경과 밀접한 관련이 있는 시설을 포함할 수 있다. 본 명세서에서, 시설물은 환경 시설 외의 터널, 교량, 산업 시설, 발전소, 문화재 등을 포함할 수 있다.
재난 감지 장치(120)는 센서(110)로부터 환경 정보 및 재난 정보를 포함하는 센싱 데이터를 수신할 수 있다. 재난 감지 장치(120)는 센싱 데이터를 기반으로 재난 전조 현상을 감지할 수 있고, 환경 인자 및 재난 인자를 도출할 수 있다. 환경 인자는 환경 정보를 구성하는 요소이며, 예를 들어, 유해가스, 미세먼지, 초미세먼지, 일산화탄소, 이산화탄소, 황산화물, 휘발성유기화합물, 암모니아, 소음 및 악취 등을 포함할 수 있다. 재난 인자는 재난 정보를 구성하는 요소이며, 예를 들어, 진동, 압력, 폭우, 범람, 침수 및 폭설 등을 포함할 수 있다.
재난 감지 장치(120)는 외부 서버(140)로부터 재난 관련 데이터를 수신할 수 있다. 재난 관련 데이터는 서로 다른 기관에서 제공하는 자연 재난, 인적 재난, 및 사회적 재난과 관련된 알림, 교통, 기상, 통계, 사진, 영상, 및 매뉴얼 정보를 포함할 수 있다. 재난 감지 장치(120)는 환경 인자, 재난 인자, 및 재난 관련 데이터를 기반으로 재난 감지 데이터를 생성할 수 있다.
실시 예에 따라, 재난 감지 장치(120)는 센서(110)를 제어할 수 있다. 재난 감지 장치(120)는 제1 내지 제3 센서들(111, 112, 113)을 제어하는 센서 제어 신호를 생성할 수 있고, 제1 내지 제3 센서들(111, 112, 113)은 센서 제어 신호를 기반으로 센싱 주기, 범위, 화질, 통신 등 센싱 관련 동작들을 제어할 수 있다.
재난 관리 장치(130)는 재난 감지 장치(120)로부터 재난 감지 데이터를 수신하고, 재난 감지 데이터를 기반으로 재난 유형 및 위험도를 판단할 수 있다. 예를 들어, 재난 유형은 제1 유형 및 제2 유형을 포함할 수 있다. 제1 유형은 재난의 연쇄 가능성이 일정 수준 보다 낮아 개별 재난이 발생하는 상황이고, 제2 유형은 재난의 연쇄 가능성이 일정 수준 이상으로 복합 재난이 발생하는 상황에 대응될 수 있다.
재난 관리 장치(130)는 재난 유형을 제1 유형으로 판단하는 경우 재난별 위험도 산출 알고리즘을 실행하여 제1 위험도를 산출할 수 있다. 위험도 산출 알고리즘은 데이터베이스(150)에 재난별로 저장될 수 있다. 실시 예에 따라, 위험도 산출 알고리즘은 인공지능 기반의 학습 모델을 이용할 수 있다.
재난 관리 장치(130)는 재난 유형을 제2 유형으로 판단하는 경우, 복합 재난 시나리오를 생성할 수 있다. 복합 재난 시나리오를 생성하는 프로세스에 대한 구체적인 내용은 도 8에서 후술된다. 재난 관리 장치(130)는 복합 재난 시나리오로부터 위험요소들을 도출하고, 위험요소들을 기반으로 제2 위험도를 산출할 수 있다.
재난 관리 장치(130)는 재난 유형 및 유형별 위험도를 기반으로 환경 시설 또는 시설물에 따른 피해 정도를 예측하고, 재난 대응에 필요한 의사결정을 지원할 수 있다. 재난 관리 장치(130)는 재난 대응을 단계화하고 단계별 의사결정 프로세스를 수행함으로써, 재난 대응에 필요한 의사결정을 지원할 수 있다.
외부 서버(140)는 부서별 서버 또는 클라우드를 포함할 수 있다. 외부 서버(140)는 서로 다른 부서 또는 서로 다른 기관에서 수집한 재난 관련 데이터를 재난 감지 장치(120)에 제공할 수 있다. 또한, 외부 서버(140)는 재난 관리 장치(130)로부터 재난 유형, 위험도, 및 의사결정에 관한 정보를 수신하고, 연계된 서로 다른 부서들 또는 기관들에 해당 정보를 제공할 수 있다.
데이터베이스(150)에는 재난별 위험도 산출 알고리즘이 저장될 수 있다. 실시 예에 따라, 데이터베이스(150)에는 복합 재난 시나리오 및 위험요소가 저장될 수 있다. 데이터베이스(150)에 저장된 데이터는 이에 한정되지 않고, 재난 관리 장치(130)가 재난 유형 및 위험도를 판단하고 의사결정을 지원하는데 필요한 알고리즘, 기준, 정보 등이 저장될 수 있다.
사용자 인터페이스(160)는 재난 관리 장치(130)로부터 재난 유형, 위험도, 및 의사결정에 관한 정보를 수신하고, 해당 정보를 출력할 수 있다. 출력의 형태는 제한되지 않으며, 예를 들어, 텍스트, 소리, 진동, 이미지, 영상 등을 포함할 수 있다. 실시 예에 따라, 사용자 인터페이스(160)는 재난 유형 및 위험도에 따라 서로 다른 형태로 해당 정보를 출력할 수 있다.
사용자는 사용자 인터페이스(160)를 통해 특정 정보를 입력할 수 있다. 예를 들어, 특정 정보는 재난 상황에 대한 음성 또는 문자 메시지를 포함할 수 있다. 실시 예에 따라, 사용자 인터페이스(160)는 전문가의 재난 상황에 대한 판단 정보를 수신하고, 재난 관리 장치(130)는 이를 고려하여 의사결정을 지원할 수 있다.
도 2는 도 1의 재난 감지 장치의 일 실시 예를 나타내는 블록도이다. 도 2를 참조하면, 재난 감지 장치(120)는 전조 감지부(121), 인자 도출부(122), 데이터 연계부(123), 전처리부(124), 및 데이터 저장부(125)를 포함할 수 있다.
전조 감지부(121)는 센서(110)로부터 환경 정보 및 재난 정보를 수신하고, 환경 정보 및 재난 정보를 기반으로 재난의 전조 현상을 감지할 수 있다. 전조 감지부(121)는 재난별 데이터 특성에 따른 분석 기법을 통해 재난의 전조 현상을 감지할 수 있다.
실시 예에 따라, 전조 감지부(121)는 지진파 신호의 시간에 따르는 주파수 특성을 파악하여 지진에 대한 전조 현상을 감지할 수 있다. 예를 들어, 전조 감지부(121)는 STFT(Short-time Fourier transform)를 통해 원시 지진파 신호를 스펙토그램(spectrogram) 공간으로 변환할 수 있다. 이 경우, 지진파와 잡음은 저주파 대역에서 공통되는 특징적 요소들이 존재하기 때문에, 전처리 필터를 각 변환 공간에 적용함으로써 저주파 대역의 클래스 간 공통 특징 부분을 억제하여 지진파 분류 성능을 개선할 수 있다.
실시 예에 따라, 전조 감지부(121)는 유체 해석 기법을 통해 호우 및 유해가스에 대한 전조 현상을 감지할 수 있다. 예를 들어, 전조 감지부(121)는 유동의 지배방정식인 나비에-스토크스 방정식을 격자볼츠만법으로 해석하여 서로 다른 특성을 가지며 섞이지 않는 2개 유체의 유동을 검증할 수 있다(Rayleigh-Taylor instability, Rising bubble).
전조 감지부(121)는 재난별 데이터 특성에 기반한 분석 기법으로 재난의 전조 현상을 감지하고, 재난 상황을 예측할 수 있다. 이 경우, 인공지능 알고리즘이 사용될 수 있고, 시뮬레이션을 통해 재난 예상 피해를 예측하여 재난 관리 장치(130)에 제공할 수 있다.
인자 도출부(122)는 센싱 데이터를 기반으로 환경 인자 및 재난 인자를 도출할 수 있다. 환경 인자는 환경 정보를 구성하는 요소이며, 재난 인자는 재난 정보를 구성하는 요소일 수 있다. 인자 도출부(122)는 환경 인자 및 재난 인자를 데이터 연계부(123)에 제공할 수 있다.
데이터 연계부(123)는 환경 인자, 재난 인자, 및 재난 관련 데이터를 연계할 수 있다. 재난 관련 데이터는 외부 서버(140)로부터 수신될 수 있다. 예를 들어, 재난 관련 데이터는 기상특보, 긴급재난문자, CCTV, 미세먼지 등에 관한 정보일 수 있고, 데이터 연계부(123)는 환경 정보 및 재난 정보를 대응되는 재난 관련 데이터와 연계할 수 있다. 이 경우, 주기적인 데이터 수집을 위해 스케줄러가 사용될 수 있고, 연계 데이터는 정형 데이터 및 비정형 데이터를 포함할 수 있다. 데이터 연계부(123)는 연계 데이터를 전처리부(124)에 제공할 수 있다.
전처리부(124)는 특정 형식으로 지정되지 않거나 분류되지 않은 연계 데이터를 동일한 스케일로 만들어 특정 범위 내의 값으로 변환할 수 있다. 예를 들어, 0~1 사이로 변환하는 정규화 과정이 이용될 수 있다. 실시 예에 따라, Apache Spark 기반 전처리 수행으로 Spark SQL 및 API 기능이 사용될 수 있다. 전처리부(124)는 전처리 완료된 데이터인 재난 감지 데이터를 데이터 저장부(125)에 제공할 수 있다.
데이터 저장부(125)는 재난 감지 데이터를 저장할 수 있다. 실시 예에 따라, 데이터 저장부(125)는 Apache Spark의 전처리 결과 데이터 저장을 위해 Apache Hadoop이 제공하는 데이터 분산 저장 기능을 사용할 수 있다.
도 3은 도 1의 재난 관리 장치의 일 실시 예를 나타내는 블록도이다. 도 3을 참조하면, 재난 관리 장치(130)는 재난 유형 판단부(131), 시나리오 생성부(132), 위험도 산출부(133), 피해 예측부(134), 및 의사결정부(135)를 포함할 수 있다.
재난 유형 판단부(131)는 재난 감지 데이터를 기반으로 재난 유형을 판단할 수 있다. 재난 유형 판단부(131)는 재난 감지 데이터를 기반으로 재난의 연쇄 가능성을 판단할 수 있고, 실시 예에 따라, 인공지능 학습 모델을 사용할 수 있다. 재난 유형은 재난의 연쇄 가능성에 따라 결정될 수 있고, 개별 재난 발생의 제1 유형 및 복합 재난 발생의 제2 유형을 포함할 수 있지만, 이에 제한되지 않는다.
시나리오 생성부(132)는 위험요소 및 재난 유형에 따른 시나리오를 생성할 수 있다. 재난 유형이 제2 유형인 경우, 시나리오 생성부(132)는 다중평가가 필요한지 여부를 결정하기 위해 정성평가를 수행할 수 있다. 그 후, 시나리오 생성부(132)는 정량평가를 수행하여 동시 발생, 트리거, 연쇄 작용에 대한 확률을 산정하여, 최종적으로 위험요소들 간의 상호작용과 동적 취약성을 통한 준 정량평가를 수행할 수 있다.
시나리오 생성부(132)는 상술된 정량평가, 정성평가, 및 준 정성평가를 기반으로 재난 및 사회 기반 인프라간 입체적 상호 연관성 분석을 통한 복합 재난 위험요소 추출 및 복합 재난 시나리오를 생성할 수 있다. 생성된 시나리오는 시뮬레이션을 통해 검증, 평가 및 업데이트될 수 있다. 위험요소는 데이터베이스에 저장될 수 있다.
실시 예에 따라, 시나리오 생성부(132)는 재난 유형이 제1 유형인 경우, 비활성화 될 수 있다.
위험도 산출부(133)는 재난 유형이 제1 유형인 경우, 재난별 위험도 산출 알고리즘을 실행하여 제1 위험도를 산출할 수 있다. 위험도 산출부(133)는 재난 유형이 제2 유형인 경우, 도출된 복수의 위험요소들 간의 상대적 중요도를 결정하여, 상대적 중요도를 기반으로 제2 위험도를 산출할 수 있다.
위험도 산출부(133)는 위험요소들에 대해 시뮬레이션 및 측정 결과를 근거로 위험도 평가 기준을 설정하고 등급을 산정하여 평가할 수 있다. 위험도 산출부(133)는 각각의 위험요소별 등급을 산정한 후 복합재난 위험도를 산정하기 위해서 위험요소 등급을 종합할 수 있다.
실시 예에 따라, 평가에 고려되는 위험요소들은 모두 동일한 중요도를 가지는 것이 아니며, 상대적 중요도 차이를 가질 수 있다. 위험도 산출부(133)는 이런 위험요소들 간 상대적 중요도 결정을 위하여 쌍대비교 분석방법인 AHP 분석을 수행할 수 있다. 이 경우, 위험도 산출부(133)는 외부 서버(140) 또는 사용자 인터페이스(160)를 통해 수신한 전문가 의견을 고려할 수 있다.
피해 예측부(134)는 재난 유형 및 위험도를 기반으로 시뮬레이션을 통해 환경 시설 또는 시설물에 대한 피해 정도를 예측할 수 있다. 실시 예에 따라, 피해 예측에는 인공지능 학습 모델이 사용될 수 있다.
의사결정부(135)는 예측된 피해 정도를 기반으로 재난 대응에 필요한 의사결정을 지원할 수 있다. 재난 대응은 예측된 피해 정도에 따라 복수의 단계들로 분류될 수 있으며, 예를 들어, 예방, 대비, 대응, 복구, 지원 단계로 나누어질 수 있다. 의사결정부(135)는 각 단계에 따라 데이터를 단계화하고, 인자를 순위화하고, 인공지능 알고리즘을 적용하여 의사결정을 지원할 수 있다.
도 4 내지 도 6은 본 개시에 따른 재난 대응 시스템의 동작 방법을 나타내는 순서도이다. 도 4를 참조하면, 재난 대응 시스템의 동작 방법(S100)은 이기종의 센서들로부터 실시간을 재난 상황을 감지하고, 재난 유형 및 위험도를 판단하여 의사결정을 지원하는 일련의 동작들을 포함할 수 있다.
S110 단계에서, 재난 대응 시스템(100)은 센싱 데이터를 수신할 수 있다. 센싱 데이터는 도 1의 이기종의 센서들(111, 112, 113)으로부터 획득한 환경 시설 또는 시설물에 대한 환경 정보, 재난 정보, 및 통합 정보를 포함할 수 있다. 재난 대응 시스템(100)은 무선 사물 인터넷(IoT: Internet of Things) 네트워크를 통해 이기종의 센서들로부터 실시간으로 환경 정보, 재난 정보, 및 통합 정보 중 적어도 둘을 획득할 수 있다.
S120 단계에서, 재난 대응 시스템(100)은 전조 현상을 감지할 수 있다. 재난 대응 시스템(100)은 센싱 데이터를 실시간으로 분석하여 재난별 전조 현상을 감지할 수 있다. 예를 들어, 재난 감지 장치(120)는 재난별 데이터 특성에 따른 분석 기법을 기반으로 인공지능 모델을 통해 센싱 데이터를 분석하여 재난별 전조 현상을 감지할 수 있다.
S130 단계에서, 재난 대응 시스템(100)은 재난 인자 및 환경 인자를 도출할 수 있다. 예를 들어, 재난 감지 장치(120)는 센싱 데이터를 기반으로 전조 현상을 감지하면, 센싱 데이터를 기반으로 환경 정보와 관련된 환경 인자 및 재난 정보와 관련된 재난 인자를 도출할 수 있다. 환경 인자 및 재난 인자는 미리 설정된 인자들일 수 있다.
S140 단계에서, 재난 대응 시스템(100)은 재난 감지 데이터를 생성할 수 있다. 예를 들어, 재난 감지 장치(120)는 외부 서버(140)로부터 재난 관련 데이터를 수신할 수 있다. 또한, 재난 감지 장치(120)는 환경 인자, 재난 인자, 및 재난 관련 데이터를 수집 및 연계하고, 수집된 데이터를 특정 형식 및 특정 범위 내의 값으로 변환하여 재난 감지 데이터를 생성할 수 있다.
도 5는 도 4의 S140 단계를 구체화하는 순서도이다. 도 4 및 도 5를 참조하면, S141 단계에서, 데이터 연계부(123)는 인자 도출부(122)로부터 재난 인자 및 환경 인자를 수신할 수 있다. S142 단계에서, 데이터 연계부(123)는 외부 서버(140)로부터 재난 관련 데이터를 수신할 수 있다. S143 단계에서, 데이터 연계부(123)는 데이터를 연계 및 수집할 수 있다.
실시 예에 따라, 데이터 연계부(123)는 스케줄러를 통해 주기적으로 정형 데이터 및 비정형 데이터를 포함하는 재난 관련 데이터를 수집하고, 환경 인자 및 재난 인자를 대응되는 정형 데이터 또는 비정형 데이터와 연계할 수 있다. S144 단계에서, 전처리부(124)는 데이터 전처리를 수행할 수 있다.
예를 들어, 알고리즘에 따라 학습 자료의 매개변수 설정과 데이터 스케일은 민감하기 때문에, 특성 값의 범위를 일치시키거나 분표를 유사하게 만드는 데이터 전처리 동작이 필요하고, 이때 0~1사이로 변환하는 정규화 동작을 포함할 수 있다. S145 단계에서, 전처리부(124)는 전처리 동작을 통해 재난 감지 데이터를 생성하고 데이터 저장부(125)에 재난 감지 데이터를 저장할 수 있다.
S150 단계에서, 재난 대응 시스템(100)은 재난 유형별 위험도를 산출할 수 있다. 예를 들어, 재난 관리 장치(130)는 재난 감지 장치(120)로부터 재난 감지 데이터를 수신할 수 있고, 재난 감지 데이터를 기반으로 재난 유형 및 상기 재난 유형별 위험도를 판단할 수 있다.
도 6은 도 4의 S150 단계를 구체화하는 순서도이다. 도 4 및 도 6을 참조하면, S151 단계에서, 재난 유형 판단부(131)는 재난 감지 장치(120)로부터 재난 감지 데이터를 수신할 수 있다. S152 단계에서, 재난 유형 판단부(131)는 재난 유형을 판단할 수 있다. 재난 유형은 개별 재난 발생의 제1 유형 및 복합 재난 발생의 제2 유형을 포함할 수 있고, S153 단계에서, 재난 관리 장치(130)는 재난 유형이 제1 유형인지를 판단할 수 있다. S153 단계에서, 재난 유형이 제1 유형인 경우, S154 단계가 진행될 수 있고, 재난 유형이 제1 유형이 아닌 경우, S156 단계가 진행될 수 있다.
S154 단계에서, 재난 관리 장치(130)는 재난별 위험도 산출 알고리즘을 실행할 수 있다. 위험도 산출 알고리즘은 재난에 따라 달라질 수 있고, 데이터베이스(150)에 저장되어 있거나 외부 서버(140)로부터 제공받을 수 있다. 예를 들어, 도 7을 참조하면, 지진에 따른 위험도 산출 알고리즘이 개시된다. 구체적으로, 지진이 발생되면, 지진 정보를 획득하고, 지형 및 시설물 정보를 분석하여 액상화/Shake-map 평가를 수행하고, 지진 위험도를 평가할 수 있다. 이 경우, 시설물 우선순위 및 위험단계별 EAP 정보를 제공할 수 있고, 위험도를 산출할 수 있다.
S155 단계에서, 재난 관리 장치(130)는 위험도를 산출할 수 있다. 예를 들어, 도 7에 따른 지진의 경우, 지진가속도를 기준으로 관심, 주의, 경계, 심각의 4 단계로 분류될 수 있다. 본 명세서에서, 제1 유형의 경우 도 7에 따른 지진 위험도 산출 알고리즘을 기준으로 설명되지만, 이에 제한되는 것은 아니다.
예를 들어, 재난별 위험도 산출 알고리즘은 환경 인자 및 재난 인자에 따라 재난 위험도를 산출하는 알고리즘으로, Decision Tree 기반의 재난발생 예측모델을 통해 재난 예보 및 경보를 지원할 수 있다. 또한, 재난별 위험도 산출 알고리즘은 환경 인자 및 재난 인자를 적절하게 수집한 이후에는 딥러닝 기반 학습 모델을 이용하여 새로운 재난과 환경 인자를 입력 받아 재난 위험도를 추론할 수 있다.
다시 말해, 제1 유형의 경우, 스토케스틱 알고리즘과 휴리스틱 알고리즘을 접목하여 기존 예측 모델의 성능을 향상시킬 수 있다. 예를 들어, 스토케스틱 알고리즘은 칼만필터(Kalman filter)를 이용하고, 휴리스틱 알고리즘은 ANN(Artificial Neural Network)을 이용할 수 있다.
S156 단계에서, 재난 관리 장치(130)는 복합 재난 시나리오를 생성하고, S157 단계에서, 위험요소 도출 및 시뮬레이션을 수행할 수 있다. 재난 관리 장치(130)는 위험요소들에 대한 시뮬레이션 및 측정 결과를 근거로 위험도 평가 기준을 설정하고 등급을 산정할 수 있다. 이 경우, 각각의 위험요소별 등급을 산정한 후 복합 재난 위험도를 산정하기 위하여 위험요소 등급을 종합하는 과정을 거칠 수 있다. S158 단계에서, 재난 관리 장치(130)는 위험요소들 간의 상대적 중요도를 결정할 수 있다. 예를 들어, 재난 관리 장치(130)는 AHP 분석을 수행하여 상대적 중요도를 결정할 수 있다.
실시 예에 따라, 복합 재난 시나리오는 과거 발생한 재난사례를 분석하여 상호연계성을 분석하고 연계지수를 산정하여 생성될 수 있다. 이에 따라, 대형재난 확산을 예측하고 가시화하기 위해서는 재난상황에 대한 계측 및 모니터링 데이터를 위한 다양한 시뮬레이션 입력 정보와 주요 구조물의 속성에 대한 공간 인벤토리가 요구될 수 있다.
실시 예에 따라, 재난 대응 시스템(100)은 복합 재난 시나리오의 자동 생성을 위한 거시적 환경분석 기법인 STEEP 분석, 델파이 기법 등을 활용하여 재난 간 연계성 기반 시나리오 자동 생성 알고리즘을 도출할 수 있다. 이 경우, 수치 해석 방법으로는 한계가 있기 때문에 재난 전문가들의 의견 수집 및 반영이 요구될 수 있다.
S160 단계에서, 재난 대응 시스템(100)은 피해를 예측하고, S170 단계에서, 의사결정을 지원할 수 있다. 재난 대응 시스템(100)은 재난 유형 및 위험도를 기반으로 시뮬레이션을 통해 환경 시설 또는 시설물에 따른 피해 정도를 예측하고, 재난 대응에 필요한 의사결정을 지원할 수 있다.
실시 예에 따라, 재난 대응 시스템(100)은 재난 대응을 단계화하고 단계별 의사결정 프로세스를 수행할 수 있다. 재난 대응 시스템(100)은 예측된 피해 정도에 따라 재난 대응을 복수의 단계들로 분류할 수 있으며, 예를 들어, 예방, 대비, 대응, 복구, 지원 단계로 나누어질 수 있다. 또한, 재난 대응 시스템(100)은 각 단계에 따라 데이터를 단계화하고, 인자를 순위화하고, 인공지능 알고리즘을 적용하여 의사결정을 지원할 수 있다. 이 경우, 메타 러닝 기반의 인공지능 모델이 이용될 수 있다.
예를 들어, 재난 대응 시스템(100)은 탐색 데이터를 단계화하여, 1단계에서 재난 데이터의 자연적 특성을 반영하는 항목을 지표로 선정하고, 2단계에서 인공 구조물, 인구, 구조 및 구급 기관 등 인공적 특성을 반영하는 항목을 지표로 선정할 수 있다. 재난 대응 시스템(100)은 각 재난별 개별 인자간, 각 단계별 인자간, 재난이 복합적으로 발생했을 때 등 다각적 측면의 상관성 분석으로 의사결정에 반영 가능한 결과를 도출할 수 있다. 예를 들어, spearman, pearson, kendall 등을 이용하여 1차적 상관성이 도출될 수 있다. 나아가, PCA, MFA, MCA 등을 이용하여 주요 요소들에 대해 분석할 수 있다.
도 8은 본 개시의 다른 실시 예에 따른 재난 대응 시스템을 나타내는 블록도이다. 도 8을 참조하면, 재난 대응 시스템(200)은 센서(210), 재난 감지 장치(220), 제1 인공지능 모듈(225), 재난 관리 장치(230), 제2 인공지능 모듈(235), 외부 서버(240), 데이터베이스(250), 및 사용자 인터페이스(260)를 포함할 수 있다. 센서(210), 재난 감지 장치(220), 재난 관리 장치(230), 외부 서버(240), 데이터베이스(250), 및 사용자 인터페이스(260)는 도 1의 센서(110), 재난 감지 장치(120), 재난 관리 장치(130), 외부 서버(140), 데이터베이스(150), 및 사용자 인터페이스(160)와 유사하므로 이에 대한 상세한 설명은 생략된다.
제1 인공지능 모듈(225)은 재난 감지 장치(220)에 학습 모델을 제공할 수 있다. 제1 인공지능 모듈(225)은 센싱 데이터를 분석하고, 분석된 결과에 따른 결과 데이터를 계산할 수 있다. 이를 위하여, 제1 인공지능 모듈(225)은 지속적으로 수신된 센싱 데이터를 미리 학습할 수 있고, 이에 따라 학습 모델이 구축될 수 있다. 구축된 학습 모델에 기초하여 제1 인공지능 모듈(225)은 결과 데이터로서 재난에 대한 전조 현상을 감지 및 예측할 수 있다. 실시 예에 따라, 제1 인공지능 모듈(225)은 결과 데이터에 기초하여 재난 감지 장치(220)의 동작을 제어할 수 있다.
제1 인공지능 모듈(225)은 센싱 데이터를 분석 및 판단하기 위한 하드웨어 장치로 구현될 수 있다. 예를 들어, 제1 인공지능 모듈(225)은 인공 신경망을 통한 학습을 수행하여 학습 모델을 구축하기 위한 뉴로모픽 연산 회로 등으로 구현되거나, FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 전용 논리 회로 등으로 구현될 수 있다. 또는, 제1 인공지능 모듈(225)은 소프트웨어 또는 펌웨어로 구현될 수 있다. 이 경우, 제1 인공지능 모듈(225)은 센싱 데이터를 분석하는데 요구되는 제어 및 연산 동작을 수행하기 위한 프로세서, 센싱 데이터를 분석하기 위한 소프트웨어 또는 펌웨어를 저장하는 스토리지, 및 소프트웨어 또는 펌웨어를 로딩하기 위한 메모리를 포함할 수 있다.
제2 인공지능 모듈(235)은 재난 관리 장치(230)에 학습 모델을 제공할 수 있다. 제2 인공지능 모듈(235)은 재난 감지 데이터를 분석하고, 분석된 결과에 따른 결과 데이터를 계산할 수 있다. 제2 인공지능 모듈(235)은 제1 인공지능 모듈(225)과 유사하므로, 이에 대한 상세한 설명은 생략된다. 제2 인공지능 모듈(235)은 구축된 학습 모델에 기초하여 결과 데이터로서 재난 유형 및 위험도 산출, 피해 예측 및 의사결정을 지원할 수 있다. 실시 예에 따라, 제2 인공지능 모듈(235)은 결과 데이터에 기초하여 재난 관리 장치(230)의 동작을 제어할 수 있다.
도 9는 도 8의 재난 대응 시스템을 적용한 지능형 의사결정지원 통합 플랫폼의 예시를 나타내는 도면이다.
도 9를 참조하면, 지능형 의사결정지원 통합 플랫폼은 데이터베이스를 구축하고, 재난에 대한 모니터링 시스템을 통해 재난을 감지하며, 재난 데이터를 분석할 수 있다. 예를 들어, 통합 플랫폼은 유해가스 유동 모델링, 지진 피해 예측, 침수 피해 예측, 및 의사결정지원 알고리즘을 제공할 수 있다. 이 경우, 인공지능 알고리즘을 이용할 수 있으며, 재난을 감지하면 즉각적인 상황 전파 및 재난 대응을 지원할 수 있다. 실시 예에 따라, 현장 관리자 또는 음성인식 기반 질의응답을 통해 실시간 의사소통을 지원할 수 있다. 나아가, 통합 플랫폼은 외부 연계를 통해, 상황 전파 및 정보 연계, 시설물 및 GIS 정보 연계, 등원 자원 정보 연계 등 서로 다른 부서들과 정보 연계를 달성할 수 있다. 이로써, 지능형 의사결정지원 통합 플랫폼은 최적의 운영 방안을 도출하고 통합 매뉴얼을 제공할 수 있다.
도 10은 본 개시의 일 실시예에 따른 컴퓨터 장치를 나타내는 블록도이다. 컴퓨팅 장치(1000)는 도 1 내지 도 8의 재난 감지 장치 및 재난 관리 장치를 하드웨어적으로 구현한 것일 수 있다.
컴퓨팅 장치(1000)는 버스(1200)를 통해 통신하는 프로세서(1100), 메모리(1300), 사용자 입력 장치(1400), 사용자 출력 장치(1500) 및 스토리지(1600)를 포함할 수 있다. 컴퓨팅 장치(1000)는 또한 네트워크(1800), 예컨대 무선 네트워크에 전기적으로 접속되는 네트워크 인터페이스(1700)를 포함할 수 있다. 네트워크 인터페이스(1700)는 네트워크(1800)를 통해 다른 개체와 신호를 송신 또는 수신할 수 있다.
프로세서(1100)는 AP(Application Processor), CPU(Central Processing Unit), GPU(Graphic Processing Unit) 등과 같은 다양한 종류들로 구현될 수 있으며, 메모리(1300) 또는 저장 장치(1600)에 저장된 명령을 실행하는 임의의 반도체 장치일 수 있다. 프로세서(1100)는 도 1 내지 도 8에서 설명한 기능 및 방법들을 구현하도록 구성될 수 있다.
메모리(1300) 및 스토리지(1600)는 다양한 형태의 휘발성 또는 비 휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(1310) 및 RAM(1320)을 포함할 수 있다. 실시 예에 따라, 메모리(1300)는 프로세서(1100)의 내부 또는 외부에 위치할 수 있고, 메모리(1300)는 이미 알려진 다양한 수단을 통해 프로세서(1100)와 연결될 수 있다.
또한, 본 개시의 실시 예들에 따른 재난 감지 및 재난 대응 방법 중 적어도 일부는 컴퓨팅 장치(50)에서 실행되는 프로그램 또는 소프트웨어로 구현될 수 있고, 프로그램 또는 소프트웨어는 컴퓨터로 판독 가능한 매체에 저장될 수 있다. 또한, 본 발명의 실시 예들에 따른 재난 감지 및 재난 대응 방법 중 적어도 일부는 컴퓨팅 장치(50)와 전기적으로 접속될 수 있는 하드웨어로 구현될 수도 있다.
상술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함될 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안 되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
100: 재난 대응 시스템
110: 센서
111: 제1 센서
112: 제2 센서
113: 제3 센서
120: 재난 감지 장치
130: 재난 관리 장치
140: 외부 서버
150: 제2 연결부
160: 사용자 인터페이스
110: 센서
111: 제1 센서
112: 제2 센서
113: 제3 센서
120: 재난 감지 장치
130: 재난 관리 장치
140: 외부 서버
150: 제2 연결부
160: 사용자 인터페이스
Claims (15)
- 재난 감지 및 대응 서비스를 제공하는 재난 대응 시스템의 동작 방법에 있어서,
이기종의 센서들로부터 센싱 데이터를 수신하는 단계;
상기 센싱 데이터를 실시간으로 분석하여 재난별 전조 현상을 감지하는 단계;
상기 전조 현상을 감지하면, 상기 센싱 데이터를 처리하여 재난 감지 데이터를 생성하는 단계;
상기 재난 감지 데이터를 기반으로 재난 유형 및 위험도를 판단하는 단계; 및
상기 재난 유형 및 상기 위험도를 기반으로 시뮬레이션을 통해 환경 시설 또는 시설물에 따른 피해 정도를 예측하고, 재난 대응에 필요한 의사결정을 지원하는 단계를 포함하고,
상기 이기종의 센서들은 환경 정보를 획득하는 제1 센서, 재난 정보를 획득하는 제2 센서, 및 상기 환경 정보 및 상기 재난 정보가 통합된 통합 정보를 획득하는 제3 센서 중 적어도 둘을 포함하고,
상기 재난 유형은 재난의 연쇄 가능성이 일정 수준 보다 낮은 개별 재난 발생의 제1 유형 및 상기 재난의 연쇄 가능성이 상기 일정 수준 이상인 복합 재난 발생의 제2 유형을 포함하고,
상기 재난 유형 및 상기 위험도를 판단하는 단계는:
상기 재난 유형을 상기 제2 유형으로 판단하는 단계;
상기 재난 감지 데이터를 기반으로 시뮬레이션 기반의 복합 재난 시나리오를 생성하는 단계;
상기 복합 재난 시나리오로부터 기 설정된 위험요소에 대응되는 복수의 위험요소들을 도출하는 단계;
상기 복수의 위험요소들 간의 상대적 중요도를 결정하는 단계; 및
상기 상대적 중요도를 기반으로 제2 위험도를 산출하는 단계를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 제1 항에 있어서,
상기 센싱 데이터를 수신하는 단계는 무선 사물 인터넷(IoT: Internet of Things) 네트워크를 통해 상기 이기종의 센서들로부터 실시간으로 상기 환경 정보, 상기 재난 정보, 및 상기 통합 정보 중 적어도 둘을 획득하는 단계를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 제1 항에 있어서,
상기 전조 현상을 감지하는 단계는 재난별 데이터 특성에 따른 분석 기법을 기반으로 학습된 인공지능 모델을 통해 상기 센싱 데이터를 분석하는 단계를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 제1 항에 있어서,
상기 재난 감지 데이터를 생성하는 단계는:
상기 센싱 데이터를 기반으로 상기 환경 정보와 관련된 환경 인자 및 상기 재난 정보와 관련된 재난 인자를 도출하는 단계;
외부 서버로부터 재난 관련 데이터를 수신하는 단계;
상기 환경 인자, 상기 재난 인자, 및 상기 재난 관련 데이터를 수집 및 연계하는 단계; 및
수집된 데이터를 특정 형식 및 특정 범위 내의 값으로 변환하여 재난 감지 데이터를 생성하는 단계를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 제4 항에 있어서,
상기 환경 인자는 유해가스, 미세먼지, 초미세먼지, 일산화탄소, 이산화탄소, 황산화물, 휘발성유기화합물, 암모니아, 소음 및 악취를 포함하고,
상기 재난 인자는 진동, 압력, 폭우, 범람, 침수 및 폭설을 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 제4 항에 있어서,
상기 재난 관련 데이터는 서로 다른 기관에서 제공하는 자연 재난, 인적 재난, 및 사회적 재난과 관련된 알림, 교통, 기상, 통계, 사진, 영상, 및 매뉴얼 정보를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 제4 항에 있어서,
상기 재난 관련 데이터를 수집 및 연계하는 단계는:
스케줄러를 통해 주기적으로 정형 데이터 및 비정형 데이터를 포함하는 상기 재난 관련 데이터를 수집하는 단계;
상기 환경 인자 및 상기 재난 인자를 정형 데이터와 연계하는 단계; 및
상기 환경 인자 및 상기 재난 인자를 비정형 데이터와 연계하는 단계를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 삭제
- 제1 항에 있어서,
상기 재난 유형 및 상기 위험도를 판단하는 단계는:
상기 재난 유형을 상기 제1 유형으로 판단하는 단계; 및
재난별 위험도 산출 알고리즘을 실행하여 제1 위험도를 산출하는 단계를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 삭제
- 제1 항에 있어서,
상기 재난 대응에 필요한 의사결정을 지원하는 단계는 재난 대응을 단계화하고 단계별 의사결정 프로세스를 수행하는 단계를 포함하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 제11 항에 있어서,
상기 단계별 의사결정 프로세스를 수행하는 단계는 메타 러닝 기반의 인공지능 모델을 이용하는 것을 특징으로 하는 재난 대응 시스템의 동작 방법. - 재난 감지 및 대응 서비스를 제공하는 재난 대응 시스템에 있어서,
환경 정보를 획득하는 제1 센서, 재난 정보를 획득하는 제2 센서, 및 상기 환경 정보 및 상기 재난 정보가 통합된 통합 정보를 획득하는 제3 센서 중 적어도 둘을 포함하는 이기종의 센서들;
상기 이기종의 센서들이 획득한 센싱 데이터를 실시간으로 분석하여 재난별 전조 현상을 감지하고, 상기 전조 현상을 감지하면, 상기 센싱 데이터를 처리하여 재난 감지 데이터를 생성하는 재난 감지 장치; 및
상기 재난 감지 데이터를 기반으로 재난 유형 및 위험도를 판단하고, 상기 재난 유형 및 상기 위험도를 기반으로 시뮬레이션을 통해 환경 시설 또는 시설물에 따른 피해 정도를 예측하고, 재난 대응에 필요한 의사결정을 지원하는 재난 관리 장치를 포함하고,
상기 재난 유형은 재난의 연쇄 가능성이 일정 수준 보다 낮은 개별 재난 발생의 제1 유형 및 상기 재난의 연쇄 가능성이 상기 일정 수준 이상인 복합 재난 발생의 제2 유형을 포함하고,
상기 재난 감지 장치는,
상기 재난 유형을 상기 제2 유형으로 판단하면, 상기 재난 감지 데이터를 기반으로 시뮬레이션 기반의 복합 재난 시나리오를 생성하고,
상기 복합 재난 시나리오로부터 기 설정된 위험요소에 대응되는 복수의 위험요소들을 도출하고,
상기 복수의 위험요소들 간의 상대적 중요도를 결정하고, 및
상기 상대적 중요도를 기반으로 제2 위험도를 산출하는 것을 특징으로 하는 재난 대응 시스템. - 제13 항에 있어서,
상기 센싱 데이터를 분석하는 제1 학습 모델을 제공하고, 상기 제1 학습 모델에 기초하여 상기 재난별 전조 현상을 감지하도록 구성된 제1 인공지능 모듈을 더 포함하는 재난 대응 시스템. - 제13 항에 있어서,
상기 재난 감지 데이터를 분석하는 제2 학습 모델을 제공하고, 상기 제2 학습 모델에 기초하여 상기 재난 유형 및 상기 위험도를 판단하도록 구성된 제2 인공지능 모듈을 더 포함하는 재난 대응 시스템.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220094067A KR102564191B1 (ko) | 2022-07-28 | 2022-07-28 | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 |
| KR1020230100822A KR20240016233A (ko) | 2022-07-28 | 2023-08-02 | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220094067A KR102564191B1 (ko) | 2022-07-28 | 2022-07-28 | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230100822A Division KR20240016233A (ko) | 2022-07-28 | 2023-08-02 | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102564191B1 true KR102564191B1 (ko) | 2023-08-07 |
Family
ID=87561236
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220094067A KR102564191B1 (ko) | 2022-07-28 | 2022-07-28 | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 |
| KR1020230100822A KR20240016233A (ko) | 2022-07-28 | 2023-08-02 | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응시스템 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230100822A KR20240016233A (ko) | 2022-07-28 | 2023-08-02 | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102564191B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102651990B1 (ko) * | 2023-11-08 | 2024-03-27 | 주식회사 심플비트 | 이벤트 기반 시설물 위험성 평가 및 액션리스트 기반 자동 대응 시스템 및 시설물 위험 관리 방법 |
| CN117910810B (zh) * | 2024-03-15 | 2024-05-17 | 华仁建设集团有限公司 | 基于深度学习的施工环境风险分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100683580B1 (ko) | 2004-11-23 | 2007-02-15 | (주)포미트 | 지능형 플랜트 정보시스템 |
| KR100755890B1 (ko) | 2006-09-06 | 2007-09-05 | 박상우 | 지아이에스를 이용한 지역별 안전도 평가 시스템 및 그방법 |
| KR20150089604A (ko) * | 2014-01-28 | 2015-08-05 | 주식회사 제이비티 | 자연재해에 신속하게 대응하기 위한 의사결정 지원장치 |
| KR101743138B1 (ko) * | 2017-01-20 | 2017-06-16 | (주)바인테크 | 사물지능통신을 기반으로 하는 재난대응시스템 및 방법 |
| KR102416892B1 (ko) * | 2021-11-29 | 2022-07-05 | 대한민국 | 재난대응절차 기반 센서-서버 간 지능형 재난대응시스템 |
-
2022
- 2022-07-28 KR KR1020220094067A patent/KR102564191B1/ko active IP Right Grant
-
2023
- 2023-08-02 KR KR1020230100822A patent/KR20240016233A/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100683580B1 (ko) | 2004-11-23 | 2007-02-15 | (주)포미트 | 지능형 플랜트 정보시스템 |
| KR100755890B1 (ko) | 2006-09-06 | 2007-09-05 | 박상우 | 지아이에스를 이용한 지역별 안전도 평가 시스템 및 그방법 |
| KR20150089604A (ko) * | 2014-01-28 | 2015-08-05 | 주식회사 제이비티 | 자연재해에 신속하게 대응하기 위한 의사결정 지원장치 |
| KR101743138B1 (ko) * | 2017-01-20 | 2017-06-16 | (주)바인테크 | 사물지능통신을 기반으로 하는 재난대응시스템 및 방법 |
| KR102416892B1 (ko) * | 2021-11-29 | 2022-07-05 | 대한민국 | 재난대응절차 기반 센서-서버 간 지능형 재난대응시스템 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102651990B1 (ko) * | 2023-11-08 | 2024-03-27 | 주식회사 심플비트 | 이벤트 기반 시설물 위험성 평가 및 액션리스트 기반 자동 대응 시스템 및 시설물 위험 관리 방법 |
| CN117910810B (zh) * | 2024-03-15 | 2024-05-17 | 华仁建设集团有限公司 | 基于深度学习的施工环境风险分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20240016233A (ko) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
| AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
| Pannu et al. | Improved particle swarm optimization based adaptive neuro‐fuzzy inference system for benzene detection | |
| Capozzoli et al. | Fault detection analysis using data mining techniques for a cluster of smart office buildings | |
| Lin et al. | Real-time traffic accidents post-impact prediction: Based on crowdsourcing data | |
| Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
| CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
| US20220205956A1 (en) | Detection of structural anomalies in a pipeline network | |
| Elsaeidy et al. | Replay attack detection in smart cities using deep learning | |
| Nourani et al. | Application of a hybrid association rules/decision tree model for drought monitoring | |
| CN104636449A (zh) | 基于lsa-gcc的分布式大数据系统风险识别方法 | |
| KR102265733B1 (ko) | 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체 | |
| KR102088296B1 (ko) | 대기질 데이터에 기초한 질병 상관 관계 예측 방법 및 장치 | |
| KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
| CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
| Sheikh et al. | A complex network analysis approach for estimation and detection of traffic incidents based on independent component analysis | |
| Lakshmi et al. | Identification of traffic accident hotspots using geographical information system (GIS) | |
| Liu et al. | Traffic dynamics exploration and incident detection using spatiotemporal graphical modeling | |
| Alyousifi et al. | A novel stochastic fuzzy time series forecasting model based on a new partition method | |
| Kim et al. | Machine-learning-based prediction of vortex-induced vibration in long-span bridges using limited information | |
| Zhang et al. | Structural Damage Identification System Suitable for Old Arch Bridge in Rural Regions: Random Forest Approach. | |
| Zhang et al. | ARIMA model-based fire rescue prediction | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| Albaji et al. | Investigation on Machine Learning Approaches for Environmental Noise Classifications | |
| KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |