KR102617316B1 - Method for predicting disaster based on event and system thereof - Google Patents
Method for predicting disaster based on event and system thereof Download PDFInfo
- Publication number
- KR102617316B1 KR102617316B1 KR1020230118781A KR20230118781A KR102617316B1 KR 102617316 B1 KR102617316 B1 KR 102617316B1 KR 1020230118781 A KR1020230118781 A KR 1020230118781A KR 20230118781 A KR20230118781 A KR 20230118781A KR 102617316 B1 KR102617316 B1 KR 102617316B1
- Authority
- KR
- South Korea
- Prior art keywords
- event
- disaster
- interest
- social
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 47
- 238000012795 verification Methods 0.000 claims abstract description 56
- 238000013135 deep learning Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000010219 correlation analysis Methods 0.000 claims abstract description 27
- 230000009471 action Effects 0.000 claims description 69
- 230000008569 process Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000013136 deep learning model Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 7
- 230000008685 targeting Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 11
- 230000003542 behavioural effect Effects 0.000 abstract description 10
- 239000000284 extract Substances 0.000 abstract description 2
- 208000024891 symptom Diseases 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 12
- 230000002265 prevention Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000013632 homeostatic process Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법 및 시스템에 관한 것이다. 보다 상세하게로는, 정보시스템이 소셜 네트워크(SNS)를 통하여 유통되는 소셜데이터를 수집한 후 소셜데이터를 딥러닝으로 분석하여 자연적 재난이나 사회적 재난의 발생위험을 탐지하여 제공하는 방법과 이를 이용한 정보시스템에 관한 것이다. 본 발명은 비정형 데이터 구조를 가지는 소셜데이터의 형태소를 분석하여 관심지점(POI : Point Of Interest), 객체 및 이벤트를 추출하여 구조적 데이터로 만든 후 이들의 결합을 통하여 상황정보를 재구성하여 소셜데이터 안에 포함된 관심지점별 행위이벤트들을 찾아내고, 이들에 대한 시간적 공간적 연관분석을 통하여 재난의 발생이나 징후를 찾아낼 수 있기 때문에 국가의 관심지점별로 재난의 발생 징후나 발생 여부를 조기에 판단할 수 있는 효과가 있다. 본 발명은 또한 소셜데이터를 통하여 재난의 발생위험을 탐지하더라도 그것에 대한 진위를 가짜뉴스 검증모델을 통하여 검증하기 때문에 가짜뉴스로 인한 사회적 혼란 발생을 예방할 수 있다. 이뿐만 아니라, 센서통합 검증모델도 제공하기 때문에 소셜데이터에서 탐지된 재난위험의 진위를 해당 지점에서 수집된 센서 데이터로 검중할 수 있게 되며, 이를 통하여 재난 발생 탐지결과의 신뢰성을 제고할 수 있게 된다.The present invention relates to an event-based disaster detection method and system using deep learning. In more detail, the information system collects social data distributed through social networks (SNS) and then analyzes the social data using deep learning to detect and provide information about the risk of natural disasters or social disasters. It's about the system. The present invention analyzes the morphemes of social data with an unstructured data structure, extracts points of interest (POI), objects, and events to create structured data, and then combines them to reconstruct situation information and include it in social data. Since it is possible to find behavioral events for each point of interest and find the occurrence or signs of a disaster through temporal and spatial correlation analysis of these, it has the effect of early determining whether there are signs or symptoms of a disaster for each point of interest in the country. There is. The present invention can also prevent social confusion caused by fake news because even if the risk of a disaster is detected through social data, its authenticity is verified through a fake news verification model. In addition, since it also provides a sensor-integrated verification model, the authenticity of the disaster risk detected in social data can be verified with sensor data collected at the relevant point, thereby improving the reliability of disaster detection results. .
Description
본 발명은 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법 및 시스템에 관한 것이다. 보다 상세하게로는, 정보시스템이 소셜 네트워크(SNS)를 통하여 유통되는 소셜데이터를 수집한 후 소셜데이터를 딥러닝으로 분석하여 자연적 재난이나 사회적 재난의 발생위험을 탐지하여 제공하는 방법과 이를 이용한 정보시스템에 관한 것이다. 본 발명은 비정형 데이터 구조를 가지는 소셜데이터의 형태소를 분석하여 관심지점(POI : Point Of Interest), 객체 및 이벤트를 추출하여 구조적 데이터로 만든 후 이들의 결합을 통하여 상황정보를 재구성하여 소셜데이터 안에 포함된 관심지점별 행위이벤트들을 찾아내고, 이들에 대한 시간적 공간적 연관분석을 통하여 재난의 발생이나 징후를 찾아낼 수 있기 때문에 국가의 관심지점별로 재난의 발생 징후나 발생 여부를 조기에 판단할 수 있는 효과가 있다. 본 발명은 또한 소셜데이터를 통하여 재난의 발생위험을 탐지하더라도 그것에 대한 진위를 가짜뉴스 검증모델을 통하여 검증하기 때문에 가짜뉴스로 인한 사회적 혼란 발생을 예방할 수 있다. 이뿐만 아니라, 센서통합 검증모델도 제공하기 때문에 소셜데이터에서 탐지된 재난위험의 진위를 해당 지점에서 수집된 센서 데이터로 검증할 수 있게 되며, 이를 통하여 재난 발생 탐지결과의 신뢰성을 제고할 수 있게 된다.The present invention relates to an event-based disaster detection method and system using deep learning. In more detail, the information system collects social data distributed through social networks (SNS) and then analyzes the social data using deep learning to detect and provide information about the risk of natural disasters or social disasters. It's about the system. The present invention analyzes the morphemes of social data with an unstructured data structure, extracts points of interest (POI), objects, and events to create structured data, and then combines them to reconstruct situation information and include it in social data. Since it is possible to find behavioral events for each point of interest and find the occurrence or signs of a disaster through temporal and spatial correlation analysis of these, it has the effect of early determining whether there are signs or symptoms of a disaster for each point of interest in the country. There is. The present invention can also prevent social confusion caused by fake news because even if the risk of a disaster is detected through social data, its authenticity is verified through a fake news verification model. In addition, since it also provides a sensor-integrated verification model, the authenticity of the disaster risk detected in social data can be verified with sensor data collected at the relevant point, thereby improving the reliability of disaster detection results. .
재난은 다양한 형태로 나타나서 인명과 재산에 막대한 피해를 입히게 되며, 초대형 재난의 경우 국가의 재정에도 타격을 입히고 사회적으로 불안을 초래하는 등 국가적으로도 큰 위험으로 다가온다. 재난은 자연현상에 의하여 발생하는 지진, 홍수, 산사태, 침수 등과 같은 자연적 재난이 있는 반면, 사람의 실수나 사회적 또는 제도적 결함 등에 의하여 발생하는 사회적 재난도 있는데, 화재, 가스누출, 시설물 붕괴사고, 대형 교통사고 및 다중 밀집 지역에서의 압사 사고 등과 같은 재난이 이에 해당한다고 할 것이다. Disasters appear in various forms and cause enormous damage to life and property, and in the case of large-scale disasters, they pose a great national risk, damaging national finances and causing social anxiety. While there are natural disasters such as earthquakes, floods, landslides, and inundation that occur due to natural phenomena, there are also social disasters that occur due to human error or social or institutional defects, such as fires, gas leaks, facility collapses, and large-scale disasters. Disasters such as traffic accidents and stampede accidents in crowded areas can be said to fall into this category.
이러한 대형 재난들은 한번 발생하게 되면 인명피해는 물론 재산상의 피해가 광범위하게 발생한다. 특히, 대형 재난의 경우 그 발생으로 인한 피해는 그 순간에만 그치는 것이 아니다. 대부분의 대형 재난은 일단 발생한 상태 그대로 방치하게 되면 시간이 지날수록 점점 번져나갈 뿐만 아니라 그로 인하여 또 다른 2차 3차 발생 재난을 유발하게 되어 나중에는 걷잡을 수 없어 그 피해가 점점 커지게 된다. 따라서 재난은 그 예방 활동도 중요하지만, 재난 발생의 초기에 신속하게 탐지해 내는 것도 무엇보다 중요하다. Once these large-scale disasters occur, they cause not only casualties but also extensive property damage. In particular, in the case of large-scale disasters, the damage caused by the occurrence does not stop only at that moment. Most large-scale disasters, if left unattended, not only spread over time, but also cause other secondary and tertiary disasters, which eventually become uncontrollable and the damage increases. Therefore, while disaster prevention activities are important, it is also more important to quickly detect a disaster in its early stages.
이러한 재난 예방 활동이나 재난의 초기발견 및 진압을 위하여, 국가에서는 제도마련이나 관행 교정 및 이를 위한 기술개발 등을 위한 노력을 기울이고 있는데, 기술개발에 있어서는 민간분야에서도 적극적으로 참여하고 있다. 특히, ICT 기술을 재난 예방 등에 적용하기 위한 연구개발과 노력이 여러 분야에서 진행되고 있다. ICT 기술을 적용한 재난 대응기술 개발의 일환으로서 재난의 예방, 예측, 대비, 대응, 복구의 전 분야에 적용하는 스마트 재난 안전 시스템도 연구되고 있다. For these disaster prevention activities and early detection and suppression of disasters, the government is making efforts to establish systems, correct practices, and develop technologies for this purpose, and the private sector is also actively participating in technology development. In particular, research and development and efforts to apply ICT technology to disaster prevention are underway in various fields. As part of the development of disaster response technology using ICT technology, smart disaster safety systems that apply to all areas of disaster prevention, prediction, preparation, response, and recovery are also being researched.
그러나 이러한 연구와 노력들이 있음에도 불구하고 우리 사회 주변에서 대형 재난의 발생 가능성은 여전히 높고 실제로도 많이 발생하고 있다는 점이 문제이다. 특히, 쇼핑몰, 운동경기장 등과 같이 평소에 사람들이 밀집되는 다중이용시설, 특별한 행사 등으로 인하여 사람들이 밀집되는 대형 행사장소 등 특정한 지점이나, 지하철역, 철도역, 공항 등과 같이 대중 운송수단과 관련된 시설에서는 다양한 원인으로 인하여 대형 재난이 발생할 가능성이 매우 높다. 그러나 여러 가지 원인으로 인하여 그러한 장소에서 발생하는 재난의 징후나 발생 사실을 초기에 발견하기는 매우 어렵다. However, despite these studies and efforts, the problem is that the possibility of large-scale disasters occurring around our society is still high and many actually occur. In particular, at specific points such as multi-use facilities where people are usually crowded, such as shopping malls and sports stadiums, and large event venues where people are crowded due to special events, or at facilities related to public transportation, such as subway stations, railway stations, and airports, various There is a very high possibility that a large-scale disaster will occur due to this cause. However, due to various reasons, it is very difficult to initially detect signs or facts of disaster occurring in such places.
특히, 특별시나 광역시 등과 같은 메가시티는 도시 자체의 인구가 과밀하여 도심지 거리조차도 평소에 인구나 차량이 밀집되어 있기 때문에 재난 발생이 우려되는 지점이 매우 많을 뿐만 아니라 일단 재난이 발생하면 밀집된 인구 및 차량으로 인하여 재난의 피해 범위나 확산 속도 등이 걷잡을 수 없이 커지게 된다. 다만, 다소나마 다행인 점은 이러한 재난 발생 우려 지점들은 각종 센서나 CCTV 장비 등과 같은 최첨단의 다양한 감시 설비들을 갖추고 있다는 점이다. (본 발명에서는 재난 발생 우려 지점을 ‘관심지점, Point of Interest’이라 칭한다)In particular, in megacities such as special cities and metropolitan cities, the population of the city itself is overcrowded, and even the downtown streets are usually crowded with people and vehicles, so there are many places where disasters are likely to occur, and once a disaster occurs, the dense population and vehicles As a result, the scope of damage and the speed of spread of disasters grow uncontrollably. However, the fortunate thing is that these disaster-prone areas are equipped with various state-of-the-art surveillance facilities such as various sensors and CCTV equipment. (In the present invention, the point at which a disaster may occur is called a ‘Point of Interest’)
그러나 이러한 관심지점들에 최첨단의 다양한 감시 설비를 갖추고 있음에도 불구하고 제도적, 시스템적 및 환경적 결함 등으로 인하여 재난이 발생해도 적시에 제대로 탐지하지 못하는 문제점이 빈번하게 발생되고 있다. 이는 감시인력의 부족 또는 전문성 결여 등의 인적요인과 함께, 감시 센서의 불량이나 오작동으로 인한 신호의 단절 등과 같은 환경적인 문제도 있다. 이뿐만 아니라 센서 신호의 단편적인 분석만으로 재난이 일어난 것인지를 정확하게 탐지할 수 없다는 감시시스템의 근본적 한계 등에서도 그 원인을 찾아볼 수 있다. 따라서, 현재와 같은 감시체계에서는 재난이 발생하기 전에 그 징후 등을 미리 예측하는 것은 현실적으로 불가능한 것은 물론, 재난이 발생하는 경우에도 초기에 신속하게 감지해 내는 것조차도 매우 어려운 실정이다. However, even though these points of interest are equipped with a variety of state-of-the-art surveillance facilities, the problem of not properly detecting disasters in a timely manner occurs frequently due to institutional, systematic, and environmental defects. This is due to human factors such as lack of surveillance personnel or lack of expertise, as well as environmental problems such as signal disconnection due to defective or malfunctioning surveillance sensors. In addition, the cause can be found in the fundamental limitations of the surveillance system, which cannot accurately detect whether a disaster has occurred solely through fragmentary analysis of sensor signals. Therefore, in the current surveillance system, it is not only realistically impossible to predict the signs of a disaster before it occurs, but it is also very difficult to quickly detect it at an early stage even when a disaster occurs.
한편, 소셜 네트워크는 자연적 재난이나 사회적 재난이 발생했을 때, 다양한 형태로 재난 정보를 확산시키는 역할을 수행하고 있다. 특히 초대형 재난이 발생했을 때 소셜 네트워크는 비공식적인 이슈 확산 채널로 이용되었고, 전통적인 미디어나 정부의 재난 전파체계보다 위기 커뮤니케이션으로 중요한 역할을 수행하고 있다. 예를 들어 일본에서는 지진이 발생했을 때 지진과 관련된 정보가 급속하게 확산되어 재난정보가 수집되었고 재난에 대비하는 등의 모니터링 역할을 하면서 대응정보로 활용되어 왔다. Meanwhile, social networks play a role in disseminating disaster information in various forms when natural or social disasters occur. In particular, when a large-scale disaster occurs, social networks are used as an unofficial channel for spreading issues, and play a more important role in crisis communication than traditional media or government disaster dissemination systems. For example, in Japan, when an earthquake occurred, information related to the earthquake spread rapidly and disaster information was collected and used as response information while playing a monitoring role in preparing for disasters.
상술한 문제점을 해결하기 위하여 창안된 본 발명은, 소셜 네트워크를 통하여 유통하는 소셜데이터를 딥러닝 분석함으로써, 국가적 관심지점(Point of Interest)에서 발생할 수 있는 자연적 재난 또는 사회적 재난의 발생 징후를 사전에 탐지함은 물론 재난 발생했을 경우 초기에 신속하게 탐지할 수 있는 방법과 시스템을 제공하는 것을 목적으로 한다.The present invention, which was created to solve the above-mentioned problems, uses deep learning analysis of social data distributed through social networks to detect signs of natural disasters or social disasters that may occur at national points of interest in advance. The purpose is to provide methods and systems that can not only detect but also quickly detect disasters at an early stage when a disaster occurs.
본 발명은 또한, 정보시스템이 관심지점을 중심으로 수집된 소셜데이터를 딥러닝을 이용하여 시*?*공간적으로 분석하고, 이를 통하여 재난과 관련되는 현상을 찾아내어 이를 재난 정보로 하여 알림으로써, 재난 발생 초기 또는 재난 발생 전에 재난 발생 사실이나 재난 발생의 징후를 관계당국이 알 수 있도록 하여 이에 따른 즉각적인 대응과 조치를 할 수 있도록 함으로써, 재난의 확산을 방지하는 방법 및 시스템을 제공하는 것을 목적으로 한다.The present invention also uses deep learning to analyze social data collected around points of interest in an information system, and through this, discover phenomena related to disasters and notify them as disaster information. The purpose is to provide methods and systems to prevent the spread of disasters by enabling relevant authorities to be aware of disaster occurrences or signs of disasters at the beginning or before a disaster occurs, so that they can immediately respond and take action accordingly. do.
본 발명의 또 다른 목적은, 소셜데이터를 딥러닝 분석하여 재난의 징후를 탐지하는 과정에서 가짜뉴스를 가지는 소셜데이터를 판별해 내는 방법을 제공함으로써, 가짜뉴스로 인한 오 탐지 및 이로 인한 부작용을 방지할 수 있는 방법 및 시스템을 제공하는 것이다.Another purpose of the present invention is to provide a method for identifying social data containing fake news in the process of detecting signs of disaster through deep learning analysis of social data, thereby preventing false positives and side effects caused by fake news. The goal is to provide methods and systems that can do it.
본 발명의 또 다른 목적은, 소셜데이터를 딥러닝 분석하여 재난의 징후를 탐지하는 과정에서 관심지점에서 발생하는 재난관련 소셜데이터에 대하여 해당 관심지점에서 수집되는 각종 센서의 데이터를 이용하여 검증함으로써, 탐지의 신뢰성을 높일 수 있는 방법을 제공하는 것이다.Another purpose of the present invention is to verify disaster-related social data generated at a point of interest in the process of detecting signs of disaster through deep learning analysis of social data using data from various sensors collected at the point of interest, It provides a method to increase the reliability of detection.
본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The technical problems to be achieved by the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned can be clearly understood by those skilled in the art from the description below. There will be.
본 발명은, 상술한 목적을 달성하기 위하여, 정보시스템이 딥러닝 프로그램을 이용하여, 소셜 네트워크(SNS)를 통하여 유통되는 이벤트 정보를 수집 및 분석하여 자연적 재난 또는 사회적 재난의 발생위험을 탐지하는 방법으로서, 하나 이상의 소셜 네트워크를 통하여 유통되는 소셜데이터들을 수집하는 소셜데이터 수집단계; 딥러닝 알고리즘으로 다음의 과정을 수행하는 태깅단계; - 상기 소셜데이터 각각의 문장이 가지는 단어의 형태소를 분석하여 추출하는 과정, - 추출된 단어 중에서 관심지점(Point of Interest), 개체명 및 이벤트를 찾아 분류하는 과정, - 상기 개체명에 상기 이벤트를 결합함으로써, 상기 개체명에 관계되어 일어나는 현상을 표현하는 짧은 문장인 행위이벤트를 생성하는 과정, - 상기 행위이벤트를 상기 관심지점에 결합함으로써, 상기 관심지점에서 일어나는 상기 행위이벤트를 표현하는 짧은 문장인 상황정보를 생성하는 과정, - 상기 상황정보를 상기 소셜데이터에 태깅하는 과정, The present invention, in order to achieve the above-mentioned purpose, is a method in which an information system uses a deep learning program to collect and analyze event information distributed through social networks (SNS) to detect the risk of natural disasters or social disasters. As a social data collection step of collecting social data distributed through one or more social networks; A tagging step that performs the following processes using a deep learning algorithm; - A process of analyzing and extracting morphemes of words in each sentence of the social data, - A process of finding and classifying points of interest, entity names, and events among the extracted words, - Adding the event to the entity name. A process of generating an action event, which is a short sentence expressing a phenomenon that occurs in relation to the entity name, by combining it, - a short sentence expressing the action event occurring at the point of interest, by combining the action event with the point of interest. Process of generating context information, - Process of tagging the context information to the social data,
연관분석 모델을 이용하여, 상기 관심지점 별로 상기 상황정보에 대한 이벤트 연관분석, 행위 연관분석 및 시간 연관분석을 하여 상기 소셜데이터 중 ‘재난상황이 포함된 소셜데이터’를 분류해내는 분류단계; 하나 이상의 검증모델을 적용하여 상기 ‘재난상황이 포함된 소셜데이터’에 대한 진위를 검증하는 검증단계; 상기 검증단계에서 검증된 상기 ‘재난상황이 포함된 소셜데이터’를 이용하여 재난이벤트를 생성하는 재난이벤트 생성단계; 및 상기 재난이벤트가 포함된 재난정보를 생성하여 게시하는 재난정보 게시단계;를 포함하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하는 것이 바람직하다.A classification step of classifying ‘social data including disaster situations’ among the social data by performing event correlation analysis, action correlation analysis, and time correlation analysis on the situation information for each point of interest using a correlation analysis model; A verification step of verifying the authenticity of the ‘social data containing disaster situations’ by applying one or more verification models; A disaster event generation step of generating a disaster event using the ‘social data including disaster situations’ verified in the verification step; and a disaster information posting step of generating and posting disaster information including the disaster event. It is preferable to use an event-based disaster detection method using deep learning.
본 발명은 또한 상술한 특징들에 더하여, 상기 검증모델에는 가짜뉴스 검증모델을 포함하며, 상기 검증단계에서 상기 가짜뉴스 검증모델은, 순환신경망 딥러닝 모델로 상기 ‘재난상황이 포함된 소셜 데이터’에 대한 문맥, 이벤트 변화 및 문맥 패턴을 분석하여 진위를 검증하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하거나 이에 더하여, 상기 딥러닝 모델이 상기 문맥을 분석할 때는, 상기 소셜데이터에 포함된 상기 행위이벤트()를 대상으로 하는 문맥의 특성을 상기 이벤트()와의 합성 곱으로 하여 아래와 같이 시그모이드 계산을 수행하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하는 것도 바람직하다.In addition to the above-described features, the present invention also includes a fake news verification model in the verification model, and in the verification step, the fake news verification model is a recurrent neural network deep learning model that uses the 'social data containing disaster situations' When the deep learning model analyzes the context, it is an event-based disaster detection method using deep learning, characterized in that the authenticity is verified by analyzing the context, event changes, and context patterns. The above behavioral events included in social data ( ), the characteristics of the context targeting the event ( It is also desirable to use an event-based disaster detection method using deep learning, which is characterized by performing sigmoid calculation as follows by convolution with ).
(b는 학습을 통하여 업데이트되는 편향) (b is a bias that is updated through learning)
본 발명은 또한 상술한 특징들에 더하여, 상기 정보시스템은, 상기 자연적 재난 또는 상기 사회적 재난의 발생위험을 판단하는 경우, 각종 시설물에 설치된 공공센서들이 측정하는 센서정보도 포함하여 수집 및 분석하여 판단하며, 상기 검증모델에는 상기 관심지점의 현장 상황을 검증하는 센서통합 검증모델을 포함하며, 상기 검증단계에서 상기 센서통합 검증모델은, 상기 공공센서들이 측정하는 상기 센서정보를 수집하여 상기 센서정보에 대한 관심지점 위치검증, 개체수 분석, 밀집도 분석 및 이벤트 신호 분석을 통하여 상기 ‘재난상황이 포함된 소셜데이터’에 대한 진위를 검증하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하는 것도 바람직하다.The present invention also provides that, in addition to the above-described features, the information system collects and analyzes sensor information measured by public sensors installed in various facilities when determining the risk of occurrence of the natural disaster or the social disaster. The verification model includes a sensor-integrated verification model that verifies the on-site situation of the point of interest, and in the verification step, the sensor-integrated verification model collects the sensor information measured by the public sensors and stores the sensor information in the sensor information. An event-based disaster detection method using deep learning, which is characterized by verifying the authenticity of the ‘social data containing disaster situations’ through location verification of points of interest, population analysis, density analysis, and event signal analysis. It is also desirable to do so.
본 발명은 또한 상술한 특징들에 더하여, 상기 정보시스템에는 관심지점 사전, 개체명 사전 및 이벤트 사전을 포함하며, 상기 관심지점 사전, 상기 개체명 사전 및 상기 이벤트 사전 각각에는 약어, 유사어, 신조어, 비속어 및 유행어에 대응되는 국가관심지점 명칭, 표준개체명 및 표준이벤트 명칭이 각각 포함되며, 상기 태깅단계에서, - 상기 개체명에 상기 이벤트를 결합하여 상기 행위이벤트를 생성할 때는, 상기 개체명으로 분류된 단어에 대응되는 표준개체명을 상기 개체명 사전에서 찾고, 상기 이벤트로 분류된 단어에 대응되는 표준이벤트 명칭을 상기 이벤트 사전에서 찾은 후 상기 표준개체명에 상기 표준이벤트 명칭을 결합하여 상기 행위이벤트를 생성하며, - 상기 행위이벤트를 상기 관심지점에 결합하여 상기 상황정보를 생성할 때는, 상기 관심지점으로 분류된 단어에 대응되는 국가관심지점 명칭을 상기 관심지점 사전에서 찾아 상기 행위이벤트에 결합하여 상기 상황정보를 생성하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하는 것도 바람직하다.The present invention also provides that, in addition to the above-described features, the information system includes a point of interest dictionary, an entity name dictionary, and an event dictionary, and each of the point of interest dictionary, the entity name dictionary, and the event dictionary include abbreviations, similar words, new words, The names of national points of interest, standard entity names, and standard event names corresponding to slang and buzzwords are included, and in the tagging step, when creating the action event by combining the event with the entity name, the entity name is used. Search for the standard entity name corresponding to the classified word in the entity name dictionary, find the standard event name corresponding to the word classified as the event in the event dictionary, and then combine the standard entity name with the standard event name to perform the above actions. Generating an event, - When generating the situation information by combining the action event with the point of interest, find the name of the national point of interest corresponding to the word classified as the point of interest in the point of interest dictionary and combine it with the action event. Therefore, it is also desirable to use an event-based disaster detection method using deep learning, which is characterized by generating the situation information.
본 발명은 또한 상술한 특징들에 더하여, 상기 정보시스템에는 관심지점 연관어 사전을 포함하며, 상기 관심지점 연관어 사전에는 상기 관심지점 별로 연관성이 있는 개체명 및 이벤트를 포함하며, 상기 분류단계에서, - 상기 이벤트 연관분석은, 상기 상황정보에 포함된 관심지점, 개체명 및 이벤트와 상기 관심지점 연관어 사전에 상기 관심지점 별로 분류되어 있는 개체명 및 이벤트와의 연관도를 분석하여 상기 연관도가 일정 수준 이상인 소셜데이터들을 제1소셜 데이터로 분류하는 것이며, - 상기 상황 연관분석은, 상기 제1소셜 데이터에 대하여 동일한 행위이벤트가 연속적으로 발생하는 정도를 나타내는 행위연속성을 분석한 뒤, 상기 행위연속성이 일정 수준 이상인 제1소셜 데이터를 제2소셜 데이터로 분류하는 것이며, - 상기 시간 연관분석은, 상기 제2소셜 데이터에 대하여 상기 동일한 행위이벤트 상호 간에 이어지는 확률적 시간 거리값으로 시간연관성을 분석한 뒤, 상기 시간연관성이 일정 수준 이상인 제2소셜 데이터를 제3소셜 데이터로 분류하는 것이며, - 상기 정보시스템은 상기 제3소셜 데이터를 상기 ‘재난상황이 포함된 소셜데이터’로 분류하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하는 것도 바람직하다.The present invention also provides that, in addition to the above-described features, the information system includes a point-of-interest related word dictionary, wherein the point-of-interest related word dictionary includes entity names and events related to each point of interest, and in the classification step, , - The event association analysis analyzes the degree of association between the points of interest, entity names, and events included in the situation information and the entity names and events classified by the point of interest in the point of interest association dictionary. Social data that is above a certain level are classified as first social data, - the situation correlation analysis analyzes action continuity, which indicates the degree to which the same action event occurs continuously with respect to the first social data, and then First social data with continuity above a certain level is classified as second social data, - the temporal correlation analysis analyzes temporal correlation with the second social data using stochastic time distance values between the same action events. Then, the second social data with a temporal correlation above a certain level is classified as third social data, and the information system classifies the third social data as 'social data containing disaster situations'. It is also desirable to use an event-based disaster detection method using deep learning.
본 발명은 또한 상술한 특징들에 더하여, 상기 행위연속성은, 상기 제1소셜 데이터에 포함된 행위 C를 시간 단위로 구분하고, 상기 제1소셜 데이터에 태깅된 상기 행위이벤트 E를 대상으로 상기 관심지점에서 일어난 시간 단위 t의 기록들이 계속 이어지는 상기 행위연속성 CT를 다음과 같이 계산하여 적용하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하는 것도 바람직하다.In addition to the above-described features, the present invention also provides that the action continuity classifies the action C included in the first social data on a time basis, and targets the action event E tagged in the first social data. It is also desirable to use an event-based disaster detection method using deep learning, characterized in that the behavioral continuity CT, which continues to record records of time units t that occurred at a point, is calculated and applied as follows.
본 발명은 또한 상술한 특징들에 더하여, 상기 시간연관성은, 상기 제2소셜 데이터에 포함된 상기 행위이벤트들에 대하여 시간의 흐름 t 단위로 각각의 행위이벤트가 가지고 있는 확률적 시간 거리값을 이용하여 시간 가중치로 시간 연관성 H를 계산하되, 상기 시간 거리값은 상기 관심지점에서 발생한 하나의 행위이벤트 가 이전의 행위이벤트 에서 어느 정도 시간대로 이어지는지 확률적 거리이며, 상기 시간연관성 H는 다음과 같이 계산하여 적용하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법으로 하는 것도 바람직하다.In addition to the above-described features, the present invention also uses the temporal correlation value of each action event in the unit of time flow t for the action events included in the second social data. Calculate temporal correlation H with time weight, but the time distance value is one action event that occurred at the point of interest. A previous action event It is a probabilistic distance that leads to a certain time zone, and it is also desirable to use an event-based disaster detection method using deep learning, wherein the time correlation H is calculated and applied as follows.
본 발명은 또한 소셜 네트워크(SNS)를 통하여 유통되는 이벤트 정보를 수집하면서 수집된 이벤트 정보를 딥러닝 프로그램으로 분석하여 자연적 재난 또는 사회적 재난의 발생위험을 탐지하여 제공하는 정보시스템으로서, 위의 방법들 중 어느 한 방법을 사용하여 재난정보를 생성하여 게시할 수 있는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지시스템으로 하는 것도 바람직하다.The present invention is also an information system that detects and provides the risk of natural disasters or social disasters by analyzing the collected event information with a deep learning program while collecting event information distributed through social networks (SNS), and includes the above methods. It is also desirable to use an event-based disaster detection system using deep learning that can generate and post disaster information using any of the methods.
이상에서 살펴본 바와 같이 본 발명은, 소셜데이터 각각의 문장이 가지는 단어의 형태소를 딥러닝 알고리즘으로 분석하여 소셜데이터 각각에 포함된 관심지점(Point of Interest), 개체명 및 이벤트를 추출하고, 이를 재구성하여 각각의 소셜데이터에 태깅한 후 분석하는 구성을 가지기 때문에, 소셜데이터가 비정형 데이터 구조를 가지고 있음에도 불구하고 이를 체계적으로 이용하여 재난의 발생 징후나 발생 여부를 조기에 판단할 수 있는 효과가 있다.As seen above, the present invention analyzes the morphemes of words in each sentence of social data using a deep learning algorithm to extract points of interest, entity names, and events contained in each social data, and reconstruct them. Since it is structured to tag each social data and then analyze it, even though social data has an unstructured data structure, it has the effect of being able to systematically use it to determine early on whether there are signs of a disaster or whether it will occur.
본 발명은 또한, 정보시스템이 딥러닝 모델로 소셜데이터를 분류하고 학습하여 관심지점별로 ‘재난상황이 포함된 소셜데이터’를 분류해 내기 때문에 관심지점에서 발생할 수 있는 재난에 대하여 발생 초기에 또는 발생하기 전에 포착할 수 있다. 따라서 재난의 발생을 근원적으로 예방할 수 있고, 재난이 발생한다 하더라도 초기에 탐지하여 진압할 수 있는 효과가 있다.In addition, the present invention classifies 'social data containing disaster situations' by point of interest by classifying and learning social data with a deep learning model, so the information system classifies disaster situations that may occur at the point of interest at the beginning or when the disaster occurs. You can catch it before it happens. Therefore, it is possible to fundamentally prevent the occurrence of disasters, and even if a disaster occurs, it is effective in detecting and suppressing it at an early stage.
본 발명은 또한, 정보시스템이 딥러닝 학습 모델로 연관관계를 분석하고 행위에 대한 상황정보를 구성하여 이벤트의 발생에 대하여 시간의 흐름 등에 따른 연관분석을 할 수 있는 연관분석 모델을 포함하기 때문에, 관심지점에서 재난 발생 시 소셜데이터를 이용하여 재난발생 사실을 정확하고 신속하게 알려주기 때문에 재난으로 인한 피해를 최소화하는 효과가 있다.The present invention also includes a correlation analysis model that allows the information system to analyze correlations using a deep learning learning model, construct situational information about actions, and perform correlation analysis according to the passage of time regarding the occurrence of events, When a disaster occurs at a point of interest, social data is used to accurately and quickly notify the person of the disaster, which has the effect of minimizing damage caused by the disaster.
본 발명은 또한, 정보시스템이 이벤트의 정확성을 딥러닝으로 검증하는 가짜뉴스 검증모델을 사용하는 구성을 가지고 소셜데이터의 문맥과 이벤트 변화단계 및 문맥이 가지고 있는 패턴을 분석하여 재난의 의미를 가지는 소셜데이터 문장에 대한 진위를 판별할 수 있기 때문에, 재난 발생 판단의 정확도와 민감도를 높일 수 있는 효과가 있다.The present invention also has a structure in which the information system uses a fake news verification model that verifies the accuracy of the event through deep learning, and analyzes the context of social data, the event change stage, and the patterns of the context to identify the meaning of the disaster. Because it is possible to determine the truth of a data sentence, it has the effect of increasing the accuracy and sensitivity of disaster occurrence judgment.
본 발명은 또한, 정보시스템이 딥러닝 모델인 이미지와 신호처리를 이용하여 관심지점에서 발생하는 재난 상황을 학습하는 센서통합 검증모델도 포함하기 때문에 이벤트 기반으로 탐지하는 결과의 진위에 대하여 센서정보로 검증을 할 수 있게 되므로 재난 발생 판단의 정확도와 민감도를 더욱 높일 수 있는 효과가 있다.The present invention also includes a sensor-integrated verification model in which the information system learns disaster situations occurring at points of interest using image and signal processing, which is a deep learning model, so the authenticity of event-based detection results can be verified using sensor information. Since verification can be performed, it has the effect of further increasing the accuracy and sensitivity of disaster occurrence judgments.
도 1은 본 발명에 의한 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지시스템의 구성도이다.
도 2는 본 발명에서 사용하는 관심지점, 개체명 및 이벤트의 개념을 도시한 것이다.
도 3은 본 발명에 의한 이벤트 기반의 재난 발생 탐지방법이 수행되는 전체 흐름을 도시한 것이다.
도 4는 본 발명에서 가짜 뉴스 검증모델을 이용한 검증 단계를 도시한 것이다.
도 5는 본 발명에 의한 이벤트 기반의 재난 발생 탐지방법의 다른 실시예를 도시한 것이다.
도 6은 본 발명에서 센서통합 검증모델을 이용한 검증 단계를 도시한 것이다.
도 7은 본 발명에서 관심지점 및 개체명 분류 연관분석의 상세개념을 도시한 것이다.Figure 1 is a configuration diagram of an event-based disaster detection system using deep learning according to the present invention.
Figure 2 illustrates the concepts of points of interest, entity names, and events used in the present invention.
Figure 3 shows the overall flow in which the event-based disaster detection method according to the present invention is performed.
Figure 4 shows the verification step using the fake news verification model in the present invention.
Figure 5 shows another embodiment of the event-based disaster detection method according to the present invention.
Figure 6 shows the verification steps using the sensor integrated verification model in the present invention.
Figure 7 shows the detailed concept of point of interest and entity name classification association analysis in the present invention.
이하에서 상술한 목적과 특징이 분명해지도록 본 발명을 상세하게 설명할 것이며, 이에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련한 공지기술 중 이미 그 기술 분야에 익히 알려져 있는 것으로서, 그 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. Hereinafter, the present invention will be described in detail so that the above-mentioned purpose and features become clear, so that those skilled in the art will be able to easily implement the technical idea of the present invention. In addition, when explaining the present invention, if it is determined that a detailed description of the known technology may unnecessarily obscure the gist of the present invention as it is already well known in the technical field, the detailed description of the known technology may be used. Let's omit it.
아울러, 본 발명에서 사용되는 용어는 가능한 한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며 이 경우는 해당되는 발명의 설명부분에서 상세히 그 의미를 기재하였으므로, 단순한 용어의 명칭이 아닌 용어가 가지는 의미로서 본 발명을 파악하여야 함을 밝혀두고자 한다. 실시 예들에 대한 설명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 실시 예들을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. In addition, the terms used in the present invention are general terms that are currently widely used as much as possible, but in certain cases, there are terms arbitrarily selected by the applicant, and in this case, the meaning is described in detail in the description of the relevant invention, so it is a simple term. We would like to make it clear that the present invention should be understood by the meaning of the term, not by its name. Terms used in the description of the embodiments are merely used to describe specific embodiments and are not intended to limit the embodiments. Singular expressions include plural expressions unless the context clearly dictates otherwise.
실시 예들은 여러 가지 형태로 변경을 가할 수 있고 다양한 부가적 실시 예들을 가질 수 있는데, 여기에서는 특정한 실시 예들이 도면에 표시되고 관련된 상세한 설명이 기재되어 있다. 그러나 이는 실시 예들을 특정한 형태에 한정하려는 것이 아니며, 실시 예들의 사상 및 기술 범위에 포함되는 모든 변경이나 균등물 내지 대체물을 포함하는 것으로 이해되어야 할 것이다. The embodiments can be modified in various forms and have various additional embodiments, where specific embodiments are shown in the drawings and related detailed descriptions are described. However, this is not intended to limit the embodiments to a specific form, and should be understood to include all changes, equivalents, or substitutes included in the spirit and technical scope of the embodiments.
다양한 실시 예들에 대한 설명 가운데 “제1”, “제2”, “첫째” 또는“둘째”등의 표현들이 실시 예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분 짓기 위해 사용될 수 있다. In the description of various embodiments, expressions such as “first,” “second,” “first,” or “second” may modify various elements of the embodiments, but do not limit the elements. For example, the above expressions do not limit the order and/or importance of the corresponding components. The above expressions can be used to distinguish one component from another.
이하에서는 첨부된 도면을 참조하여 본 발명을 설명한다. 소셜 네트워크에는 다양한 사용자들이 다양한 관심사 또는 자신과 주변의 이야기들이 게시되고 있다. 데이터의 양은 기하급수적으로 증가하고 있으며, 다양한 현상을 설명하는 자료가 포함되어 있다. 이러한 소셜 네트워크는 짧은 메시지, 이미지, 태깅 키워드, 동영상 등이 게시되어 있으며, 재난 상황에 대한 정보와 해결에 필요한 정보를 함께 확인할 수 있는 특징을 가진다. 대표적인 소셜네트워크 서비스는 트위터, 인스타그램, 페이스북, 마이크로 블로그 등이 있으며, 최근에는 사회적 감시시스템으로도 활용되고 있다. 또한 빅데이터, 인공지능 기술을 적용하여 다양한 현상을 분석하고 상황을 설명하는 데이터로 활용되고 있다. 그리고, 소셜 네트워크에 유통되는 소셜데이터를 수집하기 위해 다양한 수집 환경이 제공되고 있어, 이를 효과적으로 이용하여 데이터 수집한 후 각종 현상의 분석을 수행할 수 있다. Hereinafter, the present invention will be described with reference to the attached drawings. On social networks, various users post various interests or stories about themselves and their surroundings. The amount of data is increasing exponentially and contains data explaining a variety of phenomena. These social networks post short messages, images, tagging keywords, videos, etc., and have the feature of allowing you to check information about disaster situations and information needed to solve them. Representative social network services include Twitter, Instagram, Facebook, and micro blogs, and have recently been used as a social surveillance system. In addition, big data and artificial intelligence technology are applied to analyze various phenomena and are used as data to explain situations. In addition, various collection environments are provided to collect social data distributed on social networks, and this can be used effectively to collect data and then analyze various phenomena.
재난과 관련해서 소셜데이터가 활용되는 사례도 늘고 있다. 일본의 경우 지진과 해일이 발생하여 통신시설이 훼손되었을 때도 소셜 네트워크를 통해 재난의 상황과 피해 정보를 실시간에 가까운 정보를 게시하여 재난지역의 사람들이 피해를 최소화할 수 있는 기회를 제공하기도 했다. 이같이 재난 상황에서 소셜 네트워크는 통신망을 대신하여 빠르게 재난 정보와 상황정보, 대응정보 등을 통하여 피해상황을 신속하게 재난 지역을 중심으로 전파하는 특징을 가진다. 이는 특정지점에서 발생하는 재난에 대한 빠른 대처와 모델링을 통해 다양하게 발생하는 재난과 연계할 수 있다. The number of cases where social data is used in relation to disasters is increasing. In the case of Japan, when an earthquake and tsunami occurred and communication facilities were damaged, near-real-time information about the disaster situation and damage was posted through social networks, providing an opportunity for people in disaster areas to minimize damage. In this way, in a disaster situation, a social network replaces a communication network and has the characteristic of quickly disseminating the damage situation to the disaster area through disaster information, situation information, response information, etc. This can be linked to various disasters that occur through quick response and modeling for disasters that occur at specific points.
본 발명에 의한 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법 및 시스템에서는 소셜 네트워크(SNS)를 통하여 유통되는 이벤트 정보를 수집 및 분석하여 자연적 재난 또는 사회적 재난의 발생위험을 탐지한다. 즉, 다양한 소셜 네트워크에서 유통되는 각종 소셜데이터들을 수집하여 국가적인 관심지점(POI)과 개인적인 관심지점(POI)을 기준으로 어떤 상황이 발생하는 경우 이를 이벤트로 하여 상황정보를 생성하도록 한다. 그리고, 생성된 상황정보에 대한 연속성(항상성)과 시간의 흐름에 따른 연관성 등을 분석하고, 이를 통하여 재난상황이 발생한 것인지를 판단하며, 재난상황이라고 판단되는 경우 재난이벤트를 생성하게 된다. 그리고 재난이벤트를 포함하는 재난정보를 게시하도록 함으로써, 재난 안전관리를 위한 피해 및 확산을 방지하기 위한 의사결정을 지원하게 되는 일련의 정보시스템을 구성할 수 있게 한다. The event-based disaster detection method and system using deep learning according to the present invention detects the risk of a natural disaster or social disaster by collecting and analyzing event information distributed through social networks (SNS). In other words, various social data distributed in various social networks are collected, and when a situation occurs based on national points of interest (POI) and personal point of interest (POI), it is used as an event to generate situational information. In addition, the continuity (homeostasis) of the generated situation information and the correlation with the passage of time are analyzed, and through this, it is determined whether a disaster situation has occurred. If it is determined that a disaster situation has occurred, a disaster event is generated. And by posting disaster information, including disaster events, it is possible to construct a series of information systems that support decision-making to prevent damage and spread for disaster safety management.
도 1에는 본 발명에 의한 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지시스템의 구성도가 도시되어 있다. 본 발명에 의한 재난 발생 탐지시스템은 다양한 소셜네트워크(100)로부터 소셜데이터를 수집하여 분석하는 정보시스템(200)으로서, 수집된 소셜데이터를 분석하기 위한 딥러닝 프로그램을 포함하고 있다. 그리고 상기 소셜네트워크(100) 들로부터 소셜데이터를 수집하는 소셜데이터 수집수단(210), 수집된 소셜데이터를 분석하기 전에 전처리하는 전처리 수단(220), 전처리된 소셜데이터에서 단어의 형태소를 분석하여 추출한 후 분류하고 이를 통하여 상기 ‘재난상황이 포함된 소셜데이터’를 분류해내는 분석/분류 수단(230), 분류된 소셜데이터를 검증하는 검증수단(240) 및 검증된 재난정보를 게시하는 게시수단(250)을 포함하도록 하는 것이 바람직하다.Figure 1 shows the configuration of an event-based disaster detection system using deep learning according to the present invention. The disaster detection system according to the present invention is an information system 200 that collects and analyzes social data from various social networks 100, and includes a deep learning program for analyzing the collected social data. And a social data collection means 210 for collecting social data from the social networks 100, a pre-processing means 220 for pre-processing the collected social data before analyzing it, and extracting morphemes of words from the pre-processed social data by analyzing them. an analysis/classification means 230 for classifying and then classifying the 'social data containing disaster situations', a verification means 240 for verifying the classified social data, and a posting means for posting the verified disaster information ( 250), it is desirable to include it.
한편, 본 발명에서는 관심지점, 개체명 및 이벤트라는 개념을 사용하게 되는데, 도 2에는 본 발명에서 사용하는 상기 관심지점(310), 상기 개체명(320) 및 상기 이벤트(330)의 개념들이 도시되어 있다. 상술한 바와 같이 본 발명에서는 소셜 네트워크를 통하여 유통되는 소셜데이터들을 수집하여 분석하게 되는데, 도 1에서 보는 내용으로 예를 들자면, “시청역에 사람이 많아서 지각할 것 같아요.ㅠㅠ, 2022.10.16. 08:24”라는 SNS 메시지에서 상기 관심지점(310)은 ‘시청역’이 될 것이다. 그리고 상기 개체명(320)은 ‘사람’이 될 것이며, 상기 이벤트(330)는 ‘많다’, ‘지각’ 등이 될 것이다.Meanwhile, the present invention uses the concepts of point of interest, entity name, and event. Figure 2 shows the concepts of point of interest 310, entity name 320, and event 330 used in the present invention. It is done. As described above, the present invention collects and analyzes social data distributed through social networks. For example, as shown in Figure 1, “I think I will be late because there are a lot of people at City Hall Station. ㅠㅠ, 2022.10.16. In the SNS message “08:24”, the point of interest (310) will be ‘City Hall Station’. And the entity name 320 will be ‘person’, and the event 330 will be ‘many’, ‘perception’, etc.
이같이 상기 관심지점(310)은 주요한 국가 관심시설로서, 도 1에서 보는 바와 같이 ‘시청역’, ‘서울역’, ‘이태원 00거리’, ‘월드컵 경기장’ 등과 같이 평상시 또는 특별한 경우에 사람이 밀집하는 시설이나 장소를 포함하며, 재난이 발생하면 큰 피해가 예상되는 시설이나 장소가 될 것이다. As such, the point of interest 310 is a facility of major national interest, and as shown in FIG. 1, it is a facility where people are crowded on normal or special occasions, such as 'City Hall Station', 'Seoul Station', 'Itaewon 00 Street', and 'World Cup Stadium'. It includes facilities and places, and will be facilities or places that are expected to suffer significant damage if a disaster occurs.
그리고, 상기 개체명(320)은 상기 관심지점(310)에 포함될 수 있는 개체들로서 사람이나 시설 또는 장소가 될 것인데, 도 1에서 예를 들자면 시청역에 포함될 수 있는 개체명(320)은 지하철, 사람, 출구, 스크린 도어, 계단, 에스컬레이터 등이 될 것이다. 또한, 상기 이벤트(330)는 상기 관심지점(310)에서 일어날 수 있는 사건이나 현상을 의미하는 것으로서, 도 1에서 예를 들자면 시청역에 포함될 수 있는 이벤트(330)로는 무정차, 통과, 지각, 많다, 밀리다, 침수, 정체 등이 될 것이다.In addition, the entity name 320 may be a person, facility, or place as an entity that may be included in the point of interest 310. For example, in FIG. 1, the entity name 320 that may be included in City Hall Station is subway, person, etc. , exits, screen doors, stairs, escalators, etc. In addition, the event 330 refers to an event or phenomenon that may occur at the point of interest 310. For example, in FIG. 1, the events 330 that may be included in the city hall station include no stopping, passing, being late, many, It will be pushed, flooded, stagnated, etc.
결국, 상기 관심지점(310), 상기 개체명(320) 및 상기 이벤트(330)를 결합하면 상기 관심지점(310)을 중심으로 일어나는 현상을 요약하여 체계적으로 표현할 수 있게 되는 것이다. 예를 들면 도 1에 기재된 소셜데이터들에서 상기 개체명(320)에 상기 이벤트(330)를 결합함으로써, 상기 개체명(320)에 관계되어 일어나는 현상을 표현하는 짧은 문장인 행위이벤트를 생성해 낼 수 있을 것인데, ‘사람’이라는 개체명(320)과 ‘많다’라는 이벤트(330)를 결합하면 ‘사람이 많다’라는 행위이벤트를 생성할 수 있을 것이다.Ultimately, by combining the point of interest 310, the entity name 320, and the event 330, it is possible to summarize and systematically express the phenomenon that occurs around the point of interest 310. For example, by combining the event 330 with the entity name 320 in the social data shown in FIG. 1, an action event, which is a short sentence expressing a phenomenon occurring related to the entity name 320, can be created. If you combine the entity name 'people' (320) and the event 'a lot' (330), you will be able to create an action event 'there are a lot of people'.
또한 상기 행위이벤트를 상기 관심지점(310)과 결합하면 “시청 지하철역에 사람들이 밀집되어 있다“라는 상황정보를 만들어 낼 수 있으며, 이에 따라 모아진 상기 상황정보들을 딥러닝으로 분석하면, 즉 상기 상황정보의 발생 빈도와 상기 관심지점(310)과의 관련성, 상기 행위이벤트의 연속성, 지속성 및 시간적 연관성 등을 딥러닝 모델로 분석하게 되면 상기 관심지점(310) 별로 재난의 발생 위험을 사전에 탐지해 낼 수 있을 것이다.In addition, by combining the action event with the point of interest 310, situational information such as “People are crowded at the City Hall subway station” can be created, and when the situation information collected accordingly is analyzed through deep learning, that is, the situation information By analyzing the frequency of occurrence, relevance to the point of interest 310, continuity, persistence and temporal relevance of the action event using a deep learning model, the risk of disaster occurrence for each point of interest 310 can be detected in advance. You will be able to.
한편, 도 3에는 본 발명에 의한 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법이 수행되는 전 과정에 대한 절차흐름도가 도시되어 있다. 본 발명에 포함되는 정보시스템(200)은 먼저, 하나 이상의 소셜 네트워크를 통하여 유통되는 소셜데이터들을 수집하는 소셜데이터 수집단계(s100)를 수행하도록 하는 것이 바람직하다. 상기 소셜데이터 수집단계(s100)는 상기 하나 이상의 소셜 네트워크(100)들로부터 실시간으로 수집하도록 하는 것이 바람직하다. 그리고, 소셜 네트워크들에서 수집된 소셜데이터를 분석하기 위한 필요정보만을 뽑아낼 수 있도록 수집된 수집된 소셜데이터 중 불필요한 정보들을 제거하는 전처리 단계를 수행하도록 하는 것이 바람직하다(s101). Meanwhile, Figure 3 shows a procedure flowchart for the entire process of performing the event-based disaster detection method using deep learning according to the present invention. It is preferable that the information system 200 included in the present invention first performs a social data collection step (s100) of collecting social data distributed through one or more social networks. The social data collection step (s100) is preferably performed in real time from the one or more social networks (100). In addition, it is desirable to perform a preprocessing step to remove unnecessary information from the collected social data so that only the necessary information for analyzing the social data collected from social networks can be extracted (s101).
소셜데이터 수집을 위해서는, 빅데이터 환경에서 대용량 데이터를 수집하고 저장하는 빅데이터 레이크 기술을 적용하도록 하며, 또한, 이와 더불어서 국가에서 제공하는 공공 IoT 데이터, 공공 통계 데이터 등도 관심지점을 중심으로 제공되는 데이터를 수집하여 빅데이터 환경에서 관리하도록 하는 것도 바람직하다. 수집되는 데이터의 구조는 정형 구조를 갖는 공공 통계 데이터, 반 정형 구조를 갖는 공공 IoT 데이터, 비정형 구조를 갖는 소셜데이터로 구성되며, 이를 통합하여 관리하기 위한 데이터 구조 통합모델을 수립하는 것을 포함한다.In order to collect social data, we apply big data lake technology that collects and stores large amounts of data in a big data environment. In addition, public IoT data and public statistical data provided by the country are also provided based on points of interest. It is also desirable to collect and manage them in a big data environment. The structure of the collected data consists of public statistical data with a structured structure, public IoT data with a semi-structured structure, and social data with an unstructured structure, and includes establishing a data structure integration model to integrate and manage them.
한편, 수집된 소셜데이터는 상기 관심지점(310)을 중심으로 소셜데이터를 분류하고 상기 관심지점(310)을 중심으로 발생하는 상기 행위이벤트를 추적하기 위하여 먼저 소셜데이터 각각의 문장이 가지는 단어의 형태소를 분석하여 단어들을 추출하도록 한 후(s102), 추출된 단어 중에서 상기 관심지점(310), 상기 개체명(320) 및 상기 이벤트(330)를 찾아내어 분류하는 과정(s103)을 수행하도록 하는 것이 바람직하다.Meanwhile, the collected social data is first classified into morphemes of words in each sentence of social data in order to classify social data around the point of interest 310 and track the action event that occurs around the point of interest 310. After analyzing and extracting words (s102), the point of interest 310, the entity name 320, and the event 330 are found and classified among the extracted words (s103). desirable.
그리고 나서, 상기 소셜데이터에서 추출된 상기 개체명(320) 및 상기 이벤트(330)를 이용하여 상기 행위이벤트를 생성하도록 하고(s105), 위에서 생성된 상기 행위이벤트를 상기 관심지점(310) 별로 결합하여 상기 상황정보를 생성한 후, 상기 상황정보를 상기 소셜데이터에 태깅하는(s106) 단계를 수행하도록 하는 것이 바람직하다. Then, the action event is generated using the entity name 320 and the event 330 extracted from the social data (s105), and the action event generated above is combined for each point of interest 310. After generating the context information, it is preferable to perform a step of tagging the context information to the social data (s106).
즉, 상기 정보시스템(200)이, 상기 하나 이상의 소셜 네트워크(100)를 통하여 유통되는 소셜데이터들을 수집하여(s100) 전처리를 마친 후에는(s101) 딥러닝 알고리즘을 이용하여 상기 소셜데이터 각각의 문장이 가지는 단어의 형태소를 분석하여 추출하는 과정을 수행하고(s102), 추출된 단어 중에서 상기 관심지점(310), 상기 개체명(320) 및 상기 이벤트(330)를 찾아 분류하는 과정을 수행한 뒤(s103), 상기 개체명(320)에 상기 이벤트(330)를 결합함으로써, 상기 개체명에 관계되어 일어나는 현상을 표현하는 짧은 문장인 행위이벤트를 생성하고(s105) 상기 행위이벤트를 상기 관심지점(310)에 결합함으로써, 상기 관심지점(310)에서 일어나는 상기 행위이벤트를 표현하는 짧은 문장인 상황정보를 생성하는 과정을 수행하고 난 뒤, 상기 상황정보를 상기 소셜데이터에 태깅하는 과정으로 이루어 진 상기 태깅단계(s106)를 수행하는 것이다.That is, after the information system 200 collects social data distributed through the one or more social networks 100 (s100) and completes preprocessing (s101), each sentence of the social data is analyzed using a deep learning algorithm. This branch performs a process of analyzing and extracting morphemes of words (s102), and performs a process of finding and classifying the point of interest 310, the entity name 320, and the event 330 among the extracted words. (s103), by combining the event 330 with the entity name 320, an action event, which is a short sentence expressing a phenomenon occurring related to the entity name, is created (s105) and the action event is stored at the point of interest (s105). 310), the process of generating context information, which is a short sentence expressing the action event occurring at the point of interest 310, is performed, and then the process of tagging the context information to the social data is performed. The tagging step (s106) is performed.
여기서 상기 정보시스템(200)에는 관심지점 사전(261), 개체명 사전(262) 및 이벤트 사전(263)을 더 포함하도록 하는 것도 바람직하다. 그리고 상기 관심지점 사전(261), 상기 개체명 사전(262) 및 상기 이벤트 사전(263) 각각에는 약어, 유사어, 신조어, 비속어 및 유행어에 대응되는 국가 관심지점 명칭, 표준개체명 및 표준이벤트 명칭이 각각 포함되도록 하는 것이 바람직하다. Here, it is also desirable for the information system 200 to further include a point of interest dictionary 261, an entity name dictionary 262, and an event dictionary 263. And the point of interest dictionary 261, the entity name dictionary 262, and the event dictionary 263 each include national point of interest names, standard entity names, and standard event names corresponding to abbreviations, similar words, new words, slang words, and buzzwords. It is desirable to include each.
상기 정보시스템(200)에 상기 관심지점 사전(261), 상기 개체명 사전(262) 및 상기 이벤트 사전(263)이 포함되는 경우에는, 상기 개체명(320)에 상기 이벤트(330)를 결합하여 상기 행위이벤트를 생성할 때, 상기 개체명(320)으로 분류된 단어에 대응되는 표준개체명을 상기 개체명 사전(262)에서 찾고, 상기 이벤트(330)로 분류된 단어에 대응되는 표준이벤트 명칭을 상기 이벤트 사전(263)에서 찾은 후 상기 표준개체명에 상기 표준이벤트 명칭을 결합하여 상기 행위이벤트를 생성하도록 하는 것이 바람직하다. 그리고, 상기 행위이벤트를 상기 관심지점(310)에 결합하여 상기 상황정보를 생성할 때는, 상기 관심지점(310)으로 분류된 단어에 대응되는 국가관심지점 명칭을 상기 관심지점 사전(261)에서 찾아 상기 행위이벤트에 결합하여 상기 상황정보를 생성하도록 하는 것이 바람직하다(s104).When the information system 200 includes the POI dictionary 261, the entity name dictionary 262, and the event dictionary 263, the event 330 is combined with the entity name 320. When generating the action event, the standard entity name corresponding to the word classified as the entity name 320 is searched in the entity name dictionary 262, and the standard event name corresponding to the word classified as the event 330 is searched in the entity name dictionary 262. It is desirable to find in the event dictionary 263 and then combine the standard event name with the standard entity name to generate the action event. And, when generating the situation information by combining the action event with the point of interest 310, the name of the national point of interest corresponding to the word classified as the point of interest 310 is searched in the point of interest dictionary 261. It is desirable to generate the situation information by combining it with the action event (s104).
그리고 난 후에는 연관분석 모델을 이용하여, 상기 관심지점(310) 별로 상기 상황정보에 대한 이벤트 연관분석, 행위 연관분석 및 시간 연관분석을 하여 상기 소셜데이터 중 ‘재난상황이 포함된 소셜데이터’를 분류해내는 분류단계(s110)을 수행하도록 하는 것이 바람직하다. 상기 소셜데이터를 상기 연관분석 모델로 분석하는 과정(s115)에 대한 상세한 내용은 도 7을 참조하여 후술하기로 한다.Then, using the correlation analysis model, event correlation analysis, action correlation analysis, and time correlation analysis of the situation information for each point of interest 310 are performed to select 'social data containing disaster situations' from the social data. It is desirable to perform a classification step (s110) to classify. Details of the process (s115) of analyzing the social data using the correlation analysis model will be described later with reference to FIG. 7.
그리고, 하나 이상의 검증모델을 적용하여 상기 ‘재난상황이 포함된 소셜데이터’에 대한 진위를 검증하는 검증단계(s140)를 수행하는 것이 바람직하다. 상기 검증모델은 여러 가지가 있을 수 있겠으나, 가짜뉴스를 걸러내는 가짜뉴스 검증모델을 기본적으로 포함하도록 하는 것이 바람직하다. 가짜뉴스는 소셜 네트워크에서 가장 큰 이슈로, 잘못된 정보를 제공하고 정보의 오류를 유발하는 문제를 발생시키고 있다. 그렇기 때문에 가짜뉴스로 인해 재난 전조 현상을 오탐하는 과정을 수행하여 상기 ‘재난상황이 포함된 소셜데이터’를 검증하는 절차는 반드시 필요하다.In addition, it is desirable to perform a verification step (s140) to verify the authenticity of the ‘social data containing disaster situations’ by applying one or more verification models. There may be various verification models, but it is desirable to include a fake news verification model that filters out fake news. Fake news is the biggest issue in social networks, causing problems by providing incorrect information and causing information errors. Therefore, it is essential to verify the ‘social data containing disaster situations’ by performing a process of falsely detecting disaster precursors due to fake news.
도 4에는 본 발명에서 사용하는 가짜뉴스 검증모델(s140)의 기본 개념이 도시되어 있다. 상기 가짜뉴스 검증모델은, 순환신경망 딥러닝 모델로 상기 ‘재난상황이 포함된 소셜 데이터’에 대한 문맥을 분석하고(s140a), 이벤트 변화를 분석한 후(s140b), 문맥 패턴을 분석하여(s140c)) 상기 ‘재난상황이 포함된 소셜 데이터’에 대한 진위를 검증하도록 하는 것(s140)이 바람하다. 상기 딥러닝 모델이 상기 문맥을 분석할 때는, 상기 소셜데이터에 포함된 상기 행위이벤트()를 대상으로 하는 문맥의 특성을 상기 이벤트()와의 합성 곱으로 하여 아래 식 (1)과 같이 시그모이드 계산을 수행하도록 하는 것이 바람직하다. 이같이 하면, 가짜뉴스에 대한 명확한 이벤트 패턴을 학습시켜 가짜뉴스가 되는 기준을 학습할 수 있게 한다. 그럼으로써 소셜 네트워크에서 행위 이벤트가 가지는 가짜뉴스 정보를 사전에 차단하는 효과를 제시할 수 있다.Figure 4 shows the basic concept of the fake news verification model (s140) used in the present invention. The fake news verification model analyzes the context of the 'social data containing disaster situations' using a recurrent neural network deep learning model (s140a), analyzes event changes (s140b), and analyzes context patterns (s140c). )) It is desirable to verify the authenticity of the ‘social data containing disaster situations’ (s140). When the deep learning model analyzes the context, the action event included in the social data ( ), the characteristics of the context targeting the event ( ), it is desirable to perform sigmoid calculation as in equation (1) below. In this way, a clear event pattern for fake news can be learned, allowing the criteria for becoming fake news to be learned. By doing so, it is possible to present the effect of blocking fake news information related to behavioral events in social networks in advance.
(b는 학습을 통하여 업데이트되는 편향)(b is a bias that is updated through learning)
그리고, 상기 하나 이상의 검증모델을 적용하여 상기 ‘재난상황이 포함된 소셜데이터’에 대한 진위를 검증하는 검증단계(s140)를 수행한 후 상기 정보시스템(200)은, 상기 검증단계(s140)에서 검증된(s131) 상기 ‘재난상황이 포함된 소셜데이터’를 이용하여 재난이벤트를 생성하는 재난이벤트 생성단계(s150) 및 상기 재난이벤트가 포함된 재난정보를 생성하여 게시하는 재난정보 게시단계(s160)을 수행하도록 하는 것이 바람직하다.And, after performing a verification step (s140) to verify the authenticity of the 'social data containing disaster situations' by applying the one or more verification models, the information system 200 performs the verification step (s140). A disaster event creation step (s150) in which a disaster event is created using the verified (s131) ‘social data containing disaster situations’ and a disaster information posting step (s160) in which disaster information including the disaster event is created and posted. ) is desirable to perform.
한편, 상기 정보시스템(200)은, 상기 자연적 재난 또는 상기 사회적 재난의 발생위험을 판단하는 경우, 각종 시설물에 설치된 공공센서들이 측정하는 센서정보도 포함하여 수집 및 분석하여 판단하도록 하는 것이 바람직하다. 이는 가짜뉴스 검증모델로 상기 ‘재난상황이 포함된 소셜데이터’에 대한 진위 판단를 했다고 해도, 오 판단이 있을 수 있기 때문이다. 따라서 상기 검증모델에는 상기 관심지점의 현장 상황을 검증하는 센서통합 검증모델(s145)을 포함하도록 하는 것이 바람직하다. 도 5에는 센서통합 검증모델(s145)이 포함된 본 발명의 수행과정이 도시되어 있으며, 도 6에는 센서통합 검증모델(s145)이 수행되는 과정이 도시되어 있다. Meanwhile, when determining the risk of occurrence of the natural disaster or the social disaster, the information system 200 preferably collects and analyzes sensor information measured by public sensors installed in various facilities to make the decision. This is because even if the authenticity of the ‘social data containing disaster situations’ is judged using the fake news verification model, there may be erroneous judgments. Therefore, it is desirable that the verification model include a sensor integrated verification model (s145) that verifies the on-site situation of the point of interest. Figure 5 shows the implementation process of the present invention including the sensor integrated verification model (s145), and Figure 6 shows the process of performing the sensor integrated verification model (s145).
도 5 및 도 6에서 보는 바와 같이 상기 센서통합 검증모델(s145)이 포함되는 경우, 상기 검증단계(s130)에서 상기 센서통합 검증모델은, 상기 공공센서들이 측정하는 상기 센서정보를 수집하여 상기 센서정보에 대한 관심지점 위치검증, 개체수 분석, 밀집도 분석 및 이벤트 신호 분석을 통하여 상기 ‘재난상황이 포함된 소셜데이터’에 대한 진위를 검증하도록 하는 것이 바람직하다. As shown in Figures 5 and 6, when the sensor integrated verification model (s145) is included, in the verification step (s130), the sensor integrated verification model collects the sensor information measured by the public sensors and verifies the sensor. It is desirable to verify the authenticity of the 'social data containing disaster situations' through location verification of points of interest, population analysis, density analysis, and event signal analysis.
도 4에는 상기 관심지점을 대상으로 공공 IoT 센서 데이터를 확보하여 이벤트를 검증하는 과정이 도시되어 있다. 센서 데이터는 관심지점에서 획득할 수 있는 정보의 한계성을 포함하고 있지만 공공데이터로 개방된 데이터를 수집하는 것을 전제로 한다. 특히 CCTV는 다양한 행위를 관찰할 수 있는 공공 데이터이다. 관심지점에 개방된 공공 CCTV 정보를 관심지점의 위치정보를 적용하여 확보하고, 데이터를 수집한다. CCTV 데이터는 스트리밍 기술로 수집하고 딥러닝 모델로 알려진 YOLO를 통해 관심지점에 사람이 분포된 개체수 분석, 밀집도 분석 등을 실시하여 검증 과정을 확인하게 된다. Figure 4 shows the process of verifying an event by securing public IoT sensor data targeting the point of interest. Sensor data includes limitations in the information that can be obtained from points of interest, but is premised on collecting open data as public data. In particular, CCTV is public data that can observe various activities. Public CCTV information open to points of interest is secured by applying the location information of the point of interest, and data is collected. CCTV data is collected using streaming technology, and the verification process is confirmed by analyzing the number of people distributed at points of interest and density analysis through YOLO, known as a deep learning model.
CCTV 데이터는 스트리밍 기술로 수집하고 먼저 관심지점에 대한 위치검증을 한 뒤에(s145a), 딥러닝 모델로 알려진 YOLO를 통해 관심지점에 사람이 분포된 개체수분석(s145b)를 실시한다. 일반적으로 알려진 YOLO 모델은 사람으로 인지된 개체수를 계산하여 개체수 빈도를 계산한다. 해당 개체수는 관심지점의 크기를 박스 단위로 마킹하여 공간의 크기를 계산한다. 그리고 나서 밀집도분석(s145c)을 하게 되는데 상기 밀집도분석(s145c)은 개체수 분석과 공간의 크기를 이용하여 공간단위의 사람이나 재난의 발생에서 건물의 밀집 빈도를 계산한다. 마지막으로 이벤트 신호분석(s145d)에서는 개체수와 밀집정도에 따라서 일어날 수 있는 행위를 센서 이벤트 신호로 검출하는 과정을 수행한다. 센서 이벤트 신호는 구조 신호 또는 다양한 행위 중 구난과 관련된 수신호를 센서 이벤트 신호로 학습한 딥러닝 모델인 YOLO를 적용한다. 해당 신호는 관심지점의 개체수, 밀집도, 센서 이벤트 신호로 처리되는 일련의 과정에서 재난 상황에 대한 검증 과정을 확인하게 된다. CCTV data is collected using streaming technology, and the location of points of interest is first verified (s145a), and then the number of people distributed at points of interest is analyzed (s145b) through YOLO, known as a deep learning model. The commonly known YOLO model calculates the population frequency by calculating the number of entities recognized as people. The number of objects is calculated by marking the size of the point of interest in boxes and calculating the size of the space. Then, density analysis (s145c) is performed. The density analysis (s145c) uses population analysis and space size to calculate the density frequency of buildings in the event of a disaster or people in a space unit. Lastly, event signal analysis (s145d) performs the process of detecting actions that may occur depending on the number of objects and the degree of density using sensor event signals. The sensor event signal applies YOLO, a deep learning model that learns rescue signals or hand signals related to rescue among various actions as sensor event signals. The verification process for the disaster situation is confirmed through a series of processes in which the signal is processed into the number of points of interest, density, and sensor event signals.
한편, 도 7에는 본 발명에 포함되는 상기 행위연관 분석모델(s120)을 설명하기 위한 절차흐름도가 도시되어 있다. 이하에서는 도 7을 참조하여 상기 행위연관 분석모델(s120)에 대하여 설명한다. 상기 행위연관 분석모델(s120)을 수행하기 위해서는 상기 정보시스템(200)에 관심지점 연관어 사전(264)을 포함하도록 하는 것이 바람직하다. 상기 관심지점 연관어 사전(264)은, 상기 관심지점(310) 별로 연관성이 있는 개체명(320) 및 이벤트(330)을 찾아서 제공할 수 있도록 하는 것이 바람직하다. 즉, 상기 관심지점 연관어 사전(264)에는 상기 관심지점(310) 별로 포함될 수 있는 개체명(320) 및 이벤트(330)가 수록되어 있는 것이다. 예를 들어 상기 관심지점(310)이 시청 지하철역인 경우 상기 관심지점 연관어 사전(264)에는 상기 개체명(320)에 지하철, 계단 등이 포함되어 있을 것이고, 관중석은 전혀 연관성이 없기 때문에 포함되지 않을 것이다. 또한, 상기 관심지점(310)이 월드컵 경기장이라 한다면 상기 관심지점 연관어 사전(264)에는 상기 이벤트(330)로 많다, 밀리다 등은 연관성이 있어 수록되어 있겠지만 무정차라는 이벤트(330)는 연관성이 전혀 없어 수록되어 있지 않는다 할 것이다. Meanwhile, Figure 7 shows a procedure flowchart for explaining the behavior-related analysis model (s120) included in the present invention. Hereinafter, the action correlation analysis model (s120) will be described with reference to FIG. 7. In order to perform the behavior correlation analysis model s120, it is desirable for the information system 200 to include a point-of-interest-related word dictionary 264. It is desirable that the point of interest related word dictionary 264 be able to find and provide entity names 320 and events 330 that are related to each point of interest 310. That is, the point of interest related word dictionary 264 contains entity names 320 and events 330 that can be included for each point of interest 310. For example, if the point of interest 310 is a city hall subway station, the point of interest related word dictionary 264 will include subway, stairs, etc. in the entity name 320, and the spectator seat will not be included because it is not related at all. won't In addition, if the point of interest 310 is a World Cup stadium, the point of interest related word dictionary 264 will list the events 330 such as many and pushed, but the event 330 of no stop has no correlation at all. They will say that it is not included because it is not there.
이와 같이 상기 분류단계(s110)에서 상기 행위연관 분석모델(s120)에 포함된 상기 이벤트 연관분석(s121)은, 상기 상황정보에 포함된 관심지점(310), 개체명(320) 및 이벤트(330)와 상기 관심지점 연관어 사전(264)에 상기 관심지점(310) 별로 분류되어 있는 개체명(320) 및 이벤트(330)와의 연관도를 분석하여 상기 연관도가 일정 수준 이상인 소셜데이터들을 제1소셜 데이터로 분류하는 과정으로 하는 것이 바람직하다(s122). 여기서 연관도(E)는 상기 관심지점을 중심으로 분류된 개체명과 이벤트에 대한 연관성을 평가하는 아래 식 (2)를 적용한다. 식 (2)는 개체명을 대상으로 시간별 이벤트 키워드(Et)에 대해 신뢰성을 평가한 가중치를 이용하여 신뢰성이 높은 이벤트 키워드임을 연관성으로 평가한다. 가중치(w)는 개체명에 연결된 이벤트 태깅 정보(Et)에 대한 조건부확률을 통해 시간 단위(t) 흐름에서 획득된 이벤트 키워드 간(E(t-i))의 연관성 강도를 계산한다.In this way, in the classification step (s110), the event association analysis (s121) included in the action association analysis model (s120) includes the point of interest 310, entity name 320, and event 330 included in the situation information. ) and the object name 320 and event 330 classified by the point of interest 310 in the point of interest dictionary 264, and the social data with the degree of linkage above a certain level are collected as the first It is desirable to use the process of classifying social data (s122). Here, the correlation (E) applies the equation (2) below, which evaluates the correlation between the entity names and events classified around the points of interest. Equation (2) uses a weight that evaluates the reliability of the event keyword (E t ) by time for the entity name to evaluate the relevance of the event keyword as having high reliability. The weight (w) calculates the strength of association between event keywords (E (ti) ) obtained in a time unit (t) flow through the conditional probability of the event tagging information (E t ) linked to the entity name.
또한, 상기 상황 연관분석(s123)은, 상기 제1소셜 데이터에 대하여 동일한 행위이벤트가 연속적으로 발생하는 정도를 나타내는 행위연속성을 분석한 뒤, 상기 행위연속성이 일정 수준 이상인 제1소셜 데이터를 제2소셜 데이터로 분류하는 과정으로 하는 것이 바람직하다(s124). 상술한 바와 같이 상기 이벤트 연관분석(s121)으로 이벤트 간의 연관성 강도를 평가하고 신뢰도가 높은 이벤트 정보만을 남기고 불필요한 정보를 제거하도록 하여 상기 제1소셜 데이터 만을 추출하게 된다(s122). 상기 상황 연관분석(s123)에서는 이 과정에서 도출된 상기 제1소셜 데이터에 대하여, 상기 행위연속성을 분석하기 위해 관심지점(310)의 행위연속성과 이벤트의 연관성에 대한 독립적인 의미를 식 (3)을 적용하여 계산한다. 식 (3)은 상기 관심지점(310)의 행위 C를 시간단위로 구분하고, 행위이벤트(E)를 대상으로 상기 관심지점(310)에서 일어난 시간 단위의 기록들이 계속적으로 이어지는 상기 행위이벤트(E)의 항상성을 계산한다. 즉, 상기 관심지점(310)의 행동이 상기 행위이벤트(E)로 인해 발생한 조건 확률이 연관성이 높은지 또는 낮은지를 판단하여 행위에 따른 행위이벤트(E)로 판단할 수 있다. 여기서 상기 행위연속성은, 상기 제1소셜 데이터에 포함된 행위 C를 시간 단위로 구분하고, 상기 제1소셜 데이터에 태깅된 상기 행위이벤트(E)를 대상으로 상기 관심지점에서 일어난 시간 단위 t의 기록들이 계속 이어지는 상기 행위연속성 CT를 다음과 같은 식(3)을 적용하여 계산하도록 하는 것이 바람직하다.In addition, the situation correlation analysis (s123) analyzes behavioral continuity, which indicates the degree to which the same behavioral event occurs continuously with respect to the first social data, and then analyzes the first social data with the behavioral continuity above a certain level as second social data. It is desirable to use the process of classifying social data (s124). As described above, only the first social data is extracted by evaluating the strength of correlation between events through the event correlation analysis (s121), leaving only highly reliable event information and removing unnecessary information (s122). In the situation correlation analysis (s123), in order to analyze the behavior continuity for the first social data derived in this process, the independent meaning of the correlation between the behavior continuity of the point of interest 310 and the event is expressed in Equation (3) Calculate by applying . Equation (3) divides the action C of the point of interest 310 into time units, and records the time unit that occurred at the point of interest 310 continuously for the action event E. ) Calculate the homeostasis of In other words, the action of the point of interest 310 can be determined to be an action event (E) according to the action by determining whether the condition probability generated by the action event (E) is highly or lowly related. Here, the action continuity divides the action C included in the first social data into time units, and records the time unit t that occurred at the point of interest for the action event (E) tagged in the first social data. It is desirable to calculate the behavioral continuity CT, which continues continuously, by applying the following equation (3).
마지막으로 상기 상황 연관분석(s123)에서 얻은 행위연속성이 높은 상기 제2소셜 데이터를 대상으로 시간 연관성(H)을 분석한다. 시간 연관성(H)은 상기 관심지점(310)에서 발생한 행위연관 이벤트 정보를 시간의 흐름 t 단위로 각각의 키워드가 가지고 있는 확률적 거리값을 이용하여 시간 가중치를 계산한다. 시간 거리값은 관심지점에서 발생한 행위이벤트(CTt)가 발생한 시간이 이전의 행위이벤트(CT(t-i))에서 어느정도 시간대로 이어지는지 확률적 거리를 계산한다. 예를 들면, 관심지점이 남산타워라고 하면, 남산타워에 대한 소셜 네트워크에서 언급된 행위이벤트 키워드들이 존재할 때, 이동 도구로 케이블카, 계단, 차 등이 있으며, 차의 경우의 행위이벤트는 “막힌다.”, “지체된다”, “혼잡하다”, “빠르다” 등의 키워드가 등장했을 때 각각의 키워드가 발생한 시간 거리를 계산하여 현재를 기준으로 차량으로 이동하는 행위가 느린 이유를 예측할 수 있다. 또한, 느린 이유가 사고에 의한 것인지, 이동 차량이 많은지를 검증할 수 있기 때문에 행위연관 이벤트의 원인을 예측할 수 있다.Lastly, temporal correlation (H) is analyzed for the second social data with high behavioral continuity obtained from the situation correlation analysis (s123). Temporal relevance (H) calculates a time weight using the action-related event information that occurred at the point of interest 310 using the probability distance value of each keyword in units of time t. The time distance value calculates the probabilistic distance of how far the time when the action event (CT t ) that occurred at the point of interest occurred is from the previous action event (CT (ti) ). For example, if the point of interest is Namsan Tower, when there are action event keywords mentioned in social networks about Namsan Tower, movement tools include cable cars, stairs, and cars, and the action event in the case of cars is “blocked.” When keywords such as “delayed,” “congested,” and “fast” appear, you can predict the reason why traveling by car is slow based on the present by calculating the time distance in which each keyword occurred. Additionally, since it is possible to verify whether the slowness is due to an accident or a large number of moving vehicles, the cause of the action-related event can be predicted.
즉, 상기 시간 연관분석은, 상기 제2소셜 데이터에 대하여 상기 동일한 행위이벤트 상호 간에 이어지는 확률적 시간 거리값으로 시간연관성을 분석한 뒤, 상기 시간연관성이 일정 수준 이상인 제2소셜 데이터를 제3소셜 데이터로 분류하는 과정으로 하는 것이 바람직하다. 여기서 상기 시간연관성은, 상기 제2소셜 데이터에 포함된 상기 행위이벤트들에 대하여 시간의 흐름 t 단위로 각각의 행위이벤트가 가지고 있는 확률적 시간 거리값을 이용하여 시간 가중치로 시간 연관성 H를 계산하되, 상기 시간 거리값은 상기 관심지점에서 발생한 하나의 행위이벤트 가 이전의 행위이벤트 에서 어느 정도 시간대로 이어지는지 확률적 거리이며, 상기 시간연관성 H는 아래와 같은 식(4)를 적용하여 계산하도록 하는 것이 바람직하다.In other words, the temporal correlation analysis analyzes the temporal correlation of the second social data with a probabilistic time distance value leading between the same action events, and then analyzes the second social data with the temporal correlation above a certain level into the third social data. It is desirable to use the process of classifying data. Here, the temporal correlation is calculated by calculating the temporal correlation H with a time weight using the probabilistic time distance value of each action event in units of time flow t for the action events included in the second social data. , the time distance value is one action event that occurred at the point of interest. A previous action event It is a probabilistic distance that indicates how much time zone it connects to, and it is desirable to calculate the time correlation H by applying equation (4) below.
그리고 나서, 상기 정보시스템은 상기 시간 연관분석까지 수행한 뒤 도출되는 상기 제3소셜 데이터를 상기 ‘재난상황이 포함된 소셜데이터’로 분류하도록 하는 것이 바람직하다. 이같이 본 발명에서는 비정형 데이터 구조를 가지고 있는 소셜 네트워크 데이터를 빅데이터 수집 방법으로 수집하여 체계화시킨 후 인공지능 학습모델인 딥러닝 모델을 이용하여 분석함으로써 재난 이벤트의 발생 징후와 발생 사실을 조기에 발견할 수 있게 된다.Then, it is desirable for the information system to classify the third social data derived after performing the time correlation analysis as the ‘social data including disaster situations’. In this way, in the present invention, social network data with an unstructured data structure is collected and systematized using a big data collection method, and then analyzed using a deep learning model, an artificial intelligence learning model, to detect signs and facts of disaster events at an early stage. It becomes possible.
상술한 여러 가지 예로 본 발명을 설명하였으나, 본 발명은 반드시 이러한 예들에 국한되는 것이 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서 본 발명에 개시된 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 예들에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다. Although the present invention has been described with the above-described various examples, the present invention is not necessarily limited to these examples, and may be modified and implemented in various ways without departing from the technical spirit of the present invention. Accordingly, the examples disclosed in the present invention are not intended to limit the technical idea of the present invention but are for illustrative purposes, and the scope of the technical idea of the present invention is not limited by these examples. The scope of protection of the present invention shall be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope thereof shall be construed as being included in the scope of rights of the present invention.
100 소셜네트워크
200 정보시스템
210 소셜데이터 수집수단 220 전처리수단
230 분석/분류수단 240 검증수단
250 게시수단 261 관심지점 사전
262 개체명 사전 263 이벤트 사전
264 관심지점 연관어 사전
310 관심지점
320 개체명
330 이벤트100 social networks
200 Information Systems
210 Social data collection means 220 Preprocessing means
230 Analysis/classification means 240 Verification means
250 Posting method 261 Points of interest dictionary
262 Entity name dictionary 263 Event dictionary
264 Points of Interest Related Word Dictionary
310 points of interest
320 entity name
330 events
Claims (9)
하나 이상의 소셜 네트워크를 통하여 유통되는 소셜데이터들을 수집하는 소셜데이터 수집단계;
딥러닝 알고리즘으로 다음의 과정을 수행하는 태깅단계;
- 상기 소셜데이터 각각의 문장이 가지는 단어의 형태소를 분석하여 추출하는 과정
- 추출된 단어 중에서 관심지점(Point of Interest), 개체명 및 이벤트를 찾아 분류하는 과정,
- 상기 개체명에 상기 이벤트를 결합함으로써, 상기 개체명에 관계되어 일어나는 현상을 표현하는 문장인 행위이벤트를 생성하는 과정,
- 상기 행위이벤트를 상기 관심지점에 결합함으로써, 상기 관심지점에서 일어나는 상기 행위이벤트를 표현하는 문장인 상황정보를 생성하는 과정,
- 상기 상황정보를 상기 소셜데이터에 태깅하는 과정
연관분석 모델을 이용하여, 상기 관심지점 별로 상기 상황정보에 대한 이벤트 연관분석, 행위 연관분석 및 시간 연관분석을 하여 상기 소셜데이터 중 재난상황이 포함된 소셜데이터를 분류해내는 분류단계;
하나 이상의 검증모델을 적용하여 상기 재난상황이 포함된 소셜데이터에 대한 진위를 검증하는 검증단계;
상기 검증단계에서 검증된 상기 재난상황이 포함된 소셜데이터를 이용하여 재난이벤트를 생성하는 재난이벤트 생성단계; 및
상기 재난이벤트가 포함된 재난정보를 생성하여 게시하는 재난정보 게시단계;를 포함하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법.A method in which an information system uses a deep learning program to collect and analyze event information distributed through social networks (SNS) to detect the risk of a natural disaster or social disaster,
A social data collection step of collecting social data distributed through one or more social networks;
A tagging step that performs the following processes using a deep learning algorithm;
- The process of analyzing and extracting the morphemes of words in each sentence of the social data
- The process of finding and classifying points of interest, entity names, and events among extracted words,
- A process of generating an action event, which is a sentence expressing a phenomenon that occurs related to the entity name, by combining the event with the entity name,
- A process of generating context information, which is a sentence expressing the action event occurring at the point of interest, by combining the action event with the point of interest,
- The process of tagging the situation information to the social data
A classification step of classifying social data including a disaster situation among the social data by performing event correlation analysis, action correlation analysis, and time correlation analysis on the situation information for each point of interest using a correlation analysis model;
A verification step of verifying the authenticity of social data including the disaster situation by applying one or more verification models;
A disaster event generation step of generating a disaster event using social data including the disaster situation verified in the verification step; and
An event-based disaster detection method using deep learning, comprising a disaster information posting step of generating and posting disaster information including the disaster event.
상기 검증모델에는 가짜뉴스 검증모델을 포함하며,
상기 검증단계에서 상기 가짜뉴스 검증모델은, 순환신경망 딥러닝 모델로 상기 재난상황이 포함된 소셜 데이터에 대한 문맥, 이벤트 변화 및 문맥 패턴을 분석하여 진위를 검증하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법.According to paragraph 1,
The verification model includes a fake news verification model,
In the verification step, the fake news verification model uses deep learning, characterized in that it verifies authenticity by analyzing the context, event changes, and context patterns of social data containing the disaster situation with a recurrent neural network deep learning model. Event-based disaster detection method.
상기 딥러닝 모델이 상기 문맥을 분석할 때는, 상기 소셜데이터에 포함된 상기 행위이벤트()를 대상으로 하는 문맥의 특성을 상기 이벤트()와의 합성 곱으로 하여 아래와 같이 시그모이드 계산을 수행하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법.
(b는 학습을 통하여 업데이트되는 편향)According to paragraph 2,
When the deep learning model analyzes the context, the action event included in the social data ( ), the characteristics of the context targeting the event ( ) An event-based disaster detection method using deep learning, characterized in that sigmoid calculation is performed as follows by convolution with ).
(b is a bias that is updated through learning)
상기 정보시스템은, 상기 자연적 재난 또는 상기 사회적 재난의 발생위험을 판단하는 경우, 각종 시설물에 설치된 공공센서들이 측정하는 센서정보도 포함하여 수집 및 분석하여 판단하며,
상기 검증모델에는 상기 관심지점의 현장 상황을 검증하는 센서통합 검증모델을 포함하며,
상기 검증단계에서 상기 센서통합 검증모델은, 상기 공공센서들이 측정하는 상기 센서정보를 수집하여 상기 센서정보에 대한 관심지점 위치검증, 개체수 분석, 밀집도 분석 및 이벤트 신호 분석을 통하여 상기 재난상황이 포함된 소셜데이터에 대한 진위를 검증하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법.In paragraph 1
When determining the risk of occurrence of the natural disaster or the social disaster, the information system collects and analyzes sensor information including sensor information measured by public sensors installed in various facilities to make the decision,
The verification model includes a sensor-integrated verification model that verifies the on-site situation of the point of interest,
In the verification step, the sensor integrated verification model collects the sensor information measured by the public sensors and verifies the location of points of interest, population analysis, density analysis, and event signal analysis for the sensor information to determine the disaster situation included. An event-based disaster detection method using deep learning, characterized by verifying the authenticity of social data.
상기 정보시스템에는 관심지점 사전, 개체명 사전 및 이벤트 사전을 포함하며,
상기 관심지점 사전, 상기 개체명 사전 및 상기 이벤트 사전 각각에는 약어, 유사어, 신조어, 비속어 및 유행어에 대응되는 국가관심지점 명칭, 표준개체명 및 표준이벤트 명칭이 각각 포함되며,
상기 태깅단계에서,
- 상기 개체명에 상기 이벤트를 결합하여 상기 행위이벤트를 생성할 때는, 상기 개체명으로 분류된 단어에 대응되는 표준개체명을 상기 개체명 사전에서 찾고, 상기 이벤트로 분류된 단어에 대응되는 표준이벤트 명칭을 상기 이벤트 사전에서 찾은 후 상기 표준개체명에 상기 표준이벤트 명칭을 결합하여 상기 행위이벤트를 생성하며,
- 상기 행위이벤트를 상기 관심지점에 결합하여 상기 상황정보를 생성할 때는, 상기 관심지점으로 분류된 단어에 대응되는 국가관심지점 명칭을 상기 관심지점 사전에서 찾아 상기 행위이벤트에 결합하여 상기 상황정보를 생성하는 것을 특징으로 하는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지방법.In paragraph 1
The information system includes a point-of-interest dictionary, an entity name dictionary, and an event dictionary,
The point of interest dictionary, the entity name dictionary, and the event dictionary each include national point of interest names, standard entity names, and standard event names corresponding to abbreviations, similar words, new words, slang words, and buzzwords, respectively,
In the tagging step,
- When generating the action event by combining the event with the entity name, the standard entity name corresponding to the word classified as the entity name is searched in the entity name dictionary, and the standard event corresponding to the word classified as the event is searched in the entity name dictionary. After finding the name in the event dictionary, the action event is created by combining the standard event name with the standard entity name,
- When generating the situation information by combining the action event with the point of interest, find the name of the national point of interest corresponding to the word classified as the point of interest in the point of interest dictionary and combine it with the action event to generate the situation information. An event-based disaster detection method using deep learning, characterized by generating.
제1항 내지 제5항 중 어느 한 항에 의한 방법으로 재난정보를 생성하여 게시할 수 있는, 딥러닝을 이용한 이벤트 기반의 재난 발생 탐지시스템.
It is an information system that detects and provides the risk of natural disasters or social disasters by analyzing the event information collected while collecting event information distributed through social networks (SNS) with a deep learning program,
An event-based disaster detection system using deep learning that can generate and post disaster information by the method according to any one of claims 1 to 5.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230118781A KR102617316B1 (en) | 2023-09-07 | 2023-09-07 | Method for predicting disaster based on event and system thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230118781A KR102617316B1 (en) | 2023-09-07 | 2023-09-07 | Method for predicting disaster based on event and system thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102617316B1 true KR102617316B1 (en) | 2023-12-27 |
Family
ID=89377475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230118781A KR102617316B1 (en) | 2023-09-07 | 2023-09-07 | Method for predicting disaster based on event and system thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102617316B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210125702A (en) * | 2020-04-09 | 2021-10-19 | 가톨릭대학교 산학협력단 | Disaster prediction system and method using major keyword analysis technology of artificial intelligence |
| KR102387665B1 (en) * | 2021-01-20 | 2022-04-15 | 연세대학교 산학협력단 | Disaster Information Screening System and Screen Metood to analyze disaster message information on social media using disaster weights |
| KR102421904B1 (en) * | 2022-02-24 | 2022-07-20 | 대한민국 | the method to advance the analysis of the causes of disasters |
| KR20230096825A (en) * | 2021-12-23 | 2023-06-30 | 주식회사 자이플래닛 | Electronic apparatus for providing disaster information and control method thereof |
-
2023
- 2023-09-07 KR KR1020230118781A patent/KR102617316B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210125702A (en) * | 2020-04-09 | 2021-10-19 | 가톨릭대학교 산학협력단 | Disaster prediction system and method using major keyword analysis technology of artificial intelligence |
| KR102387665B1 (en) * | 2021-01-20 | 2022-04-15 | 연세대학교 산학협력단 | Disaster Information Screening System and Screen Metood to analyze disaster message information on social media using disaster weights |
| KR20230096825A (en) * | 2021-12-23 | 2023-06-30 | 주식회사 자이플래닛 | Electronic apparatus for providing disaster information and control method thereof |
| KR102421904B1 (en) * | 2022-02-24 | 2022-07-20 | 대한민국 | the method to advance the analysis of the causes of disasters |
Non-Patent Citations (3)
| Title |
|---|
| 이경미, 최성록, "제4차 산업혁명시대의 ICT 융합형 재난안전 R&D 발전방향", 한국과학기술평가원, ISSUE PAPER 2016-06 |
| 이준, "IoT 기반 재난관리 동향 및 스마트 디바이스의 방재산업 적용 방안", 방재저널, 17(2), pp.39-46, 2015 |
| 홍주현, "재난 발생 시 SNS를 통해 확산된 재난 이슈 네트워크 분석: 유튜브의 정보 종류 및 이슈의 집중도 *?* 확산성을 중심으로", 한국콘텐츠학회논문지, 18(3), pp.138-147, 2019. |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | An integrated physical-social analysis of disrupted access to critical facilities and community service-loss tolerance in urban flooding | |
| Parsa et al. | Toward safer highways, application of XGBoost and SHAP for real-time accident detection and feature analysis | |
| de Bruijn et al. | A global database of historic and real-time flood events based on social media | |
| Hung et al. | Methods for assessing the credibility of volunteered geographic information in flood response: A case study in Brisbane, Australia | |
| Zhang et al. | Extracting the location of flooding events in urban systems and analyzing the semantic risk using social sensing data | |
| Xie et al. | Spatial analysis of highway incident durations in the context of Hurricane Sandy | |
| JP5992681B2 (en) | Unusual condition detection system for congestion | |
| Yuan et al. | Smart flood resilience: harnessing community-scale big data for predictive flood risk monitoring, rapid impact assessment, and situational awareness | |
| KR20190077682A (en) | System and Method for Analysing Urban Safety Index using Public Big Data and SNS Data | |
| Anbalagan et al. | # ChennaiFloods: leveraging human and machine learning for crisis mapping during disasters using social media | |
| Tien et al. | Detection of Damage and Failure Events of Critical Public Infrastructure using Social Sensor Big Data. | |
| Kwon et al. | Risk analysis and visualization for detecting signs of flood disaster in Twitter | |
| Guo et al. | Computer vision-based approach for smart traffic condition assessment at the railroad grade crossing | |
| Robinson et al. | An evidence based earthquake detector using Twitter | |
| Kelly et al. | Mining multimodal information on social media for increased situational awareness | |
| Fazeli et al. | A study of volunteered geographic information (VGI) assessment methods for flood hazard mapping: A review | |
| Guerrieri et al. | Real-time social distance measurement and face mask detection in public transportation systems during the COVID-19 pandemic and post-pandemic Era: Theoretical approach and case study in Italy | |
| Jiang et al. | A deep learning framework for detecting and localizing abnormal pedestrian behaviors at grade crossings | |
| Khan et al. | Real-time power outage detection system using social sensing and neural networks | |
| Lei et al. | Multitarget detection and tracking method in remote sensing satellite video | |
| Patwal et al. | Crowd counting analysis using deep learning: A critical review | |
| Cecilia et al. | WATERSensing: A smart warning system for natural disasters in Spain | |
| Abdel-Aty et al. | Real-time big data analytics and proactive traffic safety management visualization system | |
| Lian et al. | Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency | |
| KR102617316B1 (en) | Method for predicting disaster based on event and system thereof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |