KR20180089080A - Selection method of railway accident risk prediction model considering accident response cost - Google Patents
Selection method of railway accident risk prediction model considering accident response cost Download PDFInfo
- Publication number
- KR20180089080A KR20180089080A KR1020170013714A KR20170013714A KR20180089080A KR 20180089080 A KR20180089080 A KR 20180089080A KR 1020170013714 A KR1020170013714 A KR 1020170013714A KR 20170013714 A KR20170013714 A KR 20170013714A KR 20180089080 A KR20180089080 A KR 20180089080A
- Authority
- KR
- South Korea
- Prior art keywords
- accident risk
- railway accident
- result
- reference value
- railway
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본원은 사고대응 비용을 고려한 철도사고 위험예측 모형을 선택하는 방법에 관한 것이다.This paper describes a method for selecting a railway accident risk prediction model that takes into account accident response costs.
지난 2003년 발생한 대구 지하철 화재 참사 이후 강화된 철도안전관리의 영향으로 전체 철도사고 발생건수는 2003년 743건에서 2007년 429건으로 42% 감소하고 있는 추세를 보이고 있다.The number of railway accidents has decreased by 42% from 743 in 2003 to 429 in 2007 due to the enhancement of railway safety management since the Daegu Subway Fire disaster that occurred in 2003.
이러한 감소 추세 속에서도 도시철도 사고건수는 운영노선과 이용객수의 증가로 인해 계속해서 증가하고 있는데 2007년 도시철도에서 발생한 사망자수가 98명으로 일반철도와 고속철도에서 발생한 사망자수 94명을 초과한 것으로 나타났다.Despite this declining trend, the number of urban railway accidents continues to increase due to the increase in the number of operation routes and the number of passengers. The number of deaths in the urban railway in 2007 was 98, exceeding 94 in the general railway and high speed railway.
이에 충돌, 탈선, 화재 등 철도사고 위험요인을 사전에 제거하고 사고피해를 최소화할 수 있는 과학적인 위험분석과 정략적인 위험도 평가가 필수적으로 요구되고 있다. 또한, 이들 철도사고 위험도를 합리적으로 제어할 수 있는 효과적인 안전대책을 수립, 지속적인 안전개선을 도모할 수 있는 선진 철도안전관리시스템 구축이 절실히 필요하다.Therefore, there is a need for scientific risk analysis and strategic risk assessment to minimize the risk of accidents, such as collision, derailment, and fire, in advance. In addition, it is urgently necessary to establish an advanced railway safety management system that can establish effective safety measures that can reasonably control the risk of these railway accidents and continuously improve safety.
철도 사고 위험 예측은 예측의 정확성만이 중요한 것이 아니라, 사고 위험에 대한 부정확한 예측을 줄여서 실제 나타날 수 있는 사고의 위험 및 예상 소요 비용을 줄이는 것이 중요하다.It is important to predict the risk of railway accidents not only by the accuracy of the predictions, but also by reducing the inaccurate forecasts of the risk of accidents, thereby reducing the risk of accidents and the anticipated costs that may actually occur.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1652099호 (2016.8.23)에 개시되어 있다.The background technology of this application is disclosed in Korean Patent Registration No. 10-1652099 (Aug. 22, 2016).
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 사고 대응 예상 비용을 고려한 철도 사고 위험을 예측할 수 있는 예측 모형의 구성 방법 및 예측 정확성이 높은 예측 모형을 선택하는 방법을 제공하려는 것을 목적으로 한다.SUMMARY OF THE INVENTION It is an object of the present invention to provide a method for constructing a prediction model capable of predicting the risk of a railway accident taking into account the accident cost and a method for selecting a prediction model with high accuracy, .
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들도 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.It should be understood, however, that the technical scope of the embodiments of the present invention is not limited to the above-described technical problems, and other technical problems may exist.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 철도 사고 위험을 예측하는 모형을 선택하는 방법은, 복수의 예측 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우와 상기 기준값의 미만인 경우로 구분하는 단계, 상기 복수의 예측 철도 사고 위험 결과에 각각 대응하는 복수의 실제 철도 사고 위험 결과에 대해 상기 기준값의 이상인 경우와 상기 기준값의 미만인 경우로 구분하는 단계, 상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과의 일치 여부에 따라 예상 소요 비용 값을 결정하는 단계, 상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과에 기초하여 철도 사고 위험 예측 모형의 예측 정확도를 계산하는 단계 및 상기 예상 소요 비용 값 및 상기 예측 정확도에 기초하여 철도 사고 위험 예측 모형을 선택하는 단계를 포함할 수 있다.According to an aspect of the present invention, there is provided a method of selecting a model for predicting a railway accident risk, the method comprising: A step of classifying the plurality of actual railway accident risk results corresponding to the plurality of predicted railway accident risk results into a case where the actual railway accident risk result is greater than or equal to the reference value and a case where the estimated railway accident risk result is less than the reference value, Determining an expected cost value based on a result of classification of an accident risk result and a result of classification of the plurality of actual railway accident risk results, determining a result of the classification of the plurality of predicted railway accident risk results, Prediction of Railway Accident Risk Prediction Model Based on the Classification Result of Risk Results Calculating an accuracy, and selecting a railway accident risk prediction model based on the expected cost value and the prediction accuracy.
또한, 상기 예상 소요 비용 값을 결정하는 단계는, 상기 예측 철도 사고 위험 결과의 구분 결과 및 상기 실제 철도 사고 위험 결과의 구분 결과가 일치하는 경우에는 비용 값을 0으로 결정하고, 상기 예측 철도 사고 위험 결과의 구분 결과가 상기 기준값의 미만이었으나 상기 실제 철도 사고 위험 결과의 구분 결과가 상기 기준값의 이상인 경우에는 비용 값을 제1비용으로 결정하고, 상기 예측 철도 사고 위험 결과의 구분 결과가 상기 기준값의 이상이었으나 상기 실제 철도 사고 위험 결과의 구분 결과가 상기 기준값의 미만인 경우에는 비용 값을 제2비용으로 결정할 수 있다.In addition, the step of determining the expected cost value may include determining a cost value to be 0 if the classification result of the predicted railway accident risk result and the classification result of the actual railway accident risk result coincide with each other, Wherein if the classification result of the result is less than the reference value but the classification result of the actual railway accident risk result is more than the reference value, the cost value is determined as the first cost, and if the classification result of the predicted railway accident risk result exceeds the reference value But if the classification result of the actual railway accident risk result is less than the reference value, the cost value can be determined as the second cost.
또한, 상기 제1비용이 상기 제2비용보다 큰 것 일 수 있다.Also, the first cost may be greater than the second cost.
또한, 상기 제1항의 기준값은 제1기준값이고, 상기 제1항의 예상 소요 비용 값은 제1예상 소요 비용 값이고, 상기 제1항의 예측 정확도는 제1예측 정확도이고, 상기 제1항의 철도 사고 위험 예측 모형은 제1철도 사고 위험 예측 모형이고,상기 복수의 예측 철도 사고 위험 결과에 대해 상기 제1기준값과 상이한 미리 설정된 제2기준값의 이상인 경우와 상기 제2기준값의 미만인 경우로 구분하는 단계, 상기 복수의 실제 철도 사고 위험 결과에 대해 상기 제2기준값의 이상인 경우와 상기 제2기준값의 미만인 경우로 구분하는 단계, 상기 제2기준값을 기준으로 분류된 상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과의 일치 여부에 따라 제2예상 소요 비용 값을 결정하는 단계 및 상기 제2기준값을 기준으로 분류된 상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과에 기초하여 제2철도 사고 위험 예측 모형의 제2예측 정확도를 계산하는 단계를 더 포함하고, 상기 예상 소요 비용 값 및 상기 예측 정확도에 기초하여 철도 사고 위험 예측 모형을 선택하는 단계는 상기 제1예상 소요 비용 값, 상기 제2예상 소요 비용 값, 상기 제1예측 정확도 및 상기 제2예측 정확도에 기초하여 상기 제1철도 사고 위험 예측 모형 및 상기 제2철도 사고 위험 예측 모형 중 어느 하나를 선택할 수 있다. The prediction accuracy of the first term is a first prediction accuracy, and the reference value of the first term is a first reference value, the expected cost value of the first term is a first estimated cost value, The prediction model is a first railway accident risk prediction model. The prediction model is divided into a case where the predicted railway accident risk result is greater than a predetermined second reference value different from the first reference value and a case where the predicted railway accident risk result is less than the second reference value, The method comprising the steps of: dividing a plurality of actual railway accident risk results into a case of exceeding the second reference value and a case of less than the second reference value, a classification result of the plurality of predicted railway accident risk results classified on the basis of the second reference value, Determining a second expected cost value based on whether the classification results of the plurality of actual railway accident risk results are matched with each other, Further comprising calculating a second prediction accuracy of the second railway accident risk prediction model based on the classification result of the plurality of predicted railway accident risk results classified into the plurality of actual railway accident risk results and the classification result of the plurality of actual railway accident risk results, Wherein the step of selecting a railway accident risk prediction model based on the expected cost value and the prediction accuracy comprises the step of calculating the first expected cost value, the second expected cost value, the first prediction accuracy and the second prediction accuracy The first railway accident risk prediction model and the second railway accident risk prediction model may be selected based on the first railway accident risk prediction model and the second railway accident risk prediction model.
또한, 철도 사고 위험 예측 모형을 선택하는 단계는, 상기 제1예측 정확도 및 상기 제2예측 정확도가 미리 설정된 기준치 이상인지 판단하고, 상기 기준치의 이상인 예측 정확도를 가지는 철도 사고 위험 예측 모형 중 가장 낮은 예상 소요 비용 값을 가지는 철도 사고 위험 예측 모형을 선택할 수 있다.Also, the step of selecting a railway accident risk prediction model may include determining whether the first prediction accuracy and the second prediction accuracy are equal to or greater than preset reference values, The railway accident risk prediction model with the required cost value can be selected.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.The above-described task solution is merely exemplary and should not be construed as limiting the present disclosure. In addition to the exemplary embodiments described above, there may be additional embodiments in the drawings and the detailed description of the invention.
전술한 본원의 과제 해결 수단에 의하면, 본원은 예측 철도 사고 위험 결과에 각각 대응하는 실제 철도 사고 위험 결과에 대해 기준값의 이상인 경우와 상기 기준값의 미만인 경우로 구분함으로써 예측 결과표를 생성하고, 예측 결과표의 각 항목에 대응하는 예상 소요 비용 값을 생성하여, 이를 이용한 분석 방법을 제공함으로써, 기준치의 이상인 예측 정확도를 가지는 철도 사고 위험 예측 모형 중 가장 낮은 예상 소요 비용 값을 가지는 철도 사고 위험 예측 모형을 선택하여 예측 정확도가 높음과 동시에 사고 대응 비용을 절약할 수 있는 철도 사고 위험 예측 모형을 제공할 수 있는 효과가 있다.According to the above-mentioned problem solving means, the present invention generates a prediction result table by dividing the actual railway accident risk result corresponding to the predicted railway accident risk result into a case where the actual railway accident risk result is larger than the reference value or less than the reference value, By calculating the expected cost value corresponding to each item and providing analysis method using it, the railway accident risk prediction model having the lowest expected cost value among the railway accident risk prediction models having the prediction accuracy higher than the reference value is selected It is possible to provide a prediction model of railway accident risk that can predict the accuracy and save the cost of responding to the accident.
도 1a는 본원의 일 실시예에 따른 제1철도 사고 위험 예측 모형의 예측 결과표의 예를 나타낸 도면이다.
도 1b는 본원의 일 실시예에 따른 제2철도 사고 위험 예측 모형의 예측 결과표의 예를 나타낸 도면이다.
도 2는 본원의 일 실시예에 따른 철도 사고 위험 예측 모형에 대한 비용 관계표의 예를 나타낸 도면이다.
도3은 모형별로 계산된 예측 정확도와 비용을 사용자가 이해하기 쉬운 형태로 정리한 관계표의 예를 나타낸 도면이다.
도 4는 본원의 일 실시예에 따른 철도 사고 위험 예측 모형을 선택하는 방법의 개략적인 전체 동작 흐름도이다.FIG. 1A is a diagram showing an example of a prediction result table of a first railway accident risk prediction model according to an embodiment of the present invention; FIG.
1B is a diagram showing an example of a prediction result table of a second railway accident risk prediction model according to an embodiment of the present invention.
2 is a diagram illustrating an example of a cost relationship table for a railway accident risk prediction model according to an embodiment of the present invention.
FIG. 3 is a diagram showing an example of a relationship table in which the prediction accuracy and cost calculated for each model are arranged in a form that the user can easily understand.
FIG. 4 is a schematic overall operation flowchart of a method for selecting a railway accident risk prediction model according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. It should be understood, however, that the present invention may be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. In the drawings, the same reference numbers are used throughout the specification to refer to the same or like parts.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. Throughout this specification, when a part is referred to as being "connected" to another part, it is not limited to a case where it is "directly connected" but also includes the case where it is "electrically connected" do.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.It will be appreciated that throughout the specification it will be understood that when a member is located on another member "top", "top", "under", "bottom" But also the case where there is another member between the two members as well as the case where they are in contact with each other.
본원 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.Throughout this specification, when an element is referred to as "including " an element, it is understood that the element may include other elements as well, without departing from the other elements unless specifically stated otherwise.
본원은 예상 소용 비용 값 및 예측 정확도에 기초하여 최적화된 철도 사고 위험 예측 모형을 선택할 수 있는, 철도 사고 위험 예측 모형의 선택 방법에 관한 것이다. The present invention relates to a method for selecting a railway accident risk prediction model, which can select an optimized railway accident risk prediction model based on an expected cost value and a prediction accuracy.
도 1a는 본원의 일 실시예에 따른 제1철도 사고 위험 예측 모형의 예측 결과표의 예를 나타낸 도면이고, 도 1b는 본원의 일 실시예에 따른 제2철도 사고 위험 예측 모형의 예측 결과표의 예를 나타낸 도면이며, 도 2는 본원의 일 실시예에 따른 철도 사고 위험 예측 모형에 대한 비용 관계표의 예를 나타낸 도면이다. FIG. 1A is a diagram showing an example of a prediction result table of a first railway accident risk prediction model according to an embodiment of the present invention, FIG. 1B is an example of a prediction result table of a second railway accident risk prediction model according to an embodiment of the present invention And FIG. 2 is a view showing an example of a cost relationship table for a railway accident risk prediction model according to an embodiment of the present invention.
이하에서는 이들 도1a내지 도3을 참조하여, 본원의 일 실시예에 따른 철도 사고 위험 예측 모형의 선택 방법에 대해 보다 자세히 살펴보기로 한다. 이하에서 설명하는 철도 사고 위험 예측 모형의 선택 방법은 본원의 일 실시예에 따른 철도 사고 위험 예측 장치 또는 서버(미도시)에 의해 수행될 수 있다.Hereinafter, a method of selecting a railway accident risk prediction model according to an embodiment of the present invention will be described in detail with reference to FIGS. 1A to 3. The selection method of the railway accident risk prediction model described below may be performed by a railway accident risk prediction device or a server (not shown) according to an embodiment of the present invention.
본원의 일 실시예에 따른 철도 사고 위험 예측 모형의 선택 방법에 따르면 먼저, 복수의 예측 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우와 기준값의 미만인 경우로 구분할 수 있다. 여기서, 예측 철도 사고 위험 결과라는 것은 실제로 발생할 가능성이 있는 가상의 철도 사고의 경우를 의미할 수 있다. 또한, 상기 미리 설정된 기준값은 철도 사고가 발생했을 경우의 위험도, 수습 비용, 수습 기간 등을 고려하여 철도 사고 위험 예측 장치에 의하여 자동으로 설정될 수 있으며, 관리자에 의하여 설정될 수도 있다. 또한, 일정한 주기에 따라 변동될 수도 있다.According to the selection method of the railway accident risk prediction model according to an embodiment of the present invention, the plurality of predicted railway accident risk results can be classified into a case of exceeding a preset reference value and a case of being less than a reference value. Here, the predicted railway accident risk result may mean a case of a virtual railway accident that may actually occur. In addition, the predetermined reference value may be automatically set by a railway accident risk prediction device in consideration of a risk of a railway accident, a probation cost, a probation period, and may be set by a manager. It may also fluctuate according to a certain period.
또한, 복수의 실제 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우와 기준값의 미만인 경우로 구분할 수 있다. 여기서, 실제 철도 사고 위험 결과라는 것은 상기 예측 철도 사고 위험 결과 각각에 대응하고, 실제로 발생했던 철도 사고의 경우를 의미할 수 있다.It is also possible to distinguish between a case where the result of a plurality of actual railway accidents is greater than a predetermined reference value and a case where the result is less than a reference value. Here, the actual railway accident risk result may mean a case of a railway accident corresponding to each of the predicted railway accident risk results.
기준값을 기초로 복수의 예측 철도 사고 위험 결과 및 복수의 실제 철도 사고 위험 결과를 구분한 예측 결과표의 예는 도1a 및 도1b를 참조하여 보다 쉽게 이해될 수 있다. An example of a predicted result table dividing a plurality of predicted railway accident risk results and a plurality of actual railway accident risk results based on a reference value can be more easily understood with reference to FIGS. 1A and 1B.
예측 결과표는 복수의 예측 철도 사고 위험 결과 및 복수의 실제 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우와 기준값의 미만인 경우로 구분한 항목을 2차원 행렬로 생성한 것일 수 있다. The predicted result table may be a result of generating a plurality of predicted railway accident risk results and a plurality of actual railway accident risk results by using a two-dimensional matrix, which is divided into a case where the result is greater than a predetermined reference value and a case where the case is less than a reference value.
2차원 행렬을 생성하는 단계에서는 피벗(pivot) 기능을 통해 2차원 행렬이 생성될 수 있으며, 피벗 기능은 엑셀(MS Excel)의 피벗 또는 다차원 분석(On-Line Analytical Processing) 도구에서 제공하는 피벗 그리드 중 어느 하나가 이용될 수 있다.In the step of generating a two-dimensional matrix, a two-dimensional matrix can be generated through a pivot function, and the pivot function can be generated by a pivot grid of an Excel (MS Excel) or a pivot grid provided by an on- May be used.
예시적으로 복수의 예측 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우와 기준값의 미만인 경우로 구분하는 것은, 복수의 예측 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우 ‘위험’으로 구분 할 수 있다. 또한, 복수의 예측 철도 사고 위험 결과에 대해 미리 설정된 기준값의 미만인 경우는 ‘주의’로 구분할 수 있다.For example, the case where the predicted railway accident risk results are more than the preset reference value and the case where the predicted railway accident risk result is less than the reference value is classified as 'danger' when the predicted railway accident risk result is more than the predetermined reference value have. In addition, when a plurality of predicted railway accident risk results are less than a preset reference value, it can be classified into 'attention'.
한편, 복수의 예측 철도 사고 위험 결과에 각각 대응하는 복수의 실제 철도 사고 위험 결과에 대해 기준값의 이상인 경우와 기준값의 미만인 경우로 구분하는 것은, 복수의 실제 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우 ‘위험’으로 구분할 수 있다. 또한, 복수의 실제 철도 사고 위험 결과에 대해 미리 설정된 기준값의 미만인 경우는 ‘주의’로 구분할 수 있다. On the other hand, dividing the plurality of actual railway accident risk results corresponding to the plurality of predicted railway accident risk results into the case where the actual railway accident risk results are more than the reference value and the case where the actual railway accident risk results are less than the reference value, And 'danger' if it is. In addition, when the result of a plurality of actual railway accident risks is less than a preset reference value, it can be classified into 'attention'.
미리 설정된 기준값을 기초로 하여 예측 철도 사고 위험 결과 및 실제 철도 사고 위험 결과를 구분한 결과에 따라 예측 결과표를 구성할 수 있다. Based on the preset reference value, the prediction result table can be constructed according to the results of the predicted railway accident risk result and the actual railway accident risk result.
예측 결과표 구성 시, 예측 결과표의 2행2열의 결과는 예측 철도 사고 위험 결과가 미리 설정된 기준값의 미만인 경우로 분류된 ‘주의’와 실제 철도 사고 위험 결과가 미리 설정된 기준값의 미만인 경우로 분류된 ‘주의’에 대응하는 값이 표시될 수 있다. At the time of constructing the predicted result table, the results of
또한, 철도 사고 위험예측 결과표의 2행3열의 결과는 예측 철도 사고 위험 결과가 미리 설정된 기준값의 미만인 경우로 분류된 ‘주의’와 실제 철도 사고 위험 결과가 미리 설정된 기준값의 이상인 경우로 분류된 ‘위험’에 대응하는 값이 표시될 수 있다.In addition, the results of
또한, 철도 사고 위험예측 결과표의 3행2열의 결과는 예측 철도 사고 위험 결과가 미리 설정된 기준값의 이상인 경우로 분류된 ‘위험’과 실제 철도 사고 위험 결과가 미리 설정된 기준값의 미만인 경우로 분류된 ‘주의’에 대응하는 값이 표시될 수 있다.In addition, the results of row 3 and
또한, 철도 사고 위험예측 결과표의 3행3열의 결과는 예측 철도 사고 위험 결과가 미리 설정된 기준값의 이상인 경우로 분류된 ‘위험’과 실제 철도 사고 위험 결과가 미리 설정된 기준값의 이상인 경우로 분류된 ‘위험’에 대응하는 값이 표시될 수 있다.In addition, the results in row 3 and column 3 of the railway accident risk prediction result table show that the 'risk' classified as when the predicted railway accident risk result is above the preset reference value and the 'danger' classified as the actual railway accident risk result exceeds the preset reference value. Can be displayed.
철도 사고 위험 예측 결과표의 생성 예는 도1a및 도1b를 참조하여 보다 쉽게 이해될 수 있다. 도1a의 경우, 제1철도 사고 위험 예측 모형에 따른 철도 사고 위험 예측 결과표는 예측 철도 사고 위험 결과 및 예측 철도 사고 위험 결과에 각각 대응하는 복수의 실제 철도 사고 위험 결과를 제1기준값에 기초하여 생성될 수 있다. An example of the generation of a railway accident risk prediction result table can be more easily understood with reference to FIGS. 1A and 1B. In the case of FIG. 1A, the railway accident risk prediction result table according to the first railway accident risk prediction model generates a plurality of actual railway accident risk results respectively corresponding to the predicted railway accident risk result and the predicted railway accident risk result on the basis of the first reference value .
일예로, 도1a의 모형A(제1철도 사고 위험 예측 모형)를 참조하면, 총 800건의 예측 철도 사고 위험 결과 및 그에 대응하는 실제 철도 사고 위험 결과에 대해 미리 설정된 제1기준값 이상인 경우와 상기 제1기준값의 미만인 경우로 구분할 수 있다. 예를 들어, 예측 철도 사고 위험 결과가 제1기준값 미만인 경우인 ‘주의’로 분류된 건수가 444건, 예측 철도 사고 위험 결과가 제1기준값 이상인 경우인 ‘위험’으로 분류된 건수가 356건이다. 또한, 실제 철도 사고 위험 결과가 상기 제1기준값 미만인 경우인 ‘주의’로 분류된 건수가 400건, 실제 철도 사고 위험 결과가 제1기준값 이상인 경우인 ‘위험’으로 분류된 건수가 400건이다. 도 1a를 참조하면, 예측 철도 사고 위험 결과가 '주의'로 분류되었고 실제 철도 사고 위험 결과도 '주의'로 분류되어 양 결과가 일치한 경우가 343건이고, 예측 철도 사고 위험 결과가 '주의'로 분류되었으나 실제 철도 사고 위험 결과가 '위험'으로 분류된 경우가 101건이고, 예측 철도 사고 위험 결과가 '위험'으로 분류되었으나 실제 철도 사고 위험 결과가 '주의'로 분류된 경우가 57건이고, 예측 철도 사고 위험 결과가 '위험'으로 분류되었고 실제 철도 사고 위험 결과도 '위험'으로 분류되어 양 결과가 일치한 경우가 299건이다.For example, referring to the model A (first railway accident risk prediction model) in FIG. 1A, a total of 800 predicted railway accident risk results and corresponding actual railway accident risk results are compared with a predetermined first reference value or more, 1 < / RTI > reference value. For example, there are 444 cases classified as 'attention' when the predicted rail accident risk result is less than the first threshold value, and 356 cases classified as 'danger' when the predicted rail accident risk result is higher than the first threshold value . In addition, there are 400 cases classified as 'caution' when the actual railway accident risk result is less than the first reference value, and 400 cases classified as 'dangerous' when the actual railway accident risk result is more than the first reference value. Referring to FIG. 1A, the predicted railway accident risk results are classified as 'attention', and actual railway accident risk results are classified as 'attention' . However, the actual risk of railway accidents was classified as 'dangerous' in 101 cases and the predicted railway accident risk result was classified as 'dangerous'. However, actual railway accident risk results were classified as 'caution' in 57 cases , The predicted rail accident risk result is classified as 'danger' and the actual rail accident risk result is classified as 'danger'.
한편, 도1b의 경우, 제2철도 사고 위험 예측 모형에 따른 철도 사고 위험 예측 결과표는 예측 철도 사고 위험 결과 및 예측 철도 사고 위험 결과에 각각 대응하는 복수의 실제 철도 사고 위험 결과를 제2기준값에 기초하여 생성할 수 있다. 즉, 도1b는 도1a의 경우와 동일한 예측 철도 사고 위험 결과 및 복수의 실제 철도 사고 위험 결과에 대하여, 제1기준값과 다른 제2기준값을 적용하여 분류한 예측 결과표를 나타낸 것이다.In the case of FIG. 1B, the railway accident risk prediction result table according to the second railway accident risk prediction model includes a plurality of actual railway accident risk results respectively corresponding to the predicted railway accident risk result and the predicted railway accident risk result, . That is, FIG. 1B shows a prediction result table classified by applying a second reference value different from the first reference value to the predicted railway accident risk result and the plurality of actual railway accident risk results that are the same as in FIG. 1A.
이때, 도1b의 모형B(제2철도 사고 위험 예측 모형)를 참조하면, 철도 사고 위험 예측 결과표는 복수의 예측 철도 사고 위험 결과에 대해 제1기준값과 상이한 미리 설정된 제2기준값의 이상인 경우와 제2기준값의 미만인 경우로 구분할 수 있으며, 복수의 실제 철도 사고 위험 결과에 대해 제2기준값의 이상인 경우와 제2기준값의 미만인 경우로 구분할 수 있다. Here, referring to the model B (second railway accident risk prediction model) of FIG. 1B, the railway accident risk prediction result table may include a case where a plurality of predicted railway accident risk results are greater than a predetermined second reference value different from the first reference value, 2 and a case where a result of a plurality of actual railway accident risks is greater than a second reference value and a case where the second reference value is less than a second reference value.
예시적으로, 도1b를 참조하면, 총 800건의 예측 철도 사고 위험 결과 및 그에 대응하는 실제 철도 사고 위험 결과에 대해 미리 설정된 제2기준값 이상인 경우와 상기 제2기준값의 미만인 경우로 구분할 수 있다. 예를 들어, 예측 철도 사고 위험 결과가 제2기준값 미만인 경우인 ‘주의’로 분류된 건수가 306건, 예측 철도 사고 위험 결과가 제2기준값 이상인 경우인 ‘위험’으로 분류된 건수가 494건이다. 또한, 실제 철도 사고 위험 결과가 상기 제2기준값 미만인 경우인 ‘주의’로 분류된 건수가 400건, 실제 철도 사고 위험 결과가 제2기준값 이상인 경우인 ‘위험’으로 분류된 건수가 400건이다. 도 1b를 참조하면, 예측 철도 사고 위험 결과가 '주의'로 분류되었고 실제 철도 사고 위험 결과도 '주의'로 분류되어 양 결과가 일치한 경우가 238건이고, 예측 철도 사고 위험 결과가 '주의'로 분류되었으나 실제 철도 사고 위험 결과가 '위험'으로 분류된 경우가 68건이고, 예측 철도 사고 위험 결과가 '위험'으로 분류되었으나 실제 철도 사고 위험 결과가 '주의'로 분류된 경우가 162건이고, 예측 철도 사고 위험 결과가 '위험'으로 분류되었고 실제 철도 사고 위험 결과도 '위험'으로 분류되어 양 결과가 일치한 경우가 332건이다.For example, referring to FIG. 1B, a total of 800 predicted railway accident risk results and a corresponding actual railway accident risk result may be classified into a case where the result is greater than or equal to a second reference value that is set in advance, and a case where the result is less than the second reference value. For example, if the predicted rail accident risk result is less than the second reference value, 306 cases classified as 'attention' and 494 cases classified as 'danger' when the predicted rail accident risk result is equal to or higher than the second reference value . In addition, there are 400 cases classified as 'caution' when the actual railway accident risk result is less than the second reference value, and 400 cases classified as 'dangerous' when the actual railway accident risk result is more than the second reference value. Referring to FIG. 1B, the predicted railway accident risk results are classified as 'attention', and actual railway accident risk results are classified as 'attention' . However, there are 68 cases where the actual railway accident risk result is classified as 'dangerous' and 162 cases where the predicted railway accident risk result is classified as 'dangerous', but the actual railway accident risk result is classified as 'caution' , The predicted railway accident risk result was classified as 'danger' and the actual railway accident risk result was classified as 'dangerous'.
본원의 일 실시예에 따른 예상 소요 비용 값을 결정하는 단계는 도2를 참조하여 보다 쉽게 이해할 수 있다. The step of determining the expected cost value in accordance with one embodiment of the present disclosure may be more readily understood with reference to FIG.
복수의 예측 철도 사고 위험 결과의 구분 결과 및 복수의 실제 철도 사고 위험 결과의 구분 결과의 일치 여부에 따라 예상 소요 비용 값을 결정하기 위해서 비용 관계표가 생성될 수 있다. 비용 관계표는 예측 결과표에 대응하는 항목으로 표현되어야 하기 때문에 2차원 행렬로 생성된 것일 수 있다. A cost relationship table may be generated to determine the expected cost value according to the classification result of plural predicted railway accident risk results and the classification result of plural actual railway accident risk results. The cost relationship table may be generated as a two-dimensional matrix since it must be expressed as an item corresponding to the prediction result table.
예상 소요 비용 값을 결정하는 것은, 예측 철도 사고 위험 결과의 구분 결과 및 실제 철도 사고 위험 결과의 구분 결과가 일치하는 경우에는 비용 값을 0으로 결정할 수 있다.Determining the expected cost value can determine the cost value to be zero if the result of the classification of the predicted railway accident risk result and the classification result of the actual railway accident risk result are identical.
예시적으로, 도2를 참조하면 예측 철도 사고 위험 결과의 구분 결과가 ‘주의’이고 실제 철도 사고 위험 결과의 구분 결과가 ‘주의’로 양 결과가 일치하는 경우 비용 값을 0으로 산정할 수 있다. 또한, 예측 철도 사고 위험 결과의 구분 결과가 ‘위험’이고 실제 철도 사고 위험 결과의 구분 결과가 ‘위험’으로 양 결과가 일치하는 경우 비용 값을 0으로 산정할 수 있다. For example, referring to FIG. 2, a cost value can be calculated as 0 if the classification result of the predicted railway accident risk result is 'Caution' and the classification result of actual railway accident risk result is 'Caution' . In addition, the cost value can be calculated as 0 if the result of the predicted railway accident risk is 'dangerous' and the result of the actual railway accident risk is 'dangerous' and both results match.
예측 철도 사고 위험 결과의 구분 결과가 기준값의 미만이었으나 실제 철도 사고 위험 결과의 구분 결과가 기준값의 이상인 경우에는 비용 값을 제1비용으로 결정할 수 있다. If the result of the predicted rail accident risk result is less than the reference value but the result of the actual rail accident risk result is more than the reference value, the cost value can be determined as the first cost.
일예로, 도2를 참조하면, 예측 철도 사고 위험 결과의 구분 결과가 ‘주의’이고 실제 철도 사고 위험 결과의 구분 결과가 기준값의 이상인 ‘위험’인 경우, 비용 값을 제 1비용 값인 ‘-10’으로 산정할 수 있다.For example, referring to FIG. 2, if the classification result of the predicted railway accident risk result is 'Caution' and the classification result of the actual railway accident risk result is 'RISK' which is greater than the reference value, '.
예측 철도 사고 위험 결과의 구분 결과가 기준값의 이상이었으나 실제 철도 사고 위험 결과의 구분 결과가 기준값의 미만인 경우에는 비용 값을 제2비용으로 결정할 수 있다.If the result of the predicted rail accident risk result is more than the reference value but the result of the actual rail accident risk result is less than the reference value, the cost value can be determined as the second cost.
일예로, 도2를 참조하면, 예측 철도 사고 위험 결과의 구분 결과가 기준값의 이상인 경우 예를 들어’위험’이나 실제 철도 사고 위험 결과의 구분 결과가 기준값인 미만인 경우 ‘주의’인 경우 비용 값을 제2비용인 ‘-2’로 산정할 수 있다.For example, referring to FIG. 2, if the result of the predicted railway accident risk result is greater than the reference value, for example, if the result of the classification of the 'risk' or actual railway accident risk result is less than the reference value, And a second cost of '-2'.
이 때, 제1비용이 제2비용보다 큰 것일 수 있다. 제1비용이 제2비용보다 크게 산정된 것은 실제 철도 사고 위험 결과가 ‘위험’인데 예측 철도 사고 위험 결과가 ‘주의’로 예측한 경우에는 적정한 조치가 이루어지지 않아 실제 사고가 발생하여 막대한 비용이 발생할 수 있으므로 더 큰 비용을 산정하는 것일 수 있다. At this time, the first cost may be larger than the second cost. The reason why the first cost is larger than the second cost is that the actual railway accident risk result is 'dangerous'. If the predicted railway accident risk result is predicted as 'caution', proper measures are not taken, It may be that it costs more because it can occur.
상술한 예측 결과표에 비용 관계표를 적용하여 예상 소요 비용 값을 결정할 수 있다. 예를 들어, 예측 결과표와 비용 관계표의 서로 대응하는 부분의 수치를 곱하면, 예상 소요 비용 값을 결정 할 수 있다. 예상 소요 비용 값이란 실제 철도 사고가 발생했을 때 소요되는 비용에 대응하는 가상의 수치를 의미할 수 있다.The expected cost value can be determined by applying the cost relationship table to the prediction result table described above. For example, the expected cost value can be determined by multiplying the predicted result table by the numerical value of the corresponding portion of the cost relationship table. The expected cost value may mean a virtual number corresponding to the cost of an actual railway accident.
예시적으로, 도1a, 도1b 및 도2를 참조하면, 제1철도 사고 위험 예측 모형의 제1예상 소요 비용 값은, 도1a의 101과 도2의 -10을 곱한 값과 도1a의 57과 도2의 -2를 곱한 값을 더해 -1124로 계산될 수 있다. 또한, 제2철도 사고 위험 예측 모형의 제2예상 소요 비용 값은, 도1b의 68과 도2의 -10을 곱한 값과 도1b의 162과 도2의 -2를 곱한 값을 더해 -1004로 계산될 수 있다. 1A, 1B, and 2, the first expected cost value of the first railway accident risk prediction model is calculated by multiplying 101 in FIG. 1A by -10 in FIG. And the value obtained by multiplying -2 in FIG. 2 by -1124. The second estimated cost of the second railway accident risk prediction model is calculated by multiplying the value obtained by multiplying 68 in FIG. 1B by -10 in FIG. 2, multiplying 162 in FIG. 1B and -2 in FIG. Can be calculated.
복수의 예측 철도 사고 위험 결과의 구분 결과 및 복수의 실제 철도 사고 위험 결과의 구분 결과에 기초하여 철도 사고 위험 예측 모형의 예측 정확도가 계산될 수 있다. 예를 들어, 예측 정확도를 계산 하는 것은 예측 철도 사고 위험 결과와 실제 철도 사고 위험 결과가 일치하는 개수에 따라 산정될 수 있다. The prediction accuracy of the railway accident risk prediction model can be calculated based on the classification result of a plurality of predicted railway accident risk results and the classification result of a plurality of actual railway accident risk results. For example, calculating the prediction accuracy can be estimated based on the number of matches between predicted railway accident risk results and actual railway accident risk results.
일예로, 도1a의 제1철도 사고 위험 예측 모형의 예측 결과표를 참조하면, 복수의 예측 철도 사고 위험 결과를 ‘주의’로 예측한 것이 실제 철도 사고 위험 결과도 ‘주의’인 경우와, 복수의 예측 철도 사고 위험 결과를 ‘위험’으로 예측한 것이 실제 철도 사고 위험 결과도 ‘위험’인 결과가 642건이므로, 제1철도 사고 위험 예측 모형의 제1예측 정확도는 80.35%가 된다. For example, referring to the predicted result table of the first railway accident risk prediction model of FIG. 1A, it can be seen that the prediction of a plurality of predicted railway accident risk results as 'caution' The first prediction accuracy of the first railway accident risk prediction model is 80.35%, since 642 predicted railway accident risk results as 'danger' and actual railway accident risk 'risk' as well.
또한, 일예로, 도1b의 제2 철도 사고 위험 예측 모형의 예측 결과표를 참조하면, 복수의 예측 철도 사고 위험 결과를 ‘주의’로 예측한 것이 실제 철도 사고 위험 결과도 ‘주의’인 경우와, 복수의 예측 철도 사고 위험 결과를 ‘위험’으로 예측한 것이 실제 철도 사고 위험 결과도 ‘위험’인 결과가 일치하는 개수는 570건이므로, 철도 사고 위험 예측 제2 철도 사고 위험 예측 모형의 제2예측 정확도는 71.25%가 된다.For example, referring to the predicted result table of the second railway accident risk prediction model of FIG. 1B, it can be seen that the predicted results of a plurality of predicted railway accident risks as 'caution' The number of predicted railway accident risk results as 'risk' is 570, and the actual number of railway accident risk 'risk' is 570. Therefore, The accuracy is 71.25%.
도3은 본원의 일 실시예에 따른 모형별로 계산된 예측 정확도와 비용을 사용자가 이해하기 쉬운 형태로 정리한 관계표의 예를 나타낸 도면이다. FIG. 3 is a diagram illustrating an example of a relationship table in which prediction accuracy and cost calculated for each model according to an embodiment of the present invention are arranged in a form that the user can easily understand.
도3을 참조하면 예상 소요 비용 값 및 상기 예측 정확도에 기초하여 철도 사고 위험 예측 모형을 선택하는 단계를 보다 쉽게 이해할 수 있다. Referring to FIG. 3, the step of selecting a railway accident risk prediction model based on the expected cost value and the prediction accuracy can be more easily understood.
상술한 예상 소요 비용 값 및 예측 정확도에 기초하여 철도 사고 위험 예측 모형이 선택될 수 있다. 본원의 일 실시예에 따르면, 철도 사고 위험 예측 모형을 선택하는 것은 상기 제1예상 소요 비용 값, 상기 제2예상 소요 비용 값, 상기 제1예측 정확도 및 상기 제2예측 정확도에 기초하여 상기 제1철도 사고 위험 예측 모형 및 상기 제2철도 사고 위험 예측 모형 중 어느 하나를 선택할 수 있다.A railway accident risk prediction model can be selected based on the above-mentioned expected cost value and prediction accuracy. According to one embodiment of the present application, the selection of a railway accident risk prediction model may include selecting a railway accident risk prediction model based on the first expected cost value, the second expected cost value, the first prediction accuracy, The railway accident risk prediction model, and the second railway accident risk prediction model.
예를 들어, 제1예측 정확도 및 제2예측 정확도가 미리 설정된 기준치 이상인지 판단하고, 기준치의 이상인 예측 정확도를 가지는 철도 사고 위험 예측 모형 중 가장 낮은 예상 소요 비용 값을 가지는 철도 사고 위험 예측 모형을 선택할 수 있다. For example, it is determined whether the first prediction accuracy and the second prediction accuracy are equal to or greater than a preset reference value, and a railway accident risk prediction model having the lowest expected cost value among the railway accident risk prediction models having prediction accuracy higher than the reference value is selected .
철도 사고 위험 예측 모형을 선택하기 위한 미리 설정된 기준치를 70%라고 한다면, 제1철도 사고 위험 예측 모형의 제1예측 정확도가 80.25%이고, 제2 철도 사고 위험 예측 모형의 제2예측 정확도가 71.25%이므로, 두 위험 예측 모형 모두 기준치를 만족하는 대상이 되며, 이에 따라, 예상 소요 비용 값이 낮은 제2 철도 사고 위험 예측 모형이 선택될 수 있다. The first prediction accuracy of the first railway accident risk prediction model is 80.25% and the second prediction accuracy of the second railway accident risk prediction model is 71.25%, assuming that the preset reference value for selecting the railway accident risk prediction model is 70% Therefore, both of the two risk prediction models satisfy the criterion, and thus the second railway accident risk prediction model with a lower expected cost value can be selected.
또한, 기준치를 80%라고 한다면, 제1철도 사고 위험 예측 모형의 제1예측 정확도가 80.25%이므로, 제1철도 사고 위험 예측 모형만 해당 기준치를 만족하는 대상이 되므로, 비용에 관계없이 제1철도 사고 위험 예측 모형이 선택 될 수 있다. In addition, if the reference value is 80%, the first prediction accuracy of the first railway accident risk prediction model is 80.25%, so that only the first railway accident risk prediction model satisfies the corresponding standard value, An accident risk prediction model can be selected.
도 4는 본원의 일 실시예에 따른 철도 사고 위험 예측 모형을 선택하는 방법의 개략적인 전체 동작 흐름도이다.FIG. 4 is a schematic overall operation flowchart of a method for selecting a railway accident risk prediction model according to an embodiment of the present invention.
도4를 참조하면, 단계 S110에서는 복수의 예측 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우와 기준값의 미만인 경우로 구분할 수 있다. 구분할 때는 특정 표시를 부여하여 구체화 할 수 있다. 예시적으로 기준값의 이상인 경우에는 ‘위험’ 표시를, 기준값의 미만인 경우에는 ‘주의’로 표시한다. Referring to FIG. 4, in step S110, a plurality of predicted railway accident risk results can be classified into a case of exceeding a preset reference value and a case of less than a reference value. When distinguishing, it is possible to specify by specifying a specific mark. For example, if the value is greater than the reference value, the 'danger' indication is displayed. If the reference value is less than the reference value, the warning is displayed.
다음으로, 단계S120에서는 기준값을 기초로하여 예측 결과를 구분한 것과 마찬가지로, 상기 복수의 예측 철도 사고 위험 결과에 각각 대응하는 실제 철도 사고 위험 결과에 대해 기준값의 이상인 경우와 기준값의 미만인 경우로 구분할 수 있다. 이때, 구분할 때는 예측 철도 사고 위험 결과와 같은 특정 표시를 부여하여 구체화 할 수 있다. Next, in step S120, as in the case where the predicted results are classified based on the reference value, the actual railway accident risk result corresponding to each of the plurality of predicted railway accident risk results can be classified into a case where the result is greater than a reference value, have. At this time, the distinction can be specified by giving a specific indication such as the predicted railway accident risk result.
철도 사고 위험 예측 모형이 복수일 경우, 기준값을 달리하여 위와 같은 방식으로 다수의 모형을 생성할 수 있다. If there are multiple railway accident risk prediction models, multiple models can be created in the same way with different reference values.
다음으로 단계 S130에서, 복수의 예측 철도 사고 위험 결과의 구분 결과 및 복수의 실제 철도 사고 위험 결과의 구분 결과의 일치 여부에 따라 예상 소요 비용 값이 결정될 수 있다.Next, in step S130, the expected cost value can be determined according to the classification results of the plurality of predicted railway accident risk results and the classification results of the plurality of actual railway accident risk results.
단계 S130에서는 예측 철도 사고 위험 결과의 구분 결과 및 실제 철도 사고 위험 결과의 구분 결과가 일치하는 경우에는 비용 값을 0으로 결정할 수 있다. 한편, 예측 철도 사고 위험 결과의 구분 결과가 기준값의 미만이었으나 실제 철도 사고 위험 결과의 구분 결과가 기준값의 이상인 경우에는 비용 값을 제1비용으로 결정할 수 있다. 또한, 예측 철도 사고 위험 결과의 구분 결과가 기준값의 이상이었으나 상기 실제 철도 사고 위험 결과의 구분 결과가 기준값의 미만인 경우에는 비용 값을 제2비용으로 결정할 수 있다. 이때, 제1비용이 제2비용보다 클 수 있다. In step S130, the cost value may be set to 0 if the classification result of the predicted railway accident risk result and the classification result of the actual railway accident risk result coincide with each other. On the other hand, if the classification result of the predicted railway accident risk result is less than the reference value but the result of the actual railway accident risk result is more than the reference value, the cost value can be determined as the first cost. In addition, if the result of the predicted railway accident risk result is greater than the reference value but the result of the actual railway accident risk result is less than the reference value, the cost value can be determined as the second cost. At this time, the first cost may be larger than the second cost.
다음으로 단계 S140에서는 복수의 예측 철도 사고 위험 결과의 구분 결과 및 복수의 실제 철도 사고 위험 결과의 구분 결과에 기초하여 철도 사고 위험 예측 모형의 예측 정확도를 계산 할 수 있다. Next, in step S140, the prediction accuracy of the railway accident risk prediction model can be calculated based on the classification result of a plurality of predicted railway accident risk results and the classification result of a plurality of actual railway accident risk results.
다음으로 단계 S150에서, 상기 단계 S130에서 산출된 예상 소요 비용 값 및 상기 단계 S140에서 계산된 예측 정확도에 기초하여 철도 사고 위험 예측 모형이 선택될 수 있다.Next, in step S150, a railway accident risk prediction model may be selected based on the estimated cost value calculated in step S130 and the prediction accuracy calculated in step S140.
단계 S150에서는 단계S140의 철도 사고 위험 예측 모형의 예측 정확도를 미리 설정된 기준치 이상인지 판단하고, 기준치의 이상인 예측 정확도를 가지는 철도 사고 위험 예측 모형 중 단계S130에서 생성된 예상 소요 비용이 가장 낮은 철도 사고 위험 예측 모형을 선택 할 수 있다. In step S150, it is determined whether the prediction accuracy of the railway accident risk prediction model in step S140 is equal to or greater than a preset reference value. Among the railway accident risk prediction models having a prediction accuracy higher than the reference value, the railroad accident risk A prediction model can be selected.
상술한 설명에서, 각 단계들은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.In the above description, each step may be further divided into further steps, or combined in fewer steps, according to embodiments of the present disclosure. Also, some of the steps may be omitted as necessary, and the order between the steps may be changed.
본원의 일 실시 예에 따른 철도 사고 위험을 예측하는 모형을 선택하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method of selecting a model for predicting a railway accident risk according to an embodiment of the present invention may be implemented in a form of a program command that can be executed through various computer means and recorded in a computer readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be those specially designed and constructed for the present invention or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.It will be understood by those of ordinary skill in the art that the foregoing description of the embodiments is for illustrative purposes and that those skilled in the art can easily modify the invention without departing from the spirit or essential characteristics thereof. It is therefore to be understood that the above-described embodiments are illustrative in all aspects and not restrictive. For example, each component described as a single entity may be distributed and implemented, and components described as being distributed may also be implemented in a combined form.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is defined by the appended claims rather than the detailed description, and all changes or modifications derived from the meaning and scope of the claims and their equivalents should be interpreted as being included in the scope of the present invention.
Claims (5)
복수의 예측 철도 사고 위험 결과에 대해 미리 설정된 기준값의 이상인 경우와 상기 기준값의 미만인 경우로 구분하는 단계;
상기 복수의 예측 철도 사고 위험 결과에 각각 대응하는 복수의 실제 철도 사고 위험 결과에 대해 상기 기준값의 이상인 경우와 상기 기준값의 미만인 경우로 구분하는 단계;
상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과의 일치 여부에 따라 예상 소요 비용 값을 결정하는 단계;
상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과에 기초하여 철도 사고 위험 예측 모형의 예측 정확도를 계산하는 단계; 및
상기 예상 소요 비용 값 및 상기 예측 정확도에 기초하여 철도 사고 위험 예측 모형을 선택하는 단계,
를 포함하는 철도 사고 위험 예측 모형의 선택 방법.A method for selecting a model for predicting a railway accident risk,
Dividing a plurality of predicted railway accident risk results into a case of exceeding a preset reference value and a case of less than the reference value;
Dividing the plurality of actual railway accident risk results corresponding to the plurality of predicted railway accident risk results into a case where the actual railway accident risk result is less than the reference value and a case where the actual railway accident risk result is less than the reference value;
Determining a predicted cost value according to a result of the classification of the plurality of predicted railway accident risk results and a classification result of the plurality of actual railway accident risk results;
Calculating a prediction accuracy of the railway accident risk prediction model based on the classification result of the plurality of predicted railway accident risk results and the classification result of the plurality of actual railway accident risk results; And
Selecting a railway accident risk prediction model based on the expected cost value and the prediction accuracy,
A Study on the Selection Method of Railway Accident Risk Forecasting Model.
상기 예상 소요 비용 값을 결정하는 단계는,
상기 예측 철도 사고 위험 결과의 구분 결과 및 상기 실제 철도 사고 위험 결과의 구분 결과가 일치하는 경우에는 비용 값을 0으로 결정하고,
상기 예측 철도 사고 위험 결과의 구분 결과가 상기 기준값의 미만이었으나 상기 실제 철도 사고 위험 결과의 구분 결과가 상기 기준값의 이상인 경우에는 비용 값을 제1비용으로 결정하고,
상기 예측 철도 사고 위험 결과의 구분 결과가 상기 기준값의 이상이었으나 상기 실제 철도 사고 위험 결과의 구분 결과가 상기 기준값의 미만인 경우에는 비용 값을 제2비용으로 결정하는 것인, 철도 사고 위험 예측 모형의 선택 방법.The method according to claim 1,
Wherein the determining the expected cost value comprises:
The cost value is determined as 0 when the classification result of the predicted railway accident risk result and the classification result of the actual railway accident risk result coincide with each other,
The cost value is determined as the first cost when the classification result of the predicted railway accident risk result is less than the reference value but the classification result of the actual railway accident risk result is more than the reference value,
And selecting a cost value as a second cost when the classification result of the predicted railway accident risk result is greater than the reference value but the classification result of the actual railway accident risk result is less than the reference value Way.
상기 제1비용이 상기 제2비용보다 큰 것인, 철도 사고 위험 예측 모형의 선택 방법.3. The method of claim 2,
Wherein the first cost is greater than the second cost.
상기 제1항의 기준값은 제1기준값이고, 상기 제1항의 예상 소요 비용 값은 제1예상 소요 비용 값이고, 상기 제1항의 예측 정확도는 제1예측 정확도이고, 상기 제1항의 철도 사고 위험 예측 모형은 제1철도 사고 위험 예측 모형이고,
상기 복수의 예측 철도 사고 위험 결과에 대해 상기 제1기준값과 상이한 미리 설정된 제2기준값의 이상인 경우와 상기 제2기준값의 미만인 경우로 구분하는 단계;
상기 복수의 실제 철도 사고 위험 결과에 대해 상기 제2기준값의 이상인 경우와 상기 제2기준값의 미만인 경우로 구분하는 단계;
상기 제2기준값을 기준으로 분류된 상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과의 일치 여부에 따라 제2예상 소요 비용 값을 결정하는 단계; 및
상기 제2기준값을 기준으로 분류된 상기 복수의 예측 철도 사고 위험 결과의 구분 결과 및 상기 복수의 실제 철도 사고 위험 결과의 구분 결과에 기초하여 제2철도 사고 위험 예측 모형의 제2예측 정확도를 계산하는 단계,
를 더 포함하고,
상기 예상 소요 비용 값 및 상기 예측 정확도에 기초하여 철도 사고 위험 예측 모형을 선택하는 단계는 상기 제1예상 소요 비용 값, 상기 제2예상 소요 비용 값, 상기 제1예측 정확도 및 상기 제2예측 정확도에 기초하여 상기 제1철도 사고 위험 예측 모형 및 상기 제2철도 사고 위험 예측 모형 중 어느 하나를 선택하는 것인, 철도 사고 위험 예측 모형의 선택 방법.The method of claim 3,
Wherein the reference value of the first term is a first reference value, the expected cost value of the first term is a first estimated cost value, the prediction accuracy of the first term is a first prediction accuracy, Is the first railway accident risk prediction model,
Dividing the plurality of predicted railway accident risk results into a case where the result is greater than a predetermined second reference value different from the first reference value and a case where the result is less than the second reference value;
Dividing the plurality of actual railway accident risk results into a case of exceeding the second reference value and a case of less than the second reference value;
Determining a second expected cost value according to a result of classification of the plurality of predicted railway accident risk results classified on the basis of the second reference value and a classification result of the plurality of actual railway accident risk results; And
Calculating a second prediction accuracy of the second railway accident risk prediction model based on the classification results of the plurality of predicted railway accident risk results classified on the basis of the second reference value and the classification results of the plurality of actual railway accident risk results step,
Further comprising:
Wherein the step of selecting a railway accident risk prediction model based on the expected cost value and the prediction accuracy comprises the step of calculating the first expected cost value, the second expected cost value, the first prediction accuracy and the second prediction accuracy Selecting one of the first railway accident risk prediction model and the second railway accident risk prediction model based on the railway accident risk prediction model.
철도 사고 위험 예측 모형을 선택하는 단계는,
상기 제1예측 정확도 및 상기 제2예측 정확도가 미리 설정된 기준치 이상인지 판단하고,
상기 기준치의 이상인 예측 정확도를 가지는 철도 사고 위험 예측 모형 중 가장 낮은 예상 소요 비용 값을 가지는 철도 사고 위험 예측 모형을 선택하는 것인, 철도 사고 위험 예측 모형의 선택 방법.5. The method of claim 4,
The step of selecting a railway accident risk prediction model comprises:
Determining whether the first prediction accuracy and the second prediction accuracy are equal to or greater than preset reference values,
And selecting a railway accident risk prediction model having the lowest expected cost value among the railway accident risk prediction models having a prediction accuracy higher than the reference value.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170013714A KR101928805B1 (en) | 2017-01-31 | 2017-01-31 | Selection method of railway accident risk prediction model considering accident response cost |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170013714A KR101928805B1 (en) | 2017-01-31 | 2017-01-31 | Selection method of railway accident risk prediction model considering accident response cost |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180089080A true KR20180089080A (en) | 2018-08-08 |
| KR101928805B1 KR101928805B1 (en) | 2018-12-13 |
Family
ID=63230024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170013714A KR101928805B1 (en) | 2017-01-31 | 2017-01-31 | Selection method of railway accident risk prediction model considering accident response cost |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101928805B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598929A (en) * | 2018-11-26 | 2019-04-09 | 北京交通大学 | A kind of multi-class the number of traffic accidents prediction technique |
| KR102042645B1 (en) * | 2018-12-21 | 2019-11-27 | (주)위세아이텍 | Apparatus and method for predicting line risk using compound model |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4699344B2 (en) * | 2005-12-07 | 2011-06-08 | 三菱重工業株式会社 | Equipment maintenance planning method for plant equipment |
| JP6505974B2 (en) | 2014-03-14 | 2019-04-24 | 株式会社野村総合研究所 | Office Risk Management System and Office Risk Management Program |
-
2017
- 2017-01-31 KR KR1020170013714A patent/KR101928805B1/en active IP Right Grant
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598929A (en) * | 2018-11-26 | 2019-04-09 | 北京交通大学 | A kind of multi-class the number of traffic accidents prediction technique |
| CN109598929B (en) * | 2018-11-26 | 2020-06-16 | 北京交通大学 | Multi-class traffic accident starting number prediction method |
| KR102042645B1 (en) * | 2018-12-21 | 2019-11-27 | (주)위세아이텍 | Apparatus and method for predicting line risk using compound model |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101928805B1 (en) | 2018-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kamrani et al. | Can data generated by connected vehicles enhance safety?: Proactive approach to intersection safety management | |
| Fang et al. | A proposed pedestrian waiting-time model for improving space–time use efficiency in stadium evacuation scenarios | |
| JP6872331B2 (en) | Evaluation system and evaluation method | |
| KR101982753B1 (en) | Apparatus and method for predicting degree of risk of train accident | |
| Sarvi | Heavy commercial vehicles‐following behavior and interactions with different vehicle classes | |
| Ghazel | Using stochastic Petri nets for level-crossing collision risk assessment | |
| CN112572424B (en) | Vehicle control method, device, equipment and medium based on obstacle recognition | |
| KR101928805B1 (en) | Selection method of railway accident risk prediction model considering accident response cost | |
| JP2012141770A (en) | Driving support device and program | |
| Merchán et al. | An empirical validation and data‐driven extension of continuum approximation approaches for urban route distances | |
| Chia et al. | Risk assessment methodologies for autonomous driving: A survey | |
| Chai et al. | Comparison of two simulation approaches to safety assessment: cellular automata and SSAM | |
| Singh et al. | Surrogate safety evaluation at uncontrolled intersection in non-Lane base traffic conditions | |
| Tang et al. | Design of intergreen times based on safety reliability | |
| Park et al. | Design and predeployment assessment of an integrated intersection dilemma zone protection system | |
| CN111951544A (en) | Method and device for determining monitoring point | |
| Zhou et al. | Modeling and simulation of train movements under scheduling and control for a fixed-block railway network using cellular automata | |
| Fan | Hybrid spatial data mining methods for site selection of emergency response centers | |
| Chu et al. | Discrete choice models for gap acceptance at urban expressway merge sections considering safety, road geometry, and traffic conditions | |
| KR102342929B1 (en) | Device and method for analyzing accident vulnerability area by analyzing accident occurrence pattern | |
| Yanagihara et al. | Latent class analysis for driving behavior on merging section | |
| KR20210070210A (en) | Apparatus and method for predicting risk level based on moving pathe | |
| JPWO2017056528A1 (en) | Congestion prediction system and congestion prediction method | |
| KR20210054724A (en) | Road traffic site environment integrated control device | |
| KR102029236B1 (en) | Method for forecasting of promising patents and apparatus thereof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |