KR20210000510A - 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체 - Google Patents

전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체 Download PDF

Info

Publication number
KR20210000510A
KR20210000510A KR1020190075738A KR20190075738A KR20210000510A KR 20210000510 A KR20210000510 A KR 20210000510A KR 1020190075738 A KR1020190075738 A KR 1020190075738A KR 20190075738 A KR20190075738 A KR 20190075738A KR 20210000510 A KR20210000510 A KR 20210000510A
Authority
KR
South Korea
Prior art keywords
information
data
electric fire
accident
fire
Prior art date
Application number
KR1020190075738A
Other languages
English (en)
Other versions
KR102265733B1 (ko
Inventor
황동현
고경석
Original Assignee
주식회사 업데이터
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 업데이터 filed Critical 주식회사 업데이터
Priority to KR1020190075738A priority Critical patent/KR102265733B1/ko
Publication of KR20210000510A publication Critical patent/KR20210000510A/ko
Application granted granted Critical
Publication of KR102265733B1 publication Critical patent/KR102265733B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

머신 러닝을 이용하여 데이터 학습이 가능한 전기 화재 예측 장치에 의해 수행되는 전기 화재 예측 방법에 있어서, 전기 화재 예측 장치는 일반 속성 정보 및 공간 정보를 수집하고, 전기 화재 예측 장치는 일반 속성 정보와 공간 정보를 지오 코딩하여 융합 데이터를 생성하고, 융합 데이터 중에서 일부를 제 1 데이터 그룹으로 지정하고, 나머지를 제 2 데이터 그룹으로 지정하며, 전기 화재 예측 장치는 제 1 데이터 그룹을 랜덤 포리스트 알고리즘을 이용하여 학습하고, 평균 절대 오차와 상관 계수를 산출하며, 전기 화재 예측 장치는 제 2 데이터 그룹을 이용하여 화재 발생 가능성을 예측하는 전기 화재 예측 방법을 개시하고 있다.

Description

전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체{DEVICE AND METHOD FOR PREDICTING ELECTRICAL FIRE AND RECORDING MEDIUM FOR PERFORMING THE METHOD}
본 발명은 전기 화재 예측 장치 및 방법, 그 방법을 이용한 기록 매체 에 관한 것으로서, 더욱 상세하게는 머신 러닝에 따른 데이터 학습으로 전기에 의한 화재 가능성을 예측하는 전기 화재 예측 장치 및 방법, 그 방법을 이용한 기록 매체에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다
재난안전에 대한 정부의 정책적 관심이 증대함으로 인하여 정부 주도 하에 재난안전 관련 다양한 사업들이 추진되기 시작했다. 국립안전재난연구원은 국민안전과 예방을 위해 국가가 보유한 필수적인 안전정보를 활용하여 생활안전지도를 구축하고, 이에 대한 대국민 서비스를 지속적으로 추진 중에 있으며, 행정 안전부는 안전지수를 산출·공개함으로써 지자체별 안전수준을 확인하고 다양한 사업과 투자를 확대해 나갈 수 있는 정책을 지원하고 있다.
또한, 행정 안전부는 전자정부지원사업을 통해 2017년부터 이미 시범 서비스 중인 서민 생활 안전 강화 사업에 대해서 전국적인 서비스로 실시할 계획을 추진하고 있다.
이와 같이 다양한 재난안전의 정부 주도적 사 업 추진 정책이 활발하게 이루어지면서 자연스럽게 재난 안전에 대한 대국민적 관심과 새로운 기술의 니즈 역시 계속 증가했다.
재해·재난 분야의 경우, 시간이 지날수록 종류가 다양화되고, 규모가 커지면서 이에 대 한 사전예측과 분석을 통해 안전을 담보 할 수 있는 데이터 기반 전략기획이 필요하게 되었다. 이는 곧 기존 의 방어적 대응에서 벗어나 데이터마이닝 등 데이터 기반의 기획·검증 가능한 기술을 도입한 선제적 대응을 할 수 있는 기반의 필요를 의미한다.
그 동안 정부는 매년 전기재해에 대한 사고유형 및 분석, 점검 등 전기재난 안전사고를 낮추기 위한 정책 등 급증하는 전기재해를 줄이기 위해 다양한 노력을 하였으나, 효율적인 의사결정지원 체계 및 기존 누적 데이터 활용방안의 미비로 효과적인 대처방안이 부재한 현황이다.
전기재해와 같이 특수성을 가진 재난 사고를 예방하기 위해서는 기존의 방대한 데이터 분석을 통한 데이터 기반 맞춤형 지원체계 및 대응체계가 필요하다.
이에 따라 인명 및 재산 피해가 급증하는 전기재해에 대응해 대국민 안전강화 및 재해 예방 사업추진 효율 성을 제고할 수 있는 빅데이터 기반의 의사결정지원 체계가 촉구되었고, 데이터 기반 데이터마이닝 기술을 활용하여 전기안전 사고 예측을 통해 선제적 대응체계에 대한 필요성이 끊임없이 제기되고 있는 실정이다.
본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 일 측면에 의하면, 반복적으로 발생하는 사고 유형과 사고위험도를 기계학습을 통해 예측 및 검증함으로써 전기적 화재사고를 줄이는 전기 화재 예측 장치 및 방법, 그 방법을 이용한 기록 매체를 제공하는 것이다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
머신 러닝을 이용하여 데이터 학습이 가능한 전기 화재 예측 장치에 의해 수행되는 전기 화재 예측 장치에 있어서, 일반 속성 정보 및 공간 정보를 수집하는 정보 수집부; 전기 화재 예측 장치는 일반 속성 정보와 공간 정보를 건물 단위로 지오 코딩(geo coding)하여 융합 데이터를 생성하고, 융합 데이터 중에서 랜덤 방식으로 선택된 일부를 제 1 데이터 그룹으로 지정하고, 선택되지 않은 나머지를 제 2 데이터 그룹으로 지정하는 정보 관리부; 전기 화재 예측 장치는 제 1 데이터 그룹을 랜덤 포리스트(random forest) 알고리즘을 이용하여 학습하고, 평균 절대 오차(MAE, Mean Absolute Error)와 상관 계수(correlation coefficient)를 산출하는 분석부; 전기 화재 예측 장치는 제 2 데이터 그룹을 이용하여 화재 발생 가능성을 예측하고, 상기 화재 발생 가능성을 이용하여 안전, 관심, 주의, 경계, 위험으로 등급을 분류하는 예측부;를 포함할 수 있다.
본 발명의 일 실시예에 따른, 머신 러닝을 이용하여 데이터 학습이 가능한 전기 화재 예측 장치에 의해 수행되는 전기 화재 예측 방법에 있어서, 전기 화재 예측 장치는 일반 속성 정보 및 공간 정보를 수집하는 단계; 전기 화재 예측 장치는 일반 속성 정보와 공간 정보를 건물 단위로 지오 코딩(geo coding)하여 융합 데이터를 생성하고, 융합 데이터 중에서 랜덤 방식으로 선택된 일부를 제 1 데이터 그룹으로 지정하고, 선택되지 않은 나머지를 제 2 데이터 그룹으로 지정하는 단계; 전기 화재 예측 장치는 제 1 데이터 그룹을 랜덤 포리스트(random forest) 알고리즘을 이용하여 학습하고, 평균 절대 오차(MAE, Mean Absolute Error)와 상관 계수(correlation coefficient)를 산출하는 단계; 및 전기 화재 예측 장치는 제 2 데이터 그룹을 이용하여 화재 발생 가능성을 예측하고, 상기 화재 발생 가능성을 이용하여 안전, 관심, 주의, 경계, 위험으로 등급을 분류하는 단계;를 포함할 수 있다.
일 실시예에서, 일반 속성 정보는, 고객 정보(Customer information), 전기 안전 점검 정보(Electrical safety check), 건물 정보(Building information), 건물 지리 정보(total building GIS), 119 화재 사고 데이터 정보(119 fire accident data), 기후 정보(Weather data), 행정 구역 정보(Administrative district) 및 인구 통계 정보(Emographics) 중 적어도 하나의 정보를 포함할 수 있다.
일 실시예에서, 공간 정보는, 지리적인 위치 및 위상 관계를 좌표값을 기준으로 점, 선, 면으로 나타내는 도형정보와 공간상의 사물에 대한 특징을 문자 및 숫자로 나타내는 속성 정보일 수 있다.
일 실시예에서, 평균 절대 오차(MAE, Mean Absolute Error)는, 아래 수학식에 따라 산출할 수 있다.
Figure pat00001
여기서,
Figure pat00002
는 실제 사고유무 값이고,
Figure pat00003
은 예측된 사고유무 값이며, N은 전체 레코드 수를 나타낸다.
일 실시예에서, 상관 계수(correlation coefficient)는, 아래 수학식에 따라 산출할 수 있다.
Figure pat00004
여기서, r은 실제사고와 예측사고와의 유사도 가중치이고, xi는 실제 사고유무를 나타내고, yi는 예측된 사고유무를 나타낸다.
일 실시예에서, 주요 예측변수에 따라 등급을 나누고, 각 등급에 따라 색상을 부여하여 시각화하는 단계;를 더 포함할 수 있다.
일 실시예에서, 주요 예측변수는, 풍속(wind speed), 습도(humidity), 건축물 노후 년수(building deterioration), 건폐율(building to land ratio), 총 바닥 면적(total floor area), 용적율(floor area ratio), 건축물 용도(purpose of building), 건축물 구조(building structure)일 수 있다.
본 발명의 실시 예에 따른, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체에는 전기 화재 예측 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
상술한 본 발명의 일 측면에 따르면, 본 발명의 전기 화재 예측 장치 및 방법, 그 방법을 이용한 기록 매체에 의해 제공되는 효과는 반복적으로 발생하는 사고 유형과 사고위험도를 기계학습을 통해 예측 및 검증할 수 있는 유리한 효과가 있다.
본 발명의 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 전기 화재 예측 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 일반 속성 정보를 나타내는 도면이다.
도 3은 본 발명의 일 실시예에 따른 지오 코딩(geo coding)하여 생성된 융합 데이터를 나타내는 예시도이다.
도 4a는 본 발명의 일 실시예에 따른 전기 화재 예측 결과를 나타내는 도면이다.
도 4b는 본 발명의 일 실시예에 따른 전기 화재 예측 결과를 나타내는 도면에 대응하여 실제 사고 지점을 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 전기 화재 예측 결과를 등급에 따라 분류한 결과를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 전기 화재 예측 방법의 순서도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 전기 화재 예측 장치의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 전기 화재 예측 장치(10)는 정보 수집부(100), 정보 관리부(200), 분석부(300), 예측부(400) 및 시각화부(500)를 포함할 수 있다.
전기 화재 예측 장치(10)는 도 1에 도시된 구성요소보다 많은 구성요소에 의해 구현될 수 있고, 그보다 적은 구성요소에 의해 구현될 수 있다. 또는, 전기 화재 예측 장치(10)는 정보 수집부(100), 정보 관리부(200), 분석부(300), 예측부(400) 및 시각화부(500)를 중 적어도 두 개의 구성요소가 하나의 구성요소로 통합되어 하나의 구성요소가 복합적인 기능을 수행할 수 있다.
정보 수집부(100)는 종래에 존재하는 건물, 전기 및 주변 정보와 관련된 데이터를 포함하는 데이터 베이스로부터 정보를 수집할 수 있다.
특히, 한국전기안전공사, 국토교통부, 행정 안전부, 통계청 및 기상청의 데이터 베이스로부터 데이터를 수집할 수 있다.
한국전기안전공사의 데이터 베이스에서는 고객마스터 테이블, 점검결과 일 마감 테이블을 수집할 수 있고, 국토교통부의 데이터 베이스에서는 건축허가대장 정보, 건물 동 별 개요 정보, 건축허가대장 진행상황 정보를 수집할 수 있다.
또한, 행정 안전부의 데이터 베이스에서는 전기화재 현황 정보를, 통계청의 데이터 베이스에서는 행정 동 경계 정보, 인구통계 정보, 기상청의 데이터 베이스에서는 날씨정보 등 각각의 기관에서 필요한 데이터를 수집할 수 있다.
특히, 한국전기안전공사의 데이터 베이스를 통해 확보한 전기안전 점검결과 정보, 일 마감·고객 마스터 정보 및 행정 안전부에서 매년 파악하는 전기화재 현황 정보가 기본 데이터로 활용된다.
도 2는 본 발명의 일 실시예에 따른 일반 속성 정보를 나타내는 도면이다.
도 2를 참조하면, 앞서 수집한 정보 들에서 데이터(data)와 각 데이터 필드(data field)를 알 수 있다.
수집 대상이 되는 일반 속정 정보는 고객 정보(Customer information), 전기 안전 점검 정보(Electrical safety check), 건물 정보(Building information), 건물 지리 정보(total building GIS), 119 화재 사고 데이터 정보(119 fire accident data), 기후 정보(Weather data), 행정 구역 정보(Administrative district) 및 인구 통계 정보(Emographics)가 있다.
고객 정보(Customer information)에는 공급 일자(supply date), 사용 여부(use_YN) 등의 데이터를 포함할 수 있고, 전기 안전 점검 정보(Electrical safety check)에는 고객 번호(customer no.), 진단 결과(check result), 안전 등급(grade)등을 포함할 수 있다.
건물 정보(Building information)에는 사용 연한(usage), 구조(structure), 완공 일자(completion date), 건폐율(coverage ratio), 용적율(floor area ratio)등을 포함할 수 있으며, 건물 지리 정보(total building GIS)에는 건물 위치(position), 우편 번호(code), 면적(area) 등의 정보를 포함할 수 있다.
119 화재 사고 데이터 정보(119 fire accident data)에는 화제 종류(kind), 발생 원인(causes), 위치(location), 면적(area) 등의 정보를 포함할 수 있고, 기후 정보(Weather data)에는 강수량(precipitation), 습도(humidity), 온도(temperature), 풍속(wind speed) 등을 포함할 수 있다.
행정 구역 정보(Administrative district)에는 행정 구역 정보(administrative borders) 정보를 포함할 수 있고, 인구 통계 정보(Emographics)에는 나이(age), 성별지역(region)에 대한 정보 등을 포함할 수 있다.
또한, 수집 대상이 되는 공간 정보는 지리적인 위치 및 위상 관계를 나타내는 도형정보와 공간상의 사물에 대한 특징을 나타내는 속성 정보를 의미한다.
도형정보는 지도학상의 좌표체계에 따라 좌표값을 기준으로 점, 선, 면 등의 형태로 표현되고, 속성정보는 아라비아 숫자나 텍스트 기호 등으로 표현된다.
특히, 공간 정보를 입력할 때는 정보의 형상을 입력해야 하며 그 표현방법으로 실 세계를 기하학적 형태로 나타내는 벡터 데이터(Vector data)와 연속성 있는 지리 정보를 나타내는 래스터 데이터(Raster data)의 형태로 나타낼 수 있다. 이 때, 공간 정보의 가장 큰 특징은 도형정보와 속성정보가 1:1로 연결되어 관리된다는 것이다.
정보 관리부(200)는 일반 속성 정보와 공간 정보를 지오 코딩(geo coding)하여 건물 단위로 융합 데이터를 생성할 수 있다.
수집된 일반 속성 정보는 공간 정보와 매칭시키기 위해 지오 코딩(geo coding)과정을 거쳐서 모두 공간 정보로 변환할 수 있다.
일반 속성 정보로부터 변환된 공간 정보는 기존의 공간 정보와 공간 조인 과정을 거쳐서 모든 수집된 데이터를 건물 단위로 융합할 수 있다.
도 3은 본 발명의 일 실시예에 따른 지오 코딩(geo-coding)하여 생성된 융합 데이터를 나타내는 예시도이다.
도 3을 참조하면, 건물(Building) 단위로 융합된 데이터에는 건물 지리 정보(Building GIS), 전기 안전 점검 정보(Electrical safety check), 건물 완공(Completion date), 화재 사고 원인(Fire accident causes), 건물 위치(Building location), 건물 용도(Building Usage), 화재 사고 위치(Fire accident location), 화재 사고 종류(Fire accident kind) 및 건물 면적(Building area) 등이 융합된 상태임을 알 수 있다.
따라서, 더 많은 정보가 융합되어 분석 대상 데이터로 활용될 수 있다.
또한, 일반 속성 정보는 건물별 전기화재사고유무, 건물 노후년수, 연면적, 건폐율, 용도, 구조 등 건축물 속성, 절연저항, 접지저항, 누설전류 등 전기안전점검정보, 기온, 습도, 강수량 등 기상정보건물 등의 속성으로 구성될 수 있다.
또한, 정보 관리부(200)는 융합 데이터 중에서 일부를 제 1 데이터 그룹으로 지정하고, 나머지를 제 2 데이터 그룹으로 분할할 수 있다.
데이터 그룹을 분할하는 것은 후술하는 학습 과정과 예측 과정을 각각 수행하기 위해 분할하는 것으로 제 1 데이터 그룹은 후술하는 분석부(300)에서 사용하게 되고, 제 2 데이터 그룹은 후술하는 예측부(400)에서 사용하게 된다.
이 때, 분할하는 방법은 데이터의 군집성(clustering)을 배제하기 위해 랜덤 방식으로 선택하여 제 1 데이터 그룹으로 지정하고, 선택되지 않은 나머지를 제 2 데이터 그룹으로 지정할 수 있다.
분석부(300)는 전기 화재 예측 장치(10)는 제 1 데이터 그룹을 랜덤 포리스트(random forest) 알고리즘을 이용하여 학습하고, 평균 절대 오차(MAE, Mean Absolute Error)와 상관 계수(correlation coefficient)를 산출할 수 있다.
이는 전기화재사고 유무에 대해서 전기적, 환경적 요인과 관련된 주요 요인을 찾고, 예측모델을 통해서 건물단위 화재사고를 예측하고 위험도를 계량화하기 위한 것이다.
이를 위해서는 기존 관리되어왔던 전기안전점검 데이터, 건축물 대장, 화재사고 데이터 등을 활용해 다양한 요인을 구분하고 사고가 많이 발생한 지역과 아니한 지역 간의 특성을 찾아내기 위한 것이다.
분석부(300)는 제 1 데이터 그룹을 학습데이터로 활용하여 랜덤 포리스트 알고리즘(Random Forest Algorithm)을 통해 학습을 수행할 수 있다.
랜덤 포리스트(random forest)는 다수의 결정 이진 트리(binary tree)를 앙상블 형태로 결합한 것으로, 각 이진 트리(binary tree)에서는 랜덤(random)한 방법으로 트리(tree)들을 성장시킨다. 랜덤 포리스트(random forest)는 결정 트리(Decision Tree)들을 기본으로 하고 있기 때문에, 빠른 학습속도와 많은 양의 데이터 처리 능력을 가지고 있다.
즉, 랜덤 포리스트(random forest)는 여러 개의 결정 트리(Decision Tree)를 만들고, 투표(voting)를 통해서 최종 결과를 도출할 수 있다.
데이터를 부트 스트랩 집합(bootstrap aggregating)과정, 즉 배깅(baggin)을 과정을 통해 N개의 샘플링 데이터 셋(observations과 features들을 random하게 sampling)을 구성한 후 각각의 결정 트리 모델(Decision Tree model)을 구성하는 한 후, 개별 예측모형이 투표(voting) 방식으로 예측결과를 결정함으로써 낮은 바이어스(Low Bias)는 유지하고 높은 분산(High Variance)을 줄일 수 있다.
제 1 데이터 그룹을 랜덤 포리스트 알고리즘을 이용하여 학습하고, 이에 따른 분석을 위해 평균절대 오차(MAE, Mean Absolute Error)와 상관 계수(correlation analysis)를 산출할 수 있다.
평균 절대오차(MAE, Mean Absolute Error)는 오차의 절대치, 즉, 절대 편차를 모두 더한 다음 이를 레코드수로 나눈 값으로 아래 수학식 1과 같이 정의된다.
[수학식 1]
Figure pat00005
여기서,
Figure pat00006
는 실제 사고유무 값이고,
Figure pat00007
은 예측된 사고유무 값이며, N은 전체 레코드 수를 나타낸다.
상관 분석(correlation analysis)은 두 변수 간에 얼마나 밀접한 선형관계를 가지고 있는 가를 분석하는 통계기법으로, 두 변수간의 관계의 강도를 상관관계라 한다.
상관 관계(r)는 두 개의 변수가 어느 정도 유사한가를 측정하는 것으로, 상관관계가 0 < r ≤ +1 이면 양의 상관을 가진다고 하고, -1 ≤ r < 0 이면 음의 상관을 가진다고 하며, r = 0이면 무상관이라고 한다. 그러나 무상관의 의미는 상관이 없다는 것이 아니라 선형 상관관계가 아님을 의미한다.
하나의 변수가 증가할 때, 다른 변수가 증가하는 양의 상관 관계라 하고, 감소하는 경우를 음의 상관 관계라고 한다.
이와 같은 이론을 근거로 사용되고 있는 피어슨 상관계수(Pearson correlation coefficient)를 활용하여 실제 화재사고와 예측된 화재사고와 유사성을 살펴보기 위해 상관 분석을 수행할 수 잇다.
피어슨 상관 계수는 아래 수학식 2와 같이 정의된다.
[수학식 2]
Figure pat00008
여기서, r은 실제사고와 예측사고와의 유사도 가중치이고, xi는 실제 사고유무를 나타내고, yi는 예측된 사고유무를 나타낸다.
예측부(400)는 제 2 데이터 그룹을 이용하여 화재 발생 가능성을 예측할 수 있다.
앞서 모델링에 활용되지 않은 제 2 데이터 그룹을 활용하여 화재 발생 가능성을 검증하고 예측할 수 있고, 건물별 위험도를 도출하여 지도 상에 표시할 수 있다.
최종적으로 개발된 전기적 요인 및 환경적 요인을 활용한 예측 모델을 검증하기 위해 제 2 데이터 그룹을 이용하여 예측된 결과값을 도출하였다.
화재 발생 가능성의 값이 0.5 이상이면 화재 발생(1), 0.5 이하면 화재 미 발생(0)으로 구분하여 예측한 결과 건물 단위로 사고로 예측하는 정확도가 74.7%로 확인되었다
예측 결과와 실재 사고를 비교하면, 화재 발생 예측 가능성에 따르면 사고가 이미 발생한 곳을 위험하다고 나타내는 경우도 있으며, 현재 사고는 나지 않았지만, 위험도가 높게 예측되는 경우에는 점검할 필요가 있는 것으로 판달할 수 있다.
도 4a는 본 발명의 일 실시예에 따른 전기 화재 예측 결과를 나타내는 도면이고, 도 4b는 본 발명의 일 실시예에 따른 전기 화재 예측 결과를 나타내는 도면에 대응하여 실제 사고 지점을 나타내는 도면이다.
화재 발생 가능성이 높을 것으로 예상한 지점(도 4a의 a1, 도 4a의 a2)과 지점과 실제 사고가 발생한 지점(도 4b의 b1, 도 4b의, b2)가 일치하는 것을 알 수 있다.
시각화부(500)는 화재 발생 가능성을 기초로 주요 예측변수에 따라 등급을 분류하고, 각 등급에 따라 색상을 부여하여 시각화할 수 있다.
시각화부(500)는 전기화재위험도 예측 모델의 핵심변수인 습도, 풍속, 건물 노후 년수, 용적률, 건폐율 IR Value, 건축물용도, 건축물구조 등을 통해 안전(safety), 관심(attention), 주의(caution), 경계(alert), 위험(danger)으로 5개의 등급으로 그룹화하여 범위(range)별로 분류하고, 분류된 범위(Range)별 건수를 확인하여 1등급에서 5등급까지 각 비율을 비교할 수 있다.
예측결과 데이터를 Jenks Natural Breaks Classification을 활용하여 건물별 위험도를 5가지 등급으로 분류하고 공간조인을 통해 시각화할 수 있다.
Jenks Natural Breaks Classification는 같은 등급 내 전체 값들의 평균을 기준으로 평균 편차는 최소화되고, 각 등급 간의 분산은 극대화할 수 있다.
즉, 등급 내의 분산은 줄이고 등급 간의 분산을 최대화할 수 있게 된다.
도 5는 본 발명의 일 실시예에 따른 전기 화재 예측 결과를 등급에 따라 분류한 결과를 나타내는 도면이다.
도 5를 참조하면, 대구 지역을 중심으로 분석한 결과를 알 수 있다.
0.015000 ~ 0.147000 값을 가지는 범위에 대해 197,439건에 대해 1등급 71.7%로 안전한 것으로 도출되었고, 0.147001 ~ 0.276000 값인 31,019건에 대해 2등급 11.3%로 관심단계로 도출되었다.
또한, 0.276001 ~ 0.409000 값인 19,863건에 대해 3등급 7.2%로 주의 단계, 0.409001 ~ 0.546000 값인 20,008건에 대해 4등급 7.3%로 경계단계 및 0.546001 ~ 0.857000 값인 6,955건에 대해 5등급 2.5%로 위험단계로 도출되었다.
본 발명의 일 실시예에 따른 전기 화재 예측 방법은 도 1에 도시된 전기 화재 예측 장치(10)와 실질적으로 동일한 구성 상에서 진행되므로, 도 1의 전기 화재 예측 장치(10)와 동일한 구성요소에 대해 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하기로 한다.
도 6은 본 발명의 일 실시예에 따른 전기 화재 예측 방법의 순서도이다.
본 발명에 따른 전기 화재 예측 방법은 상술한 본 발명에 따른 전기 화재 예측 장치(10)에 의해 수행될 수 있다. 이를 위해, 본 발명에 따른 전기 화재 예측 장치(10)는 후술하는 전기 화재 예측 방법을 구성하는 각 단계를 수행하기 위한 애플리케이션(소프트웨어)이 미리 설치될 수 있다.
예를 들어, 사용자의 컴퓨터에는 본 발명에 따른 전기 화재 예측 방법에 대한 플랫폼이 소프트웨어의 형태로 미리 설치될 수 있으며, 사용자는 컴퓨터에 설치된 소프트웨어를 실행하여 본 발명에 따른 데이터 분류 규칙 추정 방법이 제공하는 다양한 서비스를 제공받을 수 있다.
도 6을 참조하면, 머신 러닝을 이용하여 데이터 학습이 가능한 전기 화재 예측 장치(10)는 수집 단계(S100), 융합 데이터 생성 및 분할 단계(S200), 학습 및 산출 단계(S300) 및 화재 발생 가능성을 예측하는 단계(S400)를 수행할 수 있다
전기 화재 예측 장치(10)는 일반 속성 정보 및 공간 정보를 수집할 수 있다(S100).
전기 화재 예측 장치(10)는 일반 속성 정보와 공간 정보를 지오 코딩(geo coding)하여 융합 데이터를 생성하고, 융합 데이터 중에서 일부를 제 1 데이터 그룹으로 지정하고, 나머지를 제 2 데이터 그룹으로 분할 할 수 있다(S200).
전기 화재 예측 장치(10)는 제 1 데이터 그룹을 랜덤 포리스트(random forest) 알고리즘을 이용하여 학습하고, 평균 절대 오차(MAE, Mean Absolute Error)와 상관 계수(correlation coefficient)를 산출할 수 있다(S300).
전기 화재 예측 장치(10)는 제 2 데이터 그룹을 이용하여 화재 발생 가능성을 예측할 수 있다(S400).
또한, 전기 화재 예측 장치(10)는 화재 발생 가능성을 기초로 주요 예측변수에 따라 등급을 분류하고, 각 등급에 따라 색상을 부여하여 시각화할 수 있다(S500).
상술한 각 단계들(S100, S200, S300, S400, S500)에 대한 구체적인 설명은 도 1 내지 도 5를 참조하여 상술하였으므로, 반복되는 설명은 생략하기로 한다.
이와 같은, 전기 화재 예측 방법은 어플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서 설명한 바와 같이 본 발명에 따른 전기 화재 예측 장치(10) 및 방법은 반복적으로 발생하는 사고 유형과 사고위험도를 기계학습을 통해 예측하여 화재의 위험성이 높은 건물을 분석하여 점검을 실시함으로써 적은 점검으로도 높은 예방 효과를 가질 수 있게 되어 전기 시설에 따른 화재를 줄여 가정 및 국가적 손실을 방지할 수 있는 유리한 효과가 있다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 전기 화재 예측 장치
100: 정보 수집부
200: 정보 관리부
300: 분석부
400: 예측부
500: 시각화부

Claims (7)

  1. 머신 러닝을 이용하여 데이터 학습이 가능한 전기 화재 예측 장치에 있어서,
    일반 속성 정보 및 공간 정보를 수집하는 정보 수집부;
    상기 일반 속성 정보와 상기 공간 정보를 건물 단위로 지오 코딩(geo coding)하여 융합 데이터를 생성하고, 상기 융합 데이터 중에서 랜덤 방식으로 선택된 일부를 제 1 데이터 그룹으로 지정하고, 선택되지 않은 나머지를 제 2 데이터 그룹으로 지정하는 정보 관리부;
    상기 제 1 데이터 그룹을 랜덤 포리스트(random forest) 알고리즘을 이용하여 학습하고, 실제 사고와 예측된 사고의 오차의 절대치인 평균 절대 오차(MAE, Mean Absolute Error)와 실제 사고와 예측된 사고의 상관 관계인 상관 계수(correlation coefficient)를 산출하는 분석부;
    상기 제 2 데이터 그룹을 이용하여 화재 발생 가능성을 예측하고, 상기 화재 발생 가능성과 이용하여안전, 관심, 주의, 경계, 위험으로 등급을 분류하는 예측부; 및
    상기 분류된 등급에 색상을 부여하여 시각화하는 시각화부;를 포함하는, 전기 화재 예측 장치.
  2. 머신 러닝을 이용하여 데이터 학습이 가능한 전기 화재 예측 장치에 의해 수행되는 전기 화재 예측 방법에 있어서,
    상기 전기 화재 예측 장치는 일반 속성 정보 및 공간 정보를 수집하는 단계;
    상기 전기 화재 예측 장치는 상기 일반 속성 정보와 상기 공간 정보를 건물 단위로 지오 코딩(geo coding)하여 융합 데이터를 생성하고, 상기 융합 데이터 중에서 랜덤 방식으로 선택된 일부를 제 1 데이터 그룹으로 지정하고, 선택되지 않은 나머지를 제 2 데이터 그룹으로 지정하는 단계;
    상기 전기 화재 예측 장치는 상기 제 1 데이터 그룹을 랜덤 포리스트(random forest) 알고리즘을 이용하여 학습하고, 평균 절대 오차(MAE, Mean Absolute Error)와 상관 계수(correlation coefficient)를 산출하는 단계; 및
    상기 전기 화재 예측 장치는 상기 제 2 데이터 그룹을 이용하여 화재 발생 가능성을 예측하고, 상기 화재 발생 가능성을 이용하여 안전, 관심, 주의, 경계, 위험으로 등급을 분류하는 단계;를 포함하는, 전기 화재 예측 방법.
  3. 제 2 항에 있어서,
    상기 일반 속성 정보는,
    고객 정보(Customer information), 전기 안전 점검 정보(Electrical safety check), 건물 정보(Building information), 건물 지리 정보(total building GIS), 119 화재 사고 데이터 정보(119 fire accident data), 기후 정보(Weather data), 행정 구역 정보(Administrative district) 및 인구 통계 정보(Emographics) 중 적어도 하나의 정보를 포함하는 것을 특징으로 하는, 전기 화재 예측 방법.
  4. 제 2 항에 있어서,
    상기 공간 정보는,
    지리적인 위치 및 위상 관계를 좌표 값을 기준으로 점, 선, 면으로 나타내는 도형정보와 공간상의 사물에 대한 특징을 문자 및 숫자로 나타내는 속성 정보인 것을 특징으로 하는, 전기 화재 예측 방법.
  5. 제 2 항에 있어서,
    상기 평균 절대 오차(MAE, Mean Absolute Error)는,
    아래 수학식에 따라 산출하는 것을 특징으로 하는, 전기 화재 예측 방법.
    Figure pat00009

    여기서,
    Figure pat00010
    는 실제 사고유무 값이고,
    Figure pat00011
    은 예측된 사고유무 값이며, N은 전체 레코드 수를 나타낸다.
  6. 제 2 항에 있어서,
    상기 상관 계수(correlation coefficient)는,
    아래 수학식에 따라 산출하는 것을 특징으로 하는, 전기 화재 예측 방법.
    Figure pat00012

    여기서, r은 실제사고와 예측사고와의 유사도 가중치이고, xi는 실제 사고유무를 나타내고, yi는 예측된 사고유무를 나타낸다.
  7. 제 2 항 내지 제 6 항 중 어느 하나의 항에 따른 전기 화재 예측 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
KR1020190075738A 2019-06-25 2019-06-25 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체 KR102265733B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190075738A KR102265733B1 (ko) 2019-06-25 2019-06-25 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190075738A KR102265733B1 (ko) 2019-06-25 2019-06-25 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체

Publications (2)

Publication Number Publication Date
KR20210000510A true KR20210000510A (ko) 2021-01-05
KR102265733B1 KR102265733B1 (ko) 2021-06-16

Family

ID=74140782

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190075738A KR102265733B1 (ko) 2019-06-25 2019-06-25 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체

Country Status (1)

Country Link
KR (1) KR102265733B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819208A (zh) * 2021-01-19 2021-05-18 武汉中地云申科技有限公司 一种基于特征子集耦合模型的空间相似性地质灾害预测方法
CN113223263A (zh) * 2021-04-25 2021-08-06 深圳市芯中芯科技有限公司 一种基于物联网的电气火灾监测系统
KR102342192B1 (ko) * 2021-06-25 2021-12-23 (주)아인스에스엔씨 빅데이터 기반의 재난 발생 위험도 예측장치 및 방법
KR102357611B1 (ko) * 2021-08-19 2022-02-08 (주)교림소프트 전기 화재의 안전 등급을 평가하는 시스템
CN118072494A (zh) * 2024-04-22 2024-05-24 德阳经开智航科技有限公司 基于无人机的火灾灾情预警方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110074480A (ko) * 2009-12-24 2011-06-30 중앙대학교 산학협력단 화재 관련 상황 인지가 가능한 서버

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110074480A (ko) * 2009-12-24 2011-06-30 중앙대학교 산학협력단 화재 관련 상황 인지가 가능한 서버

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"기계학습을 이용한 건축물 화재발생 예측 모형 개발 및 비교", 국민대학교 비즈니스 IT전문대학원 석사학위논문, 2017년 *
"머신러닝 기법을 이용한 수도권 지역의 호우피해 예측함수 개발", 한국방재학회논문집 Vol. 18 No. 7(pp. 435-447), 2018년 12월 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819208A (zh) * 2021-01-19 2021-05-18 武汉中地云申科技有限公司 一种基于特征子集耦合模型的空间相似性地质灾害预测方法
CN113223263A (zh) * 2021-04-25 2021-08-06 深圳市芯中芯科技有限公司 一种基于物联网的电气火灾监测系统
KR102342192B1 (ko) * 2021-06-25 2021-12-23 (주)아인스에스엔씨 빅데이터 기반의 재난 발생 위험도 예측장치 및 방법
KR102357611B1 (ko) * 2021-08-19 2022-02-08 (주)교림소프트 전기 화재의 안전 등급을 평가하는 시스템
CN118072494A (zh) * 2024-04-22 2024-05-24 德阳经开智航科技有限公司 基于无人机的火灾灾情预警方法及系统

Also Published As

Publication number Publication date
KR102265733B1 (ko) 2021-06-16

Similar Documents

Publication Publication Date Title
KR102265733B1 (ko) 전기 화재 예측 장치, 방법 및 그 방법을 이용한 기록 매체
Ali et al. A data-driven approach for multi-scale GIS-based building energy modeling for analysis, planning and support decision making
Nyimbili et al. GIS-based fuzzy multi-criteria approach for optimal site selection of fire stations in Istanbul, Turkey
Moghadas et al. A multi-criteria approach for assessing urban flood resilience in Tehran, Iran
Casali et al. Machine learning for spatial analyses in urban areas: a scoping review
Chen et al. Learning deep representation from big and heterogeneous data for traffic accident inference
Prasannakumar et al. Spatio-temporal clustering of road accidents: GIS based analysis and assessment
US7801842B2 (en) Method and system for spatial behavior modification based on geospatial modeling
US7917458B2 (en) Temporal-influenced geospatial modeling system and method
US7571146B2 (en) Event, threat and result change detection system and method
Kocatepe et al. Measuring the accessibility of critical facilities in the presence of hurricane-related roadway closures and an approach for predicting future roadway disruptions
Sarkar et al. Modeling spatial determinants of urban expansion of Siliguri a metropolitan city of India using logistic regression
Murgante et al. Geocomputation and urban planning
Carreno et al. A cellular automaton approach to spatial electric load forecasting
KR20210050726A (ko) 부동산 거래 정보 및 가격 예측 정보 제공 시스템 및 그 방법
Pampoore-Thampi et al. Mining GIS data to predict urban sprawl
Fan Hybrid spatial data mining methods for site selection of emergency response centers
Tayyebi et al. Monitoring land use change by multi-temporal Landsat remote sensing imagery
Mokadi et al. Projecting the impacts of a proposed streetcar system on the urban core land redevelopment: The case of Cincinnati, Ohio
Castro et al. State of the art on artificial intelligence in land use simulation
Awad et al. Optimization of new fire department location using an improved GIS algorithm for firefighters travel time estimation
JP3656852B1 (ja) 防災事業計画支援方法とそのシステム
CN111339446B (zh) 一种兴趣点挖掘方法、装置、电子设备和存储介质
Rose Santos et al. Integrated framework for risk and impact assessment of sediment hazard on a road network
El‐Maissi et al. Development of Intrinsic Seismic Vulnerability Index (ISVI) for assessing roadway system and its assets framework

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant