KR20210075511A - Method and Apparatus for Recommending Disaster Response - Google Patents

Method and Apparatus for Recommending Disaster Response Download PDF

Info

Publication number
KR20210075511A
KR20210075511A KR1020190166679A KR20190166679A KR20210075511A KR 20210075511 A KR20210075511 A KR 20210075511A KR 1020190166679 A KR1020190166679 A KR 1020190166679A KR 20190166679 A KR20190166679 A KR 20190166679A KR 20210075511 A KR20210075511 A KR 20210075511A
Authority
KR
South Korea
Prior art keywords
disaster
information
response
disaster response
keyword
Prior art date
Application number
KR1020190166679A
Other languages
Korean (ko)
Other versions
KR102353545B1 (en
Inventor
박성호
Original Assignee
(주)넥타르소프트
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 (주)넥타르소프트 filed Critical (주)넥타르소프트
Priority to KR1020190166679A priority Critical patent/KR102353545B1/en
Publication of KR20210075511A publication Critical patent/KR20210075511A/en
Application granted granted Critical
Publication of KR102353545B1 publication Critical patent/KR102353545B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/006—Alarm destination chosen according to type of event, e.g. in case of fire phone the fire service, in case of medical emergency phone the ambulance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • 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
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes

Abstract

The present embodiment relates to a method for recommending a disaster response and to a device thereof. When a disaster such as a fire occurs, the contents of a report from a reporter may be automatically analyzed and provided to an accident receiver, so as to allow accident receivers to more systematically and easily acquire disaster situation information which should be obtained from the reporter, and select the optimal response manual according to the analyzed disaster situation information to provide the same to a disaster responder, thereby improving the ability to respond to accidents.

Description

재난대응 추천방법 및 그 장치{Method and Apparatus for Recommending Disaster Response}Disaster response recommendation method and device {Method and Apparatus for Recommending Disaster Response}

본 실시예는 재난대응 추천방법 및 그 장치에 관한 것이다. 더욱 상세하게는, 추천 알고리즘을 활용한 인공지능 재난대응 추천방법 및 그 장치에 관한 것이다.This embodiment relates to a disaster response recommendation method and an apparatus therefor. More specifically, it relates to an artificial intelligence disaster response recommendation method using a recommendation algorithm and an apparatus therefor.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section merely provides background information for the present embodiment and does not constitute the prior art.

최근 ICT 기술의 발달에 힘입어, 재난에 대한 예측 및 대응에 대한 기술에 대한 개발 및 적용이 늘어나고 있다. 재난 대응 예측 및 대응에 대한 기술에 있어서 특히 최근에는 스마트 홈 등의 기술 개발과 함께 원격에서 재난 여부에 대한 모니터링을 수행하고, 이를 예측하며, 이에 대한 대응 시나리오를 제공하여 효율적인 재난 대응이 가능하도록 하는 기술에 대한 연구가 이루어지고 있다.With the recent development of ICT technology, the development and application of technology for predicting and responding to disasters is increasing. In the technology for disaster response prediction and response, in particular, in recent years, with the development of technologies such as smart home, remote monitoring of disasters, prediction, and response scenarios are provided to enable efficient disaster response. Research is being done on the technology.

그러나 현존하는 재난 대응 기술은 결국 재난을 목격한 신고자가 소방서 등 재난 대응 기관에 신고를 수행하고, 신고를 접수한 기관 담당자, 즉 접수자가 신고 내용을 종합하여 재난 현장에 출동해야 하거나 출동 중인 대응자에게 출동 지령을 내리는 흐름으로 이루어지고 있다.However, in the existing disaster response technology, in the end, the reporter who witnessed the disaster reports to a disaster response organization such as a fire station, and the person in charge of the organization that received the report, that is, the person in charge of the organization who received the report, must synthesize the report and respond to the disaster site This is done in the flow of issuing an evacuation order to the

이때 접수자는 신고자 정보, 재난현장 상태, 재난 발생 위치 등에 대한 정보를 수기로 작성하며, 이렇게 수집된 자료를 바탕으로 출동 위치, 출동 인원, 배차 여부 등을 결정한다. 수기로 작성하는 구간 접수자는 정확하지 않은 내용에 대해 신고자에게 몇 차례 질문을 하기도 하며, 주소 등을 수동으로 검색하는 등 시간이 지체되는 일이 발생한다. 이후 환자에 대한 응급처치, 추가 신고 등에 대한 추가 출동 등 필요에 따른 추가 대처를 실시하기도 한다.At this time, the receptionist writes down information on the reporter, the state of the disaster site, the location of the disaster, etc. The hand-written section receiver sometimes asks the reporter several times about inaccurate information, and there is a time delay, such as manually searching for addresses. After that, additional measures may be taken as necessary, such as emergency treatment for patients and additional dispatch to additional reports.

접수자는 긴급구조 표준 시스템이라 하는 종래의 시스템을 활용하여, 반자동으로 출동, 무전 등의 업무를 실시한다. 허나, 사고 내용의 정리, 판단은 수동으로 이루어져야 하므로 업무간 시간의 지연, 휴먼 에러 등이 발생한다The receptionist uses a conventional system called the emergency rescue standard system to perform tasks such as dispatch and radio semi-automatically. However, since the arrangement and judgment of accident contents must be done manually, there are delays in time between work and human errors.

본 실시예는, 화재 등 재난 발생 시 신고자로부터의 신고 내용을 자동으로 분석하여 사고 접수자에게 제공함으로써 사고 접수자가 신고자로부터 취득해야 하는 재난 상황정보를 보다 체계적이고 용이하게 취득할 수 있도록 하면서도, 분석된 재난 상황정보에 따른 최적의 대응 메뉴얼을 선별하여 재난 대응자에게 제공함으로써 사고의 대응력을 향상시키고자 하는 데 그 목적이 있다.In this embodiment, when a disaster such as a fire occurs, the content of the report from the reporter is automatically analyzed and provided to the accident receiver so that the accident receiver can more systematically and easily acquire the disaster situation information that needs to be acquired from the reporter. The purpose is to improve the ability to respond to accidents by selecting the optimal response manual according to the disaster situation information and providing it to disaster responders.

본 실시예는, 신고자의 음성정보를 수집하고, 상기 음성정보를 텍스트 정보로 변환하여 제공하는 음성 인식부; 상기 텍스트 정보를 형태소 단위로 분리하고, 분리된 형태소를 재난 대응 관련하여 기 정의된 복수의 키워드 중 대응되는 키워드 상에 태깅시켜 키워드별 태깅정보를 생성하는 자연어 처리부; 상기 재난 대응 관련하여 수집된 빅데이터에 대한 학습결과를 토대로 생성된 적어도 하나 이상의 재난대응용 기계학습 모델을 저장하는 학습 모델부; 및 상기 키워드별 태깅정보 및 상기 재난대응용 기계학습 모델을 기반으로 재난 상황에 대한 세부 분석결과를 자동 추출하고, 추출한 세부 분석결과에 따른 대응 메뉴얼 정보를 제시하는 재난대응 추천부를 포함하는 것을 특징으로 하는 재난대응 추천장치를 제공한다.The present embodiment includes: a voice recognition unit that collects the voice information of the reporter and converts the voice information into text information and provides; a natural language processing unit that separates the text information into morpheme units and tags the separated morphemes on a corresponding keyword among a plurality of keywords previously defined in relation to disaster response to generate tagging information for each keyword; a learning model unit for storing at least one machine learning model for disaster response generated based on a learning result of the big data collected in relation to the disaster response; and a disaster response recommendation unit that automatically extracts detailed analysis results for disaster situations based on the keyword-specific tagging information and the disaster response machine learning model, and presents response manual information according to the extracted detailed analysis results. Disaster response recommendations are provided.

또한, 본 실시예의 다른 측면에 의하면, 재난대응 추천장치의 재난대응 추천방법에 있어서, 신고자의 음성정보를 수집하고, 상기 음성정보를 텍스트 정보로 변환하여 제공하는 과정; 상기 텍스트 정보를 형태소 단위로 분리하고, 분리된 형태소를 재난 대응 관련하여 기 정의된 복수의 키워드 중 대응되는 키워드 상에 태깅시켜 키워드별 태깅정보를 생성하는 과정; 및 상기 재난 대응 관련하여 수집된 빅데이터에 대한 학습결과를 토대로 생성된 적어도 하나 이상의 재난대응용 기계학습 모델 및 상기 키워드별 태깅정보를 기반으로 재난 상황에 대한 세부 분석결과를 자동 추출하고, 추출한 세부 분석결과에 따른 대응 메뉴얼 정보를 제시하는 과정을 포함하는 것을 특징으로 하는 재난대응 추천방법을 제공한다.In addition, according to another aspect of the present embodiment, there is provided a disaster response recommendation method of a disaster response recommendation device, the method comprising: collecting voice information of a reporter, converting the voice information into text information, and providing the voice information; generating tagging information for each keyword by separating the text information into morpheme units and tagging the separated morphemes on a corresponding keyword among a plurality of keywords previously defined in relation to disaster response; and automatically extracting detailed analysis results for disaster situations based on at least one machine learning model for disaster response generated based on the learning results of the big data collected in relation to the disaster response and the tagging information for each keyword, and the extracted details It provides a disaster response recommendation method, characterized in that it includes the process of presenting response manual information according to the analysis result.

본 실시예에 따르면, 화재 등 재난 발생 시 신고자로부터의 신고 내용을 자동으로 분석하여 사고 접수자에게 제공함으로써 사고 접수자가 신고자로부터 취득해야 하는 재난 상황정보를 보다 체계적이고 용이하게 취득할 수 있도록 하면서도, 분석된 재난 상황정보에 따른 최적의 대응 메뉴얼을 선별하여 재난 대응자에게 제공함으로써 사고의 대응력을 향상시킬 수 있는 효과가 있다.According to this embodiment, when a disaster such as a fire occurs, the content of the report from the reporter is automatically analyzed and provided to the accident receiver so that the accident receiver can more systematically and easily acquire the disaster situation information that needs to be acquired from the reporter, while analyzing It has the effect of improving the ability to respond to an accident by selecting the optimal response manual according to the disaster situation information and providing it to disaster responders.

도 1은 본 실시예에 따른 재난대응 추천방법을 활용한 신고접수 시스템의 개념도이다.
도 2는 본 실시예에 따른 재난대응 추천장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 실시예에 따른 재난대응 추천방법을 설명하기 위한 흐름도이다.
도 4는 본 실시예에 따른 재난대응용 기계학습 모델을 설명하기 위한 개념도이다.
도 5는 본 실시예에 따른 재난대응 추천방법과 관련하여 수집된 학습 데이터를 예시한 예시도이다.
도 6은 본 실시예에 따른 재난대응 추천방법에 따른 출력 화면을 예시한 예시도이다.
도 7은 본 실시예에 따른 재난대응 추천방법을 설명하기 위한 순서도이다.1 is a conceptual diagram of a report receiving system using the disaster response recommendation method according to the present embodiment.
2 is a block diagram schematically showing a disaster response recommendation apparatus according to the present embodiment.
3 is a flowchart illustrating a disaster response recommendation method according to the present embodiment.
4 is a conceptual diagram for explaining a machine learning model for disaster response according to the present embodiment.
5 is an exemplary diagram illustrating learning data collected in relation to the disaster response recommendation method according to the present embodiment.
6 is an exemplary diagram illustrating an output screen according to the disaster response recommendation method according to the present embodiment.
7 is a flowchart for explaining a disaster response recommendation method according to the present embodiment.

이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Hereinafter, some embodiments of the present invention will be described in detail with reference to exemplary drawings. In adding reference numerals to the components of each drawing, it should be noted that the same components are given the same reference numerals as much as possible even though they are indicated on different drawings. In addition, in describing the present invention, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present invention, the detailed description thereof will be omitted.

신속성과 정확성은 효과적인 재난 대응을 위해 가장 중요한 요소들이다. 주어진 상황의 정보를 통해 최대한 신속하게 분석하되, 정확하게 분류해야 재난 시 발생하는 피해를 최소화할 수 있다. 허나, 재난을 대응하는 인원의 경험차이로 인해 언제나 신속하고 정확한 판단을 내리기에는 어려움이 있다. 현장 경험이 적은 대원은 재난 발생 시 대응하는 속도가 숙련된 대원에 비해 느리며, 정확도 또한 낮다.Speed and accuracy are the most important factors for an effective disaster response. It is possible to minimize damage in case of a disaster by analyzing the information of a given situation as quickly as possible, but accurately classifying it. However, it is difficult to always make a quick and accurate judgment due to the difference in experience of the personnel responding to disasters. Operators with less field experience respond slower than experienced operators in the event of a disaster, and their accuracy is also low.

본 실시예의 경우 이러한 숙련 대원의 경험을 데이터화 하여 추천 알고리즘을 통해 학습시키고 학습된 모델을 활용하여 재난대응의 질을 높이는, 추천 알고리즘을 활용한 인공지능 재난대응 추천방법을 제안한다.In the case of this embodiment, we propose an artificial intelligence disaster response recommendation method using a recommendation algorithm that converts the experience of such skilled personnel into data, learns it through a recommendation algorithm, and improves the quality of disaster response by using the learned model.

도 1은 본 실시예에 따른 재난대응 추천방법을 활용한 신고접수 시스템의 개념도이다.1 is a conceptual diagram of a report receiving system using the disaster response recommendation method according to the present embodiment.

종래의 신고접수 시스템의 구성에 의하는 경우 반자동으로 출동, 무전 등의 업무를 실시하기는 하나 사고 내용의 정리, 판단은 수동으로 이루어져야 함으로 업무간 시간의 지연, 휴먼 에러 등이 발생할 수 있다는 한계가 존재한다.According to the configuration of the conventional reporting system, tasks such as dispatch and radio are performed semi-automatically, but there is a limitation that the arrangement and judgment of accident contents must be done manually, which may cause delays in time between tasks and human errors. exist.

이러한, 업무 시간의 지연, 휴먼 에러 발생의 방지를 위해 본 실시예에서는 추천 알고리즘을 활용한 인공지능 재난대응 추천 시스템을 제공한다. 본 시스템은 신고자의 신고 내용을 분석하여 사고 내용, 사고 발생 위치, 사고자 개인정보(전화번호, 병력 등) 등의 상세한 재난 상황정보를 자동 수집하고, 이를 사고 접수자에게 시각화하여 제공한다. 이는, 업무 효율 증대, 골든 타임 확보(대응 시간 단축) 등의 효과를 야기할 수 있다.In order to prevent the delay of work hours and the occurrence of human errors, the present embodiment provides an artificial intelligence disaster response recommendation system using a recommendation algorithm. This system automatically collects detailed disaster situation information such as accident details, accident location, personal information (phone number, medical history, etc.) This may cause effects such as increase in work efficiency, secure golden time (reduction of response time), and the like.

본 시스템은 신고 내용의 분석을 통해 나온 결과 중 사고 접수자가 올바른 것을 선택하는 과정을 통해 신고자가 내용을 수동으로 작성하던 시간을 단축시키고 정확도를 향상시킨다.This system shortens the time required for the reporter to manually write the content and improves the accuracy through the process of selecting the correct one among the results obtained through analysis of the report content.

또한, 본 시스템은 분석된 신고내용에 따른 대응(매뉴얼 등)을 사고 접수자에게 제공하여 사고의 대응력을 향상시킨다. In addition, this system improves response ability of accidents by providing responses (manuals, etc.) according to the analyzed report contents to the accident receiver.

한편, 본 시스템은, 신고 내용의 분석 및 이에 따른 대응을 제공함에 있어서, 재난 대응 관련 빅데이터에 대한 학습결과를 토대로 생성된 적어도 하나 이상의 재난대응용 기계학습 모델을 활용함으로써 기존의 재난대응에 효율성과 신뢰성을 증대시킬 수 있다. 즉, 그 동안의 사고 발생에 대한 원인 자료를 정형화하면 사고 발생의 위험 요소가 인적, 물적, 환경적 요소들의 상호 가변성의 관계라는 수치로 정립 할 수 있다. 이 지표 수치를 정서적인 위험의 심각성 수치로 알고리즘화 한다면 사고가 발생해도 사고 상황의 단계적 위험 수치의 증감까지도 추정하여 사고 대응의 시간을 단축 할 수 있다.On the other hand, the present system is effective in responding to existing disasters by utilizing at least one or more machine learning models for disaster response generated based on the learning results of big data related to disaster response in analyzing the report contents and providing corresponding responses. and reliability can be increased. In other words, if the cause data for the occurrence of accidents are standardized, the risk factors for accidents can be established as a numerical value that is the relationship of mutual variability between human, material, and environmental factors. If this index value is algorithmically calculated as the severity of emotional risk, even if an accident occurs, it is possible to shorten the time to respond to an accident by estimating the increase or decrease of the level of risk in the accident situation.

본 시스템은 인공지능의 알고리즘이 방대한 비정형 빅데이터를 경험기반으로 분석함으로써 위험 관리와 사고 대응에 대한 가이드를 제공하는 전문화 된 인공지능조력자를 제공한다.This system provides a specialized artificial intelligence assistant that provides a guide for risk management and accident response by analyzing large amounts of unstructured big data based on experience.

이를 위해, 본 시스템은 음성인식(STT), 자연어처리(NLP), 빅데이터(Bigdata)를 기반으로 사고 전과 후의 재난 대응 전문가의 실시간 대응 지원에 대한 멀티모달 기반의 음성 텍스트를 딥러닝 및 기계학습으로 대응을 추천하는 지능형 에이전트(AI Advisor)로 동작하는 재난대응 추천장치를 구현한다.To this end, this system uses deep learning and machine learning for multimodal-based voice text for real-time response support of disaster response experts before and after an accident based on speech recognition (STT), natural language processing (NLP), and big data. Implement a disaster response recommendation device that works as an intelligent agent (AI Advisor) that recommends a response with

도 2는 본 실시예에 따른 재난대응 추천장치를 개략적으로 나타낸 블록 구성도이며, 도 3은 본 실시예에 따른 재난대응 추천방법을 설명하기 위한 흐름도이다.2 is a block diagram schematically showing a disaster response recommendation apparatus according to the present embodiment, and FIG. 3 is a flowchart for explaining a disaster response recommendation method according to the present embodiment.

이하, 도 2 및 도 3을 함께 참조하여 본 실시예에 따른 재난대응 추천방법에 대해 설명하도록 한다.Hereinafter, a disaster response recommendation method according to the present embodiment will be described with reference to FIGS. 2 and 3 together.

먼저, 도 3을 참조하여 설명하며, 본 실시예에 따른 재난대응 추천방법의 절차는 다음과 같다.First, it will be described with reference to FIG. 3, and the procedure of the disaster response recommendation method according to the present embodiment is as follows.

본 실시예에 따른 재난대응 추천장치는 재난 신고 과정에서 신고자, 접수자의 음성정보를 수집한다.The disaster response recommendation device according to the present embodiment collects voice information of the reporter and the receiver during the disaster reporting process.

재난대응 추천장치는 음성인식(Speech to Text) 기술을 활용하여 음성정보를 텍스트 정보로 변환하고, 변환된 텍스트 정보를 자연어 처리 기술을 통해 형태소 분석을 실시하여 재난 키워드를 분류한다.The disaster response recommendation device converts voice information into text information using speech to text technology, and morphologically analyzes the converted text information through natural language processing technology to classify disaster keywords.

재난대응 추천장치는 분류된 재난 상태, 재난 위치, 사고자 전화번호 등의 키워드를 시각화를 통해 사용자에게 제공한다. 이때, 재난대응 추천장치는 빅데이터를 학습시킨 학습 모델을 통해 재난의 종류를 분류한다. 한편, 학습 모델은 수집된 빅데이터를 분류/추천 알고리즘으로 머신러닝하여 생성될 수 있다.The disaster response recommendation device provides keywords such as classified disaster status, disaster location, and accident person phone number to the user through visualization. In this case, the disaster response recommendation device classifies the type of disaster through a learning model trained on big data. Meanwhile, the learning model may be generated by machine learning the collected big data with a classification/recommendation algorithm.

재난대응 추천장치는 재난의 세부 항목에 대한 키워드를 룰 베이스 머신러닝하여 각 상황에 맞는 메뉴얼을 사용자에게 제공한다.The disaster response recommendation device provides the user with a manual suitable for each situation by performing rule-based machine learning of keywords for detailed items of disasters.

도 2에 도시하듯이, 본 실시예에 따른 재난대응 추천장치(200)는 음성 인식부(210), 자연어 처리부(220), 학습 모델부(230) 및 재난대응 추천부(240)를 포함한다. 이때, 본 실시예에 따른 재난대응 추천장치(200)에 포함되는 구성요소는 반드시 이에 한정되는 것은 아니다.As shown in FIG. 2 , the disaster response recommendation device 200 according to the present embodiment includes a voice recognition unit 210 , a natural language processing unit 220 , a learning model unit 230 , and a disaster response recommendation unit 240 . . In this case, the components included in the disaster response recommendation apparatus 200 according to the present embodiment are not necessarily limited thereto.

음성 인식부(210)는 신고자의 음성정보를 수집하고, 수집한 음성정보를 텍스트 정보로 변환하여 제공하는 기능을 수행한다.The voice recognition unit 210 collects the reporter's voice information, converts the collected voice information into text information, and provides the same.

음성 인식부(210)는 음성인식 기술을 활용하여 신고자의 음성정보를 텍스트 정보로 변환할 수 있다. 보다 자세하게는, 음성 인식부(210)는 RNN-LSTM(Recurrent Neural Networks-Long Short-Term Memory models) 알고리즘 음성 인식엔진을 활용하여 음성을 인식하고, 인식된 음성정보를 텍스트 정보로 변환할 수 있다.The voice recognition unit 210 may convert the reporter's voice information into text information by using voice recognition technology. In more detail, the voice recognition unit 210 may recognize a voice by using a Recurrent Neural Networks-Long Short-Term Memory models (RNN-LSTM) algorithm voice recognition engine, and convert the recognized voice information into text information. .

예컨대, 본 실시예에 따른 음성 인식부(210)는 약 3천 시간의 음성 데이터를 학습 시킨 음향 모델을 사용하여 기본적인 인식률을 보장하고, 실제 재난환경음, 잡음, 비화 등을 이용함으로써 유선망 음성정보의 높은 인식률을 보장하도록 구현될 수 있다. 이러한, 음향 모델은 유선 전화 200시간 음성에 대해서 속기 전사 데이터를 학습 적용하며, 이를 기반으로 음성에 대한 분석 및 잡음 처리 등을 거쳐 탐색 엔진에서 사용되는 음성의 특징을 추출하도록 구현될 수 있다.For example, the voice recognition unit 210 according to the present embodiment guarantees a basic recognition rate by using an acoustic model that has learned about 3,000 hours of voice data, and uses real disaster environment sounds, noises, secrets, etc. to provide wired network voice information. It can be implemented to ensure a high recognition rate of Such an acoustic model may be implemented to learn and apply stenographic transcription data for 200 hours of voice over a wired telephone, and based on this, analyze the voice and perform noise processing to extract the features of the voice used in the search engine.

자연어 처리부(220)는 텍스트 정보로 변환된 음성정보에 대한 자연어 처리 기능을 수행한다.The natural language processing unit 220 performs a natural language processing function on voice information converted into text information.

자연어 처리부(220)는 텍스트 정보에 대해 문장 전처리를 수행하여 텍스트 정보 내 한 문장을 찾아내고, 한 문장 속에서 특수문자 처리 및 예외 처리를 수행한다.The natural language processing unit 220 performs sentence preprocessing on text information to find a sentence in the text information, and performs special character processing and exception processing in one sentence.

자연어 처리부(220)는 문장에서 용어 추출을 위한 단어를 분리하고, 단어에서 형태소를 도출함으로써 텍스트 정보를 형태소 단위로 분리할 수 있다.The natural language processing unit 220 may separate a word for term extraction from a sentence, and may separate text information into morpheme units by deriving a morpheme from the word.

본 실시예에 있어서, 자연어 처리부(220)는 분리된 형태소를 재난 대응 관련하여 기 정의된 복수의 키워드 중 대응되는 키워드 상에 태깅시켜 키워드별 태깅 정보를 생성한다. 이는, 키워드 기반 구문 분석을 이용하여 사고 형태를 분석하고 사고의 유형에 따른 심각성 분석을 하고, 심각성 등급에 따라 분석하며, 구문 분석 패턴을 이용한 패턴 사고의 분석을 할 수 있도록 설계하는 작업에 해당된다.In the present embodiment, the natural language processing unit 220 generates tagging information for each keyword by tagging the separated morphemes on a corresponding keyword among a plurality of predefined keywords in relation to disaster response. This corresponds to the task of analyzing the accident type using keyword-based syntax analysis, analyzing the severity according to the type of accident, analyzing according to the severity level, and designing to analyze the pattern accident using the syntax analysis pattern. .

한편, 자연어 처리부(220)는 재난 상황별 도메인 데이터에 기반하여 기 정의되는 복수의 키워드 및 복수의 키워드별 매칭 용어정보에 기반하여 키워드별 태깅정보를 생성할 수 있다. 이때, 재난 상황별 도메인 데이터는 재난 유형별 대응 메뉴얼, 사고내용 접수데이터, 전국 POI 데이터 및 언론 기사 데이터 중 적어도 하나일 수 있다.Meanwhile, the natural language processing unit 220 may generate tagging information for each keyword based on a plurality of predefined keywords and matching term information for each keyword based on domain data for each disaster situation. In this case, the domain data for each disaster situation may be at least one of a response manual for each type of disaster, incident content reception data, national POI data, and media article data.

이를 위해, 자연어 처리부(220)는 소방 및 재난 관련 용어가 있는 문서(워드, 아래아한글, 파워포인트, 엑셀, PDF)에서 문서필터(전자문서에서 텍스트 추출)를 통해 텍스트를 추출하여 새로운 용어에 뜻을 넣어서 재난 관련 용어 사전을 구축하고, 이를 기반으로 재난 대응 관련하여 상기의 복수의 키워드들을 정의할 수 있다. To this end, the natural language processing unit 220 extracts text from documents (Word, Hana Hangul, PowerPoint, Excel, PDF) with firefighting and disaster-related terms through a document filter (extracting text from electronic documents) to give meaning to new terms. to build a disaster-related terminology dictionary, and based on this, a plurality of keywords can be defined in relation to disaster response.

마찬가지로, 자연어 처리부(220)는 구축된 재난 관련 용어 사전을 활용하여 키워드별 관련된 용어들을 사전에 매칭시켜 키워드별 매칭 용어정보를 생성할 수 있다.Similarly, the natural language processing unit 220 may generate matching terminformation for each keyword by matching related terms for each keyword in advance by using the constructed disaster-related terminology dictionary.

자연어 처리부(220)는 키워드별 매칭 용어정보를 기반으로 하여, 분리된 형태소에 매칭되는 키워드를 선별하고, 기 정의된 복수의 키워드 중 선별된 키워드 상에 해당 형태소를 태깅시킴으로써 키워드별 태깅정보를 생성할 수 있다.The natural language processing unit 220 generates tagging information for each keyword by selecting a keyword matching the separated morpheme based on the matching term information for each keyword, and tagging the corresponding morpheme on the selected keyword among a plurality of predefined keywords. can do.

한편, 본 실시예에 있어서, 재난 상황별 도메인 데이터에 기반하여 기 정의되는 복수의 키워드로는 화재, 구조 및 구급으로 구분되는 재난 분류 키워드, 주소 키워드 및 연락처 키워드 등이 포함될 수 있으나 반드시 이에 한정되는 것은 아니다. 예컨대, 자연어 처리부(220)는 연기, 불과 같은 단어에 대해서는 화재 키워드 상에 태깅시켜 키워드별 태깅정보를 생성할 수 있다.Meanwhile, in the present embodiment, a plurality of keywords predefined based on domain data for each disaster situation may include a disaster classification keyword divided into fire, rescue, and first aid, an address keyword, and a contact keyword, but are not necessarily limited thereto. it is not For example, the natural language processing unit 220 may generate tagging information for each keyword by tagging words such as smoke and fire on the fire keyword.

학습 모델부(230)는 재난 대응 관련하여 수집된 빅데이터에 대한 학습결과를 토대로 생성된 적어도 하나 이상의 재난대응용 기계학습 모델을 저장한다. 이러한, 학습 모델부(230)는 직접 빅데이터를 수집 및 학습을 수행하여 상기의 재난대응용 기계학습 모델을 생성하거나, 학습모듈로부터 빅데이터를 기반으로 학습 및 생성된 재난대응용 기계학습 모델을 제공받을 수도 있다.The learning model unit 230 stores at least one machine learning model for disaster response generated based on a learning result of big data collected in relation to disaster response. The learning model unit 230 directly collects and learns big data to generate the disaster response machine learning model, or learns and generates a disaster response machine learning model based on big data from the learning module. may be provided.

예컨대, 도 5를 참조하면, 본 실시예에 있어서, 재난대응용 기계학습 모델은 출동지령서, 소방 사례집, 119 구급 상황관리센터 상담 메뉴얼, 119 상황관리 표준메뉴얼, 119 상황대응 표준메뉴얼 및 상담 유선전화 녹취 데이터 등을 포함한 재난 대응 관련 빅데이터에 대한 학습결과를 토대로 생성될 수 있다. 이러한, 빅데이터는 데이터베이스, 파일, 웹 데이터, 웹 서비스 데이터를 연계 수집하는 모듈을 통해 수집될 수 있다.For example, referring to FIG. 5 , in this embodiment, the machine learning model for disaster response is a dispatch order, firefighting case book, 119 emergency situation management center consultation manual, 119 situation management standard manual, 119 situation response standard manual and counseling landline phone It can be generated based on the learning results of disaster response-related big data, including recorded data. Such big data may be collected through a module that connects and collects database, file, web data, and web service data.

도 4를 참조하여, 본 실시예에 따른 재난대응용 기계학습 모델에 대해 설명하자면, 재난대응용 기계학습 모델은 주어진 재난사항 정의를 기반으로 한 지도기계학습을 통해 생성될 수 있으며, 이 과정에서 Scikit-learn을 활용한 지도학습 앙상블 알고리즘이 사용될 수 있다.Referring to FIG. 4, the machine learning model for disaster response according to the present embodiment will be described. The machine learning model for disaster response may be generated through supervised machine learning based on a given definition of disaster matters, in this process A supervised learning ensemble algorithm using Scikit-learn can be used.

또한, 재난대응용 기계학습 모델은 정확률과 재현율을 개선하기 위한 최적의 학습을 위해 지도학습 적용될 수 있다. 예컨대, 재난대응용 기계학습 모델은 학습결과에 대한 재난 전문가의 검증 결과를 반영하여 생성될 수 있다.In addition, the machine learning model for disaster response can be applied to supervised learning for optimal learning to improve accuracy and recall. For example, the machine learning model for disaster response may be generated by reflecting the verification result of the disaster expert on the learning result.

재난대응용 기계학습 모델은 본 실시예에 따른 재난대응 추천장치의 결과를 새로운 학습 데이터로서 학습하여 업데이트될 수 있다.The machine learning model for disaster response may be updated by learning the result of the disaster response recommendation apparatus according to the present embodiment as new learning data.

한편, 본 실시예에 있어서, 학습 모델부(230)는 본 실시예에 따른 재난대응 추천방법과 관련하여 재난 상황에 대한 세부 분석결과의 추출 및 이에 대응하는 대응 메뉴얼 정보를 산출하기까지 필요로 하는 다양한 기계학습 모델을 저장할 수 있다. 예컨대, 학습 모델부(230)는 음향 모델, 언어 모델, 재난대응 추천 모델, 문맥 예측 모델 등의 다양한 기계학습 모델을 포함하여 구성될 수 있다. 본 실시예에서는, 학습 모델부(230) 상에 저장되는 재난대응용 기계학습 모델에 대하여 특정 모델로서 한정하지는 않는다.On the other hand, in this embodiment, the learning model unit 230 is required until the extraction of detailed analysis results for the disaster situation and the corresponding response manual information in relation to the disaster response recommendation method according to the present embodiment. It can store various machine learning models. For example, the learning model unit 230 may be configured to include various machine learning models such as an acoustic model, a language model, a disaster response recommendation model, and a context prediction model. In this embodiment, the machine learning model for disaster response stored on the learning model unit 230 is not limited as a specific model.

재난대응 추천부(240)는 키워드별 태깅정보 및 재난대응용 기계학습 모델을 기반으로 재난 상황에 대한 세부 분석결과를 자동 추출하고, 추출한 세부 분석결과에 따른 대응 메뉴얼 정보를 제시하는 기능을 수행한다.The disaster response recommendation unit 240 automatically extracts detailed analysis results for disaster situations based on keyword-specific tagging information and a machine learning model for disaster response, and performs a function of presenting response manual information according to the extracted detailed analysis results. .

본 실시예에 있어서, 재난대응 추천부(240)는 키워드별 태깅정보를 재난대응용 기계학습 모델에 적용하고, 적용결과에 따라 재난 대응과 관련하여 출력되는 출동 지령서 내 재난 관련 신고 기록 정보에 상응하는 세부 분석결과를 추출할 수 있다.In this embodiment, the disaster response recommendation unit 240 applies the tagging information for each keyword to the machine learning model for disaster response, and corresponds to the disaster-related report record information in the dispatch instruction output related to the disaster response according to the application result detailed analysis results can be extracted.

재난대응 추천부(240)는 키워드별 태깅정보를 재난대응용 기계학습 모델에 적용하여 재난의 종류, 재난이 발생한 위치, 해당 위치에 따른 재난의 종류에 대한 세분화 정보, 재난의 진행상태 및 사고자 전화번호를 포함하는 재난 상세 정보를 세부 분석결과로서 추출한다. 즉, 재난대응 추천부(240)는 키워드별 태깅정보를 재난대응용 기계학습 모델에 적용하여, 재난의 종류를 화재, 구조, 구급 중 어느 하나의 카테고리를 분류하고, 각 카테고리별 환경에서 나오는 데이터(용어)를 취합하여 재난을 세부적으로 분류한다. 예컨대, 본 실시예에 따른 재난대응 추천방법에 의하는 경우 재난의 종류가 화재 카테고리로 분류된 경우 공장, 주택 등의 위치 관련 용어 정보를 기반으로 해당 화재가 공장 화재, 주택 화재 등으로 세분화하여 제공하며, 연기, 냄새, 색깔 등의 용어 정보를 기반으로 현재 재난의 진행상태가 어느 정도인지 여부를 파악하고, 사고자 이름, 전화번호 등의 용어 정보를 기반으로 연락처 정보를 파악하여 제공할 수 있다.The disaster response recommendation unit 240 applies the tagging information for each keyword to the machine learning model for disaster response, and the type of disaster, the location where the disaster occurred, segmentation information on the type of disaster according to the location, the progress of the disaster, and the accident person Disaster detailed information including phone numbers is extracted as a detailed analysis result. That is, the disaster response recommendation unit 240 applies the tagging information for each keyword to the machine learning model for disaster response, classifies the type of disaster into any one category among fire, rescue, and first aid, and data from the environment for each category (Terms) are aggregated to classify disasters in detail. For example, according to the disaster response recommendation method according to the present embodiment, when the type of disaster is classified into a fire category, the fire is subdivided into factory fires, house fires, etc. Based on term information such as smoke, odor, and color, it is possible to determine the current state of the disaster, and to provide contact information based on term information such as the name of the accident victim and phone number. .

재난대응 추천부(240)는 상기와 같이 추출된 재난 상황에 대한 세부 분석결과를 지정된 포맷 형태로 재구성하여 재난 관련 신고기록 정보를 생성하고, 이를 시각화하여 제공할 수 있다. 예컨대, 도 6을 참조하면, 본 실시예에 따른 재난대응 추천부(240)가 재난 관련 신고기록 정보를 시각화하여 제공하는 화면 형태를 확인할 수 있다.The disaster response recommendation unit 240 may reconstruct the detailed analysis result of the extracted disaster situation in a specified format to generate disaster-related report record information, and visualize it and provide it. For example, referring to FIG. 6 , the form of a screen provided by the disaster response recommendation unit 240 according to the present embodiment by visualizing disaster-related report record information may be checked.

또한, 본 실시예에 있어서, 재난대응 추천부(240)는 추출한 세부 분석결과를 재난대응용 기계학습 모델에 적용하며, 이를 통해, 현재 재난 상황에 맞는 대응 메뉴얼 정보를 산출하여 제공한다. 이를 위해, 재난대응용 기계학습 모델은 복수의 요건에 따라 기 분류된 재난 상황정보 별로 상황에 맞는 대응 메뉴얼 정보를 기 학습할 수 있다.Also, in this embodiment, the disaster response recommendation unit 240 applies the extracted detailed analysis result to the disaster response machine learning model, and through this, calculates and provides response manual information suitable for the current disaster situation. To this end, the machine learning model for disaster response may pre-learn response manual information suitable for each situation for each disaster situation information pre-classified according to a plurality of requirements.

예컨대, 재난대응 추천부(240)는 추출한 세부 분석결과를 재난대응용 기계학습 모델에 적용하여 기 분류된 재난 상황 정보 중 세부 분석결과와 상기의 복수의 요건 사이에 매칭이 최대인 재난 상황 정보를 선별하고, 선별된 재난 상황 정보에 상응하는 대응 메뉴얼 정보를 세부 분석결과에 따른 대응 메뉴얼 정보로서 제시할 수 있다.For example, the disaster response recommendation unit 240 applies the extracted detailed analysis result to a machine learning model for disaster response to obtain disaster situation information in which the matching between the detailed analysis result and the plurality of requirements among the pre-classified disaster situation information is maximum. It is possible to select and present response manual information corresponding to the selected disaster situation information as response manual information according to a detailed analysis result.

도 7은 본 실시예에 따른 재난대응 추천방법을 설명하기 위한 순서도이다.7 is a flowchart for explaining a disaster response recommendation method according to the present embodiment.

재난대응 추천장치(200)는 신고자의 음성정보를 수집하고, 수집한 음성정보를 텍스트 정보로 변환하여 제공한다(S702).The disaster response recommendation device 200 collects the reporter's voice information, converts the collected voice information into text information, and provides the information (S702).

재난대응 추천장치(200)는 텍스트 정보를 형태소 단위로 분리하고, 분리된 형태소를 재난 대응 관련하여 기 정의된 복수의 키워드 중 대응되는 키워드 상에 태깅하여 키워드별 태깅정보를 생성한다(S704). 단계 S704에서 재난대응 추천장치(200)는 재난 상황별 도메인 데이터에 기반하여 기 정의되는 복수의 키워드 및 복수의 키워드별 매칭 용어정보에 기반하여 키워드별 태깅정보를 생성할 수 있다. The disaster response recommendation apparatus 200 separates text information into morpheme units, and tags the separated morphemes on a corresponding keyword among a plurality of keywords previously defined in relation to disaster response to generate tagging information for each keyword (S704). In step S704, the disaster response recommendation apparatus 200 may generate tagging information for each keyword based on a plurality of keywords predefined based on domain data for each disaster situation and matching term information for each keyword.

재난대응 추천장치(200)는 키워드별 매칭 용어정보를 기반으로 하여, 분리된 형태소에 매칭되는 키워드를 선별하고, 기 정의된 복수의 키워드 중 선별된 키워드 상에 해당 형태소를 태깅시킴으로써 키워드별 태깅정보를 생성할 수 있다.The disaster response recommendation apparatus 200 selects keywords matching the separated morphemes based on the matching term information for each keyword, and tags the corresponding morphemes on the selected keywords among a plurality of predefined keywords, thereby providing tagging information for each keyword. can create

재난대응 추천장치(200)는 적어도 하나 이상의 재난대응용 기계학습 모델 및 키워드별 태깅정보를 기반으로 재난 상황에 대한 세부 분석결과를 자동 추출한다(S706). 단계 S706에서 재난대응 추천장치(200)는 재난 대응 관련 빅데이터에 대한 학습결과를 토대로 생성된 적어도 하나 이상의 재난대응용 기계학습 모델을 활용할 수 있다.The disaster response recommendation device 200 automatically extracts a detailed analysis result for a disaster situation based on at least one or more machine learning models for disaster response and tagging information for each keyword ( S706 ). In step S706 , the disaster response recommendation device 200 may utilize at least one or more machine learning models for disaster response generated based on the learning result of disaster response-related big data.

재난대응 추천장치(200)는 키워드별 태깅정보를 재난대응용 기계학습 모델에 적용하고, 적용결과에 따라 재난 대응과 관련하여 출력되는 출동 지령서 내 재난 관련 신고 기록 정보에 상응하는 세부 분석결과를 추출할 수 있다.The disaster response recommendation device 200 applies the tagging information for each keyword to the machine learning model for disaster response, and extracts the detailed analysis result corresponding to the disaster-related report record information in the dispatch instruction output related to the disaster response according to the application result can do.

재난대응 추천장치(200)는 단계 S706에서 추출한 세부 분석결과에 따른 대응 메뉴얼 정보를 제시한다(S708). 단계 S708에서 재난대응 추천장치(200)는 추출한 세부 분석결과를 재난대응용 기계학습 모델에 적용하여 기 분류된 재난 상황 정보 중 세부 분석결과와 상기의 복수의 요건 사이에 매칭이 최대인 재난 상황 정보를 선별하고, 선별된 재난 상황 정보에 상응하는 대응 메뉴얼 정보를 세부 분석결과에 따른 대응 메뉴얼 정보로서 제시한다.The disaster response recommendation device 200 presents response manual information according to the detailed analysis result extracted in step S706 (S708). In step S708, the disaster response recommendation device 200 applies the extracted detailed analysis result to the machine learning model for disaster response, and the maximum matching between the detailed analysis result among the pre-classified disaster situation information and the plurality of requirements is disaster situation information is selected, and response manual information corresponding to the selected disaster situation information is presented as response manual information according to the detailed analysis result.

여기서, 단계 S702 내지 S708은 앞서 설명된 재난대응 추천장치(200)의 각 구성요소의 동작에 대응되므로 더 이상의 상세한 설명은 생략한다.Here, since steps S702 to S708 correspond to the operation of each component of the disaster response recommendation apparatus 200 described above, further detailed description will be omitted.

도 7에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 7에 기재된 과정을 변경하여 실행하거나 하나 이상의 과정을 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 7은 시계열적인 순서로 한정되는 것은 아니다.Although it is described that each process is sequentially executed in FIG. 7 , it is not necessarily limited thereto. In other words, since it may be applicable to changing and executing the process described in FIG. 7 or executing one or more processes in parallel, FIG. 7 is not limited to a chronological order.

전술한 바와 같이 도 7에 기재된 재난대응 추천방법은 프로그램으로 구현되고 컴퓨터의 소프트웨어를 이용하여 읽을 수 있는 기록매체(CD-ROM, RAM, ROM, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등)에 기록될 수 있다.As described above, the disaster response recommendation method described in FIG. 7 is implemented as a program and readable recording media (CD-ROM, RAM, ROM, memory card, hard disk, magneto-optical disk, storage device, etc.) ) can be recorded.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical idea of this embodiment, and various modifications and variations will be possible by those skilled in the art to which this embodiment belongs without departing from the essential characteristics of the present embodiment. Accordingly, the present embodiments are intended to explain rather than limit the technical spirit of the present embodiment, and the scope of the technical spirit of the present embodiment is not limited by these embodiments. The protection scope of this embodiment should be interpreted by the following claims, and all technical ideas within the equivalent range should be interpreted as being included in the scope of the present embodiment.

200: 재난대응 추천장치 210: 음성 인식부
220: 자연어 처리부 230: 학습 모델부
240: 재난대응 추천부200: disaster response recommendation device 210: voice recognition unit
220: natural language processing unit 230: learning model unit
240: Disaster response recommendation unit

Claims (11)

신고자의 음성정보를 수집하고, 상기 음성정보를 텍스트 정보로 변환하여 제공하는 음성 인식부;
상기 텍스트 정보를 형태소 단위로 분리하고, 분리된 형태소를 재난 대응 관련하여 기 정의된 복수의 키워드 중 대응되는 키워드 상에 태깅시켜 키워드별 태깅정보를 생성하는 자연어 처리부;
상기 재난 대응 관련하여 수집된 빅데이터에 대한 학습결과를 토대로 생성된 적어도 하나 이상의 재난대응용 기계학습 모델을 저장하는 학습 모델부; 및
상기 키워드별 태깅정보 및 상기 재난대응용 기계학습 모델을 기반으로 재난 상황에 대한 세부 분석결과를 자동 추출하고, 추출한 세부 분석결과에 따른 대응 메뉴얼 정보를 제시하는 재난대응 추천부
를 포함하는 것을 특징으로 하는 재난대응 추천장치.a voice recognition unit that collects the voice information of the reporter and converts the voice information into text information;
a natural language processing unit that divides the text information into morpheme units and tags the separated morphemes on a corresponding keyword among a plurality of keywords previously defined in relation to disaster response to generate tagging information for each keyword;
a learning model unit for storing at least one machine learning model for disaster response generated based on a learning result of the big data collected in relation to the disaster response; and
A disaster response recommendation unit that automatically extracts detailed analysis results for disaster situations based on the keyword-specific tagging information and the disaster response machine learning model, and presents response manual information according to the extracted detailed analysis results
Disaster response recommendation device comprising a. 제 1항에 있어서,
상기 자연어 처리부는,
재난 상황별 도메인 데이터에 기반하여 기 정의되는 상기 복수의 키워드 및 상기 복수의 키워드별 매칭 용어정보에 기반하여 상기 키워드별 태깅정보를 생성하는 것을 특징으로 하는 재난대응 추천장치.The method of claim 1,
The natural language processing unit,
Disaster response recommendation apparatus, characterized in that the tagging information for each keyword is generated based on the plurality of keywords that are predefined based on domain data for each disaster situation and the matching term information for each of the plurality of keywords. 제 2항에 있어서,
상기 재난 상황별 도메인 데이터는,
재난 유형별 대응 메뉴얼, 사고내용 접수데이터, 전국 POI 데이터 및 언론 기사 데이터 중 적어도 하나인 것을 특징으로 하는 재난대응 추천장치.3. The method of claim 2,
The domain data for each disaster situation is,
Disaster response recommendation device, characterized in that at least one of a response manual for each type of disaster, incident data reception data, national POI data, and media article data. 제 1항에 있어서,
상기 자연어 처리부는,
상기 분리된 형태소를 화재, 구조 및 구급으로 구분되는 재난 분류키워드, 주소 키워드 및 연락처 키워드를 포함하는 상기 복수의 키워드 중 대응되는 키워드 상에 태깅시켜 상기 키워드별 태깅정보를 생성하는 것을 특징으로 하는 재난대응 추천장치.The method of claim 1,
The natural language processing unit,
Disaster characterized in that the separated morphemes are tagged on a corresponding keyword among the plurality of keywords including a disaster classification keyword divided into fire, rescue and first aid, an address keyword, and a contact keyword to generate tagging information for each keyword Corresponding recommendation device. 제 1항에 있어서,
상기 재난대응용 기계학습 모델은,
출동지령서, 소방 사례집, 119 구급 상황관리센터 상담 메뉴얼, 119 상황관리 표준메뉴얼, 119 상황대응 표준메뉴얼 및 상담 유선전화 녹취 데이터를 포함한 상기 빅데이터에 대한 앙상블 학습결과(Ensemble learning)를 토대로 생성된 학습 모델인 것을 특징으로 하는 재난대응 추천장치.The method of claim 1,
The disaster response machine learning model is,
Learning generated based on the ensemble learning results for the big data, including dispatch orders, firefighting case book, 119 emergency situation management center consultation manual, 119 situation management standard manual, 119 situation response standard manual and counseling landline phone recording data Disaster response recommendation device, characterized in that the model. 제 5항에 있어서,
상기 재난대응용 기계학습 모델은,
상기 학습결과에 대해 재난 전문가의 검증 결과를 반영하여 생성된 학습 모델인 것을 특징으로 하는 재난대응 추천장치.6. The method of claim 5,
The disaster response machine learning model is,
Disaster response recommendation apparatus, characterized in that the learning model is generated by reflecting the verification result of the disaster expert with respect to the learning result. 제 1항에 있어서,
상기 재난대응 추천부는,
상기 키워드별 태깅정보를 상기 재난대응용 기계학습 모델에 적용하고, 적용결과에 따라 상기 재난 대응과 관련하여 출력되는 출동 지령서 내 재난 관련 신고기록 정보에 상응하는 상기 세부 분석결과를 추출하는 것을 특징으로 하는 재난대응 추천장치.The method of claim 1,
The disaster response recommendation unit,
Applying the tagging information for each keyword to the disaster response machine learning model, and extracting the detailed analysis result corresponding to the disaster-related report record information in the dispatch instruction output related to the disaster response according to the application result Disaster response recommendation system. 제 7항에 있어서,
상기 재난대응 추천부는,
상기 키워드별 태깅정보를 상기 재난대응용 기계학습 모델에 적용하여 상기 재난의 종류, 상기 재난이 발생한 위치, 상기 위치에 따른 상기 재난의 종류에 대한 세분화 정보, 상기 재난의 진행상태 및 사고자 전화번호를 포함하는 재난 상세정보를 상기 세부 분석결과로서 추출하는 것을 특징으로 하는 재난대응 추천장치.8. The method of claim 7,
The disaster response recommendation unit,
By applying the keyword-specific tagging information to the disaster response machine learning model, the type of disaster, the location where the disaster occurred, subdivision information on the type of disaster according to the location, the progress status of the disaster, and the accident person's phone number Disaster response recommendation apparatus, characterized in that extracting detailed disaster information including a result of the detailed analysis. 제 8항에 있어서,
상기 재난대응 추천부는,
상기 재난 상황에 대한 세부 분석결과를 지정된 포맷 형태로 재구성하여 상기 재난 관련 신고기록 정보를 생성하고, 상기 신고기록 정보를 시각화하여 제공하는 것을 특징으로 하는 재난대응 추천장치.9. The method of claim 8,
The disaster response recommendation unit,
Disaster response recommendation apparatus, characterized in that the detailed analysis result of the disaster situation is reconstructed in a specified format to generate the disaster-related report record information, and visualize the report record information and provide it. 제 1항에 있어서,
상기 재난대응용 기계학습 모델은, 복수의 요건에 따라 기 분류된 재난 상황 정보별로 상황에 맞는 대응 메뉴얼 정보를 기 학습하며,
상기 재난대응 추천부는, 상기 세부 분석결과를 상기 재난대응용 기계학습 모델에 적용하여 상기 재난 상황 정보 중 상기 세부 분석결과와 상기 복수의 요건 사이에 매칭이 최대인 재난 상황 정보를 선별하고, 선별된 재난 상황 정보에 상응하는 대응 메뉴얼 정보를 상기 세부 분석결과에 따른 대응 메뉴얼 정보로서 제시하는 것을 특징으로 하는 재난대응 추천장치.The method of claim 1,
The disaster response machine learning model pre-learns response manual information appropriate to the situation for each disaster situation information pre-classified according to a plurality of requirements,
The disaster response recommendation unit applies the detailed analysis result to the disaster response machine learning model to select disaster situation information in which the matching between the detailed analysis result and the plurality of requirements is maximum among the disaster situation information, Disaster response recommendation apparatus, characterized in that the response manual information corresponding to the disaster situation information is presented as response manual information according to the detailed analysis result. 재난대응 추천장치의 재난대응 추천방법에 있어서,
신고자의 음성정보를 수집하고, 상기 음성정보를 텍스트 정보로 변환하여 제공하는 과정;
상기 텍스트 정보를 형태소 단위로 분리하고, 분리된 형태소를 재난 대응 관련하여 기 정의된 복수의 키워드 중 대응되는 키워드 상에 태깅시켜 키워드별 태깅정보를 생성하는 과정; 및
상기 재난 대응 관련하여 수집된 빅데이터에 대한 학습결과를 토대로 생성된 적어도 하나 이상의 재난대응용 기계학습 모델 및 상기 키워드별 태깅정보를 기반으로 재난 상황에 대한 세부 분석결과를 자동 추출하고, 추출한 세부 분석결과에 따른 대응 메뉴얼 정보를 제시하는 과정
을 포함하는 것을 특징으로 하는 재난대응 추천방법.



In the disaster response recommendation method of the disaster response recommendation device,
A process of collecting the voice information of the reporter, converting the voice information into text information, and providing the voice information;
generating tagging information for each keyword by separating the text information into morpheme units and tagging the separated morphemes on a corresponding keyword among a plurality of predefined keywords in relation to disaster response; and
Automatic extraction of detailed analysis results for disaster situations based on at least one machine learning model for disaster response generated based on the learning results of the big data collected in relation to the disaster response and the tagging information for each keyword, and the extracted detailed analysis Process of presenting response manual information according to the result
Disaster response recommendation method comprising a.
KR1020190166679A 2019-12-13 2019-12-13 Method and Apparatus for Recommending Disaster Response KR102353545B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190166679A KR102353545B1 (en) 2019-12-13 2019-12-13 Method and Apparatus for Recommending Disaster Response

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190166679A KR102353545B1 (en) 2019-12-13 2019-12-13 Method and Apparatus for Recommending Disaster Response

Publications (2)

Publication Number Publication Date
KR20210075511A true KR20210075511A (en) 2021-06-23
KR102353545B1 KR102353545B1 (en) 2022-01-20

Family

ID=76599106

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190166679A KR102353545B1 (en) 2019-12-13 2019-12-13 Method and Apparatus for Recommending Disaster Response

Country Status (1)

Country Link
KR (1) KR102353545B1 (en)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657791A (en) * 2021-08-24 2021-11-16 北京来也网络科技有限公司 Dangerous case emergency processing method, device, equipment and medium based on RPA and AI
KR102396771B1 (en) * 2021-12-15 2022-05-16 대한민국 A method for extracting disaster cause automatically
KR102464333B1 (en) * 2022-03-16 2022-11-09 한국원자력연구원 Method and device for processing radioactivity disaster response
KR20230017645A (en) 2021-07-28 2023-02-06 한국전자통신연구원 System and method for covergence analysis of report data for disaster response
KR20230030254A (en) * 2021-08-25 2023-03-06 한국전자통신연구원 System, device and method for managing emergency dispatch command information capable of providing relevant emergency dispatch command information
KR20230049248A (en) * 2021-10-06 2023-04-13 숭실대학교산학협력단 System for providing personalized disater information, method therefor, and computer readable medium for performing the method
KR102571419B1 (en) * 2023-03-03 2023-09-01 소프트온넷(주) Disaster response system through artificial intelligence-based planning and decision-making and method using the same

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101600594B1 (en) * 2014-08-28 2016-03-08 한국가스안전공사 First response system for hazardous materials incident
KR20170118465A (en) * 2016-04-15 2017-10-25 한국과학기술연구원 Integrated system and method for voice analysis and situation deduction
KR20170140860A (en) * 2016-06-14 2017-12-22 가천대학교 산학협력단 Emergency Dispatch System and Method based on Korean Speech Recognition Technology
KR20180046269A (en) * 2016-10-27 2018-05-08 대한민국(해양경찰청 해양경찰연구센터장) System for providing total service of disaster information using communication network
KR20180078569A (en) * 2016-12-30 2018-07-10 한국과학기술연구원 Appratus and method for classfying situation based on text

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101600594B1 (en) * 2014-08-28 2016-03-08 한국가스안전공사 First response system for hazardous materials incident
KR20170118465A (en) * 2016-04-15 2017-10-25 한국과학기술연구원 Integrated system and method for voice analysis and situation deduction
KR20170140860A (en) * 2016-06-14 2017-12-22 가천대학교 산학협력단 Emergency Dispatch System and Method based on Korean Speech Recognition Technology
KR20180046269A (en) * 2016-10-27 2018-05-08 대한민국(해양경찰청 해양경찰연구센터장) System for providing total service of disaster information using communication network
KR20180078569A (en) * 2016-12-30 2018-07-10 한국과학기술연구원 Appratus and method for classfying situation based on text

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230017645A (en) 2021-07-28 2023-02-06 한국전자통신연구원 System and method for covergence analysis of report data for disaster response
CN113657791A (en) * 2021-08-24 2021-11-16 北京来也网络科技有限公司 Dangerous case emergency processing method, device, equipment and medium based on RPA and AI
KR20230030254A (en) * 2021-08-25 2023-03-06 한국전자통신연구원 System, device and method for managing emergency dispatch command information capable of providing relevant emergency dispatch command information
US11870933B2 (en) 2021-08-25 2024-01-09 Electronics And Telecommunications Research Institute Emergency dispatch command information management system, device, and method capable of providing relevant emergency dispatch command information
KR20230049248A (en) * 2021-10-06 2023-04-13 숭실대학교산학협력단 System for providing personalized disater information, method therefor, and computer readable medium for performing the method
KR102396771B1 (en) * 2021-12-15 2022-05-16 대한민국 A method for extracting disaster cause automatically
KR102464333B1 (en) * 2022-03-16 2022-11-09 한국원자력연구원 Method and device for processing radioactivity disaster response
KR102571419B1 (en) * 2023-03-03 2023-09-01 소프트온넷(주) Disaster response system through artificial intelligence-based planning and decision-making and method using the same

Also Published As

Publication number Publication date
KR102353545B1 (en) 2022-01-20

Similar Documents

Publication Publication Date Title
KR102353545B1 (en) Method and Apparatus for Recommending Disaster Response
CN110444198B (en) Retrieval method, retrieval device, computer equipment and storage medium
CN109492858B (en) Employee performance prediction method and device based on machine learning, equipment and medium
US20150348569A1 (en) Semantic-free text analysis for identifying traits
CN105653444A (en) Internet log data-based software defect failure recognition method and system
CN106570180A (en) Artificial intelligence based voice searching method and device
CN115828112B (en) Fault event response method and device, electronic equipment and storage medium
KR102019207B1 (en) Apparatus and method for assessing data quality for text analysis
CN114007131B (en) Video monitoring method and device and related equipment
US11349989B2 (en) Systems and methods for sensing emotion in voice signals and dynamically changing suggestions in a call center
CN112765974B (en) Service assistance method, electronic equipment and readable storage medium
CN111145903A (en) Method and device for acquiring vertigo inquiry text, electronic equipment and inquiry system
CN116956896A (en) Text analysis method, system, electronic equipment and medium based on artificial intelligence
CN110851611A (en) Hidden danger data knowledge graph construction method, device, equipment and medium
US11645322B2 (en) Method and analytical engine for a semantic analysis of textual data
KR20150019474A (en) Professional field search supporting method and apparatus
CN117312562A (en) Training method, device, equipment and storage medium of content auditing model
CN111063446A (en) Method, apparatus, device and storage medium for standardizing medical text data
CN116756688A (en) Public opinion risk discovery method based on multi-mode fusion algorithm
CN116881395A (en) Public opinion information detection method and device
Sefara et al. Text-based language identification for some of the under-resourced languages of South Africa
US10387472B2 (en) Expert stance classification using computerized text analytics
CN114372532A (en) Method, device, equipment, medium and product for determining label marking quality
CN115687910A (en) Data processing method and device, computer equipment and readable storage medium
CN112951429A (en) Information processing method and device for screening psychological crisis of primary and secondary school students

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