근래에는 경제운전에 대한 중요성이 점차 부각되고 있어 운전자의 운전 행태나 성향을 자동으로 분석한 후 경제운전을 위한 방법을 운전자에게 알려줄 수 있는 연구가 필요하다. 본 논문에서는 이를 위해 차량에 대한 운행일시, 운행거리, 운행시간, 주행속도, 공회전시간, 급가속/급감속 횟수, 연료소모량 등의 운행정보를 수집하였고, 데이터마이닝을 이용하여 운전자의 운행패턴이 경제운전에 어떤 영향을 미칠 수 있는지 분석하였다. 본 연구 결과는 주행 중 운전자에게 지속적으로 공회전과 과속 정보, 급가속/급감속 횟수를 차량 단말에 표현하여 제공하고, 공회전과 과속 비율이 일정 임계치를 초과할 경우 경고 정보를 제공함으로써 경제운전에 악영향을 미칠 수 있는 운전 습관을 미리 예방할 수 있는 방안에 활용할 수 있다.
근래에는 경제운전에 대한 중요성이 점차 부각되고 있어 운전자의 운전 행태나 성향을 자동으로 분석한 후 경제운전을 위한 방법을 운전자에게 알려줄 수 있는 연구가 필요하다. 본 논문에서는 이를 위해 차량에 대한 운행일시, 운행거리, 운행시간, 주행속도, 공회전시간, 급가속/급감속 횟수, 연료소모량 등의 운행정보를 수집하였고, 데이터마이닝을 이용하여 운전자의 운행패턴이 경제운전에 어떤 영향을 미칠 수 있는지 분석하였다. 본 연구 결과는 주행 중 운전자에게 지속적으로 공회전과 과속 정보, 급가속/급감속 횟수를 차량 단말에 표현하여 제공하고, 공회전과 과속 비율이 일정 임계치를 초과할 경우 경고 정보를 제공함으로써 경제운전에 악영향을 미칠 수 있는 운전 습관을 미리 예방할 수 있는 방안에 활용할 수 있다.
Recently, as the importance of Economical Driving has been gradually growing up, the needs for research on automatic analysis of driving patterns that will ultimately provide drivers the methods for Economical Driving have been increasingly risen. Based on this purpose, we have executed two things i...
Recently, as the importance of Economical Driving has been gradually growing up, the needs for research on automatic analysis of driving patterns that will ultimately provide drivers the methods for Economical Driving have been increasingly risen. Based on this purpose, we have executed two things in this paper. First, we have collected overall driving information such as date, distance, driving time, speed, idle time, sudden acceleration/deceleration count, and the amount of fuel consumption. Second, we have analyzed the influences of driving patterns on economical driving by employing the data mining techniques. These results can be applied in preventing bad driving patterns which will have consequently bad effects on Economical Driving in two aspects: by presenting some information on the terminal of the vehicles such as idle time, over-speed time, sudden acceleration/deceleration count continuously and by providing the drivers with alert information when the idle time ratio and the over-speed time ratio are excessive.
Recently, as the importance of Economical Driving has been gradually growing up, the needs for research on automatic analysis of driving patterns that will ultimately provide drivers the methods for Economical Driving have been increasingly risen. Based on this purpose, we have executed two things in this paper. First, we have collected overall driving information such as date, distance, driving time, speed, idle time, sudden acceleration/deceleration count, and the amount of fuel consumption. Second, we have analyzed the influences of driving patterns on economical driving by employing the data mining techniques. These results can be applied in preventing bad driving patterns which will have consequently bad effects on Economical Driving in two aspects: by presenting some information on the terminal of the vehicles such as idle time, over-speed time, sudden acceleration/deceleration count continuously and by providing the drivers with alert information when the idle time ratio and the over-speed time ratio are excessive.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 2.5톤 트럭 운전자의 차량 운행정보를 활용하여 경제운전과 공회전시간, 급가속 및 급감속 횟수가 어떤 영향을 미치는지에 대하여 분석한다.
근래에 고유가 시대와 세계 경제 위기에 들어서면서, 경제운전에 대한 중요성이 부각됨에 운전자의 운전 행태나 성향을 자동으로 분석한 후 경제운전을 위한 방법을 운전자에게 알려주기 위한 방법이 필요하다. 본 논문에서는 운전자의 운행정보를 실시간으로 수집 및 저장하여 운행패턴을 자동으로 분석하는 방법에 대한 연구를 수행하였다.
이에 본 논문에서는 운전자의 차량 운행 정보에 대해서도 대량의 정보를 축적할 수 있는 환경을 구축할 수 있으므로 경제적인 운행 패턴에 영향을 미칠 수 있는 공회전 시간, 급가속/급감속 회수, 과속 주행 비율 등의 정보를 수집한 후, 데이터마이닝 기법을 활용하여 운전자별 운행정보를 분석함으로써 경제운전을 유도할 수 있는 유용한 정보를 도출하고 이를 운전자에게 제공할 수 있는 방법을 제안하고자 한다.
회귀 모형이란 변수들 간의 상호 관련성을 규명하고 어떤 변수들의 변화로부터 다른 변수들의 변화를 예측하는 통계기법이다. 즉, 변수들이 서로 어떤 관계이며, 얼마나 밀접한가와 관심 있는 하나의 변수가 다른 변수들에 의해 얼마나 잘 예측될 수 있는지를 알아보는 것이다. 회귀 모형은 공정변수가 하나일 때, 공정변수와 품질변수간의 선형관계에 대한 분석을 하는 단순 회귀 모형(simple regression model)과 품질변수에 영향을 미치는 변수가 여러 개일 때, 이들 공정변수들과 품질간의 선형 관계에 대한 분석을 하는 다중 회귀 모형(multiple regression model)으로 구성된다.
제안 방법
차량 정보 수집 기간은 2008년 11월부터 2009년 3월까지의 4개월간 진행하였다. 4개 차량에 대한 데이터 중에서 2.5 톤 차량에 대해 수집한 운행정보에 대해 데이터 분석을 수행하였다.
미국에서는 차량의 이상운행을 실시간으로 모니터하기 위해 VEDAS(VEhicle DAta Stream mining)시스템을 개발하였다. VEDAS에서는 PDA와 OBD-II를 연결하여 차량의 방향, 차량의 속도, 차량 상태정보 등을 수집하고, 각 차량별로 PDA 단말기를 통해 분산 데이터마이닝을 수행하여 음주운전, 졸음운전 등과 같은 위험한 운전패턴을 분석하는 연구를 수행하였다 [6].
과속 운행이 연료소모비율에 영향을 미치는 부분에 대해 알아보기 위해 317건의 운행중에서 비슷한 운행시간을 보이면서 연료소모비율이 차이가 나는 운행에 대해 와 같이 크게 4개의 실험으로 구분하여 각 실험별 운행 특징을 분석하였다.
5회로 나타났다. 과속 주행 비율과 연료소모 비율과의 비교를 위해서는 일정한 운행시간동안 공회전 비율이 낮지만, 연료소모비율이 높은 운행에 대한 군집분석을 수행하였다. 시속 100km 이상의 속도로 주행하는 경우에는 공회전 비율과 급가속 횟수가 낮은 경우에도 연료소모비율이 낮음을 알 수 있었다.
급가속/급감속 횟수와 연료소모비율과의 비교를 위해 공회전비율이 비슷한 5개의 군집으로 나누어 군집분석을 수행하였다. 5개의 군집 중에서 공회전 비율이 비슷한 운행 중 연료소모비율이 가장 많이 차이나는 군집을 2개 선택하여 공회전 비율이 비슷한 경우에는 급가속 횟수가 높은 경우 연료소모비율이 낮아짐을 알 수 있었다.
동일한 거리를 적은 연료를 이용하여 주행할 수록 연료소모비율의 수치가 크게 나오며, 좋은 운행기록으로 볼 수 있다. 다음은 연료소모비율 수치가 크게 나온 상위 10%의 운행 기록과 연료소모 비율이 작게 나온 하위 10%의 운행 기록에 대한 회귀분석을 수행하였다.
수집장치를 통한 차량 정보 수집주기는 편의에 따라 정할 수 있다. 본 논문에서는 1초마다 수집되는 정보와 10초마다 수집되는 정보로 구별하였다. 1초마다 수집장치를 통해 주기적으로 수집되는 정보의 종류로는 엔진 회전수(RPM), 주행거리, 주행 속도, 연료 분사량, 배터리전압, 냉각수 온도, DTC(Diagnostic Trouble Code) 등의 정보가 있다.
본 장에서는 회귀분석을 이용하여 공회전, 급가속, 급감속 등과 연료소모량간의 관계를 분석하였고, 군집분석을 통해 경제운전에 크게 영향을 미치는 공회전 비율에 대한 분석을 수행한다. 본 논문에서는 ECMiner를 사용하여 데이터를 분석하였다.
동일한 운전자일 경우에도 운전패턴에 따라 연료소모 비율이 다를 수 있다. 본 논문에서는 공회전 비율, 급가속 횟수연료소모비율에 많은 차이를 , 급감속 횟수에 따라 구분되는 운전패턴에 따라 연료소모비율이 어떤 영향을 받는 지에 대해 분석하기 위해, 공회전비율(IDLE_ RATIO)과 연료소모비율 (MILEAGE)은 식(2)와 식(3)과 같이 계산하여 사용하였다.
본 논문에서는 운전자가 시동을 켜고 주행한 후, 시동을 끌 때까지의 시간동안을 하나의 운행이라 정의하고 이에 대한 운행시작 및 종료시간, 운행거리, 공회전시간, 급가속/급감속 횟수, 연료소모량 등의 정보도 수집하였다.
본 장에서는 회귀분석을 이용하여 공회전, 급가속, 급감속 등과 연료소모량간의 관계를 분석하였고, 군집분석을 통해 경제운전에 크게 영향을 미치는 공회전 비율에 대한 분석을 수행한다. 본 논문에서는 ECMiner를 사용하여 데이터를 분석하였다.
운행정보를 수집하기 위해 차량의 속도, 공회전 시간, 급가속/급감속 횟수를 수집할 수 있는 진단장치를 차량에 설치하고, 이를 차량단말에서 수집한 후, CDMA망을 통해 차량정보서버로 송신하였다. 차량정보 서버에 저장된 운전자의 운행정보 데이터를 이용하여 공회전 시간, 급가속/급감속 횟수와 과속 주행시간이 연료소모비율에 미치는 영향에 대해 다음과 같이 분석해 볼 수 있었다.
<그림 1>의 수집 환경에서는 차량의 OBD-II 인터페이스에 수집장치를 연결하여 차량 정보를 수집하고 이를 텔레매틱스 단말기에 전달하는 방법을 사용하였다.
민석기 등의 연구에서는 실험차량을 통해 운전자의 주행패턴을 결정하는 파라미터로 Time-gap과 TTC(Time-to- Collision)을 사용하였다. 이를 위해 평균 주행속도, 선행 차량과의 평균 유지 거리를 측정하였다. Time-gap은 선행 차량과 자기 차량의 상대거리를 자기 차량의 속도로 나누어 계산한 값이고, TTC는 선행차량과 자기 차량의 상대 속도와 상대거리의 비율을 통해 계산하였다.
운행정보를 수집하기 위해 차량의 속도, 공회전 시간, 급가속/급감속 횟수를 수집할 수 있는 진단장치를 차량에 설치하고, 이를 차량단말에서 수집한 후, CDMA망을 통해 차량정보서버로 송신하였다. 차량정보 서버에 저장된 운전자의 운행정보 데이터를 이용하여 공회전 시간, 급가속/급감속 횟수와 과속 주행시간이 연료소모비율에 미치는 영향에 대해 다음과 같이 분석해 볼 수 있었다.
대상 데이터
서버는 단말기로부터 차량 정보를 수신하여 데이터베이스의 차량 상태 DB와 차량 운행 DB에 저장한다. 본 논문에서는 1톤 2대, 2.5톤 2대, 5톤 2대, 11톤 2대 등의 4개 차종 8대에 대한 차량 정보를 수집하였다. 차량 정보 수집 기간은 2008년 11월부터 2009년 3월까지의 4개월간 진행하였다.
운전자의 운행패턴을 분석하기 위해서는 각 운전자별로 실제 운행한 정보를 수집하여 저장할 수 있는 시스템이 필요하다. 본 논문에서는 그림 1의 차량 및 운전자 정보 수집시스템 환경을 이용하여 데이터를 수집하였다.
5톤 2대, 5톤 2대, 11톤 2대 등의 4개 차종 8대에 대한 차량 정보를 수집하였다. 차량 정보 수집 기간은 2008년 11월부터 2009년 3월까지의 4개월간 진행하였다. 4개 차량에 대한 데이터 중에서 2.
이론/모형
민석기 등의 연구에서는 실험차량을 통해 운전자의 주행패턴을 결정하는 파라미터로 Time-gap과 TTC(Time-to- Collision)을 사용하였다. 이를 위해 평균 주행속도, 선행 차량과의 평균 유지 거리를 측정하였다.
성능/효과
또, 동일한 차량에 대해서도 운전자가 일정한 운행패턴을 보이는 것이 아니라 연료소모비율이 좋은 경우와 나쁜 경우가 공존하는 것으로 나타났다. 2.5톤-A차량에 대해 주행시간에 대한 공회전 시간을 비교하여 계산한 공회전 비율을 검토한 결과 상위 10%로 연료소모비율이 좋은 경우는 평균 공회전 비율이 14.5%, 하위 10%의 연료소모비율이 나쁜 경우는 평균 공회전 비율이 70%로 나타나 공회전 비율이 적게 분포될 수록 연료소모비율이 좋음을 알 수 있었다.
급가속/급감속 횟수와 연료소모비율과의 비교를 위해 공회전비율이 비슷한 5개의 군집으로 나누어 군집분석을 수행하였다. 5개의 군집 중에서 공회전 비율이 비슷한 운행 중 연료소모비율이 가장 많이 차이나는 군집을 2개 선택하여 공회전 비율이 비슷한 경우에는 급가속 횟수가 높은 경우 연료소모비율이 낮아짐을 알 수 있었다. 연료소모비율이 높은 군집에서는 급가속 횟수가 평균 25.
공회전 시간 증가에 따라 연료소모량도 증가하는 경우로 분석 결과가 나타났다. 또, 동일한 차량에 대해서도 운전자가 일정한 운행패턴을 보이는 것이 아니라 연료소모비율이 좋은 경우와 나쁜 경우가 공존하는 것으로 나타났다.
<표 8>과 <표 9>를 비교해 보면 실험 4-1 운행시간에는 C2, C4, C5 의 중심 속도가 56~76 으로 보여지고, 실험 4-2 운행시간에는 C5의 중심 속도가 115로 보여진다. 따라서, 실험 4-2의 운행시간에서는 실험 4-1 보다 과속의 비율이 더 많아서, 연료소모비율이 낮게 나타남을 알 수 있다.
공회전 시간 증가에 따라 연료소모량도 증가하는 경우로 분석 결과가 나타났다. 또, 동일한 차량에 대해서도 운전자가 일정한 운행패턴을 보이는 것이 아니라 연료소모비율이 좋은 경우와 나쁜 경우가 공존하는 것으로 나타났다. 2.
과속 주행 비율과 연료소모 비율과의 비교를 위해서는 일정한 운행시간동안 공회전 비율이 낮지만, 연료소모비율이 높은 운행에 대한 군집분석을 수행하였다. 시속 100km 이상의 속도로 주행하는 경우에는 공회전 비율과 급가속 횟수가 낮은 경우에도 연료소모비율이 낮음을 알 수 있었다. 본 논문의 결과는 경제운전에 대한 공회전 비율과 급가속/급감속 횟수, 과속주행 비율에 대한 임계치를 산정하는 정보로 활용할 수 있을 것이다.
5개의 군집 중에서 공회전 비율이 비슷한 운행 중 연료소모비율이 가장 많이 차이나는 군집을 2개 선택하여 공회전 비율이 비슷한 경우에는 급가속 횟수가 높은 경우 연료소모비율이 낮아짐을 알 수 있었다. 연료소모비율이 높은 군집에서는 급가속 횟수가 평균 25.5회, 급감속 횟수는 평균 6.5회로 나타났고, 연료소모비율이 낮은 군집에서는 급가속 횟수가 평균 52회, 급감속 횟수는 11.5회로 나타났다. 과속 주행 비율과 연료소모 비율과의 비교를 위해서는 일정한 운행시간동안 공회전 비율이 낮지만, 연료소모비율이 높은 운행에 대한 군집분석을 수행하였다.
<그림 3>은 317건의 운행 기록중에서 연료소모비율이 높아 상위 10%안에 포함된 운행 기록에 대해 공회전 비율과 연료소모비율과의 관계, 급가속/급감속 횟수와 연료소모비율과의 관계를 볼 수 있는데, 상위 10%의 연료소모비율로 갈수록 공회전 비율, 급가속/급감속 횟수가 적게 보임을 알 수 있다.
은 연관식을 추출할 수 있었고 회귀 분석 중 상수값과 IDLE_TIME의 p-value = 0으로 측정되어 아래 연관식이 유효한 정보임을 알 수 있었다.
하위 10%의 연료소모비율로 갈수록 공회전 비율이 대부분 40%이상을 차지하기 때문에 급가속 횟수가 비교적 적게 나타나도 연료소모비율이 낮음을 알 수 있다. 이를 통해, 공회전 비율을 낮추는 운전 패턴이 경제 운전에 영향을 미침을 알 수 있었다.
회귀 분석을 수행한 결과 다음의 식(5)와 같은 연관식을 추출할 수 있었고 회귀 분석 중 상수값의 p-value는 0이므로 유효하고 IDLE_RATIO의 p-value는 0.07, HIGHSP_CNT의 p-value는 0.16이므로 연관 식이 유효하지는 않지만, 도표를 통해 공회전이 연료소모비율에 많은 영향을 주는 것을 알 수 있었다.
후속연구
5톤-A 차량은 C1 군집에서는 공회전 중심값이 높아 연료소모비율이 낮은 중심값을 보이며, C3 군집에서는 공회전 중심값이 낮아 연료소모비율이 높은 중심값을 보인다. 군집 C2와 군집 C4에서는 공회전 중심값은 각각 10.8과 9.5로 비슷하게 낮지만, 연료소모비율 중심값에서는 6.3과 1.3으로 많은 차이를 보이므로 공회전 비율 이외의 연료소모비율을 낮게 한 다른 요인에 대한 분석이 추가로 필요하다.
그러나, 경제운전을 위한 지침이나 홍보물은 주로 운전자의 운전 방법과 차량 관리 방법에 대한 가이드 정보를 제공하고 있으나 운전자가 이러한 가이드들을 모두 숙지하고 있을지라도 실제 운전에 적용하기는 쉽지 않은 현실이다. 따라서, 개별 운전자의 운전 행태나 성향을 자동으로 분석한 후 운전패턴이 경제운전에 어떤 영향을 미치는지를 비교하여 운전자에게 알려주는 방법에 대한 연구가 필요하다.
시속 100km 이상의 속도로 주행하는 경우에는 공회전 비율과 급가속 횟수가 낮은 경우에도 연료소모비율이 낮음을 알 수 있었다. 본 논문의 결과는 경제운전에 대한 공회전 비율과 급가속/급감속 횟수, 과속주행 비율에 대한 임계치를 산정하는 정보로 활용할 수 있을 것이다. 예를 들어, 운전자가 차량을 운행할 때, 차량단말에서는 운전자의 공회전비율과 급가속/급감속 횟수, 과속주행 비율을 모니터링하여 각각 임계치 이상을 초과하는 경우에 대한 경고를 단계화하여 제공할 수 있다.
위와 같이 기존의 연구에서는 경제 운전에 필요한 운전습관에 대한 기본적인 방안을 제공하거나, 위험한 운행을 하는 차량 운전자를 검색할 수 있는 방안을 제공하는 연구로 구성되므로, 개별 운전자의 운전 패턴을 알 수 있는 정보를 지속적으로 수집하여 운전 성향을 자동으로 분석함으로써 보완되어야 할 운전패턴에 대한 정보를 해당 운전자에게 쉽게 알려주어 경제 운전을 유도할 수 있는 방법에 대한 연구가 필요하다.
추후, 운전자의 주요 운행시간에 대한 분석을 통해 유사한 거리에 대해 효율적인 운행시간대를 안내하는 방법, GPS와 연계된 운행 경로에 대한 분석을 통해 동일 목적지에 대해서는 효율적인 라우팅 경로를 안내하는 방법 등에 대한 연구가 연계되어 진행되는 것이 필요하다. 연료소모량은 배출가스와 밀접한 관계를 가지므로 연료소모를 감소함으로써 배출가스도 감소될 수 있으므로 실시간으로 운전자에게 안내해주는 경제운전 방안은 그린 환경 구축을 위해서도 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
데이터마이닝이란 용어는 어떠한 과정을 의미하는가?
이를 위해서는 다양한 운전자의 운행기록에 대한 정보가 대량으로 확보되어야 하며, 대량의 데이터의 연관성을 분석하기 위해서는 데이터 마이닝 방법을 활용하는 것이 필요하다. 데이터마이닝(Data Mining)이란 용어는 1995년부터 사용되기 시작하였으며, 광산에서 광물을 캐내는 것에 비유한 것으로 금광석에 극히 미량으로 포함된 금을 여러 단계를 걸쳐 추출하듯이 대량의 데이터로부터 유용한 정보를 자동적으로 탐색하는 과정을 의미한다.
회귀 모형이란 변수들 간의 상호 관련성을 규명하고 어떤 변수들의 변화로부터 다른 변수들의 변화를 예측하는 통계기법으로, 무엇을 알아보는 것이라고 할 수 있는가?
회귀 모형이란 변수들 간의 상호 관련성을 규명하고 어떤 변수들의 변화로부터 다른 변수들의 변화를 예측하는 통계기법이다. 즉, 변수들이 서로 어떤 관계이며, 얼마나 밀접한가와 관심 있는 하나의 변수가 다른 변수들에 의해 얼마나 잘 예측될 수 있는지를 알아보는 것이다. 회귀 모형은 공정변수가 하나일 때, 공정변수와 품질변수간의 선형관계에 대한 분석을 하는 단순 회귀 모형(simple regression model)과 품질변수에 영향을 미치는 변수가 여러 개일 때, 이들 공정변수들과 품질간의 선형 관계에 대한 분석을 하는 다중 회귀 모형(multiple regression model)으로 구성된다.
회귀 모형은 변수 수에 따라 무엇으로 구성되는가?
즉, 변수들이 서로 어떤 관계이며, 얼마나 밀접한가와 관심 있는 하나의 변수가 다른 변수들에 의해 얼마나 잘 예측될 수 있는지를 알아보는 것이다. 회귀 모형은 공정변수가 하나일 때, 공정변수와 품질변수간의 선형관계에 대한 분석을 하는 단순 회귀 모형(simple regression model)과 품질변수에 영향을 미치는 변수가 여러 개일 때, 이들 공정변수들과 품질간의 선형 관계에 대한 분석을 하는 다중 회귀 모형(multiple regression model)으로 구성된다.
참고문헌 (9)
친환경 운전 10계명, 환경부, http://www.me.go.kr
경제운전, 에너지관리공단, http://bpm.kemco.or.kr/transport/
친환경 차계부, 자동차시민연합, http://www.carten.or.kr
민석기, 문일기, 하정수, 이경수, "주행패턴 분석을 통한 운전자 모델 파라미터 추정," 한국자동차공학회 춘계학술대회논문집, pp. 1109-1114, 2002. 5.
박용성, 최선모, 권해붕, 김종수, 엄성복, 조성우, "자동차 운전조건에 따른 연료소모특성에 관한 실험적 연구," 한국자동차공학회. 춘계학술대회논문집, pp. 3-8, 2003. 5.
H. Kargupta, R. Bhargava, K. Liu, M. Powers, P. Blair, S. Bushra, J. Dull, K. Sarkar, M. Klein, M. Vasa, and D. Handy, "VEDAS: A mobile and distributed data stream mining system for real-time vehicle monitoring," Proc. SIAM Int. Data Mining Conf., pp. 300-311, April. 2004.
이건학, "GIS와 공간 데이터 마이닝을 이용한 교통사고의 공간적 패턴 분석," 대한지리학회지, 제39권, 제3호, pp. 457-472, 2004. 6.
H. Marzi, C. MacNeil, and E. Marzi, "Assessing the effectiveness of data mining techniques," Proc. Int. Conf. Data Mining, July. 2008.
R. Sahu, R. Anand, R. Agrawal, A. Vaid, and S. Kanojia, "Multidimensional association rules from large weather data set: A proposed methodology," Proc. Int. Cof. Data Mining, pp. 298-303, July. 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.