문제 정의

• 본 연구에서는 현재 도로공사건설에 대해 기획단계의 개략 공사비 견적방식에 대한 한계를 해결하고 더 정확한 공사비 견적을 위하여, 1990년대 이후 초기 공사비 예측 방법으로 활발하게 연구가 진행된 인공신경망(김광희와 강경인, 2003) 기법을 활용하여 개략공사비 모델을 제시하는 것을 목적으로 한다. 국내에서 인공신경망을 이용하여 공사비 예측을 시도한 연구로는 김광희 등(2006)의 경우가 있다. 이 연구는 프로젝트 초기 단계에서의 공사비 예측에서 회귀 분석의 한계를 극복하여 정확하고 신속한 공사비 예측을 위하여 인공신경망을 이용하여 공동주택의 공사비를 예측하는 모형을 제시하였다. 본 연구에서는 현행 일반도로건설 개략 공사비 예측의 한계를 보완하기위해 인공신경망을 적용하여 공사 입찰을 위한 설계도면 작성 이후 물량산출서에 의해 산정된 상세 공사비 및 공사비를 결정하는 변수를 포함한 과거 실적 자료를 바탕으로 기획단계에서 공사비 예측이 가능한 도로 공사비를 개략견적 하는 모델을 제안하였다. 최소의 오차를 발생시키는

  제안 방법

  • 후)도로 건설">도로건설 공사 입찰을 위한 설계도면 작성 이후 물량 산출서에 의해 산정된 상세 공사비 및 공사비를 결정하는 변수를 포함한 과거 실적 자료를 바탕으로 인공신경망을 적용하여 기획단계에서 공사비 예측이 가능한 도로 공사비를 개략견적 하는 모델을 제시할 것이며, 모델을 활용하여 예측한 결과를 다중회귀분석을 통해 나온 예측결과 및 현행 기준을 적용한 결과를 비교하여 신경망 모델의 정확도를 검증한다.
  • 후)인공신경망 모델">인공신경망모델 설계를 위하여 도로 총연장, 도로의 폭 등을 입력변수로 설정하고 기초금액을 출력변수로 설정하였으며, 인공신경망모델 설계 후 The MATLAB V.7.8 버전의 Neural Network Toolbox를 이용하여 모델을 구현 및 실험하였다. 또한, 설계한 모델을 최적화하기 위하여 인공신경망 모델 설계에서 주로 사용하는 시행착오(trial and error)방식을 이용하여 후)예측 모델을">예측모델을 제시하였다. 이때, 정확한 예측을 위하여, 공사에 투입되는 자재, 인력, 장비, 계약의 성격 및 계약 환경 등의 과거의 자료를 이용하여 인공신경망을 훈련시켜 공사비 예측 모델을 제시하였다. 국내에서 인공신경망을 이용하여 공사비 예측을 시도한 연구로는 김광희 등(2006)의 경우가 있다.
  • 본 연구에서는 두 개 이상의 독립변수와 종속변수의 관계를 분석할 때 적합한 다중회귀분석을 활용하였으며, 분석은 독립변수들 간의 관계를 의미하는 다중공선성(multicollienearity) 검토를 실시하고, 선정된 독립변수를 대상으로 종속변수와의 상관관계를 분석하여 회귀식을 도출하였다.
  • 후)중에도로">중에 도로 유형, 도로의 등급은 입력값에서 제외하였다. 또한, 공사 금액을 결정하는데 가장 기본적인 값인 기초금액을 목표값으로 설정하였다.
  • 모델의 입력값과 목표값을 설정 후, 모델을 구축하기 위해 수집한 자료에 대하여 수치화하였다(표 3). 먼저 정성적인 데이터인 계약방법, 개찰일시, 공사지역은 특징에 따라 0부터 정수로 설정하였으며, 정량적인 후)수치화하였다 (표">수치화하였다(표 3). 먼저 정성적인 데이터인 계약방법, 개찰일시, 공사지역은 특징에 따라 0부터 정수로 설정하였으며, 정량적인 데이터인 도로 총 연장, 도로의 폭, 터널 연장, 교량 연장, 교차로 수, 공사기간은 고유 수치를 이용하였다. 또한, 출력값인 기초금액은 공사의 규모를 고려하여 억 단위로 설정하였다.
  • 후)고유수치를">고유 수치를 이용하였다. 또한, 출력값인 기초금액은 공사의 규모를 고려하여 억 단위로 설정하였다. 후)이때,">이 때, 기초금액을 인공신경망에 적용한 경우는 입력값에 개찰일시가 있는 점을 감안하여 공사비 지수를 이용하여 금액을 환산하는 것은 실시하지 않았으며, 회귀분석에서는 기초금액을 공사비 지수로 환산하여 사용하였다. 후)입/출력 변수를">입/출력변수를 결정하여 그림 6과 같이 도로공사비 예측 인공신경망모델의 기본적인 구조를 설계하였다. 본 논문에서는 최적 모델을 찾아가는 과정에 있어서 별도의 알고리즘을 사용하지 않고, 시행착오방법을 사용하여 최적 변수를 찾아 결과를 도출하였고, 시행착오방법을 이용하기 위한 변수 범위 및 함수를 표 4와 같이 설정하였다. 모델은 오류 역전파 알고리즘을 사용한 전방향 오류 역전파 신경망으로 지정하였으며, 은닉층의 개수는 1개, 은닉층과 출력층의 후)성능 평가는">성능평가는 평균제곱오차(mean squared error, MSE) 값을 이용하였다. 또한 샘플은 훈련과정, 입증과정, 시험과정에 각각 70%, 15%, 15%씩 분배하여 사용하였다.
  • 후)이때,">이 때, 시행착오방법을 사용하기 위하여 조정할 변수는 은닉층의 뉴런의 개수, 학습률, 모멘텀으로 선정하여 최적화를 위한 범위를 정하였으며(김광희와 강경인, 2003; 김청융과 손재호, 2006), 은닉층 뉴런의 개수는 1개에서 20개까지 1개 단위로, 학습률과 모멘텀은 0.1에서 0.9까지 0.1 간격으로 범위를 설정하였다.
  • 후)물가 변동률">물가변동률 등을 고려하여 수집된 자료의 시점을 통일하기위해 건설공사비지수(2005년 평균=100)를 적용하여 종속변수인 기초금액을 동일 시점의 값으로 환산 적용하였다.
  • 설계한 인공신경망 실험에 앞서, 모델의 최적화를 위하여 입력변수의 영향도를 분석하였다. 기본적으로 설정된 10개의 후)입력 변수의">입력변수의 영향도를 분석하였다. 기본적으로 설정된 10개의 입력변수(계약방법, 개찰년도, 개찰월, 공사지역, 도로 총 연장, 도로폭, 터널연장, 교량연장, 교차로) 중, 오차를 최소로 하는 입력변수의 종류를 판단하기 위하여, 10개 입력변수 중에서 1개를 제외한 후 모델의 성능평가를 실시하여 MSE 값을 비교하였다. 후)이때,">이 때, 입력변수 중 개찰일시에 관한 변수는 총 2가지가 있기 때문에, 개찰년도만 제거하였을 경우, 개찰월을 제거하였을 경우, 2가지 모두 제거하였을 경우로 나누어 실험을 실시하였다. 실험할 때의 조건은 후)입력 변수">입력변수 중 개찰일시에 관한 변수는 총 2가지가 있기 때문에, 개찰년도만 제거하였을 경우, 개찰월을 제거하였을 경우, 2가지 모두 제거하였을 경우로 나누어 실험을 실시하였다. 실험할 때의 조건은 표 4과 같으며, 모멘텀과 학습률은 각각 0.9, 0.1로 지정하여 각 조건당 50회씩 실험을 실시하였다.
  • 후)입력 변수">입력변수 설정 후, 표 4에서 설정한 은닉층 뉴런의 개수, 모멘텀, 학습률의 범위에 대하여 시행착오방식으로 실험을 실시하였다. 설정한 범위에 의하면 실험할 경우의 수는 은닉층 본 연구에서는 회귀식의 설명력을 나타내는 결정계수 R²을 활용하여 단계별 선택법에 의해 도출된 회귀 모형의 유효성을 분석하였다. 표 9에서 볼 수 있듯이 모형 4가 0.
  • 인공신경망의 성능을 검증하기 위하여, 시험에 쓰인 13개의 샘플에 대하여 인공신경망모델의 결과를 다중회귀분석결과와 국토해양부의 기준을 적용한 결과와 비교를 실시하였다(표 13). 비교 결과, 인공신경망의 후)개략견적하는">개략견적 하는 모델을 제안하였다. 최소의 오차를 발생시키는 개략견적 공사비 예측 인공신경망모델을 제안하기 위해 시행착오방식을 적용하여 입력변수의 종류, 은닉층 뉴런의 개수, 학습률, 모멘텀을 결정하였으며, 결정된 인공신경망 모델의 예측 결과를 다중회귀분석결과 및 현행 사용되는 국토해양부의 결과와 비교하여 정확도를 검증하였다. 방법별

    대상 데이터

    • 본 연구에서는 인공신경망이 적용된 도로 공사비 개략견적 모델을 설계하기 위하여 조달청 나라장터 홈페이지(www.g2b.go.kr)를 통해 발주된 도로 건설 공사를 수집하였다. 수집 대상은 개찰일 기준으로 2003년부터 2010년 1월 사이에 국토해양부 산하의 5개 지방국토관리청이 후)건설공사를">건설 공사를 수집하였다. 수집 대상은 개찰일 기준으로 2003년부터 2010년 1월 사이에 국토해양부 산하의 5개 지방국토관리청이 실 수요기관으로 발주된 일반 국도 신설공사로 한정하였으며, 총 93개 데이터를 수집하였다.
    • 본 연구에서는 일반도로공사비 예측을 하는 인공신경망모델 설계 및 회귀분석을 실시하기 위하여, 조달청 나라장터 국가종합전자조달시스템을 이용, 2003년에서 2010년까지 국토해양부 소속의 5대 지방관리청에서 공고한 신규 도로건설 공사 입찰공고를 대상으로 개략견적모델설계를 위한 실적자료를 수집하였다.
    • 후)변환 과정에서">변환과정에서 표 3과 같이 변환하기 어려운 경우에 대해서는 샘플에서 제외시켰으며, 이러한 과정을 통해 2003년부터 2010년까지 총 93개의 샘플 데이터를 수집 및 변환하였다. 실적공사비가 도입된 2007년 이전의 데이터 55개, 이후의 데이터 38개로 특정 개찰일시에 편중되지 않도록 샘플을 취득하였다.
    • 설계한 모델에 대하여 실험을 하기 위하여 The MATLAB 소프트웨어 V.7.8 버전의 Neural Network Toolbox^TM6을 이용하였다. Matlab의 Neural Network Toolbox는 Matlab 소프트웨어 내에서 제공하는 인공신경망 본 연구에서는 도로공사비 예측 모델을 구축하기위해 2003년에서 2010년까지의 80건의 도로건설공사 입찰공고 자료를 대상으로 다중회귀분석을 수행하였다. 후)표3과">표 3과 같이 변환하기 어려운 경우에 대해서는 샘플에서 제외시켰으며, 이러한 과정을 통해 2003년부터 2010년까지 총 93개의 샘플 데이터를 수집 및 변환하였다. 실적공사비가 도입된 2007년 이전의 데이터 55개, 이후의 데이터 38개로 특정 개찰일시에 편중되지 않도록 샘플을 취득하였다.

  데이터처리

  • 8 버전의 Neural Network Toolbox를 이용하여 모델을 구현 및 실험하였다. 또한, 설계한 모델을 최적화하기 위하여 인공신경망 모델 설계에서 주로 사용하는 시행착오(trial and error)방식을 이용하여 인공 신경망 내부의 변수들을 조정하였으며, 최적화된 모델에서 나온 예측 결과를 다중회귀분석(multiple regression analysis)을 적용한 결과 및 국토해양부의 기준을 적용한 결과와 비교하여 인공신경망 개략공사비 산정 모델에 대한 검증을 실시하였다.
  • 후)표4와">표 4와 같이 설정하였다. 모델은 오류 역전파 알고리즘을 사용한 전방향 오류 역전파 신경망으로 지정하였으며, 은닉층의 개수는 1개, 은닉층과 출력층의 활성화 함수는 학습방법은 전방향 오류 역전파 신경망 각각 Tan-sigmoid/linear transfer function을 사용하였으며 모델의 성능평가는 평균제곱오차(mean squared error, MSE) 값을 이용하였다. 또한 샘플은 본 연구에서는 다중회귀분석을 수행하기 위해 통계소프트웨어인 SPSS 12.0를 사용하였고, 표 5와 같이 도로 총길이, 도로폭, 교량길이, 터널연장, 교차로, 공사기간을 후보 독립변수로 선정하여 변수들 간 상관분석을 통해 공선성을 파악하였으며, 단계별 선택법을 다중회귀분석 모델로 선정하여 분석을 수행하였다. 단계별 선택법은 각 단계별로 독립변수의 설명력이 높은 순서대로 변수를 채택하여 분석을 수행하는 방법으로, 본 연구에서는 변수들의 진입과 제거를 통제하기 위해 변수들 중 0.
  • 4가지 모형의 결정계수와 분산분석표를 종합적으로 분석하여 유의수준 0.05이하를 만족시키며, 가장 큰 설명력을 보이는 모형 4를 공사비 예측 회귀식을 도출하였으며, 표 11의 계수 분석 결과를 바탕으로 식 (3)과 같이 공사비 예측 모델을 선정하였다. 또한, 선정된 모형의 독립변수들 간 다중 공선성을 판단하기 위해, 한 독립변수가 다른 독립변수들에 의해 설명되는 정도를 나타내는 지수인

    이론/모형

    • 후)이때,">이 때, 인공신경망의 각 뉴런을 연결하는 연결가중치를 결정하기 위해서 유전 알고리즘을 이용하였다. 또한, Wilmot과 Mei(2005)도 기존의 후)이때,">이 때, 신경망의 연결가중치, 모멘텀 등의 알고리즘에 쓰이는 매개변수들을 찾는데 시간을 최소화하며 정확성을 향상시키기 위해 유전자 알고리즘을 이용하였다. 또한, 김청융과 손재호(2006)는 신축 교육시설 프로젝트의 개념단계에서 공사비 예측의 중요성을 강조하고 현행 사용되는 예측 모델의 한계를 극복하기 위하여 인공신경망을 이용한 공사비 예측 모델을 제시하였다.