[논문]서포트벡터머신을 이용한 교육시설 초기 공사비 예측에 관한 연구

신재민; 김광희

doi:10.7743/kiss.2012.11.3.046

[국내논문] 서포트벡터머신을 이용한 교육시설 초기 공사비 예측에 관한 연구
A Study on Predicting Construction Cost of Educational Building Project at early stage Using Support Vector Machine Technique 원문보기

敎育環境硏究 = The journal of educational environment research, v.11 no.3, 2012년, pp.46 - 54

Abstract ▼ AI-Helper

The accuracy of cost estimation at an early stage in school building project is one of the critical factors for successful completion. So various of techniques are developed to predict the construction cost accurately and expeditely. Among the techniques, Support Vector Machine(SVM) has an excellent ability for generalization performance. Therefore, the purpose of this study is to construct the prediction model for construction cost of educational building project using support vector machine technique. And to verify the accuracy of prediction model for construction cost. The performance data used in this study are 217 school building project cost which have been completed from 2004 to 2007 in Gyeonggi-Do, Korea. The result shows that average error rate was 7.48% for SVM prediction model. So using SVM model on predicting construction cost of educational building project will be a considerably effective way at the early project stage.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이를 통해 다양한 분야에서 SVM을 적용하였으며, 특히 패턴인식 및 학습이론 분야에서 높은 성능을 보인다는 사실을 알 수 있었다. 따라서 본 연구에서는 교육시설 프로젝트를 대상으로 SVM을 이용한 공사비 예측 모델을 구축하고 그 타당성을 검증하고자 한다.
하지만 건축프로젝트의 초기단계에서 공사비 예측 방법을 활용하기 위해서는 다양한 기법 및 시설을 대상으로 한 연구가 필요할 것으로 사료된다. 따라서 본 연구에서는 초등학교, 중학교, 고등학교 교육시설을 대상으로 SVM 기법을 이용하여 공사비 예측 모델을 구축하고 그 결과를 기존의 검증된 회귀분석 기법을 이용하여 오차율을 비교, 분석하고자 한다.
본 연구에서는 건설프로젝트 초기단계에서 얻을 수 있는 한정된 정보를 바탕으로 SVM을 이용한 교육시설의 초기 공사비 예측 모델을 구축을 목적으로 한다. 이를 바탕으로 학교시설 공사비 예측에 SVM의 적용 가능성을 확인하고자 한다.
본 연구에서는 건설프로젝트의 초기단계에서 정확하고 신속한 공사비 산출을 위하여 SVM기법을 도입하고 그 예측 정확도를 검증하는 것이 목적이다. SVM을 이용한 교육시설의 공사비예측모델 구축을 위하여 경기도교육청에서 발주한 초등학교, 중학교, 고등학교 시설의 실적데이터를 수집하였다.
본 연구에서는 건축프로젝트 초기단계에서의 공사비 예측에 필요한 SVM 모델 구축이 목적이다. 보다 정확한 공사비 예측 모델의 구축을 위해서는 공사비에 영향을 주는 요인의 개수가 많을수록 유리하겠지만, 초기단계에서의 공사비 예측에는 주어진 정보가 한정될 수밖에 없다.
정확하고 신속한 공사비의 예측은 건축프로젝트의 성패에 큰 영향을 미치는 요인 중 하나이다. 본 연구에서는 교육시설 건축 프로젝트의 초기 단계에서 공사비를 예측하는 방법으로 서포트벡터머신 기법을 이용하여 모델을 구축하였으며, 그 적용가능성을 확인하였다.
본 연구에서는 건설프로젝트 초기단계에서 얻을 수 있는 한정된 정보를 바탕으로 SVM을 이용한 교육시설의 초기 공사비 예측 모델을 구축을 목적으로 한다. 이를 바탕으로 학교시설 공사비 예측에 SVM의 적용 가능성을 확인하고자 한다.

제안 방법

. 그 중에서도 본 연구에서는 건설 공사비 예측을 위해 SVM의 가장 일반적인 형태인 SVR을 적용하였다. SVR은 초평면(optimal hyperplane)의 형태에 따라 선형 회귀와 비선형 회귀로 구분할 수 있다.
또한 본 연구에서는 경기도교육청에서 2004년에서 2007년 사이에 발주한 교육시설 프로젝트의 실적데이터만을 대상으로 예측 모델을 구축하였다. 하지만 건축 프로젝트 초기단계에서 신속하고 정확한 공사비 예측 및 위해서는 다양한 시설 및 지역의 데이터를 축적하여 연구를 진행하는 것이 필요할 것으로 사료된다.
본 연구에서 구축한 SVM 모델을 검증하기 위해 다중회귀분석방법으로 구축한 다중회귀모델의 예측 공사비와 SVM모델의 예측 공사비를 비교하였다.
0 프로그램을 이용한 다중회귀모델을 적용하였다. 이를 바탕으로 SVM모델과 다중회귀모델을 이용하였을 때 두 공사비 예측 모델의 예측 정확도를 비교하였다. 본 연구의 흐름은 그림1과 같다.
정확도 검증을 위하여 다중회귀모델은 SVM 모델과 동일한 실적자료를 이용하여 구축하였다.

대상 데이터

본 연구에서는 건설프로젝트의 초기단계에서 정확하고 신속한 공사비 산출을 위하여 SVM기법을 도입하고 그 예측 정확도를 검증하는 것이 목적이다. SVM을 이용한 교육시설의 공사비예측모델 구축을 위하여 경기도교육청에서 발주한 초등학교, 중학교, 고등학교 시설의 실적데이터를 수집하였다. 또한 모델 구축에 필요한 변수는 실제 교육시설 프로젝트의 초기 단계에서 얻을 수 있는 변수 중에서 10개를 선정하여 적용하였다.
보다 정확한 공사비 예측 모델의 구축을 위해서는 공사비에 영향을 주는 요인의 개수가 많을수록 유리하겠지만, 초기단계에서의 공사비 예측에는 주어진 정보가 한정될 수밖에 없다. 따라서 공사비에 영향을 주는 요인으로 초기단계에서 수집이 가능한 정보를 바탕으로 10개를 선정하였다. 10개의 요인과 관련된 데이터의 특성은 표4와 같다.
SVM을 이용한 교육시설의 공사비예측모델 구축을 위하여 경기도교육청에서 발주한 초등학교, 중학교, 고등학교 시설의 실적데이터를 수집하였다. 또한 모델 구축에 필요한 변수는 실제 교육시설 프로젝트의 초기 단계에서 얻을 수 있는 변수 중에서 10개를 선정하여 적용하였다.
본 연구에서 구축한 SVM 모델의 정확도를 평가하기 위하여 수집된 217개의 직접공사비 데이터 중에서 20개의 데이터를 무작위로 추출하여 테스트용 자료로 활용하였다. 20개의 테스트용 데이터는 회귀모델을 구축하는 자료에서 제외하였다.
수집된 교육시설의 실적데이터는 준공년도가 2004∼2007년 사이에 분포되어 있으므로 한국건설기술연구원에서 공표하는 연도별 건설공사비지수11) 를 적용하여 자료를 보정하였다.
III-1. 실적데이터 및 입력 변수

수집된 실적데이터는 경기도 교육청에서 2004년부터 2007년 사이에 준공된 초등학교, 중학교, 고등학교 교육시설 217개의 직접공사비이다. 각 교육시설 데이터의 분포는 표3과 같다.
0을 사용하였다. 수집된 총 217개의 데이터는 무작위로 20개의 테스트용 데이터(Test Data)와 37개의 교차 검증용 데이터(Cross-Validation Data), 그리고 130개의 학습용 데이터(Training Data)로 구분하였다.

이론/모형

SVM 모델은 NeuroSolution 프로그램을 사용하여 수집된 데이터를 기반으로 하여 구축하였다. SVM 모델의 정확도를 평가하기 위해서는 SPSS 19.
SVM 모델은 NeuroSolution 프로그램을 사용하여 수집된 데이터를 기반으로 하여 구축하였다. SVM 모델의 정확도를 평가하기 위해서는 SPSS 19.0 프로그램을 이용한 다중회귀모델을 적용하였다. 이를 바탕으로 SVM모델과 다중회귀모델을 이용하였을 때 두 공사비 예측 모델의 예측 정확도를 비교하였다.

성능/효과

SVM 모델과 다중회귀모델의 오차율 분포는 다음 표13과 같다. 두 공사비 예측 모델의 오차율 분포를 보면 SVM 모델에서는 특정 사례에 대해서만 오차율이 크게 나타났다. 또한 20개의 테스트용 데이터의 오차율에 대한 t-test 결과는 표14와 같다.
68%)보다는 상대적으로 높은 수치였다. 두 모델 간의 유의성 판단을 위해 분산분석을 수행한 결과, 두 모델의 평균 차이가 통계적으로 유의하지 않은 것으로 나타났다. 또한 SVM모델이 다중회귀모델에 비해 오차율 및 오차범위가 크게 발생하므로 교육시설 공사비 예측에는 SVM모델보다 다중회귀모델이 더 적합할 것으로 사료된다.
930E13이다. 두 평균 제곱 값의 비율인 F값은 102.696이며, 유의확률은 0.000이므로 5% 유의 수준에서 통계적으로 타당함을 나타내고 있다.
48%로 적게 나타나는 것을 알 수 있다. 또한 4개의 데이터를 제외한 80%의 데이터가 오차율 10% 이내인 것을 통해 차이가 많이 나는 몇 개의 데이터를 제외하고는 SVM 모델의 정확도가 상당히 높은 것으로 나타났다.
두 모델 간의 유의성 판단을 위해 분산분석을 수행한 결과, 두 모델의 평균 차이가 통계적으로 유의하지 않은 것으로 나타났다. 또한 SVM모델이 다중회귀모델에 비해 오차율 및 오차범위가 크게 발생하므로 교육시설 공사비 예측에는 SVM모델보다 다중회귀모델이 더 적합할 것으로 사료된다. 따라서 SVM모델의 예측 정확도 향상 및 적용가능성을 높이기 위해서는 교육시설 프로젝트에 대한 충분한 사례의 확보가 필요할 것이다.
서포트벡터머신 기법을 교육시설의 공사비 예측에 적용한 결과, 상대적으로 적은 오차율을 보이는 것으로 나타났다. 무작위로 추출된 20개의 교육시설 사례에 대한 예측 결과, 평균 오차율은 7.48%를 보였다. 하지만 이는 다중회귀분석 모델의 평균 오차율(5.
수집된 직접공사비 데이터의 목표 값과 SVM 모델 및 다중회귀모델을 통한 공사비 예측 값의 정확도를 비교한 결과는 그림4와 표12과 같다. 비교 결과 SVM 모델의 오차율은 평균 7.48%이고, 다중회귀모델의 오차율은 평균 5.68%로 다중회귀모델의 오차율이 더 적게 나타났다.
서포트벡터머신 기법을 교육시설의 공사비 예측에 적용한 결과, 상대적으로 적은 오차율을 보이는 것으로 나타났다. 무작위로 추출된 20개의 교육시설 사례에 대한 예측 결과, 평균 오차율은 7.
김광희(2004)와 손재호(2008)는 인공신경망과 회귀분석을 이용한 공사비 예측 모델을 구축하였고, 그 정확도를 비교하였다. 연구 결과 회귀분석 기법은 약 8%, 인공신경망 기법은 약 4%의 오차율을 보이며, 인공신경망 기법이 더 정확한 것으로 나타났다.
그 외의 공사비 예측 기법으로 김광희(2004)는 사례기반추론을 이용한 공동주택 공사비 예측 모델을 구축하고, 그 정확도를 회귀분석을 이용하여 검증하였다. 연구 결과로 사례기반추론은 5%의 오차율 보였으며, 회귀분석은 10%의 오차율을 보이며 사례기반추론 기법을 이용한 공사비 예측 모델이 더 정확한 것으로 나타났다.
이를 통해 다양한 분야에서 SVM을 적용하였으며, 특히 패턴인식 및 학습이론 분야에서 높은 성능을 보인다는 사실을 알 수 있었다. 따라서 본 연구에서는 교육시설 프로젝트를 대상으로 SVM을 이용한 공사비 예측 모델을 구축하고 그 타당성을 검증하고자 한다.
t값의 유의확률에서 BTL, 건축면적, 연면적은 유의확률 5%를 초과하지 않았기 때문에 통계적으로 유의하다는 것을 알 수 있다. 하지만 건축면적과 연면적을 제외한 중학교, 고등학교, 기존, GB, 학급 수, 지상층수, 지하층수, 기준층 층고와 같은 나머지 변수들은 유의확률 5%를 초과하는 것으로 나타났다.

후속연구

따라서 SVM모델의 예측 정확도 향상 및 적용가능성을 높이기 위해서는 교육시설 프로젝트에 대한 충분한 사례의 확보가 필요할 것이다. 이를 바탕으로 추가적인 연구를 통해 SVM을 이용한 교육시설 초기공사비 예측모델의 정확성을 높이는 방안을 모색해야 할 것이다.
또한 본 연구에서는 경기도교육청에서 2004년에서 2007년 사이에 발주한 교육시설 프로젝트의 실적데이터만을 대상으로 예측 모델을 구축하였다. 하지만 건축 프로젝트 초기단계에서 신속하고 정확한 공사비 예측 및 위해서는 다양한 시설 및 지역의 데이터를 축적하여 연구를 진행하는 것이 필요할 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	건설프로젝트의 초기 단계에서 공사비 예측이 중요한 요소인 이유는?	건설프로젝트의 초기 단계에서 공사비의 예측은 건축주에게 전체 프로젝트의 사업성 등에 조언을 하기 때문에 프로젝트의 성패를 좌우하는 매우 중요한 요소이다. 특히 교육시설 건축프로젝트 초기단계에서의 정확한 공사비 예측은 예산의 준비 및 결정을 위해 매우 중요하다.
	공사비 예측 방법에서 인공신경망의 장단점은 무엇인가?	1) 그 중에서도 1990년대 이후에는 인공신경망을 이용하여 공사비를 예측 방법이 주로 연구되었다. 그러나 인공신경망의 경우 수량적인 변수를 이용한 예측에 강하다는 장점에도 불구하고 사용자가 결정하여야 할 요소가 많기 때문에 실제로 적합한 모델을 설계하기 어렵다는 단점이 지적되고 있다.
	대표적인 공사비 예측 방법으로는 무엇이 있는가?	대표적인 공사비 예측 방법으로는 회귀분석을 이용한 통계적 방법과 인공지능기법을 이용한 인공신경망(Artificial Neural Networks;NN), 사례기반추론기법(Case-based Readoning;CBR), 서포트벡터머신(Support Vector Machine; SVM)등이 있다.1) 그 중에서도 1990년대 이후에는 인공신경망을 이용하여 공사비를 예측 방법이 주로 연구되었다.

참고문헌 (22)

김광희 외, 사례기반추론 기법을 이용한 공동주택 초기 공사비 예측에 관한 연구, 대한건축학회 논문집, 제20권, 제5호, pp.83-92, 2004

상세보기
김광희 외, 유전자 알고리즘에 의한 신경망 구조의 최적화를 이용한 공동주택의 초기 공사비 예측에 관한 연구, 대한건축학회논문집(구조계), 제 20권, 제2호, pp.81-88 , 2004

상세보기
김광희 외, 공동주택 공사비 예측 정확도 비교에 관한 연구, 대한건축학회논문집(구조계), 제20권, 제5호, pp.93-102, 2004
김광희 외, 신경망과 유전자알고리즘을 이용한 공사비예측 모델의 예측정확도 비교에 관한 연구, 대한건축학회논문집(구조계), 제22권, 제3호, pp.111-118, 2006
김유일 외, 신경망과 SVM을 이용한 주가지수예측의 비교, 인터넷전자상거래연구, 제4권, 제3호, pp.221-243, 2004

상세보기
김진원 외, 회귀분석을 이용한 교육시설의 공간계획에 따른 공사비 예측 모델에 관한 연구, 대한건축학회논문집, 제27권, 제10호, pp.103-110, 2011

원문보기 상세보기
박우열 외, 서포트 벡터 회귀분석을 이용한 공동주택 공사비 예측에 관한 연구, 대한건축학회 논문집(구조계), 제23권, 제4호, pp.165-172, 2007

상세보기
박우열 외, Support vector machine을 이용한 개산견적 평가모델에 관한 연구, 대한건축학회논문집(구조계), 제23권, 제4호, pp.191-198, 2005
박우열 외, Support vector machine을 이용한 흙막이 공법 선정모델에 관한 연구, 건설관리, 제7권, 제2호, pp.118-126, 2006
박종석, 데이터마이닝에서 서포트 벡터 회귀분석과 신경망 분석 기법의 비교연구, 동국대 석사학위논문, 2006
손재호 외, 신경망을 이용한 교육시설 BTL 사업의 공사비 분석 및 예측에 관한 연구, 대한건축학회논문집 (구조계), 제24권, 제6호, pp.135-142, 2008

상세보기
안성훈 외, 전문가지식을 활용한 공동주택 초기단계 공사비 예측에 관한 연구, 대한건축학회 논문집(구조계), 제21권, 제6호, pp.81-88, 2005

상세보기
이진선 외, 대용량 분류에서 SVM과 신경망의 성능 비교, 정보처리학회논문집 B, 제12B권, 제1 호, 2005

원문보기 상세보기
정영미 외, SVM 분류기를 이용한 문서 범주화 연구, 정보관리학회지, 제17권, 제4호, pp.229-248, 2000

원문보기 상세보기
한국건설기술연구원, 2012년 9월 건설공사비지수 동향, 2012
Burges CJC, A tutorial on support vector machines for pattern recognition, Data Mining and Knowledge Discovery, Vol.2, No.2, pp.121-167, 1998

상세보기
Debasish, B et al. Support Vector Regression, Neural Information Processing-Letters and Review, Vol.11, No.10, pp.203-224, 2007
Dumais, S et al. Inductive learning algorithms and representations for text categorization, Proceedings of ACM-CIKM 98, pp.148-155, 1998
Kim GH et al., Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning, Building and Environment, Vol.39, pp.1235-1242, 2004

상세보기
Kim S, Support vector machine model to select Exterior Materials, Journal of the Korea Institute of Building Construction, Vol.11, No.3, pp.238-246, 2011

원문보기 상세보기
Smola AJ et al, A tutorial on support vector regression, Neuro COLT Technical Report TR-98-030, Royal Holloway College University of London, UK, 1998
Vapnik V. The Nature of Statistical Learning Theory, 2nd Ed, Springer, New York, p.1-314, 1995

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증