본 연구의 목적은 효율적인 기계경비시스템 오경보 이벤트 분석을 위해 가장 적합한 데이터마이닝 기법을 도출하는데 있다. 이를 위해 기계경비시스템 오경보의 발생원인을 살펴보고, 오경보 시의 출동건수, 오경보율 그리고 오경보원인의 통계자료를 토대로한 데이터를 데이터마이닝 프로그램인 WEKA에 맞게 변환시켜 여러 알고리즘에 적용 및 분석하였다. 본 논문에서는 적합한 데이터마이닝 기법을 찾기 위해 Decision Tree, Naive Bayes, BayesNet Apriori, J48Tree 알고리즘을 활용하였고, 분석을 통해 생성된 가장 높은 값을 도출하여 해당 알고리즘의 적용 가능성을 확인하였다. 이와 같은 연구를 통해 효율적으로 기계경비시스템의 오경보를 예측하고, 오경보에 대한 보다 효율적인 대처방안을 모색할 수 있음을 보여주었다.
본 연구의 목적은 효율적인 기계경비시스템 오경보 이벤트 분석을 위해 가장 적합한 데이터마이닝 기법을 도출하는데 있다. 이를 위해 기계경비시스템 오경보의 발생원인을 살펴보고, 오경보 시의 출동건수, 오경보율 그리고 오경보원인의 통계자료를 토대로한 데이터를 데이터마이닝 프로그램인 WEKA에 맞게 변환시켜 여러 알고리즘에 적용 및 분석하였다. 본 논문에서는 적합한 데이터마이닝 기법을 찾기 위해 Decision Tree, Naive Bayes, BayesNet Apriori, J48Tree 알고리즘을 활용하였고, 분석을 통해 생성된 가장 높은 값을 도출하여 해당 알고리즘의 적용 가능성을 확인하였다. 이와 같은 연구를 통해 효율적으로 기계경비시스템의 오경보를 예측하고, 오경보에 대한 보다 효율적인 대처방안을 모색할 수 있음을 보여주었다.
The objective of this study is to achieve the most optimal data mining for effective analysis of false alarm event on mechanical security system. To perform this, this study searches the cause of false alarm and suggests the data conversion and analysis methods to apply to several algorithm of WEKA,...
The objective of this study is to achieve the most optimal data mining for effective analysis of false alarm event on mechanical security system. To perform this, this study searches the cause of false alarm and suggests the data conversion and analysis methods to apply to several algorithm of WEKA, which is a data mining program, based on statistical data for the number of case on movement by false alarm, false alarm rate and cause of false alarm. Analysis methods are used to estimate false alarm and set more effective reaction for false alarm by applying several algorithm. To use the suitable data for effective analysis of false alarm event on mechanical security analysis this study uses Decision Tree, Naive Bayes, BayesNet Apriori and J48Tree algorithm, and applies the algorithm by deducting the highest value.
The objective of this study is to achieve the most optimal data mining for effective analysis of false alarm event on mechanical security system. To perform this, this study searches the cause of false alarm and suggests the data conversion and analysis methods to apply to several algorithm of WEKA, which is a data mining program, based on statistical data for the number of case on movement by false alarm, false alarm rate and cause of false alarm. Analysis methods are used to estimate false alarm and set more effective reaction for false alarm by applying several algorithm. To use the suitable data for effective analysis of false alarm event on mechanical security analysis this study uses Decision Tree, Naive Bayes, BayesNet Apriori and J48Tree algorithm, and applies the algorithm by deducting the highest value.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 데이터마이닝 프로그램인 WEKA를 이용하여 기계경비시스템의 오경보 원인을 분석 및 예측할 수 있는 최적의 알고리즘을 도출해보고자 한다. 이를 위해 오경보 시의 출동건수, 오경보율 그리고 오경보 원인의 통계자료들을 데이터마이닝에 적용해보고, 효율적으로 기계경비시스템 오경보 이벤트를 분석할 수 있는 연관규칙과 분류기법을 제안하고자 한다.
본 논문에서는 기계경비시스템의 오경보에 대한 요인을 구역마다 오경보에 대한 출동건수와 그 건수에 대한 오경보 비율, 오경보 원인으로 설정하여 요인들을 데이터마이닝에 적용시켜 연관규칙을 통해 어떠한 연관규칙들이 있는지 연관성을 찾을 수 있었다. 데이터마이닝 프로그램인 WEKA의 여러 가지 알고리즘들 중 Decision Table, Naive Bayes, BayesNet 그리고 J48Tree 알고리즘을 적용하여 알고리즘들의 값을 구하였다.
연관성 규칙발견의 목적은 항목들 간의 연관성의 정도를 수치로 정량화하는데 있다. 이를 위해서는 보통 ‘지지도’와 ‘신뢰도’라고 하는 두 가지 기준이 중요한 평가도구로 사용된다[13].
제안 방법
본 논문에서는 기계경비시스템의 오경보에 대한 요인을 구역마다 오경보에 대한 출동건수와 그 건수에 대한 오경보 비율, 오경보 원인으로 설정하여 요인들을 데이터마이닝에 적용시켜 연관규칙을 통해 어떠한 연관규칙들이 있는지 연관성을 찾을 수 있었다. 데이터마이닝 프로그램인 WEKA의 여러 가지 알고리즘들 중 Decision Table, Naive Bayes, BayesNet 그리고 J48Tree 알고리즘을 적용하여 알고리즘들의 값을 구하였다. 그 알고리즘들 중 가장 높은 측정 값은 J48 Tree알고리즘으로 나타났고 그 다음 순서로 Decision Table, BayesNet, Naive Bayes 순으로 나타났다.
본 논문에서 적용될 분류 기법들에 대한 오경보의 예측 결과 평가를 위한 지표로는 TP(True Positive)와 FP(False Positive), FN(False Negative), 그리고 Recall 및 Precisiondmf 이용하였다. TP의 의미는 분류하고자 하는 클래스를 정확하게 그 클래스로 분류했을 경우를 나타내고 FP는 분류하고자 하는 클래스가 아닌데도 그 클래스로 분류했을 경우의 오류, 즉 양성-오류를 의미한다.
본 장에서는 WEKA를 이용하여 데이터마이닝 기법인 연관성 분석을 활용하여 연관규칙 방법을 제시하고 연관규칙을 추출하고자 한다.
본 장에서는 오경보에 대한 데이터에 데이터마이닝의 기법인 연관규칙을 적용하기 위한 연구의 대상과 연구의 변수를 기술하도록 하겠다.
따라서 본 연구에서는 데이터마이닝 프로그램인 WEKA를 이용하여 기계경비시스템의 오경보 원인을 분석 및 예측할 수 있는 최적의 알고리즘을 도출해보고자 한다. 이를 위해 오경보 시의 출동건수, 오경보율 그리고 오경보 원인의 통계자료들을 데이터마이닝에 적용해보고, 효율적으로 기계경비시스템 오경보 이벤트를 분석할 수 있는 연관규칙과 분류기법을 제안하고자 한다.
대상 데이터
본 연구의 연관규칙 분석에 사용된 데이터는 “기계 경비산업과 경찰의 효율적 협력 방안에 관한 연구”에서 사용된 통계자료를 사용하였고 본 연구에 맞도록 재구성 하여 사용하였다.
이론/모형
본 논문에서는 요인들 간의 연관성을 알아보기 위해 연관규칙 분석기법 중 Apriori알고리즘을 사용하고자 한다.
연관성 탐사를 위해 3.2절의 ARFF데이터를 Apriori 알고리즘을 적용한다. WEKA의 Associate를 이용하여 “Apriori -N 1000 -T 0 -C 0.
적용된 분류 기법은 Decision Table, Naive Bayes, BayesNet 그리고 연관 분류 기법으로 J48Tree 알고리즘을 적용하였다. <표 5>는 알고리즘들의 적용한 값을 정리한 것이다.
성능/효과
데이터마이닝 프로그램인 WEKA의 여러 가지 알고리즘들 중 Decision Table, Naive Bayes, BayesNet 그리고 J48Tree 알고리즘을 적용하여 알고리즘들의 값을 구하였다. 그 알고리즘들 중 가장 높은 측정 값은 J48 Tree알고리즘으로 나타났고 그 다음 순서로 Decision Table, BayesNet, Naive Bayes 순으로 나타났다. 이 결과로 기계경비 오경보 분석에 대해 가장 적합한 데이터마이닝 기법은 J48Tree 알고리즘이 가장 적합하다 할 수 있다.
위의 표에서 분류 결과에 대한 결과를 보게 되면 가장 높은 값을 보인 것은 Decision Table과 J48 Tree 둘 다 같은 값을 나타냈으나 Mean absolute error, Root mean squared error, Relative absolute error, Root relative squared error에서 Decision Table보다 J48Tree가 근소한 차이로 J48Tree가 낮게 측정됨으로서 J48 Tree의 알고리즘을 적용하기가 가장 적합하다고 말할 수 있다.
그 알고리즘들 중 가장 높은 측정 값은 J48 Tree알고리즘으로 나타났고 그 다음 순서로 Decision Table, BayesNet, Naive Bayes 순으로 나타났다. 이 결과로 기계경비 오경보 분석에 대해 가장 적합한 데이터마이닝 기법은 J48Tree 알고리즘이 가장 적합하다 할 수 있다. 이 결과를 통해 보다 효율적인 오경보에 대한 대처방안을 제시였다는 점에서 연구의 성과를 얻을 수 있었다.
이 결과로 기계경비 오경보 분석에 대해 가장 적합한 데이터마이닝 기법은 J48Tree 알고리즘이 가장 적합하다 할 수 있다. 이 결과를 통해 보다 효율적인 오경보에 대한 대처방안을 제시였다는 점에서 연구의 성과를 얻을 수 있었다.
후속연구
본 연구에서 발견한 오경보와 요인들간의 연관규칙을 이용한 연관성 규칙과 분류규칙을 이용한 오경보에 대한 예측을 적절히 활용하여 오경보에 대한 불필요한 출동을 줄여야 할 것이다. 오경보에 대한 연관성 규칙과 분류규칙에 따른 예측이 반드시 그 규칙에 따라 발생했다는 의미는 아니다.
향후에는 오경보의 축적된 대규모 데이터를 이용하여 의미 있는 분석을 수행하여야 할 것이고 전국을 대상으로 많은 요인들을 추출하여 여러 가지 데이터마이닝 알고리즘을 적용함으로써 보다 더 적합한 알고리즘의 도출 및 높은 신뢰도를 확보하여야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
연관성 규칙발견의 목적은 무엇인가?
연관성 규칙발견의 목적은 항목들 간의 연관성의 정도를 수치로 정량화하는데 있다. 이를 위해서는 보통 ‘지지도’와 ‘신뢰도’라고 하는 두 가지 기준이 중요한 평가도구로 사용된다[13].
경비시스템의 오경보 원인에는 무엇이 있는가?
경비시스템의 오경보 원인은 크게 사용자의 실수, 경보기기의 하자, 설비․유지보수상의 하자, 자연적인 영향 등이 있다[2]
데이터마이닝의 특징은 무엇인가?
(1) 대용량의 관측 가능한 자료를 다룬다.
(2) 컴퓨터 중심적 기법이다.
(3) 경험적 방법에 근거하고 있다.
(4) 일반화에 초점을 두고 있다.
(5) 기업의 다양한 경영상황 하에서 경쟁력 확보를 위한 의사결정을 지원하기 위해서 활용될 수 있다.
(6) 통계학, 컴퓨터과학, 인공지능, 공학과 같은 분야에서 개발된 특징을 가지고 있다.
참고문헌 (17)
주일엽, 기계경비개론, 진영사, p. 69, 2010.
김숙진, "무인기계경비시스템의 오경보 대응방안에 관한 연구", 동국대학교 행정대학원 석사학위논문, pp. 107-109, 2004.
김태민, 이동제, "시스템 경비 산업의 문제점 및 개선방안", 한국치안행정학회, p. 57, 2008.
하승규, "기계경비업의 현황과 발전방향, 연세대학교 법무대학원 석사학위논문 2008.
KT텔레캅 통계자료, 2008.
임준호, "연관규칙을 이용한 의료 데이터 마이닝", 고려대학교 석사학위논문, 2011.
강현철 외, 데이터마이닝 방법론, 자유아카데미, 2006.
김성동, "주식투자자의 의사결정 지원을 위한 데이터 마이닝 도구", 한국콘텐츠학회논문지, 2012.
신현욱, "데이터마이닝 기법을 이용한 지체장애인 취업결정요인 분석 연구", 한국장애인고용촉진공단, 2011.
임준호, "연관규칙을 이용한 의료 데이터마이닝", 고려대학교 정보통신대학원 석사학위논문, 2011.
박보은, "데이터마이닝을 이용한 실시간 품질관리시스템 구축에 관한 연구", 전북대학교 일반대학원 석사학위논문, 2011.
이동규 외 1명, "데이터마이닝을 활용한 건설중대재해 분석", 대한건축학회, 2010.
최종후 외, 데이터마이닝 예측 및 활용, SPSS아카데미, 2002.
노기용, 이현규, 류근호, "심장 질환 진단을 위한 데이터 마이닝 기법", 감성과학, vol. 10, No.2, pp. 153, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.