[논문]공공 데이터의 빅데이터 분석을 통한 사회 안전망 시스템

이선의; 정준희; 차경현; 손기준; 김상지; 김진영

공공 데이터의 빅데이터 분석을 통한 사회 안전망 시스템
Social Safety Systems through Big Data Analysis of Public Data 원문보기

한국위성정보통신학회논문지 = Journal of satellite, information and communications, v.10 no.4, 2015년, pp.77 - 82

이선의 (광운대학교 전파공학과 소속 유비쿼터스 통신 연구실) , 정준희 (광운대학교 전파공학과 소속 유비쿼터스 통신 연구실) , 차경현 (광운대학교 전파공학과 소속 유비쿼터스 통신 연구실) , 손기준 ((주)더아이엠씨) , 김상지 ((주)위니텍) , 김진영 (광운대학교 전파공학과 소속 유비쿼터스 통신 연구실)

초록
AI-Helper

본 논문은 빅 데이터 분석을 이용하여 산악 안전사고를 예방하기 위하여 사고 예측 모델을 제시하였다. 산악 안전사고의 축적된 데이터를 파악하기 쉽게 그래프로 나타내었다. 사고가 발생하는 패턴을 알기 위하여 산악 안전사고 발생 건수의 연도별 분석, 연간 월별 사고 발생 건수, 요일별, 시간대별 분석을 수행하였다. 나타낸 그래프를 이용하여 산악 안전사고의 영향을 미치는 변수들을 가중치 모델링을 통하여 사고 예측 모델을 구성하였다. 산악 지역의 사고 다발 구역에 제시한 모델을 적용하여 예측 모델의 성능을 검정하였다.

Abstract ▼ AI-Helper

This paper proposed an accident prediction model in order to prevent accidents in mountain areas using a big data analysis. Data of accidents in mountain areas are shown as graphs. We have analyzed cases: the number of accidents per year, day of week, time of day to find patterns of the negligent accident in mountain areas. The proposed prediction model consists of weighted variables of the accident in mountain through visualized big data analysis. The model of danger index performance is demonstrated by showing accident-prone areas with weighted variables.

주제어

AI 본문요약
AI-Helper

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

문제 정의

이와 함께 안전 수칙을 지키지 않아서 생기는 사고와 노령의 인구가 맞지 않는 코스를 선택하여 벌어지는 다양한 산악지역의 사고가 증가하고 있다. 따라서 이와 같은 사고의 예방 및 긴급구조 활동의 신속한 이동을 위하여 축적된 통계 데이터를 바탕으로 사고를 예측한다.
이와 같이 빅 데이터 분석을 통하여 공공의 이득을 위한 정보 취득과 분석에 쉽게 활용할 수 있는 방법이 필요하다. 본 논문에서는 공공에게 공개된 전파정보를 통하여 빅 데이터 분석을 수행하여 안전사고 예방에 쓰일 수 있는 방법을 제시한다. 각 기지국은 유저들의 서비스 활용 종류를 파악하고 있고 서비스 지역 내의 대략적인 위치 또한 파악이 가능하다.
산악 인구가 지속적으로 늘어나면서 다양한 산악 안전사고가 발생하고 있는 시대이다. 본 논문에서는 축적된 데이터를 이용하여 충분한 분석을 통하여 사고 예방에 사용할 수 있는 빅 데이터 기술을 이용해 새로운 사고 예측 모델을 제시하였다. 산악 사고 사례 및 현황을 분석하여 다양한 그래프로 나타내었고 시간대별로 연별, 월별, 요일별, 시간별로 세분화하여 사고 예측의 정밀성을 높였다.
사회 안전망 구축을 위한 빅 데이터 분석을 위하여 안전사고가 많이 일어나고 있는 산악지역의 사고 통계를 분석하고자 한다. 등산인구의 증가로 국립공원에 방문객은 해마다 가파르게 증가하고 있다.
이에 따라 본 논문에서는 국가재난정보센터에서 제공하는 재난 통계 및 안전사고 자료를 바탕으로 전파 정보 데이터와 결합한 실시간 사고 예측 시스템을 제안한다. 2장에서는 산악지역에서의 안전사고 데이터를 분석한다.

제안 방법

산악 사고 사례 및 현황을 분석하여 다양한 그래프로 나타내었고 시간대별로 연별, 월별, 요일별, 시간별로 세분화하여 사고 예측의 정밀성을 높였다. 개인의 생체적 특성에 따라 사고 발생 확률이 달라질 수 있기 때문에 입장객의 연령을 통신 기지국의 전파정보를 활용하여 위험지수로 나타낸 예측 모델을 통하여 산악 지역 위험지수를 검정하였다. 사고 다발 지역의 더 많은 축적된 데이터와 사고 지역의 기지국 현황에 대한 자세한 파악이 된다면 상세한 사고 발생의 특징을 모델화하여 향후 안전사고 예방에 기여할 수 있을 것이다.
지역을 500m 간격으로 분석하였고 지도의 등고선의 단위는 100m이다. 나누어진 지역의 119 출동 시간 및 기지국에서 제공하는 전파정보 데이터와 GPS위성 신호 수신 숫자를 가지고 위험과 경계, 주의, 관심으로 분류하였다. 본 검정에 사용한 데이터는 북한산을 예로 분석한 자료로 앞 장에서 분석한 시간별 사고 발생 건수를 통하여 사용한 가정은 9월1일부터 10월 10일까지로 일요일, 14시, 기상 맑음, 연령은 40대로 시뮬레이션 데이터를 사용 하였다.
국립공원의 무선 단말기의 서비스 내역을 분석하여 사고 발생 예측에 활용한다. 무선 단말기가 주요 사고 다발 지역 기지국에서 신호를 송수신할 경우 위험지수가 올라가고 사용자의 단말이 가지는 연령 데이터를 통한 등반 시간을 계산하여 안전사고를 예방할 수 있게 하는 시스템을 제안한다.
다양한 공공 데이터가 축적되어 가고 있는 현대 시대에는 각 나라마다 공공 데이터를 개방하여 다양한 서비스를 수행할수 있게 제공하고 있다. 본 논문에서는 대한민국에서 제공하는 공공데이터 중 등산객 현황을 분석하여 빅 데이터 분석을 통한 안전사고 예방에 활용한다. 범죄 예방에 사용되는 빅 데이터 분석은 범죄 종류, 지역, 시간별, 발생 사례를 토대로 지역을 시간대별로 차별화된 순찰 루트를 결정하여 사고를 예방하는 방식으로 이용된다.
본 장에서는 산악 지역의 사고 발생 데이터를 바탕으로 안전사고 발생을 예측하는데 활용한다. 그림 1은 년도별 산악사고 발생인원을 나타낸 그래프이다.
2장에서는 산악지역에서의 안전사고 데이터를 분석한다. 분석 데이터를 바탕으로 주요 연령, 사고 발생 시간, 지역에 따른 사고 유형에 따른 전파 정보와 결합한 사고 예방 알고리즘을 제시한다. 3장에서는 사고 예측을 위한 알고리즘을 활용하여 공공 데이터 정보와 분석을 통한 데이터의 쉬운 분석을 위한 시각화 서비스 모델을 제시한다.
산악 안전사고 발생 시간을 조사하기 위하여 공개된 통계자료를 바탕으로 시간대별로 사고발생 건수를 조사하였다. 3년 단위로 조사하여 하루 동안 사고가 발생한 시간을 조사한 데이터를 바탕으로 나타낸 그래프가 그림 6이다.
범죄 예방에 사용되는 빅 데이터 분석은 범죄 종류, 지역, 시간별, 발생 사례를 토대로 지역을 시간대별로 차별화된 순찰 루트를 결정하여 사고를 예방하는 방식으로 이용된다. 이와 같이 산악 지역에서의 발생하는 안전사고 데이터를 분석하여 안전사고를 예방한다.
사고 예측 모델을 사용하여 KBS에서 제공한 산악 지역의 사고 다발 지역 지도를 이용하였다. 지역을 500m 간격으로 분석하였고 지도의 등고선의 단위는 100m이다. 나누어진 지역의 119 출동 시간 및 기지국에서 제공하는 전파정보 데이터와 GPS위성 신호 수신 숫자를 가지고 위험과 경계, 주의, 관심으로 분류하였다.

대상 데이터

나누어진 지역의 119 출동 시간 및 기지국에서 제공하는 전파정보 데이터와 GPS위성 신호 수신 숫자를 가지고 위험과 경계, 주의, 관심으로 분류하였다. 본 검정에 사용한 데이터는 북한산을 예로 분석한 자료로 앞 장에서 분석한 시간별 사고 발생 건수를 통하여 사용한 가정은 9월1일부터 10월 10일까지로 일요일, 14시, 기상 맑음, 연령은 40대로 시뮬레이션 데이터를 사용 하였다.

이론/모형

국립공원의 무선 단말기의 서비스 내역을 분석하여 사고 발생 예측에 활용한다. 무선 단말기가 주요 사고 다발 지역 기지국에서 신호를 송수신할 경우 위험지수가 올라가고 사용자의 단말이 가지는 연령 데이터를 통한 등반 시간을 계산하여 안전사고를 예방할 수 있게 하는 시스템을 제안한다.
본 논문에서 제시한 사고 예측 모델을 검정하기 위하여 시뮬레이션한 결과는 그림 10이다. 사고 예측 모델을 사용하여 KBS에서 제공한 산악 지역의 사고 다발 지역 지도를 이용하였다. 지역을 500m 간격으로 분석하였고 지도의 등고선의 단위는 100m이다.

성능/효과

이 분석 결과 또한 10월에 안전사고가 가장 많이 일어나는 것을 알 수 있고 9월, 5월 순으로 사고가 많이 발생 하였다. 또한 요일별로 발생한 산악 안전사고 데이터를 종합하여 분석한 결과 사고는 주로 등산객이 많이 찾는 주말에 집중적으로 발생하는 것을 알 수 있다.
2001년부터 2014년까지 등산객의 사고건수가 지속적으로 증가해온 것을 알 수 있다. 보도 자료 및 아웃도어 시장이 지속적으로 성장한 통계를 보아도 등산인구가 가파르게 증가하고 있다는 것을 알 수 있고 등산인구 증가가 적은 경우에는 기상의 영향을 받아 등산 가능 시간이 감소하여 발생한 것으로 보인다. 국가통계포탈에서 제공하는 정보를 보면 국립공원 관리 공단에서 파악한 전체 등산객 수는 그림 2와 같다.
분석한 빅 데이터를 이용하여 파악된 사고 다발지역의 지도를 이용하여 시간에 따른 사고 발생을 예측하여 위험지 수로 나타내어 등산객들에게 경각심을 줄 수 있고 사고 발생시 응급의료 및 구조대에서는 인력 배치를 효율적으로 하여사고 대응력을 높일 수 있다.
본 논문에서는 축적된 데이터를 이용하여 충분한 분석을 통하여 사고 예방에 사용할 수 있는 빅 데이터 기술을 이용해 새로운 사고 예측 모델을 제시하였다. 산악 사고 사례 및 현황을 분석하여 다양한 그래프로 나타내었고 시간대별로 연별, 월별, 요일별, 시간별로 세분화하여 사고 예측의 정밀성을 높였다. 개인의 생체적 특성에 따라 사고 발생 확률이 달라질 수 있기 때문에 입장객의 연령을 통신 기지국의 전파정보를 활용하여 위험지수로 나타낸 예측 모델을 통하여 산악 지역 위험지수를 검정하였다.
또한 안전사고 분석을 위하여 샘플로 9월을 기준으로 잡고 요일별로 발생한 사고의 발생건수를 꺾은 선형 그래프로 나타낸 것이다. 이 또한 다년간 분석한 요일별 사고 발생 건수와 일치하는 것을 알 수 있다.
연간 분석한 산악 안전사고 자료 등을 바탕으로 그래프로 분석하여 보면 등산객이 많을수록 안전사고가 급증하는 것을 명확하게 알 수 있다. 이 분석 결과 또한 10월에 안전사고가 가장 많이 일어나는 것을 알 수 있고 9월, 5월 순으로 사고가 많이 발생 하였다. 또한 요일별로 발생한 산악 안전사고 데이터를 종합하여 분석한 결과 사고는 주로 등산객이 많이 찾는 주말에 집중적으로 발생하는 것을 알 수 있다.
빅 데이터 분석을 위하여 공공 데이터를 수집하여 얻은 자료를 바탕으로 등산객 사고는 2008년부터 등산객이 증가하는 시점부터 매우 급격하게 증가해 온 것을 알 수 있다. 축적된 안전사고 데이터를 분석한 결과 연간 사고 발생 건수는 꾸준히 증가하고 있으며 월별로는 10월, 5월 9월 순으로 사고가 많이 일어났다. 요일로는 평일보다는 주말에 일요일, 토요일 순으로 사고가 전체 사고 발생 건수의 절반이 넘는 53％의 사고가 발생하였다.

후속연구

개인의 생체적 특성에 따라 사고 발생 확률이 달라질 수 있기 때문에 입장객의 연령을 통신 기지국의 전파정보를 활용하여 위험지수로 나타낸 예측 모델을 통하여 산악 지역 위험지수를 검정하였다. 사고 다발 지역의 더 많은 축적된 데이터와 사고 지역의 기지국 현황에 대한 자세한 파악이 된다면 상세한 사고 발생의 특징을 모델화하여 향후 안전사고 예방에 기여할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	범죄 예방에 사용되는 빅 데이터 분석은 어떻게 이용되는가?	본 논문에서는 대한민국에서 제공하는 공공데이터 중 등산객 현황을 분석하여 빅 데이터 분석을 통한 안전사고 예방에 활용한다. 범죄 예방에 사용되는 빅 데이터 분석은 범죄 종류, 지역, 시간별, 발생 사례를 토대로 지역을 시간대별로 차별화된 순찰 루트를 결정하여 사고를 예방하는 방식으로 이용된다. 이와 같이 산악 지역에서의 발생하는 안전사고 데이터를 분석하여 안전사고를 예방한다.
	지금까지 데이터 클라우드 저장은 어떠했는가?	지금까지의 데이터 클라우드 저장은 텍스트 또는 수동적인 암호화된 코드들로 구성되어져 왔다. 이러한 데이터들은 분석하기가 복잡하고 특정 수요를 만족하지 못하면 활용할 가능을 쉽게 찾을 수 없다.
	빅 데이터 기술을 이용하여 어떻게 사고 예측 모델 제시하였나?	본 논문에서는 축적된 데이터를 이용하여 충분한 분석을 통하여 사고 예방에 사용할 수 있는 빅 데이터 기술을 이용해 새로운 사고 예측 모델을 제시하였다. 산악 사고 사례 및 현황을 분석하여 다양한 그래프로 나타내었고 시간대별로 연별, 월별, 요일별, 시간별로 세분화하여 사고 예측의 정밀성을 높였다. 개인의 생체적 특성에 따라 사고 발생 확률이 달라질 수 있기 때문에 입장객의 연령을 통신 기지국의 전파정보를 활용하여 위험지수로 나타낸 예측 모델을 통하여 산악 지역 위험지수를 검정하였다. 사고 다발 지역의 더 많은 축적된 데이터와 사고 지역의 기지국 현황에 대한 자세한 파악이 된다면 상세한 사고 발생의 특징을 모델화하여 향후 안전사고 예방에 기여할 수 있을 것이다.

참고문헌 (6)

V. Luukkala and I. Niemela, "Enhancing a smart space with answer set programming," in Semantic Web Rules, M. Dean, J. Hall, A. Rotolo, and S. Tabet, Eds. Berlin, Germany: Springer-Verlag, 2010, pp. 89103.
R. Feldman, "Techniques and applications for sentiment analysis," Commun. ACM, vol. 56, no. 4, pp. 8289, 2013.
T. Aihkisalo and T. Paaso, "Latencies of service invocation and processing of the REST and SOAP Web service interfaces," in Proc. IEEE 8th World Congr. Services, Jun. 2012, pp. 100107.
G. Mulligan and D. Gracanin, "A comparison of SOAP and REST implementations of a service based interaction independence middleware framework," in Proc. Winter Simulation Conf., Austin, TX, USA, Dec. 2009, pp. 14231431.
J. Delgado, "Service interoperability in the Internet of Things," in Internet of Things and Inter-Cooperative Computational Technologies for Collec-tive Intelligence (Studies in Computational Intelligence), vol. 460. Berlin, Germany: Springer-Verlag, 2013, pp. 5187.
L. Ramaswamy,V. Lawson, and S.V. Gogineni, "Towards a quality-centric big data architecture for federated sensor services," in Proc. IEEE Int. Congr. Big Data, Santa Clara, CA, USA, Jun./Jul. 2013, pp. 8693.

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