본 연구는 2011년 1월1일부터 2014년 12월 31일까지의 기상변이에 관한 빅 데이터와 보건의료의 빅 데이터를 융합하여 식중독 발병률 변이에 기상요인이 어떤 영향을 주는지에 대한 분석을 시도하여 국민건강예방에 도움을 주고자한다. 분석도구 R을 이용하여 로지스틱 회귀와 Lasso 로지스틱 회귀 총 2가지 분석을 하였고, 식중독을 발생시키는 주 원인균을 분류하여 세균성 원인균과 바이러스성 원인균에 의한 식중독 발병률 변이를 확인하였다. 로지스틱 회귀 분석결과, 세균성 원인균에 의한 식중독 발병률에는 평균기온, 일조량편차, 기온편차가 유의미한 영향을 미치고, 바이러스성 원인균에 의한 식중독 발병률에 영향을 미치는 기상요인은 최소증기압, 일조량편차, 기온편차로 나타났다. 본 연구는 기상요인과 식중독 발병률이 상관성이 있음을 확인하였고, 두 가지 원인균에 의한 식중독 발병률이 같은 기상요인에 영향을 받더라도 원인균들의 특성에 따라 식중독 발병률에 반대의 영향을 미치는 것을 확인하였다.
본 연구는 2011년 1월1일부터 2014년 12월 31일까지의 기상변이에 관한 빅 데이터와 보건의료의 빅 데이터를 융합하여 식중독 발병률 변이에 기상요인이 어떤 영향을 주는지에 대한 분석을 시도하여 국민건강예방에 도움을 주고자한다. 분석도구 R을 이용하여 로지스틱 회귀와 Lasso 로지스틱 회귀 총 2가지 분석을 하였고, 식중독을 발생시키는 주 원인균을 분류하여 세균성 원인균과 바이러스성 원인균에 의한 식중독 발병률 변이를 확인하였다. 로지스틱 회귀 분석결과, 세균성 원인균에 의한 식중독 발병률에는 평균기온, 일조량편차, 기온편차가 유의미한 영향을 미치고, 바이러스성 원인균에 의한 식중독 발병률에 영향을 미치는 기상요인은 최소증기압, 일조량편차, 기온편차로 나타났다. 본 연구는 기상요인과 식중독 발병률이 상관성이 있음을 확인하였고, 두 가지 원인균에 의한 식중독 발병률이 같은 기상요인에 영향을 받더라도 원인균들의 특성에 따라 식중독 발병률에 반대의 영향을 미치는 것을 확인하였다.
This research attempts an analysis that fuses the big data concerning weather variation and health care from January 1, 2011 to December 31, 2014; it gives the weather factor as to what kind of influence there is for the incidence of food poisoning, and also endeavors to be helpful regarding nationa...
This research attempts an analysis that fuses the big data concerning weather variation and health care from January 1, 2011 to December 31, 2014; it gives the weather factor as to what kind of influence there is for the incidence of food poisoning, and also endeavors to be helpful regarding national health prevention. By using R, the Logistic and Lasso Logistic Regression were analyzed. The main factor germ generating the food poisoning was classified and the incidence was confirmed for the germ of bacteria and virus. According to the result of the analysis of Logistic Regression, we found that the incidence of bacterial food poisoning was affected by the following influences: the average temperature, amount of sunshine deviation, and deviation of temperature. Furthermore, the weather factors, having an effect on the incidence of viral food poisoning, were: the minimum vapor pressure, amount of sunshine deviation and deviation of temperature. This study confirmed the correlation of meteorological factors and incidence of food poisoning. It was also found out that even if the incidence from two causes were influenced by the same weather factor, the incidence might be oppositely affected by the characteristic of the germs.
This research attempts an analysis that fuses the big data concerning weather variation and health care from January 1, 2011 to December 31, 2014; it gives the weather factor as to what kind of influence there is for the incidence of food poisoning, and also endeavors to be helpful regarding national health prevention. By using R, the Logistic and Lasso Logistic Regression were analyzed. The main factor germ generating the food poisoning was classified and the incidence was confirmed for the germ of bacteria and virus. According to the result of the analysis of Logistic Regression, we found that the incidence of bacterial food poisoning was affected by the following influences: the average temperature, amount of sunshine deviation, and deviation of temperature. Furthermore, the weather factors, having an effect on the incidence of viral food poisoning, were: the minimum vapor pressure, amount of sunshine deviation and deviation of temperature. This study confirmed the correlation of meteorological factors and incidence of food poisoning. It was also found out that even if the incidence from two causes were influenced by the same weather factor, the incidence might be oppositely affected by the characteristic of the germs.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서 식중독 발병률은 식중독에 감염된 적이 있는지에 대한 식품의약품안전처의 식중독 발생 감시 자료를 바탕으로 한다. 또한 본 연구에서는 식중독 발병률을 범주형 값인 식중독 발생유무로 정의하였다.
본 연구에서는 기온과 상대습도를 포함한 기상요인들과 식중독 발생의 상관성을 확인하고, 식중독을 유발하는 원인균들에 의해 서로 다른 성격을 가지는 세균성 원인균에 의한 식중독과 바이러스성 원인균에 의한 식중독으로 구분하여, 기상에 의한 식중독 발병률 변이를 확인하고자 한다.
본 연구에서는 식중독 발생 현황 보건의료 빅 데이터 자료에 대해 데이터 불일치 및 오류 건에 대한 수정작업· 텍스트로 이루어진 변수에 대한 코드화 진행 등 데이터 전처리 작업을 수행하여 발생일· 발생 건수· 발생지역· 원인균을 변수로 하는 데이터를 정제하였다.
본 연구에 사용된 식중독 발생 자료는 식품의약품안전처가 수집한 전국 식중독 발생 현황 보건의료 빅 데이터 자료 중 2011년 1월 1일부터 2014년 12월 31일까지 발생일· 환자 수· 발생지역· 원인균· 원인시설 등의 자료가 포함된 식중독 발생 건수 자료를 이용하였다. 이 자료는 과거 역학조사로 추적한 식중독 발생 시점 자료로써, 병원균의 성장과 숙주 반응에서 나타나는 시간적 지연 효과를 고려하지 않아도 식중독 발병률의 변이를 분석하기에 적합한 자료이다.
이러한 기존 연구결과들은 정도의 차이는 있으나 대부분 기온 증가에 따른 식중독 발생 증가의 양상을 공통적으로 나타내고 있고, 본 연구에서는 기존의 연구들이 주로 기온과 습도와 관련하여 식중독 발생 건수 또는 환자수를 예측한 것과 달리 전국 단위의 빅 데이터를 기반으로 다양한 기상 변수를 고려한 식중독 발생률의 변이를 연구했다.
제안 방법
기상자료에서 원 변수들과 파생변수들로 구성된 총 42개의 변수들은 종속 변수인 식중독 발병률을 설명하기에 수가 많고 각 변수들 간의 상관관계가 매우 높기 때문에 변수축약이 필요하다. 따라서 상관분석을 통해 상관계수 절대 값이 0.7이상인 변수들을 그룹화하고 랜덤포레스트를 사용하여 각 그룹 중 변수 중요도가 높은 변수를 선택하여 변수축약을 하였다.
본 연구에서 이용한 자료는 신고 또는 보고에 의한 역학 자료로써, 우리나라에서 발생한 식중독 발생을 모두 포함하고 있지 않을 가능성이 있기 때문에 일반화의 한계점이 존재한다. 또한 식중독 발생 예측은 개인 수준의 식중독 외에 집단 식중독의 발생에는 다양한 요소가 영향을 미치기 때문에 식품의 가공 및 조리 저장에 관련된 정책 및 산업 수준 그리고 개인의 위생관념 등의 요소까지 고려해야하는 어려움이 있지만 본 연구에서는 기상요소를 주요한 변수로 상정하였다. 식품에 대한 개인적 선호의 변화나 개인의 위생 관념의 변화가 식중독 발생에 미치는 영향 등을 추정하기는 쉬운 일이 아니나 이러한 요소들까지 고려한 향후 연구 방법의 발전에 기대를 걸어본다.
본 연구는 기후변화에 따른 식중독 발병률의 상관관계를 확인하기 위하여 식품의약품안전처의 식중독 발생 빅 데이터 자료와 기상청의 지상관측 빅 데이터 자료를 활용하여 로지스틱 회귀, Lasso 로지스틱 회귀 총 2가지의 모형을 이용하여 분석하였다. 식중독을 발생시키는 원인 중에서 세균성 원인균에 의한 식중독과 바이러스성 원인균에 의한 식중독을 상호 비교하면서 식중독 발병률 변이를 확인하였다.
AWS자료는 기상관측소가 없는 곳에 설치되어 국지적인 악 기상 현상을 실시간으로 감시한 자료로 총 4개 요소로 구성된다. 본 연구에서는 AWS자료와 ASOS자료를 key value인 지역 ID와 날짜를 이용하여 매핑시켰고 이상치 및 결측치 제거를 통해 데이터 전처리 작업을 수행하였다. 또한, 시간 단위 빅 데이터 자료를 일 단위 자료로 변환하여 원 변수 및 파생 변수를 모두 포함한 총 42개의 변수, 306,529개의 관측치를 가지는 최종 데이터 셋을 추출하였다.
본 연구에서는 세균성 및 바이러스성 식중독 발병률 예측에 대한 로지스틱 회귀분석과 Lasso 로지스틱 회귀분석 결과의 신뢰성을 높이기 위하여 각각의 분석모델에 대해 10-fold Cross validation을 하였고, 이 때 총 10개의 데이터 셋을 분석마다 다르게 추출하여 중복되지 않게 적용하였다.
본 연구의 분석은 각 설명변수들에 대한 상관관계분석과 랜덤포레스트(RandomForest)를 사용하여 변수 축약을 하였고, 로지스틱 회귀 분석(Logistic Regression)과 Lasso 로지스틱 회귀 분석(Lasso Logistic Regression)을 사용하여 기상변수에 의한 식중독 발병률을 분석하였다. 분석을 위해 훈련용 데이터셋(train set)과 평가용 데이터셋(test set)은 각각 70%와 30%로 설정하여 분석하였다. 본 연구 결과에 대한 신뢰성을 높이기 위하여 각각의 분석 모델에 대하여 10-fold Cross validation을 하였고, 빅 데이터 분석에 유용한 R을 사용하여 연구를 진행하였다[20].
본 연구에서는 식품의약품안전처의 식중독 분류표에 제시된 원인균에 의해 식중독을 세균성 식중독과 바이러스성 식중독으로 분류하여 기초통계분석 결과, 세균성 식중독은 여름철에 발생률이 높고 바이러스성 식중독은 겨울철에 발생률이 높음을 알 수 있다. 식중독을 두 가지로 분류하였을 때, 계절적 특징이 두드러지므로 본 연구는 세균성 식중독과 바이러스성 식중독으로 구분하여 기상자료에 따른 식중독 발병률 변이를 확인하였다.
본 연구는 기후변화에 따른 식중독 발병률의 상관관계를 확인하기 위하여 식품의약품안전처의 식중독 발생 빅 데이터 자료와 기상청의 지상관측 빅 데이터 자료를 활용하여 로지스틱 회귀, Lasso 로지스틱 회귀 총 2가지의 모형을 이용하여 분석하였다. 식중독을 발생시키는 원인 중에서 세균성 원인균에 의한 식중독과 바이러스성 원인균에 의한 식중독을 상호 비교하면서 식중독 발병률 변이를 확인하였다. 또한 기상 자료의 변수들의 종류가 많아서 변수들의 특성을 고려하여 비교하면서 각 변수 간 상관관계가 높은 것들을 정리하는 변수 축소과정을 통해서 예측 정확도를 높였다.
대상 데이터
ASOS자료는 전국 모든 기상관측소에서 같은 시각에 실시하는 지상관측을 말하며, 자동으로 관측된 14개 요소와 일부 자동과 목측으로 관측된 11개 요소로 구성된다. AWS자료는 기상관측소가 없는 곳에 설치되어 국지적인 악 기상 현상을 실시간으로 감시한 자료로 총 4개 요소로 구성된다. 본 연구에서는 AWS자료와 ASOS자료를 key value인 지역 ID와 날짜를 이용하여 매핑시켰고 이상치 및 결측치 제거를 통해 데이터 전처리 작업을 수행하였다.
본 연구에서는 AWS자료와 ASOS자료를 key value인 지역 ID와 날짜를 이용하여 매핑시켰고 이상치 및 결측치 제거를 통해 데이터 전처리 작업을 수행하였다. 또한, 시간 단위 빅 데이터 자료를 일 단위 자료로 변환하여 원 변수 및 파생 변수를 모두 포함한 총 42개의 변수, 306,529개의 관측치를 가지는 최종 데이터 셋을 추출하였다.
본 연구는 기상청의 2011년 1월 1일부터 2014년 12월 31일까지 시간 단위 지상관측 빅 데이터 자료를 사용하였으며, 종관기상관측(ASOS)자료 방재기상관측(AWS)자료를 모두 사용하였다. ASOS자료는 전국 모든 기상관측소에서 같은 시각에 실시하는 지상관측을 말하며, 자동으로 관측된 14개 요소와 일부 자동과 목측으로 관측된 11개 요소로 구성된다.
본 연구에 사용된 식중독 발생 자료는 식품의약품안전처가 수집한 전국 식중독 발생 현황 보건의료 빅 데이터 자료 중 2011년 1월 1일부터 2014년 12월 31일까지 발생일· 환자 수· 발생지역· 원인균· 원인시설 등의 자료가 포함된 식중독 발생 건수 자료를 이용하였다.
데이터처리
분석을 위해 훈련용 데이터셋(train set)과 평가용 데이터셋(test set)은 각각 70%와 30%로 설정하여 분석하였다. 본 연구 결과에 대한 신뢰성을 높이기 위하여 각각의 분석 모델에 대하여 10-fold Cross validation을 하였고, 빅 데이터 분석에 유용한 R을 사용하여 연구를 진행하였다[20].
본 연구의 분석은 각 설명변수들에 대한 상관관계분석과 랜덤포레스트(RandomForest)를 사용하여 변수 축약을 하였고, 로지스틱 회귀 분석(Logistic Regression)과 Lasso 로지스틱 회귀 분석(Lasso Logistic Regression)을 사용하여 기상변수에 의한 식중독 발병률을 분석하였다. 분석을 위해 훈련용 데이터셋(train set)과 평가용 데이터셋(test set)은 각각 70%와 30%로 설정하여 분석하였다.
성능/효과
이는 Lasso 로지스틱 회귀분석과 로지스틱 회귀분석의 계수를 구하는 접근방법이 다르기 때문인 것으로 판단된다. Lasso 로지스틱 회귀분석 결과도 로지스틱 회귀분석과 마찬가지로 바이러스성 원인균에 의한 식중독 발병률과 세균성 원인균에 의한 식중독 발병률 서로 다른 특성을 갖는다는 것을 확인 할 수 있었다.
[Table 1]과 같이 세균성 원인균에 의한 식중독 발병률을 종속변수로 로지스틱 회귀분석을 수행한 결과, 평균 기온· 기온 편차· 일조량 편차가 세균성 원인균에 의한 식중독 발병률에 유의미한 영향을 주는 요인으로 도출되었다.
[Table 2]과 같이 바이러스성 원인균에 의한 식중독 발병률을 종속변수로 로지스틱 회귀분석을 수행한 결과, 최소 증기압· 기온 편차· 일조량 편차가 바이러스성 원인균에 의한 식중독 발병률에 유의미한 영향을 주는 요인으로 도출되었다.
최소 증기압과 일조량 편차는 바이러스성 원인균에 의한 식중독 발병률에 부(-)의 영향을 미치고 기온 편차는 정(+)의 영향을 미친다. 다시 말해, 최소 증기압과 일조량 편차가 낮을수록 세균성 원인균에 의한 식중독 발병률이 높게 나타나며 기온 편차가 낮을수록 세균성 원인균에 의한 식중독 발병률이 높게 나타났다.
평균 기온과 일조량 편차는 세균성 원인균에 의한 식중독 발병률에 정(+)의 영향을 미치고 기온 편차는 부(-)의 영향을 미친다. 다시 말해, 평균 기온과 일조량 편차가 높을수록 세균성 원인균에 의한 식중독 발병률이 높게 나타나며 기온 편차가 낮을수록 세균성 원인균에 의한 식중독 발병률이 높게 나타났다.
다시 말해, 평균 풍속· 증기압 편차· 평균 기온· 일조량 편차· 최대 현지기압· 평균 상대습도· 이슬점온도 편차가 높을수록 세균성 원인균에 의한 식중독 발병률이 높게 나타나며, 기온 편차· 강수량 편차가 낮을수록 세균성 원인균에 의한 식중독 발병률이 높게 나타났다.
이는 식중독을 일으키는 세균은 대부분 35°C ~36°C 내외에서 번식 속도가 가장 빠르고 노로바이러스, 로타바이러스와 같은 원인균은 낮은 온도에서 생존 기간이 연장되기 때문에 식중독을 구분하는 원인균의 특성 때문인 것으로 판단된다. 두 번째, Lasso 로지스틱 회귀 분석 결과, 바이러스성 원인균에 의한 식중독 발병률과 세균성 원인균에 의한 식중독 발병률에 미치는 기상 요인들이 다르게 나타남을 알 수 있었다. 이는 Lasso 로지스틱 회귀분석과 로지스틱 회귀분석의 계수를 구하는 접근방법이 다르기 때문인 것으로 판단된다.
식중독을 발생시키는 원인 중에서 세균성 원인균에 의한 식중독과 바이러스성 원인균에 의한 식중독을 상호 비교하면서 식중독 발병률 변이를 확인하였다. 또한 기상 자료의 변수들의 종류가 많아서 변수들의 특성을 고려하여 비교하면서 각 변수 간 상관관계가 높은 것들을 정리하는 변수 축소과정을 통해서 예측 정확도를 높였다.
로지스틱 회귀분석과 Lasso 로지스틱 회귀분석을 통해 기상요인은 식중독 발병률 변이에 영향을 미치는 것으로 나타났다. 또한, 로지스틱 회귀모형과 Lasso 로지스틱 회귀모형의 예측 정확도와 AUC가 각각 근사치를 가지며, 두 모형 모두 식중독 발병률을 설명하기에 적합한 모형으로 판단된다.
로지스틱 회귀분석과 Lasso 로지스틱 회귀분석을 통해 기상요인은 식중독 발병률 변이에 영향을 미치는 것으로 나타났다. 또한, 로지스틱 회귀모형과 Lasso 로지스틱 회귀모형의 예측 정확도와 AUC가 각각 근사치를 가지며, 두 모형 모두 식중독 발병률을 설명하기에 적합한 모형으로 판단된다.
세균성 식중독 발생 건수 분석에 사용된 총 12개의 설명 변수는 평균 기온, 현지기압 편차, 일조량 편차, 최대 현지기압, 기온 편차, 상대습도 편차, 강수량 편차, 평균 상대습도, 평균 풍속, 평균 강수량이다. 바이러스성 식중독 발생 건수 분석에 사용된 총 11개의 설명 변수는 최대 현지기압, 최소 증기압, 최소 상대습도, 현지기압 편차, 이슬점온도 편차, 일조량 편차, 온도 편차, 상대습도 편차, 평균 강수량, 증기압 편차, 풍속 편차이다.
바이러스성 원인균에 의한 식중독 발병률에 영향을 미치는 요인은 최소 증기압, 최대 현지기압, 최소 상대습도 총 3개 요인으로, 세균성 원인균에 의한 식중독 발병률에 대한 Lasso 로지스틱 회귀 분석결과 보다 상대적으로 적게 추출되었다.
본 연구에서는 식품의약품안전처의 식중독 분류표에 제시된 원인균에 의해 식중독을 세균성 식중독과 바이러스성 식중독으로 분류하여 기초통계분석 결과, 세균성 식중독은 여름철에 발생률이 높고 바이러스성 식중독은 겨울철에 발생률이 높음을 알 수 있다. 식중독을 두 가지로 분류하였을 때, 계절적 특징이 두드러지므로 본 연구는 세균성 식중독과 바이러스성 식중독으로 구분하여 기상자료에 따른 식중독 발병률 변이를 확인하였다.
본 연구의 결과로 첫 번째, 로지스틱 회귀 분석 결과, 세균성과 바이러스성 원인균에 의한 식중독 발병률은 기초 통계 분석 시에 확인했던 것과 같이 서로 다른 특성을 가지며, 같은 요인에 의해 영향을 받더라도 세균성 원인균에 의한 식중독 발병률은 정(+)의 영향을 바이러스성 원인균에 의한 식중독 발병률은 부(-)의 영향을 받는 것으로 나타났다. 이는 식중독을 일으키는 세균은 대부분 35°C ~36°C 내외에서 번식 속도가 가장 빠르고 노로바이러스, 로타바이러스와 같은 원인균은 낮은 온도에서 생존 기간이 연장되기 때문에 식중독을 구분하는 원인균의 특성 때문인 것으로 판단된다.
세균성 식중독 발생 건수 분석에 사용된 총 12개의 설명 변수는 평균 기온, 현지기압 편차, 일조량 편차, 최대 현지기압, 기온 편차, 상대습도 편차, 강수량 편차, 평균 상대습도, 평균 풍속, 평균 강수량이다. 바이러스성 식중독 발생 건수 분석에 사용된 총 11개의 설명 변수는 최대 현지기압, 최소 증기압, 최소 상대습도, 현지기압 편차, 이슬점온도 편차, 일조량 편차, 온도 편차, 상대습도 편차, 평균 강수량, 증기압 편차, 풍속 편차이다.
세균성 원인균에 의한 식중독 발병률 Lasso 로지스틱 회귀분석을 시행한 결과, 총 12개의 변수에 대해 9개 변수의 회귀계수 값이 추정되었다. 평균 풍속· 증기압 편차· 평균 기온· 일조량 편차· 최대 현지기압· 평균 상대습도· 이슬점온도 편차는 세균성 원인균에 의한 식중독 발병률에 정(+)의 영향을 미치며, 기온 편차· 강수량 편차는 세균성 원인균에 의한 식중독 발병률에 부(-)의 영향을 미친다.
정제된 식중독 발생 자료를 이용하여 기초통계분석 결과 5월~ 9월과 12월에 높은 식중독 발병률을 보였다.
총 42개의 조사된 변수는 기온, 강수, 풍속, 습도, 증기압, 현지기압, 일조량, 일사량, 이슬점온도, 지면온도 각각의 평균, 최대, 최소, 편차 값과 일교차, 강수유무가 포함된다.
최소 증기압은 바이러스성 원인균에 의한 식중독 발병률에 부(-)의 영향을 미치고 최대 현지기압과 최소 상대습도는 정(+)의 영향을 미친다. 최소 증기압이 낮을수록 최대 현지기압과 최소 상대습도가 높을수록 바이러스성 원인균에 의한 식중독 발병률이 높게 나타났다.
Konno(1983)의 연구에서 로타바이러스 원인균에 의한 식중독 발생 건수는 상대습도와 관련이 없었다[11]. 하지만, 본 연구의 바이러스성 원인균에 의한 식중독 발병률은 Lasso 로지스틱 회귀 분석에서 최소 상대습도와 관련이 있음을 나타냈다. 이는 Konno는 바이러스성 원인균 중 로타바이러스를 중점적으로 연구했지만, 본 연구에서는 바이러스성 원인균에 로타바이러스가 포함된 경우로 Konno의 연구보다 넓은 의미의 바이러스성 원인균들에 대해 연구했기 때문으로 판단된다.
후속연구
본 연구에서 이용한 자료는 신고 또는 보고에 의한 역학 자료로써, 우리나라에서 발생한 식중독 발생을 모두 포함하고 있지 않을 가능성이 있기 때문에 일반화의 한계점이 존재한다. 또한 식중독 발생 예측은 개인 수준의 식중독 외에 집단 식중독의 발생에는 다양한 요소가 영향을 미치기 때문에 식품의 가공 및 조리 저장에 관련된 정책 및 산업 수준 그리고 개인의 위생관념 등의 요소까지 고려해야하는 어려움이 있지만 본 연구에서는 기상요소를 주요한 변수로 상정하였다.
또한 식중독 발생 예측은 개인 수준의 식중독 외에 집단 식중독의 발생에는 다양한 요소가 영향을 미치기 때문에 식품의 가공 및 조리 저장에 관련된 정책 및 산업 수준 그리고 개인의 위생관념 등의 요소까지 고려해야하는 어려움이 있지만 본 연구에서는 기상요소를 주요한 변수로 상정하였다. 식품에 대한 개인적 선호의 변화나 개인의 위생 관념의 변화가 식중독 발생에 미치는 영향 등을 추정하기는 쉬운 일이 아니나 이러한 요소들까지 고려한 향후 연구 방법의 발전에 기대를 걸어본다.
질의응답
핵심어
질문
논문에서 추출한 답변
AWS자료는 무엇을 실시간으로 감시한 자료인가?
ASOS자료는 전국 모든 기상관측소에서 같은 시각에 실시하는 지상관측을 말하며, 자동으로 관측된 14개 요소와 일부 자동과 목측으로 관측된 11개 요소로 구성된다. AWS자료는 기상관측소가 없는 곳에 설치되어 국지적인 악 기상 현상을 실시간으로 감시한 자료로 총 4개 요소로 구성된다. 본 연구에서는 AWS자료와 ASOS자료를 key value인 지역 ID와 날짜를 이용하여 매핑시켰고 이상치 및 결측치 제거를 통해 데이터 전처리 작업을 수행하였다.
식중독을 일으키는 세균은 어떤 온도에서 가장 번식 속도가 빠른가?
식중독을 일으키는 세균은 4°C∼60°C 사이 온도에서 증식하고, 대부분 35°C∼36°C 내외에서 번식 속도가 가장 빠르기 때문에 여름철에 세균성 원인균에 의한 식중독 발병 위험이 가장 높은 것으로 보고되고 있다. 최근 위생 관념이 발달하고 생활이 윤택해지면서 부패한 음식에 의한 세균성 식중독에 비해 바이러스성 식중독이 증가하고 있다.
랜덤 포레스트의 변수 중요도는 어떻게 측정되는가?
랜덤 포레스트는 각 변수들의 상대적 중요도를 평가하여 변수를 축약하는 변수 선택 방법 중 하나이다. 변수 중요도는 변수가 모형의 정확도와 노드 불순도 개선에 얼마만큼 기여하는 지로 측정된다[9].
참고문헌 (20)
Atul A. Khasnis and Mary D. Nettleman, "Grobal Warming and Infectious Disease", Archives of Medical Research, Vol.36, p689-696, 2005.
Yong Soo Kim, Ki Hwan Park, Hyang Sook Chun, Changsun Choi, Gyung Jin Bah, "Correlations between climatic conditions and foodborne disease", Food Research International, Vol.68, pp.24-30. 2015.
Xiaoxu Wu, Yongmei Lu, Sen Zhou, Lifan Chen, Bing Xu, "Impact of climate change on human infectious diseases: Emprical evidence and human adaptation", Environment International, Vol.86, pp.14-23. 2015.
Jan C Semenxa, Bettina Menne, "Climate change and infectious disease in Europe", www.thelancet.com/infection, Vol.9, 2009.
Katherine M. Rovert T, Richard W, David B, "Climate change and allergic disease", American Academy of Allergy, Asthma & Immunology, Vol.122, pp.443-453, 2008.
R. Konno, "Influence of Temperature and Relative Humidity on Human Rotavirus Infection in Japan". INFECTIOUS DISEASE, Vol.147, No.1, pp. 125-128. 1983.
Xiaoxu Wu, Yongmei Lu, Sen Zhou, Lifan Chen, Bing Xu, "Impact of climate change on human infectious diseases: Emprical evidence and human adaptation", Environment International, Vol.86, pp.14-23 .2015.
Graham Bentham and lan H. Langford, "Climate change and the incidence of food poisoning in England and Wales",International Journal of Biometeorology, 1995.
Patz JA, Vavrus SJ, Uejio CK, McLellan SL. "Climate change and waterborne disease risk in the Great Lakes region of the U.S.", American Journal of Preventive Medicine, Vol.35, pp.451-458, 2008.
Gareth James, Daniel a Witten, Trenor Hastie, Robert Tibshirani, "An Instroduction to Statistical Learning with R", Springer, 2013.
Yeom Jun Geun, "Analysis of Linear Regression", Paju: JaUoo Academy, 2005.
The Lasso Logistic Regression Model: Modifications to aid causality assessment for Adverse Events Following Immunization. LONDON SCHOOL of HYGIENE&TROPICAL MEDICINE, 2010.
Kun Ho Seo, "The Impact of Climate Change on the Food-borne Disease", Korean Journal of Veterinary Research, Vol.50, pp.64-66. 2010.
J.D.Greig, A.Ravel, "Analysis of foodborne outbreak data reported internationally for source attribution", International Journal of Food Microbiology, Vol.130, pp.77-87, 2009.
R. S. KOVATS, S. J. EDWARDS, S. HAJAT, B. G. ARMSTRONG, K.L. EBI, B.MENNE and The Collaborating Group, "The effect of temperature on food poisoning: a time-series analysis of salmonellosis in ten Europea countries", Epidemiol, Vol.132, pp.443-453, 2004.
Ho Sung Shin, Gi Hye Jung, Si Mon Yoon, Su Hyeng Lee, "Prediction of climate change and food poisoning", Health and Social Welfare Review, 29(1), 2009, 143-162.
Craig Baker-Austin, Joaquin A. Trinanes, Nick G. H. Taylor, Rachel Hartnell, Anja Siitonen & Jaime Martinez-Urtaza, "Emerging Vibrio risk in the Baltic Sea in response to ocean warming", Nature Climate Change 3, 73-77 (2013)
Ho Sung Shin, Si Mon Yoon, Jin wook Jung, Jung Sun Kim, "The Impacts of Climate Change and Age Factors on the Food-borne Disease", Korea Institute for Health and Social Affairs, 2015, 186-210
Young-Suk Chung, Rack-Koo Park, Jin-Mook Kim, "Study on predictive modeling of incidence of traffic accidents caused by weather conditions", Journal of the Korea Convergence Society, Vol. 5, No. 1, pp. 9-15, 2014.
Kyoungho Choi, Jin Ah Yoo, "A reviews on the social network analysis using R", Journal of the Korea Convergence Society, Vol. 6, No. 1, pp. 77-83, 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.