[논문]GA-CBR 공사비 예측 모델의 정확도 향상을 위한 Dual-optimization 방법

김수영

GA-CBR 공사비 예측 모델의 정확도 향상을 위한 Dual-optimization 방법 원문보기

건설관리 : 한국건설관리학회 학회지 = Construction engineering and management, v.18 no.3, 2017년, pp.23 - 27

김수영 (한양대학교 ERICA 건축학부)

초록이 없습니다.

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 기존의 방법들의 단점을 보완한 새로운 세 가지 방법을 제안하였다는 데에 그 의의가 있다. Dual-optimization 방법은 정성적 속성의 속성가중치 계산 및 속성값의 정량화를 가능하게 하여 공사비 예측에 활용 가능한 속성의 수를 증가시킬 수 있으며, 조회 에러 보정 방법은 추가적인 분석이나 데이터베이스 없이 문제와 사례간의 차이에 대한 보정이 가능하다는 장점이 있다.
본 장에서는 GA-CBR 공사비 예측 모델의 정확도 향상을 위한 세 가지 방법을 제안하고, 이를 활용한 공사비 예측 프로세스에 대해 살펴보고자 한다.
이러한 두 가지 이슈 중 조회 문제를 해결하기 위해, 본 연구는 글로벌 해를 찾을 수 있는 유전 알고리즘(GeneticAlgorithm; GA)을 활용하여 사례기반추론 공사비 예측 모델에서 정성적 속성을 고려하기 위한 최적화 방법인 Dualoptimization을 제안하였다. 이는 속성 가중치와 함께, 정성적 속성의 속성값에 랜덤 변수를 할당하고 이를 함께 최적화함으로써 가중치 산정과 정성적 속성의 정량화를 동시에 가능하게 하는 알고리즘이다.

제안 방법

이는 속성 가중치와 함께, 정성적 속성의 속성값에 랜덤 변수를 할당하고 이를 함께 최적화함으로써 가중치 산정과 정성적 속성의 정량화를 동시에 가능하게 하는 알고리즘이다. 또한 공사비 예측의 정확도를 더욱 향상시키기 위해, 사례 보정 문제를 해결하기 위한 조회 오차 보정 방법(Retrieving Error Adaptation Method)과 개선된 가중 평균 방법(Improved Weighted Mean Method)을 함께 제안하였다.
사례 조회 문제를 해결하기 위해, 본 연구는 유전 알고리즘을 이용하여 속성가중치 산정과 함께 정성변수의 정량화가 가능한Dual-optimization을 제안한다. 사례 i의 속성을 Xi, 가중치를Wi라고 하면 공사비 Ci는 다음과 같이 표현할 수 있다.
다른 인공지능 방법들과 비교할 때, 사례기반추론은 규칙을 새로 생성하기보다는 과거의 문제해결 경험을 활용하고, 그 결과는 다시 저장되어 다른 문제를 해결하는데 쓰인다는 차이점이 있다(Kolodner 1993, Aamodt and Plaza 1994). 사례기반추론은 조회(Retrieve), 재사용(Reuse), 수정(Revise), 저장(Retain)의 네 가지 프로세스로 구성되어 있다. 문제를 해결하기 위해, 새로운 문제는 케이스 베이스에 저장된 사례들과 매칭되게 되고, 하나 혹은 여러 개의 유사사례를 조회한다.
그러나 정성적 속성은 표준화가 불가능하기 때문에 위 방법을 적용할 수 없다. 이에 본 연구는 최적화 대상에 정성적 속성의 정량화된 속성값을 추가하여 이를 해결하였다. 정량적 속성 p와 정성적 속성 q를 구분하였을 때, 위 행렬은 다음과 같이 표현될 수 있다.
가중 평균 방법은 사례유사도를 통해 더 유사한 사례에 더 높은 가중치를 부여하는 방법이지만, 유사사례간의 유사도의 비가 상대적으로 작기 때문에 차이를 반영하기 어렵다는 단점이 있다. 이에 유사도를 직접 활용하는 대신, 유사도의 표준정규누적분포값을 가중치로 활용하는 개선된 가중 평균 방법을 제안한다. 아래와 같이 표준정규누적분포 함수를 통해, 기존의 유사도를 0에서 1 사이의 값으로 변환한다.
예를 들어, ‘지붕형태’라는 정성적 속성이 ‘평지붕’, ‘박공지붕’, ‘경사지붕’의 세 가지의 속성값을 가질 경우, 각각의 속성값에 0에서 1 사이의 값을 갖는 변수를 할당한다. 표준화된 공사비와 각 해가 도출하는 수치와의 절대거리 d를 세우고 유전 알고리즘을 통해 모든 거리의 합을 최소화하도록 함으로써 이를 최적화한다. 이를 통해 실제 사례들을 가장 잘 설명해줄 수 있는 가중치의 조합과 더불어, 앞서 할당하였던 정성적 속성의 각 속성값들을 정량화할 수 있다.

이론/모형

이중 최근접 이웃 조회 방법은 문제와 사례간의 유사도를 바탕으로 유사한 사례를 조회하는 방법으로, 귀납적 조회 방법에 비해 수치로 표현된 자료를 다루는데 효과적이며, 잘못되거나 누락된 데이터의 영향을 적게 받기 때문에 공사비 예측에 주로 사용된다. 최근접 이웃 조회 방법은 거리 함수에 의존하며, 본 연구는 속성간의 중요도를 고려해야 할 때 효과적인 방법인 Weighted Euclidean distance를 활용하여 유사도를 계산한다.

성능/효과

도출된 해결책은 새로운 사례로 사례 베이스에 저장되고, 주기적 혹은 일정 수 이상의 사례가 추가되었을 때 Dualoptimization을 통해 가중치를 업데이트하게 된다. 시스템이 사용될수록 사례의 수가 증가하고, 저장된 사례들에 더 적합한 가중치가 업데이트되면서 사례기반추론 공사비 예측 모델의 정확도가 향상된다.

후속연구

개선된 가중 평균 방법은 기존의 방법에 비해더 유사한 사례의 영향을 증가시켜 더욱 정확한 해결책 도출을 가능하게 한다. 결과적으로 이를 적용한 새로운 GA-CBR 공사비 예측 모델은 더 정확한 공사비 예측을 가능하게 함으로써, 건설 프로젝트의 참여자들에게 더 정확한 의사결정을 지원하는 도구로 활용될 수 있다. 또한 Dual-optimization은 범용적인 방법이기 때문에, 가중치 산정이 필요한 다른 분야의 문제에도 적용이 가능하다.
그러나 이러한 문제는 컴퓨터 과학의 발전, 알고리즘의 개선 등을 통해 충분히 해결 가능할 것으로 기대된다. 향후 연구에서는 사례기반추론의 수정 및 저장단계에 대한 추가적인 연구를 통해, 본 연구에서 제시한 모델의 사용성을 증대시키는 것이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사례기반추론의 장점은?	2011). 과거의 유사 사례를 바탕으로 새로운 문제를 해결하는 기법인 사례기반추론(Casebased Reasoning; CBR)은 인간의 문제해결 프로세스와 유사하며, 설득력있고 정확한 해답을 빠르게 제시할 수 있으며, 유지관리가 쉽고, 사용할수록 사례 저장을 통해 정확도가 향상된다는 장점을 가지고 있으며(Arditi and Tokdemir 1999, Ji etal. 2011), 이에 많은 연구자들이 사례기반추론을 공사비 예측에 적용하여 예측의 정확도를 향상시키기 위한 연구를 진행해오고 있다.
	사례기반추론이란 무엇인가?	2011). 과거의 유사 사례를 바탕으로 새로운 문제를 해결하는 기법인 사례기반추론(Casebased Reasoning; CBR)은 인간의 문제해결 프로세스와 유사하며, 설득력있고 정확한 해답을 빠르게 제시할 수 있으며, 유지관리가 쉽고, 사용할수록 사례 저장을 통해 정확도가 향상된다는 장점을 가지고 있으며(Arditi and Tokdemir 1999, Ji etal. 2011), 이에 많은 연구자들이 사례기반추론을 공사비 예측에 적용하여 예측의 정확도를 향상시키기 위한 연구를 진행해오고 있다.
	Dualoptimization은 무엇인가?	이러한 두 가지 이슈 중 조회 문제를 해결하기 위해, 본 연구는 글로벌 해를 찾을 수 있는 유전 알고리즘(GeneticAlgorithm; GA)을 활용하여 사례기반추론 공사비 예측 모델에서 정성적 속성을 고려하기 위한 최적화 방법인 Dualoptimization을 제안하였다. 이는 속성 가중치와 함께, 정성적 속성의 속성값에 랜덤 변수를 할당하고 이를 함께 최적화함으로써 가중치 산정과 정성적 속성의 정량화를 동시에 가능하게 하는 알고리즘이다. 또한 공사비 예측의 정확도를 더욱 향상시키기 위해, 사례 보정 문제를 해결하기 위한 조회 오차 보정 방법(Retrieving Error Adaptation Method)과 개선된 가중 평균 방법(Improved Weighted Mean Method)을 함께 제안하였다.

참고문헌 (14)

김수영 (2017). "Dual-optimization Method for Improving Accuracy in GA-CBR Cost Estimating Model." 서울대학교 박사학위논문
Aamodt, A., & Plaza, E. (1994). "Case-based reasoning: Foundational issues, methodological variations, and system approaches." AI communications, 7(1), 39-59.

상세보기
Arditi, D., & Tokdemir, O. B. (1999). "Comparison of case-based reasoning and artificial neural networks." Journal of computing in civil engineering, 13(3), 162-169.

상세보기
Barrie, D. S., & Paulson Jr, B. C. (2000). Professional construction management: including CM, designconstruct, and general contracting. McGraw-Hill. 3rdedition.
Duverlie, P., & Castelain, J. M. (1999). "Cost estimation during design step: parametric method versus case based reasoning method." The international journal of advanced manufacturing technology, 15(12), 895-906.

상세보기
Goh, Y. M., & Chua, D. K. H. (2009). "Case-based reasoning approach to construction safety hazard identification: adaptation and utilization." Journal of Construction Engineering and Management, 136(2), 170-178.
Hu, J., Qi, J., & Peng, Y. (2015). "New CBR adaptation method combining with problem-solution relational analysis for mechanical design." Computers in Industry, 66, 41-51.

상세보기
Ji, S. H., Park, M., & Lee, H. S. (2011). "Cost estimation model for building projects using case-based reasoning." Canadian Journal of Civil Engineering, 38(5), 570-581.

상세보기
Kolodner, J. (1993). Case-based reasoning, Morgan Kaufmann Publishers Inc., New York, USA.
Koo, C., Hong, T., & Hyun, C. (2011). "The development of a construction cost prediction model with improved prediction capacity using the advanced CBR approach." Expert Systems with Applications, 38(7), 8597-8606.

상세보기
Leake, D. B. (1996). Case-Based Reasoning: Experiences, lessons and future directions. MIT press.
Paulson Jr, B. C. (1976). Designing to reduce construction costs. Journal of the construction division, 102(C04).
Trost, S. M., & Oberlender, G. D. (2003). "Predicting accuracy of early cost estimates using factor analysis and multivariate regression." Journal of Construction Engineering and Management, 129(2), 198-204.

상세보기
Watson, I., & Marir, F. (1994). "Case-based reasoning: A review." Knowledge Engineering Review, 9(4), 327-354.

상세보기

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

GA-CBR 공사비 예측 모델의 정확도 향상을 위한 Dual-optimization 방법 원문보기

AI 본문요약
AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

GA-CBR 공사비 예측 모델의 정확도 향상을 위한 Dual-optimization 방법 원문보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AI 본문요약
AI-Helper