[논문]서포트 벡터 머신을 이용한 건설업 안전보건관리비 예측 모델

신성우

doi:10.14346/jkosos.2017.32.1.115

서포트 벡터 머신을 이용한 건설업 안전보건관리비 예측 모델
Construction Safety and Health Management Cost Prediction Model using Support Vector Machine 원문보기

한국안전학회지 = Journal of the Korean Society of Safety, v.32 no.1, 2017년, pp.115 - 120

Abstract ▼ AI-Helper

The aim of this study is to develop construction safety and health management cost prediction model using support vector machine (SVM). To this end, theoretical concept of SVM is investigated to formulate the cost prediction model. Input and output variables have been selected by analyzing the balancing accounts for the completed construction project. In order to train and validate the proposed prediction model, 150 data sets have been gathered from field. Effects of SVM parameters on prediction accuracy are analyzed and from which the optimal parameter values have been determined. The prediction performance tests are conducted to confirm the applicability of the proposed model. Based on the results, it is concluded that the proposed SVM model can effectively be used to predict the construction safety and health management cost.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 SVM 기법을 이용한 건설공사 안전보건관리비 예측 모델을 개발하고자 하였으며, 이를 위해 (1) 예측 모델 구현을 위한 SVM 기법의 이론을 고찰하고, (2) SVM 기법을 이용한 안전보건관리비 예측 모델을 구현하였으며, (3) 실제 데이터를 이용하여 구현된 예측 모델의 예측 성능을 평가하여 실적용 가능성을 검토하였다. 본 연구의 결과로부터, 개발된 SVM 예측모델은 건설공사 안전보건관리비를 상대적으로 정확하게 예측하는 것을 알 수 있었으며, 또한 개발된 SVM 예측 모델이 실제 안전보건관리비의 예측에도 유효하게 적용이 가능하다는 것을 알 수 있었다.
본 연구에서는 건설공사에 실제적으로 필요한 안전보건관리비의 책정을 위해, 건설공사의 안전보건관리비를 예측할 수 있는 모델을 SVM 기법을 이용하여 개발하고, 그 적용 가능성을 검토하고자 한다. 이를 위해 본 연구에서는 (1) SVM 기법의 이론에 대해 고찰하고, (2) SVM 기법을 이용한 안전보건관리비 예측 모델을 개발하며, (3) 마지막으로 실제 사례를 이용하여 개발된 모델의 예측 성능을 평가하고, 이로부터 개발된 모델의 실적용 가능성을 검토하고자 한다.
SVM을 이용한 안전보건관리비 예측 모델을 개발하기 위해서는, (1) 입력변수와 이에 대응하는 출력변수를 결정하고, (2) 결정된 입력변수와 출력변수에 대한 학습용 데이터 쌍을 획득하고, (3) 마지막으로 예측 모델(즉, f(x))을 구현하기 위해 학습용 데이터 쌍에 대응하는 가중치벡터(w)를 구하여야 한다. 본 연구에서는 건설현장에 필요한 안전보건관리비를 보다 실제적으로 책정하기 위해, 완성된 공사에 대한 실제 공사비 원가 결산 자료를 바탕으로 예측 모델을 개발하고자 한다. 공사비 원가 결산 시의 회계 항목은 예산 수립시의 회계 항목과 대부분 동일하며, 크게 재료비, 노무비, 외주비, 현장경비의 4가지 대항목으로 분류된다.
본 연구에서는 건설공사에 실제적으로 필요한 안전보건관리비의 책정을 위해, 건설공사의 안전보건관리비를 예측할 수 있는 모델을 SVM 기법을 이용하여 개발하고, 그 적용 가능성을 검토하고자 한다. 이를 위해 본 연구에서는 (1) SVM 기법의 이론에 대해 고찰하고, (2) SVM 기법을 이용한 안전보건관리비 예측 모델을 개발하며, (3) 마지막으로 실제 사례를 이용하여 개발된 모델의 예측 성능을 평가하고, 이로부터 개발된 모델의 실적용 가능성을 검토하고자 한다.

제안 방법

01을 적용하였다^9,13,15). C값과 커넬함수 모수 값의 변화에 따른 예측 모델의 오차율을 분석하여 가장 우수한 예측력을 보이는 C값과 모수 값을 구하고 이를 최적 모델 구현에 이용하였다.
본 연구에서는 전체 데이터의 개수를 고려하여, 6-중첩교차조사를 수행하였다. 교차조사 시 예측 모델의 정확도는, 실제안전보건관리비 금액과 SVM에 의해 예측된 금액과의 오차율을 이용하여 분석하였다.
따라서, 본 연구에서는 실무 전문가의 의견을 조회하고, 대한건설협회와 국가통계포털에서 공개하는 완성공사원가통계의 항목을 분석하여, 안전보건관리비 사용과 연관성이 있다고 판단되는 10개의 항목을 입력 벡터를 구성하는 변수로 선정하였다 (Table 1 참조).
본 연구는 안전보건관리비의 예측이 목적이기 때문에 출력변수는 안전보건관리비로 선정하였다. 한편, 입력변수의 경우 실제 안전보건관리비 사용에 영향을 미치거나 또는 상관관계가 높은 비용 항목을 선정하는 것이 예측 모델의 정확성 측면에서 타당하다고 볼 수 있다.
,S_k를 이용하여 학습을 수행하고, 학습된 모델에 대한 정확도를 S₁을 이용하여 검정한다. 본 연구에서는 전체 데이터의 개수를 고려하여, 6-중첩교차조사를 수행하였다. 교차조사 시 예측 모델의 정확도는, 실제안전보건관리비 금액과 SVM에 의해 예측된 금액과의 오차율을 이용하여 분석하였다.
일반적으로 입력 변수로 구성된 항목에 대한 데이터의 선형성을 미리 알 수 없기 때문에, 본 연구에서는 커넬함수를 이용한 비선형 SVM 기법을 예측 모델 개발에 적용하였다. 비선형 SVM 기법의 커넬함수는 여러 적용 가능한 커넬함수 중에 일반화 성능이 가장 우수한 것으로 알려져 있는 RBF 함수로 이용하였다¹⁵⁾.
따라서, 만약 동일한 데이터를 활용할 경우, 데이터의 특성에 따라 인공신경망 기법에 비해 상대적으로 예측력이 우수한 모델의 구현이 가능한 장점이 있다¹³⁾. 한편, SVM 기법은 자료의 분류 (Classification)에 이용하는 기법과 회귀(Regression)에 이용하는 기법으로 나눌 수 있으며, 본 장에서는 안전보건관리비 예측 모델에 맞는, 회귀에 대한 SVM 기법의 이론적인 개념을 간단하게 소개하고자 한다. SVM 기법의 보다 상세한 내용은 참고문헌에서 찾을 수 있다¹²⁾.
한편, 본 연구에서의 최적 예측 모델인 C=50이고 커넬함수의 모수값이 30인 SVM 예측 모델에 대한 예측 성능을 평가하기 위해, 최적 예측 모델의 구현에 사용하지 않은 데이터를 이용하여 예측 성능을 평가하였다. Fig.

대상 데이터

본 연구에서는 대한건설협회의 완성공사원가통계 분석 시에 사용된 원가 결산 자료를 수집하여 모델 개발 및 검증을 위한 데이터로 활용하였다. Table 2에 나타낸 바와 같이 수집된 자료는 2013년에 완공된 공사에 대한 공사원가 결산 자료이며, 공사계약액 기준 50억 이상인 공사 150건을 수집하였다.
본 연구에서는 기존의 SVM 관련 연구를 참고하여, C값은 0.1, 1.0, 50, 100의 값을 분석 대상으로 하고, RBF 커넬함수의 모수 값은 0.1에서 50 사이의 여러 값을 최적 예측 모델구현을 위한 분석 대상으로 하였다.
본 연구에서는 대한건설협회의 완성공사원가통계 분석 시에 사용된 원가 결산 자료를 수집하여 모델 개발 및 검증을 위한 데이터로 활용하였다. Table 2에 나타낸 바와 같이 수집된 자료는 2013년에 완공된 공사에 대한 공사원가 결산 자료이며, 공사계약액 기준 50억 이상인 공사 150건을 수집하였다.
본 연구에서는 학습용 데이터로 충분하지 않은 숫자로 판단되는 산업설비 공사 및 조경 공사에 대한 자료 16건은 제외하고, 토목 및 건축 공사 자료 134건만 이용하였다. 총 134건의 자료 중 예측 모델의 구현 및 검증과정에서는 토목공사 10건과 건축공사 10건을 제외한 114건의 자료만을 이용하였으며, 제외된 나머지 데이터는 최적으로 구현된 모델의 예측 성능 평가에 이용하였다.
본 연구에서는 학습용 데이터로 충분하지 않은 숫자로 판단되는 산업설비 공사 및 조경 공사에 대한 자료 16건은 제외하고, 토목 및 건축 공사 자료 134건만 이용하였다. 총 134건의 자료 중 예측 모델의 구현 및 검증과정에서는 토목공사 10건과 건축공사 10건을 제외한 114건의 자료만을 이용하였으며, 제외된 나머지 데이터는 최적으로 구현된 모델의 예측 성능 평가에 이용하였다.

데이터처리

우선 예측 모델에 적용할 C값과 커넬함수의 모수값을 결정하기 위해, 6-중첩교차조사의 검정 과정에서 구한 결과에 대한 오차율의 평균을 C값과 커넬함수의 모수값에 따라 비교하였으며, 그 결과를 Fig. 1에 나타내었다. 그림에서 확인할 수 있듯이 C값과 커넬함수의 모수 값에 따라 최대 약 20%, 최소 약 5% 정도의 오차율을 보임을 알 수 있다.

이론/모형

본 연구에서는 MathworksⓇ사에서 제공하는 MATLAB기반 SVM Solver인 ‘svmtrain’을 이용하여16), SVM 예측 모델을 구현하였다.
본 연구에서는 k-중첩교차조사(k-fold cross validation)방법을 이용하여 개발 모델의 정확도를 검증하였다^13,15). k-중첩교차조사 방법은 수집된 데이터를 크기가 비슷한 k개의 부분 집합(S₁,.
일반적으로 입력 변수로 구성된 항목에 대한 데이터의 선형성을 미리 알 수 없기 때문에, 본 연구에서는 커넬함수를 이용한 비선형 SVM 기법을 예측 모델 개발에 적용하였다. 비선형 SVM 기법의 커넬함수는 여러 적용 가능한 커넬함수 중에 일반화 성능이 가장 우수한 것으로 알려져 있는 RBF 함수로 이용하였다¹⁵⁾. RBF 함수는 다음 식과 같이 표현되며, 여기서 λ는 RBF 함수의 모수(parameter)이다.

성능/효과

1에 나타내었다. 그림에서 확인할 수 있듯이 C값과 커넬함수의 모수 값에 따라 최대 약 20%, 최소 약 5% 정도의 오차율을 보임을 알 수 있다. 일부 결과에서 오차율의 요동(fluctuation)이 발생하는 경우가 있으나, 전반적으로 커넬함수의 모수 값이 증가함에 따라 오차율은 감소하다가 다시 증가하는 경향이 나타남을 알 수 있다.
본 연구에서는 SVM 기법을 이용한 건설공사 안전보건관리비 예측 모델을 개발하고자 하였으며, 이를 위해 (1) 예측 모델 구현을 위한 SVM 기법의 이론을 고찰하고, (2) SVM 기법을 이용한 안전보건관리비 예측 모델을 구현하였으며, (3) 실제 데이터를 이용하여 구현된 예측 모델의 예측 성능을 평가하여 실적용 가능성을 검토하였다. 본 연구의 결과로부터, 개발된 SVM 예측모델은 건설공사 안전보건관리비를 상대적으로 정확하게 예측하는 것을 알 수 있었으며, 또한 개발된 SVM 예측 모델이 실제 안전보건관리비의 예측에도 유효하게 적용이 가능하다는 것을 알 수 있었다. 한편, 본 연구에서 개발된 SVM 예측 모델은 토목공사와 건축공사에 대해서만 그 적용성이 검토되었으며, 타 공종의 공사에 대해서는 이에 대한 검토가 아직 이루어지지 않은 한계점이 있다.
한편, 전체의 평균 오차는 토목공사가 건축공사에 비해 상대적으로 크지만, 이를 적중률로 환산해 보면 약 94%의 적중률로 매우 우수한 적중률을 보임을 알 수 있다. 이러한 결과는 개발된 SVM 예측 모델이 안전보건관리비의 예측에 유효하게 적용 가능하다는 것을 입증한다.
85%의 오차율을 보임을 알 수 있다. 이러한 결과를 바탕으로, 본 연구에서는 최적 예측 모델의 구현에 적용할 C값으로, 여러 모수 값에 대해 오차율의 변동성이 상대적으로 가장 작은 C=50을 선정 하였으며, 커넬함수의 모수 값은 C=50인 경우 중에서 최소 오차율이 나타난 30을 선정하였다.
이러한 차이가 나타나는 이유는 여러 가지가 있을 수 있으나, 모델 구현에 사용된 데이터의 개수가 건축공사에 비해 토목공사가 적은 것이 주된 이유로 사료된다. 한편, 전체의 평균 오차는 토목공사가 건축공사에 비해 상대적으로 크지만, 이를 적중률로 환산해 보면 약 94%의 적중률로 매우 우수한 적중률을 보임을 알 수 있다. 이러한 결과는 개발된 SVM 예측 모델이 안전보건관리비의 예측에 유효하게 적용 가능하다는 것을 입증한다.

후속연구

한편, 본 연구에서 개발된 SVM 예측 모델은 토목공사와 건축공사에 대해서만 그 적용성이 검토되었으며, 타 공종의 공사에 대해서는 이에 대한 검토가 아직 이루어지지 않은 한계점이 있다. 따라서, 보다 보편적으로 사용할 수 있는 안전보건관리비 예측 모델을 구현하기 위해서는, 추후 다양한 공종의 건설공사에 대한 자료를 확보하여 적용성을 검토하는 연구가 필요할 것으로 사료된다.
본 연구의 결과로부터, 개발된 SVM 예측모델은 건설공사 안전보건관리비를 상대적으로 정확하게 예측하는 것을 알 수 있었으며, 또한 개발된 SVM 예측 모델이 실제 안전보건관리비의 예측에도 유효하게 적용이 가능하다는 것을 알 수 있었다. 한편, 본 연구에서 개발된 SVM 예측 모델은 토목공사와 건축공사에 대해서만 그 적용성이 검토되었으며, 타 공종의 공사에 대해서는 이에 대한 검토가 아직 이루어지지 않은 한계점이 있다. 따라서, 보다 보편적으로 사용할 수 있는 안전보건관리비 예측 모델을 구현하기 위해서는, 추후 다양한 공종의 건설공사에 대한 자료를 확보하여 적용성을 검토하는 연구가 필요할 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공신경망 기법을 이용해 공사비를 예측할 경우 문제점은?	Kim 등은 공동주택 공사비 예측에 인공신경망기법을 이용한 예측 모델과 회귀분석기법을 이용한 예측모델의 예측 성능을 비교하는 연구를 수행하였으며, 인공신경망 모델이 회귀분석 모델보다 더 정확하게 공사비를 예측할 수 있음을 보였다.7) 그러나, Kim 등은 인공신경망 기법을 이용할 경우 공사비를 정확하게 예측할 수 있는 모델을 구현할 수는 있으나, 구현 과정에서 입력 패턴의 분포를 추정하기 위해 다량의 학습 데이터가 필요하고, 특히 입력데이터에 이상 데이터(outlier) 등이 포함되어 있을 경우 이로 인해 과적합된(over-fitted) 모델을 생성할 수 있어 결과를 일반화하기 까다로운 문제점이 있음을 지적하였다8). 한편, An 등은 공사비 예측 모델 개발에 있어서 인공신경망 기법의 이러한 단점을 극복할 수 있는 방법으로, 일반화 능력이 뛰어난 SVM 기법을 이용한 공사비 예측 모델을 개발하였으며, 인공신경망에 비해 소수의 학습데이터만으로도 충분히 정확한 예측 모델을 생성할 수 있음을 보였다9).
	머신러닝이란?	이에 따라 건설 프로젝트의 초기 단계에서 제한된 정보를 이용하여 공사비를 정확하게 추정 예측할 수 있는 방법에 대한 많은 연구가 이루어져 왔으며, 최근에는 딥러닝 등 머신러닝(Machine Learning)기술의 발전에 따라 공사비 예측 모델 개발에 이를 활용하는 연구가 매우 활발하게 이루어지고 있다7-10). 머신러닝은 인과관계가 불분명하여 이론적으로 예측 모델을 구현하기 어렵거나, 모델의 구조가 매우 복잡하여 단순 회귀분석으로는 정확한 모델링이 어려운 경우에 통계학적 데이터나 관측 자료 등을 이용하여 예측 모델을 구현할 수 있는 방법이며, 대표적인 머신러닝 기법으로는 인공신경망(Artificial Neural Network) 기법, 서포트 벡터 머신(Support Vector Machine; 이하 SVM) 기법 등이 있다11). Kim 등은 공동주택 공사비 예측에 인공신경망기법을 이용한 예측 모델과 회귀분석기법을 이용한 예측모델의 예측 성능을 비교하는 연구를 수행하였으며, 인공신경망 모델이 회귀분석 모델보다 더 정확하게 공사비를 예측할 수 있음을 보였다.
	SVM은 높은 일반화 성능을 가지는데, 이에 따른 장점은?	특히, SVM은 인공신경망 기법의 문제점으로 지적되는 과적합 문제를 벌칙(Penalty)항을 이용하여 피할 수 있으며, 또한 함수 근사에 있어서 이상데이터(outlier)에 둔감하기 때문에 높은 일반화 성능을 가진다. 따라서, 만약 동일한 데이터를 활용할 경우, 데이터의 특성에 따라 인공신경망 기법에 비해 상대적으로 예측력이 우수한 모델의 구현이 가능한 장점이 있다13). 한편, SVM 기법은 자료의 분류 (Classification)에 이용하는 기법과 회귀(Regression)에 이용하는 기법으로 나눌 수 있으며, 본 장에서는 안전보건관리비 예측 모델에 맞는, 회귀에 대한 SVM 기법의 이론적인 개념을 간단하게 소개하고자 한다.

참고문헌 (16)

S. W. Oh, Y. S. Kim, S. H. Choi and J. W. Choi, "A Study on the Estimation of Occupational Safety and Health Expense Rate by Safety Environment Change in Construction Industry", Journal of Korea Institute of Construction Engineering and Management, Vol.14, Issue 4, pp. 97-107, 2013.
K. T. Jung, "Developing Criteria for Standard Safety Management Cost", Korea Industrial Safety Corporation, pp. 51, 1997.
K.S. Son, W.M. Gal and H.S. Yang, "A Study on the Estimating Rate of Safety Management Cost in Building Work", Journal of Korean Society of Safety, Vol.22, Issue 5, pp. 33-40, 2007.
M. G. Lee, "The Ways to Enhance the Efficiency of the Occupational Safety and Health Expenses Operation System", Research Report, KOSHA, 2009.
K. S. Son, "Establishing Appropriate Rate for Standard Safety and Health Management Cost", Research Report, KOSHA, 2005.
A. Ashworth, "Cost Studies of Buildings - 3rd Edition", Harlow Longman, USA, 1999.
G. H. Kim, S.Y. Kim and K. I. Kang, "Comparing Accuracy of Prediction Cost Estimation using Case-Based Reasoning and Neural Networks", Journal of Architectural Institute of Korea-Structure, Vol.20, Issue 5, pp.93-103, 2004.
G. H. Kim, S. H. An and H. K. Cho, "Comparison of the Accuracy between Cost Prediction Models based on Neural Network and Genetic Algorithm", Journal of Architectural Institute of Korea-Structure, Vol.22, Issue 3, pp.111-118, 2006.
S. H. An, U.Y. Park, K.I. Kang, M.Y. Cho and H.H. Cho, "Application of Support Vector Machines in Assessing Conceptual Cost Estimates", ASCE Journal of Computing in Civil Engineering, Vol.21, Issue 4, pp.259-264, 2007.

상세보기
A. O. Elfaki, S. Alatawi and E. Abushandi, "Using Intelligent Techniques in Construction Project Cost Estimation: 10-Year Survey", Advanced in Civil Engineering, Vol.2014, Article ID 107926, 2014.
M. Mohri, A. Rostamizade and A. Talwalkar, "Foundations of Machine Learning", MIT Press, USA, 2012.
V. N. Vapnik, "The Nature of Statistical Learning Theory", Springer-Verlag, Germany, 1995.
A. Smola and B. Scholkopf, "A Tutorial on Support Vector Regression", Technical Report, Royal Holloway College, UK, 1998.
S. G. Noh, "Construction Cost Pricing", Korea Corporation Management Research Institute, 2013.
J. S. Park, "Comparison on Support Vector Regression and Artificial Neural Network Techniques in Data Mining", Doctoral Dissertation, Dongguk University, 2006.
http://www.mathworks.com

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