[논문]기계학습을 통한 전기화재 예측모델 연구

고경석; 황동현; 박상준; 문가경

doi:10.17661/jkiiect.2018.11.6.703

기계학습을 통한 전기화재 예측모델 연구
Electrical fire prediction model study using machine learning 원문보기

한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.11 no.6, 2018년, pp.703 - 710

고경석 , 황동현 (모바일웰컴) , 박상준 (전북대학교 경영학과) , 문가경 (연유아카데미)

초록
AI-Helper

매년 전기화재사고에 대한 사고유형 분석, 점검 등 전기적 화재사고를 줄이기 위해 다양한 노력이 있었으나, 효율적인 의사결정지원 체계 및 기존 누적 데이터 활용방안의 미비로 효과적인 대처방안이 부재한 현황이다. 본 연구는 전기안전점검데이터, 전기화재사고정보, 건축물정보, 기상청정보 등 데이터 기반의 전기화재를 예측하는 알고리즘을 개발하고 이를 활용하여 전기화재사고를 줄이는데 목적이 있다. 본 연구에서는 한국전기안전공사, 기상청, 국토교통부, 소방본부 등 기관별로 수집된 데이터를 전처리, 융합, 분석, 모델링, 검증 과정을 거쳐 전기화재에 영향을 끼치는 요인과 예측모델을 도출하였다. 주요요인으로 절연저항 값, 습도, 풍속, 건축물 노후년수, 용적율, 건폐율, 건축물용도로 나타났고, Random forest 알고리즘을 활용한 예측모델은 74.7%의 정확도를 얻었다.

Abstract ▼ AI-Helper

Although various efforts have been made every year to reduce electric fire accidents such as accident analysis and inspection for electric fire accidents, there is no effective countermeasure due to lack of effective decision support system and existing cumulative data utilization method. The purpose of this study is to develop an algorithm for predicting electric fire based on data such as electric safety inspection data, electric fire accident information, building information, and weather information. Through the pre-processing of collected data for each institution such as Korea Electrical Safety Corporation, Meteorological Administration, Ministry of Land, Infrastructure, and Transport, Fire Defense Headquarters, convergence, analysis, modeling, and verification process, we derive the factors influencing electric fire and develop prediction models. The results showed insulation resistance value, humidity, wind speed, building deterioration(aging), floor space ratio, building coverage ratio and building use. The accuracy of prediction model using random forest algorithm was 74.7%.

주제어

표/그림 (12)

그림 그림 1. 연구과정 Fig. 1. Research Process
그림 그림 2. 지오코딩(공간화) Fig. 2. Geocoding
표 표 1. 데이터 목록 Table 1. Data List
그림 그림 4. 안전점검-업종분포 Fig. 4. Safety inspection - category of business
그림 그림 3. 화재사고-발화기기 분포 Fig. 3. Fire accident - Distribution of ignition equipment
그림 그림 5. 화재사고-전기적 요인(절연저항, IR) Fig. 5. Fire accident - Electrical factor (insulation resistance, IR)
그림 그림 6. 화재사고-환경적 요인(습도) Fig. 6. Fire accidents - Environmental factors (humidity)
그림 그림 7. 예측변수 중요도 Fig. 7. Geocoding
그림 그림 8. 알고리즘 개발 흐름도 Fig. 8. Algorithm Development Flow
그림 그림 9. 검증결과 Fig. 9. Verification Result
그림 그림 10. 예측 결과와 실제 사고 비교 Fig. 10. Comparing forecast results with actual incidents
그림 그림 11. 등급별 범위 및 건수 Fig. 11. Range by grade and count

AI 본문요약
AI-Helper

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

문제 정의

이러한 전기적 화재사고에 의한 문제를 인지하고, 데이터 기반 데이터마이닝 기술을 활용하여 전기안전사고 예측을 통해 선제적 대응체계가 필요하다. 본 연구는 전기화재와 관련된 데이터 기반으로 화재사고 패턴을 파악하고, 반복적으로 발생하는 사고 유형과 사고 위험도를 기계학습을 통해 예측 및 검증함으로써 전기적 화재사고를 줄이는데 목적이 있다.
본 연구는 환경적‧전기적 요인에 따른 복합적인 이유에서 발생하는 전기화재사고를 데이터기반의 머신러닝기술을 적용하여 사고를 예측하고 이를 활용하여 사전에 예방점검을 통해 전기화재발생률을 줄이기 위함이다.
대구광역시에서 발생한 3천 여건의 전기화재사고를 중심으로 건물속성, 전기안전점검데이터, 기상청데이터를 위치와 사고일자 기준으로 융합하였다. 전기화재가 발생했던 건물의 속성과 점검결과데이터, 기온, 습도, 강수량 등 기상정보를 알아보려고 함이다. 전기화재가 발생하지 않은 경우의 데이터셋을 만들기 위해 화재가 발생하지 않았던 건물공간정보 데이터에 전기안전점검데이터, 기상정보를 융합하였다.

제안 방법

RAW DATA 정제 결과에 따라 화재사고와 연관 인자별로 분석하였다. 먼저 화재사고와 전기적 요인(절연저항, IR)의 관계를 파악하기 위해 전기적 화재사고 시 절연저항 값과 무사고시 절연저항을 비교하였다.
분석에서 핵심이 되는 화재사고데이터(119출동데이터), 한국전기안전공사에서 수집·관리되고 있는 전기안전점검데이터, 건축물속성데이터, 기상자료를 수집하였다. 다음으로 건물 중심으로 데이터를 융합(Join)하면서 융합 데이터셋을 구축하였다. 융합 데이터 구축과정에서 주소데이터, 좌표데이터를 공간화(geocoding)하고, 데이터 전처리를 수행 후 건축물정보(공간정보) 중심으로 융합하였다.
또한, 화재사고 환경적 요인인 습도도 고려하여 데이터의 연관성 파악을 진행하였다. 그림 6에서 보는바와 같이 사고 습도의 경우 습도가 35~40% 일 때 20.
둘째, 건축단위화재사고 위험도를 예측하고, 건축물, 행정구역 등 공간데이터셋을 융합하여 GIS기반의 전기안전지도 서비스를 구현함으로써 실시간 전기화재 예측에 기여하였다. 마지막으로 사고유무 속성을 종속변수로 하고 습도, 풍속, 건축물 노후년수, 용적율, 건폐율, 절연저항(IR), 건축물용도, 건축물 구조 등을 설명변수로 설정하여 예측모델을 개발하였다. Random Forest 알고리즘을 활용하여 개발된 예측모델을 검증한 결과 74.
RAW DATA 정제 결과에 따라 화재사고와 연관 인자별로 분석하였다. 먼저 화재사고와 전기적 요인(절연저항, IR)의 관계를 파악하기 위해 전기적 화재사고 시 절연저항 값과 무사고시 절연저항을 비교하였다.
본 연구를 통해 도출된 결과를 살펴보면, 첫째, 내부 데이터인 한국전기안전공사의 점검결과 일마감 데이터, 고객마스터 데이터를 기반으로 국토교통부, 기상청, 통계청 등 외부 필요 데이터 수집 및 융합 관리할 수 있는 데이터베이스를 구축하였다. 둘째, 건축단위화재사고 위험도를 예측하고, 건축물, 행정구역 등 공간데이터셋을 융합하여 GIS기반의 전기안전지도 서비스를 구현함으로써 실시간 전기화재 예측에 기여하였다.
본 연구의 시간적 범위는 2012년 ~ 2016년 이고, 공간적범위는 대구광역시를 대상으로 진행하였다. 본 연구의 과정은 그림 1에 도식화 한 바와 같이 크게 데이터수집, 융합DB 구축, 알고리즘 개발, 검증 순으로 진행하였다. 데이터 수집단계에서는 기관별로 관리되고 있는 데이터를 수집하였다.
알고리즘 개발에서는 수많은 변수 중에서 종속변수에 영향을 끼치는 주요요인을 도출하였고, Random Forest 알고리즘 등 다양한 예측모델을 만들고 검증과정을 거쳐 정확도가 가장 높은 모델을 선정하였다. 분석결과를 통해 전기화재위험도를 점수화하고 등급화하였다. 등급화한 결과를 공간적으로 시각화하였고, 분석결과를 통해 전기안전 우선 점검지역 도출 등에 활용할 수 있도록 했다[2].
수집된 일반 속성정보 7종, 공간정보 2종의 데이터를 융합하기 위해 일반 속성정보를 공간화, 즉 지오코딩 과정을 거쳐서 모두 공간정보로 변환하고, 공간조인과정을 거쳐서 모든 수집된 데이터를 건물 단위로 융합하였다.
알고리즘 개발에서는 수많은 변수 중에서 종속변수에 영향을 끼치는 주요요인을 도출하였고, Random Forest 알고리즘 등 다양한 예측모델을 만들고 검증과정을 거쳐 정확도가 가장 높은 모델을 선정하였다. 분석결과를 통해 전기화재위험도를 점수화하고 등급화하였다.
예측결과 데이터를 Jenks Natural Breaks Classification을 활용하여 건물별 위험도를 5가지 등급(위험, 경계, 주의, 관심, 안전)으로 분류하고 공간조인을 통해 시각화하였다. Jenks Natural Breaks Classification 는 같은 등급 내 전체 값들의 평균을 기준으로 평균편차는 최소화되고, 각 등급 간의 분산은 극대화하는 것이다.
예측모델을 검증하기 위해 모델링에 활용하지 않은 40%의 테스트데이터를 활용하여 그림 8과 같이 예측모델을 검증하였다.
다음으로 건물 중심으로 데이터를 융합(Join)하면서 융합 데이터셋을 구축하였다. 융합 데이터 구축과정에서 주소데이터, 좌표데이터를 공간화(geocoding)하고, 데이터 전처리를 수행 후 건축물정보(공간정보) 중심으로 융합하였다. 알고리즘 개발 단계는 전기화재를 예측모델로 만드는 과정이다.
전기화재사고 유무에 대해서 전기적, 환경적 요인과 관련된 주요요인을 찾고, 예측모델을 통해서 건물단위 화재사고를 예측하고 위험도를 계량화하는 단계이다. 이를 위해서는 기존 관리되어왔던 전기안전점검 데이터, 건축물 대장, 화재사고 데이터 등을 활용해 다양한 요인을 구분하고 사고가 많이 발생한 지역과 아니한 지역 간의 특성을 찾아냈다.
알고리즘 개발 단계는 전기화재를 예측모델로 만드는 과정이다. 전기화재 사고 유무데이터를 활용하여 화재사고가 발생하는 패턴을 도출하고 모델링을 수행하였다. 마지막으로 검증단계에서는 개발된 예측모델을 평가하는 단계로 학습에 사용하지 않은 테스트데이터를 통해서 정확도를 도출하고 실제사고와 예측된 사고의 유무와 비교 검증하였다.
전기화재가 발생했던 건물의 속성과 점검결과데이터, 기온, 습도, 강수량 등 기상정보를 알아보려고 함이다. 전기화재가 발생하지 않은 경우의 데이터셋을 만들기 위해 화재가 발생하지 않았던 건물공간정보 데이터에 전기안전점검데이터, 기상정보를 융합하였다.
최종 예측모델을 대구지역 22만개 건물데이터에 적용하여 분석결과를 도출하였다. 전기화재위험도 예측모델의 핵심변수인 습도, 풍속, 건물 노후년수, 용적률, 건폐율 IR Value, 건축물용도, 건축물구조 등을 통해 대구지역 안전, 관심, 주의, 경계, 위험 등급을 그룹화하여 Range별로 분류하고, 분류된 Range별 건수를 확인하여 1등급에서 5등급까지 각 비율을 비교하였다.

대상 데이터

대구광역시에서 발생한 3천 여건의 전기화재사고를 중심으로 건물속성, 전기안전점검데이터, 기상청데이터를 위치와 사고일자 기준으로 융합하였다. 전기화재가 발생했던 건물의 속성과 점검결과데이터, 기온, 습도, 강수량 등 기상정보를 알아보려고 함이다.
본 연구의 과정은 그림 1에 도식화 한 바와 같이 크게 데이터수집, 융합DB 구축, 알고리즘 개발, 검증 순으로 진행하였다. 데이터 수집단계에서는 기관별로 관리되고 있는 데이터를 수집하였다. 분석에서 핵심이 되는 화재사고데이터(119출동데이터), 한국전기안전공사에서 수집·관리되고 있는 전기안전점검데이터, 건축물속성데이터, 기상자료를 수집하였다.
본 연구의 시간적 범위는 2012년 ~ 2016년 이고, 공간적범위는 대구광역시를 대상으로 진행하였다. 본 연구의 과정은 그림 1에 도식화 한 바와 같이 크게 데이터수집, 융합DB 구축, 알고리즘 개발, 검증 순으로 진행하였다.
분석에서 핵심이 되는 화재사고데이터(119출동데이터), 한국전기안전공사에서 수집·관리되고 있는 전기안전점검데이터, 건축물속성데이터, 기상자료를 수집하였다.
원시데이터는 아래 [Table 1]과 같이 한국전기안전공사의 고객마스터 테이블, 점검결과 일 마감 테이블을 수집하였다. 또한, 국토교통부에서는 건축허가대장 테이블, 건물 동 별 개요 테이블, 건축허가대장 진행상황 테이블을 수집하였고, 행정안전부에서는 전기화재 현황 테이블을, 통계청은 행정동 경계 테이블, 인구통계 테이블, 기상청은 날씨정보 등 각각의 기관에서 요구 데이터를 수집하였다.
최종 분석 데이터셋은 건물 중심으로 전기화재사고가 발생한 건물, 사고가 발생하지 않은 건물로 구분된 6,251건의(records) 데이터셋으로 만들었다. 속성정보는 건물별 전기화재사고유무, 건물 노후년수, 연면적, 건폐율, 용도, 구조 등 건축물 속성, 절연저항, 접지저항, 누설전류 등 전기안전점검정보, 기온, 습도, 강수량 등 기상정보건물 등 70개의 속성으로 구성했다.
최종 예측모델을 대구지역 22만개 건물데이터에 적용하여 분석결과를 도출하였다. 전기화재위험도 예측모델의 핵심변수인 습도, 풍속, 건물 노후년수, 용적률, 건폐율 IR Value, 건축물용도, 건축물구조 등을 통해 대구지역 안전, 관심, 주의, 경계, 위험 등급을 그룹화하여 Range별로 분류하고, 분류된 Range별 건수를 확인하여 1등급에서 5등급까지 각 비율을 비교하였다.
한국전기안전공사를 통해 확보한 총 1억 2천만 건 이상의 전기안전 점검결과 일 마감·고객마스터 데이터와 행정안전부에서 매년 파악한 3만건 이상의 전기화재 현황 데이터를 기본으로 한다.

데이터처리

전기화재 사고 유무데이터를 활용하여 화재사고가 발생하는 패턴을 도출하고 모델링을 수행하였다. 마지막으로 검증단계에서는 개발된 예측모델을 평가하는 단계로 학습에 사용하지 않은 테스트데이터를 통해서 정확도를 도출하고 실제사고와 예측된 사고의 유무와 비교 검증하였다.
그러나 0인 경우 상관이 없다는 것이 아니라 선형의 상관관계가 아니라는 것이다. 본 연구에서는 이와 같은 이론을 근거로 사용되고 있는 피어슨 상관계수(Pearson correlation coefficient)를 활용하여 실제 화재사고와 예측된 화재사고와 유사성을 살펴보기 위해 상관분석을 실시하였다. 피어슨 상관 계수는 다음과 같이 정의한다.
최종적으로 개발된 전기적 요인 및 환경적 요인을 활용한 예측 모델을 검증하기 위해 검증데이터를 통해 예측된 결과값을 도출하였다. 그림 9의 예측값이 0.

이론/모형

예측결과의 정확성(Low Bias)은 개별 예측모형에 쓰이는 알고리즘(decision tree)의 평균값으로 유지되는 반면 낮은 안정성(High Variance)은 Central Limit Theorem에 의해 낮아진다[7]. 융합 데이터 셋을 Random forest 알고리즘을 활용하여 예측모델 개발하였다. 그 결과, 평균절대오차(Mean Absolute Error)는 0.
융합된 데이터셋 중 60%를 학습데이터로 활용하여 Random Forest 알고리즘을 통해 학습모델을 만들었다. L.

성능/효과

마지막으로 사고유무 속성을 종속변수로 하고 습도, 풍속, 건축물 노후년수, 용적율, 건폐율, 절연저항(IR), 건축물용도, 건축물 구조 등을 설명변수로 설정하여 예측모델을 개발하였다. Random Forest 알고리즘을 활용하여 개발된 예측모델을 검증한 결과 74.7%의 높은 예측정확도를 확보하였다. 이 값은 2017년 행정안전부의 빅데이터 활용 화재위험도 예측 시스템 구축 보고서의 예측정확도 64.
융합 데이터 셋을 Random forest 알고리즘을 활용하여 예측모델 개발하였다. 그 결과, 평균절대오차(Mean Absolute Error)는 0.261(건), 실제사고와 예측된 사고와 상관계수가 0.725로 나타났다. 평균절대오차는 오차의 절대치, 즉, 절대편차를 모두 더한 다음 이를 레코드수로 나눈 값을 의미한다[8].
본 연구를 통해 도출된 결과를 살펴보면, 첫째, 내부 데이터인 한국전기안전공사의 점검결과 일마감 데이터, 고객마스터 데이터를 기반으로 국토교통부, 기상청, 통계청 등 외부 필요 데이터 수집 및 융합 관리할 수 있는 데이터베이스를 구축하였다. 둘째, 건축단위화재사고 위험도를 예측하고, 건축물, 행정구역 등 공간데이터셋을 융합하여 GIS기반의 전기안전지도 서비스를 구현함으로써 실시간 전기화재 예측에 기여하였다. 마지막으로 사고유무 속성을 종속변수로 하고 습도, 풍속, 건축물 노후년수, 용적율, 건폐율, 절연저항(IR), 건축물용도, 건축물 구조 등을 설명변수로 설정하여 예측모델을 개발하였다.
또한, 주요 화재 유형으로는 건축, 구조물의 화재가 94.68%로 대부분을 차지하고 있으며, 쓰레기 화재 등 기타 화재 유형이 5.22%, 위험물 등에 의한 화재사고는 0.07%로 비율이 굉장히 낮은 것을 확인할 수 있다. 대부분의 전기적 화재는 건물에서 발생한다는 것을 알 수 있었다.
또한, 화재사고 데이터의 주요 발화기기로는 배선/배선기구가 21.52%로 가장 많았으며, 전기설비 12.44%, 조명‧간판 12.13% 등의 순으로 분포되어 주요 화재의 원인은 배선‧배선기구 임을 알 수 있었다.
5 이하면 화재 미발생(0)으로 구분하여 실제 사고 유무와 교차표(Matrix chart)를 만들었다. 예측모델을 통하여 건물 단위로 사고를 사고로 예측하는 정확도가 74.7%로 확인되었다.

후속연구

향후 전국 건축물을 대상으로 딥러닝(deep learning) 기반 예측모델로 고도화하여 정확도를 개선하는 연구가 필요하다. 이어서 본 연구결과를 토대로 IoT 실시간 데이터 연계, 분석을 통해 전기화재 예방 및 감소를 위한 연구를 진행할 예정이다.
향후 전국 건축물을 대상으로 딥러닝(deep learning) 기반 예측모델로 고도화하여 정확도를 개선하는 연구가 필요하다. 이어서 본 연구결과를 토대로 IoT 실시간 데이터 연계, 분석을 통해 전기화재 예방 및 감소를 위한 연구를 진행할 예정이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	한국전기안전공사는 전기안전사고에 대한 무슨역할을 하는가?	한국전기안전공사는 매년 전기안전사고(화재·감전 등)에 대한 정량화된 통계 기반의 데이터를 수집하고 관리하면서, 데이터 기반의 전기재해를 예방하기 위한 전기안전점검관련 1억 2천만 건의 누적 데이터 활용 필요성을 검토하였다.
	전기화재사고가 일어나는 주요요인은 무엇인가?	본 연구에서는 한국전기안전공사, 기상청, 국토교통부, 소방본부 등 기관별로 수집된 데이터를 전처리, 융합, 분석, 모델링, 검증 과정을 거쳐 전기화재에 영향을 끼치는 요인과 예측모델을 도출하였다. 주요요인으로 절연저항 값, 습도, 풍속, 건축물 노후년수, 용적율, 건폐율, 건축물용도로 나타났고, Random forest 알고리즘을 활용한 예측모델은 74.7%의 정확도를 얻었다.
	전기적 화재사고를 줄이기 위해선 해결해야할 문제점은 무엇인가?	매년 전기화재사고에 대한 사고유형 분석, 점검 등 전기적 화재사고를 줄이기 위해 다양한 노력이 있었으나, 효율적인 의사결정지원 체계 및 기존 누적 데이터 활용방안의 미비로 효과적인 대처방안이 부재한 현황이다. 본 연구는 전기안전점검데이터, 전기화재사고정보, 건축물정보, 기상청정보 등 데이터 기반의 전기화재를 예측하는 알고리즘을 개발하고 이를 활용하여 전기화재사고를 줄이는데 목적이 있다.

참고문헌 (13)

S. K. Lee, "A statistical Analysis on the electrical Accident", KESCO, Aug. 2016.
Breiman, L. Bagging predictors, Machine Learning, 24, 123-140. 1996

상세보기
J. S. Ryu, S. T. Kim, "A conceptual Framework for spatial database structure", Korea Research Institute for Human Settlements., May 1996.
L. Breiman. "Random forests," Mach. Learn., vol. 45, no. 1, pp. 5-32, Oct. 2001
B. C. Ko, S. H. Kim, and J. Y. Nam, "X-ray image classification using random forests with local wavelet-based CS-local binary patterns," J. Digit. Imaging, vol. 24, no. 16, pp. 1141-1151, Oct. 2011

상세보기
J. H. Hong, B. C. Ko, J. Y. Nam, "Human Action Recognition in Still Image Using Weighted Bag-of-Features and Ensemble Decision Trees",The Journal of Korea Information and Communications Society, Vol.38A(1), pp.1-9, Jan 2013.
H. Jung, and J. Kim, "A Machine Learning Approach for Mechanical Motor Fault Diagnosis," Society of Korea Indus. and Sys. Eng., vol. 40, no. 1, pp. 57-64, 2017.

원문보기 상세보기
F.Robert Jacobs, "Operations and Supply Management", McGrawHill, 2010
Y. T. Hur, D. I. Shin, S. K. Lee, "Data Mining of Gas Accident and Meteorological Data in Korea for a Prediction Model of Gas Accidents", Journal of the Korean Institute of Gas, Vol. 16, No. 1, Feb 2012.
D. S. Bea, "Statistical theory and application", chungmungak, 2003.
Jenks, George F., "The Data Model Concept in Statistical Mapping", International Yearbook of Cartography 7, pp. 186-190, 1967.
Ministry of Public Administration and Security, "Development of a Fire Risk Prediction System using Big Data", 2017.
Jae-Young Chang, 'An Experimental Evaluation of Box office Revenue Prediction through Social Bigdata Analysis and Machine Learning', The Journal of The Institute of Internet, Broadcasting and Communication VOL. 17 No. 3, 2017

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