[논문]딥러닝을 이용한 스마트 교육시설 공사비 분석 및 예측 - 기획·설계단계를 중심으로 -

정승현; 권오빈; 손재호

doi:10.7859/kief.2018.25.6.035

[국내논문] 딥러닝을 이용한 스마트 교육시설 공사비 분석 및 예측 - 기획·설계단계를 중심으로 -
A Study on the Analysis and Estimation of the Construction Cost by Using Deep learning in the SMART Educational Facilities - Focused on Planning and Design Stage - 원문보기

교육시설 : 한국교육시설학회논문집 = Journal of the Korean Institute of Educational Facilities, v.25 no.6, 2018년, pp.35 - 44

정승현 (Dept. of Architectural Engineering, Hongik Univ.) , 권오빈 (Dept. of Architectural Engineering, Hongik Univ.) , 손재호 (Dept. of Architectural Engineering, Hongik Univ.)

Abstract ▼ AI-Helper

The purpose of this study is to predict more accurate construction costs and to support efficient decision making in the planning and design stages of smart education facilities. The higher the error in the projected cost, the more risk a project manager takes. If the manager can predict a more accurate construction cost in the early stages of a project, he/she can secure a decision period and support a more rational decision. During the planning and design stages, there is a limited amount of variables that can be selected for the estimating model. Moreover, since the number of completed smart schools is limited, there is little data. In this study, various artificial intelligence models were used to accurately predict the construction cost in the planning and design phase with limited variables and lack of performance data. A theoretical study on an artificial neural network and deep learning was carried out. As the artificial neural network has frequent problems of overfitting, it is found that there is a problem in practical application. In order to overcome the problem, this study suggests that the improved models of Deep Neural Network and Deep Belief Network are more effective in making accurate predictions. Deep Neural Network (DNN) and Deep Belief Network (DBN) models were constructed for the prediction of construction cost. Average Error Rate and Root Mean Square Error (RMSE) were calculated to compare the error and accuracy of those models. This study proposes a cost prediction model that can be used practically in the planning and design stages.

주제어

표/그림 (21)

그림 Fig. 1. Steps of the research process
그림 Fig. 2. Diagram of Single-Layer Perceptron(Rosenblatt, 1958)
그림 Fig. 4. Back Propagation Algorithm Process
그림 Fig. 3. Diagram of Multi-Layer Perceptron
그림 Fig. 5. ReLU & TanH
그림 Fig. 6. DBN Process
그림 Fig. 7. Cost factor in Design planning Step
표 Table 1. Research using artificial intelligence
표 Table 2. Selection of Variables in Prior Research
표 Table 3. Example of Application (Step 2, 3)
표 Table 4. Data Summary
표 Table 5. Construction Cost Index by year
그림 Fig. 8. Hyper Parameter in R and Java
그림 Fig. 9. ANN Modeling by Hyper Parameter
표 Table 6. Hyper-Parameter results (ANN)
표 Table 7. Error rate & RMSE of ANN model
표 Table 8. Hyper-Parameter results (DNN)
표 Table 9. Error rate & RMSE of DNN model
표 Table 10. Hidden layer test of DBN model
표 Table 11 Error rate & RMSE of DBN model
표 Table 12. Comparison of DBN, DNN, ANN

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 기획·설계단계에서 선택 가능한 변수를 알기 위해 공사비 예측 선행연구들을 조사하였다.
본 연구에서는 ANN, DNN, DBN에 대한 이론적 고찰을 수행하였으며, 다음과 같이 정리한다.
본 연구에서는 기획·설계단계에서 적은 실적 데이터만으로 다수의 변수를 적용하여 공사비 예측이 가능한 모델 구축을 목적으로 한다.
인공신경망 및 딥러닝 모델은 입력 값들이 극단적인 값차이를 보이면 학습에 문제가 될 수 있다. 본 연구에서는 이런 문제를 방지하기 위하여 데이터를 표준화하고 학습을 진행하였다. 표준화는 정규분포에서 평균을 빼고 표준 편차로 나눈 것으로 데이터들의 평균을 0으로 맞춰 표준 편차를 1로 만들어준다.
이에 본 연구에서는 실적 사례가 적은 스마트 교육 중· 고등학교 신축 프로젝트 기획·설계단계에서 공사비 예측을 위해 딥러닝(DNN, DBN)을 활용한 공사비 예측 모델을 구축하고 이를 기존의 인공신경망 예측 모델과 비교하여 실적 사례가 적은 프로젝트에서도 유용한 모델을 제공하고자 한다.

제안 방법

1) 관련 문헌 조사를 통하여 공사비 예측이 가능한 다양한 연구 방법에(ANN, DNN, DBN : Artificial Neural Network, Deep Neural Network, Deep Belief Network) 대한 이론적 고찰을 수행한다.
본 연구에서는 스마트 교육을 운영하고 있는 S교육청의 중·고등학교를 대상으로 총공사비를 예측하였다. 구축된 모델은 ANN, DNN, DBN로 인공신경망과 딥러닝으로 분류된다. 평가 결과는 Table 12와 같다.
DBN 모델은 DNN과 같은 파라미터를 적용하였다. 단, 이루어지는 알고리즘이 다르기에 은닉층의 설정은 각기 다르게 하여 결과를 비교하였다. 다음 Table 10은 DBN 모델들을 구축하여 비교한 후, RMSE의 수치를 작성한 표이다.
그러므로 발주방식은 변수로서 의미가 없다. 따라서 본 연구에서는 선행연구와 Ferry(1999)를 참고하여 연면적, 건축면적, 대지면적, 지하면적, 학교구분, 일반교실 수, 특별교실 수, 공사기간을 변수로서 선택한다.
총 18개의 데이터 중 11개를 학습용 데이터, 3개를 검증 데이터로 구분하며, 4개를 평가용 데이터로 하였다. 본 모델의 구조는 다층 퍼셉트론의 구성을 가지고 있으며, 하이퍼 파라미터를 활용하여 적절한 활성화 함수, 은닉층의 수, 은닉층 노드의 수, 소실 함수, 학습률, 최대 반복 학습 횟수, 모멘텀, Drop out 등을 찾게 하였다.
표준화는 정규분포에서 평균을 빼고 표준 편차로 나눈 것으로 데이터들의 평균을 0으로 맞춰 표준 편차를 1로 만들어준다. 본 연구에 사용된 데이터는 변수의 특징상 상호 극적인 값 차이를 보이는 것이 있기에 표준화를 수행하였다. 모델의 더 정확한 학습을 위하여 학습과 검증 데이터를 별도로 설정하여 교차 검증을 할 수가 있다.
, 2017). 본 연구에서 이용된 ANN, DNN, DBN 모두 다층 퍼셉트론 구조를 가지고 있다.
하지만 활성화 함수에 관한 개발 연구가 활발하게 진행되었고, 기울기 소실 문제를 보완할 수가 있었다. 본 연구에서는 기울기 소실 문제를 보완한 활성화 함수를 사용하였다(Goki, 2016).
본 연구에서는 인공신경망, DNN, DBN을 활용하여 적은 사례를 가진 스마트 교육 학교 신축 프로젝트의 기획·설계단계에서 공사비 예측이 유용한 모델을 구축 및 비교하였다.
본 연구에서는 하이퍼 파라미터를 R과 Java를 연동하여 작성하였으며, 다음 Fig. 8과 같이 작성하였다.
본 연구의 DNN 모델은 인공신경망(ANN)과 같이 하이퍼 파라미터를 적용하여 가장 적합한 파라미터 설정을 선택하게 하였다. DNN은 은닉층이 다수로 형성되어 심층 학습을 하는 모델이다.
입력층의 각 노드에 입력 패턴에 따라 임의 가중치를 주면, 이 신호는 은닉층까지 전달되고 출력층에 도달하여 출력값과 목표값을 비교한다. 비교로 도출된 오차를 줄이기 위하여 연결 강도를 조절하며 역진한다. 이 과정을 반복하며 오차를 줄이는 것이 역전파 알고리즘이다(Rashid, 2016).
이를 통하여 프로젝트 초기 단계에서 상세견적 공사비를 예측하고, 의사결정 기간을 초기 단계로 확대하여 사업 위험성 및 대안 결정을 지원하도록 제안한다.
입력층의 각 노드에 입력 패턴에 따라 임의 가중치를 주면, 이 신호는 은닉층까지 전달되고 출력층에 도달하여 출력값과 목표값을 비교한다. 비교로 도출된 오차를 줄이기 위하여 연결 강도를 조절하며 역진한다.
하이퍼 파라미터는 다양한 파라미터 설정 값을 이용하여 모델을 생성 할 것이며, 교차검증을 3회 실시하여 학습이 제대로 이루어졌는지 비교한다. 모델 선정 기준은 RMSE(Root Mean Square Error)로 하여 가장 낮은 수치를 보이는 파라미터 모델이 출력되게 하였다.

대상 데이터

2) 2015년도에서 2018년도까지 S교육청 산하에서 신축된 중·고등학교에 대한 실적 자료를 조달청 "나라장터”1)와 S교육청2)을 통하여 수집한다.
본 연구에서 적용된 공사비지수는 2010년을 특정 시점으로 발표된 공사비지수로 다음의 Table 5와 같다.
본 연구에서는 스마트 교육 개념을 포함한 교육시설물 공사비 예측을 목표로 하기 때문에 2015년부터 2018년까지의 S교육청 신설 중·고등학교를 대상으로 연구 데이터를 수집하였다.
본 연구에서는 스마트 교육을 운영하고 있는 S교육청의 중·고등학교를 대상으로 총공사비를 예측하였다.
본 연구의 범위는 스마트 교육시설 신축 기획·설계단계에서 수행되었으며, 방법 및 절차는 다음과 같다.
실적 자료로는 S교육청 교육시설물 중·고등학교의 공사비 자료를 바탕으로 18개의 실적자료로 작성되었다.
입력 변수로 사용된 데이터는 S교육청에서 제공되는 자료가 사용되었으며, Table 4는 실적 데이터를 정리한 표이다.
모델의 더 정확한 학습을 위하여 학습과 검증 데이터를 별도로 설정하여 교차 검증을 할 수가 있다. 총 18개의 데이터 중 11개를 학습용 데이터, 3개를 검증 데이터로 구분하며, 4개를 평가용 데이터로 하였다. 본 모델의 구조는 다층 퍼셉트론의 구성을 가지고 있으며, 하이퍼 파라미터를 활용하여 적절한 활성화 함수, 은닉층의 수, 은닉층 노드의 수, 소실 함수, 학습률, 최대 반복 학습 횟수, 모멘텀, Drop out 등을 찾게 하였다.

데이터처리

5) 구축된 DNN과 DBN 모델, 회귀 모델을 평가 데이터에 적용하여 예측 공사비 정확도를 비교·분석한다.

이론/모형

DBN 모델은 DNN과 같은 파라미터를 적용하였다. 단, 이루어지는 알고리즘이 다르기에 은닉층의 설정은 각기 다르게 하여 결과를 비교하였다.
본 연구에서 사용된 실적 자료들은 모두 PQ발주 방식이다. 그러므로 발주방식은 변수로서 의미가 없다.
실적 자료에 기록된 자료들은 각 연도가 상이하며 과거 시점들이기 때문에 현재 시점의 가치로 보정이 필요하다. 본 연구에서는 자료들의 보정을 위하여 한국건설기술연구 원에서 개발한 건설공사비지수를 이용하여 보정한다.
적절한 은닉층, 학습률, 소실 함수, 활성화 함수, 모멘텀, 학습과정 최대 횟수, 학습과정 반복 횟수 등 파라미터를 설정함으로써 기울기 소실, 오버 피팅 등의 문제를 예방하고 좋은 성능을 가진 모델을 구축할 수 있다. 본 연구에서는 적합한 파라미터를 찾기 위하여 하이퍼 파라미터를 이용하였다. 설정된 다양한 파라미터들을 학습하고 시도하여 최적화된 파라미터를 찾아내는 것이 하이퍼 파라미터이다(Goki, 2016).

성능/효과

4개의 평가 데이터로 예측된 공사비들의 평균 오차율이 5.54%이고, 평가 데이터에 의한 오차율 범위가 약 0.03%에서 19.5%까지 상당히 넓은 편이다. 이는 분산을 넓게 하여, RMSE를 높게 만드는 요인이다.
구축된 3가지 모델의 평균오차율이 미국견적협회 AACE (2016)에서 권고하는 기획·설계단계의 견적 오차 범위 (±15%) 내에 존재한다. 그 중 DBN의 평균오차율이 2.3%로 가장 유효한 것으로 판단된다.
기획·설계단계의 기존 공사비 예측에는 단위면적당 공사비가 이용되었지만, 실적 사례가 적은 공사비 예측에는 적합하지 않다고 판단되었다.
하이퍼 파라미터로 선택된 ANN 모델은 반복학습 횟수가 503회이고, 활성화 함수는 ReLu가 적합한 것으로 나타 났다. ANN은 은닉층을 단층으로 가지는 모델로 노드 수는 8개가 가장 적합한 것으로 나타났다.
하이퍼 파라미터로 설정된 DNN 모델은 TanH 활성화 함수를 가지고, 반복학습 횟수는 1503회로 나타났다. 해당 DNN 모델은 은닉층이 3개의 층으로 구성되어 각 10개의 노드를 가진다.
Kang et al(2017)은 2000년부터 건설 분야에서 인공지능을 적용하여 연구한 사례를 분석하였다. 해당 연구에서는 인공지능을 이용한 건설 분야 연구에서 인공신경망을 이용한 연구가 50%를 넘는 것으로 나타났다. Kim et al (2008), Han et al(2011), Cho et al(2013)에서는 초기 공사비 예측에 있어 신경망을 적용한 모델이 회귀분석을 적용한 모델보다 정확한 공사비 예측 결과를 보임을 입증하였 다.

후속연구

DBN 모델은 생산모델로서 비교적 적은 데이터에 유용하고 오버피팅 문제를 보완한 모델이기 때문에 비교적 낮은 오차를 나타냈다. 본 연구에서는 DBN 모델이 적은 사례를 가지는 교육시설 프로젝트에 다른 모델과 비교하여 더유효할 것으로 예상된다.
본 연구의 결과는 스마트 교육과 같은 적은 실적 사례를 가지는 사업도 기획·설계단계에서 공사비를 예측함으로, 효율 적이고 합리적인 의사결정을 지원할 것으로 예상한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공신경망의 장점은?	데이터에는 어떤 패턴이 존재하며 이를 분석하여 학습 하는 것이 인공신경망이다. 인공신경망은 인간의 뇌 신경 망을 모방하여 구조화한 인공지능으로 데이터 분석에 효율적이다. 하지만 학습이 깊어지면 오버피팅(Overfitting) 3)
	단위면적당 공사비란 무엇인가?	단위면적당 공사비는 기존 유형별 건축물들을 대상으로 매년 공시하는 공사비 산출 기법이다. 기획·설계단계에서 이용되는 단위면적당 공사비는 상세 단가 견적과 ±10% 차이를 보이는 것으로 나타난다(Hira et al.
	인공신경망의 취약점은?	인공신경망은 인간의 뇌 신경 망을 모방하여 구조화한 인공지능으로 데이터 분석에 효율적이다. 하지만 학습이 깊어지면 오버피팅(Overfitting) 3) 과 기울기 소실(Vanishing gradient)이 쉽게 발생하는 취약점을 가지고 있다. 기울기 소실은 출력이 0 또는 1에 수렴하며 활성화 함수의 표현 한계에 의해 기울기가 0이 되는 현상이다.

참고문헌 (25)

AACE. (2016). " Cost Estimate Classification System" AACE International Recommended Practice, No. 18R-97.
Chang, D. H. (2017). "Spacial Distinction and Site Planning of Newly-established Schools in Sejong City by Educational Curriculum and Administrative Clients" master's dissertation, Cheongju University.
Chen, X. (2015) "Stock Price Prediction Via Deep Belief Networks" Doctoral dissertation, University of New Brunswick.
Cho, H. G., and Kim, K. G. (2013). "A comparison of construction cost estimation using multiple regression analysis and neural network in elementary school project." Journal of the Korea Institute of Building Construction., 13(1), pp.66-74.

원문보기 상세보기
Ferry, D. J., and Brandon, P. S. (1999). "Cost planning of buildings" Fifth Edition, GRANADA.
Goki, S. (2016). "Deep Learning from Scratch"Hanbit Publishing Network Inc.
Han, H. D., and Kim, J. H. and Yoon, J. H. and Seo, J. W. (2011). "Road Construction Cost Estimation Model in the Planning Phase Using Artificial Neural Network" Korean Society of Civil Engineers, 31(6D), pp.829-837.
Hinton, G. E. (2009). "Deep belief networks" Scholarpedia, 4(5), pp.5947.
Hinton, G. E., and Osindero, S., and Teh, Y. W. (2006). "A fast learning algorithm for deep belief nets" Neural computation, 18(7), pp.1527-1554.

상세보기
Hira, N. A., and Walter, J. C. (1988). "Estimating: from Concept to Completion" Prentice Hall Inc.
Jang, B. T. (2017). "Jang professor's Deep Learning" Hongrung Publishing Company.
Josh, P., and Adam, G. (2017). "Deep Learning: A Practitioner's Approach" O'Reilly Media Inc.
Kang, I. S., and Mun, J. W., and Park, J. C. (2017). "Recent Research Trends of Artificial Intelligent Machine Learning in Architectural Field - Review of Domestic and International Journal Papers -" Journal of the Architectural Institute of Korea Structure & Construction., 33(4), pp.63-68.

상세보기
KICT. (2004) "Development of Construction Cost Index" KOREA INSTITUTE of CIVIL ENGINEERING & BUILDING TECHNOLOGY.
Kim, M. H. (2017). "Construct information system construction and open system development plan" Korean Public Procurement Service.
Kim, S. K., and Son, J. H. (2008). "A Study on the Analysis and Estimation of the Construction Cost by Using Artificial Neural Network in the BTL Projects for Educational Facilities" Journal of the Architectural Institute of Korea Structure & Construction., 24(6), pp.135-142.
Korea On-line E-procurement System, http://g2b.go.kr/index.jsp, Site accessed September 21, 2018
Larochelle, H., and Bengio, Y., and Louradour, J., and Lamblin, P. (2009). "Exploring strategies for training deep neural networks" Journal of machine learning research, 10(Jan), pp.1-40.
Park, H. Y,. and Song, Y. S. and Kim, S. K. (2003). "A Study on the Standard Database for Cost Modelling of Apartment Housing Projects" Journal of the Architectural Institute of Korea Structure & Construction, 19(6), pp.177-184.
Rashid, T. (2016). "Make Your Own Neural Network" Createspace Independent Publishing Platform.
Ribeiro, B., and Lopes, N. (2011). "Deep belief networks for financial prediction" In International Conference on Neural Information Processing., Springer Berlin Heidelberg, pp.766-773.
Rosenblatt, F. (1958). "The perceptron: a probabilistic model for information storage and organization in the brain" Psychological review, 65(6), pp.386.

상세보기
Sejong City Office of Education, http://sje.go.kr/sje, Site accessed September 21, 2018
Shin, J. M., and Kim, G. H. (2012). "A study on predicting construction cost of educational building project at early stage using support vector machine technique" The journal of Sustainable Design and Educational Environment Research, 11(3), pp.46-54.

원문보기 상세보기
Timothy, M. (2015). "Deep Belief Nets in C++ and Cuda C, Volume 1, Restricted Boltzmann Machines and Supervised Feedforward Networks"CreateSpace Inc.

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