인공지능과 국토정보를 활용한 노인복지 취약지구 추출방법에 관한 연구 A Study on the Methodology of Extracting the vulnerable districts of the Aged Welfare Using Artificial Intelligence and Geospatial Information원문보기
급속한 고령화 사회에서 노인인구가 갖는 사회적 영향력은 더욱 가속화될 것이다. 본 연구에서는 인공지능 방법론 중 머신러닝, 인공신경망, 국토정보 분석을 통해 노인복지 취약지구를 추출하는 방법론을 정립하는데 목적을 두었다. 분석방향 정립을 위해 65세 이상 노인, 공무원, 노인복지 시설물 담당자와 인터뷰 후 방향을 설정하였다. 경기도 용인시를 대상으로 500 m 공간단위 벡터 기반 격자에 15분 이내 지리적 거리 수용력, 노인복지 향유도, 공시지가, 이동통신 기반 노인활동을 지표로 설정하였다. 10단계 군집형성 후 모의학습 결과 RBF 커널알고리즘을 활용한 머신러닝 서포트 벡터머신에서 83.2%의 예측정확도가 나타났다. 그리고 역전파 알고리즘을 활용한 인공신경망에서 높은 상관성 결과(0.63)가 나타났다. 변수간 공간적 자기상관성을 분석하기 위해 지리적 가중회귀분석을 수행했다. 분석결과 결정계수가 70.1%로 모형으로 나타나 설명력이 우수한 것으로 나타났다. 변수의 공간적 이상값 여부와 분포패턴을 검토하기 위해 국지적인 공간적 자기상관성 지수인 Moran's I 계수와 Getis-Ord Gi 계수를 분석하였다. 분석결과 용인시 신도시인 수지 기흥구에서 노인복지 취약지구가 발생하는 특성을 보였다. 본 연구의 인공지능 모의방법과 국토정보 분석의 연계는 최근 정부의 지역여건을 고려한 노인복지 불균형을 해결하는데 활용될 수 있을 것이다.
급속한 고령화 사회에서 노인인구가 갖는 사회적 영향력은 더욱 가속화될 것이다. 본 연구에서는 인공지능 방법론 중 머신러닝, 인공신경망, 국토정보 분석을 통해 노인복지 취약지구를 추출하는 방법론을 정립하는데 목적을 두었다. 분석방향 정립을 위해 65세 이상 노인, 공무원, 노인복지 시설물 담당자와 인터뷰 후 방향을 설정하였다. 경기도 용인시를 대상으로 500 m 공간단위 벡터 기반 격자에 15분 이내 지리적 거리 수용력, 노인복지 향유도, 공시지가, 이동통신 기반 노인활동을 지표로 설정하였다. 10단계 군집형성 후 모의학습 결과 RBF 커널 알고리즘을 활용한 머신러닝 서포트 벡터머신에서 83.2%의 예측정확도가 나타났다. 그리고 역전파 알고리즘을 활용한 인공신경망에서 높은 상관성 결과(0.63)가 나타났다. 변수간 공간적 자기상관성을 분석하기 위해 지리적 가중회귀분석을 수행했다. 분석결과 결정계수가 70.1%로 모형으로 나타나 설명력이 우수한 것으로 나타났다. 변수의 공간적 이상값 여부와 분포패턴을 검토하기 위해 국지적인 공간적 자기상관성 지수인 Moran's I 계수와 Getis-Ord Gi 계수를 분석하였다. 분석결과 용인시 신도시인 수지 기흥구에서 노인복지 취약지구가 발생하는 특성을 보였다. 본 연구의 인공지능 모의방법과 국토정보 분석의 연계는 최근 정부의 지역여건을 고려한 노인복지 불균형을 해결하는데 활용될 수 있을 것이다.
The social influence of the elderly population will accelerate in a rapidly aging society. The purpose of this study is to establish a methodology for extracting vulnerable districts of the welfare of the aged through machine learning(ML), artificial neural network(ANN) and geospatial analysis. In o...
The social influence of the elderly population will accelerate in a rapidly aging society. The purpose of this study is to establish a methodology for extracting vulnerable districts of the welfare of the aged through machine learning(ML), artificial neural network(ANN) and geospatial analysis. In order to establish the direction of analysis, this progressed after an interview with volunteers who over 65-year old people, public officer and the manager of the aged welfare facility. The indicators are the geographic distance capacity, elderly welfare enjoyment, officially assessed land price and mobile communication based on old people activities where 500 m vector areal unit within 15 minutes in Yongin-city, Gyeonggi-do. As a result, the prediction accuracy of 83.2% in the support vector machine(SVM) of ML using the RBF kernel algorithm was obtained in simulation. Furthermore, the correlation result(0.63) was derived from ANN using backpropagation algorithm. A geographically weighted regression(GWR) was also performed to analyze spatial autocorrelation within variables. As a result of this analysis, the coefficient of determination was 70.1%, which showed good explanatory power. Moran's I and Getis-Ord Gi coefficients are analyzed to investigate spatially outlier as well as distribution patterns. This study can be used to solve the welfare imbalance of the aged considering the local conditions of the government recently.
The social influence of the elderly population will accelerate in a rapidly aging society. The purpose of this study is to establish a methodology for extracting vulnerable districts of the welfare of the aged through machine learning(ML), artificial neural network(ANN) and geospatial analysis. In order to establish the direction of analysis, this progressed after an interview with volunteers who over 65-year old people, public officer and the manager of the aged welfare facility. The indicators are the geographic distance capacity, elderly welfare enjoyment, officially assessed land price and mobile communication based on old people activities where 500 m vector areal unit within 15 minutes in Yongin-city, Gyeonggi-do. As a result, the prediction accuracy of 83.2% in the support vector machine(SVM) of ML using the RBF kernel algorithm was obtained in simulation. Furthermore, the correlation result(0.63) was derived from ANN using backpropagation algorithm. A geographically weighted regression(GWR) was also performed to analyze spatial autocorrelation within variables. As a result of this analysis, the coefficient of determination was 70.1%, which showed good explanatory power. Moran's I and Getis-Ord Gi coefficients are analyzed to investigate spatially outlier as well as distribution patterns. This study can be used to solve the welfare imbalance of the aged considering the local conditions of the government recently.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
용인시 노인복지 취약지구를 탐색하기 위해 실제 용인시 상황을 직접 실험, 분석하여 결과를 도출하는 것이 가장 바람직하다. 그러나 경제적, 시간적, 효율적 측면에서 용인시 노인복지 관련 요인을 모형화하여 동적으로 변화시킴으로써 용인시 노인복지 상황을 탐색하여 취약지구를 도출하는 방법론을 정립하는 것이 본 연구의 목적이다. Forrester(1961)는 현실세계의 불확실성과 모형의 불완전성이 존재하기 때문에 정확한 추정은 불가능하나, 모형이 현실세계 원리가 반영된 것이라면 사회 행태적 측면에서 현실과 유사한 결과를 가져오는 것으로 정의하였다.
본 연구는 인공지능 머신러닝, 인공신경망과 국토정보 분석을 활용하여 데이터 기반의 노인복지 취약지구를 추출하는 방법론을 정립하는데 목적을 두었다. 특히, 인공지능 방법론 중 머신러닝 및 인공신경망에 유클라디언 최단거리를 적용하여 모의학습 수행 후 지표간 공간적 자기상관성을 검정하여 지리적 분포패턴을 통해 노인복지 취약지구를 추출하는 일련의 프로세스를 제공하는데 초점을 두었다.
본 연구의 머신러닝 SVM 은 노인복지 취약지에 영향을 주는 지표를 통한 모의학습과 해당 모형에 대한 유효성을 검증하였다.
이에 따라 지리적 가중회귀 분석 및 SVM 모의학습 결과에서 신도시 지역 수지·기흥구의 노인복지 취약지구가 동일한 공간패턴의 결과가 밝혀졌다. 이러한 SVM 모의학습 및 지리적 가중회귀 분석결과에 따라 노인복지 취약의 이상치와 공간적 자기상관성을 검토하였다.
이와 같은 배경 하에 본 연구는 머신러닝, 인공신경망의 인공지능과 국토정보 분석을 통해 노인복지 취약지구를 객관적으로 추출하는 방법론을 정립하는데 목적을 두었다. 본 연구결과를 통한 노인복지 취약지구 추출 방법론이 정립된다면, 향후 지역특성에 따른 노인복지 불균형을 해결하는데 활용될 수 있을 것이다.
가설 설정
GWR은 전통적 OLS 모형에 거리 가중치를 부여하여 공간적 자기상관성을 가정하고 있다. 식(7)에서 (ui, vi)위치 i에서 회귀식과 회귀계수 βk를 도출하여 독립변수 영향력이 국지적 공간에서 서로 다를 수 있다는 Tobler의 지리학 제1법칙을 고려하고 있다.
제안 방법
등간·비율척도로 구성된 각각 4개 지표는 SVM·ANN 모의학습을 통한 분류·예측을 수행하기 위해 범주화하였다. 10개 군집별 척도변환은 각 4개 지표에 대한 변수범위를 큰 값 순으로 서열화하여 500 m 격자의 속성 값으로 적용하였다(Table 3). 공시지가와 같은 경우 10개 군집별 산점도를 통해 군집도를 형성하였다(Figure 5).
2,587개의 500 m 공간단위 벡터격자간 4가지 지표속성에 ArcGIS Desktop 소프트웨어 ‘Near’ 함수를 적용하여 각도와 유클라디언 최단거리를 적용하여 지리적 거리 가중치를 산술하여 적용하였다.
ANN 역전파 알고리즘에서는 4개 지표로 형성된 입력노드, 5개의 은닉노드에 각각 시냅스를 연결한 신경망을 제작하였다. 제작된 신경망을 통해 학습한 결과, 순방향에서 0.
SVM RBF 커널은 R programing을 활용하여 ‘kernlab’ 알고리즘으로 구축하였으며, 앞서 선정한 4개의 지표의 10개로 군집화된 범주화척도를 적용하였다.
용인시 노인복지 취약지구 도출을 위해 선정된 지표에 대한 공간적 영향력을 진단해야 한다. SVM은 커널 매개변수를 통해 다차원 표면을 통해 자료특성을 분류하고, ANN은 상호 연결된 네트워크 입출력 신호를 통해 대규모 병렬처리를 수행하는 뉴런을 모형화하여 추정 정확도를 통해 유효성을 검증하고 예측한다.
그래서 용인시 도로교통망을 통해 노인여가복지시설부터 15분 이내 거리(500 m)를 설정하였다. Table 2는 노인복지 수용력 지표에 활용된 용인시 거주 노인인구(점), 용인시 노인여가복지시설(점), 노인의 최대접근 가능 거리(15분, 500 m, 0.6 m/sec)2), 도로중심선을 이용하였다. 신도시인 죽전·보정동 등의 서비스 수용력이 양지·원산면 등 보다 높은 것으로 밝혀졌다(Figure 1).
각 4개 입력노드 지표 수치는 SVM과 동일하며, 입력노드 이름은 ‘service’, ‘gongsi’, ‘hangudo’, ‘youdong’으로 설정하였다.
각각의 모의학습은 2,587개의 500 m 공간단위 벡터격자의 70%(1,811개)를 훈련데이터, 나머지 30%를 실험데이터로 구분하여 모형구축과 예측 및 유효성 검증을 진행하였다. 용인시 노인복지 취약지 추출을 위한 지표는 ①노인인구 및 노인복지시설 접근성을 고려한 15분 이내 거리 수용력, ②노인복지 향유도를 고려한 시공간 밀집현황, ③향후 노인복지 여가시설 건립을 위한 2016년 공시지가, ④2015년 SKT 이동통신 데이터에서 65세 이상 노인인구를 추출하여 선정하였다(Table 1).
그래서 4가지 지표의 다양한 속성정보를 융합하기 위해 벡터형식을 선택하고 500 m 단위 벡터격자에 분석에 활용된 모든 자료를 처리·융합하였다.
그래서 연구자료는 용인시 노인복지 지리적 거리를 15분으로 설정하여 벡터격자(500 m X 500 m) 공간단위로 분석에 활용된 모든 자료를 처리·융합하였다.
용인시 65세 이상 노인 인터뷰 결과, 노인복지여가시설까지 지리적 거리 ‘15분’이 중요한 요소임을 확인하였다. 그래서 용인시 도로교통망을 통해 노인여가복지시설부터 15분 이내 거리(500 m)를 설정하였다. Table 2는 노인복지 수용력 지표에 활용된 용인시 거주 노인인구(점), 용인시 노인여가복지시설(점), 노인의 최대접근 가능 거리(15분, 500 m, 0.
) 자료인 4개의 지표를 독립변수로 설정하였다. 그리고 각 지표에 유클라디언최단거리를 적용하여 거리가중치를 산술한 값(yi)을 종속변수로 설정하여 변수의 설명력을 검토하였다(식9). 이 모형은 회귀계수를 상수가 아닌 공간함수(u)로 적용하여 위치에 따라 독립변수 효과가 달라지는 지리적 영향력을 설명할 수 있다.
본 연구에서는 분석방향 정립을 위해 용인시에 거주하는 65세 이상 노인, 노인복지 관련 담당공무원, 노인여가복지 시설물 담당자와 인터뷰 후 연구방법론을 선정하였다. 그리고 머신러닝 및 인공신경망, 공간적 자기상관성을 분석하기 위한 지표선정 및 분석자료를 구축하였다. 노인복지 취약지구를 추출하기 위한 지표는 노인인구 및 노인복지시설 접근성을 고려한 15분 이내 거리 수용력, 노인복지 향유도를 고려한 시공간 밀집현황, 향후 노인복지 여가시설 건립을 위한 2016년 공시지가, 2015년 SKT 이동통신 노인 활동인구를 설정하였다.
네트워크 출력과 실제 관측값 오차 최소화를 위해 은닉노드를 5개로 증가시켜 설정하고, 역전파 알고리즘을 적용하여 뉴런 가중치를 조정하였다(Figure 8). 모의학습 결과, 10,365 회로 훈련 횟수가 증가했으며, 오차총합은 순방향 단계(2.
그리고 머신러닝 및 인공신경망, 공간적 자기상관성을 분석하기 위한 지표선정 및 분석자료를 구축하였다. 노인복지 취약지구를 추출하기 위한 지표는 노인인구 및 노인복지시설 접근성을 고려한 15분 이내 거리 수용력, 노인복지 향유도를 고려한 시공간 밀집현황, 향후 노인복지 여가시설 건립을 위한 2016년 공시지가, 2015년 SKT 이동통신 노인 활동인구를 설정하였다. 마지막 단계에서 인공지능을 구현하는 접근 방식으로써 머신러닝 및 인공신경망을 통해 모의학습을 진행하고, 공간적 자기상관성 분석을 통해 지표영향력을 해석하였다.
등간·비율척도로 구성된 각각 4개 지표는 SVM·ANN 모의학습을 통한 분류·예측을 수행하기 위해 범주화하였다.
두 번째, 머신러닝 및 인공신경망, 공간적 자기상관성을 분석하기 위한 지표선정 및 분석자료를 마련하였다. 마지막 단계에서 인공지능을 구현하는 접근 방식으로 머신러닝 및 인공신경망을 통해 모의학습을 진행하고, 공간적 자기상관성 분석을 통해 지표영향력을 해석하였다.
노인복지 취약지구를 추출하기 위한 지표는 노인인구 및 노인복지시설 접근성을 고려한 15분 이내 거리 수용력, 노인복지 향유도를 고려한 시공간 밀집현황, 향후 노인복지 여가시설 건립을 위한 2016년 공시지가, 2015년 SKT 이동통신 노인 활동인구를 설정하였다. 마지막 단계에서 인공지능을 구현하는 접근 방식으로써 머신러닝 및 인공신경망을 통해 모의학습을 진행하고, 공간적 자기상관성 분석을 통해 지표영향력을 해석하였다.
연구방법은 세 가지로 구분된다. 먼저 용인시 노인복지 취약지구를 추출하기 위한 분석방향을 정립하기위해 용인시에 거주하는 65세 이상 노인과 노인복지관련 공무원, 여가복지시설 담당자와 인터뷰를 수행 후 결과를 검토하여 분석방향을 정립하였다. 두 번째, 머신러닝 및 인공신경망, 공간적 자기상관성을 분석하기 위한 지표선정 및 분석자료를 마련하였다.
SVM RBF 커널은 R programing을 활용하여 ‘kernlab’ 알고리즘으로 구축하였으며, 앞서 선정한 4개의 지표의 10개로 군집화된 범주화척도를 적용하였다. 모의학습 방식은 2,587개 벡터격자에 포함된 4개 지표 값의 70%(1,811개)를 훈련하여 SVM 모형을 구축하고, 30% 실험을 통해 모델의 유효성을 검증하였다. 이러한 과정을 통해 SVM RBF커널 모의학습의 논리적 결함여부를 확인하였다.
본 연구 ANN 구조에서 입력층(A)은 4가지 지표의 입력노드(xp), 은닉층(B)은 입력층과 출력층 사이의5개 노드(zp), 출력층(C) 1개 노드(y)로 구성하였다(Figure 8).
본 연구 분석에 활용된 4개 지표는 인구 및 복지시설 접근성에 따른 수용력, 노인복지 향유도, 공시지가, 무선이동통신 자료로써 자료의 척도 및 범위를 표준화할 필요가 있다.
본 연구에서 비선형 커널은 수학적 투영좌표체계에 위치 값을 표현하여 SVM 초평면 분리 및 최대마진을 생성하고, 식(3)의 가우시안 RBF 커널을 적용하였다. 가우시안 RBF 커널기법은 SVM에서 현실세계 자료를 공간사상으로 분류·최적화하는데 가장 많이 활용된다.
본 연구에서 순방향 단계는 은닉층을 1개로 설정하고 예측오차를 산출하였다(Figure 9).
본 연구에서는 공간적 자기상관성을 파악하기 위해 지리적 가중회귀분석, Getis-Ord Gi 통계를 통해 지리적 상관성을 해석하였다.
본 연구에서는 인구 및 복지시설 접근성에 따른 수용력(x1i), 노인복지 향유도(x2i), 공시지가(x3i), 무선이동통신 노인활동인구(x4i) 자료인 4개의 지표를 독립변수로 설정하였다. 그리고 각 지표에 유클라디언최단거리를 적용하여 거리가중치를 산술한 값(yi)을 종속변수로 설정하여 변수의 설명력을 검토하였다(식9).
본 연구에서는 투영좌표(GRS 80 Transverse Mercator, false easting 200,000m, nothing 600,000m)를 적용하고, 식(2)의 유클라디언 최단거리를 적용하였다. 2,587개의 500 m 공간단위 벡터격자간 4가지 지표속성에 ArcGIS Desktop 소프트웨어 ‘Near’ 함수를 적용하여 각도와 유클라디언 최단거리를 적용하여 지리적 거리 가중치를 산술하여 적용하였다.
본 연구의 ANN 오류 역전파(error backpropagation) 알고리즘 모형은 SVM과 동일한 지표를 통해 입력층 4개, 은닉층 5개, 출력층 1개로 구성하여 10,365회 모의학습하였다. 입력계층부터 츨력계층까지 뉴런을 활성화하고, 네트워크 출력신호와 실제 오차가 만들어지며 역방향으로 전파하여 각 뉴런의 활성함수를 미분해 가중치 방향의 증감방향에서 오차를 최대 감소한 학습율을 적용하였다.
분석자료는 노인의 도보기준 15분 거리를 기준(500m, 2.4 km/h)으로 하였다. 그래서 4가지 지표의 다양한 속성정보를 융합하기 위해 벡터형식을 선택하고 500 m 단위 벡터격자에 분석에 활용된 모든 자료를 처리·융합하였다.
본 연구에서는 용인시 사회·경제적 특성을 반영하기 위해 2015년 개별 공시지가를 지표로 선정하였다. 약 26만개의 용인시 필지별 공시지가를 점 사상으로 변형 후 500 m 공간단위 벡터격자에 산술평균하여 공간융합을 수행하였다. 용인시 신도시인 죽전·보정·상현동 등의 공시지가가 원삼·백암면 등에 비해 높게 생성된 반면, 용인시 약 70%를 차지하는 처인구가 신도시에 비해 낮은 지가패턴이 형성되어 있는 것으로 확인되었다(Figure 3).
본 연구에서는 ANN 모형에서 가장 많이 사용되고 있는 오류역전파 알고리즘을 적용하였다. 역전파 알고리즘은 2,587개 벡터격자에 포함된 ①4개 지표 값의 전달함수를 통해 출력 값을 산정하여 순방향으로 처리하고, ②목표 값과 계산 값의 차이를 출력된 결과로부터 역방향으로 진행하면서 오차를 최소화되도록 뉴런간 연결강도를 조절하였다.
모의학습 방식은 2,587개 벡터격자에 포함된 4개 지표 값의 70%(1,811개)를 훈련하여 SVM 모형을 구축하고, 30% 실험을 통해 모델의 유효성을 검증하였다. 이러한 과정을 통해 SVM RBF커널 모의학습의 논리적 결함여부를 확인하였다.
그러나 각각의 모의학습은 내부의 입력을 출력으로 변환하는 매커니즘 해석을 수행할 수 없는 블랙박스 프로세스 특성을 갖고 있다. 이러한 비선형적 인공지능 모의학습 특성을 감안하여 지리적 상관관계를 해석할 수 있는 선형적 알고리즘을 통해 보완하였다.
0 알고리즘을 통해 공원, 하천, 도로, 유해혐오 등 지적정보 용도·지목코드를 자료를 이용하여 비선형적 국지적 공간패턴을 예측하였다. 이를 통해 개별공시지가 산정을 위한 머신러닝 시뮬레이션 모의학습을 수행하였다. Sharama et al.
그래서 4가지 지표의 다양한 속성정보를 융합하기 위해 벡터형식을 선택하고 500 m 단위 벡터격자에 분석에 활용된 모든 자료를 처리·융합하였다. 이후 모의학습에 적용하기 위해 10단계 군집을 형성하여 범주화 척도로 구축하였다. 인공지능 방법론 중 머신러닝은 SVM RBF 커널, 인공신경망은 역전파 알고리즘을 적용하여 R 프로그램을 활용하였다.
본 연구의 ANN 오류 역전파(error backpropagation) 알고리즘 모형은 SVM과 동일한 지표를 통해 입력층 4개, 은닉층 5개, 출력층 1개로 구성하여 10,365회 모의학습하였다. 입력계층부터 츨력계층까지 뉴런을 활성화하고, 네트워크 출력신호와 실제 오차가 만들어지며 역방향으로 전파하여 각 뉴런의 활성함수를 미분해 가중치 방향의 증감방향에서 오차를 최대 감소한 학습율을 적용하였다.
는 직접 관측되지 않는 반면, 입력노드 4개와 출력변수 y는 관측된다. 즉, 본 연구의 인공신경망 구조는 노인복지에 영향을 주는 4개 지표에 대한 추상화를 거쳐 출력변수를 예측하였다. 각 4개 입력노드 지표 수치는 SVM과 동일하며, 입력노드 이름은 ‘service’, ‘gongsi’, ‘hangudo’, ‘youdong’으로 설정하였다.
지금까지 이루어진 SVM ·ANN 모의학습의 입력값에 대한 모의학습을 통해 용인시 노인복지 취약지구를 분류하여 예측하였다.
본 연구는 인공지능 머신러닝, 인공신경망과 국토정보 분석을 활용하여 데이터 기반의 노인복지 취약지구를 추출하는 방법론을 정립하는데 목적을 두었다. 특히, 인공지능 방법론 중 머신러닝 및 인공신경망에 유클라디언 최단거리를 적용하여 모의학습 수행 후 지표간 공간적 자기상관성을 검정하여 지리적 분포패턴을 통해 노인복지 취약지구를 추출하는 일련의 프로세스를 제공하는데 초점을 두었다.
대상 데이터
본 연구에서는 2015년 전국 성·연령·월별·요일별 SKT 이동통신전화 데이터에서 65세 이상 용인시 노인인구를 추출하였다.
본 연구에서는 분석방향 정립을 위해 용인시에 거주하는 65세 이상 노인, 노인복지 관련 담당공무원, 노인여가복지 시설물 담당자와 인터뷰 후 연구방법론을 선정하였다. 그리고 머신러닝 및 인공신경망, 공간적 자기상관성을 분석하기 위한 지표선정 및 분석자료를 구축하였다.
본 연구에서는 용인시 사회·경제적 특성을 반영하기 위해 2015년 개별 공시지가를 지표로 선정하였다.
본 연구의 공간적 범위는 용인시로 설정하였다. 용인시는 제2기 신도시 지역으로서 인구와 교통 접근성 등의 증가로 도심화가 진행되고 있다.
각각의 모의학습은 2,587개의 500 m 공간단위 벡터격자의 70%(1,811개)를 훈련데이터, 나머지 30%를 실험데이터로 구분하여 모형구축과 예측 및 유효성 검증을 진행하였다. 용인시 노인복지 취약지 추출을 위한 지표는 ①노인인구 및 노인복지시설 접근성을 고려한 15분 이내 거리 수용력, ②노인복지 향유도를 고려한 시공간 밀집현황, ③향후 노인복지 여가시설 건립을 위한 2016년 공시지가, ④2015년 SKT 이동통신 데이터에서 65세 이상 노인인구를 추출하여 선정하였다(Table 1).
본 연구에서는 2015년 전국 성·연령·월별·요일별 SKT 이동통신전화 데이터에서 65세 이상 용인시 노인인구를 추출하였다. 이 자료는 용인시 65세 노인인구의 활동현황을 파악하여 주간에 노인이 밀집한 지역을 지표로 선정하였다. 65세 이상 노인의 주간 활동 인구 밀집지역은 노인여가복지시설의 설립 타당성이 있다는 것을 의미한다.
데이터처리
그리고 인공지능 모의학습 과정에서 탐색하기 어려운 공간적 자기상관성을 검토하기 위해 지리적 가중회귀분석, Moran’s I 계수, GetisOrd G 계수를 산출하였다.
분석에 활용된 4개 지표에 대한 공간적 자기 상관분석 지수인 Morna’s I 계수와 Getis-Ord G지수를 산출하였다(Ord et al., 2010).
이론/모형
(2016)에 의한 ‘kernlab’을 채택했으며, ‘kernlab’ 알고리즘 중 가우시안 방사형 커널(radial basis kernel function, RBF)을 활용하여 비선형 모의학습을 수행하였다.
45를 이용하여 머신러닝과 인공신경망을 구축하였다. 머신러닝은 서포트 벡터 머신(support vector machine, SVM) 알고리즘, 인공신경망(artificial neural network, ANN)은 역전파(back- propagation) 알고리즘을 활용하였다.
본 연구에서는 ANN 모형에서 가장 많이 사용되고 있는 오류역전파 알고리즘을 적용하였다. 역전파 알고리즘은 2,587개 벡터격자에 포함된 ①4개 지표 값의 전달함수를 통해 출력 값을 산정하여 순방향으로 처리하고, ②목표 값과 계산 값의 차이를 출력된 결과로부터 역방향으로 진행하면서 오차를 최소화되도록 뉴런간 연결강도를 조절하였다.
본 연구에서는 서울 정책지도 ‘10분 동네 프로젝트’의 노인복지 향유도 기준(enjoyment indicator, ei)을 준용하여 용인시에 적용하였다.
용인시 노인복지 취약지를 도출하기 위한 인공지능 모의학습 모형은 R Programming 3.45를 이용하여 머신러닝과 인공신경망을 구축하였다. 머신러닝은 서포트 벡터 머신(support vector machine, SVM) 알고리즘, 인공신경망(artificial neural network, ANN)은 역전파(back- propagation) 알고리즘을 활용하였다.
이후 모의학습에 적용하기 위해 10단계 군집을 형성하여 범주화 척도로 구축하였다. 인공지능 방법론 중 머신러닝은 SVM RBF 커널, 인공신경망은 역전파 알고리즘을 적용하여 R 프로그램을 활용하였다. 훈련에 사용된 입력자료는 2,587개 벡터격자 중 70%(1,811개), 30% 자료를 통해 실험과 동시에 유효성을 검증하였다.
성능/효과
각 군집별 예측정확도는 4(73.9%), 5(92.1%), 6(91.5%)군집에서 높게 나타난 반면, 7∼10군집에서는 SVM 모의학습 결과가 적합하지 않은 것으로 나타났다(Table 4).
국지적 설명력(Local R2)은 신도심 지역인 수지·기흥구가 설명력이 낮았으며, 농촌지역인 처인구의 설명력이 상대적으로 높은 것을 확인(0.71∼0.92)할 수 있었다(Figure 10(A)).
군집별 정확도는 4(73.9%), 5(92.1%), 6(91.5%)등급 군집에서 높은 반면, 7∼10등급 군집에서 불균형적 결과가 나타났다.
그리고 ANN 활성화 함수에 따른 출력변수에 영향을 주는 바이어스 값도 양의 상수항 증가를 확인(0.27 ⇒ 1.37)하여 역전파 알고리즘을 적용한 모형 성능이 개선되었음을 검증했다.
그리고 노인복지 향유도(D)는 처인구 대다수 지역이 설명력이 높은 반면, 기흥구 신갈·구갈동 신도심지역은 설명력이 낮았다.
네트워크 출력과 실제 관측값 오차 최소화를 위해 은닉노드를 5개로 증가시켜 설정하고, 역전파 알고리즘을 적용하여 뉴런 가중치를 조정하였다(Figure 8). 모의학습 결과, 10,365 회로 훈련 횟수가 증가했으며, 오차총합은 순방향 단계(2.38)보다 감소하고(1.75), 0.63으로 비교적 높은 상관관계가 도출되었다. 또한 순방향 모의학습과 비교하여 5개 은닉노드로 향하는 바이어스 상수항이 양의 값을 갖고 있었다.
반면, 용인시 65세 이상 노인에게 노인복지시설 이용과정에서 주요 고려사항이 무엇인지 질의한 결과, 자택과의 거리가 가장 중요한 요소였으며, 지리적 거리 수용력 측면에서 도보기준 ‘15분’이 중요한 요소인 것을 확인하였다.
분석결과, SVM 모의학습 예측정확도는 83.2%로 나타났다. 군집별 정확도는 4(73.
산출결과, Moran’s I 계수는 15분 이내 거리수용력과 노인활동 인구의 자기상관성이 높은 것으로 나타났으며(Table 7), Getis-Ord G 값이 용인시 북서부에 위치한 수지·기흥구의 신도시 지역에서 공간적 자기상관성이 높게 표현되어 95% 신뢰구간에서 핫스팟이 발생하였다(Figure 11(A)·(D)).
순방향 단계 ANN 모의학습 결과, 4,632회 훈련단계를 진행하여 오차총합 E는 2.38, 0.531의 상관관계가 도출되었다. 그리고 바이어스 상수항(bias)이 부의 관계를 맺는 것으로 조사되었다(-1.
용인시 65세 이상 노인을 인터뷰한 결과, 도보기준 집에서 노인복지시설까지 거리가 15분 이내에 입지해야 실효성이 높다는 결론을 얻었다. 그래서 연구자료는 용인시 노인복지 지리적 거리를 15분으로 설정하여 벡터격자(500 m X 500 m) 공간단위로 분석에 활용된 모든 자료를 처리·융합하였다.
용인시 노인복지 취약지구를 탐색하기 위해 실제 용인시 상황을 직접 실험, 분석하여 결과를 도출하는 것이 가장 바람직하다. 그러나 경제적, 시간적, 효율적 측면에서 용인시 노인복지 관련 요인을 모형화하여 동적으로 변화시킴으로써 용인시 노인복지 상황을 탐색하여 취약지구를 도출하는 방법론을 정립하는 것이 본 연구의 목적이다.
용인시 노인이 밀집한 지역은 구도심이 위치한 처인구 중앙동, 신도시 수지구 풍덕천·상현동 등의 지역에 집중한 반면, 기존 공시지가가 높은 수지구 죽전, 기흥구 마북·신갈동 등에서는 노인활동이 비교적 낮은 지역임을 확인했다(Figure 4).
용인시 도심지역인 기흥·수지구의 노인인구에 대비한 노인여가복지 시설이 충분치 않아 노인복지 취약지구가 상당수 존재하는 것으로 밝혀졌다.
용인시 신도시인 죽전·보정·상현동 등의 공시지가가 원삼·백암면 등에 비해 높게 생성된 반면, 용인시 약 70%를 차지하는 처인구가 신도시에 비해 낮은 지가패턴이 형성되어 있는 것으로 확인되었다(Figure 3).
유클라디안 최단거리를 적용한 가중치 지도에서 수지·기훙구에 위치한 7∼10군집(좌측)이 SVM 모의학습 결과와 비교한 지도(중앙·우측)에서도 불일치 지역이 높은 것을 확인하였다(Figure 7).
이상의 인공지능 모의학습 결과, 공간적 자기상관성, 공간 이상치와 분포패턴에서 일관된 시사점을 발견하였다. 용인시 도심지역인 기흥·수지구의 노인인구에 대비한 노인여가복지 시설이 충분치 않아 노인복지 취약지구가 상당수 존재하는 것으로 밝혀졌다.
75, 10,365회)로 모형성능이 개선되고, 높은 상관성이 도출되었다. 이후 공간적 자기상관성 분석과정 중 지리적 가중회귀 분석결과가 설명력이 70.1%(조정된 결정계수 66%)으로 나타났다.
인공지능 모의학습과 동일한 2,587개의 500 m 공간단위 벡터격자를 통해 GWR 분석결과, 모형의 전반적 설명력(R2=0.701, 조정된 R2=0.660)이 조사되어 모형 설명력이 높게 나타났다. 또한, 모형부합도를 나타내는 Akaike's information criterion(AIC)도1194.
모의학습 결과는 Table 4, Figure 7과 같다. 전체 예측정확도는 83.2%로 높게 나타났다. 각 군집별 예측정확도는 4(73.
ANN 역전파 알고리즘에서는 4개 지표로 형성된 입력노드, 5개의 은닉노드에 각각 시냅스를 연결한 신경망을 제작하였다. 제작된 신경망을 통해 학습한 결과, 순방향에서 0.531 상관관계(오차 2.38, 4,632회), 역방향에서 0.63 상관관계(오차총합 1.75, 10,365회)로 모형성능이 개선되고, 높은 상관성이 도출되었다. 이후 공간적 자기상관성 분석과정 중 지리적 가중회귀 분석결과가 설명력이 70.
즉, 15분 최단거리 내의 노인복지 공공시설물이 신갈·구갈동 지역의 노인복지 생활밀착형 복시 서비스가 취약하다는 것을 확인할 수 있다.
인공지능 방법론 중 머신러닝은 SVM RBF 커널, 인공신경망은 역전파 알고리즘을 적용하여 R 프로그램을 활용하였다. 훈련에 사용된 입력자료는 2,587개 벡터격자 중 70%(1,811개), 30% 자료를 통해 실험과 동시에 유효성을 검증하였다. 그리고 인공지능 모의학습 과정에서 탐색하기 어려운 공간적 자기상관성을 검토하기 위해 지리적 가중회귀분석, Moran’s I 계수, GetisOrd G 계수를 산출하였다.
후속연구
반면, 농촌지역인 처인구는 노인복지 향유도가 우수하였으나 공시지가 등에서 Coldspot 발생하여 노인여가복지 시설 등의 건립이 필요하다. 본 연구 방법론은 최근 정부의 지역여건을 고려한 노인복지 불균형을 해결하는데 활용될 수 있을 것이다.
이와 같은 배경 하에 본 연구는 머신러닝, 인공신경망의 인공지능과 국토정보 분석을 통해 노인복지 취약지구를 객관적으로 추출하는 방법론을 정립하는데 목적을 두었다. 본 연구결과를 통한 노인복지 취약지구 추출 방법론이 정립된다면, 향후 지역특성에 따른 노인복지 불균형을 해결하는데 활용될 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
노인 생활밀착형 복지란?
노인인구의 삶의 질 향상을 위해 무엇보다 생활밀착형 복지가 중요하다(서수정 외, 2015). 노인 생활밀착형 복지는「노인복지법」에 따른 노인여가복지시설을 노인이 이용할 수 있는 지리적 거리 내에 위치해야 이용가능한 시설로 인식한다는 것을 의미한다.
노인인구의 삶의 질 향상을 위해 중요한 것은?
노인인구의 삶의 질 향상을 위해 무엇보다 생활밀착형 복지가 중요하다(서수정 외, 2015). 노인 생활밀착형 복지는「노인복지법」에 따른 노인여가복지시설을 노인이 이용할 수 있는 지리적 거리 내에 위치해야 이용가능한 시설로 인식한다는 것을 의미한다.
국정목표 중 하나로서 정부가 추진하는 국가균형발전을 추진하면서 전력목표로 설정한 것은?
최근 정부는 국정목표 중 하나로서 ‘고르게 발전하는 지역’을 선정하고, 혁신과제로 ‘자치분권과 균형발전’을 강조하고 있다. 또한 국가균형발전을 추진하면서 ‘지역주도 자립적 성장기반 마련’을 전략목표로 설정하였다. 현재 노인인구의 급속한 증가는 지역별 여건과 노인여가복지시설의 취약지구를 탐색하여 노인복지 불균형 문제를 해결하는 것이 지역주도 균형발전 및 자립성장의 사회적 현상과 밀접하게 연관되어 있음을 의미한다.
참고문헌 (26)
국가법령정보센터(Korean Law Information Center of Ministry of Government Legislation). 2017. 노인복지법(WELFARE OF OLDER PERSONS ACT)[http://www.law.go.kr]. Lasted accessed 1 May 2018.
Kim DH, Kang HG, Kim JK, Park J, Kang MK, Sung HJ, Kim EB, 2014. A Study on the Urban Policies Using Space Big Data. KRIHS. 2014-19.
Kim HY, Jun CM. 2012. Land price analysis using spatial syntax and geographically weighted regression, Journal of the Korean Geographical Society. 15(2). p. 35-45.
Kim, HS, Kwon OY, Lee, HJ. 2002. Comparison of Balance and Gait Between Fallers and Non-Fallers in Elderly. The Journal of Korean Society of Physical Therapy. 9(1). p. 3-15.
Nam, WS, Bong IS, Lee, JE. 2012. The Actual Conditions and Supporting Plan of Gyeonggi-do. Journal of the Policy Research. 2012-18. p. 1-129.
Seo SJ, Cha JY, Choi SA, Hyun TH, Park SY. 2015. Realization of the space welfare and improvement of the public building policy for improvement of national life. National Building Policy Committee.
서울 정책지도 갤러리(Gallery of seoul policy map). 2018. [http://map.seoul.go.kr]. Lasted accessed 1 May 2018.
Son HK, Park KH. 2008. Spatial statistical techniques for searching hotspots. Journal of Korean Geographical Society. 43(3): 392-411.
Ahn, KS. 2016. Comparison and Experiments of k-Nearest Neighbor and Support Vector Machine Classifier based on Machine Learning. Master Thesis. Dankook University. p. 17.
Lee JY. 2001. Land price analysis using spatial statistical analysis of GIS. Master Thesis. KyungHee University. p. 21-53.
Lee HY, Ahn EK. 2016. A Study on the Extraction Method of Poverty and Vulnerable Area by Using Land Information. Journal of Cadastre & Land Informatix. 46(2):5-25.
Im ES, Lee HS, Lee YJ, Jo JI. 2014. Introduction and utilization of spatial statistics convergence model in response to change in demand of national policy. National Policy Brief. 2014-469.
Won, SH, Lee CK, Park JM. 2017. Forecasting of Land Price Using Machine Learning Method. The Geographical Journal of Korea. 51(4): 347-355.
Jun JW, 2011. Comparing the performance of the least squares and penalized soft vector machines. Master Thesis. Dankook University. p. 21-25.
Jung, KH. 2017. Diagnosis and Future Development of the Elderly Welfare Policy. Health and Welfare Forum. p. 18-36.
Jung SH. 2003. A Study on the Selection of Standard Land for Public Land by Analyzing the Spatial Distribution of Land Characteristics and Land Price. Master Thesis. KyungHee University. p. 21-53.
Park. IS, Lee SH, Im TY, Song SH, Woo UJ. 2007. A Study on the Greenhouse Pleasure as a Performance Index of Residential Area: Focusing on the Development of Indicators Comprising Quantitative Performance & Approach Performance of Green Park. Journal of Seoul City Studies. 8(3):161-172.
Choi SJ, Jang IH, 2010. Elderly Welfare in Aging Society. Souel National Univ. Press.
통계청(Statistic Korea). 2016. 장래인구추계(Future Population Estimation): 2015-2065.
Anselin. 1995. Local Indicators of Spatial Autocorrelation. London: Pind Limited. p. 136-151.
Fotheringham A.S, Brundson, C, Charlton M.B. 2002. Geographically Weighted Regression: the Analysis of Spatially Varying Relationships, West Sussex, John Wiley and Sons Ltd.
Forrester J.W. 1961. Industrial Dynamic. Cambridge, MA, MIT Press.
Ord K, Snyder R, Beaumont A, 2010. Forecasting the Intermittent Demand for Slow-Moving Items, Monash Econometrics and Business Statistics Working Papers. 12(10), Department of Econometrics and Business Statistics.
Sharama R, Ghosh P.K. 2013. Decision tree approach for classification of remotely sensed satellite data using open source support. Jounal of Earth System Science. No.5 1242.
Tobler WR. 1970. Computer Movie Simulating Urban Growth in the Detroit Region. Economic geography. 46:234-240.
Karatzoglou K, Hidasi B, Quadrana M, Tikk D. 2016. Parallel Recurrent Neural Network Architectures for Feature: rich Session based Recommendations. Proceedings of the ACM Conference on Recommender Systems. ACM New York. p. 241-248.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.