[논문]기상 데이터를 활용한 가스사고위험 예보에 관한 연구

오정석

doi:10.7842/kigas.2018.22.5.107

기상 데이터를 활용한 가스사고위험 예보에 관한 연구
A Study on Forecasting Risk of Gas Accident using Weather Data 원문보기

한국가스학회지 = Journal of the Korean institute of gas, v.22 no.5, 2018년, pp.107 - 113

초록
AI-Helper

사고 데이터는 사고의 경각심을 보여주거나 유사사례를 검토 할 때 활용되기는 하나 사고 데이터 본질에 대한 분석이나 사고와 주변 환경요소와의 연관성에 대한 분석은 굉장히 미흡하다. 따라서 사고와 연관된 데이터와 함께 분석하는 기법을 개발하여 특정 지역에 대한 사고 가능성을 제시하는 것이 대단히 필요하다. 본 연구는 과거 기상정보 데이터와 사고 및 신고 데이터를 기반으로 지역별 사고 가능성을 산출하는 분석 모델 개발하고 시스템을 구현하는 것을 목적으로 한다. 한국의 다수 지역에 대해 기상과 사고간의 개연성을 토대로 선택적 사용자 환경변수가 적용된 k-NN 과 의사결정트리 알고리즘 모델이 생성되도록 시스템을 설계하고 개발한다. 향후, 본 연구에서 개발된 모델은 좀 더 협소한 지역의 위험도를 분석하고 산출하는데 사용할 계획이다.

Abstract ▼ AI-Helper

While accident data are used to show alertness to accidents or to review similar cases, the analysis of nature of accident data its association with surrounding environment is very insufficient. Therefore, it is very necessary to demonstrate the possibility of an accident for a particular region by developing analysis techniques with the related accident data. The purpose of this study is to develop an analysis model and implement a system that produces regional accident probability based on historical weather information data and accident and reporting data. In other words, the system is designed and developed to create models by k-NN and decision tree algorithms with optional user-environment variables based on the probability between weather and accidents about many particular region of Korea. In the future, the models developed in this study are intended to be used to analyze and calculate the risk of a more narrow area.

주제어

표/그림 (15)

그림 Fig. 1. AWS web page.
표 Table 1. A observation type of AWS
표 Table 2. A observation type of AWS
표 Table 3. Mapping between local headquarter and AWS
표 Table 4. Attribute of accident data
표 Table 5. Derived & add attribute
그림 Fig. 2. Data flow for forecasting gas accident.
그림 Fig. 3. Example about distance among data.
그림 Fig. 4. Pattern and rules for decision tree.
그림 Fig. 5. Class design for decision tree.
그림 Fig. 6. The main interface.
그림 Fig. 7. User attributes interface.
그림 Fig. 8. k-NN model results.
그림 Fig. 9. Environmental variables.
그림 Fig. 10. Decision tree results.

AI 본문요약
AI-Helper

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

문제 정의

데이터의 클래스는 선별된 k 개의 이웃 집합에서 다수 비율(majority distribution)을 가지는 클래스로 결정된다. 본 연구는 k 인자의 변경에 따른 진동을 감소시키기 위해 초기 클래스 소속 정도를 계산할 때 k 개의 이웃 집합 사의의 관계를 고려하지 않고 시험데이터와 각 클래스 집합의 중심점 사이가 얼마나 밀접한지를 고려한다. 이웃 집합의 개수가 3이라고 가정하면, 퍼지 3-NN 방식은 y1을 고려할 때 이웃 집합 y1, y2, y3만을 고려하여 분포를 내거나 가중치를 부여해 초기 소속 정도를 구한다.
본 연구는 과거 기상정보 데이터와 사고 및 신고데이터를 기반으로 지역별 사고 가능성을 산출하는 분석 모델 개발하고 시스템을 구현하는 것을 목적으로 한다. 이를 위해 과거기상정보, 사고정보, 사건 신고 정보를 바탕으로 가스사고 예측 데이터베이스를 구축하며, 가스사고 예측 모델은 k-NN(nearest neighbor)과 의사결정트리(decision tree) 알고리즘을 본 도메인에 맞게 개선하여 적용한다.

제안 방법

다시 말해, 한국의 23개 지역에 대해 기상과 사고간의 개연성을 토대로 k-NN 또는 의사결정트리 알고리즘과 사용자 환경 변수와 사용자에 의해 다각적 모델이 생성되도록 시스템을 설계하고 개발한다. 향후, 본 연구에서 개발된 모델은 좀 더 협소한 지역의 위험도를 분석하고 산출하는데 사용할 계획이다.
이러한 후보모델 생성을 위한 샘플 데이터선택 및 환경변수 선택은 특정기간을 선택하여 샘플링 데이터를 생성할 수 있으며, 사용자 선택에 따라 모델을 구축할 수 있도록 총 11개의 사용속성 중 원하는 속성을 선택하여 반영할 수 있다. 또, 환경변수를 설정하기 위하여 가능성을 추정하기 위해 고려할 학습데이터개수인 최근접 이웃개수를 선택하고 샘플링 데이터에서 예측모델을 평가하기 위한 신규입력 데이터를 임의로 선택할 때 사용할 난수함수(random function)의 변수를 설정하여준다.
또한 구축된 데이터베이스와 모델을 바탕으로 웹 기반 가스사고 예측 데이터베이스를 구현하였다. 본 시스템은 사용자 선택에 의해 생성된 모델을 바탕으로 K-weather에서 안전공사에 하루에 4번 제공되는 현 기상정보를 적용하여 23개 지역별 위험도를 제공한다.
이를 위해 과거기상정보, 사고정보, 사건 신고 정보를 바탕으로 가스사고 예측 데이터베이스를 구축하며, 가스사고 예측 모델은 k-NN(nearest neighbor)과 의사결정트리(decision tree) 알고리즘을 본 도메인에 맞게 개선하여 적용한다. 또한 구축된 데이터베이스와 모델을 바탕으로 웹 기반 가스사고 예측 데이터베이스를 구현한다. 본 시스템은 사용자 선택에 의해 생성된 모델을 바탕으로 K-weather에서 안전공사에 하루에 4번 제공되는 현 기상정보를 적용하여 지역별 위험도를 제공한다.
본 시스템은 사용자 선택에 의해 생성된 모델을 바탕으로 K-weather에서 안전공사에 하루에 4번 제공되는 현 기상정보를 적용하여 23개 지역별 위험도를 제공한다.
또한 구축된 데이터베이스와 모델을 바탕으로 웹 기반 가스사고 예측 데이터베이스를 구현한다. 본 시스템은 사용자 선택에 의해 생성된 모델을 바탕으로 K-weather에서 안전공사에 하루에 4번 제공되는 현 기상정보를 적용하여 지역별 위험도를 제공한다.
과거기상정보는 기상청 AWS에서 약 9년간 정보를 수집하여 가스안전공사 지역본부․지사 위치를 중심으로 AWS 코드를 연관 관계를 정의하여 테이블로 형성되었다. 사고․사건 정보 역시 한국가스안전공사에 9년간 기록된 정보를 바탕으로 수집하였으며 기본속성 외에 시간에 대해 구체화된 파생속성과 기상과 연계된 추가속성을 정의하여 테이블을 구성하였다.
의사결정트리를 이용한 가스사고 가능성 예측 모델링도 24개의 본부/지사 중 한곳을 선택하여 선택된 본부/지사에서 생성시킨 모델항목별 모델에 대한 정보를 추가하고 가스사고 가능성 모니터링에 적용할 모델을 선택한다.
본 연구는 과거 기상정보 데이터와 사고 및 신고데이터를 기반으로 지역별 사고 가능성을 산출하는 분석 모델 개발하고 시스템을 구현하는 것을 목적으로 한다. 이를 위해 과거기상정보, 사고정보, 사건 신고 정보를 바탕으로 가스사고 예측 데이터베이스를 구축하며, 가스사고 예측 모델은 k-NN(nearest neighbor)과 의사결정트리(decision tree) 알고리즘을 본 도메인에 맞게 개선하여 적용한다. 또한 구축된 데이터베이스와 모델을 바탕으로 웹 기반 가스사고 예측 데이터베이스를 구현한다.
본 연구는 과거 기상정보 데이터와 사고 및 신고데이터를 기반으로 지역별 사고 가능성을 산출하는 분석 모델 개발하고 시스템을 구현하는 것을 목적으로 한다. 이를 위해 과거기상정보, 사고정보, 사건 신고 정보를 바탕으로 가스사고 예측 데이터베이스를 구축하였다. 과거기상정보는 기상청 AWS에서 약 9년간 정보를 수집하여 가스안전공사 지역본부․지사 위치를 중심으로 AWS 코드를 연관 관계를 정의하여 테이블로 형성되었다.
이웃 집합의 개수가 3이라고 가정하면, 퍼지 3-NN 방식은 y1을 고려할 때 이웃 집합 y1, y2, y3만을 고려하여 분포를 내거나 가중치를 부여해 초기 소속 정도를 구한다. 제안된 방식은 y1을 고려할 때 x와 클래스 1의 중심점 및 클래스 2의 중심점이 얼마나 밀접한가를 계산하여 초기 소속 정도를 구한다. y2와 y3도 동일한 방식으로 계산된다.

대상 데이터

k-NN 기법을 이용한 가스사고 가능성 예측 모델링은 24개의 본부/지사 중 한곳을 선택하여 선택된 본부/지사에서 생성시킨 모델항목별 모델에 대한 정보를 추가하고 가스사고 가능성 모니터링에 적용할 모델을 선택한다. 선택한 모델로 가스사고 가능성 모니터링에 적용시키면 신규 입력 데이터에 대하여 결과가 나타난다.
과거 기상정보는 AWS(Auto Weather Station, 자동기상관측소)에서 약 9년간 4,730,000개의 과거기상정보를 수집하였다. AWS는 모든 관측이 자동센서에 의하여 실측되는 관측소를 말한다.
이를 위해 과거기상정보, 사고정보, 사건 신고 정보를 바탕으로 가스사고 예측 데이터베이스를 구축하였다. 과거기상정보는 기상청 AWS에서 약 9년간 정보를 수집하여 가스안전공사 지역본부․지사 위치를 중심으로 AWS 코드를 연관 관계를 정의하여 테이블로 형성되었다. 사고․사건 정보 역시 한국가스안전공사에 9년간 기록된 정보를 바탕으로 수집하였으며 기본속성 외에 시간에 대해 구체화된 파생속성과 기상과 연계된 추가속성을 정의하여 테이블을 구성하였다.
관측정보는 Fig.1의 AWS 웹 페이지에서 지상관측자료를 수집해서 정제하였다.
사고데이터는 한국가스안전공사에 9년간 기록된 데이터를 토대로 총 7개의 속성을 지닌 데이터로 1,362건을 수집․정제하였고 신고데이터도 9년간 기록된 데이터를 토대로 10개의 속성을 지닌 데이터로 9,482건을 수집․정제하였고 Table 4에서 보인다.

이론/모형

가스사고 예측 모델은 k-NN과 의사결정트리 알고리즘을 적용하였다. k-NN 알고리즘은 클래스의 소속정도를 개선하는 기법을 적용하였고, 의사결정트리는 분기를 결정하는 확신도 수식을 적용하여 예측 정확도 향상에 기여하였다.
가스사고 예측 모델은 k-NN과 의사결정트리 알고리즘을 적용하였다. k-NN 알고리즘은 클래스의 소속정도를 개선하는 기법을 적용하였고, 의사결정트리는 분기를 결정하는 확신도 수식을 적용하여 예측 정확도 향상에 기여하였다.
4(c)와 같이 각각 IF~THEN~ 형식의 생성규칙(production rules)들로 표현할 수 있다. 본 연구에서는 각 단말노드를 규칙으로 표현할 때 규칙의 신뢰성을 나타내는 수식 (4)의 확신도(Certainty factor, CF) 식을 통해 계산한다.

성능/효과

제시된 각각의 알고리즘은 객체지향 언어의 구현단위인 클래스로 모듈화되어 확장성과 이식성을 향상시켰다. Fig.

후속연구

다시 말해, 한국의 23개 지역에 대해 기상과 사고간의 개연성을 토대로 k-NN 또는 의사결정트리 알고리즘과 사용자 환경 변수와 사용자에 의해 다각적 모델이 생성되도록 시스템을 설계하고 개발한다. 향후, 본 연구에서 개발된 모델은 좀 더 협소한 지역의 위험도를 분석하고 산출하는데 사용할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사고 데이터는 어떻게 활용되는가?	가스사고 발생 시 사고 데이터는 한국가스안전공사에서 조사 및 검토를 통해 매번 기록되고 있다. 한 번 기록된 사고 데이터는 사고의 경각심을 보여주거나 유사사례를 검토 할 때 활용되기는 하나 사고 데이터 본질에 대한 분석이나 사고와 주변 환경요소와의 연관성에 대한 분석은 굉장히 미흡하다[1]. 따라서 기상정보 등 사고와 연관된 데이터와 같이 분석하여 사고 예측하는 기법 및 모델이 구축되어 특정 지역에 대한 사고 가능성을 제시하는 것이 대단히 필요하다[2,3].
	가스사고 예측 모델 구축을위해 적용한 것은?	가스사고 예측 모델은 k-NN과 의사결정트리 알고리즘을 적용하였다. k-NN 알고리즘은 클래스의 소속정도를 개선하는 기법을 적용하였고, 의사결정트리는 분기를 결정하는 확신도 수식을 적용하여 예측 정확도 향상에 기여하였다.
	가스사고 예측 데이터베이스는 무엇을 기반으로 구축되는가?	본 연구는 과거 기상정보 데이터와 사고 및 신고데이터를 기반으로 지역별 사고 가능성을 산출하는 분석 모델 개발하고 시스템을 구현하는 것을 목적으로 한다. 이를 위해 과거기상정보, 사고정보, 사건 신고 정보를 바탕으로 가스사고 예측 데이터베이스를 구축하며, 가스사고 예측 모델은 k-NN(nearest neighbor)과 의사결정트리(decision tree) 알고리즘을 본 도메인에 맞게 개선하여 적용한다. 또한 구축된 데이터베이스와 모델을 바탕으로 웹 기반 가스사고 예측 데이터베이스를 구현한다.

참고문헌 (8)

Daniel, A., and Louvar, J. F., Chemical Risk Analysis: Fundamentals with Application, Prientice Hall, (1990)
Oh, J, S, Sung, J. G., and Kwon, J. R., "A Study on Autonomic Decision Method for Smart Gas Environment in Korea", Advances in Intelligent and Soft Computing, 72, 1-9, (2010)
Oh, J, S, Bang, H. J., and Ko, H., "An Empirical Study on Smart Safety Management Architecture for Gas Facilities in Korea", INFORMATION-An International Interdisciplinary Journal, 15(3), 1107-1122, (2012)
Cover, T. M., and Hart, P. E., "Nearest Neighbor Pattern Classification", IEEE Transactions on Information Theory, 13(1), 21-27, (1967)

상세보기
Han, J. H., and Kim, Y. K., "A Fuzzy k-NN Algorithm using Weights from the Variance of Membership Values", IEEE CVPR Conference, 394-399, (1999)
Han, J. H., and Kamber, M., Data Mining Concepts and Techniques, Morgan Kaufumann Publishers, (2001)
Henrique, V. S., Celso K. M., Ivan, R. G., Tiago, C. F., and Jose R. P., "Leak Detection in Petroleum Pipelines using a Fuzzy System", Journal of Petroleum Science and Engineering, 49(3-4), 223-238, (2005)
Department of weather industry policy, According to an analysis of the characteristics of the discomfort index over the last 10 years, Daegwanyeong is the most peasant area in the country, Press release of Korea Meterological Adminstration, (2011)

저자의 다른 논문 :

LOADING...

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