[논문]데이터 마이닝 기법을 활용한 항공기 사고 및 준사고로 인한 사망 발생 요인 및 패턴 분석

김정훈; 김태운; 유동희

doi:10.14400/jdc.2019.17.9.079

데이터 마이닝 기법을 활용한 항공기 사고 및 준사고로 인한 사망 발생 요인 및 패턴 분석
Analysis of the Factors and Patterns Associated with Death in Aircraft Accidents and Incidents Using Data Mining Techniques 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.9, 2019년, pp.79 - 88

김정훈 (한국항공우주산업 개발본부) , 김태운 (경상대학교 경영정보학과) , 유동희 (경상대학교 경영정보학과)

초록
AI-Helper

본 연구에서는 데이터 마이닝 기법을 활용하여 항공기 사고와 준사고로 인한 사망 발생 요인들과 패턴들을 분석하고자 한다. 이를 위해, 항공기 사고와 준사고 데이터를 보유하고 있는 미국연방교통안전위원회(NTSB)와 미국연방항공청(FAA)의 데이터를 사용하였다. 다음으로 의사결정나무 알고리즘을 사용하여 항공기 사고 및 준사고에 따른 사망여부 예측모형들을 구축하였고 이를 토대로 사망 발생에 영향을 주는 주요 요인들과 패턴들을 도출하였다. NTSB 데이터의 경우 항공기가 완파되거나 고기동 또는 고위험 임무를 수행할 때 주로 사망이 발생하는 것을 알 수 있었다. FAA 데이터의 경우 항공기가 일부 파괴된 경우 조종사의 숙련도가 저조하거나 미인가 조종사의 경우 사망이 발생하였으며, 고공낙하점프와 지상운용단계에서 발생되는 다양한 사망관련 패턴들도 발견되었다. 또한 도출된 패턴들을 활용하여 사망 사고 예방을 위한 실용적인 방안들을 제시한 점에서 연구의 의의를 찾을 수 있다.

Abstract ▼ AI-Helper

This study analyzes the influential factors and patterns associated with death from aircraft accidents and incidents using data mining techniques. To this end, we used two datasets for aircraft accidents and incidents, one from the National Transportation Safety Board (NTSB) and the other from the Federal Aviation Administration (FAA). We developed our prediction models using the decision tree classifier to predict death from aircraft accidents or aircraft incidents and thereby derive the main cause factors and patterns that can cause death based on these prediction models. In the NTSB data, deaths occurred frequently when the aircraft was destroyed or people were performing dangerous missions or maneuver. In the FAA data, deaths were mainly caused by pilots who were less skilled or less qualified when their aircraft were partially destroyed. Several death-related patterns were also found for parachute jumping and aircraft ascending and descending phases. Using the derived patterns, we proposed helpful strategies to prevent death from the aircraft accidents or incidents.

주제어

표/그림 (8)

그림 Fig. 1. Research Framework
표 Table 1. Description of data sets
표 Table 2. Initial variables from NTSB
표 Table 3. Accuracy of Prediction Models in NTSB
표 Table 4. Initial variables from FAA
표 Table. 5 Accuracy of Prediction Models in FAA
그림 Fig. 2. Decision Tree of NTSB
그림 Fig. 3. Decision Tree of FAA

AI 본문요약
AI-Helper

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

문제 정의

Table 5를 통해 가장 높은 정확도인 97.1805%를 보인 예측모형은 표본 1에서 5개의 변수로 예측모형을 구축하였을 때임을 알 수 있으며, 본 연구에서는 이 해당 예측모형을 바탕으로 FAA 데이터에 대한 사망관련 주요 패턴들을 도출하고자 한다. 전반적으로 Table 5에 나타난 FAA 데이터의 예측 정확도는 Table 3에 나타난 NTSB 데이터의 예측 정확도보다 약 10% 이상 높은 수치를 보여주고 있다.
이에 본 연구에서는 데이터의 다양성 및 접근성이 보장되는 NTSB와 FAA에서 공개하고 있는 약 100,000 여건의 항공기 사고 데이터를 활용하고자 한다. 또한 데이터마이닝 기법을 적용하여 항공기 사고 및 준사고 때 발생하는 사망 사고에 관한 예측모형을 개발하고, 각 사고의 주요 요인들과 사고 패턴을 분석하는 연구를 진행하고자 하며, 이를 통해 향후 항공기 사고 예방을 위한 실용적인 방안들을 제시함으로써 기존 연구와의 차별성을 가지고자 한다. 향후 본 연구를 통해 국내 항공기 사고와 관련된 여러 연구들에서 데이터 마이닝 기술을 활용한 분석이 활성화되기를 기대해 본다.
본 연구에서는 NTSB 데이터와 FAA 데이터를 대상으로 항공기 사고와 준사고로 인한 사망 요인들과 패턴들을 분석하는 연구를 실시하였다. 두 기관 모두 미국 정부의 항공관련 기관임에 따라 항공기 사고 분류와 사고 관련 제반 기준들은 동일하다고 볼 수 있다.
0817%를 보여준 예측모형은 표본 3에서 14개의 변수로 예측모형을 구축하였을 때이다. 본 연구에서는 해당 예측모형을 통해 사망관련 주요 패턴들을 도출하고자 한다.
본 절에서는 NTSB 데이터에서 언더샘플링한 표본들 중 가장 좋은 성능을 보여준 표본 3의 의사결정나무를 활용하여 항공기 사고 및 준사고 때 발생되는 사망여부에 대한 주요 패턴들을 도출하고 사망 사고 예방을 위한 방안들을 제시하고자 한다.
그러나 주로 항공기 사고 데이터에 통계분석을 한 연구가 대부분이며, 항공기 사고 데이터의 접근 제한성 및 국내에서 수집 가능한 항공기 사고 데이터의 한계로 인하여 관련 연구가 활발하게 이루어지고 있지 않다. 이에 본 연구에서는 데이터의 다양성 및 접근성이 보장되는 NTSB와 FAA에서 공개하고 있는 약 100,000 여건의 항공기 사고 데이터를 활용하고자 한다. 또한 데이터마이닝 기법을 적용하여 항공기 사고 및 준사고 때 발생하는 사망 사고에 관한 예측모형을 개발하고, 각 사고의 주요 요인들과 사고 패턴을 분석하는 연구를 진행하고자 하며, 이를 통해 향후 항공기 사고 예방을 위한 실용적인 방안들을 제시함으로써 기존 연구와의 차별성을 가지고자 한다.
지난 30년 동안 항공기 사고의 발생률은 감소하고 있지만 사망률은 크게 감소하지 않기 때문에 본 연구에서는 사망 사고에 대한 요인 분석에 초점을 두고 연구를 진행하고자 한다.

제안 방법

NTSB 데이터로부터 언더샘플링을 실시하여 5개의 표본을 추출하여 클래스의 비율을 맞추는 작업을 진행하였다. 그 결과 표본별 20,524건(사망 발생: 10,262건, 사망 미발생: 10,262건)으로 이루어진 데이터 셋을 최종 분석 데이터 셋으로 결정하였다.
각 표본별로 역방향 제거기법을 사용하여 매회 중요도가 낮은 변수를 제거하면서 남은 변수들로 예측모형을 개발하였고, Table 5와 같이 각 예측모형들의 정확도를 요약하였다.
각 표본별로 역방향 제거기법을 적용하여 매회 중요도가 낮은 변수를 제거하면서 남은 변수들로 예측모형을 개발하였고, 각 예측모형들의 정확도를 요약하면 Table 3과 같다.
노태우와 박재찬[6]은 항공사의 안전과 경쟁력 간의 관계에 관한 탐색적 연구를 실시하기 위해 국내 항공기 사례를 대상으로 사고 요인, 사고 예방 및 후속 조치에 대한 분석을 진행하였다. 그 후, 분석 결과를 토대로 국적 항공사의 제도적 측면과 조직 문화적 측면에서 필요한 안전 개선 전략들을 제시하였다.
다음으로, NTSB 데이터와 FAA 데이터를 통해 구축된 의사결정나무 기반 예측모형들의 특성과 각 모형에서 도출한 항공기 사고 및 준사고로 인한 주요 사망 요인들과 패턴들을 비교하였다.
일반적으로 전처리 단계에서는 정보를 정제하는 과정이 포함되는데[16], 본 연구에서는 전처리 과정에서 목표 변수를 변환하고 독립 변수를 제거하는 작업을 진행하였다. 먼저 수집된 NTSB 데이터와 FAA 데이터 중에서 항공기 사망과 관련된 변수를 목표 변수(target variable)로 선정하였다. NTSB에서는 부상 심각도(Injury Severity) 변수를 FAA에서는 총사망률(Total Fatalities) 변수를 목표 변수로 선택하였다.
본 연구에서 선택한 목표 변수들의 경우 사망 발생보다는 사망 미발생으로 분포가 편향되어 있어서 사망 미발생 클래스를 기준으로 사망 발생 클래스를 언더샘플링(undersampling)하여 클래스의 비율을 맞추는 작업을 진행하였다.
본 연구에서는 NTSB 데이터와 FAA 데이터모두를 대상으로 데이터 마이닝 기법을 적용하여 항공기의 사고 및 준사고 때 발생되는 사망여부를 예측하는 모형들을 구축한 점, 구축된 예측모형을 통하여 사망에 영향을 주는 주요 요인들과 패턴들을 도출한 점, 그리고 패턴 분석을 통해 항공기 사망 사고 예방을 위한 방안들을 제시한 점에서 기존 연구와의 차별성과 학문적 시사점을 찾을 수 있다.
이와 같이 독립 변수 후보들 중 목표 변수 예측에 기여하는 변수들을 선정하는 작업을 변수 선택이라 한다. 본 연구에서는 이득비(gain ratio)를 이용하여 변수들의 중요도를 계산하였으며, 래퍼(wrapper)방식 중 하나인 역방향 제거 기법을 사용하여 예측모형에 포함된 독립 변수를 선택하였다.
일반적으로 항공기 탑승 인원이 많을수록 사망 발생 인원이 많아진다. 본 연구에서는 이와 같은 특성을 분석에서 제거하기 위해 목표 변수의 값을 사망 발생여부인 이진변수로 변환하여 사용하였다.
그 결과 표본별 20,524건(사망 발생: 10,262건, 사망 미발생: 10,262건)으로 이루어진 데이터 셋을 최종 분석 데이터 셋으로 결정하였다. 본 연구에서는 추출된 표본들을 66%의 학습데이터와 34%의 검증데이터 비율로 분할하여 실험을 진행하였다.
데이터 마이닝 분석의 경우 수집된 데이터의 특성이 분석 결과에 많은 영향을 주게 된다. 본 연구에서는 항공기 사고와 관련하여 각 기관에서 제공되는 정형 데이터만을 활용하여 분석을 진행하였다. 현재 각 국의 감항당국은 항공기 사고에 관한 많은 양의 사고분석 보고서를 텍스트 형태로 보유하고 있으며 그 일부를 공유하고 있다.
1과 같이 연구 프레임워크를 구성하여 연구를 진행하였다. 연구 프레임워크는 데이터 수집, 전처리, 데이터 균형화, 변수 선택, 예측모형 구축, 데이터 분석 및 결과 도출 단계로 구성된다.
3은 FAA 데이터에서 가장 높은 성능을 나타낸 표본 1의 의사결정나무를 보여주고 있다. 의사결정나무를 통해 항공기 준사고 때 발생되는 6개의 사망 패턴과 9개의 비사망 패턴을 도출하였으며 주요 내용은 다음과 같다.
채정기[7]는 항공기 장애와 관련된 데이터를 대상으로 텍스트 마이닝 분석을 실시하였다. 이를 통해 항공기 장애와 관련된 토픽들과 주요 용어들을 도출하였고 용어들 간의 관계를 통해 항공 사고의 장애요인에 대한 잠재 원인들을 파악하였다.
일반적으로 전처리 단계에서는 정보를 정제하는 과정이 포함되는데[16], 본 연구에서는 전처리 과정에서 목표 변수를 변환하고 독립 변수를 제거하는 작업을 진행하였다. 먼저 수집된 NTSB 데이터와 FAA 데이터 중에서 항공기 사망과 관련된 변수를 목표 변수(target variable)로 선정하였다.

대상 데이터

NTSB 데이터 분석과 동일하게 FAA 데이터에서도 언더샘플링을 실시하여 5개의 표본을 추출하였고 표본별 1,566건(사망 발생: 783건, 사망 미발생: 783건)으로 균형화한 데이터 셋을 최종 분석 데이터 셋으로 사용하였다. FAA 데이터의 경우 준사고 데이터만을 포함하고 있기 때문에 사고와 준사고를 모두 포함하고 있는 NTSB 데이터 보다는 사망 발생 건수가 적음을 알 수 있다.
NTSB 데이터로부터 언더샘플링을 실시하여 5개의 표본을 추출하여 클래스의 비율을 맞추는 작업을 진행하였다. 그 결과 표본별 20,524건(사망 발생: 10,262건, 사망 미발생: 10,262건)으로 이루어진 데이터 셋을 최종 분석 데이터 셋으로 결정하였다. 본 연구에서는 추출된 표본들을 66%의 학습데이터와 34%의 검증데이터 비율로 분할하여 실험을 진행하였다.
본 연구에서는 앞서 언급한 여러 항공기 사고 데이터 중 상대적으로 많은 사고 사례를 보유하고 있고, 일반인의 데이터 접근이 용이하며, 정형화된 형태로 분석 데이터를 제공하는 NTSB의 항공기 사고 및 준사고 데이터[14]와 FAA의 항공기 준사고 데이터[15]를 활용하였다.
본 연구에서도 국제민간항공기구에서 제시한 항공기 사고와 항공기 준사고 정의에 따라 NTSB 데이터와 FAA 데이터를 분석하였다.
이를 위해, NTSB에서는 1982년부터 2014년까지 총 31개 변수로 구성된 79,025건의 항공기 사고 및 준사고 데이터를 수집하였고, FAA에서는 1978년부터 2016년까지 총 27개의 변수로 구성된 100,000건의 항공기 준사고 데이터를 수집하였다. 수집된 데이터에 대한 내용은 Table 1과 같다.
현재 국가별로 다양한 항공 안전정보 관리 시스템을 운영하여 항공기 사고에 관한 데이터를 수집 및 분석하고 있다. 국내의 경우 국토교통부에서 운영하는 통합항공안전정보시스템이 있으며, 국외의 경우 국제민간항공기구의 ADREP(Accident, Incident Data Reporting), FAA의 ASIAS(Aviation Safety Information Analysis& Sharing), NTSB의 항공기 사고 데이터베이스, 미국 항공우주국의 ASRS(Aviation Safety Reporting System), 그리고 유럽의 ECCAIRS(European Coordination Centre for Aviation Incidents Reporting System) 등이 여기에 해당된다.

이론/모형

8을 이용하였다. 또한 예측모형을 구축할 때 사용될 수 있는 여러 알고리즘들 중에서 의사결정나무(decision tree)를 활용하였다. 그 이유로는 최근 인공지능 분야에서 많이 사용되는 인공신경망의 경우 결과를 해석부분이 블랙박스 형태로 나타나기 때문에 규칙 간의 관계를 파악하기가 어렵지만, 의사결정나무의 경우 분류 규칙들이 이해하기 쉬운 형태로 만들어지고 규칙을 활용한 결과 해석 또한 용이하기 때문이다[17-19].
본 연구에서는 항공기 사고 및 준사고 때 발생되는 사망여부에 관한 예측모형을 구축하기 위해 데이터 마이닝툴인 웨카(Weka) 버전 3.8을 이용하였다. 또한 예측모형을 구축할 때 사용될 수 있는 여러 알고리즘들 중에서 의사결정나무(decision tree)를 활용하였다.

성능/효과

변수 선택과정을 통해 독립 변수들의 중요도를 계산한 결과 NTSB 데이터와 유사하게 항공기의 파괴정도(Aircraft Damage)와 비행단계(Flight Phase)가 목표 변수에 영향을 크게 미치는 독립 변수로 분석되었다. NTSB 데이터에 없는 중요 변수로는 항공기의 운항목적(Flight Conduct Code)과 조종사의 능력을 나타내는 조종사 인가여부(PIC Certificate Type), 조종사 총 비행시간(PIC Flight Time Total Hrs), 조종사 해당 기종 비행시간(PIC Flight Time Total Make Model) 변수가 분석되었다.
김원규 외[5]는 1991년부터 2010년까지 20년간 군에서 발생한 항공기 사고 사례를 ECCAIRS를 이용하여 분석하였고, 군사 영역에서 ECCAIRS 프로그램의 활용 가능성을 확인하고자 하였다. 그 결과 ECCAIRS의 사고분류체계를 군 목적에 맞게 일부 조정할 경우 ECCAIRS가군 항공기 사고분석에 활용될 수 있음을 언급하였다.
홍승범 외[4]는 유럽에서 개발되고 2010년부터 한국에 도입된 항공사고 데이터 입력 시스템인 ECCAIRS(European Coordination Centre For Aviation Incidents Reporting System)에 입력된 392건의 국내 항공사고 데이터를 활용하여 항공기 유형별, 월별, 비행단계별 및 분류체계별 사고 발생률을 분석하였다. 그 결과 하절기에 항공기 사고가 집중되었으며, 비행기가 순항비행(cruise)을 하거나 착륙(landing)할 때 사고의 발생 빈도가 높았다.
FAA의 경우도 항공기 완파가 사망을 유발하는 주요 패턴으로 식별되었으나 전체 사고와 비교했을 때 그 건수가 미비하였다. 대신 항공기가 일부 파괴된 경우 조종사의 숙련도가 저조하거나 미인가 조종사의 경우 사망이 자주 발생하였으며, 준사고 데이터에서 가장 많은 사망 사례를 기록한 고공낙하점프와 지상운용단계에서 발생되는 여러 사망 사고와 관련된 패턴들을 발견할 수 있었다.
둘째, 각 기관에서 제공하는 항공 사고 데이터의 양은 NTSB에서는 약 79,000건, FAA에서는 약 100,000건 정도로 비슷한 수준이었으나, 언더샘플링 후 분석에 활용된 데이터의 경우 NTSB에서는 20,524건, FAA에서는 1,566건으로 데이터의 양에 있어서 크게 차이를 보였다.
둘째, 항공기 사망에 영향을 주는 요인들 중 공통 요인으로는 항공기 파괴여부와 비행특성이 식별되었으며, 차별 요인으로는 NTSB 데이터의 경우 날씨 관련 요인, FAA의 경우 조종사의 능력과 관련 요인들이 확인되었다.
Table 4는 FAA 데이터에서 선정된 11개의 초기 독립 변수와 목표 변수를 보여준다. 변수 선택과정을 통해 독립 변수들의 중요도를 계산한 결과 NTSB 데이터와 유사하게 항공기의 파괴정도(Aircraft Damage)와 비행단계(Flight Phase)가 목표 변수에 영향을 크게 미치는 독립 변수로 분석되었다. NTSB 데이터에 없는 중요 변수로는 항공기의 운항목적(Flight Conduct Code)과 조종사의 능력을 나타내는 조종사 인가여부(PIC Certificate Type), 조종사 총 비행시간(PIC Flight Time Total Hrs), 조종사 해당 기종 비행시간(PIC Flight Time Total Make Model) 변수가 분석되었다.
Table 2는 전처리 과정 이후 NTSB 데이터에서 선정된 16개의 초기 독립 변수와 목표 변수를 보여준다. 변수선택 과정을 통해 항공기의 파괴정도(Aircraft Damage), 운항 날씨(Weather Condition), 비행단계(Broad Phase of Flight), 엔진수량(Number of Engines), 항공사고 조사 분류 (Investigation Type) 등의 순으로 목표 변수 예측에 많이 기여를 하는 변수들로 분석되었다.
Nazeri 외[10]는 데이터 마이닝 기법을 적용하여 각기관의 항공기 사고와 준사고를 유발하는 주요 요인과 그 차이점에 대해서 분석하였다. 분석결과 항공기 요인(engine, flight control, landing gear)들이 주로 준사고를 유발하였으며, 그 외, 사고와 관련된 항공 운항, 조종사, 회사관련 요인들도 발견하였다.
셋째, 각 기관에서 제공된 데이터 모두 항공기 파괴여부, 비행정보, 사고항공기, 제조사, 엔진정보, 사망여부 등과 같은 공통속성을 보유하고 있음과 동시에, 각 기관에서만 제공하는 고유의 속성들도 존재하였다. NTSB 데이터의 경우 항공기 종류와 날씨 정보가 포함되어 있었으며, FAA 데이터에서는 조종사의 능력과 관련된 변수들을 보유하고 있었다.
셋째, 최종 예측모형을 통한 도출된 패턴을 비교해 보면, NTSB의 경우 항공기의 완파, 고기동 상태에서 위험 임무 수행, 순항비행 상태에서의 악천후 날씨가 사망을 유발하는 주요 패턴으로 분석되었다. FAA의 경우도 항공기 완파가 사망을 유발하는 주요 패턴으로 식별되었으나 전체 사고와 비교했을 때 그 건수가 미비하였다.
첫째, 최고 정확도를 기록한 예측모형에 있어서 NTSB 데이터에서는 85.08%, FAA 데이터에서는 97.18%를 기록하여 FAA 데이터를 활용한 예측모형이 상대적으로 높은 정확도를 보여주었다. FAA 데이터의 경우 항공기 준사고만을 다루고 있기 때문에 그 특성이 반영된 결과로 해석된다.

후속연구

현재 각 국의 감항당국은 항공기 사고에 관한 많은 양의 사고분석 보고서를 텍스트 형태로 보유하고 있으며 그 일부를 공유하고 있다. 따라서 예측모형을 구축할 때 해당 보고서에 텍스트 형태로 명시되어 있는 비정형 데이터들을 활용하는 연구를 추가로 진행한다면 보다 다양한 연구 결과들이 도출될 것을 기대해 볼 수 있다. 또한 FAA 데이터에서 나타난 항공기 준사고의 경우 적은 수의 사망 사고가 특정 요인들에 편중되어 발생하였기 때문에 준사고로부터 다양한 사망관련 패턴을 도출하지 못한 점은 본 연구의 한계점으로 인식된다.
따라서 예측모형을 구축할 때 해당 보고서에 텍스트 형태로 명시되어 있는 비정형 데이터들을 활용하는 연구를 추가로 진행한다면 보다 다양한 연구 결과들이 도출될 것을 기대해 볼 수 있다. 또한 FAA 데이터에서 나타난 항공기 준사고의 경우 적은 수의 사망 사고가 특정 요인들에 편중되어 발생하였기 때문에 준사고로부터 다양한 사망관련 패턴을 도출하지 못한 점은 본 연구의 한계점으로 인식된다.
본 연구에서 도출한 주요 요인들과 패턴들은 향후 실무에서 항공기 사고 예방과 항공안전 향상을 위한 활동들을 계획할 때 활용될 수 있을 것이다.
또한 데이터마이닝 기법을 적용하여 항공기 사고 및 준사고 때 발생하는 사망 사고에 관한 예측모형을 개발하고, 각 사고의 주요 요인들과 사고 패턴을 분석하는 연구를 진행하고자 하며, 이를 통해 향후 항공기 사고 예방을 위한 실용적인 방안들을 제시함으로써 기존 연구와의 차별성을 가지고자 한다. 향후 본 연구를 통해 국내 항공기 사고와 관련된 여러 연구들에서 데이터 마이닝 기술을 활용한 분석이 활성화되기를 기대해 본다.

질의응답

핵심어	질문	논문에서 추출한 답변
	예측모형 구축 시, 더 다양한 연구 결과를 도출하기 위해선 어떻게 해야 하는가?	현재 각 국의 감항당국은 항공기 사고에 관한 많은 양의 사고분석 보고서를 텍스트 형태로 보유하고 있으며 그 일부를 공유하고 있다. 따라서 예측모형을 구축할 때 해당 보고서에 텍스트 형태로 명시되어 있는 비정형 데이터들을 활용하는 연구를 추가로 진행한다면 보다 다양한 연구 결과들이 도출될 것을 기대해 볼 수 있다. 또한 FAA 데이터에서 나타난 항공기 준사고의 경우 적은 수의 사망 사고가 특정 요인들에 편중되어 발생하였기 때문에 준사고로부터 다양한 사망관련 패턴을 도출하지 못한 점은 본 연구의 한계점으로 인식된다.
	항공기 사고는 무엇인가?	먼저 항공기 사고는 항공기가 이륙하기 이전부터 승객이나 승무원이 항공기에 탑승한 후 내릴 때까지 항공기 운항으로 인한 사람의 사망 또는 부상, 항공기의 손상 등의 항공기와 관련된 모든 사고를 의미한다. 다음으로 항공기 준사고의 경우, 항공기 사고 외에, 항공기 운항과 관련된 안전에 영향을 미칠 수 있는 모든 발생사고로 정의된다.
	항공기 사고와 준사고 데이터를 보유하고 있는 기관의 데이터로 사망 발생에 영향을 주는 주요 요인들과 패턴들은 어떻게 나타나는가?	다음으로 의사결정나무 알고리즘을 사용하여 항공기 사고 및 준사고에 따른 사망여부 예측모형들을 구축하였고 이를 토대로 사망 발생에 영향을 주는 주요 요인들과 패턴들을 도출하였다. NTSB 데이터의 경우 항공기가 완파되거나 고기동 또는 고위험 임무를 수행할 때 주로 사망이 발생하는 것을 알 수 있었다. FAA 데이터의 경우 항공기가 일부 파괴된 경우 조종사의 숙련도가 저조하거나 미인가 조종사의 경우 사망이 발생하였으며, 고공낙하점프와 지상운용단계에서 발생되는 다양한 사망관련 패턴들도 발견되었다. 또한 도출된 패턴들을 활용하여 사망 사고 예방을 위한 실용적인 방안들을 제시한 점에서 연구의 의의를 찾을 수 있다.

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