[논문]로지스틱 회귀분석을 이용한 도로비탈면관리시스템 데이터 활용 검토 연구

우용훈; 김승현; 양인철; 이세혁

doi:10.9720/kseg.2020.4.649

초록
AI-Helper

도로비탈면관리시스템은 전국 도로 비탈면 현황을 파악하고 위험등급을 산정하여 유지대책 선정 및 사전에 비탈면 붕괴를 차단하여 국민의 안전을 도모하기 위해 만들어졌다. 이를 위해 전국 국도에 위치한 깎기비탈면에 대해 기초·정밀조사를 수행하여 데이터베이스를 구축하고 매년 갱신되고 있다. 수집된 데이터는 수치형과 문자형으로 구성되어 있으며, 사면에 대한 객관적인 정보와 전문가의 판단에 의해 결정된 주관적인 정보로 구성되어 있다. 본 연구에서는 도로비탈면관리시스템에서 관리하는 데이터 활용 가능성을 검토하기 위해, 기계학습인 로지스틱 회귀분석을 이용하여 독립적인 정보를 이용한 주관적 정보 예측 모델을 구축하고 검증하였다. 수행결과, 구축된 확률모델을 이용하여 높은 정확도로 주관적 판단이 필요한 정보들을 예측할 수 있음을 확인하였다. 또한, 구축된 모델을 활용하여 새로 수집된 정보와 모델로부터의 예측값을 비교 ? 검토를 통해 고품질의 데이터를 구축할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Cut-slope management system (CSMS) has been investigated all slopes on the road of the whole country to evaluate risk rating of each slope. Based on this evaluation, the decision-making for maintenance can be conducted, and this procedure will be helpful to establish a consistent and efficient polic...

Cut-slope management system (CSMS) has been investigated all slopes on the road of the whole country to evaluate risk rating of each slope. Based on this evaluation, the decision-making for maintenance can be conducted, and this procedure will be helpful to establish a consistent and efficient policy of safe road. CSMS has updated the database of all slopes annually, and this database is constructed based on a basic and detailed investigation. In the database, there are two type of data: first one is an objective data such as slopes' location, height, width, length, and information about underground and bedrock, etc; second one is subjective data, which is decided by experts based on those objective data, e.g., degree of emergency and risk, maintenance solution, etc. The purpose of this study is identifying an data application plan to utilize those CSMS data. For this purpose, logistic regression, which is a basic machine-learning method to construct a prediction model, is performed to predict a judging-type variable (i.e., subjective data) based on objective data. The constructed logistic model shows the accurate prediction, and this model can be used to judge a priority of slopes for detailed investigation. Also, it is anticipated that the prediction model can filter unusual data by comparing with a prediction value.

주제어

표/그림 (11)

그림 Fig. 1. Flowchart of cut-slope management system.
그림 Fig. 2. Some part of cut-slope management system data.
그림 Fig. 3. Example of decision-tree analysis.
표 Table 1. The prediction model for 'Action' (using 29 independent variables)
표 Table 2. The prediction model for 'Action' (using 21 independent variables)
표 Table 3. Demonstration of logistic models to predict the next year data
표 Table 4. Demonstration of logistic models using the data for the previous three year
표 Table 5. Demonstration of logistic models using the data for the previous two year
표 Table 6. The prediction model for 'Measuring-Recommendation' (using 29 independent variables)
표 Table 6. Continued
표 Table 7. The prediction model for 'Measuring-Recommendation' (using 17 independent variables)

AI 본문요약
AI-Helper

문제 정의

본 연구는 도로비탈면관리시스템이 관리하는 기초조사 및 정밀조사 자료를 바탕으로 기계학습인 로지스틱 회귀분석을 통해 가지고 있는 데이터 활용 가능성을 검토하고자 수행되었다. 기계학습을 수행하기 위해 데이터 전처리를 수행한 후, 독립변수와 종속변수를 선정하여 로지스틱 모델을 도출하였다.
본 연구는 전국 비탈면 기초조사 및 정밀조사를 통해 수집된 객관적(정보형) 및 주관적(판단형) 데이터들 중 일부를 선정하고 로지스틱 회귀분석을 이용하여 예측 모델을 구축하였다. 이때, 구축된 모델의 정확도를 검토하고 이를 활용하여 누락 데이터 예측 혹은 고품질 데이터 구축 등 기계학습을 이용한 데이터 활용 가능성 파악을 목표로 한다. 회귀분석에 사용된 CSMS 데이터는 2006년부터 2019년에 수집된 비탈면 기초 ‧ 정밀조사 자료이며, 이 자료는 수치형 데이터와 더불어 문자형 데이터로 구성되어 있다.

가설 설정

앞선 CSMS데이터 개요 소개에서 언급된 29개의 사면에 대한 정보형 항목을 독립변수로 가정하였고, 판단형 항목인 ‘조치’ 항목을 종속변수로 가정하였다
Table 3을 보면, 2006년 데이터를 학습데이터로 사용하여 로지스틱 모델을 구축하고, 구축된 모델에 대해 2007년 데이터를 이용하여 모델의 정확도를 계산하였다. 이와 같이, 마찬가지로 2006년부터 특정 년도까지의 데이터들을 학습데이터로 가정하여 로지스틱 모델을 구축한 후, 차년도 데이터를 이용하여 구축모델을 검증하였다.

제안 방법

본 연구는 도로비탈면관리시스템이 관리하는 기초조사 및 정밀조사 자료를 바탕으로 기계학습인 로지스틱 회귀분석을 통해 가지고 있는 데이터 활용 가능성을 검토하고자 수행되었다. 기계학습을 수행하기 위해 데이터 전처리를 수행한 후, 독립변수와 종속변수를 선정하여 로지스틱 모델을 도출하였다. 도출된 모델들은 매우 높은 정확도를 보였는데, 이는 모델 구축 시 사용된 변수들에 해당하는 데이터들이 일관성 있게 기록되었음을 의미한다.
본 연구는 전국 비탈면 기초조사 및 정밀조사를 통해 수집된 객관적(정보형) 및 주관적(판단형) 데이터들 중 일부를 선정하고 로지스틱 회귀분석을 이용하여 예측 모델을 구축하였다. 이때, 구축된 모델의 정확도를 검토하고 이를 활용하여 누락 데이터 예측 혹은 고품질 데이터 구축 등 기계학습을 이용한 데이터 활용 가능성 파악을 목표로 한다.

대상 데이터

본 연구에서 사용된 CSMS 데이터는 2006~2019년에 수집된 30,751개 사면에 대한 조사 자료이며, Fig. 2와 같이 사면 기본 정보 및 특성과 같은 객관적인 정보와, 위험도 및 대책공법과 같은 전문가에 의한 판단형 정보로 이루어져 있다.
‘조치’ 항목이외에 ‘계측추천’ 항목 또한 두 클래스로 이루어진 판단형 변수이다. 이에 대해서도 조치 예측모델 구축 시와 마찬가지로 2006년부터 2019년까지의 모든 데이터를 이용하여 로지스틱 모델을 구축해보았다. 동일한 데이터 전처리 과정을 수행하였고, 마찬가지로 9:1의 교차검정 비율을 설정하였다.
이때, 구축된 모델의 정확도를 검토하고 이를 활용하여 누락 데이터 예측 혹은 고품질 데이터 구축 등 기계학습을 이용한 데이터 활용 가능성 파악을 목표로 한다. 회귀분석에 사용된 CSMS 데이터는 2006년부터 2019년에 수집된 비탈면 기초 ‧ 정밀조사 자료이며, 이 자료는 수치형 데이터와 더불어 문자형 데이터로 구성되어 있다. 기초조사 자료는 대게 객관적인 정보인 반면에, 정밀조사 자료는 주관적인 판단형 데이터를 포함한다.

데이터처리

누락문제는 기계학습이 진행되어 확률모델을 구축하고 이를 활용하기 전에는 과학적인 방법으로는 해결이 어렵다. 수동적으로 누락된 정보에 대한 자료를 찾아서 보완하는 방법이 있을 것으로 예상되지만, 본 연구에서는 우선 누락된 데이터는 제외하고 로지스틱 회귀분석을 수행하였다.
총13개의 경우를 가정하고 로지스틱 회귀분석을 수행하였다. Table 3을 보면, 2006년 데이터를 학습데이터로 사용하여 로지스틱 모델을 구축하고, 구축된 모델에 대해 2007년 데이터를 이용하여 모델의 정확도를 계산하였다.

성능/효과

다음으로 향후 기초 ‧ 정밀 조사를 수행해야하는 신규 사면이 발생한 경우, 일부 정보를 이용하여 응급 ‧ 미응급을 판단하는 조치 항목을 예측 가능한지 검토하고자 하였다. 검토 결과, 구축된 모델은 매우 높은 정확도를 보였으며 사전 예측뿐만 아니라 실제 정밀조사 정보를 기록할 때, 구축된 모델에서 계산된 예측값과 비교함으로써 상이함이 없는지 검토 가능하다. 즉, 필터링 기능을 수행할 수 있으며 이를 통해 고품질의 데이터베이스 구축이 가능할 것으로 기대된다.
기계학습을 수행하기 위해 데이터 전처리를 수행한 후, 독립변수와 종속변수를 선정하여 로지스틱 모델을 도출하였다. 도출된 모델들은 매우 높은 정확도를 보였는데, 이는 모델 구축 시 사용된 변수들에 해당하는 데이터들이 일관성 있게 기록되었음을 의미한다. 다음으로 향후 기초 ‧ 정밀 조사를 수행해야하는 신규 사면이 발생한 경우, 일부 정보를 이용하여 응급 ‧ 미응급을 판단하는 조치 항목을 예측 가능한지 검토하고자 하였다.

후속연구

도출된 모델들은 매우 높은 정확도를 보였는데, 이는 모델 구축 시 사용된 변수들에 해당하는 데이터들이 일관성 있게 기록되었음을 의미한다. 다음으로 향후 기초 ‧ 정밀 조사를 수행해야하는 신규 사면이 발생한 경우, 일부 정보를 이용하여 응급 ‧ 미응급을 판단하는 조치 항목을 예측 가능한지 검토하고자 하였다. 검토 결과, 구축된 모델은 매우 높은 정확도를 보였으며 사전 예측뿐만 아니라 실제 정밀조사 정보를 기록할 때, 구축된 모델에서 계산된 예측값과 비교함으로써 상이함이 없는지 검토 가능하다.
본 연구에서 수행한 로지스틱 회귀분석을 통해, CSMS 데이터 활용 가능성은 검토하였지만, 사용된 독립변수 및 종속변수 외에 누락된 정보들이 많은 항목(변수)들은 활용되지 못했다. 따라서 추후 누락된 데이터를 보완하고 활용하기 위한 후속 연구가 필요할 것으로 생각된다.
그런데, 인간오차로 인해 누락된 정보와 혹은 오기입된 정보로 인해 기계학습 적용이 어렵고, 데이터가 가지고 있는 숨겨진 정보들을 발굴하고 활용하기란 쉽지 않다. 본 연구에서 수행한 로지스틱 회귀분석을 통해, CSMS 데이터 활용 가능성은 검토하였지만, 사용된 독립변수 및 종속변수 외에 누락된 정보들이 많은 항목(변수)들은 활용되지 못했다. 따라서 추후 누락된 데이터를 보완하고 활용하기 위한 후속 연구가 필요할 것으로 생각된다.
검토 결과, 구축된 모델은 매우 높은 정확도를 보였으며 사전 예측뿐만 아니라 실제 정밀조사 정보를 기록할 때, 구축된 모델에서 계산된 예측값과 비교함으로써 상이함이 없는지 검토 가능하다. 즉, 필터링 기능을 수행할 수 있으며 이를 통해 고품질의 데이터베이스 구축이 가능할 것으로 기대된다.

참고문헌 (10)

Baek, S.A., Cho, K.H., Hwang, J.S., Jung, D.H., Park, J.W., Choi, B., Cha, D.S., 2016, Assessment of slope failures potential in forest roads using a logistic regression model, Journal of Korean Forest Society, 105(4), 429-434 (in Korean with English abstract).

원문보기 상세보기
Chae, B.G., Kim, W.Y., Cho, Y.C., Kim, K.S., Lee, C.O., Choi, Y.S., 2004, Development of a logistic regression model for probabilistic prediction of debris flow, The Journal of Engineering Geology, 14(2), 211-222 (in Korean with English abstract).
KICT (Korea Institute of Civil Engineering and Building Technology), 2019, Operation of road cut slope management system in 2018, Republic of Korea Ministry of Land, Infrastructure and Transport, 355p.
Kim, T.H., Shin, Y.S., Lee, U.K., Kang, K.I., 2007, Decision support model using a decision tree for framework selection in tall building construction, Journal of the Architectural Institute of Korea Structure & Construction, 23(11), 177-184 (in Korean with English abstract).
Lee, H., Kim, G., 2012, Landslide risk assessment in Inje using logistic regression model, Korea Society of Surveying, Geodesy, Photogrammetry, and Cartography, 30(3), 313-321 (in Korean with English abstract).

원문보기 상세보기
Lee, J.H., Chang, B.S., Kim, Y.S., Suk, J.W., Moon, J.S., 2013, Risk assessment for large-scale slopes using multiple regression analysis, Journal of the Korean Geotechnical Society, 29(11), 99-106 (in Korean with English abstract).

원문보기 상세보기
Lee, Y.H., Kim, J.R., 2004, A proposal of the evaluation method for rock slope stability using logistic regression analysis, Korean Society for Rock Mechanics, 14(2), 133-144 (in Korean with English abstract).
Quan, H.C., Lee, B.G., Lee, C.S., Ko, J.W., 2011, The landslide probability analysis using logistic regression analysis and artificial neural network methods in Jeju, Journal of Korean Society for Geospatial Information Science, 19(3), 33-40 (in Korean with English abstract).
Song, J., Kang, W.H., Kim, K.S., Jung, S., 2010, Probabilistic shear strength models for reinforced concrete beams without shear reinforcement, Structural Engineering & Mechanics, 34(1), 15-38.

상세보기
Yeon, Y.K., 2011, Evaluation and analysis of Gwangwon-do landslide susceptibility using logistic regression, The Korean Association of Geographic Information Studies, 14(4), 116-127 (in Korean with English abstract).

원문보기 상세보기

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

로지스틱 회귀분석을 이용한 도로비탈면관리시스템 데이터 활용 검토 연구
The Study for Utilizing Data of Cut-Slope Management System by Using Logistic Regression 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

로지스틱 회귀분석을 이용한 도로비탈면관리시스템 데이터 활용 검토 연구 The Study for Utilizing Data of Cut-Slope Management System by Using Logistic Regression 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

김승현 (34)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

로지스틱 회귀분석을 이용한 도로비탈면관리시스템 데이터 활용 검토 연구
The Study for Utilizing Data of Cut-Slope Management System by Using Logistic Regression 원문보기

초록
AI-Helper

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper