[논문]혼합형 유전자 알고리즘을 적용한 사례기반추론 공사비예측 - 상관분석을 이용한 지역탐색 기법을 중심으로 -

정상선; 박문서; 이현수; 윤인석

doi:10.6106/kjcem.2020.21.1.050

혼합형 유전자 알고리즘을 적용한 사례기반추론 공사비예측 - 상관분석을 이용한 지역탐색 기법을 중심으로 -
Cost Estimation of Case-Based Reasoning Using Hybrid Genetic Algorithm - Focusing on Local Search Method Using Correlation Analysis - 원문보기

한국건설관리학회논문집 = Korean journal of construction engineering and management, v.21 no.1, 2020년, pp.50 - 60

정상선 (서울대학교 건축학과) , 박문서 (서울대학교 건축학과) , 이현수 (서울대학교 건축학과) , 윤인석 (서울대학교 건축학과)

초록
AI-Helper

건설프로젝트 초기 단계의 사업비 추정치는 사업지의 결정이나 공사 기간과 같은 중요한 사항에서 사업자의 의사결정에 상당한 영향을 미친다. 그러나 초기 단계는 설계도서나 시방서 등의 정보가 부족한 채로 진행되기 때문에 신뢰도 있게 수행하기 어렵다. 기존 연구에서는 초기 공사비를 예측하기 위해 사례기반추론을 사용했으며, 그 중 조회 단계의 가중치를 계산하는 방법으로 유전자 알고리즘을 사용했다. 그러나 기존 유전자 알고리즘은 임의의 수로 연산하기 때문에 현재해보다 좋은 성능을 내기 힘들다는 한게가 있다. 이러한 한계를 극복하기 위해 임의의 수가 아닌 상관분석을 이용한 상관계수를 지역탐색의 방법으로 유전자 알고리즘에 반영하고, 지역탐색과 유전자 알고리즘을 결합한 혼합형 유전자 알고리즘으로 가중치를 산정한다. 산정한 가중치를 사용하여 사례기반추론 모델을 개발하고 데이터를 통해 유효성을 검증하였다. 그 결과, 지역탐색을 적용한 혼합형 GA-CBR이 기존 GA-CBR보다 우수한 성능을 보인 것으로 확인되었다.

Abstract ▼ AI-Helper

Estimates of project costs in the early stages of a construction project have a significant impact on the operator's decision-making in important matters, such as the site's decision or the construction period. However, it is difficult to carry out the initial stage with confidence because information such as design books and specifications is not available. In previous studies, case-based reasoning was used to predict initial construction costs, and genetic algorithms were used to calculate the weight of the inquiry phase among them. However, some say that it is difficult to perform better than the current year because existing genetic algorithms are calculated in random numbers. To overcome these limitations, correlation numbers using correlation analysis rather than random numbers are reflected in the genetic algorithm by method of local search, and weights are calculated using a hybrid genetic algorithm that combines local search and genetic algorithms. A case-based reasoning model was developed using the weights calculated and validated with the data. As a result, it was found that the hybrid GA-CBR applied with local search performed better than the existing GA-CBR.

주제어

표/그림 (12)

그림 Fig. 1. Case-Based Reasoning cycle (Aamodt and Plaza, 1994)
그림 Fig. 2. Search scope of global optimized solution
그림 Fig. 3. General genetic algorithm process
표 Table 1. Methods for determining the weight of Case-Based Reasoning
그림 Fig. 4. Search scope of local optimized solution
그림 Fig. 5. Hill climbing search
표 Table 2. Information of case 1 attributes
표 Table 3. Information of case 2 attributes
그림 Fig 6. Genetic algorithm with local search in this research
표 Table 4. Information of case 3 attributes
표 Table 5. Weight set and error rate according to method
표 Table 6. Each case the comparison of actual construction cost and estimating models

AI 본문요약
AI-Helper

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

문제 정의

하지만 이 방법은 가중치 산정 시 현재 해보다 좋은 해를 발견하기 어렵다는 단점을 가진다. 따라서 본연구는 유전자 알고리즘을 활용한 속성 가중치 산정 프로세 스에 있어 상관계수를 활용한 지역탐색 방법을 제시하고 결합함으로써 프로세스를 개선하였다. 이후 실제 데이터를 기반으로 개선한 혼합형 유전자 알고리즘을 통해 속성 가중치를 산정하고 사례기반추론 공사비예측 모델을 개발하였다.
본 연구에서는 사례기반추론의 과정 중 조회단계를 이용해 건설공사비 데이터의 유사사례를 추출해서 새로운 데이 터의 공사비를 추정하고자 한다. 조회단계는 문제와 과거 사례의 일치하는 속성을 비교함으로써 유사사례를 추출하는 것이다.
사례기반추론에 있어 속성 가중치 산정은 예측 성능에 있어 중요한 역할을 한다. 이에 본 연구에서는 속성 가중치 산정의 품질을 높이기 위해 유전자 알고리즘에 지역탐색방법을 결합한 혼합형 유전자 알고리즘으로 최적화를 수행한다. 본 장에서는 사례기반추론의 개념을 정의하고 유전자 알고 리즘 및 지역탐색에 대한 원리를 고찰한다.
성에 영향을 줄 수 있다(Heilkki Maaranen, 2007). 이에 본연구는 유전자 알고리즘의 성능을 높이기 위해 기존 초기화된 모집단에 각 속성의 상관계수를 반영한 개선된 모집단 초기화를 진행한다.
피어슨 상관분석을 이용하여 상관계수를 산출한 후 그 값을 지역탐색방법으로 활용하여 각 세대의 모집단 생성 과정에 적용해 그 프로세스를 개선한다. 이후 개선된 프로세스를 기반으로 실제 데이터를 통해 사례기반추론 공사비예측 모델의 유효성을 검증하는 것을 목적으로 한다.
이후 현지 검색을 위해 목적함수를 사용하여 계속 최적해 탐색을 진행하며 목표함수의 사용을 통해 다음의 탐색이 지역 최소값에서 벗어나 더 좋은 최적해로의 수렴을 목표로 한다. 지역탐색에서 목적함수를 설정하는 것은 각각의 문제 마다 다르며 이에 따른 문제 해결방법도 다르다.

제안 방법

6]과 같다. 각 연산자(선택, 교차, 변이)를 거쳐 추출된 유전자(속성별 가중치)에 상관계수를 지역탐색의 방법으로 반영함으로써 해 집단을 개선한다.
넷째, 상관계수를 사용하여 지역탐색을 적용한 혼합형 유전자 알고리즘으로 속성별 가중치를 도출하고 그것을 이용해 사례기반추론 공사비예측 모델을 구축한다.
다섯째, 본 연구의 혼합형 GA-CBR 모델과 다른 가중치 산정방법을 사용한 모델의 예측 정확도 비교를 통해 유효성을 검증한다.
본 연구는 기존 사례기반추론 관련 연구들이 가장 기본적인 유전 알고리즘을 활용했던 것에 비해, 지역탐색을 결합한 혼합형 유전자 알고리즘을 제시함으로써 그 성능을 향상했 다는 것에 의의가 있다. 더불어 지역탐색 과정에 각 속성과 공사비의 상관계수를 활용하여 최적 가중치 산정에 영향을 주도록 함으로써 기존 도메인 지식이 반영되도록 하였다.
둘째, 개선된 유전자 알고리즘 개발을 위해 사례기반추론, 유전자 알고리즘, 지역 탐색(Local Search)의 원리와 적용을 고찰한다.
첫째, 상관 계수를 적용한 혼합형 유전자 알고리즘으로 가중치를 산정 한다. 둘째, 유사도와 속성 가중치를 결합해 사례 유사도를 산출해 공사비예측모델을 개발한다.
첫째, 기존 유전자 알고리즘이 임의의 수로 모집단을 초기화(Initialization)하는 것에 대해 본 연구는 기존의 모집단에 각 속성의 상관계수를 반영해 모집단을 초기화 방법을 개선한다. 둘째, 유전자 알고리즘 내 세대 (Population)가 진화하기 직전 단계에서 각 유전자에 산출한 상관계수를 반영해 다음 세대의 진화를 수행한다. 이 두 가지는 기존 유전자 알고리즘과 달리 가중치 산정 시 상관계 수를 적용함으로써 건설 속성의 특성을 알고리즘에 반영할수 있으며 임의의 수가 아닌 각 속성의 상관계수를 적용함 으로써 좋은 성능을 기대할 수 있다.
따라서 본 연구에서는 상관계수를 활용한 지역탐색 기법과 유전자 알고리즘을 결합한 혼합형 유전자 알고리즘으로 속성 가중치를 산정한 후 사례기반추론을 이용해 공사비예 측을 수행한다. 피어슨 상관분석을 이용하여 상관계수를 산출한 후 그 값을 지역탐색방법으로 활용하여 각 세대의 모집단 생성 과정에 적용해 그 프로세스를 개선한다.
또한 본 연구의 가중치 산정방법에 대한 유효성 검토를 위해 혼합형 GA-CBR 뿐만 아니라 [Table 6]과 같이 기존 GA-CBR, 동일가중치법, 회귀분석법 등 네 가지 방법
의 예측모델을 실제 공사비와 비교했다. 그 결과 공사비예측 모델의 평균 오차율이 혼합형 GA-CBR / 기존 GA-CBR / 동일가중치법 / 회귀분석법 순서로 사례 1(APT)에서는 4.
또한, 지역탐색방법은 지역 최적해 산출을 위한 방법이고, 전술한 유전자 알고리즘은 대표적인 전역 최적해 산출을 위한 방법이다. 본 연구는 유전자 알고리즘의 전역 해 공간 탐색 능력과 상관분석을 이용한 지역탐색의 강점을 결합하여 혼합형 유전자 알고리즘으로 가중치를 산정하고 사례기반추론을 통해 공사비예측을 수행하며 다음 장에서 그 방법에 대해 구체적으로 설명한다.
복수의 사례를 추출하는 경우에는 상위의 유사도 점수순으로 일정 개수의 사례를 선택할 수 있다. 본 연구에서는 상위점수 3개의 복수의 유사사례를 추출해 공사비예측모델을 학습한다.
대표적으로 공사비예측을 위해 과거의 사례를 기반으로 현재 문제(예측대상 프로젝트)의 해결책(예측 결과)을 제시 하는 방법인 사례기반추론(Case-Based Reasoning, CBR)을 활용한 연구가 수행되었다(Kolodner, 1993). 사례기반추론은 조회(retrieve), 재사용(reuse), 수정(revise), 저장(retain) 의 네 단계로 구성된다. 이 중 첫 단계인 조회는 추론 과정에 있어 프로젝트 사례 데이터 중 유사한 사례의 탐색을 위한 단계이다(Goh and Chua, 2009).
셋째, 아파트, 군 병영생활관 시설, 사무용 건물 세 가지 사례 데이터에 대해 상관분석을 진행하고 그에 따른 각 속성별 상관계수를 도출한다.
최고우선탐색이란 문제의 특성에 대한 정보인 휴리스틱에 따라 목표까지의 가장 좋은 경로상에 있다고 판단되는 노드를 우선 방문하도록 진행되는 것이다. 이 연구에서는 사용된 도달 가능 그래프(Reachability Graph)의 노드 수가 많아 최고우선탐색 기법으로 최소의 노드만을 탐색하는 방법을 사용했고 이를 통해 최적의 스케줄을 산정했다. 또한, 기존 알고리즘을 이용한 대상보다 43.
구체적으로는 차이를 줄여서 현재 상태보다는 목표상태와 더 가깝게 새 상태로 현재 상태를 바꾸는 것을 의미한다. 이 연구에서는 초기해 생성 후 일반적인 단순 언덕 오르기 탐색과 마찬가지로 종료 조건이 충족될 때까지 이웃해 하나를 생성하고 이를 현재 해로 재설정하는 과정을 반복 실행하게 된다. 지역탐색방법이 적용된 점은 이웃해 생성을 위한 목적함수로써 정수계획법을 적용한 부분이다.
하지만 해집단을 임의의 값으로 생성하는 방법으로는 현재 해보다더 좋은 해를 발견하기 어렵다는 단점이 있다(Hwang and Kim, 2010). 이러한 단점을 보완하기 위해 본 연구에서는 임의의 값이 아닌 공사비 데이터 각 속성 간의 상관관계를 분석하여 그 결과값을 유전자 알고리즘이 진행되는 세대마다 지역탐색 방법으로 적용해 최적화를 수행한다.
따라서 본연구는 유전자 알고리즘을 활용한 속성 가중치 산정 프로세 스에 있어 상관계수를 활용한 지역탐색 방법을 제시하고 결합함으로써 프로세스를 개선하였다. 이후 실제 데이터를 기반으로 개선한 혼합형 유전자 알고리즘을 통해 속성 가중치를 산정하고 사례기반추론 공사비예측 모델을 개발하였다. 모델의 유효성 검증 결과 일반적인 GA-CBR, 동일가중치법, 회귀분석법과 같은 기존 모델보다 좋은 성능을 나타내었고, 이는 AACE의 견적 예측 정확도보다 우수한 정확도로 판단 되었다.
지역탐색을 수행하기 위해 데이터의 각 속성 중 독립변수 (총공사비)와 종속변수(그 외 속성) 간 상관분석을 수행한 다. 산출한 상관계수를 이용하여 지역탐색을 진행하고 이를 유전자 알고리즘에 결합하여 최적화된 가중치를 산정하며, 상관계수는 피어슨 상관계수를 사용한다.
유전자 알고리즘에서 지역탐색방법을 적용하는 부분은 두 가지이다. 첫째, 기존 유전자 알고리즘이 임의의 수로 모집단을 초기화(Initialization)하는 것에 대해 본 연구는 기존의 모집단에 각 속성의 상관계수를 반영해 모집단을 초기화 방법을 개선한다. 둘째, 유전자 알고리즘 내 세대 (Population)가 진화하기 직전 단계에서 각 유전자에 산출한 상관계수를 반영해 다음 세대의 진화를 수행한다.
공사비예측 모델 개발의 프로세스는 다음과 같다. 첫째, 상관 계수를 적용한 혼합형 유전자 알고리즘으로 가중치를 산정 한다. 둘째, 유사도와 속성 가중치를 결합해 사례 유사도를 산출해 공사비예측모델을 개발한다.
첫째, 선행연구 분석을 통해 시사점을 도출한다.
피어슨 상관계수는 두 변수의 공분산을 표준편차의 곱으로 나눈 값이다. 프로젝트의 총공사비를 x축, 그 외 다른 속성을 y축으로 설정 하고 상관분석을 수행했다.
따라서 본 연구에서는 상관계수를 활용한 지역탐색 기법과 유전자 알고리즘을 결합한 혼합형 유전자 알고리즘으로 속성 가중치를 산정한 후 사례기반추론을 이용해 공사비예 측을 수행한다. 피어슨 상관분석을 이용하여 상관계수를 산출한 후 그 값을 지역탐색방법으로 활용하여 각 세대의 모집단 생성 과정에 적용해 그 프로세스를 개선한다. 이후 개선된 프로세스를 기반으로 실제 데이터를 통해 사례기반추론 공사비예측 모델의 유효성을 검증하는 것을 목적으로 한다.
3장에서 기술한 바와 같이 본 연구에서는 최적화된 가중치 산정을 위해 공사비 데이터의 각 속성 상관계수를 적용해 혼합형 유전자 알고리즘을 사용한다. 혼합형 유전자 알고리즘의 연산자(적자생존, 선택, 교차, 변이)의 비율은 각각 5%, 40%, 50%, 5%로 적용했 고, 세대는 100세대를 반복해 알고리즘을 수행한다.

대상 데이터

사례 3의 데이터는 조달청 공공공사 데이터의 프로젝트 유형 중 일반청사 및 대형청사의 데이터를 수집했다. 건물 데이터의 속성은 대지면적, 지하층 수, 지상층 수, 건폐율, 용적율, 공사비 등 10개이고 프로젝트 데이터의 총 개수는 52 개이다. 각 속성정보 및 그에 따른 상관계수는 [Table 4]와 같다.
본 연구에서 사용된 사례 1 공공아파트 데이터는 국내 A 공사에서 발주한 아파트 공사 9개 단지를 사용하였다. 데이터 속성은 세대 수, 연면적, 엘리베이터 수, 공사비 등 12개 이고 프로젝트 데이터의 총 개수는 165개이다. 각 속성 정보및 그에 따른 상관계수는 [Table 2]와 같다.
본 연구에서 사용된 사례 1 공공아파트 데이터는 국내 A 공사에서 발주한 아파트 공사 9개 단지를 사용하였다. 데이터 속성은 세대 수, 연면적, 엘리베이터 수, 공사비 등 12개 이고 프로젝트 데이터의 총 개수는 165개이다.
본 연구에서 제시한 상관분석을 적용한 공사비예측 모델 구축과 검증을 위해 공공아파트, 군 시설(병영생활관), 사무용 건물 데이터를 수집했다. 공사비예측에 사용한 데이터의 속성(Attribute)과 데이터에 대한 정보는 각 사례에 따라 [Table 2], [Table 3], [Table 4]과 같으며 속성들은 설계 단계에서 활용 가능한 정보들을 수집했다.
본 연구의 공사비예측 모델의 검증을 위해 수집한 3개의 사례 데이터 중 모델 개발에 이용한 70%의 데이터를 제외하고 총 데이터 개수 중 30%의 데이터를 사용하여 모델을 검증하였다. 공사비예측 모델의 성능은 검증 대상의 실제 공사 비와 예측공사비의 차이를 실제 공사비로 나누어 구한 오차 율로 나타내었다.
사례 2의 데이터는 3개 군의 국방병영생활관 직접공사비 자료이며 데이터의 속성은 수용인원, 연면적, 내무반 면적, 사무실 면적, 공사비 등 9개이고 프로젝트 데이터의 총 개수는 117개이다. 각 속성정보 및 그에 따른 상관계수는 [Table 3]과 같다.
사례 3의 데이터는 조달청 공공공사 데이터의 프로젝트 유형 중 일반청사 및 대형청사의 데이터를 수집했다. 건물 데이터의 속성은 대지면적, 지하층 수, 지상층 수, 건폐율, 용적율, 공사비 등 10개이고 프로젝트 데이터의 총 개수는 52 개이다.

데이터처리

공사비예측 모델의 성능은 검증 대상의 실제 공사 비와 예측공사비의 차이를 실제 공사비로 나누어 구한 오차 율로 나타내었다. 또한, 해당 모델의 유효성을 판단하기 위해 본 연구의 혼합형 유전자 알고리즘, 기존 유전자 알고리 즘, 동일가중치법, 회귀분석법으로 수행한 각 공사비 예측모 델의 오차율을 비교하였다.

이론/모형

사례의 유사한 정도를 판단하려면 사례 간 차이의 정도와 속성 가중치를 결정하여야 한다. 3장에서 기술한 바와 같이 본 연구에서는 최적화된 가중치 산정을 위해 공사비 데이터의 각 속성 상관계수를 적용해 혼합형 유전자 알고리즘을 사용한다. 혼합형 유전자 알고리즘의 연산자(적자생존, 선택, 교차, 변이)의 비율은 각각 5%, 40%, 50%, 5%로 적용했 고, 세대는 100세대를 반복해 알고리즘을 수행한다.
이러한 속성 가중치를 산정하는 방법에는 [Table 1]의 선행연구들과 같이 동일 가중치법, 회귀분석법, 유전자 알고리즘 등이 있다. 본 연구 에서는 속성 가중치 산정을 위해 상관분석과 지역탐색을 활용해 혼합형 유전자 알고리즘을 사용한다.
본 연구는 GA-CBR의 가중치를 산정하기 위해 앞서 언급한 개념인 지역탐색의 방법에서 각 속성의 상관계수를 사용 한다. 이를 위해 상관분석을 통해 상관계수를 도출할 필요가 있다.
본 연구에 사용된 데이터는 정성적 데이터와 정량적 데이 터로 구분하고, 속성 간의 유사한 정도를 정량적으로 판단하기 위해 유클라디안 거리(Euclidean Distance) 측정방식에 기반한 사례의 거리를 측정하는 방법을 이용했다(Ji et al., 2008). 유클라디안 거리측정 방식은 인공지능 분야에서 두가지 개체의 속성값들이 여러 개일 경우 이 속성값들에 의한 두 개체 사이의 유사도를 구할 때 자주 사용한다.
본 연구의 공사비예측 모델은 사례기반추론을 이용하여 데이터 세트에서 예측대상과 유사한 과거 사례를 추출하고 해당 사례의 공사비 정보를 이용하여 공사비를 예측하는 과정을 나타낸 것이다. 본 연구에 사용한 사례기반추론에서 유사사례를 조회하는데 K-최근접 이웃 조회 방법(K-nearest neighbor, KNN)을 이용했다. KNN은 새로운 데이터가 주어 졌을 때 기존 데이터 가운데 가장 가까운 k개 이웃의 정보로 새로운 데이터를 예측하는 방법론이다(Park et al.
, 2006). 사례기반 추론을 활용한 많은 선행연구에서 속성 가중치 산정을 위한 방법으로 유전자 알고리즘(Genetic Algorithm, GA) 을 활용했다(Park et al., 2010).
지역탐색을 수행하기 위해 데이터의 각 속성 중 독립변수 (총공사비)와 종속변수(그 외 속성) 간 상관분석을 수행한 다. 산출한 상관계수를 이용하여 지역탐색을 진행하고 이를 유전자 알고리즘에 결합하여 최적화된 가중치를 산정하며, 상관계수는 피어슨 상관계수를 사용한다. 피어슨 상관계수는 두 변수의 공분산을 표준편차의 곱으로 나눈 값이다.
Hwang and Kim (2010)은 지역 탐색 기법의 하나인 언덕 오르기 탐색방법과 정수계획법을 결합해 더 좋은 해를 도출할 수 있음을 검증했다. 언덕 오르기 탐색은 차이감소법(Difference reduction)을 사용한다. 차이감소를 언덕 오르기(hill climbing)라고 부르는데, [Fig.
모집단과 각 세대는 데이터 속성 상관계수를 적용함 으로써 프로젝트 속성정보들을 반영할 수 있게 개선된다. 이렇게 개선된 혼합형 유전자 알고리즘을 이용하여 가중치를 산정하고 사례기반추론 공사비예측모델에 적용한다.

성능/효과

의 예측모델을 실제 공사비와 비교했다. 그 결과 공사비예측 모델의 평균 오차율이 혼합형 GA-CBR / 기존 GA-CBR / 동일가중치법 / 회귀분석법 순서로 사례 1(APT)에서는 4.73 / 8.25 / 11.18 / 8.76의 오차율(%)을 나타냈고, 사례 2(Military) 에서는 8.72 / 14.87 / 19.24/ 9.03의 오차율(%), 그리고 사례 3(Office)에서는 7.67 / 8.00 / 10.94 / 8.82의 오차율(%)을 나타냈다. 이를 통해 본 연구의 예측모델이 다른 가중치 산정방법을 사용한 예측모델보다 높은 정확도를 나타낸다고 판단할 수 있다.
이 연구에서는 사용된 도달 가능 그래프(Reachability Graph)의 노드 수가 많아 최고우선탐색 기법으로 최소의 노드만을 탐색하는 방법을 사용했고 이를 통해 최적의 스케줄을 산정했다. 또한, 기존 알고리즘을 이용한 대상보다 43.7% 이상의 노드 탐색 수를 감소했다는 유효성을 검증했다.
이후 실제 데이터를 기반으로 개선한 혼합형 유전자 알고리즘을 통해 속성 가중치를 산정하고 사례기반추론 공사비예측 모델을 개발하였다. 모델의 유효성 검증 결과 일반적인 GA-CBR, 동일가중치법, 회귀분석법과 같은 기존 모델보다 좋은 성능을 나타내었고, 이는 AACE의 견적 예측 정확도보다 우수한 정확도로 판단 되었다.
본 연구는 기존 사례기반추론 관련 연구들이 가장 기본적인 유전 알고리즘을 활용했던 것에 비해, 지역탐색을 결합한 혼합형 유전자 알고리즘을 제시함으로써 그 성능을 향상했 다는 것에 의의가 있다. 더불어 지역탐색 과정에 각 속성과 공사비의 상관계수를 활용하여 최적 가중치 산정에 영향을 주도록 함으로써 기존 도메인 지식이 반영되도록 하였다.
분석 결과 X1(수용인원), X3(연면적), X4(건축면적) 세 가지의 속성이 총공사비와의 상관계수가 0.7 이상으로 나타났 으며, 약 0.82, 0.98, 0.93으로 상관관계가 높은 것을 확인하 였다. 이와 반대로 X5(실 면적), X6(사무실 면적), X7(지하층 유무)은 상관계수가 0.
분석 결과 X1(아파트당 세대 수), X2(연면적), X3(층수), X12(구조형식) 네 가지의 속성이 총공사비와의 상관계수가 0.5 이상으로 나타났으며, 약 0.83, 0.97, 0.72, 0.70으로 상관관계가 높은 것을 확인하였다. 이와 반대로 X4(엘리베이터 수), X7(엘리베이터 한 대당 가구 수), X9(피트의 깊이), X11(복도 종류)은 상관계수가 0.
분석 결과 X2(연면적), X5(지하층 수), X6(지상층 수), X7(구조형식:RC) 네 가지의 속성이 총공사비와의 상관계 수가 0.2 이상으로 나타났으며, 약 0.25, 0.22, 0.24, 0.27으로 상관관계가 상대적으로 높은 것을 확인하였다. 이와 반대로 X3(건폐율), X4(용적율)가 0.
사례 1, 사례 2, 사례 3의 데이터에 대해 상관분석을 진행한 결과 공통적으로 연면적의 계수가 높게 나타났다. 산출한 속성 간 상관계수는 지역탐색기법의 목적함수로써 사용되며 유전자 알고리즘 프로세스 내의 모집단 및 세대의 해집 단(가중치)에 곱해주는 형태로 반영한다.
사례 1에서의 본 연구의 방법론을 적용했을 때, 최적화된 속성 중 X2(연면적)에 대한 가중치가 약 0.87로 가장 높은 비중을 나타냈다. 최적화 가중치로 사례기반추론을 이용해 유사사례를 추출하고 공사비예측을 진행한 결과 각 사례의 평균 오차율 4.
72의 평균 오차율을 나타내었다. 사례 3의 경우 X7(구조형식:SRC)의 속성 가중치 값이 약 0.43으로 가장 높았고 평균 오차율은 7.67%가 도출되었다.
이를 AACE (American Association of Cost Engineers)에서 프로젝트 견적단계를 해당 프로젝트가 가지고 있는 정보 량에 따라 5단계로 분류하여 정의한 예상 견적 정확도와 비교하였을 때 프로젝트가 10%~40% 진행되었을 경우, AACE 의 예상 견적 정확도는 과소측정 시 +10% ~ -20% / 과대 측정 시 +10% ~ +30%에 해당하기 때문에, 본 연구의 공사 비예측 사례별 모델의 예측 정확도는 AACE의 기준보다 우수한 오차율을 보였다(AACE, 1997).
82의 오차율(%)을 나타냈다. 이를 통해 본 연구의 예측모델이 다른 가중치 산정방법을 사용한 예측모델보다 높은 정확도를 나타낸다고 판단할 수 있다.
70으로 상관관계가 높은 것을 확인하였다. 이와 반대로 X4(엘리베이터 수), X7(엘리베이터 한 대당 가구 수), X9(피트의 깊이), X11(복도 종류)은 상관계수가 0.5 이하였으며 각각 약 0.38, 0.45, 0.016, 0.41을 나타냈고 상관관계가 상대적으로 낮은 것을 확인하였다.
지역탐색방법이 적용된 점은 이웃해 생성을 위한 목적함수로써 정수계획법을 적용한 부분이다. 적용한 모델을 N-Queens 최대화 문제(J. Paredis, 1993)를 대상으로 실험한 후, 지역탐색과 정수계획법을 적용한 모델이 다른 탐색 기법들보다 더 좋은 해를 산출했다는 유효성을 검증했다.
87로 가장 높은 비중을 나타냈다. 최적화 가중치로 사례기반추론을 이용해 유사사례를 추출하고 공사비예측을 진행한 결과 각 사례의 평균 오차율 4.73%가 도출 되었다. 같은 방법으로 사례 2의 경우도 X3(연면적)의 가중치 값이 약 0.

후속연구

본 연구는 지역탐색 방법을 유전자 알고리즘과 함께 활용 함으로써 가중치 산정 시 건설데이터 속성들의 특징을 반영 하여 정확하고 설명력이 있는 해를 산정할 수 있지만, 제시한 지역탐색 방법의 특성으로 인해 수렴의 속도가 빨라 지역최적해에 빠질 수 있다는 한계를 가지고 있다. 향후 이러한 한계 보완을 위해 다른 지역탐색 방법을 개발하거나 타모델을 함께 활용하는 연구가 필요하다.
본 연구는 지역탐색 방법을 유전자 알고리즘과 함께 활용 함으로써 가중치 산정 시 건설데이터 속성들의 특징을 반영 하여 정확하고 설명력이 있는 해를 산정할 수 있지만, 제시한 지역탐색 방법의 특성으로 인해 수렴의 속도가 빨라 지역최적해에 빠질 수 있다는 한계를 가지고 있다. 향후 이러한 한계 보완을 위해 다른 지역탐색 방법을 개발하거나 타모델을 함께 활용하는 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유전자 알고리즘의 한계는?	유전자 알고리즘은 선택, 교차, 변이 등을 연산자로 하여 최적화를 수행하게 된다. 하지만 정해진 규칙과 수식에 따라 연산할 뿐, 해당 연산자와 데이터의 특징 사이에는 관련성이 부족하다(Lee et al., 2005).
	사례기반추론(Case-Based Reasoning, CBR)이란?	대표적으로 공사비예측을 위해 과거의 사례를 기반으로 현재 문제(예측대상 프로젝트)의 해결책(예측 결과)을 제시 하는 방법인 사례기반추론(Case-Based Reasoning, CBR)을 활용한 연구가 수행되었다(Kolodner, 1993). 사례기반추론은 조회(retrieve), 재사용(reuse), 수정(revise), 저장(retain) 의 네 단계로 구성된다.
	초기 공사비예측이 어려운 이유는?	건설공사에서 프로젝트 초기 단계 공사비예측은 프로젝트 예산책정이나 공사 기간산정과 같은 중요한 업무에서 발주자의 의사결정에 큰 영향을 미친다. 초기 공사비예측은 도면과 시방서 등 설계도서가 완전히 갖춰지지 않은 상태에서 개략적인 정보만을 가지고 진행된다. 초기 단계 공사비 예측이 건설 사업의 성패를 결정하는 요인임 에도 불구하고 신뢰도 있게 공사비예측을 수행하는 것에 어려움이 있다 (An and Kang, 2005).

참고문헌 (32)

AACE Recommended Practice No. 17R-97 (1997). Cost Estimate Classification System, AACE, Inc.
Aamodt, A., and Plaza, E. (1994). "Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches." AI Communications, 7(1), pp. 35-39.
An, S.H., and Kang, J.I. (2005). "A Study on Predicting Construction Cost of Apartment Housing Using Experts？ Knowledge at the Early Stage of Projects." JOURNAL OF THE ARCHITECTURAL INSTITUTE OF KOREA Structure & Construction, 21(6), pp. 81-88.
Bruno, De Backer., Vincent, Furnon, Philip, Kilby, Patrick Prosser, and Paul, Shaw. (1997). "Local Search in Constraint Programming: Application to the Vehicle Routing Problem." Proc. CP-97 Workshop Indust. Constraint-Directed Scheduling. Schloss Hagenberg Austria.
Christensen, P., and Dysert, L. R. (1997). "Cost estimate classification system." AACE international recommended practice 17R-97.
Christos, Voudouris, and Tsang, E.P.K. (1998). "Solving the radio link frequency assignment problem using guided local search." Proceedings NATO Symposium on Radio Length Frequency Assignment, Sharing and Conservation Systems (Aerospace), Aalborg, Denmark.
Chun, S.H., and Park, Y.J. (2006). "A new hybrid data mining technique using a regression case based reasoning: Application to financial forecasting." Korea Advanced Institute of Science and Technology, 31, pp. 329-336.
E.K. Burke, T. Curtois, G. Post, R. Qu, and B, Veltman. (2007). "A Hybrid Heuristic Ordering and Variable Neighbourhood Search for the Nurse Rostering Problem." European Journal of Operational Research, 188(2), pp. 330-341.
Goh, Y.M., and Chua, D.K.H. (2009). "Case-Based Reasoning for Construction Hazard Identification: Case Representation and Retrieval." Journal of Construction Engineering and Management, 135(11), pp. 1181-1189.

상세보기
Goldberg, David E., Bradley Korb, and Kalyanmoy Deb. (1989). "Messy genetic algorithms: Motivation, analysis, and first results." Complex systems 3.5, pp. 493-530.
Heikki Maaranen., Kaisa Miettinen., and Antti Penttinen (2007). "On initial populations of a genetic algorithm for continuous optimization problems." Journal of Global Optimization, 37(3), p 405.

상세보기
Hwang, J.H., and Kim, S.Y. (2010). "Integer Programming-based Local Search Technique for Linear Constraint Satisfaction Optimization Problem." Journal of the Korea Society of Computer and Information, 15(9), pp. 47-55.
Hwang, J.H. (2010). "An Integration of Local Search and Constraint Programming for Solving Constraint Satisfaction Optimization Problems." Journal of the Korea Society of Computer and Information, 15(5), pp. 39-47.

원문보기 상세보기
Ji, S.H., Park, M.S., Lee, H.S., Seong, K.H., and Yoon, Y.S. (2008). "Method of Quantity Data Analysis for Building Construction Cost Estimation : Focusing on Finish Work of Public Apartment Project." Korean Journal of Construction Engineering and Management, KICEM, 9(6), pp. 235-243.
Kang, M.G., Park, S.W., Im, S.J., and Kim, H.J. (2002). "Parameter Calibrations of a Daily Rainfall-Runoff Model Using Global Optimization Methods." Journal of Korea Water Resources Association, 35(5), pp. 541-552.

원문보기 상세보기
Kim, G.H., An, S.H., and Cho, H.K. (2006). "Comparison of the Accuracy between Cost Prediction Models based on Neural Network and Genetic Algorithm - Focused on Apartment Housing Project Cost." JOURNAL OF THE ARCHITECTURAL INSTITUTE OF KOREA Structure & Construction, 22(3), pp. 111-118.
Kim, G.H., and Kang, K.I. (2003). "A Study on Model of Neural Networks Training by Genetic Algorithms for Predicting Cost Estimates of Apartment Projects at the Early Project Stage." JOURNAL OF THE ARCHITECTURAL INSTITUTE OF KOREA Structure & Construction, 19(10), pp. 133-142.
Kim, G.H., and Kang, K.I. (2004). "A Study on Predicting Construction Cost of Apartment Housing Projects Based on Case Based Reasoning Technique at the Early Project Stage." JOURNAL OF THE ARCHITECTURAL INSTITUTE OF KOREA Structure & Construction, 20(5), pp. 83-92.
Kim, H.H., and Choi, J.Y. (2009). "An Efficient Search Algorithm for Flexible Manufacturing Systems (FMS) Scheduling Problem with Finite Capacity." IE interfaces 22(1), pp. 10-16.
Kim, S.G., Lee, U.K., Cho, H.H., Kang, K.I. (2006). "Decision Support System for Slab Form-work Selection of High-rise Building Construction." JOURNAL OF THE ARCHITECTURAL INSTITUTE OF KOREA Structure & Construction 22(11), pp. 207-214.
Kolodner, J. (1993). Case-Based Reasoning. Morgan Kaufmann Publishers Inc.
Lau, T.L., and Tsang, E.P.K. (1997). "Solving the Processor Configuration Problems with a Mutation-Based Genetic Algorithm." International Journal on Artificial Intelligence Tools, 6.04, pp. 567-585.

상세보기
Lee, H.S., Kim, Euntai, and Kim, D. (2005). "Pattern Recognition System Combining KNN rules and New Feature Weighting algorithm." The Institute of Electronics Engineers of Korea - Computer and Information, 42(4), pp. 43-50.
Lee, H.S., Kim, S.Y., Park, M.S., Ji, S.H., Seong, K.H., and Pyeon, J.H.(2011). "A Method of Assigning Weight Values for Qualitative Attributes in CBR Cost Model." Korean Journal of Construction Engineering and Management, 12(1), pp. 53-61.
Lee, J.H. (2008). "A Study on the application of Case-based Reasoning with Feature Weighting using Self-Organizing Map." Korean Journal of Business Administration, 21(1), pp. 417-437.
Oh, I.S., Lee, J.S., and Moon, B.R. (2004). "Hybrid genetic algorithms for feature selection." IEEE Tr.Pattern Analysis and Machine Intelligence, 26(11), pp. 1424-1437.

상세보기
Paredis. J. (1993). "Genetic State-Space Search for Constrained Optimization Problems." Proceedings of the 13th International Joint Conference on Artificial Intelligence, pp. 967-972.
Park, M.S., Seong, K.H., Lee, H.S., Ji, S.H., and Kim, S.Y. (2010). "Schematic Cost Estimation Method using Case-Based Reasoning: Focusing on Determining Attribute Weight." Korean Journal of Construction Engineering and Management, KICEM, 11(4), pp. 22-31.

원문보기 상세보기
Park, U.Y., and Kim, G.H. (2007) "A Study on Predicting Construction Cost of Apartment Housing Projects Based on Support Vector Regression at the Early Project Stage." JOURNAL OF THE ARCHITECTURAL INSTITUTE OF KOREA Structure & Construction, 23(4), pp. 165-172.
Qu, R., and He, F. (2008). "A Hybrid Constraint Programming Approach for Nurse Rostering Problems." Applications and Innovations in Intelligent Systems XVI : Proceedings of AI-2008, pp. 211-224.
Sevgi Zeynep Dogan., and David Arditi., and H. Murat Gunaydin. (2006). "Determining Attribute Weights in a CBR Model for Early Cost Prediction of Structural Systems." Journal of Construction Engineering and Management, 132(10), pp. 1092-1098.

상세보기
Song, K.R., Jung, E.K., and Im, C.S. (2006). "A Study on the Correlation Analysis of the Item of Expenditure using ISM Method." JOURNAL OF THE ARCHITECTURAL INSTITUTE OF KOREA Structure & Construction, 5, pp. 153-160.

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