[논문]119 신고 데이터를 이용한 자연어처리 기반 재난안전 상황 분류 알고리즘 분석

권수정; 강윤희; 이용학; 이민호; 박성호; 강명주

doi:10.3745/ktsde.2020.9.10.317

초록
AI-Helper

인공지능의 발달로 인하여 재난 분야에서는 재난대응 지원 시스템으로 이용되고 있다. 재난은 언제 어디서든지 발생할 수 있으며, 재난 발생 시 소방청 119 신고접수대에 접수되는 신고는 크게 화재, 구조, 구급, 기타 신고 등 4가지로 구분된다. 119 신고에 따른 재난 대응도 그 종류 및 상황에 따라 다르게 대응된다. 본 논문에서는 119 신고 데이터 1280개 문서를 학습 데이터 셋을 이용하여 SVM, NB, k-NN, DT, SGD, RF 상황 분류 기계학습 알고리즘을 3 클래스로 테스트한 분류 성능은 최고 92%, 최소 77%의 성능을 보였다. 인공지능의 발달로 인하여 재난 분야에서는 재난 대응 지원 시스템으로 이용되고 있다. 재난은 언제 어디서든지 발생할 수 있으며, 재난 발생 시 소방청 119 신고접수대에 접수되는 신고는 크게 화재, 구조, 구급, 기타 신고 등 4가지로 구분된다. 119 신고에 따른 재난대응도 그 종류 및 상황에 따라 다르게 대응된다. 본 논문에서는 119 신고 데이터 1280개 문서를 학습 데이터 셋을 이용하여 SVM, NB, k-NN, DT, SGD, RF 상황 분류 알고리즘을 3 클래스로 테스트한 분류 성능은 최고 92%, 최소 77%의 성능을 보였다. 앞으로 다양한 분야의 재난별 데이터 셋을 확보하여 효율적인 재난 대응 연구가 필요하다.

Abstract ▼ AI-Helper

Due to the development of artificial intelligence, it is used as a disaster response support system in the field of disaster. Disasters can occur anywhere, anytime. In the event of a disaster, there are four types of reports: fire, rescue, emergency, and other call. Disaster response according to th...

Due to the development of artificial intelligence, it is used as a disaster response support system in the field of disaster. Disasters can occur anywhere, anytime. In the event of a disaster, there are four types of reports: fire, rescue, emergency, and other call. Disaster response according to the 119 call also responds differently depending on the type and situation. In this paper, 1280 data set of 119 calls were tested with 3 classes of SVM, NB, k-NN, DT, SGD, and RF situation classification algorithms using a training data set. Classification performance showed the highest performance of 92% and minimum of 77%. In the future, it is necessary to secure an effective data set by disaster in various fields to study disaster response.

주제어

표/그림 (8)

그림 Fig. 1. The Process of Training and Rediction
그림 Fig. 2. SVM Training Model
그림 Fig. 3. AlexNet for 2D Image Data Analysis
그림 Fig. 4. Concept of 119 Disaster Calls using AI Advisor
표 Table 1. Comparison of Performance with regard to Classification Algorithms
그림 Fig. 5. Precision of 5 Classes CNN Classification
그림 Fig. 6. Loss rate of 5 Classes CNN Classification
그림 Fig. 7. Precision of 3 Classes CNN Classification

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 경험에 의존하는 재난 대응의 제약점을 해결하기 위해 재난 대응 분야의 119 신고를 처리하는 재난 대응 시스템의 음성 인식 엔진으로부터 출력된 텍스트를 기계학습을 통해 상황을 분류하기 위한 재난 분야 기계학습모델을 개발한다.
본 논문에서는 기계학습을 사용한 재난 상황 분류를 수행하며, 이를 통한 재난 대응 역량을 향상시킬 수 있는 방안을 제시한다. 본 논문의 구성은 다음과 같다.

가설 설정

b) 자료를 가공할 필요가 거의 없다.
e) 대규모의 데이터 셋에서도 잘 동작한다.
문헌은 색인어 벡터 = [w1j, w2j, …, wtj]로 표현된다. 벡터 공간 모델에서 색인어 가중치는 상호독립적이라고 가정하며, 색인어-문헌 쌍 (ki,dj)의 가중치 wij와 (ki+1,d)의 가중치 wi+1, j는 서로 무관하다.
따라서 어떤 문서를 학습문서로 선택할 것인가는 문서 분류 시스템에서 중요하다. 학습 문서집합의 구성 방법과 관련하여 학습문서 선택의 문제 외에도 선택한 학습 문서집합의 재구성 문제도 문서분류의 성능에 큰 영향을 미친다.

제안 방법

본 논문에서는 119 신고 접수대에서 처리하는 재난 대응 시스템의 음성인식 엔진으로부터 출력된 텍스트를 기계학습을 이용하여 상황을 분류하기 위한 재난 분야 기계학습 모델을 개발하였고, 119 신고 데이터 셋과 머신러닝을 이용하여 상황인지 기계학습 분류 실험한 결과를 바탕으로 상황 분류 알고리즘을 분석하였다. 119 신고체계에서 신고자의 상태에 따른 적절한 대응책들을 제시하여 효율적인 대응을 위한 AI Advisor 기능을 이용하여 신고자의 주변 환경과 상황 등을 파악을 위해 감독자 기반 기계학습 알고리즘을 사용하여 재난 상황인지를 분류한 알고리즘들을 분석하였다. 제안된 기계학습 분류 알고리즘과 함께 추가적으로 재난 안전 SNS, 기상정보, 센서 데이터 등 기존의 재난 관련 정형 데이터 및 비정형 데이터(텍스트, 영상)를 연계 통합하여 분석하면 보다 효율적인 재난 대응 체계 연구가 더 필요하다.
본 논문에서는 119 신고 접수대에서 처리하는 재난 대응 시스템의 음성인식 엔진으로부터 출력된 텍스트를 기계학습을 이용하여 상황을 분류하기 위한 재난 분야 기계학습 모델을 개발하였고, 119 신고 데이터 셋과 머신러닝을 이용하여 상황인지 기계학습 분류 실험한 결과를 바탕으로 상황 분류 알고리즘을 분석하였다. 119 신고체계에서 신고자의 상태에 따른 적절한 대응책들을 제시하여 효율적인 대응을 위한 AI Advisor 기능을 이용하여 신고자의 주변 환경과 상황 등을 파악을 위해 감독자 기반 기계학습 알고리즘을 사용하여 재난 상황인지를 분류한 알고리즘들을 분석하였다.

대상 데이터

기계학습 모델을 개발하기 위한 학습 데이터는 소방본부 119상황센터에서 개인정보 없는 데이터를 전달된 음성정보를 음성인식 STT(Speech to Text)를 이용하여 텍스트로 변환한 후 획득된 데이터로부터 재난분류 및 사건정보의 추출 등 특징을 추출한다. 이 분석 결과를 기반으로 사건 신고정보와 연결된 상황을 인지하여 재난유형을 분류한다.
6가지 기계학습을 수행한 결과는 Table 1과 같다. 분류 문서는 5개의 레이블을 갖는 자료를 대상으로 학습데이터로 80%, 테스트 데이터로 20%를 사용하였다. 전체적인 분류 성능은 최고 87%, 최소 71%이며, SVM과 SGD, RF가 80% 이상으로 상대적으로 높은 분류 성능을 보였으며, NB은 73%와 k-NN는 71%의 성능을 보였다.
실험에서의 기계학습 알고리즘 적용시 데이터셋은 구급, 화재, 구조, 미분류 및 기타의 5개 클래스에 대한 레이블을 구성하여 사용하였으며, 이중 구급, 화재 및 구조만을 대상으로 3개 클래스에 대한 학습을 수행하였다.
전체 학습 데이터 셋은 1280 문서이며, 각 문서는 2638의 색인 특징으로 이루졌다. 전체 데이터 셋은 구급 891, 화재 176, 구조 111, 미분류 55, 기타 47으로 전체 데이터 셋의 69.

성능/효과

Table 1은 성능 결과에 대한 분석, 1,280개의 적은 데이터 셋과 편향이 큰 학습 데이터를 기반으로 기계학습 수행한 결과를 보인 것으로 SVM와 SGD은 적은 데이터 셋에서 분류가 우수함을 보였다. 5개의 클래스에서 3개의 클래스로 변경되어 KNN과 DT의 성능개선은 다른 학습 알고리즘 보다 우수함을 보였다.
분류 문서는 5개의 레이블을 갖는 자료를 대상으로 학습데이터로 80%, 테스트 데이터로 20%를 사용하였다. 전체적인 분류 성능은 최고 87%, 최소 71%이며, SVM과 SGD, RF가 80% 이상으로 상대적으로 높은 분류 성능을 보였으며, NB은 73%와 k-NN는 71%의 성능을 보였다.

후속연구

119 신고체계에서 신고자의 상태에 따른 적절한 대응책들을 제시하여 효율적인 대응을 위한 AI Advisor 기능을 이용하여 신고자의 주변 환경과 상황 등을 파악을 위해 감독자 기반 기계학습 알고리즘을 사용하여 재난 상황인지를 분류한 알고리즘들을 분석하였다. 제안된 기계학습 분류 알고리즘과 함께 추가적으로 재난 안전 SNS, 기상정보, 센서 데이터 등 기존의 재난 관련 정형 데이터 및 비정형 데이터(텍스트, 영상)를 연계 통합하여 분석하면 보다 효율적인 재난 대응 체계 연구가 더 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	재난 대응의 목표는?	재난 대응의 목표는 재난 상황을 빠르게 인지하고 정확한 행동 매뉴얼을 적용함으로써, 추가적인 인적 및 물적 피해를 최소화하는 것이다. 4차 산업혁명은 정보통신기술을 기반으로 한 산업구조의 변화와 이에 따른 생산성 향상 특징으로 한다.
	재난이란?	재난은 국민의 생명·신체 및 재산과 국가에 피해를 주거나 줄 수 있는 갑작스러운 사건으로 정의한다[1]. 태풍, 홍수, 호우와 같은 자연현상으로 인하여 발생하는 자연재난과 화재, 붕괴, 교통사고, 환경오염사고와 같은 인적 재난으로 구분할 수 있다.
	4차 산업혁명을 통해 나타나는 변화는?	4차 산업혁명은 정보통신기술을 기반으로 한 산업구조의 변화와 이에 따른 생산성 향상 특징으로 한다. 정보통신기술(ICT)의 발전은 전 산업 분야에서 기존의 체계를 혁신적으로 변화시키고 있다. 인프라 구축과 플랫폼의 형성으로 패러다임의 변화와 새로운 가치가 창출되고 있다. 텍스트, 이미지 등과 같은 비정형 데이터의 양이 점차 늘어나고 있으며, 이에 대한 정보화와 실시간 모니터링을 통한 유의미한 분석의 필요성이 재난 대응을 포함한 사회 분야에서 늘어나고 있다. 재난을 대응하기 위한 재난 관리 플랫폼은 재난 위험 저감 프로세스와 ICT 기술이 활용하여 위급 대응을 위한 문맥 기반 위험 관리 시스템을 제공이 필요하다[2, 3].

참고문헌 (14)

D. Sarwar, M. Ramachandran, and A. Hosseinian-Far, 2017. "Disaster Management System as an Element of Risk Management for Natural disaster Systems using the PESTLE framework," In Communications in Computer and Information Science (pp. 191-204). (Communications in Computer and Information Science; Vol. 630). Springer Verlag. https://doi.org/10.1007/978-3-319-51064-4_16
Myung-Ju Kang, Sang-Cheon Lee, Yong-Hak Lee, and Yun-Hee Lee, "Emergency Response Artificial Intelligence Advisor Technology based Big Data," Korea Information Processing Society Review, Vol.26, No.6, pp.18-26. Jan. 2019.
Thomas M. Mitchell. 1997. "Machine Learning," (1 ed.) McGraw-Hill, Inc., New York, NY, USA.
G. Salton, "Automatic Text Processing: The Transformation, Analysis and Retrieval of Information by Computer," Addison-Wesley, 1989
Y. Yang and J. O. Pdedersen, "A Comparative Study on Feature Selection in Text Categorization," Proc. Of the 14th Internatinal Conference on Machine Learning ICML-97, pp.412-429, 1997.
T. Joachims, "Text Categorization with Support Vector Machines: Learning with Many Relevant Features," Proc. European Conference on Machine Learning (ECML), pp. 137-142, 1998.
Alpaydin, E. (2014). "Introduction to Machine Learning. Cambridge," MA: MIT Press. ISBN: 978-0-262-02818-9
S. J. Russell and P. Norvig, "Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall, 2010.
C. Cortes and V. Vapnik, "Support-vector networks," Machine Learning, Vol.20, No.3, pp.273-297, 1995.

상세보기
A. Ben-Hur, D. Horn, H. Siegelmann, and V. Vapnik, "Support vector clustering," Journal of Machine Learning Research, Vol.1, pp.125-137, 2001.
K. Beyer, J. Goldstein, R. Ramakrishnan, and U. Shaft, "When is "nearest neighbor" meaningful?" International Conference on Database Theory, pp.217-235, 1999.
T. K. Ho, "Random decision forests," Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, QC, pp.278-282, Aug. 1995.
I. Ben-Gal, A. Dana, N. Shkolnik, and G. Singer, "Efficient Construction of Decision Trees by the Dual Information Distance Method," Quality Technology & Quantitative Management, Vol.11, No.1, pp.133-147, 2014.
Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, Vol.521, No.7553, pp.436-444, 2015. https://doi.org/10.1038/nature 14539.

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

119 신고 데이터를 이용한 자연어처리 기반 재난안전 상황 분류 알고리즘 분석
Analysis of Disaster Safety Situation Classification Algorithm Based on Natural Language Processing Using 119 Calls Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (14)

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

119 신고 데이터를 이용한 자연어처리 기반 재난안전 상황 분류 알고리즘 분석 Analysis of Disaster Safety Situation Classification Algorithm Based on Natural Language Processing Using 119 Calls Data 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (14)

이 논문을 인용한 문헌

저자의 다른 논문 :

강윤희 (18)

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

119 신고 데이터를 이용한 자연어처리 기반 재난안전 상황 분류 알고리즘 분석
Analysis of Disaster Safety Situation Classification Algorithm Based on Natural Language Processing Using 119 Calls Data 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper