[논문]XGBoost를 활용한 고속도로 콘크리트 포장 파손 예측

이용준; 선종완

doi:10.6106/kjcem.2020.21.6.046

XGBoost를 활용한 고속도로 콘크리트 포장 파손 예측
Predicting Highway Concrete Pavement Damage using XGBoost 원문보기

한국건설관리학회논문집 = Korean journal of construction engineering and management, v.21 no.6, 2020년, pp.46 - 55

이용준 (한국건설기술연구원 인프라안전연구본부 도로관리통합센터) , 선종완 (한국건설기술연구원 인프라안전연구본부 도로관리통합센터)

초록
AI-Helper

도로연장의 지속적인 증가와 공용기간이 상당히 경과한 노후 노선이 늘어남에 따라 도로포장에 대한 유지관리비용은 점차 증가하고 있어, 예방적 유지관리를 통해 비용을 최소화 하는 방안에 대한 필요성이 제기되고 있다. 예방적 유지관리를 위해서는 도로포장의 정확한 파손 예측을 통한 전략적 유지관리 계획 수립이 필요하다. 이에 본 연구에서는 고속도로 콘크리트 포장 파손 예측 모델 개발을 위해 머신러닝 분류기반 모델 중 성능이 우수한 XGBoost 기법을 사용하였다. 먼저 데이터 샘플링을 통해 데이터 불균형 문제를 해결하고 샘플링된 데이터들에 XGBoost 기법을 활용하여 예측모델을 개발하고. F1 소코어를 통해 성능을 평가하였다. 분석 결과 오버 샘플링 기법이 가장 좋은 성능 결과를 보였으며, 도로파손에 영향을 주는 주요 변수로 공용년수, ESAL, 최저 평균 최저기온 -2도 이하 일수 순으로 산정되었다. 향후 더 많은 데이터 축적 및 세밀한 데이터 전처리 작업을 통해 예측모델의 성능이 향상된다면 보다 정확한 유지보수 필요 구간의 예측이 가능해질 것으로 판단되므로 장래 고속도로 포장 유지보수 예산의 추정에 중요한 기초정보로 활용될 수 있을 것이라 기대된다.

Abstract ▼ AI-Helper

The maintenance cost for highway pavement is gradually increasing due to the continuous increase in road extension as well as increase in the number of old routes that have passed the public period. As a result, there is a need for a method of minimizing costs through preventative grievance Preventive maintenance requires the establishment of a strategic plan through accurate prediction old Highway pavement. herefore, in this study, the XGBoost among machine learning classification-based models was used to develop a highway pavement damage prediction model. First, we solved the imbalanced data issue through data sampling, then developed a predictive model using the XGBoost. This predictive model was evaluated through performance indicators such as accuracy and F1 score. As a result, the over-sampling method showed the best performance result. On the other hand, the main variables affecting road damage were calculated in the order of the number of years of service, ESAL, and the number of days below the minimum temperature -2 degrees Celsius. If the performance of the prediction model is improved through more data accumulation and detailed data pre-processing in the future, it is expected that more accurate prediction of maintenance-required sections will be possible. In addition, it is expected to be used as important basic information for estimating the highway pavement maintenance budget in the future.

주제어

표/그림 (21)

그림 Fig. 1. Research Methodology
그림 Fig. 2. Boosting Flow Chart
그림 Fig. 3. Ratio by Pavement Type (2018)
그림 Fig. 4. Route Information for The Target Section
표 Table 1. Leveling Standard According to The Highway Pavement Condition Index (HPCI)
표 Table 2. Data Collection Status
표 Table 3. Exposure Environment Grading Guideline
표 Table 4. Data Set
표 Table 5. Data Classification
표 Table 6. Result of Data Classification
그림 Fig. 5. Data Sampling Methodology
그림 Fig. 6. Result of Data Sampling
그림 Fig. 7. XGBoost Modelling Structure
표 Table 7. Set of Values for Best Hyperparameters
그림 Fig. 8. Loss Function according to the Number of Training Iterations
표 Table 8. Loss Function Result
표 Table .9 Confusion Matrix
그림 Fig. 9. F1 Score Result
그림 Fig. 10. SHAP Feature Importance
표 Table 10. Performance Metrics
표 Table 11. Accuracy Result

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 고속도로 콘크리트 포장 열화 예측을 위해 머신러닝 기법인 분류학습을 기반으로 하는 파손 예측 방법을 제안하려 한다.
따라서 본 연구에서는 기존문헌 고찰을 통해 예측 성능이 우수한 의사결정나무기법 중 부스팅 방식인 XGBoost를 활용하여 국내 고속도로 콘크리트 포장 파손을 예측하는 기법을 제안하고 성능을 평가하였다.
본 연구에서는 고속도로 포장 파손 예측을 위해 머신러닝 기법 중 머신러닝을 활용한 예측 기법을 제안하였다.

제안 방법

GridSearchCV API를 이용해 Classifier나 Regressor와 같은 알고리즘에 사용되는 하이퍼 파라미터를 순차적으로 입력하면서 편리하게 최적의 파라미터를 도출할 수 있는 방안을 제공한다. 즉, 데이터 세트를 Cross-validation을 위한 Train/Test 세트로 자동으로 분할한 뒤에 하이퍼 파리미터 그리드에 기술된 모든 파라미터를 순차적으로 적용해 최적의 파라미터를 찾을 수 있게 해준다.
먼저 도로파손에 영향을 주는 변수들을 기존문헌 고찰을 통해 선정된 ESAL 및 환경 변수 총 6개의 독립변수 데이터와 고속도로 포장상태지수(HPCI)에 따른 상태 클래스(0, 1)를 종속변수로 하는 데이터 셋을 구축하였다. 구축된 데이터 셋을 기반으로 머신러닝 분석을 통한 고속도로 콘크리트 포장 파손 예측을 위해 의사결정나무 기법인 XGBoost를 활용하여 예측 기법을 제안하고 성능을 평가하였다.
구축된 데이터 셋을 기반으로 의사결정나무 기법 중 하나인 XGBoost를 활용한 머신러닝 분석을 수행하여 고속도로 콘크리트 포장 파손 예측모델을 개발하였으며 그 성능을 평가하였다.
구축된 데이터 셋의 불균형 문제를 해결하기 위해 다수 범주의 데이터 개수를 소수 범주의 데이터 개수로 맞추어 불균형을 해소하는 언더 샘플링과 소수 범주의 데이터 개수를 다수 범주의 데이터 개수로 맞추어 불균형을 해소하는 언더 샘플링, 그리고 두 가지 방법을 혼합한 샘플링 기법을 통해 데이터 불균형 문제를 해결하였다. 데이터 불균형 문제가 해결된 샘플링 데이터들에 XGBoost 기법을 활용하여 예측 모델을 개발하고 F1 스코어를 통해 모델의 성능을 평가하였다.
2]와 같이 부스팅 방식은 먼저 학습 데이터와 테스트 데이터를 적당한 비율로 랜덤하게 추출하여 분할한다. 그 다음 테스트 셋에서 부스트트랩 샘플링 기법을 이용해 샘플을 추출하고 특정한 학습 알고리즘에 적용하여 분류기를 생성한다. 이렇게 생성된 분류기의 분류결과를 통해 잘못 분류한 데이터와 추출되지 않은(학습에 이용되지 않은) 데이터에는 가중치를 부여하여 다음 학습에 이용한다.
7]과 같은 모델링 구조를 가진 XGBoost 모델의 파라미터 튜닝을 위해서 먼저 Learning Rate를 선택하고 이 학습률에 맞는 트리 개수를 선정하였다. 그리고 max_depth, min_child_weight, gamma 등의 파라미터를 선정하고 다시 학습률을 낮춰 위의 과정을 반복하여 최적 파라미터를 선정하였다.
데이터 분류는 [Table 5]와 같이 이진분류 기법을 활용하기 위하여 고속도로 콘크리트 포장 유지보수 기준인 HPCI가 3이하일 경우 유지보수가 필요한 구간[Table 1], 즉 파손된 구간으로 분류하여, 파손으로 인한 유지보수가 필요한 구간은 ‘1’, 유지보수가 필요하지 않은 구간은 ‘0’으로 데이터를 분류하였다.
구축된 데이터 셋의 불균형 문제를 해결하기 위해 다수 범주의 데이터 개수를 소수 범주의 데이터 개수로 맞추어 불균형을 해소하는 언더 샘플링과 소수 범주의 데이터 개수를 다수 범주의 데이터 개수로 맞추어 불균형을 해소하는 언더 샘플링, 그리고 두 가지 방법을 혼합한 샘플링 기법을 통해 데이터 불균형 문제를 해결하였다. 데이터 불균형 문제가 해결된 샘플링 데이터들에 XGBoost 기법을 활용하여 예측 모델을 개발하고 F1 스코어를 통해 모델의 성능을 평가하였다.
따라서 본 연구에서는 [Table 4]와 같이 고속도로 콘크리트 포장에 파손을 주는 인자인 공용년수, 폭염일수, 강수량, 평균기온 0도 이하일수, 최저기온 –2도 이하 일수, 적설일수, ESAL을 입력데이터로 하는 데이터 셋을 구축하였다.
따라서 본 연구에서는 여러 데이터 샘플링 기법을 통해 [Fig. 6]과 같이 여러 개의 데이터 셋을 구축하여 XGBoost 기법을 활용한 파손 예측 모델을 개발하였다.
따라서 초기 상태에서 공용연수의 증가에 따른 포장 파손을 예측하기 위해, 수집한 데이터 범위의 기준년도가 되는 해당년도에 데이터 중 HPCI가 4 이상이며, SD 값이 0m², IRI 값이 1.18m/km 이하인 대상만을 초기 상태로 정의하였다.
따라서 학습보다는 검증 과정의 결과가 현실을 더 반영하며, 정확도 보다는 정밀도와 재현율을 혼합한 F1 스코어가 더욱 보수적인 기준이므로 검증과정의 F1 스코어를 중심으로 모델의 성능을 최종적으로 평가하였다.
또한, 과적합을 방지하기 위하여 오류함수의 성능 개선이 없을 경우 조기 중단할 수 있는 최소 반복 횟수를 100회로 선정하였다. 마지막으로 데이터 전처리를 통해 임의적으로 뽑은 샘플이 편향 됐을 가능성이 있으므로 검증 데이터는 원본 데이터(Original Data)를 활용하여 예측모델의 성능을 평가하였다.
또한, 과적합을 방지하기 위하여 오류함수의 성능 개선이 없을 경우 조기 중단할 수 있는 최소 반복 횟수를 100회로 선정하였다. 마지막으로 데이터 전처리를 통해 임의적으로 뽑은 샘플이 편향 됐을 가능성이 있으므로 검증 데이터는 원본 데이터(Original Data)를 활용하여 예측모델의 성능을 평가하였다.
먼저 도로파손에 영향을 주는 변수들을 기존문헌 고찰을 통해 선정된 ESAL 및 환경 변수 총 6개의 독립변수 데이터와 고속도로 포장상태지수(HPCI)에 따른 상태 클래스(0, 1)를 종속변수로 하는 데이터 셋을 구축하였다. 구축된 데이터 셋을 기반으로 머신러닝 분석을 통한 고속도로 콘크리트 포장 파손 예측을 위해 의사결정나무 기법인 XGBoost를 활용하여 예측 기법을 제안하고 성능을 평가하였다.
(2019)은 프리스트레스트 콘크리트 I형 교량의 바닥판을 대상으로 파손 예측 모델을 개발하였다. 모델은 인공지능 모델인 심층신경망(Deep Neural Networks; DNN) 기법과 XGBoost를 활용하여 개발하였으며 연구결과 더 높은 정확도를 보이는 XGBoost 모델을 최종 모델로 선정하였다.
본 연구에서는 [Fig. 7]과 같은 모델링 구조를 가진 XGBoost 모델의 파라미터 튜닝을 위해서 먼저 Learning Rate를 선택하고 이 학습률에 맞는 트리 개수를 선정하였다. 그리고 max_depth, min_child_weight, gamma 등의 파라미터를 선정하고 다시 학습률을 낮춰 위의 과정을 반복하여 최적 파라미터를 선정하였다.
이에 본 연구에서는 도로파손에 영향을 주는 변수들을 기존문헌 고찰을 통해 축하중 교통량(Equivalent Single Axle Load; ESAL) 및 환경 변수 등 총 7개의 독립변수 데이터와 고속도로 포장상태지수(Highway Pavement Condition Index; HPCI)를 기반으로 한 포장 상태를 종속변수로 하는 데이터 셋을 구축하였다.
현재 수집할 수 없는 미래의 데이터를 투입하는 경우를 모사하기 위해, 데이터를 8:2 비율로 학습(training)과 검증(testing) 데이터로 분할하였으며, 학습 데이터는 다시 5등분하여, 그 중 하나를 학습된 모델의 성능을 확인(validation)하는 데이터로 확인하고 나머지 4/5를 학습에 활용하는 과정을 확인 데이터 셋으로 바꾸는 과정을 총 5회 반복하여 수행하는 5-fold cross validation을 사용하여 검증하였다.

대상 데이터

고속도로 데이터의 포장형식은 총 6개의 형식으로 AP교면, AP복합단면, AP토공, CP교면, CRCP, JCP로 나뉘어져있으며 그 중 많은 비중을 차지하고 있는 콘크리트 JCP를 대상으로 분석하였다[Fig. 3].
따라서 본 연구에서는 [Table 4]와 같이 고속도로 콘크리트 포장에 파손을 주는 인자인 공용년수, 폭염일수, 강수량, 평균기온 0도 이하일수, 최저기온 –2도 이하 일수, 적설일수, ESAL을 입력데이터로 하는 데이터 셋을 구축하였다. 그러나 대상 구간의 위치 좌표 정보가 누락되어 있어 기상자료를 정확하게 맵핑하기에는 다소 어려워 대상구간과 가장 가까운 기상관측소 데이터를 활용하였다.
본 연구에서는 고속도로 포장 파손 예측 모델 개발을 위해 2008년~2017년까지의 HPCI 데이터를 고속도로 포장관리시스템에서 수집하였다.
이러한 데이터 가공 과정을 거쳐 [Table 2]와 [Fig. 4]와 같이 19개 노선, 42개 지역에서 총 34,449개 데이터를 수집하였다.

이론/모형

도로포장 파손 예측은 아니지만 도로시설물인 교량에 대한 파손 예측 모델에도 머신러닝 기법이 활용되었다. Lim et al.
마지막으로 [Fig. 10]은 SHAP 방법을 활용하여 변수의 중요도를 산정하였다. SHAP는 SHapley Additive exPlanations의 약자로 입력 데이터에 대해 섀플리 값과 피처 간 독립성을 활용하여 입력 데이터의 중요도를 식 (6)과 같이 산정한다.
본 연구에서는 SMOTE와 ENN을 함께 사용하는 혼합 샘플링 방법을 활용하였다.
언더 샘플링은 많은 데이터 세트를 적은 데이터 세트 수준으로 감소시키는 방식이며, 정상 레이블 데이터를 이상 레이블 데이터 수준으로 줄여 버린 상태에서 학습을 수행하여 과도하게 정상 레이블로 학습/예측하는 부작용을 개선할 수 있지만, 너무 많은 정상 레이블 데이터를 감소시키기 때문에 정상 레이블의 경우 오히려 제대로 된 학습을 수행할 수 없다는 단점이 있어 잘 적용하지 않는 방법이다. 본 연구에서는 언더 샘플링 기법중 Editetd Nearest Neighbours (ENN) 방법을 활용하였다. ENN은 K-Nearest Neighbor (KNN)을 사용해 다수 클래스 데이터를 축소, 이웃한 데이터 중 자신과 같은 클래스보다 다른 클래스의 데이터가 많을 경우 해당 데이터는 제외하는 방법이다(Dennis, L.
동일한 데이터를 단순히 증식하는 방법은 과적합이 되기 때문에 의미가 없으므로 원본 데이터의 피처 값들을 아주 약간만 변경하여 증가시킨다. 본 연구에서는 오버 샘플링 방법 중 Synthetic Minority Over-sampling Technique(SMOTE) 활용하였다. SMOTE는 적은 데이터 세트에 있는 개별 데이터들의 K 최근접 이웃을 찾아서 이 데이터와 K개 이웃들의 차이를 일정 값으로 만들어서 기존 데이터와 약간 차이가 나는 새로운 데이터들을 생성하는 방식이다.

성능/효과

마지막으로 SHAP 방법을 활용하여 도로파손에 영향을 주는 주요 변수를 산정하였으며 공용년수, ESAL, 최저 평균 기온 –2도 이하 일수 순으로 산정되었다.
분석 결과 오버 샘플링 기법이 포장 파손 예측 성능이 가장 우수한 결과를 보였으며 언더샘플링과 혼합샘플링의 경우 원본 데이터를 활용했을 때보다 예측모델의 성능수준이 감소하였다.
분석 결과, 공용년수, 축하중 교통량, 평균 최저기온 –2도 이하 일수 순으로 도로 파손에 영향을 주는 주요 변수로 나타났다.
, 1997)을 기준으로 하였다. 분석 결과를 요약하면 유지보수가 필요 없는 구간(0)의 예측 성능은 F1 스코어가 예측모델 모두 0.95가 넘어 예측 성능이 우수하였으나, 파손으로 인하여 유지보수가 필요한 구간(1)의 예측 성능은 F1 스코어가 모델 모두 0.7미만으로 기준을 만족하지 못하였다.
오버 샘플링 기법을 적용하게 될 경우 원본 데이터를 활용하는 것보다 성능은 향상되었지만, 언더 샘플링 기법과 혼합 샘플링 기법의 경우 오히려 F1 스코어가 감소하였다. 이는 데이터 불균형을 해결하였지만 원본 데이터의 이상치 데이터 제거 등 세밀한 데이터 전처리 작업과 상관분석을 통한 영향력이 높은 변수들만을 고려한 추가 분석이 필요한 것으로 판단된다.

후속연구

그러나 본 연구에서 개발한 콘크리트 파손 예측 모델은 유지보수가 필요 없는 구간(0)의 예측 성능은 우수하였으나, 파손으로 인하여 유지보수가 필요한 구간(1)의 예측 성능은 성능 수준 기준을 만족하지 못하여 현장에 바로 적용하기에는 다소 어려움이 있어 보완이 필요하다.
따라서 향후 연구를 통해 세밀한 데이터 전처리와 추가 분석을 통해 예측 모델의 성능을 향상시킨다면 보다 정확한 유지보수 필요 구간의 예측이 가능해져 장래 고속도로 포장 유지보수 예산의 추정에 중요한 기초정보로 활용될 수 있을 것이라 기대된다.
오버 샘플링 기법을 적용하게 될 경우 원본 데이터를 활용하는 것보다 성능은 향상되었지만, 언더 샘플링 기법과 혼합 샘플링 기법의 경우 오히려 F1 스코어가 감소하였다. 이는 데이터 불균형을 해결하였지만 원본 데이터의 이상치 데이터 제거 등 세밀한 데이터 전처리 작업과 상관분석을 통한 영향력이 높은 변수들만을 고려한 추가 분석이 필요한 것으로 판단된다.

참고문헌 (21)

Batista, G.E.A.P.A., Ronaldo C. Prati and Maria Carolina Monard (2004). "A study of the behavior of several methods for balancing machine learning training data." SIGKDD Explorations, 6(1), pp. 20-29.

상세보기
Dennis L., Wilson (1972). "Asymptotic properties of nearest neighbor rules using edited data." IEEE Transactions on Systems, Man, and Cybernetice, 3, pp. 408-421.

상세보기
Do, M., Lee, Y., Lim, K., and Kwon, S. (2011). "Estimation of Performance and Pavement Life using National Highway Pavement Condition Index." KSCE Journal of Civil Engineering, 15(2), pp. 261-270.

상세보기
Gharaibeh, N., and Darter, M. (2003). "Probabilistic analysis of highway pavement life for Illinois." Transportation Research Record 1823, No. 03-4294, pp. 111-120.
Gong, H., Sun, Y., and Huang, B. (2019). "Gradient Boosted Models for Enhancing Fatigue Cracking Prediction in Mechanistic-Empirical Pavement Design Guide." Journal of Transportation Engineering, Part B: Pavementsm, 145(2), 04019014-1-04019014-10.

상세보기
Han, D., Do, M., and Kim, B. (2017). "Internal Property and Stochastic Deterioration Modeling of Total Pavement Condition Index for Transportation Asset Management." International Journal of Highway Engineering, 19(5), pp. 1-11.
Ju, Huyan (2019). "Development of Machine Learning Based Analytical Tools for Pavement Performance Assessment and Crack Detection." Doctoral Thesis.
Ko, M. (2020). "Climate Changes and the Future of the Environment." Archives of 21st KIPA Public Leadership Seminar, pp. 1-58.
Korea Expressway Corporation (2010). "Guideline for Exposure to Environment."
Korea Expressway Corporation (2018). "2017 Investigation and analysis of highway pavement condition."
Kwon, S., Jeong, K., and Sun, Y. (2012). "A Study on Decision Criteria of traffic volumes for Choosing of Modified Asphalt Pavement in Korea National Highway." International Journal of Highway Engineering, 4(3), pp. 25-33.
Lee, Y. (2013). "A Study on the Method of Establishing Road Maintenance Strategy Considering the Forecasting Traffic Demand." Master Thesis.
Lee, Y., and Lee, M. (2016). "A Study on Estimating of Probability Distribution and Mean Life of Bridge Member for Effective Maintenance of the Bridge." Korea Journal of Construction Engineering and Management, KICEM, 17(4), pp. 57-65.

원문보기 상세보기
Lee, Y., Sun, J., and Lee, M. (2019). "Development of Deep Learning Based Deterioration Prediction Model for the Maintenance Planning of Highway Pavement." Korea Journal of Construction Engineering and Management, KICEM, 20(6), pp. 34-43.
Lim, S., and Chi, S. (2019). "Xgboost application on bridge management systems for proactive damage estimation." Advanced Engineering Informatics, 41, pp. 1-14.
Loizos, A., and Karlaftis, M.G. (2005). "Prediction of pavement crack initiation from in-service pavements: A duration model approach." Journal of the Transportation Research Board, 1940, TRB, pp. 38-42.

상세보기
Moon, K., You, T., Kim, J., and Park, J. (2017). "An Application Study on Selecting Proper and Otimized Sections for Remodeling of Aged Pavement." Expressway & Transportation Research Institute, Report No. KECRI-2017-32-534.9607.
Kohavi, R., and John, G.H. (1997). "Wrappers for feature subset selection." Artificial Intelligence, 97, Issues1-2, pp. 273-324.

상세보기
Chen, T., and Guestrin, C. (2016). "XGBoost: A Scalable Tree Boosting System." KDD'16, pp. 785-794.
Yang, J., Gunaratne, M., Lu, J.J., and Dietrich, B. (2005). "Use of recurrent Markov chains for modeling the crack performance of flexible pavements." Journal of Transportation Engineering, 131(11), pp. 861-872.

상세보기
You, P., and Lee, D. (2002). "Methodology of a Probabilistic Pavement Performance Prediction Model Based on the Markov Process." International Journal of Highway Engineering, 4(4), pp. 1-12.

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