[논문]기계학습을 활용한 도로비탈면관리시스템 데이터 품질강화에 관한 연구

이세혁; 김승현; 우용훈; 문재필; 양인철

doi:10.9720/kseg.2021.1.031

초록
AI-Helper

도로비탈면관리시스템(Cut-Slope Management System, CSMS)은 전국 일반국도 비탈면에 대해 기초·정밀 조사를 바탕으로 데이터베이스를 구축해왔다. 그런데 이러한 데이터는 사람에 의해 기록되기 때문에 데이터 누락 및 오기입 문제가 발생할 수밖에 없다. 본 연구에서는 데이터의 불완전성 문제를 극복하기 위해 여러 머신러닝 기반의 예측모델들을 개발하고 이를 이용한 데이터 품질 강화 가능성을 검토하고자 하였다. 우선 다 범주 문자형 데이터를 수치화하는 과정을 수행하였고, 선정된 데이터 항목들에 대해 다항 로지스틱 회귀분석(Multinomial Logistic Regression)과 심층신경망(Deep-Neural-Network) 기반의 예측모델들을 개발하였다. 그 결과, 심층신경망 모델들의 정확도가 월등히 높은 것으로 나타났다. 향후 개발된 모델들을 활용하여 누락 및 오기입 데이터의 보완이 가능할 것으로 기대된다.

Abstract ▼ AI-Helper

Database of Cut-slope management system (CSMS) has been constructed based on investigations of all slopes on the roads of the whole country. The investigation data is documented by human, so it is inevitable to avoid human-error such as missing-data and incorrect entering data into computer. The goa...

Database of Cut-slope management system (CSMS) has been constructed based on investigations of all slopes on the roads of the whole country. The investigation data is documented by human, so it is inevitable to avoid human-error such as missing-data and incorrect entering data into computer. The goal of this paper is constructing a prediction model based on several machine-learning algorithms to solve those imperfection problems of the CSMS data. First of all, the character-type data in CSMS data must be transformed to numeric data. After then, two algorithms, i.g., multinomial logistic regression and deep-neural-network (DNN), are performed, and those prediction models from two algorithms are compared. Finally, it is identified that the accuracy of DNN-model is better than logistic model, and the DNN-model will be utilized to improve data-quality.

주제어

표/그림 (5)

그림 Fig. 1. Example of decision-tree for identification of a rare event: the blue-colored boxes mean a rare event.
표 Table 1. Logistic regression example about the action variable based on 29 random variables (Woo et al., 2020)
표 Table 2. Multinomial logistic regression model for topography having 4 classes
그림 Fig. 2. Initial assumed models for deep-neural-network.
표 Table 3. Results of learning deep-neural-networks about previously mentioned examples

AI 본문요약
AI-Helper

문제 정의

본 연구는 다항 로지스틱 회귀분석과 심층 신경망을 이용하여 도로 비탈면 관리시스템(CSMS) 데이터 내 누락 및 오기입 데이터에 대한 보완 가능성을 검토하고 자 수행되었다. CSMS 데이터는 비탈면의 최대 높이, 각도, 사면 종류 등과 같은 객관적인 정보형 데이터와, 이를 토대로 현장에서 전문가에 의해 결정되는 조치, 위험도, 위험등급 등과 같은 주관적인 판단형 데이터로 이루어져 있다.
본 연구에서는 기본 정보 ‧기초조사를 바탕으로 전문가에 의해 결정되는 판단형 변수들에 대해서만 예측 모델을 개발했던 사전 연구와는 달리, 정보형 데이터 항목을 종속변수로 가정하는 경우에 대해서도 기계학습을 수행하고 누락된 정보를 예측할 수 있는 모델을 구축하고자 한다. 이때, 사용되는 정보형 데이터들은 대게 이항이 아니기 때문에, 기존 일반적인 로지스틱 회귀분석이 아닌 다 항로지스틱 회귀분석을 일차적으로 적용하여 한계점과 정확도를 파악하고, 그 후에 정확도를 높이기 위해 심층인공신경망을 검토 및 적용하였다.

제안 방법

그 이유로는 계수 추정 복잡도의 증가로 인해 최적화 관점에서 고차원 문제가 되었기 때문으로 예상된다. 다항로지스틱 회귀 모델의 낮은 정확도 문제로 인해, 심층 신경망을 검토하고 동일한 문제들에 대해 기계학습 모델을 도출하였다. 그 결과 대부분 상당히 높은 정확도를 갖는 것으로 나타났다.
이러한 데이터들은 수치형 데이터와 더불어 범주형(문자형) 데이터가 포함되어 있기 때문에 기계학습 수행을 위해 전처리가 필수적이다. 선행연구에서는 정보형 데이터 항목들을 독립변수로, 판단형 데이터 중 특정 항목들을 종속변수로 가정하여 로지스틱 예측 모델을 적용하고 이를 활용하여 데이터 보완뿐만 아니라 도로 비탈면 관리업무 효율성 증대 가능성을 살펴보았다.
본 연구에서는 기본 정보 ‧기초조사를 바탕으로 전문가에 의해 결정되는 판단형 변수들에 대해서만 예측 모델을 개발했던 사전 연구와는 달리, 정보형 데이터 항목을 종속변수로 가정하는 경우에 대해서도 기계학습을 수행하고 누락된 정보를 예측할 수 있는 모델을 구축하고자 한다. 이때, 사용되는 정보형 데이터들은 대게 이항이 아니기 때문에, 기존 일반적인 로지스틱 회귀분석이 아닌 다 항로지스틱 회귀분석을 일차적으로 적용하여 한계점과 정확도를 파악하고, 그 후에 정확도를 높이기 위해 심층인공신경망을 검토 및 적용하였다.

대상 데이터

앞서 언급한 29개의 독립변수 중 4개의 클래스를 갖는 주변 지형(Topography)을 종속변수로 선정하고 그 외 28개 변수는 그대로 독립변수로 가정하여 다중로지스틱 회귀분석을 수행하였다. 연구 배경에서 설명한 대로 데이터 전처리를 수행하였고, 교차 검증(Cross-Validation)을 위해 학습 데이터와 검증 데이터의 비율을 19:1가정, 즉 전체 데이터의 5%를 검증데이터로 사용하였다. 다항로지스틱 회귀분석 수행하기 위해 파이썬(Python)의 ‘sklearn’ 모듈을 사용하였고, 다항 로지스틱 모델을 구축하기 위해 ‘Newton-cg’ 알고리즘을 사용하였다.

데이터처리

앞서 언급한 29개의 독립변수 중 4개의 클래스를 갖는 주변 지형(Topography)을 종속변수로 선정하고 그 외 28개 변수는 그대로 독립변수로 가정하여 다중로지스틱 회귀분석을 수행하였다. 연구 배경에서 설명한 대로 데이터 전처리를 수행하였고, 교차 검증(Cross-Validation)을 위해 학습 데이터와 검증 데이터의 비율을 19:1가정, 즉 전체 데이터의 5%를 검증데이터로 사용하였다.
이 경우, ‘길이’ 독립변수를 제거하고 다시로지스틱 회귀분석을 수행하여 도 정확도 개선 측면에서 큰 영향이 없을 것으로 예상할 수 있다. 이를 확인하기 위해, 유의 확률이 큰 계수들을 포함하는 조사/미조사, 길이, 각도, 이격거리, 누수 위치세로, 누수 위치가로, 풍화도, 사면형상, 계곡부, 암반 형태, 불연속면 등 11개의 변수를 제거하고 다시 다 항로지 스틱 회귀분석을 수행하였다. 그 결과, 56.
앞서 도출된 4개의 예측 모델들은 독립변수와 종속변수 사이에 인과관계가 없는 경우이다. 추가적으로 다항 로지스틱 예측 모델의 정확도 파악을 위해, 인과관계를 갖는 독립변수(기초조사 : 정보형 데이터)와 종속변수(기초조사를 기반으로 전문가에 의해 결정되는 정밀조사 : 판단형 데이터)에 대해서도 회귀분석을 수행하였다. 앞서 언급된 29개의 독립변수와 3개의 클래스를 갖는 ‘위험도’, 5개의 클래스를 갖는 ‘위험등급’과 ‘등급 재조정’을 종속변수로 설정하고 다항 로지스틱 모델을 도출하였다.

이론/모형

다항로지스틱 회귀분석 수행하기 위해 파이썬(Python)의 ‘sklearn’ 모듈을 사용하였고, 다항 로지스틱 모델을 구축하기 위해 ‘Newton-cg’ 알고리즘을 사용하였다

성능/효과

다항로지스틱 회귀 모델의 낮은 정확도 문제로 인해, 심층 신경망을 검토하고 동일한 문제들에 대해 기계학습 모델을 도출하였다. 그 결과 대부분 상당히 높은 정확도를 갖는 것으로 나타났다. 하지만, 종속변수가 다범주가 아닌 이항으로 표현되는 경우는 여전히 기존 로지스틱 회귀 모델이 정확함을 확인하였고, 따라서 종속변수의 범주수에 따른 적절한 머신러닝 방법선정이 필요함을 알 수 있다.
본 연구에서는 판단형 변수와 더불어 정보형 변수들의 보완 가능성 검토를 목표로 하였는데, 이 경우 종속변수가 세 개 이상의 범주를 지니게 되어 일반로지스틱 모델 적용이 불가능하다. 따라서 다 범주 종속변수에 적용 가능한 다항로지스틱 회귀분석을 검토하고 적용해 보았지만, 도출된 예측 모델은 상당히 낮은 정확도를 보였다. 그 이유로는 계수 추정 복잡도의 증가로 인해 최적화 관점에서 고차원 문제가 되었기 때문으로 예상된다.
하지만, CSMS 데이터 내에 정보형 데이터가 판단형 데이터보다 더 많은 부분을 차지하며, 정보형 데이터 중 상당 부분은 다 범주변수들이다. 본 연구에서는 판단형 변수와 더불어 정보형 변수들의 보완 가능성 검토를 목표로 하였는데, 이 경우 종속변수가 세 개 이상의 범주를 지니게 되어 일반로지스틱 모델 적용이 불가능하다. 따라서 다 범주 종속변수에 적용 가능한 다항로지스틱 회귀분석을 검토하고 적용해 보았지만, 도출된 예측 모델은 상당히 낮은 정확도를 보였다.
그 결과 대부분 상당히 높은 정확도를 갖는 것으로 나타났다. 하지만, 종속변수가 다범주가 아닌 이항으로 표현되는 경우는 여전히 기존 로지스틱 회귀 모델이 정확함을 확인하였고, 따라서 종속변수의 범주수에 따른 적절한 머신러닝 방법선정이 필요함을 알 수 있다. 종속변수에 따른 적절히 선정된 방법을 통해 도출된 예측 모델들은 CSMS 데이터 내 누락 정보들을 보완할 수 있을 것으로 기대되며, 또한 선수집된 객관적 데이터들만을 이용하여 아직 수집되지 못한 변수들을 사전에 예측함으로써, 의사결정이 중요한 조사 우선순위 결정 혹은 정책 수립 업무들의 효율을 높일 수 있을 것으로 기대된다.

후속연구

하지만, 종속변수가 다범주가 아닌 이항으로 표현되는 경우는 여전히 기존 로지스틱 회귀 모델이 정확함을 확인하였고, 따라서 종속변수의 범주수에 따른 적절한 머신러닝 방법선정이 필요함을 알 수 있다. 종속변수에 따른 적절히 선정된 방법을 통해 도출된 예측 모델들은 CSMS 데이터 내 누락 정보들을 보완할 수 있을 것으로 기대되며, 또한 선수집된 객관적 데이터들만을 이용하여 아직 수집되지 못한 변수들을 사전에 예측함으로써, 의사결정이 중요한 조사 우선순위 결정 혹은 정책 수립 업무들의 효율을 높일 수 있을 것으로 기대된다.

참고문헌 (11)

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 Society of Forest Science, 105(4), 429-434 (in Korean with English abstract).

원문보기 상세보기
Cho, K., Lee, B.Y., Kwon, M., Kim, S., 2019, Air quality prediction using a deep neural network model, Journal of Korean Society for Atmospheric Environment, 35(2), 214-225 (in Korean with English abstract).

상세보기
Jung, M., Kim, J.G., Uranchimeg, Sumiya., Kwon, H.H., 2020, The probabilistic estimation of inundation region using a multiple logistic regression analysis, Journal of Korea Water Resources Association, 53(2), 121-129 (in Korean with English abstract).

원문보기 상세보기
Kim, J.H., Shin, J.M., Park, J.J., Ha, T.J., 2010, Development of hazard-level forecasting model using combined method of genetic algorithm and artificial neural network at signalized intersections, Journal of The Korean Society of Civil Engineers, 30(4D), 351-360 (in Korean with English abstract).
Kim, M.J., 2012, Performance comparison of internal accounting control assessment models applying logistic regression and neural networks, Korea International Accounting Review, 46, 1-30 (in Korean with English abstract).
Kim, T., Song, J., Kwon, O.S., 2020a, Pre- and post-earthquake regional loss assessment using deep learning, Earthquake Engineering and Structural Dynamics, 49(7), 657-678.

상세보기
Kim, T., Song, J., Kwon, O.S., 2020b, Probabilistic evaluation of seismic responses using deep learning method, Structural Safety, 84, 101913.

상세보기
Kim, T.H., Shin, Y.S., Lee, U.K., Kang, K.I., 2007, Decision support model using a decision tree for formwork selection in tall building construction, Journal of the Architectural Institute of Korea Structure & Construction, 23(11), 177-184 (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.
Sim, S., Kang, H., 2014, A polychotomous regression model with tensor product splines and direct sums, Journal of the Korean Data & Information Science Society, 25(1), 19-26 (in Korean with English abstract).

원문보기 상세보기
Woo, Y., Kim, S.H., Yang, I., Lee, S.H., 2020, The Study for Utilizing Data of Cut-Slope Management system by Using Logistic Regression, The Journal of Engineering Geology, 30(4), 649-661 (in Korean with English abstract).

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

기계학습을 활용한 도로비탈면관리시스템 데이터 품질강화에 관한 연구
The Study for Improvement of Data-Quality of Cut-Slope Management System Using Machine Learning 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기계학습을 활용한 도로비탈면관리시스템 데이터 품질강화에 관한 연구 The Study for Improvement of Data-Quality of Cut-Slope Management System Using Machine Learning 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

김승현 (27) 문재필 (10) 양인철 (10)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기계학습을 활용한 도로비탈면관리시스템 데이터 품질강화에 관한 연구
The Study for Improvement of Data-Quality of Cut-Slope Management System Using Machine Learning 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper