[논문]아파트 하자 보수 시설공사 세부공종 머신러닝 분류 시스템에 관한 연구

김은혜; 지홍근; 김지나; 박은일; 엄재용

doi:10.3745/ktsde.2021.10.9.359

아파트 하자 보수 시설공사 세부공종 머신러닝 분류 시스템에 관한 연구
Classifying Sub-Categories of Apartment Defect Repair Tasks: A Machine Learning Approach 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.10 no.9, 2021년, pp.359 - 366

김은혜 (성균관대학교 데이터사이언스융합학과) , 지홍근 (성균관대학교 인공지능융합학과) , 김지나 (성균관대학교 인터랙션사이언스) , 박은일 (성균관대학교 인공지능융합학과) , 엄재용 (한국과학기술원 기술경영전문대학원)

초록
AI-Helper

대한민국 건설사들은 아파트 하자 정보를 축적하고 보수작업을 관리하기 위한 시스템을 운영하는데 상당한 인력과 비용을 투자하고 있다. 본 연구에서는 하자 접수 상세내용 텍스트 데이터를 이용하여 하자 보수 시설공사에 따른 세부공종을 분류하는 머신러닝 모델을 제안한다. 두 가지 단어 임베딩(Bag-of-words, Term Frequency-Inverse Document Frequency (TF-IDF))과 두 가지 분류기(Support Vector Machine, Random Forest)를 통해 한국어로 작성된 65만건 이상의 하자 접수데이터로부터 하자보수 시설공사 세부공종을 분류했다. 특히, 이번 연구에서는 특정 시설공사(마감공사)의 9개 세부공종(가전제품, 도배공사, 도장공사, 미장공사, 석공사, 수장공사, 옥내가구공사, 주방기구공사, 타일공사)을 분류하는 이진분류 모델과 다중 분류 모델을 연구했다. 그 결과, TF-IDF와 Random Forest를 사용한 두가지 분류 모델에서 90%이상의 정확도, 정밀도, 재현율 및 F1점수를 확인했다.

Abstract ▼ AI-Helper

A number of construction companies in Korea invest considerable human and financial resources to construct a system for managing apartment defect data and for categorizing repair tasks. Thus, this study proposes machine learning models to automatically classify defect complaint text-data into one of the sub categories of 'finishing work' (i.e., one of the defect repair tasks). In the proposed models, we employed two word representation methods (Bag-of-words, Term Frequency-Inverse Document Frequency (TF-IDF)) and two machine learning classifiers (Support Vector Machine, Random Forest). In particular, we conducted both binary- and multi- classification tasks to classify 9 sub categories of finishing work: home appliance installation work, paperwork, painting work, plastering work, interior masonry work, plaster finishing work, indoor furniture installation work, kitchen facility installation work, and tiling work. The machine learning classifiers using the TF-IDF representation method and Random Forest classification achieved more than 90% accuracy, precision, recall, and F1 score. We shed light on the possibility of constructing automated defect classification systems based on the proposed machine learning models.

주제어

표/그림 (11)

그림 Fig. 2. Work Process
그림 Fig. 1. The Number of Apartment Defect Conflicts in South Korea
표 Table 1. Residential Type in South Korea, 2019
표 Table 2. Overview of Data Collection
표 Table 3. Defect Frequencies for Each Repair Task
그림 Fig. 3. Research Methodology and Procedures
표 Table 4. Defect Frequencies for Each Sub Categories for Finishing Work
표 Table 5. Performance Metrics of Binary Classification Models
그림 Fig. 4. Results of Binary Classification Models
그림 Fig. 5. Results of Multi-class Classification Models
표 Table 6. Performance Metrics of Multi-class Classification Models

참고문헌 (12)

Kim, Daenyeon, Housing Survey Statistical Report (2019) [Internet], http://stat.molit.go.kr/portal/cate/statFileView.do?hRsId327&hFormId
D. S. Watt, "Building pathology: Principles and practice," John Wiley & Sons, 2009.
Housing Construction Supply Division, Apartment Defect Dispute Mediation Committee [Internet] http://www.adc.go.kr
Jin, Dongyeong, Apartment defect application, 62 times' explosion' in 10 years [Internet], https://www.sedaily.com/NewsView/1Z8YOBPOY1.
The Housing Policy Division. Housing act [Internet], https://www.law.go.kr/LSW/eng/engLsSc.do?menuId2§ionlawNm&query16006.
S. H. Lee, S. H. Lee, and J. J. Kim, "Evaluating the impact of defect risks in residential buildings at the occupancy phase," Sustainability, Vol.10, No.12, pp.4466, 2018.

상세보기
B. Kim, Y. H. Ahn, and S. H. Lee, "LDA-based model for defect management in residential buildings," Sustainability, Vol.11, No.24, pp.7201, 2019.

상세보기
S. Y. Park, Y. H. Ahn, and S. H. Lee, "Analyzing the finishing works service life pattern of public housing in South Korea by probabilistic approach," Sustainability, Vol.10, No.12, pp.4469, 2018.

상세보기
T. Joachims, "A probabilistic analysis of the rocchio algorithm with TFIDF for text categorization," Carnegie-mellon Univ Pittsburgh Pa Dept of Computer Science, 1996.
F. Pedregosa, et al., "Scikit-learn: Machine learning in Python," The Journal of Machine Learning Research, Vol.12, pp.2825-2830, 2011.

상세보기
Glemaitre. Imbalanced-Learn [Internet], https://github.com/scikit-learn-contrib/imbalanced-learn/tree/master/imblearn.
W. McKinney, "Data structures for statistical computing in python," Proceedings of the 9th Python in Science Conference, Vol.445, 2010.

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