$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

건설현장 정형·비정형데이터를 활용한 기계학습 기반의 건설재해 예측 모델 개발
Development of Machine Learning-based Construction Accident Prediction Model Using Structured and Unstructured Data of Construction Sites 원문보기

KSCE Journal of Civil and Environmental Engineering Research = 대한토목학회논문집, v.42 no.1, 2022년, pp.127 - 134  

조민건 (성균관대학교 미래도시융합공학과) ,  이동환 (성균관대학교 미래도시융합공학과) ,  박주영 (성균관대학교 건설환경시스템공학과) ,  박승희 (성균관대학교 건설환경공학부)

초록
AI-Helper 아이콘AI-Helper

현재 국내 건설업에서는 꾸준히 증가하는 건설재해를 예방하기 위해 다양한 정책적 노력과 연구가 활발하게 진행되고 있다. 기존 연구에서 건설재해 예방을 위해 개발한 예측 모델의 경우, 주로 정형데이터만을 활용하였기에 건설현장의 다양한 특성을 충분히 고려하지 못한 예측 결과가 도출되었다. 따라서, 본 연구에서는 정형데이터와 텍스트 형식의 비정형데이터를 동시에 활용하여 건설현장의 특성을 충분히 고려할 수 있는 기계학습 기반 건설재해 사전 예측 모델을 개발하였다. 본 연구는 기계학습을 위해 건설공사 안전관리 종합정보망(CSI)의 최근 3년간 건설재해 데이터 6,826건을 수집하였다. 수집된 데이터 중 정형데이터의 학습은 5가지 알고리즘의 성능 분석을 통해 Decision forest 알고리즘을 사용하였고 비정형데이터의 학습은 BERT 언어모델을 사용하였다. 정형 및 비정형데이터를 동시에 활용한 건설재해 예측 모델의 성능 비교 결과, 정형데이터만을 활용한 경우보다 약 20 % 향상된 95.41 %의 예측정확도가 도출되었다. 본 연구 결과, 비정형데이터를 동시에 활용함으로써 예측 모델의 효과적인 성능 향상을 확인하였으며, 보다 정확한 예측을 통한 건설재해 저감을 기대할 수 있다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recently, policies and research to prevent increasing construction accidents have been actively conducted in the domestic construction industry. In previous studies, the prediction model developed to prevent construction accidents mainly used only structured data, so various characteristics of const...

주제어

#건설재해   #예측모델   #기계학습  

표/그림 (8)

참고문헌 (29)

  1. Beautiful Soup (2020). Beautiful soup documentation, Available at: https://www.crummy.com/software/BeautifulSoup/bs4/doc/ (Accessed: June 25, 2020). 

  2. Cho, J. H. (2012). "A study on the causes analysis and preventive measures by disaster types in construction fields." Journal of the Korea Safety Management & Science, Vol. 14, No. 1, pp. 7-13. 

  3. Cho, Y. R., Kim, Y. C. and Shin, Y. S. (2017). "Prediction model of construction safety accidents using decision tree technique." Journal of the Korea Institute of Building Construction, Vol 17, No. 3, pp. 295-303 (in Korean). 

  4. Choi, S. J., Kim, J. H. and Jung, K. H. (2021). "Development of prediction models for fatal accidents using proactive information in construction sites." Journal of the Korean Society of Safety, Vol. 36, No. 3, pp. 31-39 (in Korean). 

  5. Choi, S. Y. (2020). Comparison analysis of deaths in construction industry in OECD countries, Construction & Economy Research Institute of Korea, pp. 13 (in Korean). 

  6. Cortes, C. and Vapnik, V. (1995). "Support-vector networks." Machine Learning, Vol. 20, pp. 273-297. 

    상세보기

  7. Devlin, J., Chang, M. W., Lee, K. and Toutanova, K. (2019). "BERT: Pre-training of deep bidirectional transformers for language understanding." arXiv:1810.04805v2, pp. 1-16. 

  8. Fisher, A., Rudin, C. and Dominici, F. (2019). "All models are wrong, but many are useful: learning a variable's importance by studying an entire class of prediction models simultaneously." arXiv:1801.01489v5, pp. 1-81. 

  9. Ha, M. S. and Ahn, H. C. (2019). "A machine learning-based vocational training dropout prediction model considering structured and unstructured data." Journal of the Korea Contents Association, Vol. 19, No. 1, pp. 1-15. 

  10. Hoskins, J. C. and Himmelblau, D. M. (1992). "Process control via artificial neural networks and reinforcement learning." Computers & Chemical Engineering, Vol. 16, No. 4, pp. 241-251. 

    상세보기

  11. Kim, B. S. (2008). "The appropriation and the use scheme of safety control cost for reducing severity rate of injury on construction." Journal of the Korean Society of Civil Engineers, KSCE, Vol. 28, No. 3D, pp. 383-390 (in Korean). 

  12. Kim, Y. C., Yoo, W. S. and Shin, Y. S. (2017). "Application of artificial neural networks to prediction of construction safety accidents." Journal of the Korean Society of Hazard Mitigation, Vol. 17, No. 1, pp. 7-14 (in Korean). 

  13. Korea Labor Institute (KLI) (2013). Construction industry accident status analysis and policy direction, pp. 31 (in Korean). 

  14. Korea Occupational Safety and Health Agency (KOSHA) (2019). 2019 Large accident report book, pp. 9 (in Korean). 

  15. Lee, C. H., Lee, Y. J. and Lee, D. H. (2020). "A study of fine tuning pre-trained korean BERT for question answering performance development." Journal of Information Technology Services, Vol. 19, No. 5, pp. 83-91 (in Korean). 

  16. Lee, S. G. (2018). "A study on the trends of construction safety accident in unstructured text using topic modeling." Journal of the Korea Academia-Industrial Cooperation Society, Vol. 19, No. 10, pp. 176-182 (in Korean). 

  17. Lim, W. J., Kee, J. H., Seong, J. H. and Park, J. Y. (2019). "Development of accident cause analysis model for construction site." Journal of the Korean Society of Safety, Vol. 34, No. 1, pp. 45-52 (in Korean). 

  18. Ministry of Employment and Labor (MOEL) (2020). 2019 Industrial accident analysis of current situation, pp. 32 (in Korean). 

  19. Park, K. C. and Kim, H. K. (2021). "Analysis of seasonal importance of construction hazards using text mining." KSCE Journal of Civil and Environmental Engineering Research, KSCE, Vol. 41, No. 3, pp. 305-316 (in Korean). 

  20. Raschka, S. (2018). "Model evaluation, model selection, and algorithm selection in machine learning." arXiv:1801.01489v5, pp. 1-45. 

  21. Rokach, L. (2016). "Decision forest: Twenty years of research." Information Fusion, Vol. 27, pp. 111-125. 

  22. Shanker, M., Hu, M. Y. and Hung, M. S. (1996). "Effect of data standardization on neural network training." The International Journal of Management Science, Vol. 24, No. 4, pp. 385-397. 

  23. Sokolova, M. and Lapalme, G. (2009). "A systematic analysis of performance measures for classification tasks." Information Processing and Management, Vol. 45, No. 4, pp. 427-437. 

    상세보기

  24. Sperandei, S. (2014). "Understanding logistic regression analysis." Biochemia Medica, Vol. 24, No. 1, pp. 12-18. 

    상세보기

  25. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. and Polosukhin, I. (2017). "Attention is all you need." arXiv:1706.03762v5, pp. 1-15. 

  26. Woo, D. C., Moon, H. S., Kwon, S. B. and Cho, Y. H. (2019). "A deep learning application for automated feature extraction in transaction-based machine learning." Journal of Information Technology Service, Vol. 18, No. 2, pp. 143-159. 

  27. Yu, Y. J., Kim, T. H., Son, K. Y., Lee, K. H. and Kim, J. M. (2016). "Analysis of primary internal and external risk factors according to the accident causes in construction site." Journal of the Korea Institute of Building Construction, Vol. 16, No. 6, pp. 519-527 (in Korean). 

  28. Zhang, F., Fleyeh, H., Wang, X. and Lu, M. (2019). "Construction site accident analysis using text mining and natural language processing techniques." Automation in Construction, Vol. 99, pp. 238-248. 

    상세보기

  29. Zhang, H. (2004). The optimality of naive bayes, American Association for Artificial Intelligence, USA, pp. 1-6. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로