선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 트위터를 이용하여 위치를 기반으로 실시간으로 재난을 탐지하는 시스템을 제안하였다. 재난을 탐지하기 위해 형태소분석을 통해 트윗을 수집하고 지역명 키워드와 재난 키워드를 이용하여 수집한 트윗을 필터링한다.
제안 방법
- 재난 키워드와 트위터의 위치 정보인 지오태그(Geotag), 그리고 시간을 조건으로 재난을 분석하였다. 그러나 위치정보를 제공하는데 동의하지 않는 트위터 사용자의 경우 재난정보를 수집할 수 없기 때문에 본 논문에서는 지역명 키워드를 이용해서 위치정보를 수집하였다.
- 긴급한 재난 상황에서 트위터 사용자가 작성한 트윗을 통해 국내의 재난정보와 위치정보를 실시간으로 수집하고 텍스트 마이닝 과정을 거쳐 국내에서 발생하는 재난을 실시간으로 탐지할 수 있었다. 많은 양의 트위터에서 특정 지역에서 발생한 재난정보만을 추출하기 위해서 자연어처리와 키워드를 이용한 필터링을 사용하였고, 평균적으로 발생하는 트윗 개수에 대해서 갑작스럽게 트윗이 증가할 경우 최종적으로 시스템에서 재난으로 탐지하였다.
- 탐지한 재난 정보는 트윗 텍스트와 트윗 발생시간, 지역명 키워드, 재난 키워드로 구성되어 데이터베이스에 저장되고, 출력결과를 웹으로 구현하여 시스템 사용자에게 전파한다. 시스템은 Java Spring framework와 MySQL database를 이용하여 MVC 패턴으로 구현했으며, Google Map API[6]를 이용하여 실시간으로 수집하는 트윗 데이터에서 가장 최근에 국내에서 발생한 10개의 재난정보를 지도에 표시하였다. 또한 jQuery Mobile 라이브러리를 사용하여 모바일 환경에서도 최적화 되어있다.
- 실시간 재난탐지 시스템을 통해 탐지한 재난이 실제 발생했던 재난이었는지 확인하기 위해 네이버 뉴스속보와 비교하였고 재난탐지 결과는 와 같다.
- 이 후 텍스트로 구성되어 있는 트윗을 컴퓨터가 분석하기 위해 자연어처리가 필요하다. 자연어처리는 루씬 형태소분석기를 이용하여 문장에서 어절의 모든 가능한 분석 결과를 추출한다. 트윗 데이터를 형태소분석기를 이용해서 분석한 후에 행정구역명과 지하철역명에 해당하는 170개의 지역명 키워드로 필터링 과정을 진행하고 마지막으로 재난 키워드 필터링을 통해 재난정보만을 추출하여 데이터베이스에 저장한다.
- [3]에서는 실시간으로 수집되는 트위터를 통해 지역명 Kentucky와 Missouri에 발생하는 토네이도와 관련된 새로운 트윗을 분석하였다. 재난 키워드와 트위터의 위치 정보인 지오태그(Geotag), 그리고 시간을 조건으로 재난을 분석하였다. 그러나 위치정보를 제공하는데 동의하지 않는 트위터 사용자의 경우 재난정보를 수집할 수 없기 때문에 본 논문에서는 지역명 키워드를 이용해서 위치정보를 수집하였다.
- 본 논문에서는 트위터를 이용하여 위치를 기반으로 실시간으로 재난을 탐지하는 시스템을 제안하였다. 재난을 탐지하기 위해 형태소분석을 통해 트윗을 수집하고 지역명 키워드와 재난 키워드를 이용하여 수집한 트윗을 필터링한다. 그리고 재난탐지 알고리즘을 이용하여 평균적으로 발생한 트윗보다 최근 발생한 트윗 빈도수가 갑작스럽게 증가할 때 최종적으로 재난을 탐지하였다.
- 실시간 재난탐지 시스템은 재난정보 수집과 재난탐지 과정을 멀티스레드(Multi-Thread)를 이용하여 동시에 처리한다. 재난탐지 과정에서 분석을 위해 일정량의 수집된 데이터가 있어야하기 때문에 본 논문에서는 병렬적으로 시스템을 구성하였다. 실시간 재난탐지 시스템 구조는 (그림 1)과 같다.
- 자연어처리는 루씬 형태소분석기를 이용하여 문장에서 어절의 모든 가능한 분석 결과를 추출한다. 트윗 데이터를 형태소분석기를 이용해서 분석한 후에 행정구역명과 지하철역명에 해당하는 170개의 지역명 키워드로 필터링 과정을 진행하고 마지막으로 재난 키워드 필터링을 통해 재난정보만을 추출하여 데이터베이스에 저장한다. 재난 키워드는 재난이 발생할 경우 트윗에 포함되었던 키워드인 ‘사고, 재난, 폭발, 붕괴, 사망, 부상 등’ 46개의 키워드로 정했다.
대상 데이터
- 시스템의 성능을 평가하기 위해 2015년 8월 1일부터 2015년 12월 31일까지 수집한 트위터를 이용하였다. 본 논문에서 제안하는 시스템의 개발환경은 <표 1>과 같다.
이론/모형
- 실시간 재난탐지 시스템은 재난정보 수집과 재난탐지 과정을 멀티스레드(Multi-Thread)를 이용하여 동시에 처리한다. 재난탐지 과정에서 분석을 위해 일정량의 수집된 데이터가 있어야하기 때문에 본 논문에서는 병렬적으로 시스템을 구성하였다.
성능/효과
- 재난을 탐지하기 위해 형태소분석을 통해 트윗을 수집하고 지역명 키워드와 재난 키워드를 이용하여 수집한 트윗을 필터링한다. 그리고 재난탐지 알고리즘을 이용하여 평균적으로 발생한 트윗보다 최근 발생한 트윗 빈도수가 갑작스럽게 증가할 때 최종적으로 재난을 탐지하였다.
- 이벤트는 재난 및 재해를 포함한 넓은 개념으로 다양한 종류의 이벤트를 탐지할 수 있었지만 이벤트 키워드를 정하지 않아서 탐지 정확도가 낮게 나타났다. 본 논문에서는 재난 키워드와 재난탐지 알고리즘을 이용하여 비교적 높은 정확도를 가진다.
- 시스템에서 탐지한 135개의 트윗에 대해서 정확도는 88.14%로 측정되었다. 정확도가 100%로 측정되지 않는 이유는 시스템에서 설정한 재난 키워드 중에서 ‘화재, 붕괴, 폭발’과 달리 ‘안전, 부실, 사고’와 같은 경우 직접적인 재난상황을 나타내는 단어가 아니기 때문에 실제 재난을 탐지하지 못한 경우가 있었다.
- 실험에 사용된 트윗과 뉴스속보를 비교하여 시스템이 실제로 발생한 재난을 탐지할 수 있음을 확인하였다. 시스템 정확도는 88.
- [4]에서는 트위터를 이용하여 실시간으로 이벤트를 탐지하는 시스템을 제안하였다. 이벤트는 재난 및 재해를 포함한 넓은 개념으로 다양한 종류의 이벤트를 탐지할 수 있었지만 이벤트 키워드를 정하지 않아서 탐지 정확도가 낮게 나타났다. 본 논문에서는 재난 키워드와 재난탐지 알고리즘을 이용하여 비교적 높은 정확도를 가진다.
후속연구
- 실험에 사용된 트윗과 뉴스속보를 비교하여 시스템이 실제로 발생한 재난을 탐지할 수 있음을 확인하였다. 시스템 정확도는 88.14%로 측정되었고 정확도를 향상시키기 위해서 향후 연구로 재난 키워드에 대한 예외처리를 할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.