초록 ▼

□ 연구개요
본 연구에서는 건설 시장 지표 예측에 활용할 수 있는 소규모 데이터 세트에 기반한 딥러닝 마스터 알고리즘 체계를 구축하고 이를 시스템으로 구현한다. 마스터 알고리즘은 시계열 데이터에 기초하여 딥러닝 기계학습을 수행하는 순환신경망(RNN) 계열의 모델이다.
빅 데이터 기반의 딥러닝 기계학습과 비교하여 본 연구의 대상이 되는 건설 시장지표 예측을 위해 사용할 수 있는 데이터의 량은 절대적으로 부족하다. 이들 데이터는 대부분 2000년대부터 월, 분기, 반기, 혹은 연 단위로 제공되기에 학습, 검증, 테스트로 사용

□ 연구개요
본 연구에서는 건설 시장 지표 예측에 활용할 수 있는 소규모 데이터 세트에 기반한 딥러닝 마스터 알고리즘 체계를 구축하고 이를 시스템으로 구현한다. 마스터 알고리즘은 시계열 데이터에 기초하여 딥러닝 기계학습을 수행하는 순환신경망(RNN) 계열의 모델이다.
빅 데이터 기반의 딥러닝 기계학습과 비교하여 본 연구의 대상이 되는 건설 시장지표 예측을 위해 사용할 수 있는 데이터의 량은 절대적으로 부족하다. 이들 데이터는 대부분 2000년대부터 월, 분기, 반기, 혹은 연 단위로 제공되기에 학습, 검증, 테스트로 사용할 수 있는 최대 가능한 데이터 세트의 개수가 300개가 되지 않는다. 부족한 데이터에 추가적으로 건설 시장 지표들은 자연적, 물리적 특성이 아닌 사회적, 경제적 특성들이 반영되기 때문에 정확한 예측의 어려움은 가중된다. 따라서 예측 정확성 향상을 위해 입력 데이터의 최적 데이터 조합 검색, 데이터에 적합한 RNN 모델 파악, 하이퍼 파라미터의 최적화, 검증 등의 복잡한 사전 작업 과정이 요구된다.
본 연구에서는 소규모 데이터의 한계를 극복하기 위해 AutoEncoder의 Encoding과 Decoding으로 원본 데이타와 유사한 많은 수의 데이터 세트를 생성하여 건설기성, 건설수주, 건설공사비지수 예측에 적용하여 그 효과를 확인하였다. 예측 성능의 최고 결과는 원본 데이터보다 본 연구에서 제안하는 방식으로 생성한 유사 데이타 세트에서 더 많이 나타났다. 본 연구의 결과를 활용하여 학습에 필요한 데이터의 수가 부족하더라도 더 정확한 미래 예측이 가능할 것이다.

□ 연구 목표대비 연구결과
연구 초기에 철근 가격 예측 모델을 개발하여 수입물가지수, 생산자물가지수, 철근 가격의 3종류의 데이터 세트에 기초하여 LSTM과 Recursive 방식을 적용하여 5개월까지의 철근 가격 예측을 평균 98.22%의 높은 정확도로 예측하였다. 이를 기반으로 LSTM과 AutoEncoder를 연결하여 소규모 데이터 기반의 딥러닝 마스터 알고리즘 체계를 구축하고, Python으로 프로그래밍하여 프로토타입 시스템을 구현하여 3개월, 6개월, 12개월 후의 건설 시장 지표를 높은 정확도로 예측하여 본 연구의 목표를 달성하였다.

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
건설산업은 대규모 자본이 투입되면서 실물 경기의 영향을 많이 주고받는 수주 산업이고, 프로젝트 수행 기간이 길어 여러 사회적, 경제적인 위험에 대한 노출이 타산업과 비교하여 상대적으로 크므로, 신뢰성 있는 미래 예측이 더 절실히 요구되는 분야라 할 수 있다. 건설 회사들은 미래 예측의 결과에 따라 적극적인 투자, 현 상태 유지, 보수적인 투자, 투자 축소 등의 여러 경영 방안들을 도입할 수 있다. 또한 정부 기관에서도 SOC 투자, 주택 공급 등에 대한 재정 계획 및 집행을 보다 효과적으로 할 수 있다.
본 연구의 결과물인 철근 가격 예측 모델은 마스터 알고리즘의 구현으로 다른 주요 건설 자재로의 확장이 가능하여 건설공사의 이익과 손실의 성패를 좌우하는 공사비예측의 정확도를 높일 수 있다. 그리고 높은 신뢰 수준으로 예측되는 건설 투자 지표는 건설산업 경쟁력 향상 및 선진화를 가능하게 하고, 이를 바탕으로 해외 건설시장 진출 확대 등의 우리 건설산업 세계화에 기여할 수 있다. 또한 정부는 예측된 미래 건설 지상 지표에 따라 건설관련 예산 수립과 집행을 계획하여, 급격한 변화에 따른 시장의 충격을 줄여 건설시장 안정화에 기여할 수 있다. 그리고 빅데이터가 아닌 소규모 데이터에 기반하여 데이터 조합, 하이퍼 파라미터 탐색, 예측 기간 확대, 예측 정확성 향상 등의 딥러닝 과정을 수행한 본 연구는 최근 많은 영역에서 진행되고 있는 인공지능 관련 연구의 발전에도 기여할 수 있을 것이다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• 2.1 1차연도 연구 내용 ... 4
• 2.2 2차연도 연구 내용 ... 6
• 2.3 3차연도 연구 내용 ... 7
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 10
• 1) 정성적 연구개발성과(연구개발결과) ... 10
• 2) 세부 정량적 연구개발성과 ... 12
• 3) 목표 달성 수준 ... 12
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 13
• 5. 연구개발성과의 관리 및 활용 계획 ... 13
• 6. 자체점검표 ... 14
• 7. 참고문헌 ... 14
• 끝페이지 ... 36