주택화재에서 원-핫 인코딩 기법을 이용한 인명피해와 재산피해에 영향을 미치는 화재 요인 분석
Analysis of Fire Factors Affecting Human and Property Damages Using One-Hot Encoding Technique in House Fires
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 구조의 복합화와 고층화에 따라 주택에서 잠재적인 요인으로 인해 화재 발생의 위험성도 증대되고 있다. 소방청 통계 연보에 따르면 과거 10년간 주택화재는 연평균 1.6%가 증가하는 추세에 있으며, 주택화재로 인한 연평균 1.6%의 인명피해와 2.4%의 재산피해 또한 확대되는 등 사회적 손실도 증가하고 있다. 이에 빅데이터 기술을 활용하여 사회적 피해를 최소화하기 위해 다양한 화재 요인 분석에 관한 연구들이 수행되었다. 본 연구에서는 거리, 시간, 면적 등 수치 데이터를 활용한 기존 빅데이터 기반 연구들과 달리 피해 예측에 관한 정확도를 높이기 위해 범주값을 갖는 칼럼을 이산화하여 빅데이터 분석에 활용하였다. 본 논문에서는 주택에서 발생한 화재에서 범주형 화재 인자들이 인명피해와 재산피해에 미치는 영향을 분석하고자 한다. 제안 논문에서는 소방청의 화재 데이터에서 발화열원, 발화요인, 최초착화물, 발화관련기기, 동력원, 발화지점, 연소 확대물 등 범주형 칼럼을 대상으로 원-핫 인코딩 기법을 적용하여 이산화하였다. 인코딩된 화재 요인은 유의확률 및 상관관계 분석 과정을 통해 인명피해 및 재산피해에 미치는 중요도 분석에 사용될 인자를 선정하였다. 이어 랜덤포레스트 알고리즘을 이용하여 영향 예측 모델 생성 및 검증, 화재 요인의 중요도 분석을 수행하였다. 실험 결과에서 인명피해와 재산피해에 공통으로 중요도를 보인 주요 화재 요인들은 불꽃불티, 부주의, 종이목재건초, 위험물, 가스 등으로 분석되었으며, 전체적으로 화재 요인들은 재산피해에 비해 인명피해에 높은 영향을 보이는 것으로 나타났다.
Abstract
Recently, the risk of fire occurrence is increasing due to potential factors in houses according to the complexation and high-rise of the structure. According to the statistical yearbook of National Fire Agency, residential fires have increased by 1.6% per year on average over the past 10 years. In addition, social losses are also increasing, such as the annual average increase of 1.6% in human damage and 2.4% in property damage due to house fires. In order to minimize social damage using big data technology, previous researches on various fire factor analysis have been conducted. In this paper, unlike previous big data-based researches that used numerical data such as distance, time, and area, discretized columns with categorical values were used for big data analysis to increase the accuracy of damage prediction. In this paper, we analyze the effects of categorical fire factors that affect human and property damage in residential fires. In our paper, one-hot encoding technique was applied to discretize categorical columns such as ignition heat source, ignition factor, initial ignition material, ignition related device, power source, ignition point, and combustion expansion product in the fire data of National Fire Agency. Encoded fire factors were selected to be used in the analysis of importance on human and property damage through significance probability and correlation analysis process. Subsequently, the impact prediction model was created and verified using the random forest algorithm, and the importance of fire factors was analyzed. In the test results, the main fire factors that showed common importance in human life and property damage were analyzed as sparks, carelessness, paper wood hay, hazardous materials, and gas. Also, fire factors appeared to have a higher impact on human than property damage.
참고문헌 (18)
- 채진, "화재예방에 영향을 미치는 요인에 관한 연구", 한국화재소방학회 논문지, 34(3), pp.100~109 (2020), 한국화재소방학회[DOI]
- 이채원, "공동주택 화재감지 및 소화성능개선에 관한 연구", 한국화재소방학회 논문지, 29(1), pp.38~44 (2015), 한국화재소방학회[DOI]
- National fire agency statistical year book, "National Fire Agency", ~ (2020)
- 김경배, "머신러닝 기반의 화재 피해 예측 모델 비교 - 재산피해와 인명피해를 중심으로", 한국지식정보기술학회 논문지, 17(4), pp.647~655 (2022), 한국지식정보기술학회[DOI]
- 정원일, "거주지 화재에서 인명피해에 영향을 미치는 화재인자 영향평가에 관한 연구", 한국지식정보기술학회 논문지, 16(3), pp.471~481 (2021), 한국지식정보기술학회[DOI]
- I. Lee, "Risk prediction and analysis of building fires -based on property damage and occurrence of fires-", Master’s, pp.2020
- B. Jeon, "Exploratory study on the based on big data for fire prevention of multiple shops", Journal of Industrial Convergence, 16(4), pp.27~32 (2018)
- 김광호, "원-핫 인코딩을 이용한 딥러닝 단기 전력수요 예측모델", 전기전자학회논문지, 23(3), pp.852~857 (2019), 한국전기전자학회[DOI]
- T. Al-Shehari, "An insider data leakage detection using one-hot encoding, synthetic minority oversampling and machine learning techniques", Entropy, 23(10), pp.1~24 (2021)
- "National Fire Agency_Address information of outbreak of fire" (2020)[URL]
- P. Rodriguez, "Beyond one-hot encoding : Lower dimensional target embedding", Image and Vision Computing, 75, pp.21~31 (2018)
- P. Cerda, "Similarity encoding for learning with dirty categorical variables", Machine learning, 107(8, pp.10) (2018), 1477~1494
- L. Breiman, "Random forests", Machine Learning, 45, pp.5~32 (2001)
- V. Svetnik, "Application of Breiman's random forest to modeling structure-activity relationships of pharmaceutical molecules", Lecture Notes in Computer Science, 3077, pp.334~343 (2004)
- K. Pearson, "Mathematical contributions to the theory of evolution. III. Regression, heredity and panmixia, Philosophical transactions of the Royal Society of London. Series A", Containing papers of a mathematical or physical character, 187, pp.253~318 (1896)
- A. J. Bishara, "Testing the significance of a correlation with nonnormal data: Comparison of Pearson, Spearman, transformation, and resampling approaches", Psychological methods, 17(3), pp.399~417 (2012)
- R. L. Wasserstein, "Moving to a world beyond"p<0. 05"", The American Statistician, 73, pp.1~19 (2019)
- 김태윤, "A Different Perspective on the P-value Problem with Big Data", Quantitative Bio-Science, 39(1), pp.71~74 (2020), 자연과학연구소[DOI]