머신러닝 기반의 화재 피해 예측 모델 비교 - 재산피해와 인명피해를 중심으로
Comparison of Forecasting Models for Fire Damage Based on Machine Learning - Focusing on Property and Human Damage
0
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
화재피해를 최소화하기 위해 지속적으로 화재를 예방하고 대응하기 위한 소방 관련 법과 제도의 개선과 함께 화재를 조기에 탐지하고 방재하기 위한 다양한 기술적 노력에도 불구하고 재산피해나 인명피해는 줄어들지 않고 있다. 최근 머신러닝 기술은 다양한 지능형 응용 서비스에 이용되고 있으며, 화재 예방 및 대응 분야에서도 점차 그 활용도가 높아지고 있다. 이에 빅데이터 기반의 순환신경망, 랜덤포레스트, 부스팅 등 머신러닝 기술들을 활용하여 화재로 인한 위험이나 가능성을 예측함으로써 화재 예방 및 대응을 위한 근거를 마련하려는 연구들이 수행되었다. 본 연구는 화재피해 예측을 위한 연구에서 머신러닝 기법의 활용방향을 제시하기 위해 자기회귀누적이동평균, 랜덤포레스트, 장단기메모리 모델을 이용하여 화재로 인한 재산피해와 인명피해의 분석 및 예측에 관한 비교 평가를 수행하였다. 본 논문에서는 재산피해와 인명피해에 대한 대상 머신러닝 기법의 예측 정확도는 평균제곱근오차를 기준으로 평가를 수행하였으며, 실험 결과에서 재산피해와 인명피해에 관한 예측 모두 장단기메모리 모델이 최적임을 알 수 있었다.
Abstract
In spite of various efforts on laws and systems for fire-fighting and technological approaches for fire detecting and preventing to minimize fire damage, both property damage and human damage have not been reduced. Recently, machine learning technology is being used in various intelligent application services, and its use is gradually increasing in the field of fire prevention and response. Accordingly, several kinds of research were conducted to prepare the basis for fire prevention and response by predicting the risk or possibility of a fire using machine learning technologies such as big data-based RNN(Recurrent neural networks), RF(Random forest), and boosting. Our study conducted a comparative evaluation to analyze and predict property damage and casualties caused by fire using ARIMA(Autoregressive integrated moving average), random forest, and LSTM(Long short term memory) models in order to present the direction of application of machine learning techniques in research for predicting fire damage. In this paper, the prediction accuracy of the target machine learning method for property damage and personal damage was evaluated using RMSE(Root mean square error) as the selection criterion. From the experimental results, it was found that the LSTM(Long short term memory) model was optimal for both the prediction of property damage and human damage.
참고문헌 (17)
- 이정배, "초고층빌딩 통합 화재방재시스템 설계 및 구현에 관한 연구", 한국산학기술학회논문지, 21(2), pp.39~47 (2020), 한국산학기술학회[DOI]
- 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]
- 이인아, "건물별 화재 위험도 예측 및 분석: 재산 피해액과 화재 발생 여부를 바탕으로", 한국빅데이터학회 학회지, 6(1), pp.133~144 (2021), 사)한국빅데이터학회[DOI]
- 정원일, "고층건축물 화재에서 스프링클러 작동 여부에 따라 재산피해에 영향을 미치는 화재인자 분석에 관한 연구", 한국지식정보기술학회 논문지, 16(5), pp.915~924 (2021), 한국지식정보기술학회[DOI]
- 정원일, "거주지 화재에서 인명피해에 영향을 미치는 화재인자 영향평가에 관한 연구", 한국지식정보기술학회 논문지, 16(3), pp.471~481 (2021), 한국지식정보기술학회[DOI]
- 윤주상, "엣지 시스템을 위한 LSTM 기반 화재 및 악취 예측 모델", 정보처리학회논문지. 컴퓨터 및 통신시스템, 11(2), pp.67~72 (2022), 한국정보처리학회
- K. Moon, "Prediction of Seoul house price index using deep learning algorithms with multivariate time series data", Journal of The Korean Official Statistics, 2(1), pp.23~56 (1997)
- T. Lee, "Prediction of Seoul house price index using artificial neural network", 박사, pp.2019
- K. Jain, "A review study on urban planning & artificial intelligence", International Journal of Soft Computing and Engineering, 1(5), pp.101~104 (2011)
- G-E-P. Box, "Intervention analysis with application to economic and environmental problems", Journal of the American Statistical Association, 70(349), pp.70~79 (1975)
- R-H. Shumway, "ARIMA models, Time series analysis and its applications", pp.75~163 (2017), Springer
- 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)
- Y. Yu, "A review of recurrent neural networks: LSTM cells and network architectures", Neural Computation, 31(7) (2019)
- K. Greff, "LSTM: a search space odyssey", IEEE transactions on neural networks and learning systems, 28(10) (2017)
- "National Fire Data System, Fire statistics"[URL]