건물별 화재 위험도 예측 및 분석: 재산 피해액과 화재 발생 여부를 바탕으로
Risk Prediction and Analysis of Building Fires –Based on Property Damage and Occurrence of Fires-
2
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
본 논문은 서울시에 존재하는 건물을 대상으로 화재 발생 시 재산 피해액, 화재 발생 여부를 예측하여건물별 화재 위험도를 도출하였다. 본 연구는 건물의 특성뿐 아니라 해당 건물이 속한 행정동의 특성 및소방 시설 접근성과 같은 변수를 활용하였다는 점에서 기존 선행연구와의 차이점을 지닌다. 앙상블보팅(Ensemble Voting) 기법을 활용해 서로 다른 알고리즘을 병합했으며, 이를 통해 재산 피해액과 화재 발생 여부를 예측하고 변수 중요도를 추출하여 화재 위험도를 산출하는 방향으로 연구를 진행하였다. 구축된 모델을 사용하여 서울시에 존재하는 300개 건물을 대상으로 적용한 결과, 화재 위험도 1등급의 경우 건물내 세대 수가 많으며, 관할 119안전센터가 가장 멀리 위치하는 등 화재 발생 시 그 규모를 키울 수 있는 요인들이 많은 것으로 나타났다. 반면 5등급의 경우, 주변 건물 수나 사업체 수는 많지만, 관할 119안전센터가 가장 가까이 위치해 있어 화재에 적절히 대응할 수 있는 건물들로 나타났다.
Abstract
This paper derives the fire risk of buildings in Seoul through the prediction of property damage and the occurrence of fires. This study differs from prior research in that it utilizes variables that include not only a building’s characteristics but also its affiliated administrative area as well as the accessibility of nearby fire-fighting facilities. We use Ensemble Voting techniques to merge different machine learning algorithms to predict property damage and fire occurrence, and to extract feature importance to produce fire risk. Fire risk prediction was made on 300 buildings in Seoul utilizing the established model, and it has been derived that with buildings at Level 1 for fire risks, there were a high number of households occupying the building, and the buildings had many factors that could contribute to increasing the size of the fire, including the lack of nearby fire-fighting facilities as well as the far location of the 119 Safety Center. On the other hand, in the case of Level 5 buildings, the number of buildings and businesses is large, but the 119 Safety Center in charge are located closest to the building, which can properly respond to fire.
참고문헌 (15)
- 권수현, "작년 화재 발생⋅사망자 감소…재산피해는 역대 최대", 연합뉴스 , 2020.01.06., ~ (2020)
- 행정안전부, "행안부, 디지털 뉴딜 선도할 25개분야공공데이터 개방", 대한민국 정책브리핑 , 2020.08.18., ~ (2020)
- 원종석, "서울시 화재 대응력 향상방안", 서울연구원 정책리포트, (239), pp.1~21 (2017)
- 고경석, "기계학습을 통한 전기화재 예측모델 연구", 한국정보전자통신기술학회 논문지, 11(6), pp.703~710 (2018), 한국정보전자통신기술학회
- 류정우, "기상예보기반 화재발생 확률 예측모델의 생성 기법", 정보과학회 컴퓨팅의 실제 논문지, 20(2), pp.68~79 (2014), 한국정보과학회
- 이수진, "화재 위험 큰 건물 찾아내는 머신러닝예측모델 구축", 서울연구원 세계도시동향, (452) (2019)
- 박명화, "의사결정나무 분석법을 활용한 우울 노인의 특성 분석", Journal of Korean Academy of Nursing, 43(1), pp.1~10 (2013), 한국간호과학회
- 김성진, "기업신용등급 예측을 위한 랜덤 포레스트의 응용", 산업혁신연구, 32(1), pp.187~211 (2016), 산업개발연구소[DOI]
- 오재영, "XGBoost 기법을 이용한 단기 전력 수요 예측 및 하이퍼파라미터 변화에 따른 영향 분석", 전기학회논문지, 68(9), pp.1073~1078 (2019), 대한전기학회
- Qgunleye, A., "XGBoost Model for Chronic Kidney Disease Diagnosis", IEEE, 2019, pp.17(6), 2131~2140
- 황혜진, "XGBoost 모델 해석을통한 노인의 인지능력 개선⋅악화 요인 탐구", 차세대컴퓨팅학회지, 14(3), pp.16~24 (2018)
- Ma, X., "Study on a prediction of P2P network loan default based on the machine learning LightGBM and XGBoost algorithms according to different high dimensional data cleaning", Electronic Commerce Research and Applications, 31, pp.24~39 (2018)
- Ke, G., "Lightgbm:A highly efficient gradient boosting decision tree", Advances in neural information processing systems, 30, pp.3146~3154 (2017)
- 김한민, "앙상블 머신러닝 기법과 블록체인 정보를 활용한 이더리움 엉클 블록 예측 분석", 디지털융복합연구, 18(11), pp.129~136 (2020), 한국디지털정책학회[DOI]
- 황의홍, "소방차 출동 시 효율적인 골든타임 확보 방안에 관한 연구", 한국방재학회논문집, 18(5), pp.119~126 (2018), 한국방재학회[DOI]