KR102315580B1 - 건물의 화재 예측 분석 장치 및 방법 - Google Patents

Abstract

본 발명은 건물의 화재 예측 분석 장치 및 방법에 관한 것으로, 건물의 화재 예측 및 건물의 화재 위험도를 분석하기 위한 기초 데이터를 수집하고 기초 데이터를 변환하여 건물 노후도를 포함하는 특징을 추출하여 전처리 데이터를 생성하는 데이터 전처리부, 전처리 데이터 및 학습 모델을 이용하여 사전 데이터를 생성하는 사전 데이터 생성부, 사전 데이터에 대해서 기초 데이터를 행으로 하고 사전 데이터를 열로 하는 혼동 행렬을 이용하여 평가하여 평가 데이터를 생성하고 평가 데이터를 기초로 학습 모델을 조정하여 예측 모델을 생성하는 예측 모델 생성부 및 예측 모델 및 전처리 데이터를 이용하여 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행하는 화재 발생 예측 분석부를 포함한다.

Description

건물의 화재 예측 분석 장치 및 방법{FIRE PREDICTIVE ANALYSIS DEVICE AND METHOD OF BUILDING}

본 발명은 건물의 화재 예측 분석 기술에 관한 것으로, 보다 상세하게는 건물의 화재를 예측 및 분석하는 과정에서 예측 모델링을 수행하고 예측 모델링을 평가하여 예측 모델을 재조정할 수 있는 건물의 화재 예측 분석 장치 및 방법에 관한 것이다.

일반적으로 알려진 국내의 화재 발생 현황을 보면 매년 3만 건 이상의 화재가 발생하고, 특히 공장이나 대형 쇼핑몰과 같이 전력 사용량이 많은 곳에서 전기 화재가 발생할 경우에는 엄청난 재산 피해와 인명 피해가 초래하기 때문에 항상 화재예방 시스템이 절실히 요구되어 왔다.

최근 각종 대형 안전사고 반발에 따른 시민들의 불안이 증대함에 따라 안전관리에 관한 효과적인 지원 방안이 필요하다. 그러나, 종래에는 주로 CCTV(closed circuit television)나 레이더(radar) 또는 사람의 유선 신고 등에 주로 의존하고 있으며, 이러한 전통적인 수단을 탈피하여 보다 빠르게 화재를 예측 및 파악할 수 있는 방법은 없었다.

한국등록특허 제10-1225125(2013.1.16)호는 전기품질 감시분석을 통한 사고예측 진단기능이 있는 원격자동제어시스템 및 그 제어방법에 관한 것으로, 수용가의 선로에서 발생하는 저항성 누전전류를 측정하는 저항성 누전전류 측정부, 수배전반 또는 분전반의 선로에 설치되는 아크 겸용 누전전류 차단부, 비상용 발전기 또는 예비전원용 충전기의 배터리 충전 상태 또는 잔존 수명을 감시하는 배터리 감시부, 수배전계통의 선로에서 전압파형을 검출하고 역률을 감시하는 고조파 및 역률 감시부; 및 상기 저항성 누전전류 측정부, 상기 아크 겸용 누전전류 차단부, 상기 배터리 감시부 또는 상기 고조파 및 역률 감시부에서 획득한 전력품질항목들의 측정값을 통신부를 통하여 전달 받는 감시제어 및 데이터 획득부를 포함한다.

한국등록특허 제10-1717775(2017.3.13)호는 전기화재의 원인인 아크와 전기위험요소인 누설전류, 과전류 및 합선 등을 사전에 감지하여 전기적 이상 징후가 발견되면, 전력 공급을 즉각 차단함과 동시에 전기적 이상에 대한 진단 및 복구 조치를 신속히 취할수 있도록 함으로써 화재를 예방할 수 있도록 한 지능형 사전 신호분석을 통한 전기화재 분석 및 예측 시스템에 관한 것으로, 빌딩, 상가, 학교, 공공건물 및 숙박시설을 포함하는 건축물, 사찰, 시장, 문화재 및 한옥을 포함하는 화재취약지구 및 공장을 포함하는 산업현장에 설치되는 것으로, 전기사용 현황을 실시간으로 모니터링하고, 화재 위험 감지 시 차단기를 작동시키며, 이에 따른 모니터링 결과 및 차단기 작동 상태를 중앙관리서버로 전송하여 전기로 인한 재해를 예방하도록 하는 지능형 분전반 및 상기 지능형 분전반을 통한 모니터링에서 이상 징후 발견 시 관리자 단말기로 알림 전송을 하여 방문 조치가 이루어지도록 하는 중앙관리서버를 포함하여 구성된다.

한국등록특허 제10-1717775(2017.3.13)호 한국등록특허 제10-1225125(2013.1.16)호

본 발명의 일 실시예는 예측 모델링을 수행하기 전 과정에서 수집한 기초 데이터에 대해서 예측 모델링을 수행하기 쉬운 형태로 전처리 할 수 있는 건물의 화재 예측 분석 장치 및 방법을 제공하고자 한다.

본 발명의 일 실시예는 예측 모델링을 수행한 후에 예측 모델링에 대해 평가를 하여 예측 모델을 생성할 수 있는 건물의 화재 예측 분석 장치 및 방법를 제공하고자 한다.

실시예들 중에서, 건물의 화재 예측 분석 장치는 건물의 화재 예측 및 건물의 화재 위험도를 분석하기 위한 기초 데이터를 수집하고 상기 기초 데이터를 변환하여 건물 노후도를 포함하는 특징을 추출하여 전처리 데이터를 생성하는 데이터 전처리부, 상기 전처리 데이터 및 학습 모델을 이용하여 사전 데이터를 생성하는 사전 데이터 생성부, 상기 사전 데이터에 대해서 상기 기초 데이터를 행으로 하고 상기 사전 데이터를 열로 하는 혼동 행렬을 이용하여 평가하여 평가 데이터를 생성하고 상기 평가 데이터를 기초로 상기 학습 모델을 조정하여 예측 모델을 생성하는 예측 모델 생성부 및 상기 예측 모델 및 상기 전처리 데이터를 이용하여 상기 건물의 화재 예측 및 상기 건물의 화재 위험도 분석을 수행하는 화재 발생 예측 분석부를 포함할 수 있다.

상기 데이터 전처리부는 건축물에 대한 데이터, 화재 이력 데이터, 화재 강도 데이터 및 화재 빈도 데이터를 포함하여 상기 기초 데이터를 수집할 수 있다.

상기 데이터 전처리부는 상기 기초 데이터의 부족 값을 보완하는 제1 단계, 불부합 데이터를 수정하는 제2 단계, 데이터를 화재 위험도를 기준으로 등급화 하는 제3 단계, 범주형 데이터에 대해서 수치형 데이터로 변환하는 제4 단계 및 상기 수치형 데이터를 정규화 하는 제5 단계를 통해 상기 전처리 데이터를 생성할 수 있다.

상기 사전 데이터 생성부는 상기 전처리 데이터를 테스트 데이터 및 트레이닝 데이터로 나누고 상기 테스트 데이터 및 상기 트레이닝 데이터 각각의 비율을 결정할 수 있다.

상기 사전 데이터 생성부는 상기 전처리 데이터를 다차원 공간 상에 도트로 배치하고 상기 도트 사이를 비선형 커널을 이용해 분류하여 상기 사전 데이터를 생성할 수 있다.

상기 사전 데이터 생성부는 서포트 벡터 분류기를 기초로 가우시안 RBF 커널을 이용하여 상기 사전 데이터를 생성할 수 있다.

상기 예측 모델 생성부는 Cost 파라미터 및 Gamma 파라미터에 대한 재설정을 통해 상기 예측 모델을 조정할 수 있다.

실시예들 중에서, 건물의 화재 예측 분석 방법은 건물의 화재 예측 및 건물의 화재 위험도를 분석하기 위한 기초 데이터를 수집하고 상기 기초 데이터를 변환하여 건물 노후도를 포함하는 특징을 추출하여 전처리 데이터를 생성하는 데이터 전처리 단계, 상기 전처리 데이터 및 학습 모델을 이용하여 사전 데이터를 생성하는 사전 데이터 생성 단계, 상기 사전 데이터에 대해서 상기 기초 데이터를 행으로 하고 상기 사전 데이터를 열로 하는 혼동 행렬을 이용하여 평가하여 평가 데이터를 생성하고 상기 평가 데이터를 기초로 상기 학습 모델을 조정하여 예측 모델을 생성하는 예측 모델 생성 단계 및 상기 예측 모델을 이용하여 상기 건물의 화재 예측 및 상기 건물의 화재 위험도 분석을 수행하는 화재 발생 예측 분석 단계를 포함할 수 있다.

개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

본 발명의 일 실시예에 따른 건물의 화재 예측 분석 장치 및 방법은 예측 모델링을 수행하기 전 과정에서 수집한 기초 데이터에 대해서 예측 모델링을 수행하기 쉬운 형태로 전처리 할 수 있다.

본 발명의 일 실시예에 따른 건물의 화재 예측 분석 장치 및 방법은 예측 모델링을 수행한 후에 예측 모델링에 대해 평가를 하여 예측 모델을 생성할 수 있다.

도 1은 본 발명의 일 실시예에 따른 건물의 화재 예측 분석 시스템을 설명하는 도면이다.
도 2는 도 1에 있는 건물의 화재 예측 분석 장치의 물리적 구성을 설명하는 블록도이다.
도 3은 도 1에 있는 건물의 화재 예측 분석 장치의 기능적 구성을 설명하는 블록도이다.
도 4는 도 1에 있는 건물의 화재 예측 분석 장치의 건물의 화재 예측 및 건물의 화재 위험도를 분석하는 과정에 관한 순서도이다.
도 5는 일 실시예에 따른 건물 노후도의 등급을 설명하는 도면이다.
도 6은 서포트 벡터 분류기의 동작을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 테스트 데이터 및 트레이닝 데이터 각각의 비율에 따른 카파계수, 정확도 및 예측 정밀도의 변화를 설명하는 도면이다.
도 8은 혼동행렬을 설명하기 위한 도면이다.

본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.

본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

도 1은 본 발명의 일 실시예에 따른 건물의 화재 예측 분석 시스템(100)을 설명하는 도면이다.

도 1을 참조하면, 건물의 화재 예측 분석 시스템(100)은 사용자 단말(110), 건물의 화재 예측 분석 장치(130) 및 데이터베이스(150)를 포함할 수 있다.

사용자 단말(110)은 건물의 화졔를 예측한 데이터 및 건물의 화재 위험도를 분석한 데이터를 확인 및 관리하는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 건물의 화재 예측 분석 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 사용자 단말(110)들은 건물의 화재 예측 분석 장치(130)와 동시에 연결될 수 있다.

건물의 화재 예측 분석 장치(130)는 전처리 데이터 및 예측 모델을 기초로 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행하는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 건물의 화재 예측 분석 장치(130)는 사용자 단말(110)과 블루투스, WiFi, 통신망 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 주고받을 수 있다.

데이터베이스(150)는 전처리 데이터 및 예측 모델을 기초로 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행하는 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 뿐만 아니라, 데이터베이스(150)는 건물의 화재 예측 분석 장치(130)가 전처리 데이터 및 예측 모델을 기초로 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.

도 2는 도 1에 있는 건물의 화재 예측 분석 장치(130)의 물리적 구성을 설명하는 블록도이다.

도 2를 참조하면, 건물의 화재 예측 분석 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함하여 구현될 수 있다.

프로세서(210)는 전처리 데이터 및 예측 모델을 기초로 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행하는 과정에서 동작을 수행하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 건물의 화재 예측 분석 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 건물의 화재 예측 분석 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.

메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 건물의 화재 예측 분석 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.

사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 건물의 화재 예측 분석 장치(130)는 서버로서 수행될 수 있다.

네트워크 입출력부(270)는 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.

도 3은 도 1에 있는 건물의 화재 예측 분석 장치(130)의 기능적 구성을 설명하는 블록도이다.

도 3을 참조하면, 건물의 화재 예측 분석 장치(130)는 데이터 전처리부(310), 사전 데이터 생성부(330), 예측 모델 생성부(350), 화재 발생 예측 분석부(370) 및 제어부(390)를 포함할 수 있다.

데이터 전처리부(310)는 건물의 화재 예측 및 건물의 화재 위험도를 분석하기 위한 기초 데이터를 수집하고 기초 데이터를 변환하여 건물 노후도를 포함하는 특징을 추출하여 전처리 데이터를 생성할 수 있다. 건물 노후도는 건물의 구조와 용도, 건물의 연령으로 산출하여 나타낼 수 있다. 예를 들면, 아래 [수학식 1]에 따라서 건물의 노후도에 비례하는 건물의 사용연수를 수치화 할 수 있다.

[수학식 1]

경과년수는 건물이 지어지고 흐른 시간이고, 내용연수는 해당 건물을 최대 사용할 수 있는 기간이 될 수 있다.

도 5는 일 실시예에 따른 건물 노후도의 등급을 설명하는 도면으로서, 도 5를 참조하면, 사용연수의 증가에 따라 건물 노후도는 증가하고, 건물의 노후 등급은 1등급에서 10 등급으로 갈수록 건물이 더 노후되었다고 할 수 있다.

일 실시예에서, 데이터 전처리부(310)는 건축물에 대한 데이터, 화재 이력 데이터, 화재 강도 데이터 및 화재 빈도 데이터를 포함하여 기초 데이터를 수집할 수 있다. 건축물에 대한 데이터는 연면적, 높이, 용도 및 연식을 포함할 수 있다. 화재 이력 데이터는 종속변수가 될 수 있고, 화재에 대한 원인, 인명피해, 물적피해, 위치 및 날짜를 포함할 수 있다. 화재 강도 데이터 및 화재 빈도 데이터는 독립변수가 될 수 있다. 화재 빈도 데이터는 에너지 사용요인 데이터 및 인적 위험 요인 데이터를 포함할 수 있다.

일 실시예에서, 데이터 전처리부(310)는 기초 데이터의 부족 값을 보완하는 제1 단계, 불부합 데이터를 수정하는 제2 단계, 데이터를 화재 위험도를 기준으로 등급화 하는 제3 단계, 범주형 데이터에 대해서 수치형 데이터로 변환하는 제4 단계 및 상기 수치형 데이터를 정규화 하는 제5 단계를 통해 전처리 데이터를 생성할 수 있다. 예를 들어, 데이터 전처리부(310)는 제1 단계를 통해 기초 데이터에서 누락된 데이터를 보완할 수 있다. 예를 들어, 데이터 전처리부(310)는 제2 단계를 통해, 기초 데이터와 실제 데이터가 불일치하는 경우 기초 데이터를 실제 데이터에 맞게 수정하고, 기초 데이터에 중복되는 데이터가 있는 경우 중복 데이터를 삭제할 수 있다. 예를 들어, 데이터 전처리부(310)는 제3 단계를 통해, 기초 데이터 중에 수치로 표현되지 않은 데이터에 대해서 수치로 표현할 수 있다. 예를 들어, 데이터 전처리부(310)는 제4 단계를 통해, 철근콘크리트 구조는 6등급, 조적조 건물은 5등급, 철골조 건물은 4등급, 경량철골구조는 3등급, 목조 건물은 2등급 그리고 블록조 건물은 1등급으로 변환할 수 있다. 예를 들어, 데이터 전처리부(310)는 제5 단계를 통해 아래 [수학식 2]을 기초로 데이터를 정규화 할 수 있다.

[수학식 2]

(여기에서, n은 정규화된 데이터 값이다.)

사전 데이터 생성부(330)는 전처리 데이터 및 학습 모델을 이용하여 사전 데이터를 생성할 수 있다. 학습 모델은 전처리 데이터를 입력으로 하여 예측 모델을 통해 건물의 화재 예측 및 건물의 화재 위험도 분석을 하기 전에 전처리 데이터에 대한 학습을 수행한다. 전처리 데이터는 예측 모델 생성부(350)에 의해 검증의 대상이 될 수 있다.

일 실시예에서, 사전 데이터 생성부(330)는 전처리 데이터를 테스트 데이터 및 트레이닝 데이터로 나누고 테스트 데이터 및 트레이닝 데이터 각각의 비율을 결정할 수 있다. 예를 들어, 사전 데이터 생성부(330)는 사전 데이터를 생성하는 과정에서, 전처리 데이터를 일정 비율로 나누어 테스트 데이터 및 트레이닝 데이터로 나눌 수 있다. 예를 들어, 사전 데이터 생성부(330)는 코헨의 카파계수(Cohen's Kappa), 정확도 및 예측 정밀도가 높은 값이 나오도록 전처리 데이터를 테스트 데이터 및 트레이닝 데이터로 나눌 수 있다. 도 7은 일 실시예에 따른 테스트 데이터 및 트레이닝 데이터 각각의 비율에 따른 카파계수, 정확도 및 예측 정밀도의 변화를 설명하는 도면으로서, 도 7을 참조하면, 본 예에 따르면 사전 데이터 생성부(330)는 각 계수의 값을 확인하여 트레이닝 데이터가 9, 테스트 데이터가 1의 비율을 가지도록 선택할 수 있다.

일 실시예에서, 사전 데이터 생성부(330)는 전처리 데이터를 다차원 공간 상에 도트로 배치하고 도트 사이를 비선형 커널을 이용해 분류하여 사전 데이터를 생성할 수 있다. 일 실시예에서, 사전 데이터 생성부(330)는 서포트 벡터 분류기(Support vector machine, SVM)를 기초로 가우시안 RBF 커널(Gaussian radial basic function)을 이용하여 사전 데이터를 생성할 수 있다. 도 6은 서포트 벡터 분류기의 동작을 설명하기 위한 도면으로서, 도 6을 참조하면, 서포트 벡터 분류기는 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 만들 수 있다. 서포트 벡터 분류기는 커널을 사용하여 특정한 방식으로 변수공간을 확장한 결과로, 다차원 공간 상에 그려짐 점 사이의 경계를 만들어서 분류를 수행할 수 있다. 커널은 선형 커널, 다항 커널 또는 가우시안 RBF 커널이 될 수 있다.

예측 모델 생성부(350)는 사전 데이터에 대해서 기초 데이터를 행으로 하고 사전 데이터를 열로 하는 혼동 행렬을 이용하여 평가하여 평가 데이터를 생성하고 평가 데이터를 기초로 학습 모델을 조정하여 예측 모델을 생성할 수 있다. 도 8은 혼동행렬을 설명하기 위한 도면으로서, 도 8을 참조하면, 혼동 행렬은 알고리즘의 성능을 평가하는 지표로서, 혼동행렬은 실제 데이터의 화재 유무와 예측된 데이터의 화재 유무를 비교하는 것으로 실제 데이터가 화재 시 예측된 데이터와 같으면 참 양성(TP - True Positive)에 속하며 실제 데이터가 맞을 경우 예측된 데이터가 틀리면 부정 오류(FN - False Negative)에 속한다. 실제 데이터가 틀릴 때 예측된 데이터가 맞을 경우 긍정 오류(FP - False Positive)에 속하며 실제데이터가 틀릴 때 예측된 데이터가 틀릴 경우 참 음성(TN - True Negative)으로 정의한다. 혼동 행렬을 통해 산출된 값에 의해서 계산될 수 있는 평가지표를 살펴보면, 정확도는 모델이 얼마나 정확히 예측했는지 나타내는 항목, 특이도는 N(negative) 라벨인 항목 중에서 N 라벨로 옳게 예측된 항목의 비율, 민감도는 P(Positive) 라벨인 항목 중에서 P 라벨로 옳게 예측된 항목의 비율, 정확률은 라벨 P 예측된 항목 중에 P 라벨로 옳게 예측된 항목의 비율, 음성 예측도는 라벨 N으로 예측된 항목 중에 N 라벨로 옳게 예측된 항목의 비율, 긍정 오류율은 P 라벨, N 라벨 항목 중에 P 라벨로 잘못 예측된 항목의 비율, F1 Score는 모델의 정확도를 측정하는 방법으로 정확률과 민감도의 조화평균으로 계산되고, 평가지표 각각은 아래 [수학식 3]에 따라 정의 된다.

[수학식 3]

일 실시예에서, 예측 모델 생성부(350)는 Cost 파라미터 및 Gamma 파라미터에 대한 재설정을 통해 예측 모델을 조정할 수 있다. Cost 파라미터는 얼마나 많은 데이터 샘플이 다른 클래스에 놓이는 것을 허용하는지를 결정할 수 있고, Cost 파라미터가 낮은 값을 가지면 이상치들이 있을 가능성을 크게 잡아 일반적인 결정 경계를 찾아내고, 높게 설정하면 반대로 이상치의 존재 가능성을 작게 봐서 좀 더 세심하게 결정 경계를 찾아낼 수 있다. Gamma 파라미터는 하나의 데이터 샘플이 영향력을 행사하는 거리를 결정할 수 있다. Gamma 파라미터가 클수록 한 데이터 포인터들이 영향력을 행사하는 거리가 짧아지는 반면, 낮을수록 데이터 포인터들이 영향력을 행사하는 거리가 길어진다. 예를 들어, 예측 모델 생성부(350)는 적합한 Cost 파라미터와 Gamma 파라미터를 찾기 위해서 격자 탐색 알고리즘(Grid search algorithm)을 활용할 수 있다.

화재 발생 예측 분석부(370)는 예측 모델 및 전처리 데이터를 이용하여 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행할 수 있다. 예를 들어, 화재 발생 예측 분석부(370)는 적합한 Cost 파라미터와 Gamma 파라미터를 찾아서, 학습 모델을 기초로 예측 모델을 생성하고, 생성된 예측 모델에 전처리 데이터를 입력하여 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행할 수 있다.

제어부(390)는 건물의 화재 예측 분석 장치(130)의 전체적인 동작을 제어하고, 데이터 전처리부(310), 사전 데이터 생성부(330), 예측 모델 생성부(350) 및 화재 발생 예측 분석부(370) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.

도 4는 도 1에 있는 건물의 화재 예측 분석 장치(130)의 건물의 화재 예측 및 건물의 화재 위험도를 분석하는 과정에 관한 순서도이다.

도 4를 참조하면, 건물의 화재 예측 분석 장치(130)는 데이터 전처리부(310)를 통해 건물의 화재 예측 및 건물의 화재 위험도를 분석하기 위한 기초 데이터를 수집하고 기초 데이터를 변환하여 건물 노후도를 포함하는 특징을 추출하여 전처리 데이터를 생성할 수 있다(S410).

건물의 화재 예측 분석 장치(130)는 사전 데이터 생성부(330)를 통해 전처리 데이터 및 학습 모델을 이용하여 사전 데이터를 생성할 수 있다(S430).

건물의 화재 예측 분석 장치(130)는 예측 모델 생성부(350)를 통해 사전 데이터에 대해서 기초 데이터를 행으로 하고 사전 데이터를 열로 하는 혼동 행렬을 이용하여 평가하여 평가 데이터를 생성하고 평가 데이터를 기초로 학습 모델을 조정하여 예측 모델을 생성할 수 있다(S450).

건물의 화재 예측 분석 장치(130)는 화재 발생 예측 분석부(370)를 통해 예측 모델 및 전처리 데이터를 이용하여 건물의 화재 예측 및 건물의 화재 위험도 분석을 수행할 수 있다(S470).

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 건물의 화재 예측 분석 시스템
110: 사용자 단말
130: 건물의 화재 예측 분석 장치
150: 데이터베이스
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 데이터 전처리부 330: 사전 데이터 생성부
350: 예측 모델 생성부 370: 화재 발생 예측 분석부
390: 제어부

Claims (8)

1. 건물의 화재 예측 및 건물의 화재 위험도를 분석하기 위한 기초 데이터를 수집하고 상기 기초 데이터를 변환하여 건물 노후도를 포함하는 특징을 추출하여 전처리 데이터를 생성하는 데이터 전처리부;
   상기 전처리 데이터 및 학습 모델을 이용하여 사전 데이터를 생성하는 사전 데이터 생성부;
   상기 사전 데이터에 대해서 상기 기초 데이터를 행으로 하고 상기 사전 데이터를 열로 하는 혼동 행렬을 이용하여 평가하여 평가 데이터를 생성하고 상기 평가 데이터를 기초로 상기 학습 모델을 조정하여 예측 모델을 생성하는 예측 모델 생성부; 및
   상기 예측 모델 및 상기 전처리 데이터를 이용하여 상기 건물의 화재 예측 및 상기 건물의 화재 위험도 분석을 수행하는 화재 발생 예측 분석부를 포함하는 건물의 화재 예측 분석 장치.
   
2. 제1항에 있어서, 상기 데이터 전처리부는
   건축물에 대한 데이터, 화재 이력 데이터, 화재 강도 데이터 및 화재 빈도 데이터를 포함하여 상기 기초 데이터를 수집하는 것을 특징으로 하는 건물의 화재 예측 분석 장치.
   
3. 제1항에 있어서, 상기 데이터 전처리부는
   상기 기초 데이터의 부족 값을 보완하는 제1 단계, 불부합 데이터를 수정하는 제2 단계, 데이터를 화재 위험도를 기준으로 등급화 하는 제3 단계, 범주형 데이터에 대해서 수치형 데이터로 변환하는 제4 단계 및 상기 수치형 데이터를 정규화 하는 제5 단계를 통해 상기 전처리 데이터를 생성하는 것을 특징으로 하는 건물의 화재 예측 분석 장치.
   
4. 제1항에 있어서, 상기 사전 데이터 생성부는
   상기 전처리 데이터를 테스트 데이터 및 트레이닝 데이터로 나누고 상기 테스트 데이터 및 상기 트레이닝 데이터 각각의 비율을 결정하는 것을 특징으로 하는 건물의 화재 예측 분석 장치.
   
5. 제1항에 있어서, 상기 사전 데이터 생성부는
   상기 전처리 데이터를 다차원 공간 상에 도트로 배치하고 상기 도트 사이를 비선형 커널을 이용해 분류하여 상기 사전 데이터를 생성하는 것을 특징으로 하는 건물의 화재 예측 분석 장치.
   
6. 제5항에 있어서, 상기 사전 데이터 생성부는
   서포트 벡터 분류기를 기초로 가우시안 RBF 커널을 이용하여 상기 사전 데이터를 생성하는 것을 특징으로 하는 건물의 화재 예측 분석 장치.
   
7. 제6항에 있어서, 상기 예측 모델 생성부는
   Cost 파라미터 및 Gamma 파라미터에 대한 재설정을 통해 상기 예측 모델을 조정하는 것을 특징으로 하는 건물의 화재 예측 분석 장치.
   
8. 건물의 화재의 예측 분석 장치에서 수행되는 방법에 있어서,
   건물의 화재 예측 및 건물의 화재 위험도를 분석하기 위한 기초 데이터를 수집하고 상기 기초 데이터를 변환하여 건물 노후도를 포함하는 특징을 추출하여 전처리 데이터를 생성하는 데이터 전처리 단계;
   상기 전처리 데이터 및 학습 모델을 이용하여 사전 데이터를 생성하는 사전 데이터 생성 단계;
   상기 사전 데이터에 대해서 상기 기초 데이터를 행으로 하고 상기 사전 데이터를 열로 하는 혼동 행렬을 이용하여 평가하여 평가 데이터를 생성하고 상기 평가 데이터를 기초로 상기 학습 모델을 조정하여 예측 모델을 생성하는 예측 모델 생성 단계; 및
   상기 예측 모델을 이용하여 상기 건물의 화재 예측 및 상기 건물의 화재 위험도 분석을 수행하는 화재 발생 예측 분석 단계를 포함하는 건물의 화재 예측 분석 방법.
   
   

Images