정보처리학회논문지B (The KIPS Transactions:PartB)

한국정보처리학회 (Korea Information Processing Society)
권호 표지
DOI QR코드

DOI QR Code

신경망 모델과 확률 모델의 풍수해 예측성능 비교

Performance Comparison between Neural Network Model and Statistical Model for Prediction of Damage Cost from Storm and Flood

  • 최선화 (소방방재청 국립방재연구소)
  • 투고 : 2011.03.29
  • 심사 : 2011.07.04
  • 발행 : 2011.10.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

최근 급증하는 기상이변 및 기후온난화 현상은 풍수로 인한 피해를 더욱 가속시키고 있어 풍수해 발생가능성을 미리 예측하여 선제적으로 대응할 방안 마련이 필요하다. 재난 재해의 위험성 분석은 주로 확률 통계기법에 기반한 수식모델 연구가 주류를 이루고 있고 소방방재청 국립방재연구소에서 구축한 태풍위원회 재해정보시스템(TCDIS: Typhoon Committee Disaster Information System) 또한 지역별 풍수해 위험성 분석에 확률모델을 활용하고 있다. 본 논문에서는 경험적 패턴인식에 탁월한 성능을 가진 신경망 알고리즘을 활용하여 개발한 풍수해 예측모델을 소개하고 이 모델과 TCDIS의 KDF 확률밀도함수를 이용한 풍수해 예측모델의 성능 비교 결과를 제시하여 기존 TCDIS의 위험성 분석기능에 신경망 모델을 적용함으로써 시스템의 강건성과 예측 정확도 향상이 가능함을 보이고자 한다.

Storm and flood such as torrential rains and major typhoons has often caused damages on a large scale in Korea and damages from storm and flood have been increasing by climate change and warming. Therefore, it is an essential work to maneuver preemptively against risks and damages from storm and flood by predicting the possibility and scale of the disaster. Generally the research on numerical model based on statistical methods, the KDF model of TCDIS developed by NIDP, for analyzing and predicting disaster risks and damages has been mainstreamed. In this paper, we introduced the model for prediction of damage cost from storm and flood by the neural network algorithm which outstandingly implements the pattern recognition. Also, we compared the performance of the neural network model with that of KDF model of TCDIS. We come to the conclusion that the robustness and accuracy of prediction of damage cost on TCDIS will increase by adapting the neural network model rather than the KDF model.

키워드

참고문헌

  1. Hegazy, T., and Moselhi, O. "Analogy-based solution to markup estimation problem", ASCE Journal of Computing Civil Engineering, Vol.8, No.1, pp.72-87, 1994. https://doi.org/10.1061/(ASCE)0887-3801(1994)8:1(72)
  2. "리스크 곡선을 활용한 재난발생 특성분석 방안 연구", 국립방재 연구소, 2008.
  3. "웹GIS를 활용한 국내 재해정보DB 및 태풍위원회 재해정보시스템 구축", 국립방재연구소, 2008.
  4. 김광희, 안성훈, 조형근, "신경망과 유전자알고리즘을 이용한 공사비예측 모델의 예측정확도 비교에 관한 연구-공동주택 공사비를 중심으로-", 대한건축학회논문집, Vol.20, No.2, pp.81-89, 2004.
  5. 최선화, "신경망과 유전자 알고리즘을 이용한 자연재해 피해예측 모델 연구", 2010 한국컴퓨터종합학술발표 논문집, Vol.37, No.1, pp.380-384, 2010.
  6. 양원직, 이원호, "초고층 건축물의 부등축소량 예측을 위한 새로운 알고리즘", 대한건축학회 논문집, Vol.23, No.4, pp.35-42, 2007.
  7. 윤여창, "신경망의 개선된 학습 과정을 이용한 구조인자들의 효 과 비교", 2008 한국정보과학회 학술발표 논문집, Vol.35, No.2(C). pp.272-276, 2008.
  8. Scott, D., "On optimal and data-based histograms", Biometrika Vol.66, pp.605-610, 1979. https://doi.org/10.1093/biomet/66.3.605
  9. Scott, D., "On optimal and data-based histograms", Biometrika Vol.66, pp.605-610, 1979. https://doi.org/10.1093/biomet/66.3.605
  10. 신진동, 이우종, 이창수, "입향성격 및 시기에 따른 전통마을 입지특성 연구", 대한국토 도시계획학회논문지, Vol.43, No.1, pp.7-25, 2008.
  11. Andres Krogh and Jesper Vedelsby, "Neural Network Ensembles, Cross Validation, and Active Learning", Advances in Neural Information Processing Systems 7, MIT Press, pp.231-238, 1995.
  12. Liu, D., Chang, T.S. and Zhang, Y., "A New Learning Algorithm for Feedforward Neural Networks", Proceedings of IEEE International Symposium on Intelligent Control, pp.39-44, 2001.
  13. Gunaseeli, M. and Karthikeyan, N., "A Constructive Approach of Modified Standard Backpropagation Algorithm with Optimum Initialization for Feedforward Neural Networks", Proceedings of International Conference on Computational Intelligence and Multimedia Applications, pp.325-331, 2007.
  14. Taylor, T.J., Neural Networks and Their Applications, John Wiley and Sons, Chichester, 1996.
  15. 장병탁, "차세대 기계학습 기술", 정보과학회지 Vol.25, No.3, pp.96-107, 2007.