The Journal of Korea Institute of Information, Electronics, and Communication Technology (한국정보전자통신기술학회논문지)

Korea Information Electronic Communication Technology (한국정보전자통신기술학회)
권호 표지
DOI QR코드

DOI QR Code

Electrical fire prediction model study using machine learning

기계학습을 통한 전기화재 예측모델 연구

  • Received : 2018.12.10
  • Accepted : 2018.12.15
  • Published : 2018.12.29
Download PDF
⟨ Previous Next ⟩

Abstract

Although various efforts have been made every year to reduce electric fire accidents such as accident analysis and inspection for electric fire accidents, there is no effective countermeasure due to lack of effective decision support system and existing cumulative data utilization method. The purpose of this study is to develop an algorithm for predicting electric fire based on data such as electric safety inspection data, electric fire accident information, building information, and weather information. Through the pre-processing of collected data for each institution such as Korea Electrical Safety Corporation, Meteorological Administration, Ministry of Land, Infrastructure, and Transport, Fire Defense Headquarters, convergence, analysis, modeling, and verification process, we derive the factors influencing electric fire and develop prediction models. The results showed insulation resistance value, humidity, wind speed, building deterioration(aging), floor space ratio, building coverage ratio and building use. The accuracy of prediction model using random forest algorithm was 74.7%.

매년 전기화재사고에 대한 사고유형 분석, 점검 등 전기적 화재사고를 줄이기 위해 다양한 노력이 있었으나, 효율적인 의사결정지원 체계 및 기존 누적 데이터 활용방안의 미비로 효과적인 대처방안이 부재한 현황이다. 본 연구는 전기안전점검데이터, 전기화재사고정보, 건축물정보, 기상청정보 등 데이터 기반의 전기화재를 예측하는 알고리즘을 개발하고 이를 활용하여 전기화재사고를 줄이는데 목적이 있다. 본 연구에서는 한국전기안전공사, 기상청, 국토교통부, 소방본부 등 기관별로 수집된 데이터를 전처리, 융합, 분석, 모델링, 검증 과정을 거쳐 전기화재에 영향을 끼치는 요인과 예측모델을 도출하였다. 주요요인으로 절연저항 값, 습도, 풍속, 건축물 노후년수, 용적율, 건폐율, 건축물용도로 나타났고, Random forest 알고리즘을 활용한 예측모델은 74.7%의 정확도를 얻었다.

Keywords

JBJTBH_2018_v11n6_703_f0001.png 이미지

그림 1. 연구과정 Fig. 1. Research Process

JBJTBH_2018_v11n6_703_f0002.png 이미지

그림 2. 지오코딩(공간화) Fig. 2. Geocoding

JBJTBH_2018_v11n6_703_f0003.png 이미지

그림 4. 안전점검-업종분포 Fig. 4. Safety inspection - category of business

JBJTBH_2018_v11n6_703_f0004.png 이미지

그림 3. 화재사고-발화기기 분포 Fig. 3. Fire accident - Distribution of ignition equipment

JBJTBH_2018_v11n6_703_f0005.png 이미지

그림 5. 화재사고-전기적 요인(절연저항, IR) Fig. 5. Fire accident - Electrical factor (insulation resistance, IR)

JBJTBH_2018_v11n6_703_f0006.png 이미지

그림 6. 화재사고-환경적 요인(습도) Fig. 6. Fire accidents - Environmental factors (humidity)

JBJTBH_2018_v11n6_703_f0007.png 이미지

그림 7. 예측변수 중요도 Fig. 7. Geocoding

JBJTBH_2018_v11n6_703_f0008.png 이미지

그림 8. 알고리즘 개발 흐름도 Fig. 8. Algorithm Development Flow

JBJTBH_2018_v11n6_703_f0009.png 이미지

그림 9. 검증결과 Fig. 9. Verification Result

JBJTBH_2018_v11n6_703_f0010.png 이미지

그림 10. 예측 결과와 실제 사고 비교 Fig. 10. Comparing forecast results with actual incidents

JBJTBH_2018_v11n6_703_f0011.png 이미지

그림 11. 등급별 범위 및 건수 Fig. 11. Range by grade and count

표 1. 데이터 목록 Table 1. Data List

JBJTBH_2018_v11n6_703_t0001.png 이미지

References

  1. S. K. Lee, "A statistical Analysis on the electrical Accident", KESCO, Aug. 2016.
  2. Breiman, L. Bagging predictors, Machine Learning, 24, 123-140. 1996
  3. J. S. Ryu, S. T. Kim, "A conceptual Framework for spatial database structure", Korea Research Institute for Human Settlements., May 1996.
  4. L. Breiman. "Random forests," Mach. Learn., vol. 45, no. 1, pp. 5-32, Oct. 2001 https://doi.org/10.1023/A:1010933404324
  5. B. C. Ko, S. H. Kim, and J. Y. Nam, "X-ray image classification using random forests with local wavelet-based CS-local binary patterns," J. Digit. Imaging, vol. 24, no. 16, pp. 1141-1151, Oct. 2011 https://doi.org/10.1007/s10278-011-9380-3
  6. J. H. Hong, B. C. Ko, J. Y. Nam, "Human Action Recognition in Still Image Using Weighted Bag-of-Features and Ensemble Decision Trees",The Journal of Korea Information and Communications Society, Vol.38A(1), pp.1-9, Jan 2013.
  7. H. Jung, and J. Kim, "A Machine Learning Approach for Mechanical Motor Fault Diagnosis," Society of Korea Indus. and Sys. Eng., vol. 40, no. 1, pp. 57-64, 2017. https://doi.org/10.11627/jkise.2017.40.1.057
  8. F.Robert Jacobs, "Operations and Supply Management", McGrawHill, 2010
  9. Y. T. Hur, D. I. Shin, S. K. Lee, "Data Mining of Gas Accident and Meteorological Data in Korea for a Prediction Model of Gas Accidents", Journal of the Korean Institute of Gas, Vol. 16, No. 1, Feb 2012.
  10. D. S. Bea, "Statistical theory and application", chungmungak, 2003.
  11. Jenks, George F., "The Data Model Concept in Statistical Mapping", International Yearbook of Cartography 7, pp. 186-190, 1967.
  12. Ministry of Public Administration and Security, "Development of a Fire Risk Prediction System using Big Data", 2017.
  13. Jae-Young Chang, 'An Experimental Evaluation of Box office Revenue Prediction through Social Bigdata Analysis and Machine Learning', The Journal of The Institute of Internet, Broadcasting and Communication VOL. 17 No. 3, 2017

Cited by

  1. 빅데이터 분석을 활용한 초기 정보 기반 화재현장 위험도 예측 모델 개발 연구 vol.17, pp.2, 2018, https://doi.org/10.15683/kosdi.2021.6.30.245