머신러닝을 이용한 화학사고 비상대응 의사결정모델 개발

Abstract

이 연구는 비상관리 절차 중 대응 단계의 방법 중 하나인 비상대피명령 의사결정에 관한 연구이다. 화학사고 발생 시의 비상관리 의사결정은 정보의 취합과 분석에 의해 이루어지는데, 상당수의 정보에 불확실성이 내제되어 있다. 따라서 정확성과 신속성은 상충관계가 발생한다. 상기 문제를 해결하고자, 머신러닝 알고리즘을 기반으로 하는 의사결정 모델을 아래의 절차에 따라 구축하고이의 활용을 제안한다. 의사결정 모델은 머신러닝 지도학습 방식으로 설계되었다. 연구에 이용된미국 ATSDR의 화학사고 데이터베이스인 NTSIP / HSEES 데이터베이스에는약 11만 건의 화학사고가 100 여 개의 속성을 표현되어 있다. 개개의 속성과비상대피명령의 관련성을 파악하기 위해 통계 기반 알고리즘인 Naive bayes classifier를 이용하였다. 중요한 속성 파악 이후, Naive bayes classifier와 신경망 기반 모델인 Multi layer perceptron 모델을 이용, 화학사고를 야기한 물질명 대신 해당 물질의NFPA rating으로 대체하는 모델을 제안하였다. 머신러닝 알고리즘으로 비상대피명령 의사결정을 예측하는 이 모델은, 신속성과 정확성을 담보할 수 있음을보여주었다. 다만, 연구에 이용된 데이터베이스가 비대칭적이기에 민감도가낮고, 대피명령의 의사결정이 아닌 예측을 한다는 제한점을 발견하였다. 비상대피명령을 예측하는 것은 기존에 잘못 내려진 의사결정 결과를 답습할수도 있다는 것이 문제가 된다. 이에, Action-victim matrix를 이용하여 비상대피명령의 실질적 필요성을 판단하고, 이를 사고상황과 결합하여 비상대피명령예측이 지니는 제한점을 해소하였다. 낮은 민감도의 문제는 대피명령 발령필요성에 가중치를 고려한 방식으로 접근하였으며, 데이터베이스 내 문자열로저장되어있는 정보를 학습시키기 위해 자연어처리에 적용되는 토큰화 기법과embedding 기법을 적용하였다. 이미지 인식에 특화된 convolutional neural network를 적용하여 머신러닝 모델을 구현하였으며, 모델의 신뢰도는 의학적으로 신뢰할 수 있는 수준의 AUROC를 보였다.