CBR을 활용한 랜덤포레스트 기반 사업초기단계 공사비 예측모델 개발 = Cost Prediction Model based on Random Forest using CBR for Early Construction Stage

국문 초록 (Abstract)

사업초기단계에 성공적인 프로젝트 완수를 위해 사업비를 예측하는 것은 사업 성패에 있어 중요한 요인으로 작용한다. 특히, 규모가 크고 복잡한 프로젝트가 주로 수행되어지는 건설분야에 있어, 사업초기 공사비 예측은 더욱 중요한 사항으로 여겨진다. 건설사업은 한정된 예산 내에서 프로젝트를 수행하여 수익을 창출하는 수익구조이므로 초기단계 공사비 예측은 사업의 수익을 좌우한다고 할 수 있다. 하지만 사업초기단계에는 가용정보가 한정되어 있어 공사비를 정확히 예측하는 것은 매우 어렵다. 이에 많은 연구자들은 사업초기단계의 한정된 정보를 활용하여 공사비를 예측하는 연구를 수행하여왔다. 대부분의 선행연구는 다중회귀분석, 인공신경망(ANN), 의사결정나무, 유전자알고리즘(GA) 등 여러 규칙기반시스템(Rule-based system) 방법론에 의하여 수행되어 왔다. 하지만 규칙기반시스템 방법론을 활용하여 체계적으로 예측모델을 구축하여도 모델구축에 사용된 데이터를 완벽히 설명할 수 없으므로 일정 수준 오차가 발생한다는 한계가 있다. 이러한 오차가 발생되는 이유는, 데이터의 양상을 분석하여 모든 데이터를 전반적으로 설명할 수 있는 규칙을 찾아내는 규칙기반시스템의 기본 메카니즘 때문에 발생된다. 하지만 예측모델을 사용하여 새로운 사례의 예측 값을 도출할 때 이러한 오차를 고려하지 않고 있다.
이에 본 연구는 앞서 언급한 규칙기반시스템 예측모델이 지닌 한계를 보완하기 위해, 의사결정나무 분석을 심화시킨 기법인 랜덤포레스트 분석 기반 공사비 예측모델에 CBR기법을 연계함으로써 예측 결과 값에 대한 오차를 보정할 수 있는 수정모델을 개발하였다.
본 연구에서 제시하는 CBR을 활용한 랜덤포레스트 공사비 예측모델의 개발과정을 요약정리하면 다음과 같다. (1) 모델 개발을 위해 구축한 420건의 실적사례 중 378건을 사용하여 랜덤포레스트 공사비 예측모델을 구축하였다. (2) 이후, 모델 구축에 사용된 378건의 사례 정보를 랜덤포레스트 모델에 입력하여 예측 값과 실제 값 사이 오차율을 산출하고 DB를 구축하였다. (4) 신규 사례 예측 시, 구축한 DB의 사례 중 가장 유사한 사례를 CBR을 활용하여 도출하고 유사사례가 지닌 랜덤포레스트 예측 값과의 오차율을 도출하였다. (5) 앞서 구축한 랜덤포레스트 예측모델로 산출한 신규사례의 예측 공사비에 이를 반영하여 보정한 값을 최종 공사비로 제시하였다.
본 연구에서 제시하는 예측모델의 타당성을 검증하기 위해 수집한 420건의 사례 중 모델 구축에 사용된 378건을 제외한 42건의 사례를 활용하여 검증을 실시하였다. 검증은 두 가지 측면으로 수행하였다. 우선, 랜덤포레스트 기반 예측모델의 오차율 개선이 CBR 기법을 적용한 보정으로 이루어지는지 유효성을 확인하였다. 다음으로, 본 연구에서 제시하는 예측모델과 타 모델들의 오차율을 비교 검증하였다.
검증 결과, 랜덤포레스트 예측모델에 비해 이를 CBR 기법을 활용하여 보정한 본 연구의 예측모델이 상대적으로 19.64%의 예측성능 개선이 이루어져 보정의 유효성을 확인하였다. 그리고 타 연구에서 제시한 예측모델들과의 비교검증 결과, 본 연구에서 제시하는 예측모델의 오차율이 가장 낮게 도출되어 예측성능이 우수함을 확인하였다.
본 연구에서 제시한 공사비 예측모델은 규칙기반시스템 예측모델에서 발생하는 오차를 보완하여 예측성능을 개선시킬 수 있다. 따라서 개발된 모델은 기존 공사비 예측모델에 비해 오차율을 감소시켜 예측성능을 개선시킴으로써 사업초기단계 공사비를 예측할 시 유용하게 활용할 수 있을 것으로 기대된다.
한편, 본 연구에서는 사업초기단계 공사비 영향요인들의 불확실성에 대하여 고려하지 않았다. 또한 본 연구에서는 규칙기반시스템인 랜덤포레스트 기법의 알고리즘 구조를 보정한 것이 아니라, 최종 예측된 값에 대하여 보정을 진행하였다. 따라서 향후 불확실성을 고려한 연구를 본 연구와 병행하여 진행할 필요가 있으며, 규칙기반시스템의 알고리즘 구조를 보정하여 방법론 자체를 개선시키는 연구가 함께 이루어질 필요가 있다.

다국어 초록 (Multilingual Abstract)

Predicting business costs for successful completion of a project in the early stage of the project serves as an important factor in determining the business success or failure. In particular, the prediction of construction costs in the early stage of the business is considered to be most important in the construction sector where large-scale and complicated projects are mainly performed. Since the construction business has a profit structure that generates the profits by conducting a project within a limited budget, the prediction of construction costs in the early stage can be said to determine the profits of the business. However, it is very difficult to accurately predict the construction costs in the early stage of the business due to the limited information available. In the meantime, many researchers have conducted studies to predict the initial construction costs by utilizing the limited information. These previous studies have been performed by several rule-based system methodologies such as multiple regression analysis, artificial neural network(ANN), decision tree and genetic algorithm(GA), but they have limitations that make it impossible to completely explain the data used in building a prediction model even though the model is built on a systematic basis, and therefore a certain level of error occurs. The reason for this error is due to the basic mechanism of the rule-based system that analyzes the pattern of data and finds a rule that can explain all the data in general. However, this error has not been taken into consideration in deriving the prediction value of a new case using a prediction model.
In this regard, this study sought to construct a construction cost prediction model by utilizing a random forest method, and to develop the construction cost prediction model which corrects the error that the rule-based system prediction model has by using case-based reasoning (CBR) in predicting the new case.
The development process of a random forest construction cost prediction model using CBR presented in this study is summarized as follows. (1) The random forest construction cost prediction model is constructed using 378 out of 420 cases. (2) After that, the information of 378 cases used in the model construction is entered into the random forest model to calculate the error rate between the predicted value and the actual value and construct a database. (4) In the case of new case predictions, CBR is utilized to derive the most similar case among cases of the constructed DB and calculate the error rate from the random forest prediction value that the similar case has. (5) It is reflected in the predicted construction cost of the new case calculated using the previously constructed random forest prediction model, and the corrected value is presented as the final construction cost.
In order to verify the validity of the prediction model presented in this study, a verification was conducted by using 42 cases except for 378 cases used for model construction out of 420 cases. The verification was performed in two aspects. First, the validity was confirmed by checking if the performance improvement of the prediction model based on the rule-based system is made by correction using CBR technique. Next, a comparative verification was performed through a comparison of the error rate between the prediction model proposed in this study and other models.
According to the verification results, the validity of the correction was confirmed as the prediction model of this study corrected using the CBR technique exhibits 19.64% improvement in performance compared to the random forest prediction model. And the results of the comparative verification with other models confirmed that as the error rate of the prediction model presented in this study was lowest, its prediction performance is excellent.
The construction cost prediction model presented in this study can improve the prediction performance by correcting errors that occur in the rule-based system prediction model through application of the random forest technique. Therefore, the developed model is expected to be useful for predicting the construction cost in the early stage of the project by improving the performance through a further reduction in the error rate as compared with the existing construction cost prediction models.
However, this study failed to consider uncertainty as to the attribute values of influencing factors which are difficult to confirm in the prediction of the construction cost in the early stage of the project. In addition, the final predicted value was corrected using CBR in this study, rather than correcting the algorithm structure of the random forest technique, which is the rule-based system. For future work, there is a need to proceed with a research considering the uncertainty along with this study, and studies to improve the methodology itself by correcting the algorithm structure of the rule-based system need to be done.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구의 배경 및 목적 1
• 제2절 연구의 범위 및 방법 4
• 제2장 예비적 고찰 7
• 제1절 공사비 예측 7
• 1. 공사비 예측 선행연구 고찰 7
• 2. 공사비에 영향을 미치는 요인 분석 10
• 제2절 분석방법론 12
• 1. 랜덤포레스트(Random Forest) 12
• 2. 사례기반추론(Case-Based Reasoning) 24
• 제3장 공사비 예측모델 개발방안 31
• 제1절 규칙 기반 공사비 예측모델 분석 31
• 1. 공사비 예측모델 현황 31
• 2. 기존 예측모델 한계점 및 개선방안 35
• 제2절 랜덤포레스트 기반 CBR 보정 모델 개발방안 40
• 1. 랜덤포레스트와 CBR을 연계한 공사비 예측 프로세스 40
• 2. 영향요인 속성가중치 산정방법 46
• 제4장 CBR을 활용한 랜덤포레스트 기반 공사비 예측모델 개발 49
• 제1절 랜덤포레스트 기반 공사비 예측모델 49
• 1. 공사비 실적자료 데이터베이스 구축 49
• 2. 영향요인 선정 및 분석 52
• 3. 랜덤포레스트 기반 공사비 예측모델 구축 53
• 제2절 CBR 보정을 적용한 랜덤포레스트 공사비 예측모델 58
• 1. 사례별 실제비용과 랜덤포레스트 예측비용 사이 오차 산정 58
• 2. CBR 속성가중치 산정 61
• 3. 유사사례 조회 63
• 4. 보정된 공사비 산정 66
• 제3절 모델 검증 67
• 1. 검증 개요 67
• 2. 구축한 공사비 예측모델의 성능 확인 70
• 제5장 결론 81
• 참고문헌 85
• 부록 90
• Abstract 107
• 감사의 글 111