도시철도 통신설비의 유지보수 이력 데이터 기반 자재 수요 예측 시스템 개발 = Development of a Material Demand Forecasting System Based on Maintenance History Data of Urban Railway Communication Equipment

국문 초록 (Abstract)

도시철도는 대도시의 핵심 교통수단으로서 그 운영 안정성과 효율성 은 시민의 일상에 직접적인 영향을 미친다. 그러나 통신설비를 포함한 인프라의 노후화로 인해 장애 발생 빈도가 증가하고 있으며, 이로 인해 유지보수 비용과 운영 리스크 또한 함께 상승하고 있다. 현재 현업에서 는 유지보수 이력이 비정형 텍스트 형태로 기록되어 있어, 자재 소요량 을 체계적으로 파악하거나 미래 수요를 예측하는 데 어려움이 있다. 본 연구는 이러한 문제에 대응하여, 도시철도 통신 분야의 유지 보수 이력 데이터를 활용한 자동화된 자재 수요 예측 시스템을 개발하였다. 특히 작업자가 수기로 작성한 비정형 텍스트(고장·정 비 내역)에서 자재 사용 여부, 품목, 수량 등을 자동으로 추출하기 위해 자연어 처리(NLP) 기법과 정규표현식을 적용하였고, 시계열 기반의 ARIMA 모델을 통해 자재별 미래 수요를 예측하였다. 또 한, 시스템이 인식하지 못한 새로운 자재나 용어를 사용자가 직접 수정하고 학습시킬 수 있는 피드백 루프(Feedback Loop) 기반의 강화 학습 기능을 구현하여 시스템의 지속적인 성능 향상을 도모 하였다. 본 시스템은 과잉 재고와 자재 부족의 문제를 동시에 해결하고, 데이터 기반의 객관적 의사결정을 통해 도시철도 유지보수의 효율 성과 신뢰성을 향상시킬 수 있다. 향후 연구로는 예측 정확도 개선 을 위한 딥러닝 기반 시계열 분석 기법 적용, 자재 공급망과 연계 한 실시간 의사결정 지원 시스템으로의 확장을 추진하고자 한다.

다국어 초록 (Multilingual Abstract)

Since the urban railway is a key transportation mode in metropolitan areas, its operational stability and efficiency have a direct impact on the daily lives of citizens. However, due to the aging of infrastructure including communication equipment, the frequency of failures is increasing, leading to rising maintenance costs and operational risks. Currently, maintenance records in the field are managed in the form of unstructured text based on manual input, which limits quantitative analysis and efficient material management. To address these issues, this study aims to develop a material demand forecasting system utilizing maintenance history data in the urban railway communication sector. Specifically, Natural Language Processing (NLP) techniques and regular expressions were applied to automatically extract material usage, items, and quantities from failure and maintenance records written in unstructured text. Furthermore, the ARIMA model, a time-series analysis method, was used to predict future demand for each material based on the extracted data. In particular, a reinforcement learning capability based on a user feedback loop was implemented, allowing the system to learn from user corrections when it encounters unrecognized materials or terms, thereby improving classification accuracy over time. This system is expected to solve the problems of excessive inventory and material shortages simultaneously, and to enhance the efficiency and reliability of urban railway maintenance through data-driven objective decision-making. Future research will focus on applying deep learning-based time series analysis techniques to improve prediction accuracy and extending the system to support real-time decision-making in conjunction with the material supply chain.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1.1. 연구의 배경 및 필요성 1
• 1.2. 연구의 목적 5
• 1.3. 연구의 내용 및 범위 5
• Ⅱ. 이론적 배경 7
• 2.1. 도시철도 통신설비 유지보수 체계 7
• 2.2. 자연어 처리(NLP)와 텍스트 마이닝 8
• 2.3. 시계열 데이터 분석과 ARIMA 모델 10
• Ⅲ. 자재 수요 예측 시스템 설계 및 구현 13
• 3.1. 시스템 아키텍처 및 데이터 흐름 14
• 3.2. 유지보수 이력 데이터 전처리 알고리즘 15
• 3.3. 규칙 기반(Rule-based) 고장 유형 분류 및 자재 추출 18
• 3.4. 사용자 피드백(Human-in-the-loop) 기반 강화 학습 모듈 23
• 3.5. 시계열 예측 모듈 구현 25
• 3.6. 교체 원인 분석 모듈 (토픽 모델링) 26
• 3.7. 사용자 인터페이스(GUI) 및 시스템 구현 27
• 3.8. 데이터 저장 및 관리구조 29
• Ⅳ. 실험 및 결과 고찰 31
• 4.1. 실험 개요 31
• 4.2. 데이터 셋 구성 및 기초 통계 31
• 4.3. 주요 자재별 교체 현황 (텍스트 마이닝 결과) 32
• 4.4. 주요 자재별 고장 유형 분석 결과 (토픽 모델링) 33
• 4.5. ARIMA 모델 기반 시계열 수요 예측 결과 34
• 4.6. 예측 결과의 현업 적용 시뮬레이션 35
• 4.7. 종합 고찰 37
• Ⅴ. 결 론 38
• 5.1. 연구 요약 및 학술적 성과 38
• 5.2. 연구의 기대 효과 39
• 5.3. 연구의 한계 및 향후 과제 39