머신러닝을 이용한 재산피해금액 기반 건축물 화재 위험도 예측에 관한 연구

국문 초록 (Abstract)

최근 국내 건축물은 대형화, 고층화, 복잡화에 따라 화재 발생 시의 위 험성과 재산피해 규모가 확대되고 있어, 건축물 화재 발생 시의 재산피해 수준을 예측하고 고피해로 이어질 위험도를 파악할 필요가 있다. 기존의 머신러닝 기반 건축물 화재 위험도 연구는 주로 고위험 지역을 예측하거나, 모델 성능 향상과 단순 변수 중요도 제시에 초점을 두어, 화 재 발생 특성에 따른 재산피해 정도를 구체적으로 분석한 경우가 제한적 이었다. 이에 본 연구는 건축물 화재 데이터를 활용하여 재산피해 수준을 분류하는 머신러닝 모델을 구축함으로써 고피해 화재 위험도를 예측하고, 모델의 예측 결과를 바탕으로 변수군별 기여도와 고피해 화재와 관련된 주요 예측 특성을 해석하는 것을 목적으로 하였다. 이를 위해 서울특별시의 화재 출동 데이터에 건축물 총괄표제부와 개별 공시지가 공간정보를 병합하여 데이터셋을 구성하였다. 재산피해금액의 피해 수준을 범주화하여 분류 타겟을 설정하였으며, 44개의 피쳐를 4개 변수군으로 구성하였다. 5가지의 개별 모델 및 소프트 보팅 앙상블의 성 능을 비교하여 삼분위 다중 분류 케이스와 LGBM 모델을 최종 선정하였 고, SHAP을 적용하여 변수의 영향력과 주요 판별 특성을 분석하였다. 아 울러 미국 NFIRS 데이터를 활용한 비교 모델을 구축하여 분석 결과의 일 반성을 검토하였다. 분석 결과, 오분류는 주로 인접 등급 간에 발생하였으며 예측값은 실제 피해 규모의 순서와 대체로 일치하였다. 구별 실제·예측 고피해 위험도 는 비교적 높은 양의 상관관계（r=0.783）를 보였다. SHAP 분석에서는 화재 발생 관련 변수가 주요 예측 신호로 나타났으며, 저피해는 주거시설·부 주의·식품 착화, 고피해는 비주거시설·전기적 요인·전기·전자 착화물 이 주요 판별 특성으로 확인되었다. 또한 화재 발생 변수군만으로도 전체 변수군과 유사한 성능을 보여, 재산피해 수준이 정적 특성보다 화재 발생 조건에 의해 더 직접적으로 판별됨을 확인하였다. 이러한 경향은 NFIRS 비교 모델에서도 반복적으로 나타났다. 본 연구는 화재가 발생한 이후의 피해 심각도에 주목하여 재산피해 수 준을 분류하고 그 판별 특성을 해석적으로 규명하였으며, 화재 발생 당시 의 특성이 피해 수준 판별의 핵심 신호로 작용함을 서로 다른 데이터 환 경에서 일관되게 확인하였다는 점에서 의의를 가진다. 본 연구의 결과는 건축물 화재의 고피해 위험도를 평가하고 화재 예방 정책의 우선순위 설 정과 자원 배분을 지원하는 기초 자료로 활용되어, 건축물 화재의 재산 피해를 최소화하는 데 기여할 것으로 기대된다.

목차 (Table of Contents)

• 제1장 서 론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 동향 4
• 1.3 연구 방법 7
• 제2장 이론적 고찰 9
• 2.1 고피해 화재 위험도 9
• 2.2 머신러닝 개요 12
• 2.2.1 머신러닝 유형 12
• 2.2.2 지도학습 기반 분류 모델 13
• 2.2.3 모델 앙상블 19
• 2.3 XAI 기법 20
• 2.3.1 SHAP 21
• 2.4 소결 24
• 제3장 데이터 전처리 및 평가 방법 26
• 3.1 데이터 수집 및 병합 26
• 3.2 서울특별시 재산피해금액분포 분석 28
• 3.3 데이터 정제, 데이터 분할 및 타겟 설정 30
• 3.4 머신러닝 모델 성능 평가 지표 37
• 제4장 모델 구축 및 결과 분석 39
• 4.1 모델 학습 및 예측 성능 확인 39
• 4.2 케이스 및 모델 선정과 성능 분석 41
• 4.3 SHAP 수행 결과 분석 50
• 4.4 모델 예측 결과 분석 54
• 4.5 비교 모델 구축 및 결과 분석 59
• 제5장 결 론 69
• 참고문헌 71
• ABSTRACT 75