• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2023.05a
• /
• pp.146-147
• /
• 2023

해양사고는 도로교통과 달리 지속적으로 증가하고 있으며, 인명피해가 주로 발생하는 주요 사고의 치사율은 도로교통의 11.7배 이상이다. 해양사고는 외부 환경에 따라 사고 위치가 변하고 즉각적인 조치가 어려워 타 교통에 비해 대형 사고로 이어질 가능성이 매우 크다. 그러나 여전히 사고가 발생하고 난 후 대응하는 등 사후적 관리 단계에 무르고 있어 사고의 주요 요인을 사전에 식별·관리하는 선제적 관리단계로의 전환 필요성이 대두되고 있다. 따라서 본 연구에서는 해양사고 발생 지점 밀도 기반의 가변 공간 군집체계를 반영한 해양사고 예측모델을 개발하였다. 반복적인 공간 가산분석을 통해 밀도가 높을수록 작은 규모의 격자 체계를 가질 수 있도록 상세한 공간 군집체계를 구성하였으며, 단순 사고 위험도 예측뿐만 아닌 사고 인과관계를 설명할 수 있는 BN(Bayesian Network) 기반의 모형을 사용하여 해양사고 위험예측 모델을 개발하였다. 또한, Cost-of-Omission을 통해 해양사고 예측확률의 변화와 각 변수들의 영향력을 확인하였으며, 월별 해양사고예측 결과를 GIS를 활용하여 2D/3D 기반으로 시각화하였다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2017.11a
• /
• pp.259-261
• /
• 2017

SRK-BB(Skill-, Rule-, Knowledge-Based Behavior)는 주어진 사건을 처리할 때 인간이 행하는 행동을 체계적으로 식별하기 위한 하나의 이론이다. 이러한 SRK-BB에 대한 결과는 주어진 임무에 대한 '성공'과 '실패'로 나타낼 수 있다. 만약, 어느 사건에 대한 SRK-BB를 식별할 수 있고, 이에 대한 '성공/실패'의 결과를 알 수 있다면, SRK-BB를 이용하여 이들 사이에 연계된 확률적인 관계를 정립할 수 있다. 한편, 해양사고의 결과를 분석한 해양안전심판원의 재결서 또는 재결요약서에는 다양한 사고(즉, 실패한 사건)에 대해서 해기사가 어떠한 행동을 취했는지 상세하게 기록되어 있다. 이러한 해양안전심판원의 자료를 분석하면 실패한 해양사고에 대한 방대한 해기사의 SRK 분포를 확보할 수 있다. 본 연구의 목적은 다양한 해양사고에 나타난 해기사들의 행동을 SRK-BB로 식별한 후 해기사들이 추후 야기할 수 있는 인적오류를 예측하기 위한 모델 구축에 있다. 인적오류 모델을 구축하기 위해서는 우선 해양사고에 포함된 SRK 분포 분석이 필요하고, 시스템적인 입출력 관계를 통해서 SRK에 의한 인적오류의 결과를 예측하기 위한 예측 모델이 필요하다. 본 연구에서는 해기사의 인적오류에 의한 사고를 어떻게 SRK 분포를 이용하여 예측할 수 있는지에 대한 개념을 설명하고, 해양사고 데이터에서 획득한 SRK 분포의 의미와, SRK 분포를 이용하여 어떻게 해기사가 야기할 사고를 예측할 수 있는지에 대한 연구접근 방법을 소개하고자 한다.

• KIPS Transactions on Software and Data Engineering
• /
• v.10 no.8
• /
• pp.301-310
• /
• 2021

The TATI model is a Traffic Accident Text to RGB Image model, which is a methodology proposed in this paper for predicting the severity of traffic accidents. Traffic fatalities are decreasing every year, but they are among the low in the OECD members. Many studies have been conducted to reduce the death rate of traffic accidents, and among them, studies have been steadily conducted to reduce the incidence and mortality rate by predicting the severity of traffic accidents. In this regard, research has recently been active to predict the severity of traffic accidents by utilizing statistical models and deep learning models. In this paper, traffic accident dataset is converted to color images to predict the severity of traffic accidents, and this is done via CNN models. For performance comparison, we experiment that train the same data and compare the prediction results with the proposed model and other models. Through 10 experiments, we compare the accuracy and error range of four deep learning models. Experimental results show that the accuracy of the proposed model was the highest at 0.85, and the second lowest error range at 0.03 was shown to confirm the superiority of the performance.

• Journal of Navigation and Port Research
• /
• v.27 no.5
• /
• pp.487-492
• /
• 2003

The paper describes on the implementation of marine casualty prediction model that is one of the main part of Korean MArine Casualty FOrecasting System (K-MACFOS). In this work, Cell Distributed Linear-In-the-Parameter (CD-LIP) model is proposed and discussed its usability with comparing Baltic model and revised LIP model. As evaluation results by regression analysis of variance, it is known that the CD-LIP model gives best performance to the marine casualty numerical D/B of the target sea area.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2003.05a
• /
• pp.60-65
• /
• 2003

The paper describes on the implementation of marine casualty prediction model that is one of the main part of Marine Casualty Forecasting System (MCFS). In this work, Cell Distributed Linear-In-the Parameter (CD-LIP) model is developed and compared with Baltic model using regression analysis of variance. As comparing, it is known that the proposed CD-LIP model has less residual than the Baltic model and, it gives best performance to the marine casualty numeric D/B of target area.

• Korean Journal of Construction Engineering and Management
• /
• v.22 no.5
• /
• pp.55-65
• /
• 2021

Compared with other industries, construction industry shows a higher rate of death accidents and recently companies' legal responsibilities are to be increasingly enforced. The trend causes tremendous concerns for construction firms and increases the importance of forecasting and pro-actively managing death accidents in construction fields. The objective of the study is to develop a predictive analytics model for forecasting death accidents in building projects based on a decision tree technique, which enables to forecast the probabilities of death accidents by trade. The use of the model helps to decrease risks of legal punishments and to assist the safe execution of building projects by forecasting and pro-actively managing death accidents.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.01a
• /
• pp.163-164
• /
• 2021

본 논문에서는 날씨와 상관관계를 갖는 교통사고에 대한 예측을 진행하는 Web Site 개발을 제안한다. 날씨에 영향을 받는 교통사고에 대한 일일 사망자 수, 교통사고 발생률의 각각의 예측값을 딥러닝 모델을 이용한다. 위의 모델을 작성하기 위하여 본 논문에서는 Anaconda 기반의 Jupyter Notebook에서 Python Tensorflow 모델을 작성하여 테스트하고, 만들어진 모델을 웹 사이트에서 불러오기 위해 Python 기반 Flask Web Framework를 통하여 웹 사이트를 개발한다. 개발된 웹 사이트는 사용자들은 Web Site에 날씨 정보를 입력하여 교통사고 발생률을 예측하고 볼 수 있다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2016.05a
• /
• pp.332-335
• /
• 2016

2000년대 들어 정보기술의 발달로 정보공유와 수집을 쉽게 할 수 있게 되면서 많은 정보를 활용하여 미래의 사람들의 행동과 생각을 예측하기에 이른다. 특히, 정부는 보안과 위험관리 분야에 빅데이터 개념을 도입하여 미래에 대한 위험을 예측하고 효과적으로 관리할 수 있게 되었다. 선박도 사람과 마찬가지로 선박운항과 관련된 수많은 정보들을 만들어낸다. 이렇게 생성된 정보는 각 기관에 흩어져 관리되고 있으며, VTS센터에서 수집되는 정보들은 아직까지 체계적인 관리조차 이루어지지 않고 있다. 본 제언은 국내 VTS센터, 나아가 인근 국가의 VTS센터에서 생성되는 각종 정보들과 관련 기관에서 활용되는 정보들을 한 곳에서 통합하여 관리하는 시스템을 구축하고 이곳에서 공유 분석되는 정보를 통해 조금이나마 선박사고의 위험성을 감소시킬 수 있는 관제 방법에 대해서 생각해보았다. 이에 대한 방안 중 하나로 정보공유를 통한 선박 사고 개연성 예측 모델을 제시하고자 한다. 이후 연구를 통해, 본 제언에서 제시된 사고 개연성 예측 모델을 위한 위험유발 인자와 사고의 발생과의 상관을 통계적으로 해명할 수 있게 된다면 본 모델을 활용하여 보다 선제적이고, 효율적인 선박관제를 수행할 수 있을 것으로 생각된다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.05a
• /
• pp.441-442
• /
• 2022

교통사고 예측은 차량의 블랙박스 동영상을 통해 사고 발생을 최대한 빨리 예측하는 것을 목표로 한다. 이는 안전한 자율주행 시스템을 보장하는 데 중요한 역할을 한다. 다양한 교통 상황과 카메라의 제한된 시야로 인해 프레임에서 사고 가능성을 조기에 관찰하는 것은 어려운 도전이다. 예측의 핵심 기술은 객체의 시공간 관계를 학습하는 것이다. 본 논문에서는 블랙박스 동영상에서 사고 예측을 위한 계산 모델을 제안한다. 이것을 사용하여 사고 예방을 강화한다. 이 모델은 사고 위험에 대한 운전자의 시각적 인식에서 영감을 받았다. 객체 탐지기는 동영상 프레임에서 다양한 객체를 탐지한다. 탐지한 객체는 노드 생성기와 특징 추출기 동시에 통과한다. 노드 생성기에서 생성한 노드는 GCN 실행기를 사용한다. GCN 실행기는 각 프레임에 대한 객체의 3D 위치 관계를 계산한 후 공간 특징을 취득한다. 동시에 공간 특징과 특징 추출기에서 얻은 객체의 특징은 GRU 실행기로 보내진다. GRU 실행기 안에 시공간 특징을 암기하고 분석하여 교통사고 확률을 예측한다.

• Journal of the Institute of Convergence Signal Processing
• /
• v.24 no.4
• /
• pp.178-185
• /
• 2023

Rapid urbanization and advancements in technology have led to a surge in the number of automobiles, resulting in frequent traffic accidents, and consequently, an increase in human casualties and economic losses. Therefore, there is a need for technology that can predict the risk of traffic accidents to prevent them and minimize the damage caused by them. Traffic accidents occur due to various factors including traffic congestion, the traffic environment, and road conditions. These factors give traffic accidents spatiotemporal characteristics. This paper analyzes traffic accident data to understand the main characteristics of traffic accidents and reconstructs the data in a time series format. Additionally, an LSTM-MLP based model that excellently captures spatiotemporal characteristics was developed and utilized for traffic accident prediction. Experiments have proven that the proposed model is more rational and accurate in predicting the risk of traffic accidents compared to existing models. The traffic accident risk prediction model suggested in this paper can be applied to systems capable of real-time monitoring of road conditions and environments, such as navigation systems. It is expected to enhance the safety of road users and minimize the social costs associated with traffic accidents.