KR102545314B1 - 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치 - Google Patents

Abstract

본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 방법은, 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계, 및 상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 단계를 포함하고, 상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것이다.

Description

인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치{METHOD FOR PREDICTING EARTHQUAKE DAMAGE IN BUILDINGS BASED ON ARTIFICIAL INTELLIGENCE AND APPARATUS IMPLEMENTING THE SAME METHOD}

본 발명은 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치에 관한 것으로서, 보다 자세하게는, 기계 학습 알고리즘을 이용하여 지진에 의한 건물의 피해 정도를 예측하기 위한 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치에 관한 것이다.

종래의 지진 피해 평가 시스템들은 건물 해석 데이터와 지반 감쇄식 데이터를 이용하여 지진에 의한 건물의 피해 정도를 평가하거나, GIS 정보 및 시설물 DB를 이용한 시뮬레이션 모델링을 통해 건물의 피해를 예측하는 방법을 사용하였다. 또한, 건물의 건축 정보를 이용한 모델링을 통해 지진에 의한 건물의 피해를 예측하는 방법도 사용되고 있다.

그러나, 건물 해석 데이터와 지반 감쇄식 데이터를 이용한 방법의 경우 데이터 분석에 많은 시간과 비용이 발생하므로 실시간으로 지진 피해를 예측하는 데 어려움이 있다. 또한, 모델링을 통해 피해를 예측하는 방법의 경우 실제 모든 건물들에 대해 모델링하는 것이 불가능하여 구현 가능성이 낮은 문제점이 있다.

이와 같은 문제점으로 인해, 지진에 의한 건물의 피해 정도를 예측함에 있어 기존의 방법 대비 적은 시간과 비용을 가지고 실시간으로 지진 피해를 예측할 수 방법이 요구된다. 또한, 지진 피해를 예측하기 위해 과거의 데이터를 이용하여 보다 정확도가 높은 예측 결과를 얻을 수 있는 기술이 요구된다.

등록특허공보 제10-2027252호(2019.09.25. 등록)

본 발명이 해결하고자 하는 기술적 과제는, 인공 신경망 기술을 이용하여 지진에 의한 건물 피해 정도를 실시간으로 예측할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 다른 기술적 과제는, 지진에 의한 건물 피해 정도를 예측 시, 건물의 위치에 따른 피해 정도를 시각적으로 식별 가능한 사용자 인터페이스를 제공할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 지진에 의한 건물 피해 정도를 예측 시, 기존의 방법에 비해 보다 높은 정확도를 가지는 예측 모델을 제공할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 또 다른 기술적 과제는, 지진에 의한 건물 피해 정도를 예측한 결과를 이용하여 위험 지역이 제외된 지진 대피 경로를 제공할 수 있는 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치를 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에 의해 수행되는 방법은, 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계, 및 상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 단계를 포함하고, 상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것이다.

일 실시예로서, 상기 건물의 특징 정보는, 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함할 수 있다.

일 실시예로서, 상기 지진에 의한 건물 피해 정보는, 상기 지진 피해 예측 모델을 이용하여 예측된 결과를 포함할 수 있다.

일 실시예로서, 상기 지진 피해 예측 모델은, 복수의 LSTM 레이어로 구성된 LSTM 기반의 신경망을 학습하여 생성된 것일 수 있다.

일 실시예로서, 상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 복수의 LSTM 레이어 중 적어도 하나의 레이어를 구성하는 복수의 노드 중 일부를 드롭 아웃(drop-out)할 수 있다.

일 실시예로서, 상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 LSTM 레이어의 활성화 함수로 ReLU 함수를 사용하고, 상기 LSTM 레이어와 출력 레이어를 연결하는 완전 연결 레이어의 활성화 함수로 소프트맥스(softmax) 함수를 사용할 수 있다.

일 실시예로서, 상기 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계는, 상기 지진의 진원지 및 규모에 관한 정보를 상기 지진 피해 예측 모델에 입력하는 단계를 포함할 수 있다.

일 실시예로서, 상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 단계는, 상기 지진 피해 예측 모델에 의해 예측된 상기 건물의 지진 피해 등급을 출력하는 단계를 포함할 수 있다.

일 실시예로서, 상기 방법은, 상기 지진에 의한 건물 피해 정보를 건물의 위치를 기준으로 매핑하여 제공하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 지진에 의한 건물 피해 정보를 건물의 위치를 기준으로 매핑하여 제공하는 단계는, 상기 건물 피해 정보에 기초하여 지도 상에 각 건물에 대응하는 위험 정보를 표시하는 단계를 포함할 수 있다.

일 실시예로서, 상기 건물 피해 정보에 기초하여 지도 상에 각 건물에 대응하는 위험 정보를 표시하는 단계는, 상기 건물 피해 정보에 기초하여 상기 각 건물에 대응하는 위험 정보를 설정하되, 상기 위험 정보는 상기 지진 피해 예측 모델에 의해 예측된 상기 건물의 지진 피해 등급에 의해 결정되는, 단계, 및 상기 설정된 각 건물의 위험 정보에 기초하여 상기 지도 상에 위험 지역과 안전 지역을 구분하여 표시하는 단계를 포함할 수 있다.

일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 최단 대피 경로를 생성하는 단계를 포함할 수 있다.

일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 다중 대피 경로를 생성하는 단계를 포함할 수 있다.

일 실시예로서, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 단계는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 복수의 대피 경로를 생성하여 표시하되, 각각의 대피 경로에 인접한 건물의 위험도에 기초하여 상기 복수의 대피 경로 각각에 대한 우선 순위를 표시하는 단계를 포함할 수 있다.

일 실시예로서, 상기 건물의 특징 정보는, 상기 건물과 관련된 복수의 변수 중 히트 맵(heat map) 분석을 통해 선택된 변수를 포함할 수 있다.

일 실시예로서, 상기 히트 맵은, 상기 건물과 관련된 복수의 변수 각각과 상기 건물의 지진 피해 등급 상호 간 상관도를 산출하여 행렬 형태로 표시한 것일 수 있다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 컴퓨터 판독 가능한 비일시적 기록 매체는, 컴퓨터로 하여금 상기 방법을 수행하도록 하는 컴퓨터 프로그램이 저장된 것이다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치는, 하나 이상의 프로세서, 외부장치와 통신하는 통신 인터페이스, 상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리, 및 상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되, 상기 컴퓨터 프로그램은, 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 동작, 및 상기 지진 피해 예측 모델로부터 상기 지진에 의한 건물 피해 정보를 출력하는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함하고, 상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것이다.

일 실시예로서, 상기 컴퓨터 프로그램은, 상기 지진에 의한 건물 피해 정보를 건물의 위치를 기준으로 매핑하여 제공하는 동작을 수행하기 위한 인스트럭션을 더 포함할 수 있다.

일 실시예로서, 상기 컴퓨터 프로그램은, 상기 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로를 표시하는 동작을 수행하기 위한 인스트럭션을 더 포함할 수 있다.

상기 기술적 과제를 해결하기 위한, 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치는, 외부 서버와 통신하는 통신부, 상기 외부 서버로부터 수집된 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 지진 피해 예측 모델을 생성하는 학습부, 및 지진 발생에 관한 정보를 상기 지진 피해 예측 모델에 입력하여 상기 지진에 의한 건물 피해 정보를 출력하는 예측부를 포함한다.

일 실시예로서, 상기 지진 피해 예측 모델은, 복수의 LSTM 레이어로 구성된 LSTM 기반의 신경망을 학습하여 생성된 것일 수 있다.

도 1은 본 발명의 실시예에 따른 개념도이다.
도 2는 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다.
도 4 내지 도 6은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 방법을 설명하기 위한 순서도이다.
도 7은 본 발명의 몇몇 실시예에 따른 학습 데이터의 구성을 도시한 예이다.
도 8은 본 발명의 몇몇 실시예에 따른 지진 피해 등급의 분류를 도시한 예이다.
도 9는 본 발명의 몇몇 실시예에 따른 히트 맵 분석을 통해 건물의 특징 정보에 포함되는 변수를 선정하는 예이다.
도 10은 본 발명의 몇몇 실시예에 따른 건물의 지진 피해 예측을 위한 신경망 구조를 도시한 예이다.
도 11은 본 발명의 몇몇 실시예에 따른 지진 피해 예측 모델의 성능을 보여주는 그래프의 예이다.
도 12는 본 발명의 몇몇 실시예에 따른 기계 학습 기반으로 지진 피해 예측 모델을 생성하여 건물 피해 정보를 제공하는 흐름을 도시한 예이다.
도 13 및 도 14는 본 발명의 몇몇 실시예에 따른 지진 피해 예측 결과에 기반하여 지도 상에 건물의 위험 정보를 표시하는 예이다.
도 15은 본 발명의 몇몇 실시예에 따른 지진 피해 예측 모델로부터 출력되는 건물 피해 정보를 이용하여 지진 대피 경로를 제공하는 흐름을 도시한 예이다.
도 16은 본 발명의 몇몇 실시예에 따른 지진 피해 예측 결과에 기반하여 지도 상에 지진 대피 경로를 표시하는 예이다.
도 17은 본 발명의 몇몇 실시예에 따른 방법들을 구현할 수 있는 예시적인 컴퓨팅 장치의 하드웨어 구성도이다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시 예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 발명의 실시예에 따른 개념도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 지진 피해 예측 장치(1)는 학습 데이터(2)를 이용하여 기계 학습을 수행함에 의해 생성되는 지진 피해 예측 모델(31)을 이용하여 지진 발생 시 건물 피해 정보(5)를 출력할 수 있다.

도시된 예에서, 학습 데이터(2)는 건물의 특징 정보와 지진 피해 정보로 구성되고, 학습 데이터(2)를 이용하여 기계 학습 알고리즘인 LSTM 기반의 신경망(3)을 학습함에 의해 지진 피해 예측 모델(31)이 생성될 수 있다. 이 때, 학습 데이터(2)를 구성하는 건물의 특징 정보는, 예컨대 건물의 종류(structure type), 용도(use type), 건축연도(year built), 층수(stories) 중 적어도 하나를 포함하고, 지진 피해 정보는, 예컨대 진원지로부터의 거리(distance), 및 지진 피해 등급(damage grade)을 포함할 수 있다.

지진 피해 예측을 위해, 입력 정보(4)로서 지진 발생 정보와 건물 데이터가 지진 피해 예측 모델(31)에 입력되면, 지진 피해 예측 모델(31)을 이용하여 예측 결과가 생성되고, 예측 결과로서 건물 피해 정보(5)가 출력될 수 있다. 여기서, 입력 정보(4) 중 지진 발생 정보는 예컨대 지진의 진원지 및 지진 규모에 관한 정보를 포함하고, 건물 데이터는 건물의 ID, 명칭, 주소 등에 관한 정보를 포함할 수 있다. 건물 피해 정보(5)는 지진 피해 예측 모델(31)에 의해 실시간으로 예측된 건물의 지진 피해 등급을 포함할 수 있다.

상기와 같은 본 발명의 실시예에 따라, 인공 신경망 기술을 이용하여 지진에 의한 건물 피해 정도를 실시간으로 예측할 수 있다.

도 2는 본 발명의 일 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다. 도 2를 참조하면, 본 발명의 실시예에 따른 지진 피해 예측 장치(1)는 학습부(11) 및 예측부(12)를 포함하고, 외부 서버(20), 및 사용자 단말(10)과 네트워크를 통해 연결될 수 있다. 지진 피해 예측 장치(1)는 사용자 단말(10)로부터 수신되는 지진에 의한 건물 피해 예측을 위한 기계 학습 모델의 생성 및 분석 요청을 처리하여, 그 결과를 제공한다.

외부 서버(20)는 건물의 특징 정보 및 지진 피해 정보를 제공하는 서버로 구현되고, 이로부터 제공되는 건물 및 지진 관련 데이터를 수집하여 학습 데이터(2)를 구성할 수 있다. 이 때, 학습 데이터(2)에 포함되는 건물의 특징 정보는 지진에 의한 건물 피해에 영향을 미치는 복수의 정보들을 포함하고, 예컨대 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함할 수 있다. 또한, 학습 데이터(2)에 포함되는 지진 피해 정보는, 예컨대 진원지로부터의 거리, 및 지진에 의한 건물의 피해 등급을 포함할 수 있다.

학습부(11)는 수집 모듈(111), 전처리 모듈(112), 및 학습 모듈(113)로 구성되고, 이 중 수집 모듈(111)은 외부 서버(20)로부터 제공되는 건물의 특징 정보 및 지진 피해 정보를 수집하여 학습 데이터(2)를 구성하고, 이를 데이터베이스에 저장한다.

전처리 모듈(112)은 수집 모듈(111)에 의해 데이터베이스에 저장된 학습 데이터(2)를 읽어 오고, 학습 데이터(2)를 기계 학습이 가능한 형태로 변환한다. 일 실시예로서, 전처리 모듈(112)은 학습 데이터(2)를 기계 학습이 가능하도록 벡터 형식의 데이터로 변환한다. 이 때, 벡터 형식의 데이터로 변환하기 위한 텍스트 임베딩(Text Embedding) 작업이 수행될 수 있다. 텍스트 임베딩 모델로서, 예컨대 Word2Vec, FastText, Glove, Sent2Vec, 및 Elmo 등 단어 또는 문장 기반의 모델이 적용될 수 있다.

학습 모듈(113)은 전처리 모듈(112)에서 전처리가 완료된 학습 데이터(2)를 이용하여 기계 학습을 수행하고, 이로부터 지진 피해 예측 모델(31)을 생성한다. 이 때, 학습을 위해 사용되는 기계 학습 알고리즘으로서 예컨대 LSTM(Long Short Term Memory) 신경망이 사용될 수 있다. LSTM(Long Short Term Memory) 신경망은 RNN(Recurrent Neural Network)의 한 종류로서, 3개의 게이트를 사용하여 시간 단위로 입력 노드를 통해 들어오는 데이터를 입력, 저장, 출력하도록 제어함으로써 과거의 정보를 참조해야 하는 장기 기억의 연결에 있어 높은 성능을 나타내는 특징을 가진다.

예측부(12)는 입력 모듈(121), 전처리 모듈(122), 및 예측 모듈(123)로 구성되고, 사용자 단말(10)로부터 입력되거나 외부 장치로부터 제공되는 예측 대상 데이터를 이용하여 건물에 대한 지진 피해 예측 결과를 출력한다.

입력 모듈(121)에서는 사용자 단말(10) 또는 외부 장치로부터 제공되는 예측 대상 데이터가 입력된다. 이 때, 예측 대상 데이터는 지진 발생 정보 및 건물 데이터를 포함할 수 있다.

전처리 모듈(122)은 입력 모듈(121)에서 입력된 예측 대상 데이터를 기계 학습 모델 기반으로 예측이 가능한 형태로 변환한다. 이 때, 예측 대상 데이터의 변환 과정은 학습부(11)의 전처리 모듈(112)에서 수행되는 과정과 동일하다.

일 실시예로서, 전처리 모듈(122)는 입력된 지진 발생 정보 및 건물 데이터를 기계 학습 모델 기반으로 예측이 가능한 형태인 벡터 형식의 데이터로 변환 및 정규화(normalize) 작업을 수행할 수 있다.

예측 모듈(123)은 학습 모듈(113)에서 생성된 지진 피해 예측 모델(31)을 로드하고, 로드된 지진 피해 예측 모델(31)을 이용하여 예측 대상 데이터로서 입력된 건물의 지진 피해 정도에 관한 예측 결과를 생성한다.

또한, 예측 모듈(123)은 학습 모듈(113)에서 생성된 지진 피해 예측 모델(31)의 성능 수치를 로드한다. 여기서, 지진 피해 예측 모델(31)의 성능 수치는, 기계 학습을 통해 출력되는 모델의 정확도(accuracy) 및 손실 값(loss)을 포함할 수 있다.

상기와 같은 본 발명의 실시예에 따른 지진 피해 예측 장치(1)는 건물의 지진 피해 예측을 위한 학습 과정 및 예측 과정을 모두 수행하는 장치로 구현될 수 있다. 이에 따라, 지진 피해 예측 장치(1)는 기존의 방법 대비 높은 정확도를 가지는 예측 모델을 생성하고, 이를 통해 지진에 의한 건물 피해 정도를 실시간으로 예측할 수 있다.

도 3은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 장치의 구성을 도시한 블록도이다. 도 3을 참조하면, 본 발명의 실시예에 따른 지진 피해 예측 장치(7)는 예측부(12)를 포함하고, 네트워크를 통해 연결되는 서버(6)와 연결된다. 서버(6)는 학습부(11)를 포함하고, 외부 서버(20)와 네트워크를 통해 연결될 수 있다.

도시된 예에서, 서버(6)는 기계 학습을 통해 지진 피해 예측 모델(31)을 생성하는 학습부(11)의 구성을 포함하고, 지진 피해 예측 장치(7)는 서버(6)에서 생성된 지진 피해 예측 모델(31)을 이용하여 입력되는 예측 대상 데이터에 대한 예측 결과를 생성하는 예측부(12)의 구성을 포함한다. 이 때, 서버(6)에 포함된 학습부(11)와 지진 피해 예측 장치(7)에 포함된 예측부(12)는 도 2에 도시된 지진 피해 예측 장치(1)에 포함된 학습부(11)와 예측부(12)에 각각 대응하는 구성이므로, 각 구성이 수행하는 동작에 대한 구체적인 설명은 생략하도록 한다.

서버(6)는 건물의 지진 피해 예측을 위한 모델을 생성하는 동작을 수행한다. 서버(6)는 외부 서버(20)로부터 제공되는 건물의 특징 정보 및 지진 피해 정보를 수집하여 학습 데이터(2)를 구성하고, 이를 이용하여 기계 학습을 수행함에 의해 지진 피해 예측 모델(31)을 생성한다.

지진 피해 예측 장치(7)는 사용자로부터 입력되는 건물의 지진 피해 예측을 위한 분석 요청을 처리하고, 그 결과를 화면을 통해 제공한다.

일 실시예로서, 지진 피해 예측 장치(7)는 지진 피해 예측을 위한 모델(31)의 생성 요청을 서버(6)로 전송하고, 서버(6)에서 생성되는 지진 피해 예측 모델(31)에 관한 정보를 제공받을 수 있다. 지진 피해 예측 장치(7)는 서버(6)로부터 제공된 지진 피해 예측 모델(31)을 이용하여 사용자로부터 입력되는 예측 대상 데이터에 대한 건물의 지진 피해 정도에 관한 예측 결과를 생성하고, 이를 화면에 표시할 수 있다. 이 때, 사용자로부터 입력되는 예측 대상 데이터는, 지진 발생 정보 및 건물 데이터를 포함할 수 있다.

상기와 같은 본 발명의 실시예에 따른 지진 피해 예측 장치(7)는 건물의 지진 피해 예측을 위한 예측 과정만을 수행하고, 예측을 위한 모델을 생성하는 학습 과정은 별도의 서버(6)를 통해 수행될 수 있다. 이에 따라, 건물의 지진 피해 예측을 위한 학습 과정 및 예측 과정이 서로 다른 장치에서 수행되므로, 지진에 의한 건물 피해 정도를 실시간으로 예측함에 있어 지연되는 시간 없이 높은 성능으로 예측 결과를 제공해줄 수 있다.

도 4 내지 도 6은 본 발명의 다른 실시예에 따른 건물의 지진 피해 예측 방법을 설명하기 위한 순서도이다. 본 실시예에 따른 건물의 지진 피해 예측 방법은 컴퓨팅 장치(100)에 의하여 실행될 수 있고, 예컨대 지진 피해 예측 장치(7)에 의해 실행될 수 있다. 본 실시예에 따른 방법을 실행하는 상기 컴퓨팅 장치(100)는 응용 프로그램 실행 환경을 구비한 컴퓨팅 장치일 수 있다. 본 실시예에 따른 방법에 포함되는 일부 동작의 수행 주체에 대한 기재가 생략될 수 있으며, 그러한 경우 그 주체는 상기 컴퓨팅 장치(100)임을 유의한다.

도 4를 참조하면, 먼저, 동작 S41에서, 지진 발생에 관한 정보가 지진 피해 예측 모델(31)에 입력된다. 이 때, 지진 발생에 관한 정보 외에 추가적으로 건물 데이터가 지진 피해 예측 모델(31)에 입력될 수 있다. 지진 발생에 관한 정보는, 예컨대 지진의 진원지 및 지진 규모에 관한 정보를 포함하고, 건물 데이터는 예컨대 건물의 ID, 명칭, 주소 등에 관한 정보를 포함할 수 있다.

일 실시예로서, 지진 피해 예측 모델(31)은 건물의 특징 정보와 지진 피해 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것일 수 있다. 건물의 특징 정보는 예컨대 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함할 수 있고, 지진 피해 정보는 예컨대 지진에 의한 건물의 피해 등급을 포함할 수 있다. 이 때, 건물의 특징 정보는, 건물과 관련된 복수의 변수 중 지진 피해 정도에 영향을 미치는 변수들을 히트 맵 분석을 통해 선택한 것으로서, 복수의 변수 각각과 건물의 지진 피해 등급 상호 간 상관도가 임계치 이상인 변수들로 구성될 수 있다.

여기서, 지진 피해 예측 모델(31)은 다양한 기계 학습 알고리즘을 이용하여 생성될 수 있고, 예컨대 LSTM(Long Short Term Memory) 기반의 신경망을 학습하여 생성될 수 있다. 이 때, LSTM 기반 신경망은 복수의 LSTM 레이어(LSTM layer)와 완전 연결 레이어(fully-connected layer)로 구성될 수 있고, 복수의 LSTM 레이어 중 적어도 하나의 레이어에서 일정 비율의 노드를 드롭 아웃(drop-out)하는 동작을 통해 모델의 성능을 높일 수 있다. 또한, LSTM 기반의 신경망을 학습하는 과정에서, LSTM 레이어의 활성화 함수로 ReLU 함수가 사용되고, LSTM 레이어와 출력 레이어를 연결하는 완전 연결 레이어의 활성화 함수로 소프트맥스(softmax) 함수가 사용될 수 있다.

다음으로, 동작 S42에서, 지진 피해 예측 모델(31)로부터 지진에 의한 건물 피해 정보(5)가 출력된다. 건물 피해 정보(5)는 지진 피해 예측 모델(31)에 의해 실시간으로 예측된 건물의 지진 피해 등급을 포함할 수 있다. 이 때, 지진 피해 등급은 지진에 의한 건물의 피해 예측 정도에 따라 소정 개수의 등급으로 분류될 수 있다.

도 5를 참조하면, 동작 S42가 수행된 이후에 동작 S43 및 동작 S44 가 추가적으로 수행될 수 있다. 동작 S43에서, 지진에 의한 건물 피해 정보(5)가 건물의 위치를 기준으로 매핑하여 제공된다.

일 실시예로서, 동작 S43은, 건물 피해 정보(5)에 기초하여 지도 상에 각 건물에 대응하는 위험 정보가 표시되는 동작을 포함할 수 있다. 여기서, 위험 정보는 지진 피해 예측 모델(31)에 의해 예측된 건물의 지진 피해 등급에 의해 결정될 수 있다. 예로서, 사용자 인터페이스를 통해 제공되는 지도 이미지 상에 지진 피해 예측 모델(31)에 의해 예측된 지진 피해 등급을 각 건물 별로 표시함에 의해, 사용자가 각 건물 별 피해 정도를 시각적으로 식별 가능하도록 할 수 있다.

일 실시예로서, 도 6에 도시된 바와 같이, 동작S43은, 건물 피해 정보에 기초하여 각 건물에 대응하는 위험 정보가 설정되는 동작 S431과, 설정된 각 건물의 위험 정보에 기초하여 지도 상에 위험 지역과 안전 지역이 구분되어 표시되는 동작 S432를 포함할 수 있다. 예로서, 지진 피해 예측 모델(31)에 의한 예측 결과를 이용하여 각 건물 별로 지진 피해 등급을 설정하고, 사용자 인터페이스를 통해 제공되는 지도 이미지 상에 건물 별로 설정된 지진 피해 등급을 이용하여 지진 피해 등급이 임계치 이상인 건물이 모여 있는 지역은 위험 지역으로 표시되도록 하고, 지진 피해 등급이 임계치 미만인 건물들이 모여 있는 지역은 안전 지역으로 표시되도록 할 수 있다.

마지막으로, 동작 S44에서는, 건물 피해 정보를 이용하여 지도 상에 지진 대피 경로가 표시된다.

일 실시예로서, 동작 S44는, 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 최단 대피 경로가 생성되는 동작을 포함할 수 있다. 예로서, 지진 피해 예측 모델(31)에 의한 예측 결과로서 각 건물 별 지진 피해 등급이 제공되면, 지진 피해 등급에 따라 각 건물은 위험 건물 또는 안전 건물로 설정될 수 있다. 이 때, 위험 건물의 개수가 임계치 이상인 지역을 위험 지역으로 설정하고, 설정된 위험 지역을 회피하는 방식으로 지진 대피소까지의 최단 대피 경로를 생성할 수 있다.

일 실시예로서, 동작 S44는, 상기 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 다중 대피 경로가 생성되는 동작을 포함할 수 있다. 예로서, 예측 결과로서 제공된 지진 피해 등급을 이용하여 설정된 위험 지역을 회피하여 대피 경로를 생성하되, 지진 대피소와 같은 안전한 장소까지 이동할 수 있는 복수 개의 다양한 대피 경로를 모두 생성하여 지도 상에 표시할 수 있다. 이 경우, 지도 상에 표시되는 복수 개의 대피 경로 중 사용자의 판단에 따라 사용자가 선호하는 대피 경로를 선택하도록 유도할 수 있다.

일 실시예로서, 동작 S44는, 건물의 위치로부터 위험 지역을 제외한 장소로 이동하기 위한 복수의 대피 경로를 생성하여 표시하되, 각각의 대피 경로에 인접한 건물의 위험도에 기초하여 복수의 대피 경로 각각에 대한 우선 순위가 표시하는 동작을 포함할 수 있다. 예로서, 건물의 위치로부터 지진 대피소와 같은 안전한 장소까지 이동할 수 있는 복수 개의 다양한 대피 경로를 모두 생성하여 지도 상에 표시하되, 각각의 대피 경로에 인접한 건물들의 지진 피해 등급에 기초하여 지진 피해 등급이 임계치 이상인 건물의 수가 최소인 대피 경로에 대해 가장 높은 우선 순위를 부여하여 표시할 수 있다. 또한, 지진 피해 등급이 임계치 이상인 건물의 수가 최대인 대피 경로에 대해 가장 낮은 우선 순위를 부여하여 표시할 수 있다.

상기와 같은 본 발명의 실시예에 의하면, 지진에 의한 건물 피해 정도를 예측 시, 건물의 위치에 따른 피해 정도를 시각적으로 식별 가능한 사용자 인터페이스를 제공할 수 있다. 또한, 건물의 위치에 따른 피해 정도를 고려하여 건물로부터 가장 안전한 장소로 이동할 수 있는 최적의 대피 경로를 제공할 수 있다.

도 7은 본 발명의 몇몇 실시예에 따른 학습 데이터의 구성을 도시한 예이다. 도 7을 참조하면, 지진 피해 예측 모델(31)을 생성하기 위해 사용되는 학습 데이터(70)의 구성을 보여준다.

도시된 예에서, 학습 데이터(70)는 건물의 종류(structure type), 용도(use type), 건축연도(year built), 층수(stories), 진원지로부터 거리(distance), 및 지진 피해 등급(damage grade)으로 구성된다. 여기서, 건물의 종류는, 예컨대 C(concrete, 철근콘크리트), S(steel: 철골구조), W(wood, 나무구조), URM(unreinforced masonry, 무보강 조적 전단벽 구조) 등의 값을 포함하고, 건물의 용도는, 예컨대 COM1(소매상), RES3(아파트, 빌라 등 다가구 주택), COM8(레스토랑, 술집 등 오락 시설), COM2(도매상, 창고), REL1(교회, 비영리 단체), RES1(1가구 주택) 등의 값을 포함할 수 있다.

또한, 도 8에 도시된 바와 같이, 지진 피해 등급은 지진에 의한 건물의 피해 정도에 따라 1 부터 5 까지의 값을 가질 수 있다. 예로서, 건물의 파괴도가 25% 미만으로 피해가 경미한 경우 지진 피해 등급은 1의 값으로 저장되고, 건물의 파괴도가 95% 초과로 건물이 붕괴 상태인 경우 지진 피해 등급은 5의 값으로 저장될 수 있다.

일 실시예로서, 학습 데이터(70)를 구성하는 변수 중 건물의 특징 정보에 해당되는 건물의 종류, 용도, 건축연도, 및 층수는, 건물과 관련된 복수의 변수들 중 지진 피해 등급과 상관도가 높은 변수들로 선정된 것일 수 있다. 예로서, 도 9에 도시된 바와 같이, 건물과 관련된 복수의 변수들 각각과 지진 피해 등급 상호 간 상관도를 산출하여 행렬 형태로 표시하는 히트 맵(15)을 생성하고, 히트 맵(15)의 각 셀 상에 표시되는 상관도가 임계치 이상인 변수들을 선택하여 학습 데이터(70)로 구성할 수 있다.

도 10은 본 발명의 몇몇 실시예에 따른 건물의 지진 피해 예측을 위한 신경망 구조를 도시한 예이다. 도 10을 참조하면, 학습 데이터(70)를 이용한 기계 학습을 수행하기 위해, LSTM(Long Short Term Memory) 신경망(90)이 사용될 수 있다.

LSTM(Long Short Term Memory) 신경망(90)은 히든 레이어(hidden layer)에 해당되는 3개의 LSTM 레이어(91, 92, 93)와, 완전 연결 레이어(fully connected layer)에 해당되는 덴스 레이어(dense layer)(94)의 구성을 포함한다. LSTM 신경망(90)은 다른 신경망 모델들과 달리 학습 데이터(90)로서 입력되는 정보들에 대해 서로 상호 작용을 하는 네트워크를 구현함에 의해, 모델의 정확도를 좀더 높일 수 있다.

일 실시예로서, LSTM 신경망(90)을 구성하는 3개의 LSTM 레이어(91, 92, 93) 중 어느 하나의 레이어에서 지정된 비율로 일부 노드에 대한 드롭 아웃(drop-out)이 수행될 수 있다. 드롭 아웃은, 노드를 임의로 삭제하면서 학습을 수행하는 방법으로, 모델의 성능을 향상시키기 위해 사용될 수 있다. 예로서, 3개의 LSTM 레이어(91, 92, 93) 중 제1 레이어(91)에 대해 드롭 아웃을 수행하여, 제1 레이어(91)를 구성하는 노드의 50%만을 이용하여 랜덤하게 학습을 수행하도록 할 수 있다. 또한, 제2 레이어(92) 및 제3 레이어(93)에 대해서는 드롭 아웃을 수행하지 않을 수 있다.

일 실시예로서, LSTM 신경망(90)을 학습하는 과정에서, LSTM 레이어(91, 92, 93)의 활성화 함수로 ReLU 함수가 사용되고, LSTM 레이어(91, 92, 93)와 출력 레이어(95)를 연결하는 덴스 레이어(94)의 활성화 함수로 소프트맥스(softmax) 함수가 사용될 수 있다.

상기와 같이 본 발명의 실시예에 따른 LSTM 신경망(90)을 적용하는 경우, 도 11에 도시된 바와 같이, 모델의 성능 수치를 제공하는 그래프(161) 상에서 모델의 정확도(accuracy)는 0.93%이고, 모델의 손실 값(loss)은 0.066로서 높은 성능을 보여준다. 따라서, 지진에 의한 건물 피해 정도를 예측 시, LSTM 신경망(90)을 이용함에 의해 다른 신경망 모델에 비해 보다 높은 정확도를 가지는 예측 모델을 제공할 수 있다.

도 12는 본 발명의 몇몇 실시예에 따른 기계 학습 기반으로 지진 피해 예측 모델을 생성하여 건물 피해 정보를 제공하는 흐름을 도시한 예이다. 도 12를 참조하면, 먼저 지진 피해 예측 모델(1002)에 대한 입력 정보로서 지진 발생 정보 및 건물 데이터가 입력(1001)되면, 지진 피해 예측 모델(1002)로부터 지진에 의한 건물 피해 정보(5)가 출력(1003)된다. 이 때, 지진 피해 예측 모델(1002)은 건물의 특징 정보 및 지진 피해 정보를 포함하는 학습 데이터(1020)를 이용한 기계 학습을 수행하여 생성된 것일 수 있다.

지진 피해 예측 모델(1002)로부터 출력(1003)되는 건물 피해 정보(5)는, 지진 피해 예측 모델(1002)에 의해 실시간으로 예측된 건물의 지진 피해 등급(1030)을 포함할 수 있다. 이 때, 지진 피해 등급(1030)은 지진에 의한 건물의 피해 예측 정도에 따라 소정 개수의 등급으로 분류될 수 있다.

일 실시예로서, 건물 피해 정보(5)에 기초하여 각 건물에 대응하는 위험 정보가 제공(1004)될 수 있다. 위험 정보는 지진 피해 예측 모델(1002)에 의해 예측된 건물의 지진 피해 등급(1030)에 의해 결정될 수 있다. 이 때, 각 건물에 대응하는 위험 정보는 사용자 인터페이스를 통해 제공되는 지도 이미지(1040) 상에 식별 가능하도록 표시될 수 있다.

일 실시예로서, 도 13에 도시된 바와 같이, 지도 이미지(1040) 상에 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급이 각 건물 별로 표시될 수 있다. 예로서, 지도 이미지(1040) 상에 건물 A(아파트)와 건물 B(공장)의 위치와, 각 건물에 대해 예측된 지진 피해 등급이 표시(1101, 1102)될 수 있다. 이에 따라, 사용자가 각 건물 별로 예측되는 지진 피해 정도를 시각적으로 식별 가능하도록 할 수 있다.

다른 실시예로서, 도 14에 도시된 바와 같이, 지도 이미지(1040) 상에 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급을 이용하여 각 건물에 대응하는 위험 정보가 표시될 수 있다. 예로서, 지도 이미지(1040) 상에 건물 A(아파트)와 건물 C(주택)의 위치와 함께, 건물 A에 대해 예측된 지진 피해 등급이 임계치 이상이므로 위험 정보는 '위험'으로 표시되고, 건물 C에 대해 예측된 지진 피해 등급이 임계치 미만이므로 위험 정보는 '안전'으로 표시될 수 있다. 또한, 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급을 이용하여 지진 피해 등급이 임계치 이상인 건물이 모여 있는 지역은 위험 지역(1202)으로 표시될 수 있고, 지진 피해 등급이 임계치 미만인 건물들이 모여 있는 지역은 안전 지역(1204)으로 표시될 수 있다.

도 15는 본 발명의 몇몇 실시예에 따른 지진 피해 예측 모델로부터 출력되는 건물 피해 정보를 이용하여 지진 대피 경로를 제공하는 흐름을 도시한 예이다. 도 15를 참조하면, 지진 피해 예측 모델(1002)로부터 지진에 의한 건물 피해 정보(5)가 출력(1003)되면, 건물 피해 정보(5)를 이용하여 각 건물에 대응하는 위험 정보가 제공(1004)된다. 위험 정보는 지진 피해 예측 모델(1002)에 의해 예측된 건물의 지진 피해 등급(1030)에 의해 결정될 수 있다.

일 실시예로서, 각 건물에 대응하는 위험 정보를 이용하여 각 지역이 위험 지역인지 또는 안전 지역인지 여부가 판단되고, 이로부터 위험 지역 및 안전 지역에 대한 정보(1006, 1007)가 데이터베이스에 각각 저장될 수 있다. 이 때, 데이터베이스에 저장된 위험 지역 및 안전 지역에 대한 정보(1006, 1007)를 이용하여 각 건물의 위치로부터 안전하게 이동 가능한 대피 경로가 생성될 수 있다. 각 건물에 대해 생성되는 대피 경로는, 위험 지역을 회피하면서 안전 지역만을 경유하는 경로를 포함하고, 각 건물의 위치로부터 지진 대피소와 같은 목적지까지의 최단 대피 경로 또는 다중 대피 경로를 포함할 수 있다.

일 실시예로서, 도 16에 도시된 바와 같이, 지도 이미지(1040) 상에 지진 피해 예측 모델(1002)에 의해 예측된 지진 피해 등급을 이용하여 설정된 위험 지역(142)과 안전 지역(141)이 표시되고, 위험 지역(142)을 회피하여 건물의 현재 위치로부터 지진 대피소로 이동하기 위한 최단 대피 경로가 표시될 수 있다.

도 17은 본 발명의 몇몇 실시예에 따른 방법들을 구현할 수 있는 예시적인 컴퓨팅 장치의 하드웨어 구성도이다. 도 17에 도시된 바와 같이, 컴퓨팅 장치(100)는 하나 이상의 프로세서(101), 버스(107), 네트워크 인터페이스(102), 프로세서(101)에 의하여 수행되는 컴퓨터 프로그램(105)을 로드(load)하는 메모리(103)와, 컴퓨터 프로그램(105)를 저장하는 스토리지(104)를 포함할 수 있다. 다만, 도 17에는 본 발명의 실시예와 관련 있는 구성요소들 만이 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 17에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(101)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(101)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(101)는 본 발명의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(103)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(103)는 본 발명의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지(104)로부터 하나 이상의 프로그램(105)을 로드(load) 할 수 있다. 예를 들어, 컴퓨터 프로그램(105)이 메모리(103)에 로드 되면, 로직(또는 모듈)이 메모리(103) 상에 구현될 수 있다. 메모리(103)의 예시는 RAM이 될 수 있으나, 이에 한정되는 것은 아니다.

버스(107)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(107)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

네트워크 인터페이스(102)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 네트워크 인터페이스(102)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 네트워크 인터페이스(102)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

스토리지(104)는 하나 이상의 컴퓨터 프로그램(105)을 비임시적으로 저장할 수 있다. 스토리지(104)는 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(105)은 본 발명의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 컴퓨터 프로그램(105)이 메모리(103)에 로드 되면, 프로세서(101)는 상기 하나 이상의 인스트럭션들을 실행시킴으로써 본 발명의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.

예를 들어, 컴퓨터 프로그램(105)은 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 동작, 및 지진 피해 예측 모델(31)로부터 지진에 의한 건물 피해 정보를 출력하는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함할 수 있다. 이 때, 지진 피해 예측 모델(31)은, 건물의 특징 정보를 포함하는 학습 데이터(90)를 이용한 기계 학습을 수행하여 생성된 것일 수 있다.

지금까지 도 1 내지 도 17을 참조하여 본 발명의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 발명의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 설명된 본 발명의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (17)

1. 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
   지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계;
   상기 지진 피해 예측 모델로부터 상기 지진 발생에 의한 복수의 건물 각각의 피해 예측 등급을 출력하는 단계;
   상기 각 건물의 피해 예측 등급에 기반하여 위험 지역과 안전 지역을 설정하는 단계; 및
   상기 위험지역 및 상기 안전 지역에 관한 정보를 이용하여 상기 각 건물의 위치에서 선택 가능한 복수의 대피 경로를 생성하여 지도 상에 표시하되, 상기 각각의 대피 경로에 인접한 건물의 피해 예측 등급에 기초하여 상기 대피 경로 각각에 대한 우선 순위를 표시하는, 단계를 포함하고,
   상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것인,
   건물의 지진 피해 예측 방법.
2. 제1 항에 있어서,
   상기 건물의 특징 정보는, 건물의 종류, 용도, 건축연도, 층수 중 적어도 하나를 포함하는,
   건물의 지진 피해 예측 방법.
3. 삭제
4. 제1 항에 있어서,
   상기 지진 피해 예측 모델은,
   복수의 LSTM 레이어로 구성된 LSTM 기반의 신경망을 학습하여 생성된 것인,
   건물의 지진 피해 예측 방법.
5. 제4 항에 있어서,
   상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 복수의 LSTM 레이어 중 적어도 하나의 레이어를 구성하는 복수의 노드 중 일부를 드롭 아웃(drop-out)하는,
   건물의 지진 피해 예측 방법.
6. 제4 항에 있어서,
   상기 LSTM 기반의 신경망을 학습하는 과정에서, 상기 LSTM 레이어의 활성화 함수로 ReLU 함수를 사용하고, 상기 LSTM 레이어와 출력 레이어를 연결하는 완전 연결 레이어의 활성화 함수로 소프트맥스(softmax) 함수를 사용하는,
   건물의 지진 피해 예측 방법.
7. 제1 항에 있어서,
   상기 지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 단계는,
   상기 지진의 진원지 및 규모에 관한 정보를 상기 지진 피해 예측 모델에 입력하는 단계를 포함하는,
   건물의 지진 피해 예측 방법.
8. 삭제
9. 제1 항에 있어서,
   상기 지진 발생에 의한 복수의 건물 각각의 피해 예측 등급을 상기 각 건물의 위치를 기준으로 매핑하여 제공하는 단계를 더 포함하는,
   건물의 지진 피해 예측 방법.
10. 제9 항에 있어서,
    상기 지진 발생에 의한 복수의 건물 각각의 피해 예측 등급을 상기 각 건물의 위치를 기준으로 매핑하여 제공하는 단계는,
    상기 각 건물의 피해 예측 등급에 기초하여 지도 상에 상기 각 건물에 대응하는 위험 정보를 표시하는 단계를 포함하는,
    건물의 지진 피해 예측 방법.
11. 제10 항에 있어서,
    상기 각 건물의 피해 예측 등급에 기초하여 지도 상에 상기 각 건물에 대응하는 위험 정보를 표시하는 단계는,
    상기 각 건물의 피해 예측 등급에 기초하여 상기 각 건물에 대응하는 위험 정보를 설정하는 단계; 및
    상기 설정된 각 건물의 위험 정보에 기초하여 상기 지도 상에 상기 위험 지역과 상기 안전 지역을 구분하여 표시하는 단계를 포함하는,
    건물의 지진 피해 예측 방법.
12. 삭제
13. 삭제
14. 제1 항에 있어서,
    상기 건물의 특징 정보는, 상기 건물과 관련된 복수의 변수 중 히트 맵 분석을 통해 선택된 변수를 포함하는,
    건물의 지진 피해 예측 방법.
15. 제14 항에 있어서,
    상기 히트 맵은, 상기 건물과 관련된 복수의 변수 각각과 상기 각 건물의 피해 예측 등급 상호 간 상관도를 산출하여 행렬 형태로 표시한 것인,
    건물의 지진 피해 예측 방법.
16. 하나 이상의 프로세서;
    외부장치와 통신하는 통신 인터페이스;
    상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및
    상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,
    상기 컴퓨터 프로그램은,
    지진 발생에 관한 정보를 지진 피해 예측 모델에 입력하는 동작,
    상기 지진 피해 예측 모델로부터 상기 지진 발생에 의한 복수의 건물 각각의 피해 예측 등급을 출력하는 동작,
    상기 각 건물의 피해 예측 등급에 기반하여 위험 지역과 안전 지역을 설정하는 동작, 및
    상기 위험지역 및 상기 안전 지역에 관한 정보를 이용하여 상기 각 건물의 위치에서 선택 가능한 복수의 대피 경로를 생성하여 지도 상에 표시하되, 상기 각각의 대피 경로에 인접한 건물의 피해 예측 등급에 기초하여 상기 대피 경로 각각에 대한 우선 순위를 표시하는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함하고,
    상기 지진 피해 예측 모델은, 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 생성된 것인,
    건물의 지진 피해 예측 장치.
17. 외부 서버와 통신하는 통신부;
    상기 외부 서버로부터 수집된 건물의 특징 정보를 포함하는 학습 데이터를 이용한 기계 학습을 수행하여 지진 피해 예측 모델을 생성하는 학습부; 및
    지진 발생에 관한 정보를 상기 지진 피해 예측 모델에 입력하여 상기 지진 발생에 의한 복수의 건물 각각의 피해 예측 등급을 출력하고, 상기 각 건물의 피해 예측 등급에 기반하여 위험 지역과 안전 지역을 설정하고, 상기 위험지역 및 상기 안전 지역에 관한 정보를 이용하여 상기 각 건물의 위치에서 선택 가능한 복수의 대피 경로를 생성하여 지도 상에 표시하되, 상기 각각의 대피 경로에 인접한 건물의 피해 예측 등급에 기초하여 상기 대피 경로 각각에 대한 우선 순위를 표시하는 예측부를 포함하는,
    건물의 지진 피해 예측 장치.

Images