계측 데이터 기반 운영자 의사결정지원 방안(안)

가. 빅데이터 연구방법론(Machine Learning)

❍ 기계학습 또는 머신러닝(Machine Learning)이란 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘 기술 개발

­ 가령, 기계 학습을 통해서 수신한 이메일이 스팸인지 아닌지를 구분할 수 있도록 훈련할 수 있음

­ 기계 학습의 핵심은 표현(representation)과 일반화(generalization)에 있음

­ 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이고, 이는 전산 학습 이론 분야이기도 하며 다양한 기계 학습의 응용이 존재

­ 문자 인식은 이를 이용한 가장 잘 알려진 사례

❍ 기계학습(Machine Learning)의 급격한 발달에 따라 대형화된 환경정보로부터 정형화된 패턴을 발견하고, 이를 활용하여 정밀한 단기 예측을 수행하는 연구가 획

대한 수요에 조응하는 환경서비스도 개발이 가능한 상황

❍ 따라서 기존의 평균적-사후처리 중심의 환경 서비스에서 개인적-사전예방 중심의 환경 서비스로 전환하고자 하는 수요와 전환이 가능한 기술적인 조건이 마련

❍ 기계학습으로 대표되는 빅데이터를 활용하는 연구는 패턴의 파악이 필요한 다양한 연구분야에서 활발하게 수행

­ 기계학습 방법론은 관심의 대상이 되는 변수의 값을 예측하는 지도학습 (Supervised Learning) 방법론 및 주어진 자료를 구성하는 변수들 간 관계의 규칙성을 파악하는 비지도학습(Unsupervised Learning)으로 대별

­ 지도학습법은 연구의 관심이 되는 주요변수(이하 관심변수)의 미래 값을 예측하는 예측(Prediction)연구에 주로 사용

­ 비지도학습법은 변수 간 관계를 이용하여 자료를 구분하는 군집분석(Cluster Analysis) 및 텍스트 자료의 구성 요소 간 관계를 파악하는 텍스트 마이닝(Text Mining) 연구에 주로 활용

❍ 기계학습으로 대표되는 빅데이터를 활용하는 연구는 패턴의 파악이 필요한 다양한 연구분야에서 활발하게 수행되고 있음

❍ 시흥시는 '빅데이터(Big Data)'를 활용, 상수도 누수 관련 민원을 해결하고 향후 발생할 위험을 사전에 차단할 수 있는 '공공 빅데이터 표준분석모델'을 개발

­ 빅데이터를 통해 누수 신고·발생 지역, 상수도 노후 관망 및 거주인구, 상수관로 속성 및 매설 환경 등을 기반으로 상수도 관로 및 누수 패턴 분석, 상수관로 누수 위험도 예측 및 옥내 수용가 누수 위험 분석을 시행

­ 그 결과 상수관로의 신설 및 교체 우선순위 대상 선정 등에 활용하고, 시 전체 현황을 한눈에 파악할 수 있도록 시각화된 분석화면을 제공해 효율적인 누수관리 및 의사결정이 가능

❍ 전북도와 한국국토정보정보공사(LX)에서도 행정·공공기관 간에 소통과 협업으로 빅 데이터 분석 및 활용 서비스를 목표로 2015년 2월부터 도청 6층에「빅데이터 활용 센터」를 설치 공동으로 운영하고 있으며, 전주시의 수년간(2009년∼2015년) 축적된 상수도 누수발생 민원데이터와 급수관 정보, 계량기 정보 데이터를 기반으로 빅데이터 분석 실시

­ ′상수도 관로 누수 위험도 예측′을 위해 누수신고 민원과 관로 데이터를 융합해 누수 패턴을 분석하였으며 여기에 계량기 검침량 데이터와 건축물 정보를 이용해

′상수도 과다 수용가′를 추출하고 건물노후도 정보와 비교해서 ′건물 내 누수 위험 지역′을 찾아 볼 수 있게 되었음

­ 분석 결과 누수의 82%가 도로에서 가정까지 연결되는 급수관에서 발생하는 것으로 나타났으며, 관재질별로는 PVC관이 누수의 76%를 차지함

­ 이와 같은 분석결과를 토대로 관로 신설이나 교체 시 우선 점검 대상으로 선정하는 등 누수를 탐사 시 대상지역 선정에 보조자료로 활용

❍ 상수도 누수위험도 예측모델은 상수도 관로 및 누수 패턴분석, 상수관로 누수 위험도 예측 및 옥내 수용가 누수 판별과 같은 지자체 상수도 관련 공통 핵심 기능을 제공

자료 : 행정안전부, 2018, 공공빅데이터 표준분석모델 매뉴얼

[그림 3.21] 상수도 표준분석모델 개요

나. 딥러닝을 활용한 환경리스크 예측

❍ 기술적 측면에서 딥러닝(Deep Learning) 알고리즘은 노드 간 연결 형태와 사용하는 수치 모델에 따라 여러 세부 모델이 존재

­ 세부 주요 기술로 CNN(Convolutional Neural Network)은 주로 영상인식 분야에, RNN(Recurrent Neural Network)은 시간적 상관관계가 중요한 데이터와 시계열 데이터 등 동적 데이터에 활용됨

­ 딥러닝 기술은 아직 완전히 성숙한 단계는 아니지만, 스스로 학습한다는 점과 특징을

❍ 환경에서의 딥러닝 및 텐서플로 등의 활용 사례는 많지 않으며 실시간으로 다량의 데이터가 축적되는 환경분야에서 딥러닝 기술이 적용된다면 환경리스크 예측 등에서 유용하게 활용 가능할 것으로 판단됨

❍ 특히 환경분야는 주로 시간 및 공간 데이터를 함께 다루므로, 이를 분석할 환경 딥러닝 분석 방법론의 개발이 필요함

다. 시범 블록 선정을 통한 계측 데이터 기반 정확도 향상

❍ 물관리 분야에 인공지능을 도입하였을 때 시스템이 개선되는 사례가 다수 존재함

­ 수도운영 데이터 오결측 검출, 정제→검출데이터의 신뢰성 및 정확도 향상

­ 수처리 약품공정 최적제어→약품 투입량 최적화를 통한 약품비 절감 도모

­ 인공신경망과 퍼지추론을 적용한 관 파손 인지기술→관 파손 인지기술 고도화

­ 딥러닝 알고리즘을 적용한 배수지 수위 변화 예측→배수지 수위 예측 정확도 향상 및 자가 특징 추출에 의한 계산 시간 감소

­ 하수재이용/해수담수화 효율 증대를 위한 막오염(파울링) 제어→막오염 제어를 통한 전력소비량 6% 절감

❍ 시범 블록(예로 서구, 영종, 강화) 선정 시 물관리 업무별 인공지능 적용성 검토는 다음과 같음

­ 적용지역에 대한 사고 현황과 원인 및 피해 금액 조사

­ 수리‧수질 사고에 대한 다양한 사례분석: 관로사고, 수질사고, 수계전환사고 등 자료기반 사고분석

­ 인공지능 시뮬레이터 선정 및 적용

[그림 3.22] 의사결정 지원 방안 제시

❍ 인천시에 적합한 스마트워터그리드 구축 및 의사결정 지원을 위해서는 적용 대상지역 구성방안은 다음과 같음

­ 정수장으로부터 물을 공급 받은 수용가는 보급형 수질검사 키트를 통해 수용가 내 탁도, 잔류염소 등을 측정하여 모바일 어플리케이션으로 데이터 전송할 수 있으며 양방향 의사소통이 가능하도록 함(민원 접수 및 서비스 신청 가능)

­ 또한 적용 대상블록은 계측기용 IoT장치를 설치하여 정수장 및 관망 내 계측기 (수질, 수량, 수압 누수 등) 실시간 자료 전송

­ 모든 물 정보 데이터는 수운영 통합시스템으로 전송 및 관리되며 DB와 연계되어 수계전환 및 의사결정시스템에서 활용

­ 수계전환 및 수질 모니터링/분석/예측/대응/관리 가능

­ 위기관리 매뉴얼을 통해 문제 발생 시 신속한 대처 가능

­ 수용가는 문제 발생 알림과 해결 완료 여부를 스마트 서비스(APP, BIS, 홈 어플리 케이션)를 통해 제공받을 수 있고 실시간 분석 정보 확인 가능

­ 특히, 모바일 어플리케이션을 통해 현장 업무정보 제공 및 수질 검사키트 검사, 시설별 현황 등의 정보를 제공 받고 피드백 할 수 있음

[그림 3.23] 의사결정 지원 방안 제시