Fire Risk Assessment Based on Weather Information Using Data Mining

Fire Sci. Eng., Vol. 29, No. 5, pp. 88-95, 2015 [Research Paper]

ISSN: 1738-7167

DOI: http://dx.doi.org/10.7731/KIFSE.2015.29.5.088

데이터마이닝을 이용한 기상정보에 따른 화재 위험 평가

류정우 · 권성필* ^†

( 주)세이프티아 기술연구소, *한국소방산업기술원 미래소방기술연구소

Fire Risk Assessment Based on Weather Information Using Data Mining

Joung Woo Ryu · Seong-Pil Kwon* ^†

Technical Research Center, SafeTia Co. LTD.

*R&D Laboratory, Korea Fire Institute

(Received August 11, 2015; Revised August 20, 2015; Accepted August 24, 2015)

요 약

본 논문에서는 일상생활에서 화재에 대한 주민들의 경각심을 고취시킬 수 있도록 기상조건에 따른 화재위험을 평가할 수 있는 날씨 관련 서비스를 제안한다. 제안된 서비스는 기상예보에 따른 화재위험평가등급과 특정 기상조건에서 화재요 인에 따른 화재위험도를 제공한다. 제안한 서비스에서는 데이터마이닝 기법인 의사결정트리를 이용하여 화재조사데이터 와 관측된 기상데이터로부터 화재위험평가등급을 산출할 수 있는 화재 위험도 매트릭스를 생성한다. 주민들은 제안한 서 비스를 통해 특정 기상조건에서 화재요인에 따라 화재위험도를 직접 평가할 수 있고, 화재위험도를 저감시킬 수 있는 예 방책을 사용자가 선택할 수 있다. 제안한 서비스를 시스템화하여 서비스의 현실성을 확인하였다. 시스템은 온라인상에서 기상청의 기상예보가 갱신될 때마다 시도별로 기상예보에 따른 화재위험평가등급을 표시하고, 각 시도별로 해당 기상조 건에서 화재요인에 따라 화재위험도를 평가할 수 있다.

ABSTRACT

We propose a weather-related service for fire risk assessment in order to increase fire safety awareness in everyday life. The proposed service offers a fire risk assessment level according to weather forecasts and a degree of fire risk according to fire factors under certain weather conditions. In order to estimate the fire risk, we produced a risk matrix through data mining with a decision tree using investigation data and weather data. Through the proposed service, resi- dents can calculate the degree of fire risk under certain weather conditions using the fire factors around them. In addi- tion, they can choose from various solutions to reduce fire risk. In order to demonstrate the feasibility of the proposed services, we developed a system that offers the services. Whenever weather forecasting is carried out by the Korea Meteorological Administration, the system produces the fire risk assessment levels for seven major cities and nine prov- inces of South Korea in an online process, as well as the fire risk according to fire factors for the weather conditions in each region.

Keywords : Risk matrix, Fire risk assessment, Data mining, Decision tree, Weather forecast

1. 서 론

날씨가 우리 일상생활에 미치는 영향은 매우 크다. 기 상청에서 서비스로 제공하고 있는 생활지수의 종류를 보 면 그 영향력을 가늠할 수 있다⁽¹⁾. 국내에 발생한 화재 역 시 날씨와 밀접한 관련성이 있다. Song 등은 2007년에 서 2012년까지 6년간 발생된 국내화재 발생 건수를 조사 한 결과, 고온다습한 여름철에 화재발생 건수가 감소하고

저온저습한 겨울철에 화재발생 건수가 증가하는 것을 확 인하였다⁽²⁾. 국외에서도 날씨와 화재간의 관계에 대한 연 구결과를 발표하고 있다. Tanskanen and Venäläinen은 5^oC 이상의 일일 평균 온도의 누적합을 이용하여 핀란드 내에서 기상과 산불 또는 기상과 임야화재의 관계를 분석 하였고⁽³⁾, Carvalho 등은 포르투갈의 기후변화에 따른 산 불 예측에 대한 연구결과를 발표하였다⁽⁴⁾. Chau 등은 홍 콩에서 국립공원, 농장, 산림지대 등과 같이 옥외에서 발

†

Corresponding Author, E-Mail: [email protected]

†

TEL: +82-31-289-2953, FAX: +82-31-287-9067

생될 수 있는 화재와 기상과의 관계성을 분석하였고, 그 결과 평균 상대습도가 화재와 음의 상관관계를 가지고 있음을 확인하였다⁽⁵⁾. 뉴질랜드에 위치한 University of Auckland에서는 2004년에서 2007년까지 3년간 수집한 2,752건의 화재조사데이터를 가지고, 통계 및 데이터마이 닝 기법을 통해 날씨의 변화에 따른 굴뚝화재(chimney fires) 발생율 변화를 조사한 결과, 온도가 감소할수록 굴 뚝화재는 증가하였고, 습도와는 약간의 비선형 관계를 보 였다⁽⁶⁾.

기상정보를 이용한 산불 예방 서비스가 주로 제공되지만, 미국 해양 대기 관리처(National Oceanic and Atmospheric Administration) 홈페이지에서는 Figure 1과 같이 화재 기 상예보 서비스를 하고 있다⁽⁷⁾. 지도에서 각 지역별로 화재 발생 예보위험등급(forecast risk of fire weather)이 표시되 고, 예보위험등급이 표시된 지역을 클릭하면 사용자는 해 당 지역의 세부 날씨정보를 확인할 수 있을 뿐만 아니라, 언제까지 예보위험등급이 유효한지 그리고 그 이유가 무 엇인지 확인할 수 있다. 예를 들어 “13시부터 23시까지 해 당 지역에 돌풍과 낮은 상대습도로 화재발생 예보위험등 급이 적색입니다”라는 정보를 확인할 수 있다.

국내에서는 국민안전처 국가화재정보센터⁽⁸⁾에서 “화재 위험 예측 네비게이터”를 통해 주민들이 각 시군구별로 화재위험지수를 확인할 수 있다. 현재 국가화재데이터시 스템(national fire data system)에서 2007년 1월 1일부터 2008년 6월 30일까지 1년 6개월간의 화재조사데이터를 가지고 생성한 회귀식(regression equation)으로 예측한 화재건수를 이용하여 화재위험지수를 산출하고 있다.

식(1)과 같이 해당 회귀식에서는 시간 속성인 “월”을 고려 하여 계절에 대한 특성을 고려하고 있지만, 날씨에 대한 속성을 고려하고 있지 않다. 또한 “월”을 제외한 다른 속 성들은 그 갱신 주기가 짧게는 1년 길게는 5년이기 때문

에 동일한 월에 각 지역별로 제공되는 화재위험지수는 동 일하다.

화재건수 = − 12.7149 × 월 + 0.00059 × 인구 화재건수 =+ 0.22957 ×면적 − 21201 × 농업체수 화재건수 =+ 39413.8 ×건설업체수 + 2238 × 기업체수 화재건수 =+ 56244.9 ×교육업수 + 22617.6 × 공장수 화재건수 =− 2810.5 × 가구수

화재건수 =− 678806 × 어업체수 + 783.4 (1) 본 논문에서는 화재와 관련성이 높은 기상정보를 이용 하여 생활지수와 같이 국민들이 화재에 대한 경각심을 고 취시킬 수 있는 서비스를 개발한다. 제안한 서비스는 기상 청에서 예보되는 기상에 따라 각 지역에서 화재위험평가 등급(fire risk assessment level)을 제공하고, 사용자는 해 당 기상조건에서 화재발생 확률이 높은 화재요인(fire factor)을 조사하여 화재발생 확률을 저감시킬 수 있다. 제 안한 서비스에서 가장 핵심적인 기법은 과거의 화재조사 데이터와 관측된 기상데이터를 가지고 데이터마이닝(data mining) 기법인 의사결정트리(decision tree)를 이용하여 화재가 발생한 기상조건을 추출하고, 이것을 활용하여 화 재위험평가등급을 산출하는 기법이다. 제안한 기법은 데이 터로부터 화재가 발생할 확률이 높은 기상조건을 추출하 기 때문에 객관적인 위험평가(risk assessment)가 이루어질 수 있다는 장점을 가지고 있다.

본 논문의 구성은 다음과 같다. 2장에서는 의사결정트리 를 이용하여 기상조건을 추출하는 방법과 3장에서는 각 기상조건에서 화재발생 확률을 추정하는 방법에 대해서 소개하고, 4장에서는 각 기상조건에 따른 화재위험평가등 급 산출 방법에 대해서 설명한다. 5장에서는 제안한 서비 스를 제공하기 위해 개발한 시스템에 대해서 소개하고, 6 장에서는 결론과 향후연구를 기술한다.

Figure 1. Fire weather web pages provided by the National Oceanic & Atmospheric Administration.

90 류정우 · 권성필

2. 화재조사데이터를 이용한 화재 기상조건 추출

화재가 발생하기 쉬운 기상조건을 찾기 위해서 2007년 1월 1일부터 2011년 12월 31일까지 5년간 생성된 화재조 사데이터와 해당 기간 동안 매시간 관측된 기상데이터를 Figure 2와 같이 통합한다. 통합된 데이터는 총 8 개의 속 성으로 구성된다. 기상 속성 5 개, “날짜(date)” 속성으로 부터 생성된 “월”과 “시간대” 2개의 속성과 화재발생 확 률을 계산하기 위해 생성된 “화재기상(fire weather)” 속성 이다. “화재기상” 속성은 “YES”와 “NO”의 값을 가지며, 만약 해당 시간대에 화재조사데이터가 존재하면 “YES”

값을 가지며, 그렇지 않으면 “NO”의 값을 갖는다. 만약 Figure 2와 같이 새벽 1시부터 새벽 2시에 화재가 2건 발 생하였다면 해당 시간대에 동일한 데이터를 화재 건수 2 개만큼 생성한다.

의사결정트리 모델은 “IF(조건부) THEN(결론부)” 생성 규칙(production rules) 형태로 표현할 수 있기 때문에 모 델 결과에 대한 원인을 사람이 확인할 수 있다⁽⁹⁾. 통합 데 이터로부터 화재 기상조건을 추출하기 위해서 “화재기상”

속성만이 규칙의 결론부에 나타날 수 있도록 설정하고, 그 이외의 속성들은 규칙의 조건부에 나타날 수 있도록 설정 한다. “화재기상” 속성과 같이 규칙의 결론부에 나타나는

Figure 2. Combined data adding the attribute of “fire weather” to weather data.

Figure 3. Partition regions and production rules generated by a decision tree.

* 학습데이터란 의사결정트리를 생성할 때 사용되는 데이터이다.

속성을 클래스(class)라고 부르며, 통계학에서는 종속변수 (dependent variable)라고 한다. 의사결정트리에 의해 생성 되는 규칙의 예는 다음과 같다. 따라서 생성규칙에서 조건 부에 해당되는 부분이 본 논문에서 추출할 화재 기상조건 이 된다.

IF 0 <= 온도 <= 10이고 습도 < 5 THEN ”화재기상“가

“YES”인 데이터 개수는 총 100건 중 40건

의사결정트리는 노드(node)와 링크(link)로 형성되어 있 으며, 노드는 트리를 생성하기 위한 학습데이터(training data)*의 부분집합(subset)을 의미하고, 링크는 부분집합의 데이터들을 분할하여 새로운 부분집합들을 생성하기 위한 기준을 의미한다. 부분집합이 학습데이터의 전체집합일 경우 해당 노드를 루트노드(root node)라 하고, 더 이상 분 할되지 않은 부분집합을 단말노드(leaf node)라 한다. 본 논문에서는 무질서도(entropy) 개념을 가지고 새로운 부분 집합들을 생성하는 C4.5 알고리즘으로 의사결정트리를 생 성한다.

만약 두 개의 입력속성 모두가 온도와 습도와 같이 수치 적 속성이고 양의 값을 가질 때 문제영역(problem space) 은 2차원 벡터공간으로 표현될 수 있다. 문제영역에 분포 된 학습데이터를 가지고 Figure 3(a)와 같은 의사결정트리 가 생성되었다면, 의사결정트리에 의해 생성된 각 부분집

합의 학습데이터가 분포된 영역은 Figure 3(b)와 같이 형 성된다. Figure 3(b)의 각 분할영역은 Figure 3(a)에서 사 각형으로 표현된 5개의 단말노드를 의미한다.

의사결정트리의 단말노드들은 Figure 3(c)와 같이 각각

“IF(조건부) THEN(결론부)” 형식의 생성규칙으로 표현될 수 있다. 다시 말하면, 의사결정트리에서 생성규칙은 루트 노드에서 단말노드에 이르는 하나의 경로(path)를 말한다.

Quinlan은 각 단말노드를 규칙으로 표현할 때 규칙의 신뢰 성을 나타내는 확신도(Certainty factor, CF)를 식(2)과 같 이 계산하였다⁽¹⁰⁾. 여기서 LeafNodei는 단말노드 i에 포함 된 학습데이터 집합을 의미하고, LeafNodeik는 i단말노드 에 포함된 데이터 중에 클래스 k인 데이터 집합을 의미한 다. CLASS는 클래스의 집합이다. 즉, 단말노드에 포함된 데이터 중에 가장 많은 클래스의 비율로 규칙의 확신도를 계산한다. 예를 들어 Figure 3(a)에서 “단말노드 1”(또는 Figure 3(b)에서 “분할영역 1”)에 포함된 학습데이터가 100개이고 클래스가 “화재기상” 속성으로 설정되었을 때, 100개의 데이터 중 “화재기상”이 “NO”인 데이터 개수가 80개, “YES”인 데이터 개수가 20개인 경우, 해당 단말노 드로부터 추출된 “규칙 1”(Figure 3(c)에서)의 확신도는 0.8이 된다.

(2)

3. 기상조건에서 화재발생 확률 추정

의사결정트리에서 추출된 “IF(조건부) THEN(결론부)”

생성규칙의 확신도는 조건부(IF 절)인 기상조건에서 화재 가 발생한 비율을 의미한다. 이 비율을 해당 기상조건에서 화재가 발생할 확률 값으로 사용하기는 어렵다. Figure 2 와 같이 매시간 관측된 기상데이터에 화재발생 여부를 나 타내는 “화재기상(fire weather)” 속성이 추가될 때, 특정 시간대에 화재가 n건 발생되면 해당 관측 기상데이터와 동일한 데이터가 n개만큼 생성되기 때문에 편중되게 화재 빈도만 적용된 비율이 된다.

본 논문에서는 각 단말노드 LeafNodei에서(규칙의 결론 부에서) 화재발생 확률을 식(3)과 같이 정의된 확률함수,

Pregion (LeafNodei)로 계산한다. N (NOi)과 N (YESi)는 단

말노드 i에 포함된 “화재기상(fire weather)”이 “NO”인 데 이터 개수와 “YES”인 데이터 개수를 각각 나타낸다. Nt

(YESi)는 단말노드 i에 포함된 “화재기상(fire weather)”이 YES인 데이터 중에 시간대가 서로 다른 데이터의 개수를 의미한다. 예를 들어, 매시간 기상데이터가 관측된다면, 서 울지역에서 하루 동안 생성될 수 있는 관측 기상데이터는 24개이다. 만약 오후 2시부터 3시 사이에 화재가 5건 발생 되었다면 N (NO)는 23이고 N (YES)은 5가 된다. 그리고 Nt (YES)는 1이 된다.

(3)

화재빈도를 이용한 정확한 화재발생 확률을 계산하기 위해 해당 지역을 일정 인구수의 셀(cell) 단위로 나누어 적용한다. 따라서 식(3)의 Unitregion를 식(4)와 같이 해당 지역의 인구수를 이용하여 결정하고, 이것은 해당 지역을 십만 명이 거주할 수 있는 영역으로 세분화한다는 의미를 가지고 있기 때문에 Pregion (LeafNodei)은 100,000명이 거 주하는 지역에서 화재가 발생할 확률을 의미한다.

(4)

화재조사데이터와 기상데이터를 통합한 데이터로부터 의사결정트리를 생성하여 화재가 발생할 기상조건을 추출 하고, 각각의 기상조건에서 화재가 발생할 확률을 추정하 는 방법에 대해서 지금까지 간략하게 기술하였다. 보다 자 세한 내용은 사전 연구결과에서 확인할 수 있다^(11,12).

4. 화재 기상조건을 이용한 화재위험평가등급

제안한 서비스의 목적은 기상예보에 따라 각 지역의 화 재위험지수(fire risk index)를 지역주민들이 쉽게 확인할 수 있도록 함으로써 화재에 대한 경각심을 불러일으키는 것이다. 위험요소로부터 위험도를 산출하는 위험평가(risk assessment) 절차를 보면, 확인된 위험요소로부터 가능성 평가와 영향 평가를 통해 위험도를 산출한다⁽¹³⁾. 본 논문에 서 가능성 평가는 의사결정트리로부터 추출된 기상조건에 따른 화재발생 확률을 활용한다. 또한 과거의 화재가 어떤 기상조건에서 발생되었는지 알 수 있기 때문에 과거 화재 피해를 이용하여 각 기상조건에 대한 영향 평가를 수행한 다. 예를 들어 “0 <= 온도 <= 10이고 습도 < 5”인 기상조건 에서 40건의 화재가 발생하였고, 총 2명 사망과 5명 부상 의 인명피해와 총 5억 원의 재산피해가 발생 되였다고 가 정하자. 본 논문에서는 사망 1명당 1억 원으로, 부상 1명 당 5천만 원으로 환산하여 화재에 대한 영향 평가를 수행 하였다. 즉 해당 기상조건에서 화재에 대한 영향은 9억5천 만 원으로 예상된다.

이와 같이 계산된 각 기상조건에 대한 화재발생 확률과 예상피해도를 가지고 생성된 화재 위험도 매트릭스(risk matrix)로부터 화재위험평가등급을 기상조건에 대한 화 재위험지수로 산출한다. Figure 4은 위험도 매트릭스를 생성하는 과정을 보여준다. 의사결정트리로부터 추출된 각 기상조건들을 화재발생 확률(probability)와 예상피해도 (consequences)로 구성된 2차원 벡터공간에 표현한 후, 데 이터 분포에 따라 차원을 등급화시켜 주는 자연적 구분법 (Jenks 최적화 방법)을 사용하여 n × n 위험도 매트릭스를 CF_i = max_{k CLASS∈} LeafNode_i^k

LeafNode_i ---

⎝ ⎠

⎜ ⎟

⎛ ⎞

P_region(LeafNode_i)

= N YES( _i) N NO( _i) + Nt(YES_i)

[ ] Unit× region

---

Unit_region = --- 100,000명

인구수region

92 류정우 · 권성필

생성한다. 본 논문에서는 각 차원을 5등급으로 구분하여 5 × 5 위험도 매트릭스를 생성하였고, 화재위험평가등급을 5등급으로 구분하였다.

5. 화재 기상예보 서비스

제안한 방법론으로 기상조건에 따라 화재위험평가등급 을 제시하는 서비스가 구현 가능한지 확인하기 위해서 시 스템을 개발하였다. 개발된 시스템은 기상청에서 제공되는 실시간 기상예보 서비스를 이용하여 각 시도별로 화재위 험평가등급을 산출하고, 사용자는 온라인상에서 거주 지역 의 화재위험평가등급을 기상조건과 함께 확인할 수 있을 뿐만 아니라 자기 주변에 있는 화재요인을 가지고 해당 기 상조건에서 화재요인에 따른 화재 위험도를 평가할 수 있

다. Figure 5은 개발된 시스템에서 제공되는 화재 기상예 보 서비스를 보여주고 있다. Figure 5(a)에서처럼 메인화 면에서는 전국 시도별로 가장 가까운 시간대의 기상예보 에 따른 각 시도별 화재위험평가등급을 지도상에 표시하 고, 왼쪽 테이블에서는 선택된 지역에서 기상예보별 화재 위험평가등급을 확인할 수 있다. 여기서 제시한 화재위험 평가등급을 클릭하면 Figure 5(b) 같이 사용자는 화재 위 험도 매트릭스 상에서 해당 화재위험평가등급의 위치를 확인할 수 있으며, 이를 통해 해당 기상조건에서 화재가 발생할 확률이 높은지 그리고 과거 화재 피해크기에 따른 예상피해가 어느 정도 되는지 확인할 수 있다.

또한 시스템에서는 사용자가 보다 세부적인 정보를 확 인할 수 있도록 Figure 6과 같은 웹 페이지를 개발하였다.

제공되는 세부정보로는 화재 기상예보, ○

A

^B

^C

Figure 5. The system for the fire weather forecast service.

화재요인에 따른 화재위험도 화재 발생지점 분포 그리 고 선택된 지역의 통계적 정보이다.

화재 기상예보인 에서는 화재 기상조건, 해당 기상조 건에서 화재발생 확률과 화재위험평가등급 그리고 지금까 지 해당 기상조건에서 발생된 화재건수를 확인할 수 있고, 에서는 기상청에서 제공되는 기상예보를 확인할 수 있 다. 영역에서는 에서 제시된 해당 기상조건에서 화재 사고가 일어난 지점을 사용자가 지도상에서 확인할 수 있 으며, 이를 통해 화재요인별로 화재 발생 분포를 지도상에 서 분석할 수 있다. 영역에서는 선택된 지역의 건축물

현황, 공장수와 같은 화재와 관련된 지역적 통계정보를 보 여준다.

화재요인에 따른 화재위험도는 화재요인의 빈도를 가지 고 식(5)와 같이 계산된다. Figure 7은 특정 기상조건에서 발생된 총 133건의 화재를 “발화열원”의 항목별로 그리고

“발화요인”의 항목별로 화재 빈도를 조사한 표이다. 식(5) 에서 xi은 화재요인 i에 대한 비율을 의미한다. 예를 들어 Figure 7에서 총 133건의 화재 중에 “작동기기(actuated equipment)”에 의해 발생된 화재 건수는 81건으로 x작동기기

는 0.61 (= 81/133)된다. 따라서 해당 기상조건에서 작동기

○

D

○

E

○

A

○

B

○

D

A

○

E

Figure 7. Frequency of fire factors.

Figure 6. Fire weather forecast and information related to fire accidents.

94 류정우 · 권성필

기에 의한 화재위험도는 0.61 (= 1.0 − 0.39)이 된다.

화재위험도 (5)

만약에 화재요인으로 사용자 주변에 작동기기와 담뱃불 이 있다면 그 때의 화재위험도는 다음과 같이 0.68로 계산 되고, 만약 주변에 작동기기와 담뱃불 그리고 전기적 요인 까지 존재한다면 그 때의 화재 위험성은 0.83이 된다. 이 와 같이 같은 공간에 화재요인이 많을수록 화재위험도는 1.0에 가까워진다. 따라서 사용자는 화재요인에 따른 화재 위험도를 분석함으로써 화재위험도를 효율적으로 저감시 킬 수 있는 방안을 수립할 수 있다. 예를 들어, 화재위험도 의 저감율이 큰 화재요인을 주변에서 제거하거나, 또는 불 필요한 화재요인을 선택하여 제거할 수 있다.

화재위험도(작동기기, 담뱃불)

= 1.0− ((1.0 − 0.61) × (1.0 − 0.19)) = 0.68 화재위험도(작동기기, 담뱃불, 전기적요인)

= 1.0− ((1.0 − 0.61) × (1.0 − 0.19)

× (1.0− 0.47)) = 0.83

6. 결론 및 향후계획

본 논문에서는 화재 기상예보 서비스를 제안하고, 제안 한 서비스가 실행 가능한지 확인하기 위해서 시스템을 개 발하였다. 화재 기상예보 서비스란 기상청에서 제공되는 기상예보를 이용하여 각 지역별로 화재위험평가등급과 해 당 기상조건에서 화재요인에 따른 화재위험도를 확인할 수 있는 서비스이다. 제안한 서비스를 날씨와 관련된 생활 지수처럼 활용한다면, 화재 기상예보 서비스를 통해 주민 들은 기상조건에 따라 거주지역의 화재에 대한 위험성을 확인하고 관련된 정보를 제공받음으로써 주민 스스로가 화재를 예방할 수 있을 것으로 기대된다.

본 논문에서 기여한 점은 첫 번째 기상조건에 따라 지 역별 화재위험평가등급을 제공할 수 있는 방법론을 개발 한 것이다. 특히 화재조사데이터와 기상데이터로부터 화 재위험평가등급을 산출할 수 있는 화재 위험도 매트릭스 를 생성한 것은 정량적 위험성 평가라고 볼 수 있다. 정량 적 위험성 평가는 정성적 위험성 평가보다 객관적인 평가 가 가능한 것으로 알려져 있다⁽¹⁴⁾. 두 번째는 기상조건에 서 화재요인에 따른 화재위험도를 산출할 수 있는 방법론 을 개발한 것이다. 특정 기상조건에서 주민들은 주변에 존재하는 화재요인에 따라 화재위험도를 확인할 수 있으 며, 이는 주민 스스로가 화재를 예방할 수 있는 방안을 선 택할 수 있게 한다. 예를 들어 특정 화재요인을 사용자 주 변에서 제외시키거나 또는 서로 다른 공간으로 옮길 수 있다.

향후 계획으로는 기상조건에 따른 화재위험평가등급과

화재요인에 따른 화재위험도를 통합하여 특정 기상조건에 서 일반 사용자가 보다 쉽게 화재의 위험성을 평가할 수 있고, 사용자 스스로가 자신의 상황에 맞는 화재예방책을 수립할 수 있는 방법론을 개발할 계획이다. 또한 화재 기 상조건은 화재조사데이터가 한건도 없는 지역에 대해서는 추출될 수 없기 때문에 화재요인에 따른 화재위험도 평가 방법을 활용하여 제안한 방법을 확장할 계획이다.

References

1. Korea Meteorological Administration’s Website, “http://

kma.go.kr/HELP/basic/help_01_03.jsp” (2015).

2. D. W. Song, K. S. Kim and S. K. Lee, “An Relational Analysis between Humidity, Temperature and Fire Occurrence using Public Data”, Journal of Fire Science and Engineering, Vol. 28, No. 2, pp. 82-90 (2014).

3. H. Tanskanen and A. Venӓlӓinen, “The Relationship between Fire Activity and Fire Weather Indices at Differ- ent Stages of the Growing Season in Finland”, Boreal Environment Research, Vol. 13, No. 4, pp. 285-302 (2008).

4. A. C. Carvalho, A. Carvlho, H. Martins, C. Marques, A.

Rocha, C. Borrego and D. X. Viegas, “Fire Weather Risk Assessment Under Climate Change Using a Dynamical Downscaling Approach”, Environmental Modelling &

Software, Vol. 26, Issue 9, pp. 1123-1133 (2011).

5. L. K. C. Chau and R. T. Corlett, “Fire and Weather in Hong Kong”, Proceeding of the 12th Conference on Fire and Forest Meteorology, pp. 442-452 (1993).

6. M. Holmes, Y. Wang and I. Ziedins, “The Application of Data Mining and Statistical Techniques to Identify Pat- terns and Changes in Fire Events”, Technical report, Uni- versity of Auckland (2009).

7. National Oceanic and Atmospheric Administration’s Website, “http://www.srh.noaa.gov/ridge2/fire/” (2015).

8. Ministry of Public Safety and Security, National Fire Data System’s Website, “http://www.nfds.go.kr/index.jsf”

(2015).

9. X. Wu, V. Kumar, J. R. Quinlan, J. Ghosh, Q. Yang, H.

Motoda, G. J. McLachlan, A. Ng, B. Liu, P. S. Yu, Z.-H.

Zhou, M. Steinbach, D. J. Hand and D. Steinberg, “Top 10 Algorithms in Data Mining”, Knowledge Information System, Vol. 14, Issue 1, pp. 1-37 (2008).

10. J. R. Quinlan, “Generating Production Rules From Deci- sion Tree”, Proceedings of the 10th International Joint Conference on Artificial Intelligence, Vol. 1, pp. 304-307 (1987).

11. J. W. Ryu, Y. J. Kim, E. J. Kim and M. W. Kim, “A Generation Method of a Fire Probability Prediction Model Based on Weather Forecast”, Journal of KIISE:

Computing Practices and Letters, Vol. 20, No. 2, pp. 68- = 1.0 − (1.0 − xi)

i=1

∏

79 (2014).

12. Y. J. Kim, J. W. Ryu, W. M. Song and M. W. Kim, “Fire Probability Prediction Based on Weather Information Using Decision Tree”, Journal of KIISE: Software and Applications, Vol. 40, No. 11, pp. 705-715 (2013).

13. Korea Occupational Safety and Health Agency, “Acci-

dent Frequency Analysis (FTA ETA)”, Occupational Safety and Health Training Institute, pp. 3-6 (2013).

14. Y.-S. Kim, “The Study of Risk Matrix Development for Urban Metro EMU”, Journal of the KOSOS, Vol. 26, No. 6, pp. 111-117 (2011).