머신러닝을 이용한 호우재해의 인명피해 예측모델 개발

• 영문명: Development of a Machine Learning Model for Predicting Casualties from Heavy Rainfall Disasters
• 발행기관: 한국방재학회
• 저자명: 송영석(Youngseok Song) 김병식(Byungsik Kim) 김하룡(Hayong Kim)
• 간행물 정보: 『2. 한국방재학회 논문집』25권 5호, 231~240쪽, 전체 10쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2025.10.31

국문 초록

본 연구에서는 1999년부터 2019년까지 국내에서 발생한 호우재해 피해데이터와 강우 특성을 결합하여 인명피해 발생을 예측하는 머신러닝 모델을 개발하고 그 성능을 평가하였다. 피해데이터는 행정안전부의 재해연보를, 강우데이터는 기상청 ASOS 자료를 활용하였다. 머신러닝 모델은 Random Forest, Decision Tree, XGBoost를 적용하였으며, 1999년부터 2015년은 학습구간으로, 2016년부터 2019년은 검증구간으로 설정하였다. 성능 비교 결과, XGBoost의 정확도(Accuracy)는 0.974로 가장 높았으며, Random Forest는 0.963, Decision Tree는 0.932로 분석되었다. 모든 모델은 Negative 예측의 특이도(Specificity)가 94.9%~99.3%로 매우 높았으나, Positive 예측 성능은 낮아 재현율(Recall)이 0.34~0.37로 나타났다. 이는 학습 및 검증 데이터에서 인명피해 발생 사례의 불균형이 영향을 미친 것으로 판단된다. 본 연구는 인명피해 예측모델을 통해 강우 특성뿐만 아니라 시설물 피해금액의 중요성을 확인하였다. 향후에는 불균형 데이터 보정 기법과 시계열 기반 모델을 적용하여 예측 성능을 향상시킬 수 있음을 제시하였다.

영문 초록

By combining damage data from heavy rainfall disasters with rainfall characteristics in South Korea from 1999 to 2019, this study developed and evaluated a machine learning (ML) model to predict human damage. The damage and rainfall data were obtained from the Disaster Yearbook of the Ministry of the Interior and Safety and Korea Meteorological Administration’s ASOS records, respectively. The ML models employed included Random Forest, Decision Tree, and XGBoost, with the period from 1999 to 2015 and 2016 to 2019 designated as the training and validation phases, respectively. A comparison of the performance of various models revealed that XGBoost attained the highest level of accuracy, with a value of 0.974, followed by Random Forest and Decision Tree, with 0.963 and 0.932, respectively. While all models exhibited remarkably high specificity for negative predictions, ranging from 94.9% to 99.3%, their predictive performance for positive cases was comparatively low, with recall values ranging from 0.34 to 0.37. This phenomenon was attributed to an imbalance in the occurrence of human damage between the training and validation periods. The significance of not only rainfall characteristics but also damage amounts to facilities in casualty prediction models was corroborated. Subsequent studies have revealed that enhancing prediction accuracy can be achieved through data imbalance correction and the implementation of time series-based models.

목차

1. 서 론

2. 머신러닝 모델 및 정확도 모형

3. 호우재해의 피해특성

4. 호우재해 발생시 인명피해 예측모델 평가

5. 결 론

감사의 글

References

키워드

호우재해 인명피해 예측 머신러닝 강우 특성 Heavy Rainfall Disaster Human Casualty Prediction Machine Learning Rainfall Characteristics XGBoost