Improved Classification of Fire Accidents and Analysis of Periodicity for Prediction of Critical Fire Accidents

Forecasting of coming fire accidents is quite a challenging problem cause normally fire accidents occur for a variety of reasons and seem randomness. However, if fire accidents that cause critical losses can be forecasted, it can expect to minimize losses through preemptive action. Classifications using machine learning were determined as appropriate classification criteria for the forecasting cause it classified as a constant damage scale and proportion. In addition, the analysis of the periodicity of a critical fire accident showed a certain pattern, but showed a high deviation. So it seems possible to forecast critical fire accidents using advanced prediction techniques rather than simple prediction techniques.

초대형화재사고 예측을 위한 화재사고 분류의 개선 및 발생의 주기성 분석

일반적으로 화재는 다양한 원인으로 발생하며 무작위로 보이기에 화재의 발생을 예측한다는 것은 매우 도전적인 문제이다. 하지만 모든 화재가 아닌 큰 피해를 주는 초대형 화재사고의 예측이 가능하다면, 선제적 대응을 통한 손실 최소화를 기대할 수 있다. 본 연구에서는 국가 전체를 대상으로 초대형 화재사고를 예측하기 위해 기계학습 기법인 k-평균 클러스터링을 이용하여 화재사고를 분류하고, 이를 인위적인 설정이 강한 비전문가 기준, 전문가 기준 분류 결과와 비교하여 예측에 적절한 분류 기준을 제안하였다. 비교 결과 기계학습을 이용한 분류가 일정한 피해규모와 비율로 분류되어, 예측에 적절한 분류 기준이라 판단하였다. 또한 초대형 화재사고의 주기성을 분석한 결과 일정한 패턴을 보였지만 높은 편차를 보였다. 따라서 단순 예측기법이 아닌 고급 예측기법을 사용하였을 때 초대형 화재사고의 발생 예측이 가능하다고 판단되었다.