Intelligent Bayesian analysis Based on Knowledge Graph and Graph Neural Network for Subway Fire Risk

기술 요약: 지식 그래프와 그래프 신경망 기반의 지하철 화재 위험에 대한 지능형 베이지안 분석

문제 정의
협소한 공간과 밀집된 인구라는 특성을 가진 지하철 시스템은 심각한 화재 안전 문제에 직면해 있다. 기존의 위험 평가 방법론은 다음과 같은 뚜렷한 한계를 보인다:

1. 지식 그래프 (Knowledge Graphs, KG): 전통적인 KG는 노드-엣지 토폴로지에만 의존하여 엔티티 속성 간의 상관관계를 무시하며, 이로 인해 추론 능력이 저하된다.
2. 베이지안 네트워크 (Bayesian Networks, BN): 전형적인 BN은 전문가에 의한 수동 노드 선택을 통해 구축되므로, 강한 주관적 편향을 유발하고 복잡하고 동적인 시스템에 대한 적응력을 제한한다.
3. 일반적 한계: 현재의 접근 방식은 실시간 데이터 기반의 동적 위험 평가가 부족하며, 엔티티 간의 암시적 관계를 파악하는 데 어려움을 겪고, 특정 지하철 화재 사고에 맞춤화된 BN을 동적으로 구축하는 데 실패한다.

방법론
본 연구는 구조화된 데이터 추출에서 확률적 추론으로 전환되는 통합 KG-GNN-BN 프레임워크를 제안하며, 이는 네 가지 주요 단계를 거친다:

1. 지식 그래프 구축:

   • 데이터 소스: 1958년부터 2025년까지의 과거 화재 기록과 규제 문서를 분석하였다.
   • NLP 처리: 자연어 처리(Jieba 라이브러리 사용)를 통해 215개의 화재 특성 키워드를 추출하고 6개의 위험 사고 레이블(사건/연도, 관리 체계, 인간 행동, 장비/구조, 환경/기류, 여파/개선)을 정의하였다.
   • 그래프 구조: 666개의 노드와 931개의 엣지를 포함하는 지하철 화재 KG를 구축하였으며, 특징 및 레이블 속성을 토폴로지에 임베딩하여 완전한 데이터셋을 형성하였다.

2. 그래프 신경망 (Graph Neural Network, GNN) 학습:

   • 아키텍처: 잔차 연결(residual connections)과 배치 정규화(batch normalization)가 적용된 3층 그래프 합성곱 네트워크(GCN)를 채택하였다.
   • 프로세스: 모델은 노드 임베딩 추출 및 특징 학습을 수행하였다. 이 모델은 이웃 집합(neighbor aggregation)을 기반으로 은닉 상태를 반복적으로 업데이트하는 메시지 전달 메커니즘을 활용하였다.
   • 최적화: 모델은 교차 엔트로피 손실(cross-entropy loss)과 코사인 어닐링 학습률 스케줄러가 적용된 Adam 옵티마이저를 사용하여 학습되었다.

3. BN을 위한 자동 노드 선택:

   • 신뢰도 및 클러스터링: 학습된 GNN은 노드 임베딩을 생성하였다. 신뢰도 점수는 Softmax 정규화를 통해 계산되었다. 특징 범위 편향을 피하고 다양성을 확보하기 위해 K-평균 클러스터링(K=6, 태그 카테カテゴリ와 일치)을 적용하였다.
   • 점수 산정: 분류 신뢰도와 군집 내 대표성(군집 중심점과의 거리)을 통합한 종합 점수 공식을 사용하였다.
   • 선택: 이 점수를 바탕으로 666개의 노드 중 BN의 핵심 인과 사슬을 형성할 22개의 대표 노드를 자동으로 선택하였다. 이 과정은 자동화된 점수 산출 방식을 사용하지만, 대표성을 확보하고 과적합을 방지하기 위해 가중치 계수와 임계값을 수동으로 조정하는 과정을 포함한다.

4. 베이지안 네트워크 파라미터화:

   • 구조: 선택된 22개의 노드가 BN 구조를 형성한다.
   • 확률: 17명의 지하철 화재 안전 전문가로부터 피드백을 수집하는 델파이 기법(Delphi method)을 사용하여 사전 및 조건부 확률을 결정하였다. 일관성은 Cronbach's alpha(>0.8)와 변동 계수를 통해 검증되었다.

주요 결과

• 모델 성능: GNN은 높은 훈련 정확도(1.0에 근접)와 검증 정확도(0.9 수준에서 안정화)를 달로 성, 강력한 일반화 능력을 입증하였다. 혼동 행렬(confusion matrix)은 6개 태그 카테고리에 대한 높은 판별 능력을 나타냈다.
• 민감도 분석: Netica를 사용하여 핵심 위험 노드를 식별하였다.
  • 인명 피해: '초기 경보(Initial Alarm)' 노드가 가장 높은 민감도 계수(2.05)를 보였으며, '대피 효율(Evacuation Efficiency)'(1.9)가 그 뒤를 이었다.
  • 인과 사슬: '화재 확산(Fire Spread)'은 '재료의 방염성(Material Flame Retardancy)'에 가장 큰 영향을 받았고, '연기 확산(Smoke Diffusion)'은 '화재 발생(Open Fire Occurrence)'에, '초기 경보'는 '당직 배치(Duty Arrangement)'에 영향을 받았다.
• 시나리오 시뮬레이션:
  • 기본 상태에서 심각한 인명 피해 발생 확률은 **6.58%**였다.
  • 복합 위험 시나리오(악의적 행동, 장비 고장, 경보 지연이 포함된 2003년 대구 방화 사건을 시뮬레이션) 하에서 심각한 인명 피해 확률은 **53.2%**로 급증하였다.
  • 고장 상태에서의 '연기 확산'은 인명 피해 확률의 가장 큰 상승을 초래하였다(낮은 인명 피해 확률이 77.8%에서 47.7%로 감소).
• 역추적(Reverse Tracing): 분석 결과 '초기 경보', '대피 효율', '화재 확산'이 핵심 위험 전달 사슬로 식별되었으며, 변동 값은 13%를 초과하였다. '승객 행동'은 '화재 발생'의 주요 동인으로 식별되었다.

의의 및 주장
본 논문은 제안된 KG-GNN-BN 모델이 BN 구축의 객관성을 높이는 데이터 기반 파이프라인을 제공한다고 주장한다. 본 연구의 의의는 다음과 같다:

• 객관성: GNN 학습 기반의 자동화된 점수 산출 방식을 사용하여 전통적인 수동 노드 선택의 주관성을 줄였다. 다만, 최종 선택에는 수동 임계값 조정이 포함되며, 확률 파라미터는 여전히 델파이 기법을 통한 전문가 점수에 의존한다.
• 통합성: 구조화된 규제 의미론과 과거 사고 데이터를 확률적 추론 네트워크로 매끄럽게 변환한다.
• 적용 가능성: 모델은 지하철 화재 위험의 동적 예측 및 사후 분석을 위한 정량적 도구를 제공한다. 이는 일반적인 위험 분석뿐만 아니라 특정 운영 맥락에 맞춘 맞춤형 KG 구축을 지원한다.
• 전략적 통찰: 본 연구는 고위험 상황을 완화하기 위해 신속한 경보 대응, 안정적인 대피 효율, 연기 확산 제어의 우선순위를 강조하는 데이터 기반의 예방 전략을 제공한다.

한계점 인정
저자들은 현재 KG 규모가 웹 크롤러, 문헌 및 규제 문서에 주로 의존하고 있어 제한적임을 언급하였다. 따라서 특정 지하철 프로젝트의 실시간 운영 데이터는 포함되지 않았다. 결과적으로, 현재 모델은 장비 상태, 인원 행동 및 환경 변수에 대한 실시간 동적 모니터링 기능이 부족하다.