2.1.1 사고유형 분류 모델

사고유형 분류모델은 초기 사고 보고서를 입력받아 신속하게 어떤 유형의 사고인지 판별하며 사고 대응 프로세스에서 첫 번째 의사결정 단계(사고 인식 및 분류)를 자동화한다. 본 연구에서는 사고유형 분류를 위해 딥러닝의 기본 구조인 ANN 구조를 사용하였다. ANN 구조^[4]는 입력층, 은닉층, 출력층으로 구성하였으며 그림 2는 ANN 구조 그림이다. 입력층은 사고 개요 텍스트를 사전에 임베딩 모델로 변환한 벡터가 입력으로 들어오는 층이다. 은닉층은 각 은닉 블록을 Linear→LayerNorm→Activation→Dropout 순서로 구성하고, 각 은닉층을 테이퍼드 구조로 구현하였다. 테이퍼드 구조는 층을 지날수록 차원수를 압축하기에 중간단계에서 점진적으로 의미있는 패턴을 잡아내고, 중요하지 않은 차원은 줄여서 일반화 성능을 향상시킨다. 완전연결층(Linear)은 입력 벡터를 새로운 차원공간으로 선형변환하였고, 가중치 학습을 통해 특징을 재조합하고 차원 축소를 수행한다. 정규화층(Layer Normalizatiom)^[5]은 각 샘플 단위로 평균과 분산을 계산해 정규화하여, 학습을 안정화시키고 발산 위험을 최소화한다. 활성화 함수(Activation) 비선형을 추가해 복잡한 관계를 학습하였고, 드롭아웃(Dropout)^[6]을 적용하여 뉴런일부를 무작위로 비활성화하여 과적합 방지 및 일반화 성능을 향상시킨다. 출력층은 마지막 은닉층의 벡터를 17개 클라스 점수(logic)로 변환하여 최종적으로 각 샘플이 17개의 사고 유형 중 어느 클래스에 속하는지를 예측한다.

그림 2. ANN구조 (입력층, 은닉층, 출력층)

Fig. 2. ANN (input layer, hidden layer, output layer)

2.1.2 위험요인 분석 모델

위험요인 분석 모델은 특정 사고 보고서에서 복합적 위험 요인을 도출하며, 인적, 기계적, 환경적, 관리적 요인을 동시에 분석해 원인구조 파악을 지원한다. 대규모 사고 데이터 패턴을 자동학습하는 딥러닝 구조로 다양한 사고 시나리오 텍스트에서 위험요인을 의미적으로 매칭하고 분석하기 위하여 Dual Encoder+Residual Projection Head+Multi-Positive Contrastive Learning(MPCL) + Hard Negative + Exponential Moving Average(EMA) 구조로 구성하였다. 이 구조는 Query와 Label을 임베딩 후 구분·학습 하기 위해 여러 기술을 조합한 모델이다. 즉, 한 문장에서 어떤 위험요인들이 관련 있는지를 정확하게 찾아내는 것이다. Dual Encoder은 Query와 Label 임베딩을 공통 공간에 매핑하고, 유사도 기반 대조 학습을 한다^[7]. Residual Projectdual Projection Head구조는 다음 그림 3과 같다.

그림 3. Residual Projection Head 구조

Fig. 3. Residual Projection Head Architecture

완전연결층을 추가하여 더 복잡한 비선형 변환을 표현하고 풍부한 특징을 추출하고, Residual Shortcut을 통해 본래 임베딩 정보와 학습된 변형을 결합하여 기울기 소실을 완화 시킨다. 이 과정에서 요약, 보강되면서 더 풍부하고 안정적인 표현으로 변환된다. Multi-Positive Contrastive Learning(MPCL)은 하나의 query에 여러 개의 정답(positive labels)을 동시에 고려하여 다중 위험요인을 대응한다. 의미적으로 가까운 쌍(positive)은 가깝게, 다른 쌍(negative)은 멀리하도록 학습하여, Query에 Positive(Label) 여러 쌍을 동시에 학습한다. 예를 들어 기관사 신호 위반으로 인한 열차 추돌 사건의 경우 인적요인, 시스템오류, 기계적 오류 등의 다중 위험 요인을 고려한다. Binary Cross Entropy(BCE) & Hard Negative Reweighting에서 BCEWithLogits 기반 손실을 추가해 각 위험요인을 독립적으로 예측(멀티라벨 분류)하였다. neg_weight와 hard_neg_weight를 통해 음성 샘플 불균형을 보정하고, 과적합 완화 및 결정 경계를 보다 정밀하게 학습하였다. 정밀한 학습을 위하여 Margin Ranking Loss와 Cross-Batch Memory(XBM)를 같이 사용하였다. Margin Ranking Loss은 가장 유사한 양성과 가장 유사한 음성 사이의 간격을 margin 이상 벌리도록 학습시켜 의미적으로 비슷한 위험요인 간 구분 성능을 강화시킨다. Cross-Batch Memory(XBM)은 이전 배치의 라벨 임베딩을 저장해두고, 현재 배치와 함께 학습에 사용한다. Hard negative 샘플을 더 풍부하게 확보할 수 있어, 학습효과를 증가시킨다. Exponential Moving Average(EMA)는 학습 중 파라미터의 지수 이동 평균 가중치를 별도로 추적하며, 평가시 EMA 가중치를 사용하면 진동 억제 및 일반화 성능을 향상시킨다.

2.1.3 최적 대안 추천 알고리즘

대안 추천 알고리즘은 사고 상황에 맞는 실행 가능한 조치 방안을 추천하며, 중복되거나 의미가 약한 조치 대신 핵심적이고 검증된 대응책을 우선 제시한다. DB에서 사례후보군 조회 → 중심성 점수 계산 → 순위 정렬 → 대안 추천 과정으로 알고리즘을 설계하였다. 특정 사고에 특화된 조치보다, 여러 과거 사례에서 일관되게 나타나는 조치를 우선적으로 추천하도록 알고리즘을 설계하였다.(의미적 중심성 기반 추천) Cross-Encoder(BAAI/bge-reranker-v2-m3)를 활용하여 각 후보를 query로 설정하고 다른 후보들과의 상호 유사도를 평가하여 중심성(centrality) 점수를 계산 후 이 점수를 기준으로 후보군을 정렬하여 점수가 높은 상위 10개를 최종 추천하는 형태이다. Cross-Encoder는 Transformer 내부에서 query와 document가 어떻게 대응되는지 계산하여^[8], Dual-Encoder에 비해 의미적 대응 관계를 정밀하게 계산하는 형태이다.

2.3.1 사고유형 분류모델 성능검증 결과

모델 성능 검증 결과, 사고유형 분류모델의 성능 검증 결과 그림 5와 같다. F1-Weighted Score는 얼마나 정확하고 빠짐없이 예측했는가를 나타내는 지표이다. F1-Weighted Score는 클래스별 샘플 수를 가중치로 반영하기 때문에, 실제 환경에서 모델이 마주할 클래스 분포와 유사한 조건에서의 성능을 보여주기에 선정하였다. 5-Fold기반 F1-Weighted Score 측정결과, 92.4%로 높은 평가가 나온 것을 확인할 수 있었다.

그림 5. 사고유형 분류모델

Fig. 5. Accident Type Classification Model

2.3.2 위험요인 분석모델 성능검증 결과

모델 성능 검증 결과, 위험요인 분석 모델은 그림6과 같다. Recall@K는 과거 데이터에 기반한 매칭/분석 모델을 평가하는데 적합한 지표이다. ‘의사결정에 필요한 중요 후보요인을 놓치지 않고 제시하는가’를 측정 목표로 하기에 선정하였다. fold 성능 차이를 분석하여 모델의 일반화 성능 및 데이터셋 분할 적절성을 검토하였다. 각 fold 모델별 평가 결과를 평균화하여 모델의 전체 성능을 대푯값으로 도출하였다. Recall@5와 5-fold 기반 성능검증 결과, 80.4%로 평가된 것을 확인 할 수 있었다.

그림 6. 위험요인 분석모델

Fig. 6. Risk Factor Analysis Model

2.3.3 대안 추천 알고리즘 성능검증 결과

모델 성능 검증 결과, 대안 추천 알고리즘은 그림7과 같다. Recall@K는 과거 데이터에 기반한 검색 알고리즘을 평가 하는데 적합한 지표이기에 선정하였다. 대안추천 알고리즘이 유사사례에 대한 조치/대책 추천 시, 정답을 얼마나 회수(Recall)하는지를 평가한다. Recall@5기준으로 평가 결과, 84.9%로 평가된 것을 확인 할 수 있었다.

그림 7. 대안 추천 알고리즘

Fig. 7. Countermeasure Recommendation Algorithm