텍스트 마이닝을 이용한 공동주택 보수이력 분석 :Analysing the Maintenance History of Apartment Using Text Mining

이준범

추천

검색

자료유형: 학위논문

저자정보: 이준범 (서울과학기술대학교, 서울과학기술대학교 대학원)

지도교수: 김선혜

발행연도: 2018

저작권: 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2018

텍스트 마이닝을 이용한 공동주택 보수이력 분석

이준범 , 김선혜 , 김영일 대한설비공학회 학술발표대회논문집 2018.11 학술대회자료

텍스트 마이닝을 이용한 공동주택 보수이력 분석

이준범 건축환경·설비공학과 2018.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

제 목 : 텍스트 마이닝을 이용한 공동주택 보수이력 분석

공동주택의 주종을 이루고 있는 건축물인 아파트는 지속적인 수선유지관리를 통하여 건축물의 노후화를 방지하고 건축물의 사용 연한을 늘리는데 기여를 한다. 이에 따라서 공동주택의 관리주체는 관련법에 따라 일정금액을 적립하여 수선주기에 따라 보수를 시행하고 있으나 이는 공용부에 한정되어 있고, 실제로 사람이 거주하는 주요공간인 전용부는 점유하고 있은 개인이 보수 책임을 지고 있으므로 유지관리 여부를 가늠하기가 어렵다. 따라서 세대 전용부 수선유지보수 이력이 있는 임대주택의 데이터를 분석하여 세대 전용부 시설물은 어떻게 유지관리를 추정하고, 세대 전용부 수선유지보수 이력에 대한 데이터를 분석하여 어떠한 유지보수 연관성이 있는지 분석하는 것이 본 연구의 목적이다.

데이터선정을 위하여 서울 노원구 소재 임대아파트 5개단지 8,005세대의 3년간 전용부 시설물 보수이력 18,192건을 서울주택도시공사 시설물관리시스템에서 추출하였고, 단독항목, 필요 없는 단어, 전용부 이외의 항목, 필요 없는 항목을 데이터 Pre-processing 하였다. 데이터 분석에는 오픈소스 프로그램인 “R”을 사용하였고 세부적인 데이터 정리를 위하여 프로그램 패키지인 Dplyr으로 자료정리 및 합치는데 사용하고 Konlp패키지로 한글을 분석하고 Aruies으로 단어 간의 연관규칙을 분석하였다. 분석에 사용된 수학적 알고리즘 Apriori으로 지지도(Support), 신뢰도(Confidence), 향상도(Lift)를 추출하여 시설물 보수이력에 대한 텍스트 마이닝 기법을 통하여 데이터 분석을 하였다. 지지도(Support)는 데이터의 빈발성 확인, 신뢰도(Confidence)는 데이터가 다른 데이터에 미치는 영향을, 향상도(Lift)는 데이터의 연관관계를 알 수 있도록 수치로서 나타낸다.

텍스트 마이닝 결과 누구나 충분히 예상 할 수 있는 단어의 집합이 향상도가 높으므로 연관성이 가장 많은 관계를 가지고 있다는 것을 알 수 있었고, 지지도를 통하여 단어 및 단어조합의 빈발성을 확인할 수 있었다. 지지도가 높음에 따라서 빈발도가 높은 중요한 항목이 증명되고 신뢰도에 영향을 주어 신뢰도의 수치에 따라 어떤 단어가 다른 단어에 영향을 미치는 가를 확인 할 수 있었다. 따라서 이번 연구에서 Apriori를 이용한 텍스트 마이닝 분석의 정확도와 신뢰성이 검증되었다.

Analysing the Maintenance History of Apartment Using Text Mining

Lee, Jun Beom
(Supervisor Kim, Sean Hay)
Dept. Built Environment and Building Service Engineering
Graduate School of Housing and Urban Planing
Seoul National University of Science and Technology

Apartment, the main building of an apartment building, contributes to preventing aging of buildings and increasing the number of years of use of buildings through constant maintenance and maintenance. Accordingly, the managing body of an apartment is required to set aside a certain amount for repairs according to the relevant law, but this is limited to the public sector and the private sector, which is a major space where people reside, is held, so it is difficult to assess whether the apartment is maintained. Therefore, the purpose of this study is to analyze the data of rental housing with repair and maintenance history of the household only, to estimate maintenance of the household unit, and to analyze the maintenance relation by analyzing the data on the repair and maintenance history of the household dedicated to the household.

In order to select data, 18,192 cases of facility maintenance records were extracted from the Seoul Housing Corporation facility management system for the three-year period of 8,005 households in five rental apartments in Nowon-gu, Seoul, and data pre-processed items other than the exclusive, unnecessary, and unnecessary items. For data analysis, the open source program "R" was used to organize and combine data with the program package Dplyr for detailed data reduction, and to analyze the related rules of the words with the Konlpackage. Data were analyzed through text mining techniques for facility repair history by extracting support, reliability, and lift with the mathematical algorithm Apriori used in the analysis. Support represents the impact of data on other data and the degree of improvement in data correlation as a number.

Text mining shows that the most relevant relationships are the result of the high degree of improvement in the well-anticipated set of words, and the frequency of the words and combination of words was identified through the support level. As the support level was high, important items with high frequency were demonstrated and reliability was affected so that it was possible to determine which words affected other words depending on the level of confidence. Therefore, the accuracy and reliability of text mining analysis using Apriori were verified in this study.

#텍스트 마이닝(Text mining) #“R”분석 프로그램 #Apriori Algorithm #지지도(Support) #신뢰도(Confidence) #향상도(Lift)

목 차
요약 ⅰ
표목차 ⅱ
그림목차 ⅲ
I. 서 론 1
1.연구의 배경 및 목적 1
II. 데이터분석기술(Text Mining) 2
1. 데이터 마이닝(Data Mining) 2
2. 텍스트 마이닝(Text Mining) 3
III. 텍스트 마이닝 알고리즘(A Priori Algorithm) 5
1. A Priori Algorithm 5
2. 연관성 측정지표 6
IV. 데이터 수집 및 분석 9
1. 데이터선정 9
2. 데이터 Pre-Processing 10
3. 분석프로그램“R” 12
4. 작업순서도 13
5. A Priori 분석결과 20
6. 검증 33
V. 결 론 34
참고문헌 36
영문초록(Abstract) 37
감사의글 39

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)