딥러닝 기반 범죄 예측 모델과 MCLP 기법을 활용한 최적의 CCTV 설치 장소 비교 = Comparison of optimal CCTV installation locations using deep learning-based crime prediction model and MCLP technique

국문 초록 (Abstract)

대한민국의 범죄 증가로 인한 국민의 안전 우려가 커짐에 따라, CCTV 설치를 늘려 범죄율 감소에 기여하였다. 그러나 효율적인 배치를 위한 명확한 기준의 부재로, 민원이 많은 지역에만 집중되는 문제가 발생하였다. 이로 인해 감시 중복 및 사각지대가 생기는 비효율성이 나타났다. 따라서 CCTV를 범죄 예방과 공공 안전 향상을 위해 필요한 장소에 효과적으로 배치하는 것이 중요했다. 본 연구는 범죄 예방을 위한 딥러닝 모델과 MCLP 기법을 활용하여 CCTV의 최적 설치 위치를 비교 분석하였다. 이를 위해 범죄 현황, 지리정보, 유동인구 데이터 등과 같은 범죄 관련 데이터와 CCTV 데이터를 활용하였으며, 딥러닝 모델에서 타켓 변수인 범죄 발생 건수를 5분위수 구간화 기법을 적용하여 범주화하였다. 이를 통해 범죄 예측에 유의한 변수들을 포함하는 딥러닝 모델과 MCLP 기법을 비교 분석하여 CCTV 설치 후보지를 선정하였다. 딥러닝 모델과 MCLP를 통해 선정된 CCTV 1대당 범죄 감시 건수를 비교한 결과, 딥러닝 모델은 1대당 8.84 건의 결과를 보였으며, MCLP 모델은 1대당 11.20건으로 나타났다. 이는 MCLP 모델이 딥러닝 모델보다 우수한 성능을 보였다. 동일한 수량의 CCTV를 설치하더라도, 설치 위치에 따라 경제적 차이가 발생하였다. 연구 결과에 따르면, 기존 설치된 CCTV의 범죄 당 감시 비용은 1,674,914원으로 도출되었다. 반면, 딥러닝 모델을 통해 제안된 CCTV 설치 후보지의 경우 범죄 당 감시 비용은 443,235원이었고, MCLP 모델을 통해 제안된 경우는 349,844원으로 나타났다. 이로 인해 딥러닝 모델은 73.54%의 비용 절감 효과, MCLP 모델은 79.11%의 비용 절감 효과를 보여주었다. 딥러닝 모델은 다양한 변수를 활용해 미래 범죄 가능성이 높은 지역을 예측하는 데 장점이 있으며, MCLP 모델은 현재의 범죄 감시에 중점을 두는 상황에 더 우수하였다. 본 연구는 범죄 예방을 위한 CCTV의 최적 배치 전략을 제시함으로써, 도시 안전을 위한 구체적인 방향을 제공하였다. 이는 정책 결정자들에게 데이터 기반의 결정을 가능하게 하여, 자원을 보다 경제적으로 활용할 수 있는 기회를 마련하였다.

목차 (Table of Contents)

• 1. 서론 1
• 가. 배경 1
• 나. 연구 목적 5
• 2. 선행연구 7
• 3. 본론 10
• 가. 데이터 수집 10
• 나. 공간 분포 특성 13
• 다. CCTV 요청 사유 분석 및 워드 클라우드 시각화 14
• 라. 데이터 전처리 15
• 1) 상관관계 분석 15
• 2) 주성분 분석 17
• 3) 핵심 변수 19
• 4) 5분위수 구간화 20
• 5) GIS를 활용한 CCTV 감시영역 범위 계산 21
• 마. 인공지능(머신러닝, 딥러닝) 범죄 예측 모델 24
• 바. Maximum Covering Location Problem (MCLP) 26
• 4. 결과 및 토론 29
• 가. 인공지능(머신러닝, 딥러닝) 예측 모델을 통한 CCTV 설치 장소 선정 29
• 1) 머신러닝 모델의 하이퍼파라미터 29
• 2) 딥러닝 모델의 하이퍼파라미터 31
• 3) 성능평가 32
• 4) 딥러닝 모델을 통한 CCTV 설치 장소 선정 33
• 나. MCLP를 통한 CCTV 설치 장소 선정 35
• 다. 딥러닝 예측 모델과 MCLP비교 및 평가 37
• 5. 결론 42
• 참고문헌 43
• Abstract(영문초록) 48
• 감사의 글 50