IOT 기반 화재 예측 시스템

프로젝트 개요

본 프로젝트의 주요 목적은 IOT(사물인터넷) 장치를 통해 수집된 데이터를 사용하여 고성능 연기 감지 시스템을 개발하는 것입니다. 이를 통해 화재를 조기에 발견하고 대응함으로써 인명과 재산 피해를 최소화하고, 공공 안전을 증진시키고자 합니다.

현 상황 분석

기존 연기 감지기의 한계: 오작동이 잦고, 반응 시간이 늦으며, 특정 환경에서는 신뢰성이 낮음
지속적인 대형 화재 사고 발생으로 인한 사회적 우려 증가

기대 효과

높은 정확도와 빠른 반응 시간을 갖춘 연기 감지 시스템 구현
다양한 환경 및 상황에서의 화재 조기 발견 능력 향상
오작동 감소로 인한 소방력 낭비 방지
화재 관련 인명 및 재산 피해 예방

본 프로젝트를 통해 개발될 딥러닝 기반 연기 감지 시스템은 기존 화재 감지 기술의 한계를 극복하고, 더욱 안전한 사회 구현에 기여할 것으로 기대됩니다.

데이터 설명

데이터는 약 60,000개의 측정값으로 구성되었으며, 모든 센서의 샘플링 속도는 1Hz입니다.
주요 변수:
- Temperature[C]: 온도 (섭씨)
- Humidity[%]: 습도 (백분율)
- TVOC[ppb]: 총 휘발성 유기 화합물 농도 (ppb)
- eCO2[ppm]: 이산화탄소 농도 (ppm)
- Raw H2: 수소 농도
- Raw Ethanol: 에탄올 농도
- Pressure[hPa]: 대기압 (hPa)
- PM1.0, PM2.5: 미세먼지 농도 (μg/m³)
- Fire Alarm: 화재 경보 (0: 경보 없음, 1: 경보 발생)

모델링 및 분석

데이터 전처리:
- 불필요한 열을 제거하고, UTC 시간을 연도, 월, 일, 시간 등으로 분리하여 분석에 용이하게 변환했습니다.
탐색적 데이터 분석 (EDA):
- 상관관계 행렬을 통해 각 변수들 간의 관계를 분석했습니다. 예를 들어, 특정 가스 농도와 온도 사이의 강한 상관관계를 확인할 수 있었습니다.
- 시간에 따른 주요 환경 변수들의 변화를 시각화하여, 시간이 지남에 따라 변수들이 어떻게 변동하는지 파악했습니다.
모델링:
- 랜덤 포레스트 모델을 사용하여 Fire Alarm을 예측했습니다. 모델은 100%의 정확도로 테스트 데이터를 예측했습니다.
- 정확도(Accuracy): 테스트 데이터에서 예측된 값 중 실제 값과 일치하는 비율로, 1.00(100%)의 정확도를 기록했습니다. 이는 모델이 테스트 데이터에 대해 모든 예측을 정확히 수행했다는 것을 의미합니다.
- 정밀도(Precision): 모델이 경보를 예측한 경우, 그 예측이 실제로 맞는 비율을 나타냅니다. 이 모델의 정밀도는 1.00으로, 모델이 예측한 경보는 모두 실제로 화재였음을 의미합니다.
- 재현율(Recall): 실제 화재 경보 중에서 모델이 정확하게 예측한 비율을 나타내며, 이 모델의 재현율은 1.00입니다. 이는 실제 화재 경보를 모두 정확히 예측했다는 것을 의미합니다.
- F1 점수(F1-Score): 정밀도와 재현율의 조화 평균으로, 이 모델의 F1 점수도 1.00으로 매우 높은 성능을 나타냅니다.
- 이러한 결과는 모델이 매우 높은 성능으로 화재 경보를 예측할 수 있음을 보여줍니다.
특성 중요도 분석:
- 랜덤 포레스트 모델을 통해 어떤 변수가 예측에 가장 중요한 역할을 하는지 시각적으로 확인했습니다. 예를 들어, TVOC와 eCO2가 중요한 변수로 나타났습니다. 이는 화재 예측에서 이 두 변수가 중요한 역할을 한다는 것을 시사합니다.

결론

이 프로젝트는 IOT 기반 화재 예측 시스템의 가능성을 성공적으로 시연했습니다. 특히, 랜덤 포레스트 모델을 통해 100%의 예측 정확도를 달성했으며, 각 변수들의 중요성을 분석하여 화재 예측에 중요한 인사이트를 제공했습니다.

사용 방법

환경 설정:
- 이 리포지토리를 클론하고, 필요한 Python 라이브러리(pandas, matplotlib, seaborn, scikit-learn)를 설치합니다.
- requirements.txt 파일이 제공된 경우, 다음 명령어로 필요한 패키지를 설치할 수 있습니다:
데이터 분석 및 모델링:
- Python 스크립트를 실행하여 데이터 분석 및 모델 학습을 진행합니다.
- 분석 결과와 모델 성능을 시각화된 그래프로 확인할 수 있습니다.
결과 해석 및 응용:
- 생성된 모델을 실제 화재 감지 시스템에 적용하여 화재 발생 가능성을 예측하고, 대응 전략을 세울 수 있습니다.
- 결과를 바탕으로 추가적인 데이터 수집 및 모델 개선을 위한 피드백을 얻을 수 있습니다.

serim0310/project