IoT·ML 기반 응급 시스템 우선순위 분석

본 연구는 사물 인터넷(IoT) 및 기계 학습(ML) 기반의 응급 대응 시스템(ERS)을 위한 포괄적인 프레임워크를 제시한다. 이 시스템은 실시간 데이터 분석과 예측 모델링을 활용하여 다양한 소스(예: IoT 센서)에서 유입되는 데이터를 처리하고 분석함으로써, 응급 상황에 대한 신속하고 정보에 입각한 대응을 가능하게 하며, 경찰, 소방대, 병원 등 응급 구조대원의 우선순위를 정한다. 응급 상황의 우선순위 지정을 위해 XGBoost 모델을 활용했으며, 의료, 차량, 가정 기기 분야에서 각각 96.1%의 정확도, 99.8%의 정밀도, 0.972–0.999의 평균 재현율, 0.960–0.976의 평균 F1 점수를 달성했다. 제안된 ML 기반 프레임워크는 실시간 데이터 처리, 신속한 이상 감지 및 예측 분석 기능을 강화하여 응급 상황에 대한 시기적절하고 정확한 대응을 제공한다. 웹 배포를 통해 확장성과 접근성을 확보했으며, 사용자 친화적인 인터페이스를 통해 동적인 상호작용과 실시간 모니터링을 지원한다. 이 프레임워크는 즉각적인 대응 능력을 향상시킬 뿐만 아니라, 잠재적 미래 이벤트에 대한 실행 가능한 통찰력을 제공하여 전략적 계획 수립에도 기여한다. 궁극적으로 이 시스템은 더 스마트하고 데이터 기반의 응급 관리를 통해 지역사회 및 조직 수준에서 안전과 대비 태세를 강화하며, 생명을 구하고 피해를 최소화하는 데 중요한 역할을 할 것으로 기대된다.