상수관망의 누수는 수자원 손실 및 시설물 피해의 주요 원인으로, 효과적인 탐지를 위해 다양한 기술이 개발되고 있다. 본 연구는 실제 상수도 누수 사례를 대상으로 청음 데이터를 수집하고, 주파수 및 청각 기반 음향 특징을 추출하여 비지도 학습 기반의 이상 감지 모델을 적용함으로써 누수음을 탐지하는 기법을 제안한다. 청음 신호에 대해 푸리에 변환과 멜 주파수 켑스트럼 계수(MFCC)를 적용하여 총 86개의 음향 특징을 구성하였으며, 랜덤 포레스트를 통해 주요 변수 6개를 선정하였다. 거리 기반 군집 분석을 통해 정상 소음 분포를 구성하고, Isolation Forest 및 Autoencoder 알고리즘을 활용하여 이상 음향을 판별하였다. 비지도 모델에 의해 탐지된 이상 지점이 실제 현장 판단과 부합함을 확인하였다. 정량적 기준 기반의 이상 탐지 결과가 실제 누수 지점과 일관성을 보였다. 본 연구는 실무 적용 가능한 비지도 이상 탐지 접근법을 제시함으로써, 기존 라벨 의존 탐지 방식의 한계를 보완할 수 있음을 시사한다.

The purpose of this study is to evaluate the applicability of an unsupervised outlier-detection method as a surrogate safety measure (SSM) to estimate the effect of AI-based Bike-Safe monitoring system. An SSM that utilizes near-miss data immediately before an accident occurs must be developed to compensate for inadequate bicycle accident data and missing reports. In particular, the omission level of accident reports related to bicycle users is higher on bicycle paths, which implies that the importance of an SSM in safety management is much greater than in the general road environment. Therefore, the unsupervised outlier-detection method was set as the SSM because it can be learned without a label, is suitable for streaming data, and is generalizable under limited data. Additionally, the DeepAnT(deep learningbased anomaly detection) model was selected as the most appropriate time-series outlier-detection method. Using the time-series prediction module of the learned DeepAnT model, we analyzed the frequency of outliers or avoidance behaviors based on a linear relationship between estimated and observed values. The history data of the acceleration change rate of each bicycle were applied to the DeepAnT model to evaluate the possibility of using alternative safety indicators. Thus, those data are expected to be applicable as an alternative safety indicator for bicycle paths.