AI Fire Disaster Management Platform
AI 기반 화재 재난 관리 플랫폼
지하철역·철도 역사·대형 건물 등 유동인구가 많은 시설물의 IoT 화재 감지 네트워크를 모니터링하고 재난 대피를 지휘하는 관제실용 관리자 콘솔입니다. 업로드한 평면도를 기반으로 AI가 화재 확산과 인파 밀집을 시뮬레이션하여 예상 대피 시간과 최적 대응을 제시합니다.
KEY POINT 01
AI 비전 평면도 시뮬레이션
평면도 이미지 업로드만으로 OpenAI 비전 모델이 화재 발생 지점·인파 밀집 구역·예상 대피 시간을 JSON 스키마로 자동 생성합니다.
KEY POINT 02
논문 기반 3중 대피 알고리즘
A*(위험 회피)·Dijkstra(최단거리)·HPA*E(인원 배분)를 결합하고 Influence Map 위험도와 출구 혼잡 저항까지 반영한 학술 논문 기반 경로 엔진입니다.
KEY POINT 03
실시간 IoT 통합 관제
온도·연기·불꽃 센서 값과 신호 수신율을 층별 평면도 위에서 실시간 모니터링하고 재난 단계 에스컬레이션과 연동합니다.
핵심 기능
IoT 기기 통합 관제
층별 화재감지기·대응장비·CCTV를 등록하고 평면도 위에 위치를 표시합니다. 정상/고장/오프라인 상태와 온도·연기·불꽃 센서 값, 신호 수신율을 실시간으로 모니터링합니다.
AI 화재·인파 시뮬레이션
평면도 이미지를 업로드하면 AI 비전 모델이 화재 발생 지점(좌표·강도), 인파 밀집 구역, 예상 대피 시간과 요약을 자동 생성하고 평면도 위에 마커로 시각화합니다.
재난 단계 에스컬레이션
관제 담당자가 재난 단계를 상승/하강시키면 대시보드와 재난대피 화면 전체에 실시간 반영됩니다. 실제 상황과 분리된 훈련 모드를 지원합니다.
대피 경로 알고리즘 (A*·Dijkstra·HPA*E)
화재 지점 기반 위험도 지도(Influence Map)와 시간대별 출구 혼잡 저항을 반영해 A*로 안전 최적 경로를, Dijkstra로 최단 경로를 산출합니다. HPA*E가 출구 폭 기반 처리 유량을 초과하는 인원을 다음 출구로 재배분해 최적 대피 인원을 계산합니다.
이벤트 로그 & 리포트
화재 경보·기기 고장·통신 이상 이벤트를 조회하고 오탐 여부를 포함해 확인 처리합니다. 기간별 이벤트 로그·역 현황·기기 이력 리포트를 생성합니다.
기기 표준 카탈로그
기기 유형별 모델·제조사·통신 규격과 온도·연기·불꽃 임계값 표준을 카탈로그로 관리하여 기기 등록과 상태 판정 기준을 일원화합니다.
화면 구성
로그인 (역 선택)
/login관제 대상 역을 선택해 콘솔에 진입하며, 선택한 역은 로컬에 저장됩니다.
홈 (대시보드)
/기기 상태·최근 이벤트·재난 단계 등 역 전체 현황을 한눈에 확인합니다.
기기관리
/devices층별 화재감지기·대응장비·CCTV를 등록하고 평면도 위에 위치를 표시하며 정상/고장/오프라인 상태를 확인합니다.
재난대피
/evacuation재난 단계 에스컬레이션, 출구 개폐 관리, 평면도 기반 대피 경로 시각화, 훈련 모드를 제공합니다.
시뮬레이션
/simulation평면도 이미지를 업로드하면 AI가 화재 발생 지점·인파 밀집 구역·예상 대피 시간·요약을 자동 생성합니다.
데이터
/analytics이벤트 로그를 조회하고 오탐 여부를 포함해 확인 처리하며 리포트를 생성합니다.
설정
/settings기기 표준(모델·제조사·임계값) 카탈로그와 역 정보를 관리합니다.
고도화 기능
화재 확산 예측 연동 재탐색
F-MAP(2024) 프레임워크 개념을 반영해 재난 활성화 후 경과 시간에 따라 위험도 반경이 확장되며 — 강도가 높은 발화점일수록 빠르게 확산 — 대피 경로가 자동으로 재계산됩니다.
실시간 혼잡도 기반 동적 재라우팅
재난 상황 중 대피 경로와 출구 현황을 5초마다 자동 재조회하고, 추천 출구가 바뀌면 'Rerouted' 표시로 관제 요원이 즉시 인지할 수 있습니다.
다중 센서 융합 화재감지 신뢰도
온도·연기·불꽃 신호를 가중 합산하고 2개 이상 센서가 동시 반응하면 상호검증 가중치를 적용해 0~100 신뢰도 점수와 등급을 산출, 오탐 가능성을 낮춥니다.
MARL 정책 학습 리포트
구역별 에이전트가 출구 선택을 반복 학습하는 표 기반 독립 Q-러닝으로 그리디 배분의 최적성을 정기 점검합니다. 혼잡 경쟁 시나리오 검증에서 최대 70%대 대피시간 단축을 확인했습니다.
개별 에이전트(Micro-ABM) 대피 시나리오 라이브러리
층 평면을 약 0.9m 셀 그리드로 나눠 인원수만큼 개별 에이전트를 생성하는 FFCA 모델로 좁은 출구 앞 정체·아칭 현상까지 재현합니다. 화재 위치·강도별 시나리오를 사전 계산해 두고, 실제 재난 시 가장 유사한 시나리오를 즉시 매칭해 병목 지점과 대피 완료 시간을 근거자료로 제시합니다.
기술 스택
프론트엔드
ReactTypeScriptViteTanStack QueryTailwind CSSShadcn/ui
백엔드
Express 5TypeScriptDrizzle ORMPostgreSQLOrval (codegen)Zod v4
AI / ML
OpenAI Vision ModelAI Integrations ProxyJSON Schema OutputA* · Dijkstra · HPA*EInfluence MapSensor FusionMARL (Q-Learning)FFCA (Micro-ABM)
CUSTOM
커스텀 영역 — 고객 환경 맞춤 구성
MARL 기반 에이전트 대피 시뮬레이션
구역 단위 MARL 정책 리포트와 개인 단위 FFCA 시나리오 라이브러리가 기본 탑재되어 있으며, 이를 고객 시설의 규모·데이터·운영 환경(벽·장애물 형상, 실측 인파 데이터 등)에 맞춰 확장하는 단계가 커스텀 영역입니다.
1
군중 에이전트 시뮬레이터
인파 밀집 데이터를 이용해 구역별 인원 수만큼 경량 에이전트를 생성하고, 병목 정체·역주행·패닉 등 개별 대피자 간 상호작용을 시뮬레이션합니다.
2
정책 학습 레이어
여러 시뮬레이션의 대피 완료 시간·병목 발생 지점을 보상 신호로 사용해, 출구 추천 안내판이 언제·어떻게 추천을 바꿔야 하는지에 대한 정책을 오프라인으로 학습합니다.
3
실측 데이터 연계
출구 이용현황·시설 내 활동 인원·개찰구 이용정보 등 고객 시설의 시계열 데이터를 축적해 시뮬레이터 보상함수를 실측 대피 패턴으로 검증합니다.
4
안전한 도입 원칙
실시간 안내는 감사 가능한 결정론적 알고리즘(A*·Dijkstra·HPA*E)을 유지하고, 학습된 정책은 검증 가능한 규칙으로 증류해 파라미터 튜닝과 사후 검증에 활용합니다.
관련 연구: F-MAP(2024), MARL-HE(2025), Improved MADDPG(2024), 동적 사이니지 MARL+군중 모델링(2025), FFCA(Kirchner & Schadschneider, 2002)