Animal Behavior
Predicting Animal Behaviours: Physical and Behavioural Classification Of Dog Walking Levels
Predicting Animal Behaviours: Physical and Behavioural Classification Of Dog Walking Levels
- 저자: Guris Özen; Baris Karan; Tuna Çakar
- 출처: - (2022)
- DOI/링크: https://doi.org/10.1109/SIU55565.2022.9864674
- 연구 계열: Topics/Animal Behavior
- 게재일: 2022-05-15
TL;DR
실제 반려견 산책 데이터를 이용해 산책 난이도(쉬움/보통/어려움)를 예측하는 지도학습 분류 모델과, 몸무게·목줄 유형 등을 조합한 DogPower 점수를 개발했다. Voting 분류기가 검증 세트에서 맞춤형 평가지표 0.817을 기록해 가장 우수했고, 덧셈식 복합 DogPower가 통제집단 평가에서 가장 현실을 잘 반영했다.
1. 연구 배경 및 동기
- 다루는 문제: 반려견 산책 시 사람과 개 사이의 조화가 산책 경험의 편안함과 개의 복지에 중요하지만, 기존 행동평가(SAFER 등)는 인력·시간·장비가 많이 든다. 목줄을 통해 개가 가하는 힘과 나이·몸무게의 관계를 다룬 연구는 있었지만 행동 특성까지 포괄하지는 못했다.
- 기존의 공백 / 왜 필요한가: 실제 반려견 데이터를 이용해 산책 난이도를 예측하는 지도학습 모델이나, 개의 신체·행동 특성을 종합한 정량적 난이도 지표가 부재했다.
2. 관련 연구
- 기존 연구 흐름: 개의 스트레스·행동을 예측하는 연구, 목줄 장력과 견종·체중의 관계를 다룬 연구들이 존재했다.
- 이 논문의 위치: 이 연구는 실제 회사 보유 데이터를 이용해 산책 난이도를 다중분류로 예측하는 최초의 지도학습 모델 중 하나이며, 동시에 개의 신체·행동 정보를 공식화한 DogPower라는 새 파라미터를 제안한다.
3. 핵심 기여
- 약 8500마리 개의 실제 산책·양육 데이터를 이용한 다중분류 지도학습 모델 개발
- CatBoost, XGBoost, LightGBM, Random Forest 앙상블(Voting) 비교 및 과적합 완화
- 목줄 종류, 체중 등을 결합한 DogPower(개 파워) 점수 체계 고안
- 활동 영역에 맞춘 맞춤형 평가지표(등급3 민감도·등급2/1 구분) 설계
4. 제안 방법론
- 전체 접근 논리: 설문 기반 산책 습관 데이터를 정제·특징공학한 뒤, 지도 분류 모델로 산책 난이도 등급(쉬움/보통/어려움)을 예측하고, 별도로 파라미터 공식화를 통한 DogPower 점수로 난이도를 근사한다.
- 단계:
- 약 1만 마리 개의 68개 변수 데이터를 정제하고 AKC 견종 정보(277종)로 체중·기질 파라미터 추가
- 상관분석·특징중요도·PCA/ISOMAP으로 차원 축소 및 파생변수(sicknessdanger 등) 생성
- 약 400마리를 전문가가 쉬움/보통/어려움 3등급으로 라벨링, 8446마리 중 392마리로 학습셋 구성(61개 변수)
- CatBoost·XGBoost·LightGBM·RandomForest·GradientBoosting 및 Voting 앙상블 학습, SMOTE 등 오버샘플링과 라벨 가중치로 과적합 완화
- 목줄 유형(목줄 0.43, 가슴줄 0.54)과 최대 12개 변수를 조합해 단순/복합 DogPower를 합·곱 연산으로 산출, 0~10으로 스케일링
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | 반려견 약 8500마리(최종 분류 모델링에는 8446마리 중 392마리 서브셋 사용), 산책 동반자가 직접 평가한 난이도 라벨 |
| 처리 조건 | 회사 보유 산책·양육 습관 설문 데이터, AKC 견종별 체중·그룹·훈련성·에너지·행동 특성 결합, 이상치(체중) 보정 |
| 대조군 | 통제군은 개와 1:1 산책 경험이 있는 실무자 그룹으로, 산출된 DogPower 값의 타당성을 실제 산책 경험과 대조 평가 |
| 측정 방법 | 등급별 민감도(재현율)를 마이크로/매크로 평균으로 계산한 맞춤형 평가지표, 훈련·검증 정확도 격차(과적합 지표), DogPower 값의 정규성·군집 분포 |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| Voting 분류기 맞춤형 평가지표 | 검증 0.817 / 학습 0.818로 6개 모델 중 최고 성능 | 과적합 완화 후 학습-검증 정확도 격차 최대 0.04 (완화 전 최대 0.27) |
| 특징중요도 | 체중·나이 외에 견종 기반 훈련성·행동수준·파생변수(질병위험도)가 성능 기여도 상위 | 전체 분류 모델 공통 경향 |
| DogPower 선택 | 덧셈식 복합 DogPower(12개 변수)가 통제군의 실제 산책 경험과 가장 부합 | 대형견·고체중 개에서 단순 DogPower와의 차이가 두드러짐; 작은 관상견 그룹은 값이 낮고 스포츠·워킹 그룹은 값이 높음 |
7. 비판적 평가
강점
- 실제 산책 동반자 현장 라벨을 사용해 상업적 활용 가능성이 높음
- 여러 분류 알고리즘과 앙상블을 비교하고 활동 영역에 맞춘 맞춤 평가지표를 설계함
- 목줄 유형 등 기존 문헌의 계수를 반영해 DogPower를 현실적으로 보정함
한계 · 의문
- 최종 분류 모델 학습에 사용된 표본(392마리)이 전체 정제 데이터(8446마리)에 비해 매우 작음
- 라벨링이 소수 산책 동반자의 주관적 평가에 의존
- DogPower 계수·상수의 통계적 검증 절차가 상세히 제시되지 않음
8. 향후 연구 방향
- 순서형 분류(ordinal classification) 기법 도입으로 등급 간 순서 정보 활용
- 라벨링된 표본 수 확대
- 회귀분석을 통한 영향 요인 세분화 및 모델 일반화
- DogPower에 더 많은 신체·행동 정보를 반영해 정밀도 향상
9. 결론
이 연구는 반려견의 실제 정보를 이용해 산책 난이도를 예측하는 지도학습 모델과 DogPower라는 새로운 정량 지표를 함께 제시했다. 두 접근 모두 기존 대면 행동평가 대비 시간·인력·비용을 절감하면서 실무에 적용 가능한 성능을 보였다.
Keywords
dog walking difficulty, animal behavior prediction, multi-class classification, ensemble learning, DogPower, feature engineering, canine welfare, machine learning