🧟 Project Overview

본 프로젝트는 서울 도심에서 좀비 바이러스가 발생했다는 가정 하에,
도시 데이터를 기반으로 감염 확산 패턴과 생존 전략을 정량적으로 분석한 시뮬레이션 프로젝트입니다.

단순한 가상의 시나리오를 넘어, 실제 도시 데이터를 활용하여

• 어떤 지역이 더 위험한지
• 어떻게 이동해야 생존 확률이 높아지는지
  를 데이터 기반으로 분석하는 것을 목표로 했습니다. oai_citation:0‡서울 좀비 바이러스 감염 확산 분석 및 생존 전략 연구.pdf

---

📊 Data & Feature Engineering

서울시를 250m 격자 단위로 분할하고 다양한 데이터를 통합하여 분석을 수행했습니다.

사용 데이터

• 생활인구 데이터
• 상권 데이터
• 병원 및 응급시설
• 대피소 정보
• 지하철 이용량

모든 데이터를 공간 좌표계(EPSG:5179)로 통일 후 격자 단위로 매핑하여
통합 데이터셋을 구축했습니다. oai_citation:1‡서울 좀비 바이러스 감염 확산 분석 및 생존 전략 연구.pdf

---

🧠 Key Metrics Design

감염 확산과 생존 가능성을 정량화하기 위해 다음 지표를 설계했습니다:

• 접촉지수: 상권 밀집도를 기반으로 사람 간 접촉 가능성 측정
• 전파율 (β): 감염 확산 속도
• 생존지수 (α): 대피소 거리 기반 생존 가능성
• 취약도지수 (β / α): 감염 위험
• 생존가능성지수 (α / β): 생존 유리 정도

→ 단순 데이터가 아닌
**“행동과 확산을 설명하는 구조적 지표”**로 설계 oai_citation:2‡서울 좀비 바이러스 감염 확산 분석 및 생존 전략 연구.pdf

---

🦠 Simulation Model

• 격자 기반 감염 확산 모델 적용
• 감염은 인접 격자(상하좌우)로 단계적으로 확산
• 각 격자의 취약도를 반영하여 확산 속도 차등 적용

→ 동일 거리라도 지역 특성에 따라 확산 속도가 다르게 나타남 oai_citation:3‡서울 좀비 바이러스 감염 확산 분석 및 생존 전략 연구.pdf

---

🏃 Escape Strategy Simulation

다양한 생존 전략을 정의하고 100회 시뮬레이션을 통해 성능을 비교했습니다:

• Random (무작위 이동)
• Risk Only (위험 회피)
• Safe Only (안전 지역 이동)
• Direction Only (외곽 이동)
• Speed Only (빠른 이탈)
• Mixed Strategy

---

📈 Key Results

• 감염은 인구 밀집 지역을 중심으로 빠르게 확산
• 병원/시설 중심 전략은 생존률 향상에 큰 영향 없음
• 가장 중요한 요소:

"어디로 가느냐"보다 "얼마나 빨리 벗어나느냐"

→ Speed 기반 전략이 가장 높은 생존률 기록

📊 Statistical Validation

•	t-test, Mann-Whitney U test 수행
•	전략별 생존률 차이가 통계적으로 유의미함을 검증

⸻

💡 Insights

•	감염 확산은 무작위가 아니라

→ 도시 구조 + 인구 흐름에 의해 결정됨 • 최적 전략은 복잡한 판단보다 → 빠른 의사결정 (Speed-based strategy)

⸻

🚀 Future Work

•	실시간 도시 데이터와 연계한 확산 예측
•	AI 기반 최적 대피 경로 추천
•	실제 감염병(COVID-19 등) 데이터 적용 가능