개별 차량 주행행태 자료를 이용한 앙상블 학습전략 기반 도로 위험 구간 식별 기법

Abstract

교통안전 관리를 위한 다양한 도로 안전성 평가 연구가 진행되고 있다. 지금까지 교통사고 안전 대책은 인프라 기반 검지 체계에서 수집되는 거시적으로 집계된 교통 데이터를 활용한 사후 교통안전 관리가 주를 이루었다. 그러나 현재 개별 차량 주행행태 자료의 수집이 가능해짐에 따라 선제적 교통안전 관리의 필요성이 제기되고 있다. 사전에 도로 위험 구간 식별이 가능하다면 교통사고 예방을 위한 보다 능동적인 교통안전 관리가 가능하다. 본 연구는 주행행태 분석이 가능한 개별 차량 자료를 기반으로 통계적 기법과 머신러닝 모델을 통합적으로 적용하고, 앙상블 학습전략을 활용하여 보다 정확한 도로 위험 구간 식별 모델을 구현하고자 한다. 개별 차량 주행행태 자료인 PVD에서 수집되는 항목을 기반으로 차량의 주행행태를 차량간 상호작용, 종방향 및 횡방향 관점에서 특성화할 수 있는 22가지 주행 안전성 평가지표를 산출하였다. 이를 통계적 상관분석을 통해 교통사고 건수 자료와 유의미한 상관성을 가지는 10가지 주행 안전성 평가지표를 선정하였다. 교통사고 건수 자료의 분석 구간 내 평균 사고 건수를 기준으로 집계 단위별 위험 도로구간과 일반 도로구간으로 범주화하여 목표변수로 활용하였고, 상관분석 결과 통계적으로 유의미한 10가지 주행 안전성 평가지표를 설명변수로 활용하여 SVM, ANN, KNN의 분류 모델을 수행하였다. 앙상블 학습은 다중 모델 조합으로, 단일 모델 대비 견고성을 향상시킬 수 있다고 알려져 있다. 앞서 수행한 3가지 모델을 앙상블 학습하여 최종 모델을 도출하였다. 앙상블 학습전략에 의한 모델의 정확도는 90.8%로 단일 모델 대비 최대 4.8%, 최소 2.7% 향상된 결과가 나타났다. 이는 선제적 교통안전 관리를 위한 도로 위험 구간 식별 모델 구현 시 앙상블 학습전략은 보다 정확한 구현이 가능함을 의미한다. 본 연구의 방법론은 향후 실시간 데이터 수집 및 활용이 가능한 환경에서 실시간 도로 위험 구간 식별을 위한 모델 구현 시 기초 자료로 활용이 가능할 것으로 기대된다.

Various road safety evaluation studies have been conducted for traffic safety management. To date, traffic safety measures have been primarily focused on reactive safety management using macroscopically aggregated traffic data collected by infrastructure-based detection systems. However, the need for proactive safety management has been raised as individual vehicle driving behavior data is now readily available. Detection of crash prone road segments allows for realizing more proactive safety management to prevent traffic crashes. This study applied statistical techniques and machine learning models based on individual vehicle data capable of analyzing driving behavior. It also aims to implement a more accurate road hazard identification model using an ensemble learning strategy. Twenty-two driving safety indicators were derived to characterize vehicle driving behavior from inter-vehicular interaction, longitudinal, and lateral perspectives, based on the data collected from PVD, which provides individual vehicle driving behavior data.Ten of these indicators, which showed significant correlation with traffic accident data, were selected through statistical correlation analysis. The average number of accidents in the analysis section of traffic accident data was used to categorize road sections into hazardous and normal categories, serving as the target variable. The ten statistically significant driving safety indicators were used as explanatory variables. Classification models such as SVM, ANN, and KNN were performed. Ensemble learning, known for enhancing robustness compared to single models, was employed by combining these three models to derive the final model. The accuracy of the model by ensemble learning strategy was 90.8%, showing an improvement of up to 4.8% and at least 2.7% compared to single models. This indicates that ensemble learning strategies can enable more accurate implementation of road hazard identification models for proactive traffic safety management. The methodology of this study is expected to serve as foundational data for implementing models for real-time crash prone road segments identification in environments where real-time data collection and utilization are feasible.