다변화된 시간 집계단위 및 동적 교통류 특성을 고려한 안전성능함수 개발 연구

Abstract

본 연구는 고속도로 교통사고 데이터를 기반으로 동적인 교통 특성을 반영한 안전성능함수(SPF)를 개발하고, 기존 거시적인 교통류 집계 단위의 한계를 보완하여 사고 예측 성능을 개선하는 것을 목표로 한다. 한국도로공사 VDS 데이터의 시간 단위를 연간 일평균 교통량(AADT), 연간 시간평균 교통량(AHT), 연간 평균 15분 교통량(AMT)으로 세분화하여 집계하였으며, 각 데이터셋에 대해 음이항 회귀모형(NB), 랜덤 포레스트(RF), XGBoost, LGBM 모델을 개발하여예측 성능을 비교하였다. 또한 각 모델의 적합도를 교차검증을 통해 평가하였다. 연구 결과, 연간 일평균 교통량 데이터에서는 XGBoost 모델이 가장 적합하였고, 시간 및 15분 단위 데이터에서는 LGBM 모델이 우수한 예측 성능을 보였다. 본 연구는 기존의 거시적인 교통류 집계 단위에서 벗어나, 세분화된 시간 집계 단위를 설정하여 교통사고 예측 모형을 개선하였다. 이러한 연구 결과는 고속도로 안전 개선 및 사고 예방 전략 수립에 기여할 수 있으며, 향후 추가적인변수와 특성이 반영된 시간 집계 단위가 포함된다면 더욱 유의미한 결과를 기대할 수 있다.

This study aims to develop a safety performance function (SPF) that reflects dynamic traffic characteristics based on highway traffic crash data, and to improve the prediction performance by complementing the limitations of the existing macroscopic traffic aggregation unit. The VDS data was aggregated into annual average daily traffic (AADT), annual hourly average traffic (AHT), and annual average 15-minute traffic (AMT), and negative binomial regression (NB), random forest (RF), XGBoost, and LGBM models were developed for each dataset to compare the prediction performance. The results showed that the XGB model was the best model for daily traffic data, and the LGBM model showed good prediction performance for hourly and 15-min data. This study improved the crash prediction model by setting a detailed unit, which is different from the existing macroscopic aggregation unit.