딥 러닝을 이용한 고속도로 교통사고 예측모델 개발

Abstract

기존에는 대부분의 교통사고 자료 분석이 전통적인 통계적 방법인 포아송 회귀모형 또는 음이항 회귀모형 등을 기반으로 시행되어져 왔다. 이러한 통계적 방법은 교통사고와 관련된 다양한 인적, 도로 기하구조적 그리고 환경적 요인들과 교통사고 간의 인과관계를 찾고, 교통사고 빈도를 예측하고 그리고 분석된 결과를 바탕으로 교통안전 등급을 산출하는 등 다양한 방식으로 활용되어져 왔다. 하지만, 최근 머신 러닝 및 딥 러닝과 같은 빅데이터 분석 기법을 활용한 새로운 접근 방법들이 주목을 받기 시작하였다. 이러한 머신 러닝 및 딥 러닝 기법은 이종(異種)의 대량 자료를 활용하여 교통사고와 관련된 요인들을 분석하는 데 장점을 보이고 있으며, 이미 교통 및 다른 분야에서는 활발하게 적용되어 우리들의 일상을 변화시키고 있다. 이에 본 연구의 목적은 고속도로 교통사고 자료를 이용하여 고속도로의 주요 분석 단위인 콘존의 교통사고 빈도수를 예측하기 위하여 전통적인 통계적 기법과 딥 러닝을 이용한 기법을 적용하고 각 기법들의 예측 성능을 비교하였다. 예측 성능 비교 결과, 딥 러닝 모형의 MOE들이 전통적인 통계 모형에 비해 다소 우수한 것으로 나타났다. 하지만 MAD 기준으로 차이가 0.27로 전통적인 통계적 기법 기반으로도 교통사고 건수를 충분히 예측이 가능하다고 판단되며, 특히 음이항 회귀모형이 포아송 회귀모형보다 우수한 것으로 나타났다. 또한 노출 계수(AADT, 콘존 길이)를 활용하는 모형이 더욱 우수한 것으로 판단된다. 하지만 딥 러닝을 이용할 경우 예측 신뢰도를 더욱 증가 시킬 수 있다. 또한, 딥 러닝의 경우에는 아직 교통사고 건수 예측에 활용한 사례가 적기 때문에 적절한 구조 등에 대한 추가 연구가 필요하다. 특히 본 연구에서 은닉층 및 노드 개수뿐만 아니라 Optimizer, 노드 구조 등에도 많은 영향을 받는 것으로 확인 되었다.