액체신경망(LNN)과 YOLO를 이용한 교통사고 예측 및 다빈도 순위 교통사고 유형의 자동 분류 모델 설계 및 성능평가 = Design and Performance Evaluation of a Model for Traffic Accident Prediction and Automatic Classification of the Most Frequent Accident Types Using Liquid Neural Networks (LNN) and YOLO

국문 초록 (Abstract)

매년 발생하는 막대한 수의 교통사고는 심각한 인명 및 재산 피해뿐만 아니라, 사고 처리 및 보험금 지급 과정에서 막대한 사회경제적 비용을 유발하고 있다. 특히, 사고 발생 후 과실 비율을 산정하는 과정은 복잡하고 시간이 많이 소요되며, 당사자 간 분쟁 발생 시 과실비율 분쟁심의위원회 회부나 장기간의 법적 소송으로 이어져 행정적·경제적 부담을 가중시키는 주요 원인이 된다. 이러한 문제점을 해결하기 위해, 본 논문에서는 차량 블랙박스 영상을 딥러닝 기술로 자동 분석하여 교통사고 관련 비용을 절감하고 도로 안전성을 향상시키는 두 가지 모델을 제안한다.
첫째, 제안하는 교통사고 예측 모델은 주행 중 잠재적인 충돌 위험을 사전에 감지하여 운전자에게 경고함으로써 사고 발생 자체를 예방하거나 피해를 경감시키는 데 기여하고자 한다. 둘째, 교통사고 유형 자동 분류 모델은 사고 발생 후 과실 비율 평가 과정의 신속성과 객관성을 높여 분쟁 발생 가능성을 줄이는 것을 목표로 한다. 본 연구의 핵심적인 기여는 영상 내 객체의 실시간 탐지 및 추적에 뛰어난 YOLO(You Only Look Once)와 불규칙하고 연속적인 시계열 데이터 분석에 강점을 보이는 액체 신경망(Liquid Neural Network, LNN)을 결합한 단일 통합 아키텍처를 기반으로 이 두 가지 서로 다른 목표를 효과적으로 달성했다는 점이다. 제안하는 아키텍처는 최종 출력층과 손실 함수의 변경만으로 예측과 분류 작업 모두에 유연하게 적용될 수 있는 범용성을 보여준다.
성능평가 결과, 제안하는 교통사고 예측 모델은 대표적인 공개 데이터셋인 CCD와 DAD 환경에서 기존 연구 대비 평균 정밀도(AP)를 각각 최대 95.59%와 80.85%까지 크게 향상시켰으며, 평균 사고 예측 시간(ATTA) 또한 각각 최대 4.95초 및 4.47초를 기록하여 실제 충돌 발생 전에 충분한 대응 시간을 제공할 수 있음을 입증하였다. 이는 모델이 사고로 이어지는 객체 간의 복잡하고 미세한 동적 상호작용 패턴을 성공적으로 학습했음을 시사한다. 또한, 교통사고 유형 분류 모델은 AI-Hub 데이터셋 기반 3개의 주요 사고 유형(차선 변경, 후방 추돌, 역주행) 분류에서 96.5%의 높은 정확도를 달성하여 기존 3D CNN 기반 모델의 성능을 약 6% 상회하였다. 나아가 분류 대상을 다빈도 6개 유형으로 확장했을 때에도 89.6%라는 견고한 정확도를 유지하며, 더 복잡한 분류 문제에 대한 모델의 확장 가능성을 성공적으로 증명하였다.
본 연구는 YOLO-LNN 통합 아키텍처가 차량 블랙박스 영상 분석을 위한 강력하고 유연한 프레임워크임을 실험적으로 검증하였으며, 제안하는 모델들이 향후 교통사고 처리 비용 절감, 보험 분쟁 감소, 그리고 궁극적으로는 도로 교통 안전성 향상에 실질적으로 기여할 수 있는 높은 잠재력을 가지고 있음을 보여준다.

목차 (Table of Contents)

• 목차 i
• 그림 목차 iv
• 알고리즘 목차 vi
• 표 목차 vii
• Abstract viii
• 1. 서론 1
• 1.1 연구 배경 1
• 1.2 연구 내용 및 범위 6
• 1.3 논문의 구성 9
• 2. 관련 연구 10
• 2.1 차세대 신경망 아키텍처 10
• 2.1.1 YOLO(You Only Look Once) 12
• 2.1.2 액체 신경망(Liquid Neural Network, LNN) 13
• 2.2 기존 교통사고 예측 모델 연구 14
• 2.3 기존 교통사고 유형 자동 분류 모델 연구 21
• 3. 연구 동기 및 교통사고 예측 및 유형 자동 분류 모델의 설계를 위한 고려사항 23
• 3.1 연구 동기 23
• 3.1.1 교통사고 예측 모델의 연구 동기 23
• 3.1.2. 교통사고 유형 자동 분류 모델의 연구 동기 25
• 3.2 제안하는 모델의 설계를 위한 고려사항 26
• 3.2.1 객체 탐지 알고리즘 선정 26
• 3.2.2 교통사고 예측 및 유형 분류를 위한 적절한 신경망 모델 선정 28
• 3.2.3 학습 데이터 선정 29
• 4. 교통사고 예측 모델의 설계 31
• 4.1 전체 시스템 구조 31
• 4.2 객체 탐지 36
• 4.2.1 YOLO 신경망의 역할 및 구성 36
• 4.2.2 객체 탐지 및 추적 과정 36
• 4.3 데이터 변환 40
• 4.3.1 시계열 데이터 구조화 42
• 4.3.2 최대 시퀀스 길이 및 최대 객체 수 결정 42
• 4.3.3 패딩(Padding)을 통한 데이터 형태 통일 43
• 4.3.4 데이터 평탄화(Flattening) 및 데이터 구성 45
• 4.4 교통사고 예측 45
• 4.4.1 액체 신경망의 구조 및 순전파 과정 45
• 4.4.2 활성화 함수와 최종 예측 48
• 4.4.3 손실 함수 설계 및 학습 49
• 5. 교통사고 유형 자동 분류 모델의 설계 54
• 5.1 교통사고 유형 54
• 5.2 전체 시스템 구조 55
• 5.3 교통사고 유형의 자동 분류 58
• 5.3.1 액체 신경망의 구조 58
• 5.3.2 활성화 함수와 최종 분류 59
• 5.3.3 손실 함수 설계 및 학습 60
• 6. 성능평가 63
• 6.1 교통사고 예측 모델 성능평가 63
• 6.1.1 실험 데이터셋 및 성능평가 지표 63
• 6.1.2 성능평가를 통한 최적의 모델 구성 및 하이퍼파라미터 설정 69
• 6.1.3 제안하는 교통사고 예측 모델의 교통사고 예측 소요 시간 71
• 6.1.4 기존 연구와의 성능 비교 72
• 6.1.4.1 CCD 데이터를 이용한 성능 비교 73
• 6.1.4.2 DAD 데이터를 이용한 성능 비교 74
• 6.1.5 하이퍼파라미터 변경에 따른 성능평가 75
• 6.2 교통사고 유형 자동 분류 모델 성능평가 82
• 6.2.1 실험 데이터셋 및 성능평가 지표 82
• 6.2.2 성능평가를 통한 최적의 모델 구성 및 하이퍼파라미터 설정 83
• 6.2.3 제안하는 교통사고 유형 자동 분류 모델의 사고 유형 분류 소요 시간 85
• 6.2.4 기존 연구와의 성능 비교 87
• 6.2.5 다빈도 순위 6개 교통사고 유형에 대한 성능평가 88
• 6.2.6 하이퍼파라미터 변경에 따른 성능평가 93
• 6.2.7 세부 성능평가를 통한 데이터 불균형 효과 분석 99
• 7. 결론 및 향후 연구 109
• 7.1 결론 109
• 7.2 향후 연구 110
• 참고문헌113