밀도 기반 공간 군집화(DBSCAN)를 활용한 교통사고 위험구간탐지에 관한 연구 : - = A Study on the Detection of High-Risk Traffic Crash Areas Using Density-Based Spatial Clustering(DBSCAN)

국문 초록 (Abstract)

본 연구는 교통사고의 공간적인 분포와 사고 심각도를 함께 고려한 고위험 구간(Hot Spot)의 체계적인 탐지와 해당 구간의 사고 요인을 도출하기 위하 종합적인 분석체계를 제안하고자 하였다.
분석 대상은 2022년부터 2024년까지 인천광역시 전역에서 발생한 총 23,408건의 사고 데이터이며, 공간좌표 기반의 사고 위치 정보를 활용하여 밀도 기반 공간 군집화 알고리즘인 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)을 적용하여 연구를 진행하였다. DBSCAN 알고리즘은 클러스터의 수를 사전에 정의할 필요가 없이 공간적으로 밀집되어 있는 사고 지점을 자율적으로 식별할 수 있어 실제 사고의 특성 반영에 적합하다.
DBSCAN을 통해 도출된 클러스터에 대하여 단순 사고 건수뿐만 아니라 사고 심각도를 함께 나타내기 위해 사망ㆍ중상ㆍ경상ㆍ부상 신고자 수에 가중치를 부여한 EPDO(Equivalent Property Damage Only) 지표를 적용하여 각각의 클러스터에 상대적인 위험도를 산정하였다.
분석 결과, 총 10개의 주요 사고 다발 클러스터가 탐지되었으며 일부 클러스터에서는 사고 건수가 적더라도 EPDO 지표가 높게 나타나 고위험 구간으로 분류되었고, 이는 DBSCAN 분석이 기존의 밀도 기반 분석이 간과할 수 있는 위험 구간을 효과적으로 보완할 수 있음을 보여주었다.
또한, Hot Spot과 비 Hot Spot 간의 EPDO 평균 비교 및 사고 특성 항목에 대해 통계적인 유의성을 검증한 결과, 다수의 변수에서 유의미한 차이가 나타나 DBSCAN-EPDO를 통합한 접근이 타당함을 입증하였으며, 사고 심각도를 이진의 종속변수를 설정하고 로지스틱 회귀(Logistic Regression)과 랜덤 포레스트(Random Forest) 모델로 비교한 결과, 랜덤 포레스트의 AUC는 0.998, Accuracy 0.982의 수치로 로지스틱 회귀분석 모델보다 더 우수한 예측 성능을 나타내었다.
마지막으로, SHAP(Shapley Additive Explanations) 분석을 활용해 심각도 영향 요인을 도출한 결과, 사고 심각도에 영향을 미치는 핵심 변수는 법규위반과 관련된 항목으로, 신호위반, 안전운전불이행, 안전거리 미확보, 보행자보호의무위반 등이 중상 이상의 사고로 이어질 가능성을 크게 높이는 요인으로 분석되었다.
본 연구는 기존의 단순 빈도 중심의 분석에서 벗어나, 교통사고의 공간적인 밀도와 질적인 심각도를 종합적으로 반영한 DBSCAN-EPDO 기반의 탐지체계와 함께 기계학습을 기반으로 한 사고 심각도 예측 모델 및 분석 기법을 활용하여 교통안전 분야에서 보다 정밀하고 효과적인 고위험 구간 분석 방법을 제시하고자 하였다.
본 연구의 결과를 통해 지자체 및 유관 기관의 교통안전 정책 수립 및 사고 다발 지점의 관리, 예방 대책 수립 등 실질적인 의사결정에 활용될 수 있을 것으로 기대한다.

목차 (Table of Contents)

• 국문초록 i
• 목 차 ⅲ
• 표 목 차 vi
• 그림목차 vii
• 제 1장 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구의 범위 및 절차 4
• 1.2.1 연구의 범위 4
• 1.2.2 연구의 절차 5
• 제 2 장 이론적 배경 및 선행연구 고찰 7
• 2.1 교통사고의 공간 특성과 분석 필요성 7
• 2.1.1 교통사고 공간적 분포 특성 및 집중 특성 7
• 2.1.2 사고 다발 지점(Hot Spot)의 개념 및 관리체계 비교 8
• 2.2 고위험구간 탐지기법 및 DBSCAN 알고리즘 10
• 2.2.1 전통적 빈도 및 공간통계 기반 고위험 구간 탐지기법 10
• 2.2.2 DBSCAN의 개념 및 작동 원리 12
• 2.2.3 DBSCAN 파라미터 Eps 및 MinPts 설정 기준 14
• 2.2.4 기존 군집화 기법과의 비교 및 분석 15
• 2.3 EPDO 지표를 활용한 교통사고 심각도 정량화 17
• 2.4 선행연구 고찰 및 본 연구의 차별성 19
• 2.4.1 국내외 교통사고 군집화 분석 동향 19
• 2.4.2 연구의 차별성 26
• 제 3 장 자료수집 및 통계분석 28
• 3.1 분석 개요 28
• 3.2 교통사고 데이터 수집 및 현황 분석 31
• 3.2.1 교통사고 발생 현황 분석 31
• 3.2.2 원시자료 수집 및 공간정보 확보 36
• 3.2.3 교통시설물 데이터 결합 및 전처리 37
• 3.3 데이터 전처리 및 공간 데이터 구축 43
• 3.3.1 사고 위치 및 속성 43
• 3.3.2 교통인프라 결합을 통한 공간 데이터 구축 43
• 3.4 EPDO 지표 산정 45
• 3.5 분석 변수 설정 및 구성 47
• 제 4 장 DBSCAN 기반 사고다발지점 및 사고 심각도 분석 50
• 4.1 분석 개요 50
• 4.2 DBSCAN 기반 사고다발지점 및 사고 심각도 분석 52
• 4.2.1 분석 개요 52
• 4.2.2 파라미터 설정:MinPts 및 K-distance plot 기반 Eps 도출 54
• 4.2.3 Eps 민감도 분석 및 최적값 도출 57
• 4.2.4 DBSCAN 시각화 결과 59
• 4.3 Hot Spot 및 사고 심각도 분석 64
• 4.3.1 EPDO 기반 사고 심각도 산정 65
• 4.3.2 Hot Spot과 비Hot Spot 구간의 사고 특성 비교분석 66
• 4.3.3 클러스터별 Hot Spot 특성 분석 70
• 4.4 Hot Spot 기반 다변량 요인 분석 74
• 4.4.1 로지스틱 회귀분석(Logistic Regression) 74
• 4.4.2 랜덤 포레스트(Randomf Forest) 기반 변수 중요도 분석 78
• 4.3.3 SHAP 기반 사고 심각도 영향 요인 분석 81
• 제 5 장 결론 및 향후 연구과제 86
• 5.1 결 론 86
• 5.2 연구의 한계 및 향후 연구과제 88
• 참고문헌 90
• Abstract 96
• 감사의글 99