동적데이터 기반의 생활도로 보행자 교통사고 위험도 산정모형 개발 = Dynamic data driven risk assessment model for pedestrian related traffic accidents on community roads

다국어 초록 (Multilingual Abstract)

As of 2021, pedestrian fatalities in South Korea accounted for approximately 34% of the total traffic accident fatalities, and the number of pedestrian accidents was twice the occupancy rate (17%). In particular, fatalities in mixed traffic zones accounted for 74.9%, which was about three times higher than in separated pedestrian zones. It was also found that fatalities were highest on roads with a width of less than 13 meters, accounting for 68.7%. These statistical analysis results suggest that South Korea is facing significant risks in terms of pedestrian activities on community roads. However, there is currently no evaluation method in place to determine which community roads are more dangerous. Improvement projects are primarily implemented based on accident-prone areas, areas with complaints, and areas with high pedestrian traffic, without a comprehensive assessment of the risk. Furthermore, traffic accidents are influenced not only by static factors such as road geometry and infrastructure but also by dynamic factors. However, dynamic factors have been traditionally analyzed using representative values (such as averages) similar to static factors. Therefore, the purpose of this study is to analyze the factors influencing pedestrian traffic accidents on community roads and propose a method for evaluating the risk of pedestrian accidents on community roads. Additionally, the study aims to provide a foundation for developing a dynamic model that can measure the real-time risk of community roads by collecting real-time data on factors believed to have a significant impact on pedestrian traffic accidents, such as pedestrian volume, traffic volume, thenumber of parked vehicles, and conflict index (between vehicles and pedestrians). For the analysis of factors influencing pedestrian traffic accidents on community roads, a negative binomial regression model was constructed, and the results showed that five variables were statistically significant: segment length (meters), pedestrian volume (persons per 15 minutes), one-way traffic (1: one-way, 2: two-way), degree of illegal parking, and pedestrian-vehicle conflict ratio. Segment length and pedestrian volume were used to calculate the Safety Performance Function (SPF), while the remaining variables were used to calculate the Crash Modification Factors (CMF) based on the methodology presented in the Highway Safety Manual (HSM) in the United States. The risk assessment was divided into five grades (1 to 5), and supervised learning algorithms (Gradient Boosting Machine, Random Forest, Support Vector Machine) were implemented to classify the risk level and its associated factors. On comparing the implemented algorithms , the results showed that the Random Forest algorithm had the best predictive power with respect to Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The findings of this study are expected to have practical applicability through the collection of data on static and dynamic factors through CCTV installed on community roads and implementing the developed models and risk evaluation methods. Previously, it was not possible to evaluate the risk of pedestrian accidents on community roads, but with the monitoring of dynamic factors through CCTV, the foundation for real-time risk assessment has been established.

국문 초록 (Abstract)

2021년 기준 우리나라는 보행자 교통사고 사망자수가 전체 교통사고 사망자수의 약 34%를 차지하고 있으며, 전체 교통사고건수 중 보행자 사고건수 점유율(17%) 대비 약 2배 높다. 특히, 보차혼용도로에서의 보행 사망자수가 전체 보행 사망자수의 74.9%를 차지하여 보차분리도로에 비해 약 3배나 높은 것으로 나타났으며, 도로폭이 13m미만인 도로에서 68.7%를 차지하는 것으로 나타났다. 이러한 통계분석 결과는 보행자의 활동이 많은 생활도로가 상대적으로 매우 위험한 것으로 판단된다. 그러나 현재 우리나라는 어느 생활도로가 더 위험한지에 대한 평가기법이 없어, 단순히 사고가 빈번한 곳 또는 민원이 있는 곳, 보행자 이동량이 많은 곳 위주로 개선사업 등을 시행하고 있다. 또한 교통사고는 도로기하구조, 시설물 등과 같이 정적인 요소뿐만 아니라 교통량, 보행량, 주차차량 수 등과 같은 동적인 요소의 영향을 많이 받으나 동적인 요소에 대해서도 하나의 대푯값(평균값 등)을 이용하여 정적인 요소처럼 고려되어 교통사고에 미치는 영향정도를 분석하여 왔다. 뿐만아니라 생활도로는 데이터 구득의 어려움으로 인해 현장조사를 통한 개선대책을 마련해왔으나, 상대적으로 보행자가 많고 불법주정차 등 다이나믹한 요소들이 많은 시점에 조사가 이루어지지 못하고 있는 실정이다. 따라서 본 논문에서는 생활도로 보행자 교통사고에 영향을 미치는 요인을 분석하고, 이를 이용하여 생활도로의 보행자 교통사고 위험도를 평가할 수 있는 방법을 제시하고자 한다. 또한, 생활도로 보행자 교통사고에 영향을 많이 미친다고 생각되는 보행량, 교통량, 주정차 차량수, 상충수(차량과 보행자간) 등을 실시간으로 측정하여 실시간으로 생활도로의 위험도를 산정할 수 있는 동적모형을 개발할 수 있는 기틀을 제공하고자 하였다.
생활도로 보행자 교통사고 영향요인 분석을 위해 음이항 회귀모형을 구축하였으며, 모형 구축결과 구간길이(m), 보행량(인/15분), 일방통행여부, 불법주정차 정도, 보행자-차량 상충비율 5개 변수가 유의한 것으로 나타났다. 구간길이와 보행량은 안전성능함수(SPF)에 사용하고, 나머지 변수들은 사고수정계수(CMF)를 산출하여, 미국 도로안전편람(HSM)에서 제시한 방법으로 생활도로 보행자 사고 위험도 평가방법을 개발하였다. 위험도 평가 등급은 1~5등급까지 구분하였으며, 위험도 등급과 영향요소들을 지도학습 알고리즘들(Gradient Boosting Machine, 랜덤포레스트, Support Vector Machine)로 구현하고 비교하였다. 평균제곱근오차(RMSE), 평균절대오차(MAE)를 비교한 결과, 랜덤포레스트 알고리즘이 가장 예측력이 좋은 것으로 나타났다.
본 논문의 결과는 생활도로에 설치한 CCTV로 정적요소와 동적요소의 값을 수집하고, 수집된 자료들을 이용하여 개발된 모형 및 위험도 평가방법에 적용할 수 있을 것으로 기대된다. 기존에는 동적데이터를 활용하여, 생활도로 보행자 사고 위험도를 평가할 수 없었으나, CCTV를 통해서 동적요소들 변화를 모니터링 함으로써, 실시간으로 위험도를 산출할 수 있는 기틀을 마련하였다.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구의 배경 및 목적 1
• 제2절 연구내용 및 방법 4
• 제2장 보행자 교통사고 특성 6
• 제1절 보행자 교통사고 통계분석 6
• 1. 연도별 추세 6
• 2. 보행자 교통사고 국제 비교 8
• 3. 보행자 사고 통계 특성 10
• 제2절 생활도로 교통사고 통계분석 15
• 제3장 기존문헌 고찰 22
• 제1절 생활도로 관련 문헌 22
• 1. 생활도로의 정의 22
• 2. 생활도로의 유형 및 형태 26
• 제2절 보행자 교통사고 원인 및 대책 관련 연구 28
• 제3절 보행자 교통사고 건수 예측모형 연구 31
• 제4절 시사점 및 차별성 36
• 제4장 분석방법론 38
• 제1절 보행자 사고 영향요인 분석방법 38
• 1. 음이항 회귀모형 38
• 2. 영과잉 음이항 회귀모형 42
• 제2절 도로위험도 평가 방법 44
• 1. 교통사고 통계자료 이용 44
• 2. HSM의 도로안전성 분석방법 46
• 제3절 머신러닝 기반 위험도 예측방법 50
• 1. Gradient Boosting Machine(GBM) 50
• 2. Random Forest(GF) 52
• 3. Support Vector Machine(SVM) 54
• 4. 방법론 선정 55
• 제5장 자료수집 및 기초통계분석 56
• 제1절 자료수집 56
• 1. 분석대상 56
• 2. 수집변수 62
• 제2절 기초분석 68
• 1. 데이터 기초통계 분석 68
• 2. 상관분석 70
• 제6장 생활도로 보행자 교통사고 위험도 산정모형 74
• 제1절 보행자 교통사고 영향요인 모형 구축결과 74
• 1. 모형구축 결과 74
• 2. 모형결과의 해석 77
• 3. 모형의 적합도 검증 79
• 제2절 생활도로 보행자 위험도 산정모형 81
• 1. 안전성능함수(SPF) 개발 81
• 2. 사고수정계수(CMF) 개발 82
• 3. 위험도 등급 기준 개발 84
• 4. 적용 예시 88
• 제3절 머신러닝 알고리즘 적용결과 90
• 1. Gradient Boosting Machine(GBM) 적용결과 90
• 2. Random Forest(GF) 적용결과 91
• 3. Support Vector Machine(SVM) 적용결과 93
• 4. 머신러닝 알고리즘 예측력 비교 94
• 제7장 결론 95
• 제1절 연구결론 95
• 제2절 향후 연구과제 97
• 참고문헌 98
• 부록 100
• ABSTRACT 143

참고문헌 (Reference)

1. EASYFLOW 회귀분석, 이일현, 한나래, , 2014

2. 확률모수를 이용한 교통사고건수 예측모형 개발, 임준범, 서울시립대학교 박사학위 논문, , 2015

3. 근린환경이 보행자-차량 충돌사고에 미치는 영향, 박승훈, 대한국토 도시계획학회 지, 제49권 제3호, pp.143-157, , 2014

4. 국도변 신호교차로 안전성 향상을 위한 사고예측모형개발,, 오주택, 대한토목학 회논문집, 제25권. 제1D호, pp.9-15, , 2005

5. 고속도로 연결로 구간 의 사고예측계수 개발 및 활용방안 연구, 최윤환, 아주대학교 박사학위 논문, , 2012

6. The relationship between truck accidents and geometric design of road sections: Poisson versus negative binomial regressions, Miaou, S.-P., Vol.26, No.4, pp.471-482, , 1994

7. "서울시 보행자 교통사고에 영향을 미치는 물리적 환경요인에 관한 연 구 - 2014 TAAS 자료를 중심으로", 서지민, 이수기, 대한국토 도시계획학회지, 제51권 제3호, pp.197-216, , 2016

8. 가로환경 특성이 보행자 교통사고에 미치는 영향 분석: 가로 세그먼트 분석단위와 공간통계모형의 적용, 박철영 , 이수기, 한국도시설계학회지 제17권 제3호, 2016년 6 월호, pp. 105-121, , 2016