기상요인을 활용한 머신러닝 기반 겨울철 교통사고 발생 예측 연구 : 경기도 지역을 중심으로 = A study on predicting winter traffic accidents using machine learning-based meteorological factors : focusing on the Gyeonggi-do region

국문 초록 (Abstract)

최근 기후변화로 인해 폭설 피해의 빈도와 심각성이 심화되어 겨울철 교통사고가 증가 하고 있다. 따라서 이러한 피해를 완화하기 위한 효율적인 대응 전략 수립에 대한 요구가 더욱 필요한 실정이다. 폭설과 겨울철 교통사고의 연관성을 규명하는 연구는 많이 진행되었지만, 이와 관련해 초점을 맞춘 기존 연구는 제한적으로만 이루어져 왔다. 본 연구는 2015–2023년 기간의 전국 시군구 자료를 기준으로 전국의 시·군·구 단위 겨울철 교통사고 데이터를 종합적으로 분석한 후, 경기도를 주요 연구 지역으로 선정하여 겨울철 노면결빙 현상으로 발생하는 차량 사고 발생률을 감소시키고자 한다. 사고 발생에 영향을 미치는 기상 변수를 파악하고, 소프트맥스 회귀 분석, 랜덤 포레스트 분석, XGBoost 분석 등 기계 학습 기반 예측 모델을 개발하여 겨울철 교통사고의 위험 수준(발생 등급)을추정했다. 분석결과, 도로결빙에 제일 관계가 크다고 분석된 인자는 Random Forest와 XGBoost 두 모델의 경우 최저기온으로 나타났으며, 뒤이어 일사량과 풍속이 다음으로 높은 연관성을 나타냈다. 비교 결과, 세 모델 간의 예측 정확도 및 도로결빙에 큰 영향을 미친다고 판단한 인자는 모델별로 차이가 있는 것으로 나타났다. 그러나 고려되지 않은 인자들도 추가되어 연구가 진행된다면 이는 추후 겨울철 교통사고 위험을 예측하는 데 있어 머신 러닝 접근 방식의 잠재적 적용 가능성을 시사하며, 폭설 피해에 대한 사전 대책을 개발하기 위한 과학적 프레임워크를 제공할 수 있다고 판단된다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1. 연구의 배경 및 동향 1
• 2. 연구목적 및 연구범위 4
• 3. 기존연구와의 차별성 5
• Ⅱ. 방법론 5
• 1. SoftMax Regression 모델 5
• 2. RandomForest 모델 7
• 3. XGBoost 모델 8
• Ⅲ. 데이터 구축 및 분석 9
• 1. 대상지역 선정 9
• 2. 종속변수 및 독립변수 구축 12
• 3. 데이터 전처리 및 분류 방법 16
• Ⅳ. 분석 결과 18
• 1. ASOS 기반 5개 지역 예측 결과 비교 18
• 2. AWS 기반 경기도 남북부 지역 예측 결과 비교 26
• 3. 고찰 30
• Ⅴ. 결론 31
• 참고문헌 33
• 영문초록 38
• 국문초록 39