보행자우선도로 필요구간 도출을 위한 기계학습 기반 의사결정 지원 모형 - 이면도로 링크 단위 확률적 접근과 설명가능 인공지능 해석의 적용 = A Machine Learning–Based Decision Support Model for Selecting Pedestrian-Priority Road Candidate Segments - A Link-Level Probabilistic Approach and Explainable AI Analysis

국문 초록 (Abstract)

보행자우선도로는 『보행안전 및 편의증진에 관한 법률』에 근거하여 보행 안전과 편의를 확보하기 위해 보차미분리도로에 지정되는 제도이다.
그러나 현행 지정 기준은 정량적 비교와 우선순위 설정에 한계가 있어, 전국 단위의 체계적 대상지 탐색이 어려운 실정이다.
이에 본 연구는기존 보행자우선도로의 공간ㆍ환경 특성을 학습한 기계학습 기반 분류 모형을 구축하고, 전국이면도로 중 정책적 검토 우선순위가 높은 후보 구간을 탐색하고자 하였다.
이를 위해 29개 공간 변수를 활용하여 도로링크 단위의 지정 필요성을 확률값으로 산출하였으며, 실제 클래스 분포를 반영한 검증 결과 재현율(Recall)이 93%로 나타났다.
또한 SHAP 기반 해석을 통해 주요영향 요인을 분석하고, 링크 단위 결과를 도로명 단위로 통합하여 행정 실무 활용 가능성을 제시하였다.
이를 통해 보행자우선도로 지정 과정의 정책적 판단 구조를 데이터 기반으로 지원할수 있는 방법론을 제안함으로써, 체계적인 보행환경 개선 의사결정에 기여할 수 있을 것이다.

다국어 초록 (Multilingual Abstract)

Pedestrian-priority roads are designated on shared streets under the Promotion of Pedestrian Safety and Convenience Enhancement Act to improve pedestrian safety and walking conditions. However, current designation criteria have limitations in quantitative comparison and prioritization. This study developed a machine learning– based classification model that learns the spatial and environmental characteristics of existing pedestrian-priority roads and identifies high-priority candidate segments among nationwide local streets. Using 29 spatial variables, the model estimated link-level designation probabilities and achieved a recall of 93%. SHAP-based analysis was conducted to identify major influencing factors, and link-level results were aggregated into street-name units to examine their applicability to administrative practice. The proposed approach provides a data-driven framework to support policy decision-making for pedestrian-priority road designation.