데이터 기반 도로위험지점 예측과 사물주소 연계관리 방안에 관한 연구 = A Study on Data-Based Road Risk Point Prediction and Object Address-Linked Management Strategies

국문 초록 (Abstract)

본 연구는 사고 발생 후 보완하는 사후처리 중심의 도로관리에서 벗어나, 사고자료, 도로 기하구조, 결빙위험정보, 도로표지정보, 격자형 위치참조체계를 융합하여 도로위험지점을 사전에 예측하고, 이를 도로위험표지 및 사물주소 기반 시설물 관리체계로 연결하는 방안을 제시하였다. 분석에는 도로중심선교점, 종단경사, 도로표지, 사고위험지역, 교통사고 자료 등을 활용하고, 로지스틱 회귀, 서포트 벡터 머신, 결정트리, 랜덤 포레스트 모델을 비교하였다. 그 결과 랜덤 포레스트가 정확도 0.8275, 정밀도 0.8057, 재현율 0.8275, F1 Score 0.8165로 가장 안정적인 성능을 보였다. 위험예측 결과는 국가지점번호 격자 단위로 표출하였으며, 전체 4,846건 중 표지가 없는 지점은 1,323건으로 나타났다. 이 중 다소위험 및 위험 등급은 406건으로, 현장조사와 도로위험표지 설치 검토가 필요한 우선대상으로 판단된다. 본 연구는 예측결과를 최종 설치지점이 아닌 현장검증과 관리 우선순위 선정을 위한 의사결정 지원정보로 해석하고, 예측지점에 도로위험표지판과 사물주소를 부여하여 위치식별, 시설물 등록, 점검, 보수, 민원처리 및 이력관리가 가능한 지속적 관리단위로 전환하는 방안을 제안했다는 점에서 의의가 있다.

다국어 초록 (Multilingual Abstract)

This study proposes a framework for moving beyond post-accident, remedial road management by integrating accident data, road geometry, freezing-risk information, road sign information, and grid-based spatial reference systems to predict road risk points in advance and link them to road hazard signs and an object address-based facility management system. The analysis used data such as road centerline intersection points, longitudinal slopes, road signs, accident risk areas, and traffic accident information, and compared machine learning models including logistic regression, support vector machine, decision tree, and random forest. The results showed that the random forest model achieved the most stable performance, with an accuracy of 0.8275, precision of 0.8057, recall of 0.8275, and F1 Score of 0.8165. The predicted risk points were visualized in grid units based on national point numbers. Among 4,846 predicted risk points, 1,323 points had no road signs. Of these, 406 points were classified as “somewhat risky” or “risky,” indicating that they should be prioritized for field investigation and review for road hazard sign installation. This study interprets the prediction results not as final installation locations, but as decision-support information for field verification and management prioritization. It is significant in that it proposes a method for assigning road hazard signs and object addresses to predicted risk points, thereby converting them into continuously manageable units that support location identification, facility registration, inspection and maintenance, complaint handling, and history management.