개별 차량 주행행태 자료를 이용한 앙상블 학습전략 기반 도로 위험 구간 식별 기법

Q: 이 논문에서 정의한 앙상블 학습전략이란 무엇인가?

앙상블 학습전략은 여러 개의 분류기 출력을 통합하여 최종 분류를 수행하는 다중 분류기 시스템이다. 이는 약한 학습기들을 결합하여 하나의 강력한 학습기를 도출하며, 단일 분류기 사용 시보다 우수한 성능과 견고성을 보이는 기법이다.

Q: 개별 차량 주행행태 자료 기반 도로 위험 구간 식별 모델의 정확도를 높이는 방법은 무엇인가?

연구 결과, 개별 차량 주행행태 자료를 기반으로 도로 위험 구간을 식별할 때 앙상블 학습전략을 활용하면 단일 모델 대비 최대 4.8%, 최소 2.7% 향상된 90.8%의 정확도를 달성할 수 있다. 이는 앙상블 학습이 단일 모델의 한계를 극복하고 최종 모델의 정확성을 개선하는 효과적인 전략임을 의미한다.

지정훈; 구예서; 조영; 오철

doi:10.7470/jkst.2023.41.6.739

추천

검색

질문

자료유형: 학술저널

저자정보: 지정훈 (한양대학교) 구예서 (한양대학교) 조영 (한국건설기술연구원) 오철 (한양대학교)

저널정보: 대한교통학회 대한교통학회지 대한교통학회지 제41권 제6호

발행연도: 2023.12

수록면: 739 - 752 (14page)

DOI: 10.7470/jkst.2023.41.6.739

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

교통안전 관리를 위한 다양한 도로 안전성 평가 연구가 진행되고 있다. 지금까지 교통사고 안전 대책은 인프라 기반 검지 체계에서 수집되는 거시적으로 집계된 교통 데이터를 활용한 사후 교통안전 관리가 주를 이루었다. 그러나 현재 개별 차량 주행행태 자료의 수집이 가능해짐에 따라 선제적 교통안전 관리의 필요성이 제기되고 있다. 사전에 도로 위험 구간 식별이 가능하다면 교통사고 예방을 위한 보다 능동적인 교통안전 관리가 가능하다. 본 연구는 주행행태 분석이 가능한 개별 차량 자료를 기반으로 통계적 기법과 머신러닝 모델을 통합적으로 적용하고, 앙상블 학습전략을 활용하여 보다 정확한 도로 위험 구간 식별 모델을 구현하고자 한다. 개별 차량 주행행태 자료인 PVD에서 수집되는 항목을 기반으로 차량의 주행행태를 차량간 상호작용, 종방향 및 횡방향 관점에서 특성화할 수 있는 22가지 주행 안전성 평가지표를 산출하였다. 이를 통계적 상관분석을 통해 교통사고 건수 자료와 유의미한 상관성을 가지는 10가지 주행 안전성 평가지표를 선정하였다. 교통사고 건수 자료의 분석 구간 내 평균 사고 건수를 기준으로 집계 단위별 위험 도로구간과 일반 도로구간으로 범주화하여 목표변수로 활용하였고, 상관분석 결과 통계적으로 유의미한 10가지 주행 안전성 평가지표를 설명변수로 활용하여 SVM, ANN, KNN의 분류 모델을 수행하였다. 앙상블 학습은 다중 모델 조합으로, 단일 모델 대비 견고성을 향상시킬 수 있다고 알려져 있다. 앞서 수행한 3가지 모델을 앙상블 학습하여 최종 모델을 도출하였다. 앙상블 학습전략에 의한 모델의 정확도는 90.8%로 단일 모델 대비 최대 4.8%, 최소 2.7% 향상된 결과가 나타났다. 이는 선제적 교통안전 관리를 위한 도로 위험 구간 식별 모델 구현 시 앙상블 학습전략은 보다 정확한 구현이 가능함을 의미한다. 본 연구의 방법론은 향후 실시간 데이터 수집 및 활용이 가능한 환경에서 실시간 도로 위험 구간 식별을 위한 모델 구현 시 기초 자료로 활용이 가능할 것으로 기대된다.

Various road safety evaluation studies have been conducted for traffic safety management. To date, traffic safety measures have been primarily focused on reactive safety management using macroscopically aggregated traffic data collected by infrastructure-based detection systems. However, the need for proactive safety management has been raised as individual vehicle driving behavior data is now readily available. Detection of crash prone road segments allows for realizing more proactive safety management to prevent traffic crashes. This study applied statistical techniques and machine learning models based on individual vehicle data capable of analyzing driving behavior. It also aims to implement a more accurate road hazard identification model using an ensemble learning strategy. Twenty-two driving safety indicators were derived to characterize vehicle driving behavior from inter-vehicular interaction, longitudinal, and lateral perspectives, based on the data collected from PVD, which provides individual vehicle driving behavior data.Ten of these indicators, which showed significant correlation with traffic accident data, were selected through statistical correlation analysis. The average number of accidents in the analysis section of traffic accident data was used to categorize road sections into hazardous and normal categories, serving as the target variable. The ten statistically significant driving safety indicators were used as explanatory variables. Classification models such as SVM, ANN, and KNN were performed. Ensemble learning, known for enhancing robustness compared to single models, was employed by combining these three models to derive the final model. The accuracy of the model by ensemble learning strategy was 90.8%, showing an improvement of up to 4.8% and at least 2.7% compared to single models. This indicates that ensemble learning strategies can enable more accurate implementation of road hazard identification models for proactive traffic safety management. The methodology of this study is expected to serve as foundational data for implementing models for real-time crash prone road segments identification in environments where real-time data collection and utilization are feasible.

#crash prone road segments detection model #driving safety indicator #machine learning #ensemble learner #proactive traffic safety management #도로 위험 구간 식별 모델 #주행 안전성 평가지표 #머신러닝 #앙상블 학습전략 #선제적 교통안전 관리

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-24-02-089260751

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)