궤적 불확실성을 반영한 딥러닝 모델 기반 복합 이벤트 교차로 위험 예측 및 핫스팟 시각화 기법에 관한 연구
A Study on a Deep Learning Model-based Method for Complex Event Intersection Risk Prediction and Hotspot Visualization Considering Trajectory Uncertainty
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 다양한 교통 주체가 동시에 상호작용하고 불확실성이 높은 도시 교차로 환경에서, 복합 이벤트 기반 충돌 위험 예측 프레임워크를제안한다. 기존의 단일 예측값 또는 단일 신호 중심 방법론과 달리, 본 방법은 급정지, 차선 변경, 근접주행 등 주요 위험 행동, TTC⋅PET과 같은정량 지표, 그리고 예측 신뢰구간 중첩(IoU)을 통합적으로 결합하여 위험을 평가한다. 분석은 DRIFT 데이터셋의 site A, B, C 세 개의 실제 교차로데이터셋에서 추출된 다중 차량 궤적을 기반으로 하였으며, 위험 점수는 정규화⋅시각화되어 각 지점을 4단계 등급으로 분류하였다. 실증 결과,고위험 hotspot은 합류부⋅교차부⋅병목 구간 등 특정 영역에 뚜렷하게 집중되며, 복합 이벤트가 빈번⋅반복적으로 발생하는 곳에서 위험 점수가급격히 누적됨을 확인하였다. 복합 신호 조합 기준은 기존 단일 기준 대비 정밀도⋅F1-score를 대폭 개선해, 실시간 위험 모니터링과 정책적 개입타깃 대상으로서 실효성을 입증하였다. 다만, 위험 이벤트 점수 부여의 가중치가 경험적 기준에 의존한 한계가 있어, 향후 실제 사고 통계와 도메인전문성에 기반한 추가 보정이 필요하다. 본 프레임워크는 과학적 교차로 안전 평가와 선제적 교통관리, 자율주행 시스템 개발에 활용될 수 있는실질적 근거를 제시한다.
Abstract
This study proposes a composite event-based collision risk prediction framework for complex, high-uncertainty urban intersectionsinvolving multiple interacting road users. Unlike conventional approaches based on single-point estimates or isolated risk signals, theproposed method integrates major unsafe behaviors (sudden braking, lane changing, close following), quantitative risk indices (TTC, PET),and overlap of predicted uncertainty intervals (IoU) to assess risk. The analysis leverages multi-vehicle trajectories extracted from threereal intersections (Sites A, B, C) in the DRIFT dataset, with risk scores normalized and visualized spatially, and each location classifiedinto four risk levels. Empirical results show that high-risk hotspots are strongly concentrated at specific locations—merging zones,crossings, and bottlenecks—where composite events frequently and repeatedly occur, resulting in rapid risk accumulation. Thecomposite signal criteria substantially improve precision and F1-score over traditional single-feature approaches, validating practical utilityfor real-time risk monitoring and targeted intervention. However, a limitation is that event score weighting currently relies on heuristics;future studies should calibrate using accident statistics and domain expertise. This framework provides actionable support for scientificintersection.