머신러닝 기반 전국 교통사고 심각도 예측모형 개발 및 사고요인 분석
Development of a Model for Predicting the Severity of Traffic Accidents and Analysis of Accident Factors based on Machine Learning
3
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
교통사고는 연간 처리비용이 GDP의 1.2%에 달할 정도로 사회적 비용이 클 뿐 아니라, 피해자에게 큰 후유증을 남기는 문제이므로 교통사고예방 및 심각도 감소를 위한 연구는 중요하다. 교통사고 발생 시 교통사고 등급을 예측하고 사고 처리를 위한 정보를 제공한다면 사고처리 비용을절감할 수 있다. 하지만 교통사고 등급 예측을 위한 기존 연구는 대부분 낮은 예측 정확도와 단일 지역을 대상으로 연구를 수행하여 전 지역 특성을반영한 전국 모델 개발에 대해 고려하지 않은 한계가 있었다. 본 연구에서는 한국 도로 교통 공단의 2022년에서 2023년까지의 데이터를 수집하여,사전 EDA 과정에서 다중공선성(VIF) 가능성이 있는 변수에 대해 전처리를 수행하였으며, 독립변수에 대해선 Min Max Scaling, One Hot Encoding과정을 거쳐 정규화를 진행하고, XGBoost, KNN, Random Forest, SVM, FCNN, DNN 모델을 적용하여 성능을 비교하였다. 실험 결과, RandomForest가 가장 우수한 성능을 보였으며, 5 Fold 교차 검증과 하이퍼 파라미터 최적화 과정을 거쳐 전국모델의 성능을 정확도 79.13%로 향상시켰다. 심각도 등급에 영향을 주는 사고요인간 변수 중요도에 차이가 있음을 규명하여, 교통사고 예방과 감소에 기여할 수 있도록 맞춤형 정책을 제안하였다.
Abstract
Traffic accidents pose significant societal costs and long-term impacts on victims, making research on prevention and severity reductioncrucial. Accurate prediction of accident severity classes can provide valuable information for emergency response and reduce accidenthandling costs. Previous research on traffic accident severity prediction has been limited by its focus on single geographic areas andrelatively low prediction accuracy. This study analyzed data from the Korea Expressway Corporation spanning 2022-2023, performinginitial exploratory data analysis (EDA) and addressing multicollinearity through Variance Inflation Factor (VIF) analysis. Independentvariables were normalized using Min-Max scaling and One-Hot encoding. The study compared the performance of multiple models:XGBoost, K-Nearest Neighbors (KNN), Random Forest, Support Vector Machine (SVM), Fully Connected Neural Network (FCNN), and DeepNeural Network (DNN). Random Forest emerged as the best-performing model, achieving 79.13% accuracy for the nationwide modelthrough 5-fold cross-validation and hyperparameter optimization. By identifying the relative importance of various accident factorsaffecting severity levels, this study proposes customized policies to contribute to traffic accident prevention and severity reduction.