본문 바로가기
KERD
논문KCI 등재

앙상블 학습기법을 활용한 보행자 교통사고 심각도 분류: 대전시 사례를 중심으로

Classifying the severity of pedestrian accidents using ensemble machine learning algorithms: A case study of Daejeon City

노명규|강흥식
한국디지털정책학회 (The Society of Digital Policy & Management)|2022.05|디지털융복합연구 (Journal of Digital Convergence)|제20권 제5호|pp. 39-46|DOI https://doi.org/10.14400/JDC.2022.20.5.039

2

조회

0

다운로드

7

인용

0

참고문헌

키워드

랜덤 포레스트아다부스트AdaBoost보행자 교통사고대전시Daejeon cityRandom Forests앙상블 기계학습사고 심각도 분류Pedestrian crashesCrash severity classificationEnsemble machine learning

초록

교통사고와 사회·경제적 손실 간의 연계성이 확인됨에 따라 사고 데이터에 기반을 둔 안전 정책 마련 및 중상․사망 등 그 심각도가 높은 교통사고의 절감 방안의 필요성이 제기되고 있다. 본 연구에서는 인구 대비 교통사고 사망자 비율이 높은 대전시를 대상지역으로 설정하고 보행자 교통사고 데이터를 수집한 후, 기계학습을 통해 최적알고리즘과 심각도 분류의 주요 인자를 도출하였다. 연구의 결과에 따르면, 적용한 9개 알고리즘 중 앙상블 기반의 학습 기법인 AdaBoost (Adaptive Boosting)와 RF (Random Forest)가 최적의 성능을 보여주었다. 이를 기반으로 도출된 대전시 보행자 교통사고 심각도의 주요 인자는 보행자의 연령이 70대 및 20대이거나 사고유형이 횡단사고에 의한 경우로 나타남에 따라 대전시 보행자 사고 저감 대책을 위한 고려요인으로 제안하였다.

Abstract

As the link between traffic accidents and social and economic losses has been confirmed, there is a growing interest in developing safety policies based on crash data and a need for countermeasures to reduce severe crash outcomes such as severe injuries and fatalities. In this study, we select Daejeon city where the relative proportion of fatal crashes is high, as a case study region and focus on the severity of pedestrian crashes. After a series of data manipulation process, we run machine learning algorithms for the optimal model selection and variable identification. Of nine algorithms applied, AdaBoost and Random Forest (ensemble based ones) outperform others in terms of performance metrics. Based on the results, we identify major influential factors (i.e., the age of pedestrian as 70s or 20s, pedestrian crossing) on pedestrian crashes in Daejeon, and suggest them as measures for reducing severe outcomes.

참고문헌 (31)

  1. ITF Author, "Road Safety Annual Report", International Transport Forum (2020)[DOI]
  2. "Comparison of traffic accidents in OECD member countries in 2018. Traffic Accidents Statistical Report" (2020)[URL]
  3. "Characteristics of Pedestrian Traffic Accidents and Reduction Plans" (2020)[URL]
  4. "Half of the fatalities in road accidents. Daejeon City invested KRW 100 billion" (2020)[URL]
  6. 최형구, "Bayesian analysis for the bivariate Poisson regression model: Applications to road safety countermeasures", 한국데이터정보과학회지, 23(4), pp.851~858 (2012), 한국데이터정보과학회[DOI]
  7. 정재풍, "교통사고건수에 대한 포아송 회귀와 음이항 회귀모형 적합", Journal of The Korean Data Analysis Society, 16(1), pp.165~172 (2014), 한국자료분석학회
  8. 김용대, "빅데이터와 통계학", 한국데이터정보과학회지, 24(5), pp.959~974 (2013), 한국데이터정보과학회[DOI]
  9. 이수은, "다중 스태킹을 가진 새로운 앙상블 학습 기법", 한국전자거래학회지, 25(3), pp.1~13 (2020), 한국전자거래학회[DOI]
  10. 김승훈, "머신러닝 기반의 수도권 지역 고령운전자 차대사람 사고심각도 분류 연구", 디지털융복합연구, 19(4), pp.25~31 (2021), 한국디지털정책학회[DOI]
  11. Hints, "Classification and regression trees", International Journal of Public Health, 57, pp.243~246 (2012)
  12. L. Breiman, "Subjects Mathematics &Statistics" (2017)
  13. Z. Liu, "Efficient Feature Selection and Multiclass Classification with Integrated Instance and Model Based Learning", Evol Bioinform Online, 8, pp.97~205 (2012)[DOI]
  14. M. Biehl1, "Distance measures for prototype based classification", International Workshop on Brain-Inspired Computing, pp.100~116 (2013)
  15. 고창완, "차대차 교통사고에 대한 상해 심각도 예측 연구", 한국ITS학회 논문지, 19(4), pp.13~29 (2020), 한국ITS학회[DOI]
  16. M. Kuhn, "Applied predictive Modeling" (2013), Springer New York Heidelberg
  17. Support Vector Machines for Classification and Regression, "S. R. Gunn", UNIVERSITY OF SOUTHAMPTON, ~ (1998)
  18. X. Gu, "Traffic fatalities prediction using support vector machine with hybrid particle swarm optimization", Journal of Algorithms and Computational Technology, 12(1), pp.20~29 (2018)[DOI]
  19. N. Cristianini, "An introduction to support vector machines and other kernel-based learning methods" (2000), Cambridge University Press
  20. G. Brown, "Ensemble Learning", Encyclopedia of Machine Learning, 312, pp.15~19 (2010)
  21. Z. H. Zhou, "Ensemble methods: Foundations and algorithms", pp.2012, Chapman and Hall
  22. 김윤정, "스마트 기기의 멀티 모달 로그 데이터를 이용한 사용자 성별 예측 기법 연구", 한국전자거래학회지, 21(1), pp.147~163 (2016), 한국전자거래학회[DOI]
  23. L. Breiman, "Bagging predictors", Machine Learning, 24(2), pp.123~140 (1996)
  24. I. Syarif, "Application of bagging, boosting and stacking to intrusion detection", International Workshop on Machine Learning and Data Mining in Pattern Recognition, 7376(8), pp.593~602 (2012)
  25. P. BartlettR, "Boosting the margin : A new explanation for the effectiveness of voting methods", The annals of statistics, 26(5), pp.1651~1686 (1998)[DOI]
  26. 권철우, "XGBoost를 활용한 이륜자동차 교통사고 심각도 비교분석", 한국ITS학회 논문지, 20(4), pp.1~12 (2021), 한국ITS학회[DOI]
  27. J. Tang, "Crash injury severity analysis using a two-layer Stacking framework", Accident Analysis & Prevention, 122, pp.226~238 (2019)[DOI]
  28. X. Wen, "Applications of machine learning methods in traffic crash severity modelling: current status and future directions", Transport Reviews, 41(6), pp.855~879 (2021)[DOI]
  29. D. Altman, "Diagnostic Tests 3 : Receiver Operating Characteristic Plots", British Medical Journal, 309(6948), pp.188~ (1994)[DOI]
  30. C. D. Brown, "Receiver Operating Characteristics Curves and Related Decision Measures : A Tutorial", Chemometrics and Intelligent Laboratory Systems, 80(1), pp.24~38 (2006)[DOI]
  31. T. Fawcett, "An Introduction to ROC Analysis", Pattern Recognition Letters, 27(8), pp.861~874 (2006)[DOI]

관련 논문AI추천

머신러닝 기반 전국 교통사고 심각도 예측모형 개발 및 사고요인 분석김정혁, 조남욱한국정보처리학회 · 정보처리학회 논문지2025 · 제14권 제2호도로환경 교통사고 상해도 예측을 위한 iGLAD 기반 머신러닝 모델 성능 비교김천호, 김형규, 백세룡, 정승윤, 최용순한국ITS학회 · 한국ITS학회 논문지2024 · 제23권 제6호혼합효과 기계학습모형을 활용한 교통사고 예측 및 요인분석 연구김영웅, 이동우한국교통연구원 · 교통연구2024 · 제31권 제3호기계학습을 활용한 고령운전자 교통사고 분석 및 교통사고 데이터 정책 제언김승훈한국ITS학회 · 한국ITS학회 논문지2022 · 제21권 제5호XGBoost를 활용한 이륜자동차 교통사고 심각도 비교분석권철우, 장현호한국ITS학회 · 한국ITS학회 논문지2021 · 제20권 제4호차대차 교통사고에 대한 상해 심각도 예측 연구고창완, 김재희, 김현민, 정영선한국ITS학회 · 한국ITS학회 논문지2020 · 제19권 제4호

이 간행물의 다른 논문 (101건)

에듀테크 활용에 대한 학교와 기업의 인식차이 분석고은현, 허두영, 계보경, 윤재희, 백송이pp. 1-10장애 노인의 사회서비스 이용이 삶의 만족도에 미치는 영향: 사회적 지지의 조절효과김지영, 임정미pp. 11-21클라우드 서비스의 수용의도에 미치는 영향에 관한 연구경성림, 니에신위pp. 23-29액티브 시니어의 미용서비스 선택속성이 만족도에 미치는 영향 -매장 친숙도의 조절효과를 중심으로-최윤경pp. 31-37액션러닝 적용 간호과정 교육이 비판적 사고성향, 셀프리더십, 자기주도적 학습능력에 미치는 효과이은미, 오윤정pp. 47-52
원문 보기