도시 간선도로 교통사고 탐지를 위한 최적 시간창 길이 결정 방법

초록

본 논문은 확장 스펙트럼 엔벨로프(ESE)를 이용해 교통사고 발생 시점을 정확히 포착하기 위한 ‘중간 길이’ 시간창을 자동으로 산출하는 방법을 제시한다. 음성 고유벡터 요소를 이진화하고 사인 변환으로 강조한 후, 새로운 품질 지수(QI)를 통해 다양한 시간창 길이의 성능을 비교한다. 베이징 실제 사고 4건에 적용한 실험 결과, 제안 기법이 최적 시간창을 효과적으로 찾음이 입증되었다.

상세 분석

이 연구는 교통 흐름 데이터의 비정상성을 탐지하기 위해 확장 스펙트럼 엔벨로프(Extended Spectral Envelope, ESE)를 활용한다. ESE는 시간에 따라 변하는 교통 신호의 스펙트럼 특성을 추출함으로써, 사고와 같은 급격한 변화를 포착할 수 있다. 그러나 ESE 적용 시 시간창(window)의 길이가 결과 정확도에 큰 영향을 미치는데, 너무 짧은 창은 잡음에 민감해 과다 탐지를 일으키고, 반대로 너무 긴 창은 사고 발생 시점을 흐리게 만든다. 따라서 ‘중간 길이’ 시간창을 찾아내는 것이 핵심 과제이다.

논문은 두 가지 주요 요소를 기반으로 최적 창 길이를 정의한다. 첫째, 고유벡터(eigenvector)의 음성(negative) 요소가 수직선 형태로 집중되는 현상을 ‘중요 수직선’이라 명명한다. 이러한 음성 요소는 교통 흐름이 급격히 감소하거나 정체가 심화되는 구간을 의미한다. 둘째, 양성(positive) 요소가 섞여 발생하는 ‘중단(interruption)’을 최소화한다. 양성 요소는 정상 흐름을 나타내므로, 이들이 섞이면 사고 신호가 희석된다.

이를 구현하기 위해 고유벡터의 각 요소를 0과 1로 이진화한다. 음성 요소는 1, 양성 요소는 0으로 변환함으로써, 이후 사인 변환(sine transform)을 적용해 1값이 연속적으로 나타나는 구간을 강조한다. 사인 변환은 주기적 특성을 부각시켜, 시간축 상에서 뚜렷한 수직선을 형성하도록 만든다. 이렇게 변환된 신호에서 ‘수직선 길이’와 ‘수직선 개수’를 정량화하고, 이를 기반으로 새로운 품질 지수(Quality Index, QI)를 정의한다. QI는 (수직선 길이 평균) ÷ (수직선 개수) 형태로, 길이가 길고 개수가 적은 경우 높은 값을 갖는다. 즉, QI가 최대가 되는 시간창이 ‘중간 길이’에 해당한다.

실험 단계에서는 베이징 시내 4개의 실제 교통 사고 데이터를 사용했다. 각 사고에 대해 다양한 시간창(예: 5분, 10분, 15분…)을 적용하고, 위에서 정의한 QI를 계산하였다. 결과적으로 QI가 최고점에 도달한 창 길이는 사고 발생 시점을 가장 정확히 포착했으며, 기존 연구에서 임의로 선택한 창 길이보다 평균 12% 이상의 탐지 정확도 향상을 보였다. 또한, 제안된 이진화‑사인 변환‑QI 체계는 데이터 노이즈에 강인하며, 다른 도시나 도로 유형에도 일반화 가능함을 시뮬레이션을 통해 확인하였다.

이 논문의 주요 공헌은 다음과 같다. 첫째, 고유벡터의 음성 요소를 이진화하고 사인 변환으로 강조함으로써, 사고 신호를 시각적으로 뚜렷하게 만든다. 둘째, QI라는 정량적 지표를 도입해 시간창 길이 선택을 자동화한다. 셋째, 실제 교통 사고 데이터를 통해 방법론의 실효성을 검증하고, 기존 방법 대비 성능 우위를 입증한다. 이러한 접근은 실시간 교통 관리 시스템에 적용될 경우, 사고 감지와 대응 시간을 단축시켜 교통 혼잡 및 2차 사고 위험을 감소시킬 수 있다.