운전자의 가속 행동 통계와 이중 파레토 확률 모델

초록

본 연구는 자연주의 운전 데이터를 활용해 운전자의 종·횡 가속 행동을 분석하고, 데이터 규모의 충분성을 커널 밀도 추정과 Kullback‑Leibler(KL) 발산으로 검증하였다. 수렴된 데이터셋을 기반으로 이중 가속도 분포가 사각형 형태임을 확인하고, 이를 설명하기 위해 두 가지 확률 모델을 제안하였다. 실증 결과 종·횡 가속도 모두 파레토 분포와 유사하며, 속도가 증가할수록 급제동·가속·조향 강도가 처음에는 상승하고 이후 감소하는 특성을 보였다. 이러한 특성은 사각형 형태의 이중 파레토 분포 모델이 운전자의 가속 행동을 효과적으로 기술한다는 결론을 뒷받침한다.

상세 분석

본 논문은 운전자의 가속 행동을 정량화하기 위해 대규모 자연주의 주행 데이터베이스를 이용하였다. 첫 단계에서는 데이터베이스의 충분성을 판단하기 위해 커널 밀도 추정(KDE)을 적용해 확률밀도 함수를 추정하고, 샘플 크기를 단계적으로 증가시키면서 각 단계의 KDE와 최종 KDE 간 KL 발산값을 계산하였다. KL 발산이 일정 임계값 이하로 수렴하는 지점을 데이터 규모의 최소 요구량으로 정의함으로써, 통계적 신뢰성을 확보하였다.

수렴된 데이터셋을 바탕으로 종축(Longitudinal)과 횡축(Lateral) 가속도의 이중 확률분포를 2차원 히스토그램 및 등고선 형태로 시각화하였다. 결과는 원형이 아닌 사각형(Quadrangle) 형태를 보였으며, 이는 가속·감속·조향 세 가지 주요 운전 조작이 서로 독립적이면서도 일정 범위 내에서 상호 제한을 받는 구조를 반영한다.

이러한 분포 형태를 설명하기 위해 두 가지 확률 모델을 제안하였다. 첫 번째는 기존의 다변량 정규분포 기반 혼합 모델(Mixture of Gaussians)이며, 두 번째는 이중 파레토 분포(Bivariate Pareto) 모델이다. 두 모델 모두 최대우도 추정(MLE)과 베이지안 정보 기준(BIC)을 이용해 파라미터를 추정하고, 교차 검증을 통해 예측 성능을 비교하였다.

실험 결과, 이중 파레토 모델이 데이터 적합도(R²)와 정보 기준(BIC) 모두에서 우수함을 보였다. 특히 종·횡 가속도의 주변분포가 각각 Pareto 형태를 따르는 점을 확인했으며, 이는 ‘극단값(heavy‑tail)’ 특성이 운전 행동에 내재함을 의미한다. 또한 속도 구간별로 가속·감속·조향 강도의 평균값을 분석한 결과, 저속 구간에서는 급제동·가속·조향이 빈번하고 강도가 높으며, 속도가 증가함에 따라 이러한 강도가 점진적으로 감소하는 ‘강도‑속도 역전 현상’이 관찰되었다. 이는 운전자가 고속 주행 시 안정성을 위해 조작 강도를 제한하는 인간‑차량 상호작용 메커니즘을 시사한다.

이러한 통계적 특성은 ADAS(Advanced Driver‑Assistance Systems) 및 자율주행 제어 알고리즘 설계 시, 운전자의 자연스러운 가속·감속·조향 패턴을 모델링하는 데 유용한 기반이 된다. 특히 이중 파레토 모델은 ‘극단 상황’에서 발생할 수 있는 급격한 가속·감속을 적절히 포착하므로, 위험 상황 예측 및 회피 전략에 적용 가능성이 높다.