고속도로 사고 사전 탐지를 위한 차량 궤적 기반 실시간 머신러닝 모델

초록

본 연구는 GPS 기반 차량 궤적 데이터를 활용해 I-10 고속도로에서 사고 발생 전후의 차량 움직임을 분석하고, 로지스틱 회귀, 랜덤 포레스트, XGBoost, 인공신경망 등 네 가지 머신러닝 알고리즘을 비교한다. 불균형 데이터 문제를 SMOTE로 보완하고, 가상 검지기를 도입해 공간적 일관성을 확보하였다. 실험 결과 랜덤 포레스트가 가장 높은 재현율과 판별력을 보이며, 실시간으로 하류 구간 사고 가능성을 예측하는 데 유망함을 확인했다.

상세 분석

이 논문은 차량 연결성 데이터가 기존 루프 검지기보다 제공할 수 있는 미세한 운전 행동 정보를 활용해 사고 조기 경보 시스템을 설계하고자 한다. 데이터는 2021년 허리케인 ‘아이다’ 대피 기간 동안 루이지애나 주 I‑10 구간에서 수집된 3일간의 GPS 궤적(135,204대)과 RITIS 사고 데이터(256건)를 사용한다. 주요 기술적 흐름은 다음과 같다.

1. 데이터 정제 및 트립 분리: I‑10 구간 외 좌표를 제거하고, 연속된 GPS 포인트 사이 간격이 15분을 초과하면 새로운 트립으로 간주해 전체 트립을 11,674개로 축소하였다. 이동 방향은 모빌리티 각도로 추정해 동·서향 트립을 구분했다.

2. 가상 검지기(Virtual Detector) 구축: 1/16마일(≈110 m) 간격으로 가상 검지기를 배치해 각 트립을 검지기 기반 시계열로 변환하였다. 이를 통해 속도, 속도 표준편차, 헤딩 각 등 정량적 특성을 동일한 공간 단위에 매핑함으로써 비균일한 샘플링 간격을 보정하고, 피크/오프피크 구간을 별도 변수로 포함시켰다.

3. 기상 데이터 통합: 기상청 자료를 연계해 강수 여부를 이진 변수로 추가, 악천후가 사고 위험에 미치는 영향을 모델에 반영하였다.

4. 사고‑트립 매칭: 각 사고에 가장 가까운 가상 검지기를 사건 검지기(event detector)로 지정하고, 해당 검지기를 통과한 트립을 사고와 연결시켰다. 시간적 윈도우는 사고 발생 시점 전후 2분 이내로 설정해 실제 운전자가 사고 구간을 통과했는지를 판단하였다.

5. 불균형 처리: 사고 트립(양성)과 비사고 트립(음성)의 비율이 크게 차이나는 문제를 SMOTE 기법으로 보완하여 1:4 비율을 목표로 합성 샘플을 생성하였다.

6. 모델링: 로지스틱 회귀(LR), 랜덤 포레스트(RF), XGBoost(XGB), 인공신경망(ANN) 네 가지 분류기를 학습시켰으며, 5‑fold 교차검증을 통해 정확도, 재현율, F1-score, AUC 등 다중 지표를 평가했다.

7. 결과 해석: RF가 평균 재현율 0.78, AUC 0.84 등 가장 우수한 성능을 보였으며, 변수 중요도 분석에서 ‘피크 구간 평균 속도’, ‘속도 표준편차’, ‘헤딩 각 변화량’이 사고 예측에 핵심적인 역할을 함을 확인했다. ANN은 과적합 경향이 있었고, XGB는 성능이 RF에 근접했지만 학습 시간과 파라미터 튜닝 복잡도가 높았다.

8. 실시간 적용 가능성: 가상 검지기 기반 데이터 구조는 스트리밍 환경에서도 실시간으로 업데이트 가능하며, RF 모델은 비교적 경량이라 현장 교통 관리센터에 배치하기에 적합하다.

핵심 인사이트

• 저주파(≤30 s) GPS 데이터라도 가상 검지기로 재구성하면 공간적 일관성을 확보하고, 실시간 사고 위험을 효과적으로 추정할 수 있다.
• 사고 전후 2분이라는 짧은 시간 윈도우가 충분히 사고와 연관된 트립을 포착함을 보여, 조기 경보 시스템의 반응 시간을 크게 단축할 수 있다.
• 변수 중요도 분석을 통해 속도 변동성과 헤딩 각 변화가 사고 전조 신호임을 확인, 향후 센서 설계 시 해당 특성을 강조하면 탐지 정확도를 높일 수 있다.
• SMOTE 기반 데이터 증강이 불균형 문제를 완화했으며, 실제 운영 단계에서는 온라인 학습과 함께 지속적인 데이터 리밸런싱이 필요하다.