자동차 충돌 심각도 예측을 위한 시공간 그래프 신경망 ST‑GraphNet

초록

본 논문은 텍사스 주 2024년 실제 자동화 차량 사고 2,352건을 활용해, 미세·거시 두 종류의 공간 그래프를 구축하고, 동적 시공간 그래프 신경망(DSTGCN)을 적용한 ST‑GraphNet 모델을 제안한다. H3 기반 거시 그래프에 DSTGCN을 적용했을 때 테스트 정확도가 97.74%에 달해, 미세 그래프(64.7%)보다 현저히 우수함을 보인다. 텍스트 내러티브를 Sentence‑BERT로 임베딩하고, 차량 자동화 수준·시간·위치 등 다중 모달 특성을 결합한 것이 핵심 성과이다.

상세 분석

ST‑GraphNet 논문은 자동화 차량(AV) 사고의 심각도를 예측하기 위해 두 단계의 그래프 구조를 설계한다. 첫 번째는 개별 사고를 노드로 하는 미세‑그레인 그래프이며, 노드 간 연결은 시간·공간 근접성(예: 500 m·30 min 이내)으로 정의한다. 두 번째는 H3(헥사곤) 기반의 거시‑그레인 그래프로, 동일한 헥사곤 셀에 속한 사고들을 하나의 슈퍼노드로 집계하고, 인접 헥사곤 간에 엣지를 부여한다. 이중 그래프 설계는 데이터 희소성을 완화하고, 지역 수준 위험 패턴을 포착한다는 점에서 의미가 크다.

특징 엔지니어링 측면에서 저자들은 구조화된 변수(위치, 시간, SAE 자동화 레벨, 기상·도로 특성)와 비구조화된 변수(사고 서술 텍스트)를 결합한다. 텍스트는 사전학습된 Sentence‑BERT 모델을 이용해 768‑차원 임베딩으로 변환하고, 이를 다른 특성과 concatenate한 뒤, 정규화와 차원 축소(PCA) 과정을 거쳐 최종 노드 피처를 만든다. 이렇게 다중 모달 피처를 통합함으로써, 전통적인 교통 사고 모델이 놓치기 쉬운 ‘인간‑기계 상호작용’·‘상황 인식’ 정보를 그래프 학습에 반영한다.

모델 아키텍처는 GCN, GAT, DSTGCN 등 세 가지 변형을 비교한다. 특히 DSTGCN은 시간 축에 동적 인접 행렬을 학습해, 교통 흐름 변화와 같은 비정상적 패턴을 실시간으로 반영한다. 실험 결과, 거시‑H3 그래프에 DSTGCN을 적용했을 때 테스트 정확도 97.74%를 기록했으며, 이는 미세‑그래프에서 동일 모델을 적용했을 때 64.7%에 불과한 것과 큰 격차를 보인다. 이는 (1) 공간 집계가 노이즈를 감소시키고, (2) 동적 메시지 전달이 시계열 상관관계를 효과적으로 포착한다는 점을 시사한다.

또한, 저자들은 모델 해석을 위해 attention weight와 gradient‑based importance score를 시각화했다. 결과는 고속도로 교차로, 낮은 자동화 레벨(SAE 1‑2), 그리고 ‘속도 제어 실패’와 같은 텍스트 키워드가 높은 위험도와 강하게 연관됨을 보여준다. 이러한 해석 가능성은 실제 교통 정책 입안 및 AV 시스템 설계에 직접 활용될 수 있다.

한계점으로는 데이터가 텍사스 주에 국한돼 지역 일반화가 검증되지 않았으며, 클래스 불균형을 언더샘플링으로 해결한 점이 모델의 실제 적용 가능성을 낮출 수 있다. 또한, H3 셀 크기 선택이 성능에 미치는 영향에 대한 민감도 분석이 부족하다. 향후 연구에서는 다지역 데이터와 멀티‑스케일 그래프(예: 도로 구간‑헥사곤‑시/군) 결합, 그리고 강화학습 기반 위험 경고 시스템으로 확장하는 방안을 제시한다.