교통사고 예측을 위한 다중모달 임베딩 학습과 인과 추정

초록

본 논문은 도로 네트워크와 위성 영상을 결합한 대규모 다중모달 데이터셋을 구축하고, 그래프 신경망과 비전 트랜스포머 기반의 임베딩을 융합한 모델을 제안한다. 제안 모델은 AUROC 90.1%를 달성해 기존 그래프 전용 모델보다 3.7% 향상되었으며, 학습된 임베딩을 활용한 매칭 추정법으로 강수량, 고속도로, 계절성 등이 사고 발생에 미치는 인과 효과를 정량화한다.

상세 분석

이 연구는 교통 사고 위험 예측에 시각적 정보와 구조적 정보를 동시에 활용한다는 점에서 기존 GNN 기반 접근법을 크게 확장한다. 데이터 수집 단계에서 저자들은 6개 주(Delaware, Massachusetts, Maryland, Nevada, Montana, Iowa)의 도로 네트워크를 OpenStreetMap에서 추출하고, 각 노드를 1024×1024 해상도의 위성 이미지와 정렬하였다. 총 1백만 장 이상의 이미지와 9백만 건 이상의 사고 기록, 기상·교통량 등 부가적인 메타데이터를 포함한 데이터셋은 현재 공개된 교통 사고 데이터 중 가장 규모가 크다.

모델 설계는 두 가지 임베딩 흐름으로 구성된다. 첫째, 메시지 패싱 기반 GNN(예: GraphSAGE, GAT)을 이용해 노드와 엣지의 구조적·동적 특성을 학습한다. 둘째, Vision Transformer(ViT)를 통해 위성 이미지에서 도로 폭, 차선 수, 주변 토지 이용 등 고차원 시각 특징을 추출한다. 저자들은 단순 연결(concatenation)보다 효과적인 융합을 위해 (1) 교차‑어텐션 기반 멀티모달 어그리게이터, (2) 메타‑학습을 통한 가중치 조정, (3) 레이어 정규화와 잔차 연결을 결합한 하이브리드 구조를 실험하였다. 실험 결과, 이미지 특징을 포함했을 때 AUROC가 90.1%에 도달했으며, 이미지만 제외하면 86.6%로 급격히 감소한다는 점에서 시각 정보의 중요성이 입증된다.

인과 분석에서는 학습된 다중모달 임베딩을 매칭 추정기의 기준 변수로 활용한다. 처리군(예: 강수량 상위 25% 구간)과 대조군을 임베딩 공간에서 최근접 이웃 매칭하고, 평균 처리 효과(ATT)를 계산하였다. 결과는 강수량 증가 시 사고율이 24.2% 상승, 고속도로 구간에서는 21.9% 상승, 계절적 변동(여름 대비 겨울)에서는 28.6% 상승한다는 것을 보여준다. 또한, propensity score 매칭(PSM)과 double‑robust(DR) 추정에서도 유사한 효과 크기가 확인돼 결과의 견고성을 확보한다.

한계점으로는 위성 이미지가 정적이며, 계절·날씨 변화에 따른 실시간 이미지 업데이트가 부족하다는 점, 그리고 매칭 추정이 잠재적 교란 변수에 완전히 민감하지 않을 수 있다는 점을 들 수 있다. 향후 연구에서는 시계열 위성 영상과 차량 센서 데이터를 결합해 동적 위험 평가를 수행하고, 인과 그래프 모델을 도입해 복합적인 교차 효과를 정밀히 추정하는 방향이 제시된다.