뉴욕주 교통 카메라와 기상 데이터 기반 도로 표면 상태 자동 분류 모델

초록

본 연구는 뉴욕주 교통청(NYSDOT)의 2,400여 대 교통 카메라와 HRRR 기상 예보 데이터를 활용해, 6가지 도로 표면 상태(심한 눈, 눈, 젖음, 건조, 시야 불량, 차단)를 자동으로 분류하는 머신러닝 파이프라인을 구축하였다. 22,000여 장의 손수 라벨링된 이미지와 45개 카메라 사이트를 기반으로 CNN과 랜덤 포레스트(RF)를 결합한 2단계 모델을 학습시켰으며, 전혀 보지 못한 카메라에 대해 81.5% 정확도를 달성하였다. 모델 설계 단계에서 NYSDOT와의 공동 설계(co‑design)를 적용해 실제 운영 환경에 적합한 일반화 성능과 저품질 이미지 처리 능력을 강조하였다.

상세 분석

이 논문은 도로 유지·관리와 겨울철 교통 안전을 지원하기 위해, 기존의 수동 관측 방식과 비교해 실시간·고해상도 이미지 기반 자동 판단 체계를 제시한다는 점에서 실용적 의의가 크다. 데이터 측면에서 가장 눈에 띄는 점은 45개 사이트에서 골고루 추출한 21,653장의 이미지와, 각 이미지에 대응하는 HRRR 2시간 전 예보 변수 6종(기온, 습도, 풍속, 적설량, 강수량, 구름량)을 결합했다는 것이다. 특히 저품질(조명 부족·거리 멀음) 이미지까지 포함해 라벨링 신뢰성을 확보했으며, 라벨러 간 독립적 코딩 테스트를 통해 일관성을 검증한 점은 데이터 신뢰도를 높인다.

모델 구조는 두 단계로 나뉜다. 첫 번째 단계는 이미지 전용 CNN(구체적인 아키텍처는 논문에 명시되지 않았지만, 전형적인 ResNet‑50 기반으로 추정)으로 5가지 기상 관련 클래스(심한 눈, 눈, 젖음, 건조, 시야 불량)의 확률 분포를 추출한다. 두 번째 단계에서는 이 확률과 HRRR 기상 변수 6개를 입력으로 하는 랜덤 포레스트(RF) 분류기를 학습시켜 최종 클래스를 결정한다. 이렇게 이미지와 기상 데이터를 결합함으로써, 순수 이미지 기반 모델 대비 +12.1%의 정확도 향상을 보고하였다. 차단(Obstructed) 여부는 별도의 CNN으로 이진 분류하고, 이는 기상 변수와 무관하게 전처리 단계에서 활용된다.

일반화 검증을 위해 ‘site‑specific split’ 방식을 적용, 훈련·검증·테스트에 동일 카메라 사이트가 겹치지 않도록 데이터를 분할하였다. 이는 실제 운영 시 새로운 카메라에 대한 성능을 미리 추정할 수 있게 해준다. 결과적으로 전혀 보지 못한 카메라에 대해 81.5% 정확도를 달성했으며, 클래스별 정밀도·재현율을 상세히 제시해 불균형 데이터 문제를 완화했다. 또한, 기존 연구와 비교했을 때, 6가지 클래스를 모두 포함하고 저품질 이미지를 고려한 점이 차별화된다.

공동 설계(co‑design) 접근법도 중요한 기여 중 하나다. NYSDOT 담당자와 지속적인 피드백 루프를 구축해 라벨링 기준, 모델 출력 형식, 배포 주기 등을 현장 요구에 맞게 조정하였다. 이는 모델 신뢰성(Bostrom et al., 2023)과 운영 수용성을 동시에 확보하는 전략으로 평가된다. 다만, 논문에서는 CNN 아키텍처와 하이퍼파라미터, RF 트리 수 등에 대한 상세 설명이 부족해 재현 가능성에 약간의 한계가 있다. 또한, 2시간 전 기상 예보에 의존하는 점은 급격한 기상 변동이 발생할 경우 성능 저하 가능성을 내포한다.

향후 연구 방향으로는 (1) 실시간 스트리밍 파이프라인 구축, (2) 더 다양한 기상 변수와 시계열 모델(LSTM 등) 통합, (3) 다른 주·연방 교통기관 데이터와의 전이 학습, (4) 모델 설명가능성 기법을 적용해 의사결정 지원 수준을 높이는 방안이 제시된다. 전반적으로, 데이터 수집·라벨링부터 모델 설계·검증까지 운영 관점에서 일관된 흐름을 유지한 점이 본 연구의 가장 큰 강점이다.