실시간 2차 사고 위험 예측을 위한 사후 특성 배제 하이브리드 모델

초록

본 연구는 사고 후 유형·심각도 등 실시간으로 확보하기 어려운 사후 특성을 배제하고, 교통 흐름·기상·도로 기하 정보를 활용한 동적 시공간 윈도우를 통해 1차 사고 발생 시점부터 상류 구간까지의 데이터를 추출한다. 1차 사고 예측 모델과 2개의 2차 사고 예측 모델을 각각 6개 머신러닝 알고리즘(예: XGBoost, Random Forest, CNN 등)으로 앙상블하고, 투표 기반 메커니즘으로 최종 위험도를 산출한다. 플로리다 고속도로 데이터를 이용한 실험에서 91%의 2차 사고를 정확히 탐지하고 오경보율 0.20, 전체 AUC 0.952를 달성하였다.

상세 분석

이 논문은 기존 2차 사고 예측 연구가 사후 정보(사고 유형, 심각도, 지속시간 등)에 과도하게 의존해 실시간 적용이 어려운 점을 정확히 지적하고, 이를 해결하기 위한 구조적 접근을 제시한다. 핵심은 ‘동적 시공간 윈도우’를 설계해 1차 사고 위치와 그 상류 구간의 교통 흐름(속도, 점유율, 차량량), 환경(날씨, 가시거리) 및 도로 기하(차선 수, 제한 속도 등) 데이터를 실시간으로 추출한다는 점이다. 이렇게 확보한 특성은 사후 정보와 무관하므로 교통 관리센터에서 즉시 활용 가능하다.

모델 구성은 세 단계로 나뉜다. 첫 번째 ‘1차 사고 모델’은 1차 사고 자체가 2차 사고를 유발할 확률을 예측한다. 두 번째와 세 번째 모델(모델 1, 모델 2)은 각각 ‘2차 사고 발생 전 교통 상황 vs. 2차 사고가 없는 일반 사고 상황’과 ‘2차 사고 발생 전 교통 상황 vs. 사고가 전혀 없는 정상 상황’이라는 두 비교 시나리오를 설정한다. 이러한 이중 비교는 교통 혼잡·충격파 등 동적 요인이 2차 사고를 촉발하는 메커니즘을 보다 정밀하게 포착한다.

각 모델에 대해 6개의 머신러닝 알고리즘을 독립적으로 학습시킨 뒤, 다수결 투표 방식으로 최종 예측값을 도출한다. 앙상블 전략은 개별 모델의 편향을 상쇄하고, 데이터 불균형(2차 사고는 전체 사고의 1~2%에 불과)으로 인한 과적합 위험을 감소시킨다. 실험 결과, 개별 모델의 AUC가 0.654, 0.744, 0.902에 머물렀던 반면, 하이브리드 앙상블은 0.952까지 끌어올렸다. 이는 특히 낮은 오경보율(0.20)과 높은 재현율(91%)을 동시에 달성함으로써, 실제 교통 운영에서의 적용 가능성을 크게 높인다.

또한, 데이터 전처리 단계에서 5분 평균으로 집계한 마이크로파 차량 검출기(MVDS) 데이터를 사용하고, 속도 등고선 플롯 기법을 통해 2차 사고 구간을 동적으로 정의한 점은 연구의 실용성을 강화한다. 그러나 모델의 일반화 가능성을 검증하기 위해 다른 주·국가의 데이터셋에 대한 테스트가 부족하다는 점, 그리고 실시간 시스템 구현 시 데이터 전송·처리 지연을 고려한 시스템 아키텍처 설계가 추가로 필요하다는 한계도 존재한다. 전반적으로, 사후 특성을 배제하고 실시간 교통·환경 정보를 중심으로 한 다중 모델 앙상블 구조는 2차 사고 예방을 위한 능동형 교통 관리에 중요한 전진을 제공한다.