기하학 인식 근접 사고를 활용한 실시간 도로 구간 위험 예측 그룹화 랜덤 파라미터 GEV 프레임워크

초록

본 연구는 차량·차량(V‑V) 및 차량·인프라(V‑I) 근접 사고를 2차원 시간‑충돌(TTC) 기반으로 정밀 추출하고, 이를 계층적 베이지안 그룹화 랜덤 파라미터 일반화 극값(UGEV) 모델에 결합해 도시 복합 구간의 실시간 충돌 발생 위험(COR)을 추정한다. 아르고버스‑2 고해상도 궤적 데이터를 활용해 28개 구간을 분석했으며, 제안 모델이 고정 파라미터 모델 대비 DIC와 ROC‑AUC에서 유의한 개선을 보였다.

상세 분석

이 논문은 기존 근접 사고 기반 EVT 모델이 갖는 세 가지 한계를 동시에 해결한다. 첫째, 기존 TTC는 차량을 점 혹은 원형으로 단순화해 회전·변곡 구간에서 오차가 크게 발생했지만, 저자는 차량을 실제 길이·폭을 갖는 직사각형 오리엔티드 바운딩 박스로 모델링하고, kinematic bicycle 모델을 이용해 4차 Runge‑Kutta 적분으로 짧은 예측 구간을 시뮬레이션한다. 이를 통해 각 시점마다 차량 코너 좌표를 정확히 계산하고, 차량‑차량 및 차량‑인프라(연석·중앙분리대)와의 거리·접촉 여부를 ε 임계값으로 판단한다. 이러한 기하학‑인식 2D‑TTC는 회전·가속·감속을 모두 반영하므로, 기존 1D‑TTC보다 근접 사고를 과소·과대 평가하는 위험을 크게 감소시킨다.

둘째, 모델링 차원에서 저자는 일반화 극값(Generalized Extreme Value, GEV) 분포의 블록 최대값(Block Maxima) 방식을 채택한다. 블록 길이를 5초 내외로 설정해 실시간 적용성을 확보하고, 임계값 선택에 대한 민감도를 최소화한다. 기존 연구가 주로 고정 파라미터 GEV를 사용해 지역 간 이질성을 무시했지만, 여기서는 계층적 베이지안 구조에 그룹화 랜덤 파라미터를 도입한다. 구간별·교차로별로 공통된 하이퍼파라미터를 공유하면서도, 각 그룹 내에서는 차량 동역학(상대속도, 거리, 감속)과 도로 특성(곡선 반경, 차선 수, 교차로 형태) 등 다양한 공변량을 부분 풀링(partial pooling)한다. 이렇게 하면 데이터가 희소한 구간에서도 정보가 공유되어 파라미터 추정의 안정성이 높아진다.

셋째, 공간적 이질성을 고려한 통합 모델링이 실제 성능에 미치는 영향을 정량적으로 검증한다. 아르고버스‑2 데이터에서 추출한 28개 구간(세그먼트와 교차로 각각 14개)과 2,134,567개의 차량 궤적을 이용해 V‑V와 V‑I 근접 사고를 각각 1,842건·1,107건으로 추출하였다. HBSGRP‑UGEV 모델은 고정 파라미터 HBSFP‑UGEV 대비 V‑V 구간에서 DIC를 7.5 % 감소, V‑I 구간에서 3.1 % 감소시켰으며, ROC‑AUC는 V‑V 세그먼트 0.89, V‑V 교차로 0.82, V‑I 세그먼트 0.79, V‑I 교차로 0.75로 모두 0.7 이상을 기록해 실용적인 분류 성능을 입증했다. 특히, 상대속도·거리·감속이 V‑V 세그먼트 위험에 가장 큰 영향을 미치는 반면, V‑I 세그먼트에서는 상대거리만이 유의한 변수로 나타났다. 교차로에서는 V‑V 위험이 상대속도·거리의 결합 효과에 의해 좌우되며, V‑I 위험은 통계적으로 유의미한 요인이 발견되지 않아 향후 데이터 확대가 필요함을 시사한다.

이러한 결과는 고해상도 차량·인프라 기하 정보를 실시간 EVT에 통합함으로써, 기존의 사고 기록 기반 예측을 넘어 사전 위험 감지를 가능하게 함을 보여준다. 또한, 계층적 베이지안 그룹화는 도시 전체 구간에 걸친 위험 지도화를 지원하면서도 개별 구간의 특성을 보존한다는 점에서 교통 안전 정책·실시간 교통 관리 시스템에 바로 적용할 수 있는 실용적 프레임워크라 할 수 있다.