GRU 기반 지역별 교통사고 심도 예측 모형

Abstract

교통사고는 사회적으로 큰 비용이 발생하는 문제다. 앞으로 자율주행기술의 발전에 따라 사고의 빈도는 감소하지만 사고당 손실은 증가할 것으로 예측된다. 따라서 교통사고 위험을 심도 관점에서 분석하는 것이 요구된다. 나아가 분석을 바탕으로 심도 관점에서 위험 지역을 파악할 수 있다면 교통안전을 제고하는 데에 도움이 될 것이다. 이에 본 연구에서는 딥러닝 알고리즘을 이용한 지역별 교통사고 심도 예측 모형을 제안한다. 모형은 GRU를 기반으로 하며 모형의 최적 구조를 탐색하기 위한 다양한 실험을 진행한다. 또한 제안하는 모형의 성능을 확인하기 위해 다양한 모형과 그 성능을 비교하는 실험을 한다. 제안한 모형을 학습하고 평가하기 위하여 플로리다 지역의 교통사고 데이터를 활용한다. 평가에는 평균 제곱 오차와 평균 절대 백분율 오차를 정량적 지표로 사용한다. 또한 시각화 결과물인 심도 지도를 정성적 평가에 사용한다. 평가를 통해 제안하는 모형이 비교 대상이 되는 모형보다 우수함을 보였다. 이에 본 연구는 교통사고 위험을 심도 관점에서 예측할 수 있는 모형을 제공한다는 점에서 의의가 있고 향후 이를 활용하여 교통안전을 제고하고 결과적으로 사회적 비용이 감소할 것으로 기대한다.

Traffic accidents have caused enormous social costs. The severity of traffic accidents is expected to increase despite the reduction of frequency led by the adoption of self-driving vehicles. Therefore, it is worthwhile to analyze traffic accident severity. Identifying hazardous regions based on the analysis, if possible, could lead to improvement of traffic safety. In this thesis, we consider a GRU-based deep learning model to predict the severity of traffic accidents. The optimal structure was found by comparing various settings. We verify that the proposed model outperforms existing methods via experiments on the accident dataset collected over the entire state of Florida. The evaluation metrics are MSE and MAPE. We also use the severity map for the qualitative evaluation. The proposed model, in result, will lead to the reduction of traffic accident risk and social costs.