고속도로 구간 유형 및 교통류 상태별 사고위험도 실시간 예측

Abstract

고속도로와 같은 연속류에서의 사고 발생은 교통 안전과 운영 측면에서 상당히 부정적인 효과를 초래하기 때문에 사전 대응을 통해 사고를 예방할 수 있는 시스템에 대한 필요성이 요구되고 있다. 이에 본 연구에서는 고속도로의 루프검지기를 통해 구득되는 실시간 교통류 파라미터 자료를 활용하여 잠재적으로 사고를 유발할 수 있는 교통류 특성을 규명하고, 이를 통해 실시간 사고위험도 예측 모형을 구축하고자 한다. 사고위험도에 영향을 미치는 교통류 특성은 고속도로의 구간 유형 및 교통류 상태에 따라 다르지만 기존의 연구들은 이에 대한 고려가 충분히 이루어지지 않았다. 따라서 본 연구에서는 고속도로 본선부를 기본 구간과 분ㆍ합류 구간으로 구분하고, 교통류 상태를 혼잡 상태와 비혼잡 상태로 분류하여 각각에 대한 사고위험도 예측 모형을 구축하였다. 우선, 사고를 유발할 수 있는 교통류 특성을 규명하기 위하여 사고가 발생한 상황과 발생하지 않은 상황의 교통류 특성을 비교하였다. 또한 사고위험도에 통계적으로 유의한 영향을 미치는 교통류 변수를 추출하기 위해 조건부 로지스틱 회귀 분석을 적용하였다. 사고를 유발할 수 있는 교통류 특성을 효과적으로 설명할 수 있으면서, 통계적으로도 유의한 교통류 변수가 모형 구축을 위해 사용된다. 선정된 교통류 변수를 기반으로 유전자 프로그래밍 기법을 통해 사고위험도 예측 모형을 구축하였다. 본 연구에서 구축된 모형의 예측 성능을 비교한 결과, 구간 유형 및 교통류 상태를 고려하지 않은 모형에 비해 유의하게 높은 예측 정확도를 보이는 것으로 분석되었다. 본 연구 결과를 통해 사고위험도에 영향을 미치는 교통류 특성에 대한 이해를 증진시키고, 각 상황별로 보다 정확한 사고위험도 예측 및 효과적인 사고 예방 시스템의 구축이 가능할 것으로 판단된다. 이와 같은 사전 예방 시스템의 구축은 사후 전략과 더불어 고속도로의 안전성을 증진시키는 데 기여할 수 있을 것으로 사료된다.

Crash occurrence on freeways negatively affects traffic safety and operation. Thus, proactive safety management strategies as well as reactive strategies must be developed to prevent crashes. The purpose of this research is to investigate the traffic flow characteristics leading to crash occurrence and to develop crash risk prediction models using the real-time traffic flow parameters (such as traffic volume, speed, and occupancy) collected by loop detectors. Only a few studies have considered different effects of traffic flow characteristics on crash risk by freeway segment types and traffic flow states. In this research, the mainline of freeways was divided into basic segments and ramp vicinities, and traffic flow states were classified into uncongested and congested conditions. To select the significant variables, the hazardous traffic conditions leading to crash occurrence were first identified through comparison analysis of traffic flow characteristics for crash and non-crash cases. The most significant variables were selected by conditional logistic regression analysis. There was a noticeable difference between selected traffic flow variables for each condition. Based on the selected variables, the crash risk prediction models were developed using genetic programming. Genetic programming makes the model understandable and has a superior prediction performance. The findings from this research make it possible to predict crash risk more accurately for different freeway segment types and traffic flow states and will contribute to improving traffic safety on freeways through the development of proactive safety management strategies.