보행자 교통사고 심각도 예측을 위한 머신러닝 모형 비교 분석: 보행자 교통사고 자료의 표본 불균형 보정을 중심으로

Abstract

본 연구는 보행자 교통사고 사고 심각도 예측에 유형 분류 기계학습 알고리즘들을 적용하고 그 성능을 비교하여 교통사고 심각도 예측에 가장 적합한 알고리즘을 도출하는 것을 목적으로 한다. 또한, 기존 선행연구에서 한계점으로 지적되어온 사고 심각도별 데이터 불균형 문제를 보완하기 위해 사고 심각도 데이터셋에 오버샘플링 기법을 적용하여 모형을 학습하였다. 서포트 벡터 머신, 랜덤 포레스트, 멀티 레이어 퍼셉트론, 랜덤 오버 샘플링과 같은 주요 머신러닝 기법을 사용하였으며, SMOTE, ADASYN과 같은 데이터셋의 불균형을 보정할 수 있는 오버샘플링 기법을 적용하였다. 분석 결과, 오버 샘플링 기법을 적용한 모형이 기존 불균형 데이터셋을 사용해 학습된 모형에 비해 사망사고 정확도가 크게 개선되는 것을 확인하였다. 또한, 모형 간 비교 분석 결과 SMOTE 기법을 사용한 데이터셋으로 학습한 다층 퍼셉트론 모형이 G-Mean 값을 기준으로 가장 좋은 성능을 보이는 것으로 나타났다.

This study aims to apply the machine learning models of classifications to predict the severity of pedestrian traffic accidents and compare their performances to derive the best algorithm that is suitable for pedestrian traffic accident analysis. This study applied oversampling techniques to overcome the imbalanced dataset of pedestrian accident severity that has been pointed out as a limitation in previous studies. We employed multiple machine learning algorithms including support vector machines, random forests, and multi-layer perceptrons. Also, we used various oversampling techniques such as random oversampling, SMOTE, and ADASYN. The result showed a significant improvement in the prediction accuracy of pedestrian fatal injuries by applying oversampling techniques. Also, the multi-layer perceptron model with SMOTE oversampling technique shows the best performance in terms of G-mean value.