비관측 이질성이 있는 잠재 계층별 실시간 교통사고 처리시간 예측: 불균형 데이터 적용을 위한 접근

Abstract

신속한 교통사고 처리 대응을 통해 부정적인 영향을 최소화하는 것은 교통 기관에 매우 중요하다. 특히, 교통사고 대응 전략 중 정확한 사고 처리시간 예측은 사고 영향 범위를 평가하고 예측 결과에 따른 경로 안내 전략을 제공함으로써 사고로 인한 혼잡을 줄일 수 있다. 이를 위해 다양한 연구들이 수행되지만 대부분 국외 연구로, 제안하는 방법론과 다른 기하학적, 교통 조건을 가지고 있는 국내 교통환경에 적용하기에는 어려움이 있고, 동적 데이터보다는 과거에 집계한 이력 데이터를 활용하여 실시간으로 변화하는 교통 특성과 사고 처리시간에 관련된 탐색적인 연구는 제한적이다. 따라서 본연구는 다양한 환경요인을 고려하여 임의 효과를 가진 잠재 계층 분석과 부스팅 계열 알고리즘을 결합하여 실시간 사고 처리시간 예측 모형을 개발하였다. 또한, 긴 꼬리 분포를 가진 사고 처리시간 데이터의 불균형을 해결하는 샘플링 기법과 설명가능한 인공지능을 적용하여 모형 성능 개선 및 신뢰성 있는 연구 결과를 도출하였다. 연구 결과, 관찰되지 않은 이질성이 포함된 사고 처리시간 데이터를 합성한 잠재 클래스 기반 예측 모델이 가장 성능이 우수하였고 실시간 교통류의 시공간적 차이, 화물차, 미작동한 조명시설이 사고 처리시간과 높은 상관관계가 있음을 보여주었다. 이 연구 결과는 일반 교통류에 비해 부족한 사고 교통류의 다양한 사고 처리시간 크기를 더욱 정확하게 예측하고 실시간성 교통 특성 및 이력 자료를 기반으로 체계적인 교통사고 대응 전략 수립을 지원할 수 있을 것으로 기대한다.

Minimizing the negative impacts of traffic crashes after they occur is crucial for transportation agencies. Especially, accurate traffic incident clearance time prediction, among post-traffic crash management strategies, can reduce congestion by evaluating the crash impact area and providing route guidance strategies on the predicted time. Currently, several approaches have been developed various methodologies for estimating traffic incident clearance time and explaining the relationship between the time and exploratory factors. However, most of the studies were conducted overseas, making it challenging to apply them to the Korean highway road segments, which have different geometric and traffic conditions, unlike the proposed methodology. Moreover, the previous studies utilized historical data rather than dynamic data and exploratory studies about the relationship between real-time characteristics and clearance time are limited. As such, for predicting accuracy with dynamic data, novel approach is proposed for combining latent class analysis with unobserved heterogeneity and boosting algorithms, addressing with various environmental factors. Furthermore, by implementing sampling techniques and explainable artificial intelligence to resolve the imbalance clearance time data with a long tail distribution, model performance was improved and reliable results were revealed. As a result, the latent class-based prediction model that synthesized the time data with unobserved heterogeneity showed the best performance, and spatio-temporal differences in real-time traffic characteristics, trucks, and lighting facilities were highly correlated with the time variables. In the future, the results are expected to more accurately predict the range of clearance times, which is insufficient compared to general traffic, and support the establishment of systematic traffic crash management strategies based on real-time traffic characteristics and history data.