선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 구축하였다. 기존 모형에서 반영하지 못한 교통사고 원인의 다양성과 자료 조사 시의 오차를 최소화 할 수 있도록, 여러가지 이론을 교통사고예측 모형에 적용하고 각각의 특성을 제시하는 것에 본 연구의 의의가 있다고 할 수 있다. 교통사고에 영향을 미치는 요인들을 명확하게 규명하기 위하여 본 연구에서는 전북권의 국도 17호선(전주~남원)를 연구대상으로 선정하였다.
- 이는, 독립변수와 종속변수의 관련성의 강도와 독립변수 값의 변화에 따른 종속변수 값의 변화를 예측하는데 사용되는 분석수법이다. 다중회귀분석의 목적은 선형회귀방정식을 도출하여 종속변수를 예측하는데 있다. 다중회귀방정식은 최소자승법에 의해 추정되는데 최소자승법은 종속변수의 실제 값과 회귀방정식으로 예측한 값 즉, 오차의 제곱의 합을 최소화시킨 방법이다.
- 본 연구에서는 교통사고 분석에 대해 미시적인 접근을 시도하였다. 따라서, 교통사고의 요인으로써 교통량, 종단경사, 횡단경사, 곡선반경, 도로폭 등을 고려하여 분석을 하였다.
제안 방법
- 기존의 방법들은 데이터 수집 과정 속에 내포되어 있는 불확실성과 비선형성 및 시공간적 다양^에 의해 발생될 수 있는 오차를 규명하는데 한계가 있다. 이에 본연구에서는 데이터의 불확실성 상태를 합리적으로 처리할 수 있는 퍼지추론이론 및 인간의 신경계를 수학적으로 모형화하여 학습에 의한 예측。] 뛰어난 것으로 알려져 있는 신경망 이론을 적용한 교통사고예측 모형을 구축하였다. 또한 교통사고에 미치는 요인의 다양성을 고려하여 기존의 다중회귀이론과 수량화 이론을 적용하여 요인의 다양성을 최대한 반영한 모형을 구축하였다.
- 교통량과 기하구조(종단경사, 곡선반경, 횡단경사, 도로폭)가 교통사고에 영향을 미치는 정도를 알아보기 위해 다중선형회귀이론을 이용해 모형을 구축하였다. 여기서, 모델의 적합도 검정으로 결정계수(氏2)값과 분산분석의 검정통계량 F값을 사용하였다.
- 다중선형회귀이론을 적용시 사용했던 설명변수를 대상으로 수량화I 류를 이용하여 교통사고예측모델을 구축하였다. 수량화I류를 이용하여 교통 사고예측모델을 구축함에 있어서 각 요인들의 상대적 중요도, Item과 Category의 수량, Item의 범위, 중상관계수, 평균예측 오차 등의 평가지수를 구할 수 있었다.
- 이는 10, 000회 이상의 기간으로 설정할 경우, 최대 반복횟수까지 훈련이 반복되어 모델의 일반화 및 효율성이 떨어지는 것으로 나타났으나 10, 000회 정도의 기간에서 가장 좋은 결과를 얻을 수 있었다. 따라서 본 연구에서는 모형에 대한 선정기간을 10, 000회의 기간으로 설정하였다. 신경망의 보정을 위한 훈련에 사용된 학습방법은 알고리즘 적용시 오차가 지역 최소값(Local Minima)에 수렴하는 것을 방지하고 학습의 효율을 높이기 위해 모멘텀-적응식 학습율방법을 사용하였다.
- 시도하였다. 따라서, 교통사고의 요인으로써 교통량, 종단경사, 횡단경사, 곡선반경, 도로폭 등을 고려하여 분석을 하였다. 이러한 사고요인들을 선정하기 위해 교통사고에 영향을 많이 주는 요인 순으로 구분하였다.
- 이에 본연구에서는 데이터의 불확실성 상태를 합리적으로 처리할 수 있는 퍼지추론이론 및 인간의 신경계를 수학적으로 모형화하여 학습에 의한 예측。] 뛰어난 것으로 알려져 있는 신경망 이론을 적용한 교통사고예측 모형을 구축하였다. 또한 교통사고에 미치는 요인의 다양성을 고려하여 기존의 다중회귀이론과 수량화 이론을 적용하여 요인의 다양성을 최대한 반영한 모형을 구축하였다. 이렇게 구축된 모형들의 적합성을 비교하여 어떤 이론이 적합성 측면에서 사고예측 시 정확도가 높은지를 제시하였다.
- 입력층의 노드(Node) 의 수를 n 이라 하면, 은닉층의 노드수는 “ 부터 跖 까지의 변화를 시키면서 최적의 신경망모형을 선별하였다. 또한 은닉층 처리소자의 개수에 따른 학습효과를 분석하기 위해 동일한 반복횟수 10, 000회에 대해 각 모델별로 모의하였다. 이는 10, 000회 이상의 기간으로 설정할 경우, 최대 반복횟수까지 훈련이 반복되어 모델의 일반화 및 효율성이 떨어지는 것으로 나타났으나 10, 000회 정도의 기간에서 가장 좋은 결과를 얻을 수 있었다.
- 여기에서 결과 값은 모든度 의 조합에 의하여 만들어지며 최종적으로 모든 규칙의 결과값은 비퍼지화(Defuzzification) 되어 하나의 실수(Real Value)로 최종적인 의사결정이 도출된다. 또한 추론 시에 근사추론 구조를 사용하여 의사결정시 정보처리에 있어 유연성을 두었다.
- 적용하여 계산하였다. 또한, 각 변수에 대한 멤버십함수의 범위와 중복도는 전문가의 경험을 이용하여 각 데이터의 평균값과 50%중복도를 사용하였다. 이와 같은 방법에 의하여 퍼지추론에 의한 교통 사고예측모델을 추론하였다.
- 이러한 사고요인들을 선정하기 위해 교통사고에 영향을 많이 주는 요인 순으로 구분하였다. 또한, 요인간의 상관관계를 고려하여 상관성이 큰 변수들에 대해서는 상호간의 상관계수 값을 비교하여 큰 변수를 요인으로 채택하였다.
- 신경망의 보정을 위한 훈련에 사용된 학습방법은 알고리즘 적용시 오차가 지역 최소값(Local Minima)에 수렴하는 것을 방지하고 학습의 효율을 높이기 위해 모멘텀-적응식 학습율방법을 사용하였다. 모멘텀 상수와 초기 학습률은 민감도 분석을 통해 얻었고 모든 모형에서 각각 0.1 를 일괄적으로 사용하였다. 일련의 과정을 거쳐 얻어진 모형들의 평가기준은 수치적 기준을 적용하여 살펴보았다.
- 본 연구는 초기단계로서 지방부 국도 상에 신호 교차로에서 차량과 보행자간의 사고 자료를 이용하여 모형을 구축하였다. 기존 모형에서 반영하지 못한 교통사고 원인의 다양성과 자료 조사 시의 오차를 최소화 할 수 있도록, 여러가지 이론을 교통사고예측 모형에 적용하고 각각의 특성을 제시하는 것에 본 연구의 의의가 있다고 할 수 있다.
- 본 연구에서 신경망 모형을 학습시키기 위한 학습자료(Learning Data) 로서 교통량, 종단구배, 곡선반경, 횡단구배, 도로폭을 사용하였다. 모든 학습 자료는 전처리과정(Pre-process)인 정규화(Normalization)를 한다.
- 설명요인은 각각의 경우를 조합하여 각 Item별로 Category화 한 후 각 데이터 set■을 만들어 모델을 구축하였다.
- 수량화I류를 이용하여 교통 사고예측모델을 구축함에 있어서 각 요인들의 상대적 중요도, Item과 Category의 수량, Item의 범위, 중상관계수, 평균예측 오차 등의 평가지수를 구할 수 있었다.
- 예측치와 실측치를 비교하여 적중률을 알아보았다. 신경망 모형은 각각의 변수들을 적용하여 구성하였다. 입력층의 노드(Node) 의 수를 n 이라 하면, 은닉층의 노드수는 “ 부터 跖 까지의 변화를 시키면서 최적의 신경망모형을 선별하였다.
- 신경망 모형을 학습시키기 위한 방법으로 일반적으로 널리 응용되고 있는 오차 역전파 알고리즘을 적용하여 모형에 따른 특성을 분석하였다. 예측치와 실측치를 비교하여 적중률을 알아보았다.
- 모형에 따른 특성을 분석하였다. 예측치와 실측치를 비교하여 적중률을 알아보았다. 신경망 모형은 각각의 변수들을 적용하여 구성하였다.
- 결정계수 값은 모형을 설명하는 설명변수가 많으면 많을수록 그 값이 증가한다. 이러한 경향을 보완하기 위한 방법으로 수정결정 계수(Adjusted 序)값을 사용해 모형의 검정에 사용하였다. 또한 설명변수의 모형에 대한 설명력을 판단하기 위해 t 통계 값을 이용하였다.
- 따라서, 교통사고의 요인으로써 교통량, 종단경사, 횡단경사, 곡선반경, 도로폭 등을 고려하여 분석을 하였다. 이러한 사고요인들을 선정하기 위해 교통사고에 영향을 많이 주는 요인 순으로 구분하였다. 또한, 요인간의 상관관계를 고려하여 상관성이 큰 변수들에 대해서는 상호간의 상관계수 값을 비교하여 큰 변수를 요인으로 채택하였다.
- 또한 교통사고에 미치는 요인의 다양성을 고려하여 기존의 다중회귀이론과 수량화 이론을 적용하여 요인의 다양성을 최대한 반영한 모형을 구축하였다. 이렇게 구축된 모형들의 적합성을 비교하여 어떤 이론이 적합성 측면에서 사고예측 시 정확도가 높은지를 제시하였다.
- (Category)로 구분한다. 이에 해당하는 설명 특성 (石, 為, 들이 측정될 때, 이 설명특성耳 에 기초하여 목적의 특성 수량丫를 예측한다. 또는, Item .
- 1 를 일괄적으로 사용하였다. 일련의 과정을 거쳐 얻어진 모형들의 평가기준은 수치적 기준을 적용하여 살펴보았다. 수치적기준인 MSE(평균제곱오차)는 모델 적합도의 전체적인 우수성을 보여주기 위한 것으로 식(7)과 같다.
- 신경망 모형은 각각의 변수들을 적용하여 구성하였다. 입력층의 노드(Node) 의 수를 n 이라 하면, 은닉층의 노드수는 “ 부터 跖 까지의 변화를 시키면서 최적의 신경망모형을 선별하였다. 또한 은닉층 처리소자의 개수에 따른 학습효과를 분석하기 위해 동일한 반복횟수 10, 000회에 대해 각 모델별로 모의하였다.
- 사용하였다. 줄력변수로는 교통사고건수를 이용하여 멤버쉽 함수를 작성하였다. 교통량은 연평균 일교통량를 이용하여 {적다, 보통이다, 많다}인 3개의 멤버쉽 함수로, 종단구배, 횡단구배와 곡선반경, 도로폭은 {높다, 낮다}, {넓다, 좁다}인 2개의 멤버쉽 함수로 작성하였다.
- 모든 학습 자료는 전처리과정(Pre-process)인 정규화(Normalization)를 한다. 즉, 평균과 표준편차가〔0, 1〕인 정규화된 자료로 변환하였다. 이는 후에 후처리 과정 (Post-process) 을거쳐 실제 값으로 다시 변환되어진다.
- 관계를 규명하였다. 특히 차로폭이 동일하지 않은 도로 구간에 있어서는 차로폭이 중요변수로 작용함을 모형을 통해 제시하였다. 김원철(2001)은 교통사고 잦은 교차로를 연구지로 선정하여 다중회귀이론, 수량화 이론, 구조방정식이론, 퍼지추론이론 등을 통하여 이론의 적용성을 평가하고 교통사고건수예측모델을 구축한 후각각 모델간의 재연성을 확인하였다.
- 퍼지추론을 적용하기 위해서 입력변수로는 교통량, 종단구배, 곡선반경, 횡단구배, 도로폭을 사용하였다. 줄력변수로는 교통사고건수를 이용하여 멤버쉽 함수를 작성하였다.
- 복합적으로 작용하여 발생한다고 볼 수 있다. 하지만 본 연구에서는 교통사고에 있어 공통적인 요인이 될 수 있는 교통안전시설, 도로기하구조, 교통통제, 교통 특성 등과 같은 도로환경적인 요인만을 고려하여 교통 사고예측모델을 구축한다. 본 연구의 수행과정은<그림 1>과 같다.
대상 데이터
- V장에서 구축된 교통사고예측모델을 이용하여 사례분석을 하기 위해서, 2001~2003년도에 보고된 국도 17호선(전주~남원)의 교통사고 데이터 중에서 교통사고가 잦은 4지점을 선정하였다. 실제 교통사고 건수와 각 예측모델별 추론결과를<표 7>과<그림 6>에 나타내었다.
- 기존 모형에서 반영하지 못한 교통사고 원인의 다양성과 자료 조사 시의 오차를 최소화 할 수 있도록, 여러가지 이론을 교통사고예측 모형에 적용하고 각각의 특성을 제시하는 것에 본 연구의 의의가 있다고 할 수 있다. 교통사고에 영향을 미치는 요인들을 명확하게 규명하기 위하여 본 연구에서는 전북권의 국도 17호선(전주~남원)를 연구대상으로 선정하였다. 본 연구에 필요한 자료를 수집하기위해 경찰청에서 제공하는 교통사고자료와 도로교통 안전관리공단에서 제공하는 교통사고 잦은 곳 기본개선계획 보고서의 기하구조 자료를 수집하였다.
- 교통사고에 영향을 미치는 요인들을 명확하게 규명하기 위하여 본 연구에서는 전북권의 국도 17호선(전주~남원)를 연구대상으로 선정하였다. 본 연구에 필요한 자료를 수집하기위해 경찰청에서 제공하는 교통사고자료와 도로교통 안전관리공단에서 제공하는 교통사고 잦은 곳 기본개선계획 보고서의 기하구조 자료를 수집하였다. 수집된 데이터를 기초로 하여다중회귀이 론, 수량화이론, 퍼지추론이론, 신경망 이론을 이용하여 교통사고예측모형을 구축한다.
데이터처리
- 이러한 경향을 보완하기 위한 방법으로 수정결정 계수(Adjusted 序)값을 사용해 모형의 검정에 사용하였다. 또한 설명변수의 모형에 대한 설명력을 판단하기 위해 t 통계 값을 이용하였다.<표 2>를 보면, 다중선형회귀모델의 결정계수(a?)는 0.
- 구축하였다. 여기서, 모델의 적합도 검정으로 결정계수(氏2)값과 분산분석의 검정통계량 F값을 사용하였다. 결정계수 값은 모형을 설명하는 설명변수가 많으면 많을수록 그 값이 증가한다.
이론/모형
- 이에 포함된 활성화 함수는 단극성 시그모이드 함수와 선형 (Linear) 함수를 사용하였다. 그리고, 훈련과정에서 효율성을 높이기 위해 Early Stopped Training Approach 기법을 사용하였다.
- 또한 사용된 학습 알고리즘은 모멘텀 상수와 적응식학습율이 적용된 최급 강하법을 이용한 역전파 학습 알고리즘이다. 이에 포함된 활성화 함수는 단극성 시그모이드 함수와 선형 (Linear) 함수를 사용하였다.
- 본 연구에서는 교통사고예측모형을 다중회귀이론, 수량화I류 이론, 퍼지추론 및 신경망의 4가지 이론을 적용하여 구축하였다. 교통사고예측모형에 교통사고에 영향을 미치는 요인으로 사용된 변수들은 주로 도로 환경적인 요인들로서 종단구배, 곡선반경, 횡단구배, 도로 폭 및 교통량이 사용되었다.
- 가장 일반적으로 사용되는 비선형 함수로는 시그모이드 (Sigmoid) 함수가 있다. 본 연구에서는 단극성 시그모이드 함수를 사용하였으며, %가 입력된 후의 결과인 四 는 식 (5)로 나타낼 수 있다.
- 운전자의 감정을 자극하여 공격적 감정표출 및 공격적 행동으로 인한 사고를유도흐)는 유발요인이 되기도 한다(이순철, 2000). 본연구에서는 사고요인인 교통량에 대해 년 평균 일 교통량(AADT : Annual Average Daily Traffic) 을 이용하였다.
- 본 연구에 필요한 자료를 수집하기위해 경찰청에서 제공하는 교통사고자료와 도로교통 안전관리공단에서 제공하는 교통사고 잦은 곳 기본개선계획 보고서의 기하구조 자료를 수집하였다. 수집된 데이터를 기초로 하여다중회귀이 론, 수량화이론, 퍼지추론이론, 신경망 이론을 이용하여 교통사고예측모형을 구축한다. 이를 통해 교통사고에 영향을 미치는 요인들을 규명한다.
- 따라서 본 연구에서는 모형에 대한 선정기간을 10, 000회의 기간으로 설정하였다. 신경망의 보정을 위한 훈련에 사용된 학습방법은 알고리즘 적용시 오차가 지역 최소값(Local Minima)에 수렴하는 것을 방지하고 학습의 효율을 높이기 위해 모멘텀-적응식 학습율방법을 사용하였다. 모멘텀 상수와 초기 학습률은 민감도 분석을 통해 얻었고 모든 모형에서 각각 0.
- 우선 기존의 다중선형회귀분석 방법론을 이용하여 교통 사고예측을 수행하였고, 적합성을 높이기 위해서 수량화 I류를 이용하여 모형을 정립하였다. 수량화 I류를 이용한 모형의 적합성이 기존의 다중선 형 회귀분석을 이용한 모형보다는 적합성이 높은 것으로 나타났다.
- 다중 회귀분석 및 수량화 I류의 경우에는 조사 자료의 신뢰성을 고려할 수 없는 모형이라고 할 수 있다. 이를 해결하기 위해서 퍼지추론이론 및 신경망 이론을 고려하여 모형을 구축하였다. 그 결과 이 두 가지 모형의 적합도가 기존의 모형들의 적합도보다 훨씬 우수한 것으로 나타났으며 추정표준오차도 더 적은 값을 보이는 것으로 나타났다.
- 이에 포함된 활성화 함수는 단극성 시그모이드 함수와 선형 (Linear) 함수를 사용하였다. 그리고, 훈련과정에서 효율성을 높이기 위해 Early Stopped Training Approach 기법을 사용하였다.
- 또한, 각 변수에 대한 멤버십함수의 범위와 중복도는 전문가의 경험을 이용하여 각 데이터의 평균값과 50%중복도를 사용하였다. 이와 같은 방법에 의하여 퍼지추론에 의한 교통 사고예측모델을 추론하였다. 퍼지추론모형의 평균 Pi 값은 적합성을 나타내는 것으로, 식(6)과 같다.
- 규칙의 예를 나타낸 것이다. 퍼지추론 규칙은 일반적인 상식에 대응되는 IF-THEN규칙을 사용하였다. 즉, “교통량은 많고 종단구배는 높으면서 곡선반경은 좁고 횡단구배는 높으며 도로폭이 좁다면 교통사고 발생 건수는 높아진다” 와 같은 퍼지추론 규칙을 작성하였다.
- 퍼지추론 방법으로는 Mamdani의 Min-Max 중심법(Centroid)을 적용하여 계산하였다. 또한, 각 변수에 대한 멤버십함수의 범위와 중복도는 전문가의 경험을 이용하여 각 데이터의 평균값과 50%중복도를 사용하였다.
성능/효과
- 결론적으로 기존의 모형보다는 본 연구에서 제시한 퍼지 추론이론 및 신경망 이론을 이용한 사고예측모형이조 사자의 오류를 감안하여 실제 값과의 적합도를 더 높일 수 있는 모형이라는 것을 제시하였다. 본 연구에서 사용한 자료가 지방부 도로의 신호교차로에 한정되어있으므로, 향후에는 고속도로와 같은 연속류구간에 대한 사고데이터를 구득하여 사고예측모형을 구축할 것이다.
- 이를 해결하기 위해서 퍼지추론이론 및 신경망 이론을 고려하여 모형을 구축하였다. 그 결과 이 두 가지 모형의 적합도가 기존의 모형들의 적합도보다 훨씬 우수한 것으로 나타났으며 추정표준오차도 더 적은 값을 보이는 것으로 나타났다. 또한 국도 17호선(전주~남원)의 교통사고 데이터 중에서 교통사고가 잦은 4지점에 대한사례분석 결과, 기존에 행해져 오던 다중회귀이론과 수량화 이론보다 퍼지추론 및 신경망을 적용하여 구축한 교통 사고예측모델이 사고재현성 측면에서 매우 유용하다는 것을 알았다.
- 그 결과 이 두 가지 모형의 적합도가 기존의 모형들의 적합도보다 훨씬 우수한 것으로 나타났으며 추정표준오차도 더 적은 값을 보이는 것으로 나타났다. 또한 국도 17호선(전주~남원)의 교통사고 데이터 중에서 교통사고가 잦은 4지점에 대한사례분석 결과, 기존에 행해져 오던 다중회귀이론과 수량화 이론보다 퍼지추론 및 신경망을 적용하여 구축한 교통 사고예측모델이 사고재현성 측면에서 매우 유용하다는 것을 알았다.
- <표 3>를 보면 모델 설명력을 나타내는 중상관계수값은 63.56%이었고, 수량화 I류 이론을 이용한 모델의 결정계수(厅)값은 0.400으로 다중 선형회귀이론을 이용하였을 때보다 높게 나타났다.
- 이에, 본 연구에서 구축한 모델의 결정계수(序)값은 그다지 낮지 않다고 사료된다. 사고데이터 분산분석의 검정 통계량 F의 값 또한 유의수준 5%안에 들어 양호한 것으로 검정되었다.
- 신경망의 훈련은 목표로 하는 응답과 신경망에 의해 발생된 응답 사이의 차이가 최소가 되어 연결 강도의 변화가 더 이상 일어나지 않는 안정된 상태에 도달될 때까지 반복되어 수행된다. 셋째, 신경망은 주위 환경에 적응되어지도록 연결 강도를 조절 할 수 있는 능력을 가지고 있다. 특히 특정한 환경에서 수행되어지도록 훈련된 신경망은 그 작용하는 환경 조건들의 조그만 변화를 다루기 위해 쉽게 재훈련(Retrain)되어질수 있다.
- I류를 이용하여 모형을 정립하였다. 수량화 I류를 이용한 모형의 적합성이 기존의 다중선 형 회귀분석을 이용한 모형보다는 적합성이 높은 것으로 나타났다. 다중 회귀분석 및 수량화 I류의 경우에는 조사 자료의 신뢰성을 고려할 수 없는 모형이라고 할 수 있다.
- 그런데, 주의할 점은 모델의 분석결과에서 Item의 범위의 값이 크면 클수록 요인의 중요도는 높아지게 되는 것이다. 수량화I류 이론에 의한 사고요인에 대한 Category 분석결과 교통량의 범위가 가장 큰 값을 보이고 있어 교통량이 사고요인으로 가장 큰 영향을 미치고 있음을 알 수 있다.
- 실제 교통사고건수와 4가지 이론에 의해 구축된 예측모델의 구현 결과를 통해서, 퍼지추론 및 신경망에 의해 구축된 사고건수예측모델이 사고 재현성면에서 기존에 사용되어온 다중회귀이론과 수량화이론에 의해 구축된 예측모델보다 그 적용성이 유용하다는 것으로 판단할 수 있다.
- 또한 은닉층 처리소자의 개수에 따른 학습효과를 분석하기 위해 동일한 반복횟수 10, 000회에 대해 각 모델별로 모의하였다. 이는 10, 000회 이상의 기간으로 설정할 경우, 최대 반복횟수까지 훈련이 반복되어 모델의 일반화 및 효율성이 떨어지는 것으로 나타났으나 10, 000회 정도의 기간에서 가장 좋은 결과를 얻을 수 있었다. 따라서 본 연구에서는 모형에 대한 선정기간을 10, 000회의 기간으로 설정하였다.
- 이러한 신경망의 여러 장점이 알려져 있으나, 본 연구에 부합될 수 있다는 면에서 야기될 수 있는 장점은 비선형성, 입력과 출력 간의 사상(Mapping), 그리고 적응성(Adaptivity) 이라 할 수 있다. 첫째, 신경망은 선형적 또는 비선형적일 수도 있다. 그러나 비선형적인 뉴런들 간의 상호연결에 의한 신경망은 그 자체로 비선형적이며, 이 비선형성은 신경망 전체에 걸쳐 분포되어진다.
후속연구
- 또한 기존의 직선부와 곡선부를 위주로 한 연구에서는 고려하지 못했던 직선부와 곡선부, 곡선부와 직선 부, 배향곡선부로 세분화하여 사고예측모형을 구축할 필요가 있다고 판단된다. 마지막으로 교통 사고예측모형을 GIS와 접목하여, 과거와 현재 그리고 미래의 사고 경향을 공간적으로 분석하고, 이에 대한 적절한 대안을 제시하는 과정도 필요하다고 사료된다.
- 수 있는 모형이라는 것을 제시하였다. 본 연구에서 사용한 자료가 지방부 도로의 신호교차로에 한정되어있으므로, 향후에는 고속도로와 같은 연속류구간에 대한 사고데이터를 구득하여 사고예측모형을 구축할 것이다. 또한 기존의 직선부와 곡선부를 위주로 한 연구에서는 고려하지 못했던 직선부와 곡선부, 곡선부와 직선 부, 배향곡선부로 세분화하여 사고예측모형을 구축할 필요가 있다고 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.