고속도로 사고등급별 돌발상황 처리시간 예측모형 및 의사결정나무 개발 The prediction Models for Clearance Times for the unexpected Incidences According to Traffic Accident Classifications in Highway원문보기
본 연구는 고속도로에서 발생하는 비반복적 정체 중 교통사고로 인하여 발생하는 돌발상황에 대한 운영관리 부족 및 처리시간에 대한 정보제공 요구증가에 따라 이에 대응할 수 있는 돌발상황 처리시간 예측모형개발을 개발하였다. 돌발상황 처리시간 예측모형을 개발하기에 앞서 종속변수인 사고처리시간을 사고등급 A, B, C등급으로 구분하였으며, 독립변수로는 교통량, 사고차량수, 사고시간대 등 총 15개 변수를 적용하여 모형을 개발하였다. 모형도출결과 돌발상황 처리시간에 영향을 미치는 주요변수로는 교통량, 중차량포함여부, 사고시간대가 도출되었다. 또한 돌발상황 처리시간 예측모형에서 영향 변수로 도출된 변수들을 토대로 의사결정나무를 구축하였으며, 이때 CHAID기법을 적용하였다. 그 결과 1차적으로 사고등급 A, B등급과 C등급으로 구분되었으며, 2차적으로는 도로의 교통량으로 분리되었다. 본 연구를 통하여 도출된 돌발상황 처리시간 예측모형과 의사결정나무를 통하여 향후 고속도로 돌발상황 발생시 도로이용자들에게 보다 신속하고 실효성있는 교통정보를 제공하는데 기여할 수 있을 것으로 판단된다.
본 연구는 고속도로에서 발생하는 비반복적 정체 중 교통사고로 인하여 발생하는 돌발상황에 대한 운영관리 부족 및 처리시간에 대한 정보제공 요구증가에 따라 이에 대응할 수 있는 돌발상황 처리시간 예측모형개발을 개발하였다. 돌발상황 처리시간 예측모형을 개발하기에 앞서 종속변수인 사고처리시간을 사고등급 A, B, C등급으로 구분하였으며, 독립변수로는 교통량, 사고차량수, 사고시간대 등 총 15개 변수를 적용하여 모형을 개발하였다. 모형도출결과 돌발상황 처리시간에 영향을 미치는 주요변수로는 교통량, 중차량포함여부, 사고시간대가 도출되었다. 또한 돌발상황 처리시간 예측모형에서 영향 변수로 도출된 변수들을 토대로 의사결정나무를 구축하였으며, 이때 CHAID기법을 적용하였다. 그 결과 1차적으로 사고등급 A, B등급과 C등급으로 구분되었으며, 2차적으로는 도로의 교통량으로 분리되었다. 본 연구를 통하여 도출된 돌발상황 처리시간 예측모형과 의사결정나무를 통하여 향후 고속도로 돌발상황 발생시 도로이용자들에게 보다 신속하고 실효성있는 교통정보를 제공하는데 기여할 수 있을 것으로 판단된다.
In this study, a prediction model for incident reaction time was developed so that we can cope with the increasing demand for information related to the accident reaction time. For this, the time for dealing with accidents and dependent variables were classified into incident grade, A, B, and C. The...
In this study, a prediction model for incident reaction time was developed so that we can cope with the increasing demand for information related to the accident reaction time. For this, the time for dealing with accidents and dependent variables were classified into incident grade, A, B, and C. Then, fifteen independent variables including traffic volume, number of accident-related vehicles and the accidents time zone were utilized. As a result, traffic volume, possibility of including heavy vehicles, and an accident time zone were found as important variables. The results showed that the model has some degree of explanatory power. In addition, when the CHAID Technique was applied, the Answer Tree was constructed based on the variables included in the prediction model for incident reaction time. Using the developed Answer Tree model, accidents firstly were classified into grades A, B, and C. In the secondary classification, they were grouped according to the traffic volume. This study is expected to make a contribution to provide expressway users with quicker and more effective traffic information through the prediction model for incident reaction time and the Answer Tree, when incidents happen on expressway
In this study, a prediction model for incident reaction time was developed so that we can cope with the increasing demand for information related to the accident reaction time. For this, the time for dealing with accidents and dependent variables were classified into incident grade, A, B, and C. Then, fifteen independent variables including traffic volume, number of accident-related vehicles and the accidents time zone were utilized. As a result, traffic volume, possibility of including heavy vehicles, and an accident time zone were found as important variables. The results showed that the model has some degree of explanatory power. In addition, when the CHAID Technique was applied, the Answer Tree was constructed based on the variables included in the prediction model for incident reaction time. Using the developed Answer Tree model, accidents firstly were classified into grades A, B, and C. In the secondary classification, they were grouped according to the traffic volume. This study is expected to make a contribution to provide expressway users with quicker and more effective traffic information through the prediction model for incident reaction time and the Answer Tree, when incidents happen on expressway
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 돌발상황 특성에 따른 돌발상황 관리체계 구축을 위하여 의사결정 나무(Decision Tree)를 제시함으로써 고속도로 운영 . 관리에 적용할 수 있는 방안을 제시하였다.
따라서 본 연구에서는 고속도로 비반복적 혼잡을 일으키는 교통사고(고속도로 “07년 평균 84.5%) 에초점을 두고 돌발상황 처리시간 예측모형을 개발하고 주요영향인자를 도출하였다. 또한 돌발상황 특성에 따른 돌발상황 관리체계 구축을 위하여 의사결정 나무(Decision Tree)를 제시함으로써 고속도로 운영 .
본 연구에서는 비반복적 정체의 일부분인 고속도로 돌발상황 처리시간 예측모형의 개발을 위하여 과거 고속도로 돌발상황 이력자료를 이용하여 전체사고, A등급, B등급, C등급사고에 따른 돌발상황 처리 시간 예측모형을 개발하였다.
사고등급별 돌발상황 처리시간의 차이검증은 사고등급별 돌발상황 처리시간 예측모형을 도출할 필요성이 있는지를 검토하기 위하여 실시하였다. 이를을 위하여 다음과 같이 가설을 설정하고 ANOVA 분석을 통하여 가설검정을 실시하였다.
가설 설정
Ha : 사고등급간 돌발상황 처리시간에는 차이가 없다.
제안 방법
교통사고로 인한 돌발상황 발생시 고속도로 운영관리의 의사결정나무(Decision Tree)를 제시하기 위한 모형을 도출하였다. 이는 돌발상황 발생시 교통정보제공 및 돌발상황 처리시간 단축을 위한 영향요인을 도출하는데 의의가 있으며, 돌발상황 발생시 사고 특성을 고려한 돌발상황 대응체계를 구축하는데 의의가 있다.
돌발상황 처리시간에 영향을 미치는 주요 변수를 이용하여 고속도로 운영관리자가 돌발상황 발생 시신 속히 적용할 수 있는 의사결정나무(Decision Tree) 를 구축하였다. 이를 위하여 데이터 마이닝 기법의 한 종류인 CHAID기법을 적용하여 의사결정나무 (Decision Tree)를 도출하였으며, 1차적으로 사고등급에 의하여 심각한 사고인 A, B등급과 경미한 사고인 C등급으로 구분되었으며, 2차적으로는 대상 도로의 교통량에 의하여 구분되어 지는 것으로 분석되었다.
도출하였다. 마지막으로 돌발상황 발생에 따른 의사결정 시스템 구축을 위하여 Decision Tree를 이용한 분석 결과를 제시하였다.
본 사례연구는 돌발상황 처리시간 의사결정나무에서 제시된 결과를 이용하여 고속도로 돌발상황 발생 시 교통운영관리 측면에서 어느 정도의 의미를 가지는지에 대한 사례분석을 실시하였다. 우선 실제 교통사고가 발생한 돌발상황 처리시간 이력 자료와 예측모형을 이용한 돌발상황 처리시간결과, 의사결정 나무의 기준을 통하여 도출된 돌발상황 처리 시간을 비교 검토하였다.
사고등급별 돌발상황 처리시간 예측모형을 종속변수를 사고등급으로 구분하여 모형을 도출하였으며, 세부적인 분석결과는[표 8]과 같다.
야구분, 중차량포함여부, 사고차량수등이 영향을 미치는 것으로 분석되었다. 사고등급은 돌발상황 처리시간에 가장 큰 영향을 미치는 변수로서 본 연구에서는 사고등급을 A~C등급 사고로 구분하여 사고등급별 처리시간 예측모형을 별도로 도출하였다.
셋째, 사고등급별(A, B, C 등급)1)돌발상황 처리 시간을 종속변수로 하여 이에 영향을 미치는 독립변수를 이용한 돌발상황 처리시간 예측모형개발을 통하여 이에 영향을 미치는 주요변수를 도출하였다. 마지막으로 돌발상황 발생에 따른 의사결정 시스템 구축을 위하여 Decision Tree를 이용한 분석 결과를 제시하였다.
대한 사례분석을 실시하였다. 우선 실제 교통사고가 발생한 돌발상황 처리시간 이력 자료와 예측모형을 이용한 돌발상황 처리시간결과, 의사결정 나무의 기준을 통하여 도출된 돌발상황 처리 시간을 비교 검토하였다. 사례연구에 적용한 대상지점의 돌발상황 발생 현황 및 상세내용은 다음과[그림 5] 과 같다.
첫째, 돌발상황에 대한 이론적 검토 및 돌발상황 처리시간 예측관련 기존연구를 통하여 기존연구의 한계점 및 착안점을 도출하였다.
대상 데이터
돌발상황에 의한 사고자료는 사고위치에 교량, 램프, 본선, 정류장, 진출입부, 터널, TG, 휴게소로 구분할 수 있으며, 본선구간에서 발생한 총 2, 060건으로 전체사고의 88%를 차지하는 것으로 분석되었고, 본 연구에서는 본선구간을 연구의 대상으로 설정하였다.
본 연구의 공간적 범위는 경부고속도로(양재 ~ 부산 구간)이며, 이는 2003년에서 2007년까지 발생한 돌발상황 이력자료를 대상으로 하였으며, 내용적 범위는 다음과 같으며, 크게 4개 부분으로 구분할 수 있다.
연구의 공간적 범위는 경부고속도로(양재 ~ 부산) 이며, 시간적 범위는 2003년부터 2007년까지 발생한 돌발상황 처리시간 및 사고특성에 관한 자료를 수집 . 정리하였다[11丄
데이터처리
돌발상황 처리시간의 이력자료에 대한 기초통계분석 및 예측모형개발을 위하여 통계프로그램인 SPSS 15.0을 이용하였으며, 돌발상황 처리시간 예측모형 개발을 위하여 종속변수인 돌발상황 처리 시간에 영향을 미치는 독립변수들을 연속형 변수와 더미 변수로 구분하여 정리하였으며 세부적인 변수들의 정의 및 설명에 대한 내용은 다음[표 3]과 같다.
둘째, 돌발상황 처리시간 예측모형개발을 위하여 고속도로에서 발생한 돌발상황 처리시간에 대한 이력 자료수집 및 기초통계분석을 실시하였다.
이를을 위하여 다음과 같이 가설을 설정하고 ANOVA 분석을 통하여 가설검정을 실시하였다.
이론/모형
본 연구와 관련이 있는 기존연구를 통하여 도출된 기존연구의 한계점 및 본 연구의 착안점은[표 1]과같으며, 사고등급에 따른 돌발상황 관리방안 제시를 위하여 영향변수에 대한 다지분리 (Multiway Split)를수행하는 알고리즘인 CHAID 기법을 적용하였다.
성능/효과
경부고속도로 서울방향 이정 416Km상에서 발생한 교통사고는 A등급에 해당하는 교통사고로서 의사결정 나무의 주요변수에 해당하는 현장자료를 토대로 의사결정나무에 의한 결과를 살펴본 결과 돌발상황 처리시간이 평균 89.511 분으로 도출되었으며, 표준편차인 ±9.24분을 적용하면 80.27분~98.75분 사이에 존재하게 된다.
또한 교통사고 C등급의 영향요인 중에서 중차량의 경우는 일반렉카차량으로 견인하기 어려워 중차량 전용 렉카차량을 이용한 사고처리가 이루어져야 하므로 돌발상황 처리시간에 영향을 미치는 요인으로 도출되었다.
또한 다중비교분석의 하나로 사후검증 중 Scheff 분석방법을 적용한 검증결과 사고등급 1(A등급), 2(B 등급), 3(C등급)간의 개별비교결과도 서로 차이가 있는 것으로 분석되었다.
야구분으로 구분되는데 우선 사고발생시간대를 살펴보면 돌발상황이 발생한 시간대가 주간, 야간 중 야간에 발생한 사고에서 돌발상황 처리시간이 추가적으로 소요되는 것으로 분석되었다. 또한 사고차량수의 경우 돌발상황과 연관된 차량수가 1대 이상일 경우 돌발상황 처리 시간이 많이 소요되는 것으로 분류되었다.
결과는 다음과 같다. 분석결과 종속변수인 전체사고 돌발상황 처리시간과 사고차량수, 교통량이 신뢰수준 95% 이내에서 양(+)의 상관관계를 가지는 것으로 도출되어 모형개발 시 유의한 변수로 도출될 가능성이 높은 것으로 판단할 수 있다.
사례지역의 돌발상황 실제처리시간은 95분, 전체사고 돌발상황 처리시간 예측모형에 의한 예측치는 92.766분으로 의사결정나무에 의한 기준과 비교해볼 때 각각 유의한 범위내에 예측결과를 도출할 수 있는 것으로 나타났다.
앞서 분석한 돌발상황 처리시간 예측모형에서도 교통량은 처리 시간에 영향을 미치는 주요변수로 도출되었으며, 교통량 3, 438대/시를 기준으로 특성이 구분되며, 이는 교통량이 많을수록 돌발상황을 처리하는데 소요되는 시간이 오래 걸리는 것으로 해석할 수 있다.
사고등급, 교통량, 주 . 야구분, 중차량포함여부, 사고차량수등이 영향을 미치는 것으로 분석되었다. 사고등급은 돌발상황 처리시간에 가장 큰 영향을 미치는 변수로서 본 연구에서는 사고등급을 A~C등급 사고로 구분하여 사고등급별 처리시간 예측모형을 별도로 도출하였다.
야구분이 도출되었다. 이 중 A등급사고는 사고의 심각도가 클수록 사고 현장을 처리하는데 소요되는 시간이 길어짐을 의미하며, 계수값 42.298로 가장 큰 영향을 미치는 것으로 도출되었다. 주 .
구축하였다. 이를 위하여 데이터 마이닝 기법의 한 종류인 CHAID기법을 적용하여 의사결정나무 (Decision Tree)를 도출하였으며, 1차적으로 사고등급에 의하여 심각한 사고인 A, B등급과 경미한 사고인 C등급으로 구분되었으며, 2차적으로는 대상 도로의 교통량에 의하여 구분되어 지는 것으로 분석되었다.
후속연구
관리방식의 한계점을 보다 보완할 수 있을 것으로 판단된다.
적용하기에는 한계가 있다. 따라서 각 지역별 혹은 노선별 상황을 고려한 돌발상황 처리시간 예측모형의 개발이 필요할 것으로 판단된다.
또한, 돌발상황 처리시간 영향변수의 다양한 고려가 필요하며, 변수 선정시 더미변수가 아닌 연속형 변수의 적용을 통하여 보다 현실적인 돌발상황 처리 시간 예측모형의 개발이 필요하다.
마지막으로 고속도로 돌발상황으로 인한 처리 시간도 중요하지만 이로 인하여 발생하는 교통정체 회복 시간에 대한 연구도 중요할 것으로 판단되며, 이에 대한 연구가 추가적으로 이루어져야 할 것이다.
본 연구에서 도출되어진 돌발상황 지속시간 예측모형과 의사결정나무(Decision Tree)를 통하여 고속도로 돌발상황 발생 시 도로이용자들에게 보다 신속하고 실효성 있는 교통정보를 제공하는데 기여할 수 있을 것으로 판단되며, 기존의 돌발상황 운영 . 관리방식의 한계점을 보다 보완할 수 있을 것으로 판단된다.
향후연구과제로는 본 연구의 공간적 범위는 경부고속도로로서 전국의 고속도로를 대상으로 연구 결과를 적용하기에는 한계가 있다. 따라서 각 지역별 혹은 노선별 상황을 고려한 돌발상황 처리시간 예측모형의 개발이 필요할 것으로 판단된다.
허순영, Hazard함수를 이용한 고속도로 돌발상황 단계별 지속시간 추정연구, 공주대학교, 석사학위논문, 2005. 2.
FHWA, Freeway Incident Management Handbook, Report No. FHWA-SA-91-056, Federal Highway Administration, Department of Transportation, USA, July 1991.
Vaneet, duration and Travel Time Impacts if Incident, ADVANCE Project Technical Report TRF-ID-202, November 1994.
Garib, A. E. Radwan and H. Al-Deek, "Estimating Magnitude and Duration of incident Delays", Journal of Transportation Engineering, Vol. 123, Issue. 6, pp. 459-466, November/December 1997.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.