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
- 앞에서 제시된 실제사고건수와 각 모형에 따라 산정된 사고건수에 대한 동질성 검증을 위하여 카이스퀘어 검증을 수행하였다. 본 검증(X2 -Test)의 가설은 실제사고건수와 예측사고건수가 유의수준 안에서 동일하다고 판단할 수 있는지 여부를 알기 위함이다.
- 영향변수의 선정과정에서 제시된 54개의 변수 중에는 교통사고의 유형보다는 사고의 심각 도에 더 많은 영향을 미치는 변수가 존재하였다. 본 연구에서는 사고의 빈도예측을 위한 모형을 구축하는 것이 목적이므로 주로 사고의 심각도에 영향을 미치는 변수는 배제하고자 한다.
- 본 연구에서는 신호교차로 교통사고 예측모형 구축과정 중 일반적으로 제한된 변수의 선정 및 모형의 구축에만 주로 초점이 맞추어진 기존 방법론의 문제점을 개선하고, 자료조사 및 수집과정에서 발생하는 자료의 불확실한 상태를 인정하면서 자료의 불확실성으로 인한 문제를 최소화할 수 있는 방법 론을 개발하고자 하였다. 이를 위하여 첫째로 변수의 선정의 합리성을 제고하기 위하여 도로조건, 교통조건, 주변환경조건 등을 고려한 총 54개의 다양한 영향요인을 고려하여 분석 하였다.
- 본 연구에서는 첫째, 우선 영향변수와 교통사고와의 상관 성이 높은 변수를 선택하고 둘째, 변수들 간의 상관분석을 수행하여 변수간의 다중공선성이 발생하지 않는 변수를 가지고 모형을 구축한 후, 마지막으로 적용된 변수의 유의성을 검토 하여 변수를 선정하고자 한다.
- 선정된 영향변수와 신호교차로 교통사고와의 관계를 검증 하기 위해 신호교차로에서 발생하는 교통사고 유형과 변수와의 연관성을 검토해 보았다. 영향변수의 선정과정에서 제시된 54개의 변수 중에는 교통사고의 유형보다는 사고의 심각 도에 더 많은 영향을 미치는 변수가 존재하였다.
가설 설정
- 교통사고와 상관이 있는 요인으로는 주·부도로 교통량, 차로수, 부도로 우회전 시거 등이다. 교통사고와의 상관성이 높은 변수를 적용한 모형이 교통사고예측모형의 신뢰성을 보다 제고할 수 있다는 가정하에 변수를 선정하였다. 표 5에서 제시된 18개 변수 중 상관계수가 0.
제안 방법
- 1단계에서는 기존방법론인 선형 및 비선형 회귀분석 모형과의 비교를 통하여 적합성을 검증하였다. 2단계에서는 본 연구에서 모형정산(Calibration)을 위하여 사용된 사고자료 Database 이외에 2차 검증을 위한 별도의 자료를 본 연구에서 개발된 모형과 타 기존 모형을 적용하여 비교 함으로써 보다 신뢰성 있는 모형의 적합도 검증을 수행하였다. 본 연구의 방법은 기존문제분석, 대안설정, 조사자료 수집, 영향변수 산정, 모형개발, 모형검증의 총 6단계로 이루어지며 이를 그림 1에 도식화 하여 나타내었다.
- 조사대상 지점수는 판단표본추출방법에 따라 결정된 96개 지점과 모형의 검증을 위해 사용할 10개 지점을 선정하였다. 그리고 기존문헌 고찰을 통하여 교차로 교통사고에 영향을 미치는 것으로 규정되어 있는 다양한 요소를 검토하여, 교통 조건과 도로환경조건을 포함한 54개의 항목을 선정하였다. 교통사고자료는 교통사고관리시스템(TAMS)*에 있는 2007년도 교통사고 자료와, 도로교통공단의 사고충돌도 자료를 활용하며, 공단에서 자체 조사한『2007년 전자교통신호체계 운영 및 교통량자료』를 이용하여 신호운영 및 교통조건을 파악하였다.
- 두 번째로는 자료 수집과정에서 발생하는 불확실성을 극복할 수 있는 방법론으로서 퍼지추론모형과 신경망이론모형을 적용하였다. 그리고 기존에 가장 많이 적용되고 있는 포아송 회귀모형과의 비교를 통하여 이 모형의 적합성을 검증하였다. 그 결과 포아송 회귀모형보다는 퍼지추론모형 및 신경망이론모형이 보다 적합한 것으로 나타났다.
- 교통사고와 변수간의 상관관계를 분석하여 18개의 영향요인을 선정하였다. 그리고 신호교차로 교통사고와의 상관정도 및 변수간의 상관관계를 분석하여 부도로 교통량, 주도로 차로수, 교차로 넓이, 부도로 딜레마구간 길이 등 4개의 영향변수를 선정하였다. 두 번째로는 자료 수집과정에서 발생하는 불확실성을 극복할 수 있는 방법론으로서 퍼지추론모형과 신경망이론모형을 적용하였다.
- 기존 신호교차로 교통사고 예측모형 구축에 쓰이는 방법 중 교차로 교통사고 예측모형에 가장 적합하다고 판단되는 모형을 검토하였다. 일반적으로 다중선형회귀분석 모형과 비선형회귀분석 모형 중 포아송 회귀모형이 가장 일반적으로 많이 쓰이고 있으나, 적합도 면에서는 포아송 회귀모형이 더 좋은 것으로 판단되어 비선형 회귀분석 중 포아송 회귀모형을 적용하였다.
- 이는 10,000회 이상의 기간으로 설정할 경우, 최대 반복횟수까지 훈련이 반복되어 모형의 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 학습률 방법을 사용하였다.
- 입력층의 노드(Node)의 수를 n이라 하면, 은닉층의 노드 수는 n부터 6n까지의 변화를 시키면서 최적의 신경망모형을 선별하였다. 또한 은닉층 처리소자의 개수에 따른 학습효과를 분석하기 위해 동일한 반복횟수 10,000회에 대해 각 모형별로 모의하였다. 이는 10,000회 이상의 기간으로 설정할 경우, 최대 반복횟수까지 훈련이 반복되어 모형의 일반화 및 효율성이 떨어지는 것으로 나타났으나 10,000회 정도의 기간에서 가장 좋은 결과를 얻을 수 있었다.
- 퍼지추론 방법으로는 Mamdani의 Min-Max중심법 (Centroid)을 적용하여 계산하였다. 또한, 각 변수에 대한 멤버십 함수의 범위와 중복도는 전문가의 경험을 이용하여 각 데이터의 평균값과 50% 중복도를 사용하였다. 이와 같은 방법에 의하여 퍼지추론에 의한 교통사고 예측모형을 추론하였다.
- 신경망의 보정을 위한 훈련에 사용된 학습방법은 알고리즘 적용시 오차가 지역 최소값(Local Minima)에 수렴하는 것을 방지하고 학습의 효율을 높이기 위해 모멘텀`-`적응식 학습률 방법을 사용하였다. 모멘텀 상수와 초기 학습률은 민감도 분석을 통해 얻었고 모든 모형에서 각각 0.1를 일괄적으로 사용하였다. 일련의 과정을 거쳐 얻어진 모형들의 평가기준은 수치적 기준을 적용 하여 살펴보았다.
- 이는 후에 후처리 과정(Post-process)을 거쳐 실제 값으로 다시 변환되어진다. 모형을 학습시키기 위한 방법으로 일반적으로 널리 응용되고 있는 오차 역전파 알고리즘을 적용하여 모형에 따른 특성을 분석하였다. 예측치와 실측치를 비교하여 적중률을 알아보았다.
- 선정된 영향변수를 이용하여 지능형 시스템이론인 퍼지추론과 신경망이론을 적용하여 모형을 구축하였다. 본 연구에서 구축된 퍼지추론모형과 신경망이론모형은 두 단계에 걸쳐 검증이 이루어졌다. 1단계에서는 기존방법론인 선형 및 비선형 회귀분석 모형과의 비교를 통하여 적합성을 검증하였다.
- 본 연구에서 신경망 모형을 학습시키기 위한 학습자료(Learning Data)로서 부도로 교통량, 주도로 차로수, 교차로 면적, 부도로 딜레마구간 길이를 사용하였다. 모든 학습자료는 전처리과정(Pre-process)인 정규화(Normalization)를 한다.
- 본 연구에서 조사지점 선정을 위한 표본추출방법은 비확률 표본추출방법인 판단표본추출방법(Judgement Sampling) 을 이용하여 표본을 선정하였고 조사지점의 선정기준은 표 3과 같다.
- 2단계에서는 본 연구에서 모형정산(Calibration)을 위하여 사용된 사고자료 Database 이외에 2차 검증을 위한 별도의 자료를 본 연구에서 개발된 모형과 타 기존 모형을 적용하여 비교 함으로써 보다 신뢰성 있는 모형의 적합도 검증을 수행하였다. 본 연구의 방법은 기존문제분석, 대안설정, 조사자료 수집, 영향변수 산정, 모형개발, 모형검증의 총 6단계로 이루어지며 이를 그림 1에 도식화 하여 나타내었다.
- 대안별 모형을 구축하기 위해 필요한 교통사고자료와 신호교차로의 교통, 도로 및 주변 환경 조건에 대한 영향변수 자료를 수집하였다. 수집한 교통사고자료와 영향변수자료간의 상관분석을 통해 교통사고와의 연관성을 검증하고, 다중 공선성을 고려하여 모형구축을 위한 영향변수를 선정하였다. 선정된 영향변수를 이용하여 지능형 시스템이론인 퍼지추론과 신경망이론을 적용하여 모형을 구축하였다.
- 예측치와 실측치를 비교하여 적중률을 알아보았다. 신경망 모형은 각각의 변수들을 적용하여 구성하였다. 입력층의 노드(Node)의 수를 n이라 하면, 은닉층의 노드 수는 n부터 6n까지의 변화를 시키면서 최적의 신경망모형을 선별하였다.
- 신호교차로 사고예측모형을 개발하기 위해 교통사고빈도를 종속변수로, 신호교차로에 대한 교통조건, 도로조건, 교통환경조건으로 구축된 교통사고요인 자료를 독립변수로 하여 상관분석을 수행하였다. 이때 변수의 유의성을 검증하기 위한 신뢰수준은 95%(α=0.
- 모형을 학습시키기 위한 방법으로 일반적으로 널리 응용되고 있는 오차 역전파 알고리즘을 적용하여 모형에 따른 특성을 분석하였다. 예측치와 실측치를 비교하여 적중률을 알아보았다. 신경망 모형은 각각의 변수들을 적용하여 구성하였다.
- 이러한 과정을 거쳐서 부도로 교통량, 주도로 차로수, 교차로 넓이, 부도로 딜레마구간 길이 등 총 4개의 영향변수를 선정하였다.
- 첫 번째로 모형 구축시 조사자료의 중요성 인식 부재에 따른 신뢰성 저하이고, 두 번째 문제점은 변수 선정 및 모형의 형태만을 중시하는 경향에 따른 조사자료의 수집 및 가공과정에 대한 신뢰성 부족이다. 이러한 문제점을 해결하기 위하여 자료의 불확실성 상태를 합리적으로 처리할 수 있는 퍼지추론 이론과 자료의 학습과 반복을 통한 안정화 상태를 유지할 수 있는 신경망이론을 이용하여 모형을 구축하는 대안을 설정하였다. 대안별 모형을 구축하기 위해 필요한 교통사고자료와 신호교차로의 교통, 도로 및 주변 환경 조건에 대한 영향변수 자료를 수집하였다.
- 본 연구에서는 신호교차로 교통사고 예측모형 구축과정 중 일반적으로 제한된 변수의 선정 및 모형의 구축에만 주로 초점이 맞추어진 기존 방법론의 문제점을 개선하고, 자료조사 및 수집과정에서 발생하는 자료의 불확실한 상태를 인정하면서 자료의 불확실성으로 인한 문제를 최소화할 수 있는 방법 론을 개발하고자 하였다. 이를 위하여 첫째로 변수의 선정의 합리성을 제고하기 위하여 도로조건, 교통조건, 주변환경조건 등을 고려한 총 54개의 다양한 영향요인을 고려하여 분석 하였다. 교통사고와 변수간의 상관관계를 분석하여 18개의 영향요인을 선정하였다.
- 이에 본 연구에서는 데이터의 불확실성 상태를 합리적으로 처리할 수 있는 퍼지추론이론(Fuzzy Reasoning Theory) 및 인간의 신경계를 수학적으로 모형화하여 학습에 의한 예측이 뛰어난 것으로 알려져 있는 신경망이론(Neural Network Theory)을 적용한 도시부 신호교차로 교통사고예측 모형을 구축하여 주요 영향요인과 예측력 등을 비교·검토하였다.
- 1를 일괄적으로 사용하였다. 일련의 과정을 거쳐 얻어진 모형들의 평가기준은 수치적 기준을 적용 하여 살펴보았다. 수치적기준인 MSE(평균제곱오차)는 모형 적합도의 전체적인 우수성을 보여주기 위한 것으로 식 (2)와 같다.
- 신경망 모형은 각각의 변수들을 적용하여 구성하였다. 입력층의 노드(Node)의 수를 n이라 하면, 은닉층의 노드 수는 n부터 6n까지의 변화를 시키면서 최적의 신경망모형을 선별하였다. 또한 은닉층 처리소자의 개수에 따른 학습효과를 분석하기 위해 동일한 반복횟수 10,000회에 대해 각 모형별로 모의하였다.
- 퍼지 및 신경망이론을 이용한 도시부 신호교차로 교통사고 예측모형 구축에 사용될 기초자료를 수집한다. 자료의 수집은 문헌조사 결과를 근거로 조사항목을 결정하고 현장조사를 통해 수집한 후, 이를 Database화 한다.
- 퍼지추론을 적용하기 위해서 입력변수로는 부도로 교통량, 주도로 차로수, 교차로면적, 부도로 딜레마구간길이를 사용 하였다. 출력변수로는 교통사고건수를 이용하여 멤버쉽 함수를 작성하였다. 부도로 교통량은 연평균 일교통량를 이용하여 {적다, 보통이다, 많다}인 3개의 멤버쉽 함수로, 주도로 차로수도 {적다, 보통이다, 많다}로, 교차로 면적은 {넓다, 보통이다, 좁다}로, 부도로 딜레마구간 길이는 {길다, 보통이다, 짧다}로 멤버쉽 함수를 작성했으며, 교통사고건수는 {매우적다, 적다, 보통이다, 많다, 매우많다} 다섯 가지로 멤버쉽 함수를 작성하였다.
- 퍼지추론을 적용하기 위해서 입력변수로는 부도로 교통량, 주도로 차로수, 교차로면적, 부도로 딜레마구간길이를 사용 하였다. 출력변수로는 교통사고건수를 이용하여 멤버쉽 함수를 작성하였다.
대상 데이터
- 이를 위하여 첫째로 변수의 선정의 합리성을 제고하기 위하여 도로조건, 교통조건, 주변환경조건 등을 고려한 총 54개의 다양한 영향요인을 고려하여 분석 하였다. 교통사고와 변수간의 상관관계를 분석하여 18개의 영향요인을 선정하였다. 그리고 신호교차로 교통사고와의 상관정도 및 변수간의 상관관계를 분석하여 부도로 교통량, 주도로 차로수, 교차로 넓이, 부도로 딜레마구간 길이 등 4개의 영향변수를 선정하였다.
- 그리고 기존문헌 고찰을 통하여 교차로 교통사고에 영향을 미치는 것으로 규정되어 있는 다양한 요소를 검토하여, 교통 조건과 도로환경조건을 포함한 54개의 항목을 선정하였다. 교통사고자료는 교통사고관리시스템(TAMS)*에 있는 2007년도 교통사고 자료와, 도로교통공단의 사고충돌도 자료를 활용하며, 공단에서 자체 조사한『2007년 전자교통신호체계 운영 및 교통량자료』를 이용하여 신호운영 및 교통조건을 파악하였다.
- 이러한 문제점을 해결하기 위하여 자료의 불확실성 상태를 합리적으로 처리할 수 있는 퍼지추론 이론과 자료의 학습과 반복을 통한 안정화 상태를 유지할 수 있는 신경망이론을 이용하여 모형을 구축하는 대안을 설정하였다. 대안별 모형을 구축하기 위해 필요한 교통사고자료와 신호교차로의 교통, 도로 및 주변 환경 조건에 대한 영향변수 자료를 수집하였다. 수집한 교통사고자료와 영향변수자료간의 상관분석을 통해 교통사고와의 연관성을 검증하고, 다중 공선성을 고려하여 모형구축을 위한 영향변수를 선정하였다.
- 본 연구에서 조사대상 교차로는 위치 및 교통특성이 도시 부의 전형적인 모습을 나타낸다고 볼 수 있는 서울 및 수도권과 부산권의 교차로 중 4지 신호교차로를 대상으로 하였다. 조사대상 지점수는 판단표본추출방법에 따라 결정된 96개 지점과 모형의 검증을 위해 사용할 10개 지점을 선정하였다.
- 조사 표본수의 결정은 분산 값을 추정하기가 곤란하므로 모비율에 대한 사전정보가 없는 경우를 적용하여 표 4와 같이 최대허용오차(10%)와 신뢰수준(95%)을 고려하여 표본수 96개를 선정하였다.
- 본 연구에서 조사대상 교차로는 위치 및 교통특성이 도시 부의 전형적인 모습을 나타낸다고 볼 수 있는 서울 및 수도권과 부산권의 교차로 중 4지 신호교차로를 대상으로 하였다. 조사대상 지점수는 판단표본추출방법에 따라 결정된 96개 지점과 모형의 검증을 위해 사용할 10개 지점을 선정하였다. 그리고 기존문헌 고찰을 통하여 교차로 교통사고에 영향을 미치는 것으로 규정되어 있는 다양한 요소를 검토하여, 교통 조건과 도로환경조건을 포함한 54개의 항목을 선정하였다.
- 퍼지 및 신경망이론을 이용한 도시부 신호교차로 교통사고 예측모형 구축에 사용될 기초자료를 수집한다. 자료의 수집은 문헌조사 결과를 근거로 조사항목을 결정하고 현장조사를 통해 수집한 후, 이를 Database화 한다.
데이터처리
- 선정된 변수로 구축된 모형간의 비교를 위하여 다항로짓모형의 유효성 지표인 적합도와 퍼지추론모형의 유효성 지표인 Pi값 그리고 신경망 이론 모형의 유효성 지표인 MSE(평균 제곱오차`:`Mean Square Error)를 이용하여 모형의 적합성을 비교하였다. 표 11의 부도로 교통량, 주도로 차로수, 교차로 넓이, 부도로 딜레마구간 길이를 변수로 하여 구축한 교통사고건수모형을 보면 퍼지추론에 의한 모형의 적중률은 기존의 포와송 회귀모형에 비하여 높은 적중률을 보이고 있으며, 퍼지모형의 평가지표인 평균 Pi값도 포와송 회귀모형에 비하여 낮게 나타나고 있다.
- 앞에서 제시된 실제사고건수와 각 모형에 따라 산정된 사고건수에 대한 동질성 검증을 위하여 카이스퀘어 검증을 수행하였다. 본 검증(X2 -Test)의 가설은 실제사고건수와 예측사고건수가 유의수준 안에서 동일하다고 판단할 수 있는지 여부를 알기 위함이다.
이론/모형
- 그리고 신호교차로 교통사고와의 상관정도 및 변수간의 상관관계를 분석하여 부도로 교통량, 주도로 차로수, 교차로 넓이, 부도로 딜레마구간 길이 등 4개의 영향변수를 선정하였다. 두 번째로는 자료 수집과정에서 발생하는 불확실성을 극복할 수 있는 방법론으로서 퍼지추론모형과 신경망이론모형을 적용하였다. 그리고 기존에 가장 많이 적용되고 있는 포아송 회귀모형과의 비교를 통하여 이 모형의 적합성을 검증하였다.
- 따라서 본 연구에서는 기존의 교통량 위주의 분석결과 한계에서 벗어나도록 자료의 불확실성과 가공과정의 오류를 최소화하는 방법인 퍼지추론 및 신경망 이론을 적용하였다.
- 수집한 교통사고자료와 영향변수자료간의 상관분석을 통해 교통사고와의 연관성을 검증하고, 다중 공선성을 고려하여 모형구축을 위한 영향변수를 선정하였다. 선정된 영향변수를 이용하여 지능형 시스템이론인 퍼지추론과 신경망이론을 적용하여 모형을 구축하였다. 본 연구에서 구축된 퍼지추론모형과 신경망이론모형은 두 단계에 걸쳐 검증이 이루어졌다.
- 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 학습률 방법을 사용하였다. 모멘텀 상수와 초기 학습률은 민감도 분석을 통해 얻었고 모든 모형에서 각각 0.
- 또한, 각 변수에 대한 멤버십 함수의 범위와 중복도는 전문가의 경험을 이용하여 각 데이터의 평균값과 50% 중복도를 사용하였다. 이와 같은 방법에 의하여 퍼지추론에 의한 교통사고 예측모형을 추론하였다. 퍼지추론모형의 평균값은 적합성을 나타내는 것으로, 식 (1)과 같다.
- 퍼지추론 방법으로는 Mamdani의 Min-Max중심법 (Centroid)을 적용하여 계산하였다. 또한, 각 변수에 대한 멤버십 함수의 범위와 중복도는 전문가의 경험을 이용하여 각 데이터의 평균값과 50% 중복도를 사용하였다.
성능/효과
- (b) 주도로 교통량의 경우는 부도로 교통량, 주도로 차로수, 주기길이, 부도로 딜레마구간과의 상관성이 높으나, 그중 부도로 교통량이 교통사고와의 연관성이 더 높아 주도로 교통량은 변수선정 시 제외하였다.
- (c) 주도로 차로수의 경우는 부도로 차로수, 주기길이, 주도로 딜레마구간 길이와 상관성이 높은 것으로 나타났으며, (d) 교차로 넓이의 경우도 주도로 교통량, 부도로 차로수, 주도로 딜레마구간 길이와 상관성이 높았다.
- (e) 부도로 딜레마구간의 길이도 주도로 교통량과 주도로 딜레마구간의 길이와 상관성이 높은 것으로 나타났다.
- X2검증 결과 신경망 모형의 X2값이 가장 낮아 기무가설이 채택될 확률이 제일 높은 것으로 나타났다.
- 그리고 기존에 가장 많이 적용되고 있는 포아송 회귀모형과의 비교를 통하여 이 모형의 적합성을 검증하였다. 그 결과 포아송 회귀모형보다는 퍼지추론모형 및 신경망이론모형이 보다 적합한 것으로 나타났다. 이는 조사자료의 불확실성을 합리적으로 처리하고, 자료의 학습을 통한 조사자료의 가공을 통해 조사자료의 오류를 보정하여 모형을 구축할 경우 보다 사고빈도예측의 정확성이 뛰어난 모형을 얻을 수 있다는 것을 의미한다.
- 이는 조사자료의 불확실성을 합리적으로 처리하고, 자료의 학습을 통한 조사자료의 가공을 통해 조사자료의 오류를 보정하여 모형을 구축할 경우 보다 사고빈도예측의 정확성이 뛰어난 모형을 얻을 수 있다는 것을 의미한다. 그리고 신경망이론모형이 퍼지추론모형보다 설명력이 높은 모형으로 나타났다. 본 연구에는 교통조건, 도로환경조건 등만을 고려하여 변수가 선정되었으나, 향후에는 이외에도 운전자에 대한 인적요소와 같이 본 연구에서 고려하지 못한 주요 영향 변수에 대한 연구도 필요할 것이다.
- 표 11의 부도로 교통량, 주도로 차로수, 교차로 넓이, 부도로 딜레마구간 길이를 변수로 하여 구축한 교통사고건수모형을 보면 퍼지추론에 의한 모형의 적중률은 기존의 포와송 회귀모형에 비하여 높은 적중률을 보이고 있으며, 퍼지모형의 평가지표인 평균 Pi값도 포와송 회귀모형에 비하여 낮게 나타나고 있다. 또한 신경망이론에 의한 모형의 적중률은 72.28%로 나타나 포와송 회귀모형과 퍼지추론모형에 비하여 아주 높은 적중률을 보이고 있으며, 신경망모형의 평가지표 MSE(평균제곱오차)가 포와송 회귀모형과 퍼지추론 모형과 비교하면 아주 낮게 나타나고 있다. 그러므로 신호교차로에서의 도로기하구조와 교통운영특성을 변수로 교통사고건수를 예측하는 모형으로써 지능형 이론을 사용한 모형이 높은 적중률을 나타내고 있다고 볼 수 있다.
- 실제 교통사고건 수와 3가지 이론에 의해 구축된 예측모형의 구현결과를 통해서, 퍼지추론 및 신경망에 의해 구축된 사고건수예측모형이 사고의 재현성면에서 기존에 사용되어온 선형·비선형 회귀모형으로 만들어진 모형보다 그 적용성이 유용하다는 것으로 판단할 수 있다. 모형별 교통사고 예측결과 신경망 모형이 가장 높았으며, 실제사고건수 대비 40%정도 정확히 예측하였다.
- 실제 교통사고건 수와 3가지 이론에 의해 구축된 예측모형의 구현결과를 통해서, 퍼지추론 및 신경망에 의해 구축된 사고건수예측모형이 사고의 재현성면에서 기존에 사용되어온 선형·비선형 회귀모형으로 만들어진 모형보다 그 적용성이 유용하다는 것으로 판단할 수 있다.
- Bonneson(1993) 연구에서는 접속도로의 중앙 분리대 설치로 양방향 좌회전 차선으로 분리되었을 때와 분리되지 않았을 때를 구분하여 각각의 조건에 따른 사고예측모형을 개발하였다. 이 연구에서는 같은 교통량을 가지고 있다는 전제 하에서 중앙이 분리되지 않은 교차로의 사고건수가 가장 많았고, 그 다음으로 두 방향 좌회전 차선으로 분리 했을 경우, 중앙분리시설로 분리했을 경우의 교차로 순으로 사고건수가 적어지는 것을 발견하였다.
- 또한 은닉층 처리소자의 개수에 따른 학습효과를 분석하기 위해 동일한 반복횟수 10,000회에 대해 각 모형별로 모의하였다. 이는 10,000회 이상의 기간으로 설정할 경우, 최대 반복횟수까지 훈련이 반복되어 모형의 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.
- 신호교차로에서 발생하는 교통사고의 유형은 크게 직각 충돌, 좌회전정면 충돌, 추돌, 우회전 추돌, 보행자, 측면 사고의 5가지로 분류할 수 있는데, 이 모든 유형을 반영할 수 있는 모형이어야 신호교차로의 교통사고예측에 적절할 것이다. 표 7에 나타난 바와 같이 선정된 변수와 사고유형간의 관계를 검토한 결과 제시된 영향변수가 신호교차로의 교통사고 유형을 잘 반영하는 것으로 나타났다.
후속연구
- 그리고 신경망이론모형이 퍼지추론모형보다 설명력이 높은 모형으로 나타났다. 본 연구에는 교통조건, 도로환경조건 등만을 고려하여 변수가 선정되었으나, 향후에는 이외에도 운전자에 대한 인적요소와 같이 본 연구에서 고려하지 못한 주요 영향 변수에 대한 연구도 필요할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.