$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

의사결정나무와 시공간 시각화를 통한 서울시 교통사고 심각도 요인 분석
Analysis of Traffic Accidents Injury Severity in Seoul using Decision Trees and Spatiotemporal Data Visualization 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.47 no.2, 2017년, pp.233 - 254  

강영옥 (이화여자대학교 사범대학 사회과교육과 지리전공) ,  손세린 (이화여자대학교 사범대학 사회과교육과) ,  조나혜 (이화여자대학교 사범대학 사회과교육과)

초록
AI-Helper 아이콘AI-Helper

본 연구는 교통사고 가운데 인적피해를 동반한 교통사고에 대해 교통사고의 시공간적 특성과 교통사고 심각도에 영향을 미치는 주요인을 분석하고자 하였다. 이를 위해 2012년부터 2015년 까지 4년간 서울시에서 발생한 교통사고 데이터 가운데 인적사고가 있는 데이터를 교통사고 심각도에 따라 경상, 중상, 사망 교통사고로 분류하고, 교통사고의 시공간특성분석은 커널분석, 핫스팟분석, 스페이스타임큐브분석, EHSA(Emerging HotSpot Analysis)를 수행하였으며, 교통사고 심각도에 영향을 미치는 요인 분석은 데이터마이닝 기법중의 하나인 의사결정나무 모형을 활용하였다. 분석결과 서울시 교통사고는 도심부 보다는 외곽지역에서 많이 발생하며 특히 한강 이남의 상업 활동이 많은 곳에서 교통사고가 많음을 확인할 수 있었다. 특히 서초와 강남의 일부 상업 및 유흥지역을 중심으로 교통사고 집중지역이 나타나며 교통사고 다발지역은 시간이 흐름에 따라 그 현상이 더욱 심화되는 경향을 보이고 있었다. 사망교통사고의 경우 지역적으로는 영등포구, 구로구, 종로구, 중구, 성북구 일부지역에 통계적으로 유의미한 핫스팟지역이 나타나지만 시간대별로 구분해보면 오후 퇴근시간 부터 새벽까지 일부 구간에서 핫스팟이 나타나며 시간 고려 없이 분석된 결과와는 상이한 패턴이 나타남을 알 수 있었다. 서울시 교통사고 심각도에 영향을 미치는 주요 요인으로는 사고유형이 가장 중요한 역할을 하며 도로의 종류, 차량의 종류, 교통사고 발생 시간, 법규위반 종류 등의 순으로 중요도가 나타났다. 교통사고 가운데 심각한 교통사고로 이어지는 경우는 차대 사람이나 차량단독으로 사고가 나는 경우 고속도로나 특별광역시도와 같이 폭원이 넓고 차량속도가 높은 곳에서 승합차나 화물차에서 중상의 교통사고가 일어날 가능성이 높으며, 동일한 상황에서 승합차나 화물차가 아닌 승용차, 자전거, 이륜차 등의 경우에는 새벽시간에 심각한 교통사고로 이어질 가능성이 높은 것으로 나타났다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The purpose of this study is to analyze the main factors influencing the severity of traffic accidents and to visualize spatiotemporal characteristics of traffic accidents in Seoul. To do this, we collected the traffic accident data that occurred in Seoul for four years from 2012 to 2015, and classi...

주제어

#스페이스타임큐브분석   #데이터마이닝   #의사결정나무   #의사결정규칙   #교통사고 분석  

질의응답

핵심어 질문 논문에서 추출한 답변
의사결정나무분석의 장점은? 의사결정나무 (Decision Tree)는 데이터마이닝 분석의 대표적인 기법중 하나로 주어진 데이터를 특정 기준에 따라 분류하거나 예측하는 분석방법이다. 의사결정나무분석은 이해하기 쉬운 규칙을 생성하며, 분류작업이 용이하고, 연속형 변수와 범주형 변수를 모두 취급할 수 있으며, 모형에 대한 가정이 필요 없는 비모수적 방법이라는 장점이 있다. 또한 가장 설명력이 있는 변수에 대해 최초의 분리가 일어나는 특징을 가진다(박창이 외, 2013).
의사결정나무란 무엇인가? 의사결정나무 (Decision Tree)는 데이터마이닝 분석의 대표적인 기법중 하나로 주어진 데이터를 특정 기준에 따라 분류하거나 예측하는 분석방법이다. 의사결정나무분석은 이해하기 쉬운 규칙을 생성하며, 분류작업이 용이하고, 연속형 변수와 범주형 변수를 모두 취급할 수 있으며, 모형에 대한 가정이 필요 없는 비모수적 방법이라는 장점이 있다.
의사결정나무 분석 알고리즘에는 어떤 것이 있는가? 의사결정나무 분석 알고리즘은 분리기준과 정지규칙, 가지치기에서 서로 다른 형성기준이 있고, 이들이 어떻게 결합하느냐에 따라 서로 다른 알고리즘으로 나뉜다. 대표적인 알고리즘으로는 CHAID, QUEST, CART등이 있는데 CHAID알고리즘은 목표변수가 이산형일 경우 카이제곱 검정통계량을 사용하고, 목표 변수가 연속형일 경우 F-검정을 이용하여 다지 분리를 수행하는 알고리즘이다. QUEST알고리즘은 명목형 목표변수에 대해서만 분석할 수 있으며 카이제곱검정통계량을 이용하여 예측변수의 측도에 따라 서로 다른 분리기준을 사용하여 이지분리를 하는 알고리즘이다.
질의응답 정보가 도움이 되었나요?

참고문헌 (39)

  1. 강병서, 김계수. 2013. 사회과학 통계분석. 한나래 아카데미, p.542-566. Kang BS, Kim KS. 2013. Statistical Analysis of Social Science. Hannarae Academy, p.542-566. 

  2. 교통사고조사자료. 2012-2015. 경찰청. Traffic accident investigation document. 2012-2015. National Police Agency. 

  3. 교통사고통계 요약. 2016. 도로교통공단. Traffic accident statistics summary. 2016. Road Traffic Authority 

  4. 박용우, 백세흠, 박신형, 권오훈. 2016. 의사결정나무를 이용한 고속도로 공간구간 사고 심각도에 관한 연구. 대한교통학회지. 34(6):535-547. Park YW, Baek SH, Park SH, Kwon OH. 2016. A Study on the Crash Severity of Expressway Work Zones Using Decision Tree. ournal of the Korean Society of Transportation. 34(6):535-547. 

  5. 박준태, 이수범, 이동민. 2011. 도시부 도로구간 사고 예측모형 개발. 한국교통연구원 교통연구. 18(1):63-73. Park JT, Lee SB, Lee DM. 2011. Development of a Traffic Accident Prediction Model for Urban Roads. The Korea Transport Institute, 18(1):63-73. 

  6. 박창이, 김용대, 김진석, 송종우, 최호식. 2013. R을 이용한 데이터 마이닝. 교우사. p.103-121. Park CY, Kim YD, Kim JS, Song JW, Choi HS. 2013. Data mining using R. Kyowoo p.103-121. 

  7. 사망교통사고정보. 2012-2015. 경찰청. Death traffic accident information. 2012-2015. National Police Agency. 

  8. 손세린, 강영옥. 2017. 서울시 여성운전자 교통사고의 시공간 특성분석. 한국지도학회지. 17(2):89-98. Son SR, Kang YO. 2017. Analysis of the Spatio- Temporal Characteristic of Traffic Accident for Female Driver in Seoul. Journal of the Korean Cartographic Association, 17(2):89-98. 

  9. 오주석, 이순철. 2009. 고령보행자의 교통사고 특성 분석. 한국심리학회 학술대회 자료집. p.78-79. Oh JS, Lee SC. 2009. Accident characteristics of elderly pedestrians. Korean Psychological Association, p.78-79. 

  10. 유두선, 오상진, 김태영, 박병호. 2008. 주.야간 교통 사고의 특성 및 사고모형 비교분석-청주시 4지 신호교차로를 중심으로. 대한토목학회논문집. 28(2):181-189. Yu DS, Oh SJ, Kim TY, Park BH. 2008. Comparative Analysis on the Characteristics and Models of Traffic Accidents by Day and Nighttime in the Case of Cheongju 4-legged Signalized Intersections. Journal of the Korean Society of Civil Engineers, 28(2):181-189. 

  11. 이기훈, 이수기. 2016. 보행자 교통사고 심각도에 영향을 미치는 운전자 연령대별 사고요인 분석. 한국도시설계학회지. 17(3):63-80. Lee KH, Lee SK. 2016. An Analysis of the Factors of Pedestrian Traffic Accident by Driver's Age and Accident Severity - Focused on 2014 TAAS, Seoul, Korea. Journal of the Urban Design Institute of Korea, 17(3):63-80. 

  12. 이문영. 2013. 의사결정나무 모형을 활용한 교통사고 요인분석. 명지대학교 교통공학과 박사학위논문. p.91-125. Lee MY. 2013. Analysis of Traffic Accident Factor Using Decision Tree Model[Thesis]. Myungji University. p.91-125. 

  13. 이재명, 김태호, 이용택, 원제무. 2008. CART분석을 이용한 교통사고예측모형의 개발. 한국도로학회 논문집. 10(1):31-39. Lee JM, Kim TH, Lee YT, Won JM. 2008. Developing the Traffic Accident Prediction Model using Classification And Regression Tree Analysis. Journal of the Korean Society of Road Engineers,10(1):31-39. 

    원문보기 상세보기

  14. 이재길. 2016. R프로그램에 기반한 다변량분석 및 데이터마이닝. 황소걸음아카데미. p.321-338. Lee JK. 2016. R Program Recipes for Multi-Variate Analysis & Data Minig. Slow&Steady, p.321-338. 

  15. 전우훈, 조혜진. 2005. 야간 교통사고의 특성 분석 연구. 대한토목학회 학술대회. p.4729-4732. Jeon WH, Cho HJ. 2005. A Study on Characteristic Analysis for Nighttime Accident. Korean Society of Civil Engineers, p.4729-4732. 

  16. 조나혜, 강영옥. 2016. 로그데이터의 시공간 데이터마이닝 및 시각화 연구동향. 한국지도학회지. 16(3):15-27. Cho NH, Kang YO. 2016. A Research Trends about Spatio-temporal Data Mining and Visualization of Log Data. Journal of the Korean Cartographic Association, 16(3):15-27. 

  17. 하오근, 박동주, 원제무, 정철호. 2010. 고속도로 사고등급별 돌발상황 처리시간 예측모형 및 의사결정나무 개발. 한국 ITS 학회 논문집. 9(1):101-110. Ha O K, P ark DJ, Won J M, J eong CH. 2 010. T he prediction Models for Clearance Times for the unexpected Incideness According to Traffic Accident Classifications in Highway. Jonal of the Intelligent Transport Systems. 9(1):101-110. 

  18. 한상진, 조운범, 장수은. 2014. CART를 이용한 화물자동차 교통사고 특성분석. 한국교통연구원 교통연구. 21(4):87-103. Han SJ, Cho WB, Jang SE. 2014. Analysis on Truck Accidents using Classification and Regression Trees. The Korea Transport Institute, 21(4):87-103. 

  19. 행정구역경계. 2015. 통계청. Administrative area boundary. 2015. Statistics Korea 

  20. Abdelwahab H, Abdel-Aty M. 2001. Development of artificial neural network models to predict driver injury severity in traffic accidents at signalized intersections. Transportation Research Record. 17(46):6-13. 

  21. Abellan J. Lopez G., de Ona J. 2013. Analysis of traffic accident severity using Decision Rules via Decision Trees. Expert Systems with Applications. 40(15):6047-6054. 

  22. Anderson T K. 2009. Kernel density estimation and K-means clustering to profile road accident hotspots. Accident Analysis & Prevention, 41(3):359-364. 

    상세보기 crossref

  23. Chang L Y, Chien J T. 2013. Analysis of driver injury severity in truck involved accidents using a non-parametric classification tree model. Safety Science. 51(1):17-22. 

    상세보기 crossref

  24. Chang L Y, Wang H W. 2006. Analysis of traffic injury severity: An application of non-parametric classification tree techniques. Accident Analysis and Prevention. 38(5):1019-1027. 

    상세보기 crossref

  25. DeJoy D M. 1992. An examination of gender differences in traffic accident risk perception. Accident Analysis & Prevention. 24(3): 237-246. 

    상세보기 crossref

  26. De Ona J. Lopez G. Mujalli R O, Calvo F J. 2013. Analysis of traffic accidents on rural highways using Latent Class Clustering and Bayesian Networks. Accident Analysis and Prevention. 51:1-10. 

    상세보기 crossref

  27. Elvik R. 2013. Risk of road accident associated with the use of drugs: A systematic review and meta-analysis of evidence from epidemiological studies. Accident Analysis & Prevention. 60:254-267. 

    상세보기 crossref

  28. ESRI ArcGIS Pro, http://pro.arcgis.com. 

  29. Getis A, Ord J. 1992. The Analysis of spatial association by use of distance statistics, Geographical Analysis, 2493:189-206. 

  30. Graham J. I rving J. Tang X . S ellers S. C risp J . Horwitz D. ... & Carey D. 2015. Increased traffic accident rates associated with shale gas drilling in Pennsylvania. Accident Analysis & Prevention. 74: 203-209. 

    상세보기 crossref

  31. Kristensson P O. Dahlback N. Anundi D. Bjornstad M. Gillberg H. Haraldsson J. ..., Stahl J. 2009. An evaluation of space time cube representation of spatiotemporal patterns. IEEE Transactions on Visualization and Computer Graphics. 15(4):696-702. 

    상세보기 crossref

  32. Massie D L. Campbell K L. & Williams A F. 1995. Traffic accident involvement rates by driver age and gender. Accident Analysis & Prevention. 27(1): 73-87. 

    상세보기 crossref

  33. Montella A. Aria M. D'Ambrosio A, Mauriello F. 2012. Analysis of powered two-wheeler crashes in Italy by classification trees and rules discovery. Accident Analysis and Prevention. 49:58-72. 

    상세보기 crossref

  34. Montella A. Aria M. D'Ambrosio A., Mauriello F. 2011. Data mining techniques for exploratory analysis of pedestrian crashes. Transportation Research Record . 2237:107-116. 

    상세보기 crossref

  35. Mujalli R O & de Ona J. 2011. A method for simplifying the analysis of traffic accidents injury severity on two-lane highways using Bayesian networks. Journal of Safety Research. 42(5): 317-326. 

    상세보기 crossref

  36. Parker D. West R. Stradling S. & Manstead A S. 1995. Behavioural characteristics and involvement in different types of traffic accident. Accident Analysis & Prevention. 27(4): 571-581. 

    상세보기 crossref

  37. Prasannakumar V. Vijith H. Charutha R., Geetha N. 2011. Spatio-temporal clustering of road accidents: GIS based analysis and assessment. Procedia-Social and Behavioral Sciences. 21:317-325. 

    상세보기 crossref

  38. Xie Z., Yan J. 2008. Kernel density estimation of traffic accidents in a network space. Computers, Environment and Urban Systems. 32(5):396-406. 

    상세보기 crossref

  39. Zhang G. Yau K K. Zhang X., Li Y. 2016. Traffic accidents involving fatigue driving and their extent of casualties. Accident Analysis & Prevention. 87:34-42. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로