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
- 기존연구 고찰을 통해 전국의 도로 네트워크 및 자전거 사고데이터의 GIS 분석기법인 지오코딩을 실시하여 자전거 사고 다발지점의 도로특성의 공통점을 도출하고, 사고 예상지점을 도출하며 이를 통해 전국규모의 자전거 사고 지도를 생성하는 연구 진행 방안을 수립하였다. 이에 따라 전국의 자전거 사고 데이터와 수치지도(Digital Map)의 도로속성 정보를 기반으로 자전거 사고 위험존을 설정하고 이를 활용하여 자전거 이용자에게 시의적절한 안전정보를 제공할 수 있도록 하는 방안을 연구하고자 한다.
제안 방법
- 각 지점 데이터에 도로속성 링크, 노드 데이터를 공간 조인(Join) 하여, 사고지점 (Point) 데이터를 반경 15m 면적의 원형 지역으로 버퍼링(buffering) 하였는데, 이는 일반적인 GPS(Global Positioning System)오차범위가 약 15m 이기 때문에 사고데이터 수집과정에서 발생할 수 있는 위치 오차를 반영하기 위함이다. 각각의 15m반경 원형(Circle)으로 중첩된 면형데이터를 하나의 면형 데이터로 변환하였다. 이후 사고지점 면형데이터에 실제 사고지점 포인트 데이터를 조인(Join)시켜 자전거 사고 중복발생 지점을 도출하였다.
- 기존연구 고찰을 통해 전국의 도로 네트워크 및 자전거 사고데이터의 GIS 분석기법인 지오코딩을 실시하여 자전거 사고 다발지점의 도로특성의 공통점을 도출하고, 사고 예상지점을 도출하며 이를 통해 전국규모의 자전거 사고 지도를 생성하는 연구 진행 방안을 수립하였다. 이에 따라 전국의 자전거 사고 데이터와 수치지도(Digital Map)의 도로속성 정보를 기반으로 자전거 사고 위험존을 설정하고 이를 활용하여 자전거 이용자에게 시의적절한 안전정보를 제공할 수 있도록 하는 방안을 연구하고자 한다.
- 따라서 본 연구에서는 자전거 사고 중복 발생에 따른 위험도를 확률적으로 분류하여, 각각 반경 15m 이내에서 사망사고를 포함하는 중상사고 3건 이상의 중첩 다발지점을 필연적 사고 지점으로 규정하고 가장 높은 수준의 위험도 ‘수준3’으로 설정 하였다.
- 본 논문에서는 실제 사고 데이터를 이용해 선정한 지점을 수준 1, 2, 3으로 분류하여 ‘위험존’이라 하였고, 이러한 위험존을 바탕으로 모델화하여 생성한 잠재적 사고발생 예상지점을 ‘논리위험존’이라 하였다.
- 본 논문은 한국ITS학회의 2016년 추계학술대회에 게재되었던 논문을 수정·보완하여 작성하였습니다.
- 생성된 논리위험존이 실제 사고지점과 얼마나 가까운 지점에 분포되어있는지를 확인하여 논리위험존의 정합성을 검증하였다. GIS 거리분석기법을 이용해 전체 논리위험존 데이터 13,357개소의 23.
- 생성된 위험존의 수준3 지점을 기준으로 수준2와 수준1 지점의 지역적 거리 근접 분포도를 GIS 거리분석 을 통해 확인하였다.
- 아래 표에 적색으로 표기한 부분이 ‘수준3’, 황색으로 표기한 부분이 ‘수준2’, 녹색으로 표기한 부분이 ‘수준1’이다. 위험존은 이들 수준3, 수준2, 수준1 지점으로 분류하였다.
- 이를 위해 자전거 사고 다발지점의 도로특성 공통 요소를 도출하고 네트워크 데이터로 모델링하여 잠재적인 자전거 사고 발생이 예상되는 지점 설정을 통해 자전거 사고예방 지도를 생성하는 방안을 연구 하였다. 본 논문에서는 실제 사고 데이터를 이용해 선정한 지점을 수준 1, 2, 3으로 분류하여 ‘위험존’이라 하였고, 이러한 위험존을 바탕으로 모델화하여 생성한 잠재적 사고발생 예상지점을 ‘논리위험존’이라 하였다.
- 각각의 15m반경 원형(Circle)으로 중첩된 면형데이터를 하나의 면형 데이터로 변환하였다. 이후 사고지점 면형데이터에 실제 사고지점 포인트 데이터를 조인(Join)시켜 자전거 사고 중복발생 지점을 도출하였다.
- 자전거 사고 다발지점의 공통요소를 링크와 노드로 구성된 도로 네트워크 데이터의 속성을 이용하여 빈도 분석한 결과 네트워크 데이터상 논리위험존 모델을 아래와 같이 도출하였다.
- 사고데이터를 GIS데이터로 변환하기 위해 데이터 가공을 실시하였다. 자전거 사고 데이터 필드의 경위도 (X, Y)를 WGS84(1984 World Geodetic System) 좌표계로 DBF(Data Base File) 데이터를 GIS 데이터로 변환하였다. 각 지점 데이터에 도로속성 링크, 노드 데이터를 공간 조인(Join) 하여, 사고지점 (Point) 데이터를 반경 15m 면적의 원형 지역으로 버퍼링(buffering) 하였는데, 이는 일반적인 GPS(Global Positioning System)오차범위가 약 15m 이기 때문에 사고데이터 수집과정에서 발생할 수 있는 위치 오차를 반영하기 위함이다.
- 전국 105지점 232개소의 현장검증을 실시하여 위험존 구축의 위치정확성 및 모델 갱신에 필요한 사고다발지점의 추가적인 공통요소를 디지털 맵 정보를 이용하여 도출하였으며 그 결과는 아래와 같다.
- 전국의 위험존을 대상으로 사망자 또는 중상자가 발생한 지점중 반경 15m이내에서 4건이상의 다발 사고 지점을 선정하여 네트워크 데이터 논리 위험존 모델의 적용성을 확인하고 추가요소 도출 및 갱신을 목적으로 현장답사를 실시하였다.
대상 데이터
- 네트워크 데이터의 논리 위험존 모델링과 현장답사를 통한 디지털 맵 기반 추가적인 공통요소를 기반으로 논리위험존 13,357개소를 생성했으며 그 결과는 아래 그림과 같다.
- 보유하고 있는 자전거 사고 지점 데이터는 총 48,820건의 데이터로써 2009년부터 2012년까지 4년간의 자전거 사고지점에 대한 데이터로써 도로교통공단으로부터 제공받았다.
- 중복발생 수준별 위험존 설정에 따라 아래 그림과 같이 전국 규모의 자전거사고 위험존 데이터를 생성하였다. 생성한 위험존은 실제 사고가 발생했던 지점으로 사고발생이 예상되는 지점인 논리위험존 모델에 기초자료로 활용하였다.
- 본 논문에서는 실제 사고 데이터를 이용해 선정한 지점을 수준 1, 2, 3으로 분류하여 ‘위험존’이라 하였고, 이러한 위험존을 바탕으로 모델화하여 생성한 잠재적 사고발생 예상지점을 ‘논리위험존’이라 하였다. 자전거 사고 분석 및 이용 행태 분석을 위해서는 도로교통공단의 교통사고종합분석센터에서 제공한 이륜차(자전거)사고 데이터를 활용하였다.
성능/효과
- 생성된 논리위험존이 실제 사고지점과 얼마나 가까운 지점에 분포되어있는지를 확인하여 논리위험존의 정합성을 검증하였다. GIS 거리분석기법을 이용해 전체 논리위험존 데이터 13,357개소의 23.7%인 3,174개소가 실제 사고지점과 정확히 동일한 지점에 형성되어 있으며, 50%인 6,678개소가 실제 사고지점으로부터 지근거리 52.5m 이내에 설정되어있음을 확인하였다.
- 전체 사고 중 자전거 이용자가 가해자인 비율은 34%였다. 또 이용자가 안전운전 의무를 위반하여 사고가 발생한 비율은 59.8%로 가장 높았다. 그다음은 중앙선 침범이 12.
- 본 연구에서 도출된 자전거 사고 논리 위험존 설정 연구 결과는 전국의 자전거 사고지점의 지점별 특수성을 네트워크 데이터를 통해 논리위험존 형태로 일반화 하였다는데 의미가 있다.
- 부상사고 측면에서는 60세 이상에서 첨두를 보이나, 10대와 20대 중반의 학생 연령층에서도 부상사고 분포가 높았다.
- 지점간 근접 분포도 50%이상을 기준으로 보면, 수준2 지점의 경우 30m이내에서, 수준1 지점의 경우 100m 이상에서 상호 근접하여 분포하는 결과를 보이고 있다. 위험도 수준이 높은 수준3 지점이 수준1 지점에 비해 상대적으로 수준2 지점과 밀접한 지근거리를 갖고 분포하는 것을 확인할 수 있었다.
- 자전거 사고가 가장 많이 발생한 지점은 서울시 중랑구 상봉동에 위치한 ‘동일로지하차도사거리’로써 23개 사고가 한 지점에서 발생했던 것으로 나타났다.
- 16%로 나타났다. 전체 교통사고에서 자전거 교통사고가 차지하는 비율도 증가추세로, 교통사고 발생건수의 7.8%와 사망자의 6%가 자전거 교통사고로 발생했다. 지난 2014년에는 총 17,471건의 자전거 교통사고가 발생하여 287명이 사망하고 18,115명의 부상자가 발생하여 정부의 정책적 노력에도 불구하고 지속적인 증가추세를 보이고 있다.
후속연구
- 본 연구 결과를 활용하여 자전거 이용자가 휴대할 수 있는 스마트기기, 웨어러블 디바이스 등 자전거용 내비게이션SW에 탑재하거나 IoT기술을 통해 교차로 안전정보제공 서비스에 도입 된다면 자전거 활동을 보다 안전하게 영위할 수 있도록 하는데 기여할 것으로 예상된다. 이를 위해 위험존 데이터가 격납하고 있는 사고 상황정보를 이용해 각 지점별 위험 시나리오 및 서비스 항목을 도출하여 자전거 이용환경에서 보다 안전하고 효과적으로 위험정보를 전달할 수 있는 방안의 연구가 필요할 것으로 판단된다.
- 본 연구 결과를 활용하여 자전거 이용자가 휴대할 수 있는 스마트기기, 웨어러블 디바이스 등 자전거용 내비게이션SW에 탑재하거나 IoT기술을 통해 교차로 안전정보제공 서비스에 도입 된다면 자전거 활동을 보다 안전하게 영위할 수 있도록 하는데 기여할 것으로 예상된다. 이를 위해 위험존 데이터가 격납하고 있는 사고 상황정보를 이용해 각 지점별 위험 시나리오 및 서비스 항목을 도출하여 자전거 이용환경에서 보다 안전하고 효과적으로 위험정보를 전달할 수 있는 방안의 연구가 필요할 것으로 판단된다.
- 추후 연구에서는 본 연구 결과를 확장해 자전거 사고 노출지표를 거시적 노출지표와 미시적 노출지표로 세분화 하여 반영하는 방안을 수립하여 방대한 자전거 사고 데이터를 보다 다각적으로 분석하고자 한다. 이를 통해 논리위험존 설정의 그룹핑 논리를 고도화하여 자전거 이용자 개인뿐만 아니라 공적 목적으로써 더욱 의미 있는 도로환경 개선에 일조 할 수 있도록 추가적인 연구를 계속 진행할 계획이다.
- 추후 연구에서는 본 연구 결과를 확장해 자전거 사고 노출지표를 거시적 노출지표와 미시적 노출지표로 세분화 하여 반영하는 방안을 수립하여 방대한 자전거 사고 데이터를 보다 다각적으로 분석하고자 한다. 이를 통해 논리위험존 설정의 그룹핑 논리를 고도화하여 자전거 이용자 개인뿐만 아니라 공적 목적으로써 더욱 의미 있는 도로환경 개선에 일조 할 수 있도록 추가적인 연구를 계속 진행할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.