[논문]도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 추론 모델

류성은; 김현진; 구병국; 권혜정; 박찬홍; 정경용

doi:10.15207/jkcs.2020.11.9.001

도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 추론 모델
Data Bias Optimization based Association Reasoning Model for Road Risk Detection 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.11 no.9, 2020년, pp.1 - 6

류성은 (경기대학교 컴퓨터공학부) , 김현진 (경기대학교 컴퓨터공학부) , 구병국 (경기대학교 컴퓨터공학부) , 권혜정 (경기대학교 컴퓨터공학부) , 박찬홍 (상지대학교 정보통신소프트웨어공학과) , 정경용 (경기대학교 컴퓨터공학부)

초록
AI-Helper

본 연구에서는 도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 추론 모델을 제안한다. 이는 사용자의 개인적 특성과 주변 환경 데이터를 수집하고 교통사고 방지 서비스를 제공하기 위한 연관분석 기반의 마이닝 모델이다. 이는 다양한 상황 변수들로 구성된 트랜잭션 데이터를 생성한다. 생성된 정보를 바탕으로 연관 패턴 분석을 통해 각 트랜잭션 내 변수들의 유의미한 연관관계를 도출한다. 분류된 범주형 데이터의 편향성을 고려하여 최적화된 지지도 및 신뢰도 값으로 가지치기를 진행한다. 추출된 상위 연관규칙을 바탕으로 사용자에게 개인 특성과 주행 도로 상황에 대한 위험 탐지모델을 제공한다. 이는 데이터 편향성 문제를 극복하고 데이터간 연관성을 고려하여 잠재적인 도로 사고를 예방하는 교통 서비스가 가능하다. 성능 평가는 제안하는 방법이 정확도에서 0.778, Kappa 계수에서 0.743로 우수하게 평가된다.

Abstract ▼ AI-Helper

In this study, we propose an association inference model based on data bias optimization for road hazard detection. This is a mining model based on association analysis to collect user's personal characteristics and surrounding environment data and provide traffic accident prevention services. This creates transaction data composed of various context variables. Based on the generated information, a meaningful correlation of variables in each transaction is derived through correlation pattern analysis. Considering the bias of classified categorical data, pruning is performed with optimized support and reliability values. Based on the extracted high-level association rules, a risk detection model for personal characteristics and driving road conditions is provided to users. This enables traffic services that overcome the data bias problem and prevent potential road accidents by considering the association between data. In the performance evaluation, the proposed method is excellently evaluated as 0.778 in accuracy and 0.743 in the Kappa coefficient.

주제어

표/그림 (6)

표 Table 1. Generated Transaction Data
표 Table 2. Top 3 Association Rules Data based Lift
그림 Fig. 1. Process for Providing Detection Information for User
그림 Fig. 2. Accuracy and Kappa Coefficient for Road Risk Detection Model
표 Table 3. Confusion Matrix for Road Risk Detection
그림 Fig. 3. Ratio between Component of Right Hand Side of the Association Rules derived through Consider-bias and Bias

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 교통사고 통계 데이터를 이용하여 데이터 편향성 최적화 기반 연관 추론 모델을 제안하였다. 사용자의 특성 및 도로 환경 정보에 따라 다양한 변수들로 구성된 트랜잭션 데이터를 생성하였다.
또한 데이터의 편향성을 고려하지 않은 한계점이 나타난다. 이러한 문제를 보완하기 위해 본 연구에서는 도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 분석 모델을 제안한다. 제안하는 방법은 연관 분석을 통해 교통사고 트랜잭션 간 연관성을 도출한다.

제안 방법

이를 위하여 교통량과 교통제어, 지리적 요인을 사용하여 사고로 이어지는 관계를 파악한다. 도로 교차로의 유형을 참조한 사고 예측 공식을 도출하여 도로 구조별 사고 위험성을 도출함에 따라 구조적 요인이 사고에 미치는 영향을 발견한다. Beshah et al.
두 번째로 데이터 편향성 고려 여부에 따른 성능 평가를 진행한다. 다 범주 변수 예측 모델 구축 시 데이터 분포가 특정 범주로 편향되는 경우 모델의 과적합을 야기한다.
도로 위험 탐지를 위한 연관규칙 마이닝 기반의 교통 모델은 트랜잭션에서 의미있는 연관 관계를 파악함으로써 기존 교통사고 정보 데이터에서 나타나지 않은 숨겨진 관계들을 도출한다. 또한 보다 다양하고 넓은 범위의 연관규칙들을 효과적으로 고려하기 위해 트랜잭션의 편향성을 고려해 적절한 지지도, 신뢰도 값을 조정한다. 연관분석 후 도출된 관계들을 통해 도로 위험성을 탐지한다.
이때 데이터 편향성을 낮추기 위해 지지도와 신뢰도의 특성을 활용하여 최적화 작업을 수행한다. 또한 향상도를 사용하여 기존 사고 변수 간 연관성이 높은 주요 변수들을 추출한다. 이를 기반으로 사용자의 변화하는 상황 정보에 따라 연관 분석을 통해 도출된 추론 지식을 생성한다.
생성된 정보를 바탕으로 연관분석을 통해 각 트랜잭션 사이의 유의미한 상관관계를 도출하였다. 분류된 범주형 데이터의 편향성을 고려하여 최적화된 지지도 및 신뢰도 값으로 가지치기를 진행하였다. 이를 통해 편향된 ‘주의’ 범주형 데이터와 함께 ‘심각’과 ‘위험’데이터가 연관 규칙 마이닝에 반영하였다.
사용자의 특성 및 도로 환경 정보에 따라 다양한 변수들로 구성된 트랜잭션 데이터를 생성하였다. 생성된 정보를 바탕으로 연관분석을 통해 각 트랜잭션 사이의 유의미한 상관관계를 도출하였다. 분류된 범주형 데이터의 편향성을 고려하여 최적화된 지지도 및 신뢰도 값으로 가지치기를 진행하였다.
생성한 트랜잭션 데이터를 바탕으로 연관규칙 마이닝을 진행한다. 해당 데이터는 ‘주의’ 2729개, ‘위험’ 441개, ‘심각’ 63개의 범주형 데이터로 분류되어 있기 때문에 데이터 편향성이 존재한다.
Apriori 알고리즘을 통한 연관분석 결과를 평가하는 지표로는 지지도, 신뢰도, 향상도가 있다. 앞선 세 가지의 평가지표를 통해 전체 데이터세트 내의 아이템 비율과 연관도를 도출하여 생성된 Apriori 규칙의 타당성을 뒷받침한다. 이를 통해 대량의 데이터에서 유의미한 규칙을 찾아 변수간의 중요도와 관계 파악이 가능하다.
1에서 사용자는 승합차를 타고 야간에 특정 교차로를 주행 중인 상황을 나타낸다. 연관 분석을 통해 도출된 트랜잭션에서 사용자의 상황에 맞는 아이템간의 연관성을 확인한다. rhs에 해당하는 변수의 편향성을 낮추기 위해 지지도 및 신뢰도 값을 최적화한다.
또한 보다 다양하고 넓은 범위의 연관규칙들을 효과적으로 고려하기 위해 트랜잭션의 편향성을 고려해 적절한 지지도, 신뢰도 값을 조정한다. 연관분석 후 도출된 관계들을 통해 도로 위험성을 탐지한다. 이는 사용자의 개인 특성이나 주변 상황 및 환경에 따라 변화한다.
Apriori 알고리즘은 비지도 학습으로 변수 간 연관패턴을 도출해 특정 변수들에 대한 상관관계를 파악한다. 이때 데이터 편향성을 낮추기 위해 지지도와 신뢰도의 특성을 활용하여 최적화 작업을 수행한다. 또한 향상도를 사용하여 기존 사고 변수 간 연관성이 높은 주요 변수들을 추출한다.
또한 향상도를 사용하여 기존 사고 변수 간 연관성이 높은 주요 변수들을 추출한다. 이를 기반으로 사용자의 변화하는 상황 정보에 따라 연관 분석을 통해 도출된 추론 지식을 생성한다. 추출한 지식들을 기반으로 사용자에게 단계별 탐지정보를 제공한다.
[10]의 연구에서 대수 정규 회귀모델과 포아송 회귀모델을 사용하여 조건별 사고발생빈도를 예측하였다. 이를 위하여 교통량과 교통제어, 지리적 요인을 사용하여 사고로 이어지는 관계를 파악한다. 도로 교차로의 유형을 참조한 사고 예측 공식을 도출하여 도로 구조별 사고 위험성을 도출함에 따라 구조적 요인이 사고에 미치는 영향을 발견한다.
[11]의 연구에서 다양한 분류 모델을 통해 사고 심각도를 예측한다. 이를 위해 결정트리, 나이브 베이지안, KNN의 분류 모델을 사용하여 사고가 발생하는 환경적 요인과 교통사고 심각도의 관계를 파악한다. 분석 결과를 통해 PART 알고리즘을 기반으로 심각도를 산정하는 규칙을 생성하며 도로 환경적 요인의 조합에 따라 사고의 심각도를 발견한다.
제안하는 도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 추론 모델의 성능 평가는 두 단계에 걸쳐 평가한다. 첫 번째로 일반화 성능 평가를 진행한다.
이러한 문제를 보완하기 위해 본 연구에서는 도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 분석 모델을 제안한다. 제안하는 방법은 연관 분석을 통해 교통사고 트랜잭션 간 연관성을 도출한다. Apriori 알고리즘은 비지도 학습으로 변수 간 연관패턴을 도출해 특정 변수들에 대한 상관관계를 파악한다.
제안하는 도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 추론 모델의 성능 평가는 두 단계에 걸쳐 평가한다. 첫 번째로 일반화 성능 평가를 진행한다. 이를 위해 5-fold Cross Validation을 이용한다.
이를 통해 편향된 ‘주의’ 범주형 데이터와 함께 ‘심각’과 ‘위험’데이터가 연관 규칙 마이닝에 반영하였다. 추출된 상위 연관규칙을 바탕으로 사용자에게 개인 특성과 도로 상황에 맞는 위험 탐지 정보를 제공한다. 제안하는 모델에 대한 성능 평가를 진행한 결과, 정확도 0.
1로 가지치기한다. 추출한 연관규칙을 바탕으로 양의 상관관계를 나타내는 향상도를 이용하여 상위 50개의 규칙을 출력한다. Table 2는 추출한 연관규칙의 상위 3개의 향상도 값을 바탕으로 도출된 규칙을 나타낸다.

대상 데이터

본 연구에서는 교통사고 통계 데이터를 이용하여 데이터 편향성 최적화 기반 연관 추론 모델을 제안하였다. 사용자의 특성 및 도로 환경 정보에 따라 다양한 변수들로 구성된 트랜잭션 데이터를 생성하였다. 생성된 정보를 바탕으로 연관분석을 통해 각 트랜잭션 사이의 유의미한 상관관계를 도출하였다.
도로 위험 탐지를 위한 모델을 구현하기 위해 교통사고가 발생한 시점, 사고의 유형과 교통사고 당시의 주변환경과 같은 데이터의 수집이 필요하다. 이를 위해 도로교통공단에서 제공하는 교통사고 정보 데이터를 이용한다[12]. Table 1은 교통사고 정보 데이터를 통해 생성한 최종적인 트랜잭션 데이터를 나타낸다.

데이터처리

5회의 모델링에 대한 성능 지표의 평균을 최종 성능 지표로 설정한다. 이를 통해 혼동행렬에 기반한 Accuracy와 Kappa 계수를 통해 평가한다. Table 3은 도로 위험 탐지를 위한 혼동행렬을 나타낸다.
이는 편향된 범주로의 분류는 잘 되는 것에 비해 타 범주로의 분류가 되지 않는 경우를 의미한다. 제안하는 데이터 편향성을 고려하는 방법(Consider-bias)과 데이터 편향성을 고려하지 않는 방법(Bias)을 사용하여 도출되는 연관 규칙의 rhs 구성 원소 비율을 비교한다. Fig.

이론/모형

이때 교통사고 사망자, 중상자, 부상자의 수마다 각각 트랜잭션의 아이템으로 설정하는 경우 트랜잭션 간 중복되는 아이템이 적기 때문에 rhs에 교통사고의 정도가 표시될 확률이 줄어든다. 이러한 문제를 해결하기 위해 TAAS(Traffic Accident Analysis System)에 표시된 객관적 척도에 따라 도로 위험도 지수를 산출한다[13]. 도로 위험도 지수의 산출을 위해 사망자, 중상자, 경상자, 부상자 수 정보를 이용하여 주의/위험/심각 3가지 범주 형태로 분류한다.
첫 번째로 일반화 성능 평가를 진행한다. 이를 위해 5-fold Cross Validation을 이용한다. 이는 전체 데이터를 5등분하여 한 등분을 Test Data, 나머지를 Train Data로 둔다.

성능/효과

3에서 Consider-Bias 방법이 Bias 대비 rhs 원소 비율이 고르게 도출된다. 따라서 본 연구에서 제안하는 모델을 통해 과적합을 방지하고, 데이터 편향성 문제를 효과적으로 해결한다.
이를 위해 결정트리, 나이브 베이지안, KNN의 분류 모델을 사용하여 사고가 발생하는 환경적 요인과 교통사고 심각도의 관계를 파악한다. 분석 결과를 통해 PART 알고리즘을 기반으로 심각도를 산정하는 규칙을 생성하며 도로 환경적 요인의 조합에 따라 사고의 심각도를 발견한다. 해당 연구는 다양한 지형적 변수를 고려하여 사고 위험도를 산정하나 변수별 사고 발생 확률만을 비교하여 변수간의 연관성과 데이터 편향성을 고려하지 않은 한계점이 존재한다.
제안하는 도로 위험 탐지를 위한 데이터 편향성 최적화 기반 연관 추론 모델은 약 0.778의 높은 정확도를 가진다. 또한 Kappa 계수는 0.
추출된 상위 연관규칙을 바탕으로 사용자에게 개인 특성과 도로 상황에 맞는 위험 탐지 정보를 제공한다. 제안하는 모델에 대한 성능 평가를 진행한 결과, 정확도 0.778과 Kappa 계수 0.743의 우수한 성능이 도출되었다. 이는 데이터 편향성 문제를 극복하고 데이터 간 연관성을 고려하지 않았던 기존의 교통 서비스를 보완한다.

후속연구

분석 결과를 통해 PART 알고리즘을 기반으로 심각도를 산정하는 규칙을 생성하며 도로 환경적 요인의 조합에 따라 사고의 심각도를 발견한다. 해당 연구는 다양한 지형적 변수를 고려하여 사고 위험도를 산정하나 변수별 사고 발생 확률만을 비교하여 변수간의 연관성과 데이터 편향성을 고려하지 않은 한계점이 존재한다. 따라서 앞서 언급한 연구에 사용된 도로 구조적 요인 이외에 전반적인 상황 요인과 데이터 편향성을 고려한 연구가 요구된다[10,11].

질의응답

핵심어	질문	논문에서 추출한 답변
	교통 혼잡도 및 교통사고율을 증가시키는 원인은 무엇인가?	도로 이동 수단에 대한 편의성 증가로 교통 이용자의 차량 소유 비율과 도로 교통량이 꾸준히 증가하는 추세이다[1]. 도로 교통 공단 통계에 따르면 2019년 기준 자동차 등록 대수는 2천 7백만 대가 넘으며 운전면허 소지자수는 3천 2백만 명을 차지한다[2]. 이는 교통 혼잡도 및 교통사고율을 증가시키는 원인이다.
	Apriori 알고리즘을 통해 무엇을 파악할 수 있나?	제안하는 방법은 연관 분석을 통해 교통사고 트랜잭션 간 연관성을 도출한다. Apriori 알고리즘은 비지도 학습으로 변수 간 연관패턴을 도출해 특정 변수들에 대한 상관관계를 파악한다. 이때 데이터 편향성을 낮추기 위해 지지도와 신뢰도의 특성을 활용하여 최적화 작업을 수행한다.
	도로 위험 탐지에 부정적인 영향을 미치는 것은?	이는 운전자의 연령층, 개인 특성, 도로종류, 도로형태 등 다양한 사고상황 변수를 이용한다. 하지만 변수간 연관성을 고려하지 않은 무분별한 변수 개수의 증가는 도로 위험 탐지에 부정적인 영향을 미친다. 또한 데이터의 편향성을 고려하지 않은 한계점이 나타난다.

참고문헌 (15)

B. K. Dar, M. A. Shah, S. U. Islam, C. Maple, S. Mussadiq & S. Khan. (2019). Delay-aware accident detection and response system using fog computing. IEEE Access, 7, 70975-70985.

상세보기
Statistical Analysis of Traffic Accidents. (2019). https://www.koroad.or.kr/.
C. M. Kim, E. J. Hong, K. Chung & Roy C. Park. (2020) Driver Facial Expression Analysis using LFA-CRNN based Feature Extraction for Health-Risk Decisions. Applied Sciences , 10(8), 2956-2976.

상세보기
Traffic Accident Information graphic. (2020). http://taas.koroad.or.kr/.
A. B. Parsa, A. Movahedi, H. Taghipour, S. Derrible & A. K. Mohammadian. (2020). Toward safer highways, application of XGBoost and SHAP for real-time accident detection and feature analysis. Accident Analysis & Prevention, 136, 105405.

상세보기
D. Wang, Q. Liu, L. Ma, Y. Zhang & H. Cong. (2019). Road traffic accident severity analysis: A census-based study in China. Journal of safety research, 70, 135-147.

상세보기
K. Chung, H. Yoo & D. E. Choe. (2020). Ambient Context-based Modeling for Health Risk Assessment Using Deep Neural Network, Journal of Ambient Intelligence and Humanized Computing, 11(4), 1387-1395.

상세보기
J. C. Kim & K. Chung. (2019). Associative Feature Information Extraction using Text Mining from Health Big Data. Wireless Personal Communications, 105(2), 691-707.

상세보기
S. Zhu. (2019). Research on data mining of education technical ability training for physical education students based on Apriori algorithm. Cluster Computing, 22(6), 14811-14818.

상세보기
S. Canale, S. Leonardi & G Pappalardo. (2005). The reliability of the urban road network: Accident forecast models. Proceedings of the III International Congress SIIV-People, Land, Environment and Transport Infrastructures, 22-24, Italy.
T. Beshah & S. Hill. (2010). Mining road traffic accident data to improve safety: role of road-related factors on accident severity in Ethiopia. AAAI Spring, 3(10), 221-226.
2019 Traffic Accident Information. (2019). https://www.data.go.kr/data/15003493/fileData.do
Hazardous Road Forecasting System. (2020). http://taas.koroad.or.kr/.
K. D. Rajab. (2019). New Associative Classification Method Based on Rule Pruning for Classification of Datasets. IEEE Access, 7, 157783-157795.

상세보기
J. Landis & G. G. Richard (1977). The Measurement of Observer Agreement for Categorial Data. Biometrics, 159-174.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증