[논문]안전사고 예측모형 개발 방안에 관한 연구(군 교통사고 사례를 중심으로)

기재석; 홍명기

doi:10.15683/kosdi.2021.9.30.427

안전사고 예측모형 개발 방안에 관한 연구(군 교통사고 사례를 중심으로)
A Study of Safety Accident Prediction Model (Focusing on Military Traffic Accident Cases) 원문보기

한국재난정보학회논문집 = Journal of the Society of Disaster Information, v.17 no.3 = no.53, 2021년, pp.427 - 441

기재석 (Department of Sports ICT Convergence, Sangmyung University) , 홍명기 (Department of Sports ICT Convergence, Sangmyung University)

초록
AI-Helper

연구목적: 본 연구는 군에서 가장 많이 발생하는 교통사고의 예방을 위해 부대별로 교통사고가 발생할 확률을 사전에 예측하는 모형의 개발 방안을 제시하는 것이다. 연구방법: 이를 위해 CRISP-DM(Cross Industry Standard Process for Data Mining) 방법론을 적용하였다. CRISP-DM 프로세스는 6단계로 구성되어 있고, 각 단계는 Waterfall Model처럼 일방향으로 구성되어 있지 않고 단계 간 피드백을 통하여 단계별 완성도를 높이게 되어 있다. 연구결과:전체 집단을 대상으로 기 구축된 사고조사 데이터와 동일한 데이터 세트(data set)를 구축하여 모델링한 결과 분류기준 0.5로 했을 때, 교통사고예측을 위한 모형의 정확도, 특이도, 민감도, AUC에서 의미있는 결과치를 도출하였다. 결론: 예측모형을 설계하는 과정에서 데이터의 부족으로 인해 의미 있는 예측값을 얻기 어려운 문제점이 확인되었다. 이를 해결하기 위해 합리적 추론이 가능한 데이터 세트(data set)를 재구성 및 확대하여 데이터 부족을 해소하고, 이를 활용한 예측모형을 설계할 수 있는 방법론을 제시하였다.

Abstract ▼ AI-Helper

Purpose: This study proposes a method for developing a model that predicts the probability of traffic accidents in advance to prevent the most frequent traffic accidents in the military. Method: For this purpose, CRISP-DM (Cross Industry Standard Process for Data Mining) was applied in this study. The CRISP-DM process consists of 6 stages, and each stage is not unidirectional like the Waterfall Model, but improves the level of completeness through feedback between stages. Results: As a result of modeling the same data set as the previously constructed accident investigation data for the entire group, when the classification criterion was 0.5, Significant results were derived from the accuracy, specificity, sensitivity, and AUC of the model for predicting traffic accidents. Conclusion: In the process of designing the prediction model, it was confirmed that it was difficult to obtain a meaningful prediction value due to the lack of data. The methodology for designing a predictive model using the data set was proposed by reorganizing and expanding a data set capable of rational inference to solve the data shortage.

주제어

표/그림 (15)

그림 Fig. 1. Structural theory of causes of disaster
그림 Fig. 2. CRISP-DM diagram
표 Table 1. Main factors in traffic accidents
그림 Fig. 3. Traffic accident data items
그림 Fig. 4. Traffic accident exploratory factor analysis process
그림 Fig. 5. Traffic accident pretreatment process
표 Table 2. Definition of traffic accident variables
표 Table 3. Traffic accident injury level
표 Table 4. Traffic accident prediction model input data frame
표 Table 5. Traffic accident model development environment
표 Table 6. Logistic regression misclassification table
표 Table 7. Random forest misclassification table
표 Table 8. Support vector machine misclassification table
표 Table 9. Accuracy, specificity, sensitivity and ACU by predictive model
그림 Fig. 6. Risk index prediction model (draft)

참고문헌 (12)

Choi, H.-Y., Min, Y.-H. (2015). "Intelligent information systems; Introduction to deep learning and major issues." Korea Information Processing Society, Vol. 22, No. 1, pp. 7-15.
Choi, W., Kim, Y., Jang, D., Kim, G., Jeong, Y. (2017). "A study on the development of a fire risk prediction model for manufacturing facilities using artificial neural networks." Magazine of The Korean Society of Hazard Mitigation, Vol. 17, No. 1, pp.161-167.

상세보기
Jo, I.-H. (2016). Data analysis-based Accident Prediction Service for Reducing Traffic Accidents. National Information Society Agency, NIAII-RER-D-16017. Seoul.
Jeong, J.-U., Lee, S.-J. (2020). "Analysis of characteristics of hazardous chemical transport vehicle accidents in Korea." Journal of the Society of Disaster Information, Vol. 16, No. 2, pp. 310-317.

원문보기 상세보기
Kim, D., Kim, D.-K., Lee, C. (2013). Safety Performance Functions Reflecting Categorical Impact of Exposure Variables for Freeways. Transportation Research Board Annual Meeting, Korea.
Lee, G.-H., Roh, J.-H. (2015). "Development of a traffic accident prediction model using probability parameter - Targeting the 4 intersections of the metropolitan area and Busan Metropolitan City." Journal of the Korean ITS Society, Vol. 14, No. 6, pp. 91-99.
Lee, S. (2012). "Comparison of initial center selection methods in K-means clustering." Internet Information Society, Vol. 13, No. 6, pp. 1-8.
Pan, G., Fu, L., Thakali, L. (2017). "Development of a global road safety performance function using deep neural networks." International Journal of Transportation Science and Technology, Vol. 6, No. 3, pp. 159-173.

상세보기
Park, J.-B. (2015). Development of a Prediction Model for Traffic Accidents Using Probability Parameters. Ph.D. Dissertation, University of Seoul Graduate School.
Simon, W.P., Mattew, G.K., Fred L.M, (2010). Statistical and Econometric Method ForTransportation Data Analysis. CRC Press, New York.
Yoo, J.-D. (2018). Development of a Prediction Model for Highway Traffic Accidents Using Deep Learning. Ph.D. Dissertation, Graduate School of Ajou University.
Yun, Y., Lee, J., Kim, J., Kim, Y. (2020). "Detection scheme of heart and respiration signals for a driver of car with a doppler radar." Journal of the Society of Disaster Information, Vol. 16, No. 1, pp. 87-95.

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