초록 ▼

□ 연구개요
본 연구는 고속도로상의 졸음사고 위험구간을 예측 할 수 있는 방법론을 개발하는 것을 최종 목표로 한다. 일반적으로 졸음사고는 운전자의 피로도와 높은 상관이 있다는 전재에서 연구를 진행하였으며, 고속도로를 통과하는 차량의 피로도를 평가하기 위해 운전자의 연속 주행시간 데이터를 활용하였다. 연속 주행시간이란 차량이 출발한 시점에서 휴식 없이 지속적으로 운전을 진행한 시간을 말하며, 고속도로를 통과한 차량의 내비게이션 데이터(SK Tmap)를 기준으로 작성되었다. 본 연구의 분석방법론은 연구의 최종목적인 졸음사고 위험구

□ 연구개요
본 연구는 고속도로상의 졸음사고 위험구간을 예측 할 수 있는 방법론을 개발하는 것을 최종 목표로 한다. 일반적으로 졸음사고는 운전자의 피로도와 높은 상관이 있다는 전재에서 연구를 진행하였으며, 고속도로를 통과하는 차량의 피로도를 평가하기 위해 운전자의 연속 주행시간 데이터를 활용하였다. 연속 주행시간이란 차량이 출발한 시점에서 휴식 없이 지속적으로 운전을 진행한 시간을 말하며, 고속도로를 통과한 차량의 내비게이션 데이터(SK Tmap)를 기준으로 작성되었다. 본 연구의 분석방법론은 연구의 최종목적인 졸음사고 위험구간 판단을 위해 지도학습 기반의 로지스틱 회귀모형을 적용하였으며, 다양한 모델을 통한 분석결과 위험구간에 대한 적중률이 비교적 높은 것으로 분석되었다.

□ 연구 목표대비 연구결과
본 연구에서는 졸음사고 발생 위험 구간 선정을 위해 내비게이션 경로자료를 기반으로 머신러닝 기반 로지스틱 회귀분석을 사용하여 분석을 시행하였다.
졸음사고 발생 위험구간 선정 기준을 달리한 세 가지의 모형 모두 나쁘지 않은 적중률을 보였지만 Model 1의 경우 위험하지 않은 곳을 위험하다고 판단하는 경우가 많아 위험하지 않은 곳의 적중률이 낮게 나타났으며, Model 2의 경우 적중률이 높게 나타났지만 추후 다른 지역이나 다른 시간적 배경에 모형 적용 시 연속주행시간 지수와 CVaR1%를 산출하기 위하여 네비게이션 자료를 지속적으로 수집해야 한다는 단점이 있다. 2가지 모델의 단점을 보완하기 위하여 Model 3을 개발하였지만 위험지역에 대한 적중률이 56%로 낮게 나타났다.
졸음사고는 연속주행시간 이외에 피로, 산소부족, 음주/약물, 도로환경 등 다양한 요인에 의해 발생하지만 이러한 요인들은 대부분 개개인의 인적 요인이므로 졸음사고 예측에 반영하기 어려울 것이라 예상된다. 그러나 같은 신체적 조건과 상황이라도 도로 선형이나 교통류 상황에 의해 졸음사고 발생 가능성은 달라지므로 이러한 요인들을 반영한 졸음사고 위험구간 선정 모형의 연구가 수행되어야 할 것으로 판단된다.

□ 연구개발결과의 중요성
본 연구는 졸음사고 위험구간을 판단하기 위해 운전자의 연속주행시간이라는 변수를 활용하여 분석을 시행 한 최초의 연구로 기존 단순 과거 사고이력 기반의 졸음사고 위험구간 선정 방식을 대체할 수 있는 우수한 대안이라 판단된다.
이밖에 다양한 교통관련 빅데이터를 활용하여 모형을 구성하고 이를 기계학습 기반 모형에 적용함으로서 교통안전 분야의 빅데이터 수집 및 활용방안에 대한 다양한 접근을 시도하였으며, 향후 졸음사고 외 교통사고와 관련한 다양한 위험구간 선정을 위한 참고자료로 활용이 가능 할 것이라 판단된다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 3
• 1-1. 연구개발의 필요성 ... 3
• 1-2. 연구수행의 가설 ... 5
• 1-3. 연구수행 최종 목표 ... 6
• 2. 연구수행내용 및 연구결과 ... 7
• 2-1. 관련문헌 검토 및 고속도로 사고데이터 기반 졸음사고 위험구간 선정(1차년) ... 7
• 2-2. 데이터 가공 및 졸음사고 다발구간 선정 방법론 개발(2차년) ... 12
• 2-3. 졸음사고 다발 구간 예측모형 개발(3차년) ... 16
• 3. 연구개발결과의 중요성 ... 24
• 4. 참고문헌 ... 24
• 5. 연구성과 ... 25
• 끝페이지 ... 26