광역버스 DTG를활용한경부고속 도로운전위험구간예측bigdata.go.kr/2017/event/2017_event_8.pdf · 2019-03-20 · 2017년공공빅데이터성과공유대회 2 i.

광역버스DTG를활용한경부고속도로운전위험구간예측

2017년공공빅데이터분석사업


22017년공공빅데이터성과공유대회

I. 모델의개요

위험운전발생가능성이높은고속도로구간을예측


9월초에경부고속도로에서고속버스가승용차를들이받아 40대부부가숨진안타까운사고가있었습니다.

7월에는광역버스기사가졸음운전을하다가차선을넘어앞서가던차량을추돌해서 50대부부가숨지기도하였습니다.

고속도로에서의 버스사고가대형사고로이어져소중한생명과재산을잃는사고가빈번하게발생하고있습니다.

고속도로에서의교통사고로소중한인명과재산피해증가


Ⅱ. 분석데이터

디지털운행기록 3천9백만건, VDS지점정보 1백40만건및추가데이터확보

No데이터 명(제공기관)

데이터 설명(항목) 데이터 범위 데이터 건수 데이터 크기

1디지털운행기록계

(교통안전공단)경부고속도로를경유하는광역버스등의운행기록데이터 2017년 1월 39,111,575 4.7 Gb

2VDS 설치정보(한국도로공사)

VDS_ID, VDS존유형구분명, 노선구성순번, 기점종점방향구분코드등

전국 7,466 1 Mb

3VDS 지점교통량(한국도로공사)

집계일자, 집계시분, VDS_ID, 차로유형구분코드, 교통량 2017년 1월 1,360,248 72 Mb

4VDS 지점통행속도

(한국도로공사)집계일자, 집계시분, VDS_ID, 차로유형구분코드, 평균속도

2017년 1월 1,360,248 95 Mb

5교통사고(경찰청)

교통사고의발생시각, 발생지점, 사망자수, 부상자수, 사고차량종류, 법규위반내용등

2012 ~ 2016년 4,744,645 2 Gb

6도로중심선

(한국도로공사)노선번호, 도로명, 이정, X좌표값, Y좌표값, GRS80X좌표값, GRS80Y좌표값등

경부고속도로 41,808 3 Mb

7AWS 날씨데이터

(기상청)지점,일시,기온(°C),풍향(deg),풍속(m/s),강수량(mm) 경부고속도로 15,261 82 Kb

8콘존

(한국도로공사)IC와 IC, IC와 JC 사이의구간, 본선영업소와 IC나 JC 사이의구간에대한기준데이터

전국 1,371 84 Kb



Ⅲ. 분석내용및절차

고속도로위험운전행동별위험구간예측

□분석목적

• 교통안전공단에서제공하는 11대위험운전행동기준으로위험운전행동이많이발생하는경부고속도로구간예측

• 위험운전행동이많이발생되는구간은교통사고발생가능성이높음

□분석방향

• 교통사고와위험운전행동간상관관계도출

• 교통사고와상관성이높은위험운전행동을활용하여사고위험구간예측

교통사고는위험운전행동중급감속,급가속,급진로변경과상관성이높음

구분 버스기준

과속위험구간

과속 도로제한속도보다 20km/h초과 운행시

장기과속 도로제한속도보다 20km/h초과해서 3분운행시

급가속위험구간

급가속 6.0km/h이상속도에서 초당 6km/h 이상가속 운행하는 경우

급출발 5.0km/h이하속도에서 초당 8km/h 이상가속 운행하는 경우

급감속위험구간

급감속 초당 9km/h 이상 감속하여 속도가 6.0km/h이상인 경우

급정지 초당 9km/h 이상 감속하여 속도가 5.0km/h이하인 경우

급차로변경위험구간

급진로변경속도가 30km/h이상에서 진행방향이 좌/우측 8°sec이상으로 차로변경하고, 5초동안 누적각도±2°/sec 이하,가감속이 초당 ±2km/h 이하인 경우

급앞지르기속도가 30km/h이상에서 진행방향이 좌/우측 8°sec이상으로 차로변경하고, 5초동안 누적각도±2°/sec 이하,가감속이 초당 3km/h이상인 경우





□머신러닝(SVM)을활용하여위험운전행동예측

단계 알고리즘 비고

1 DTG데이터를활용,실제발생한위험운전행동도출

2도출된위험운전행동 DTG데이터개수와동일하게정상 DTG데이터랜덤샘플링

3 1, 2단계에서생성된데이터를병합하여학습용데이터셋생성

4학습용데이터셋및 SVM알고리즘을활용하여위험운전행동분류모델도출

5실제발생한위험운전행동은아니나, SVM모델을통해위험운전행동에가깝다고판단된데이터추출(잠재적위험운전행동)

6

잠재적위험운전행동판단임계치는시범시행과정을거쳐조정

예)데이터분류시의일반적인임계치:0.5(확률:50%)를 0.8, 0.9등으

로상향조절

7 각구역별실제위험운전행동및잠재적위험운전행동빈도도출

전체 DTG데이터

실제위험운전행동

잠재적위험운전행동

임계치

YES NO

YES실제

위험운전행동실제

위험운전행동

NO잠재적

위험운전행동비위험운전행동

실제위험운전행동

예측위험운전행동

• 실제위험운전행동을활용하여위험운전행동을예측

• 예측된위험운전행동중실제위험운전행동은아니지만,학습을통해위험운전에가깝게운전한경우를추출

• 해당데이터들은실제위험운전행동의 DTG데이터로판단되지않지만,기계학습을통해도출된위험운전에준하는행동임

실제위험운전행동과예측위험운전행동을모두고려하여보다정교한운전위험구간도출가능





□ Support Vector Machine(SVM)모델활용

• 현재위험운전행동기준으로는실제위험운전으로판단되지않지만,기계학습을통해위험운전에준하는행동예측

• 예측정확도상승및이전상황을고려하기위해각 DTG데이터마다이전 3초/5초간속도・RPM ・브레이크데이터병합

• 다양한방식의회귀분석및 SVM을시도하여최적의예측모델도출

통합데이터

버스 DTG VDS 총교통량 VDS 평균속도 날씨(ASOS) 도로의고도

위험운전+이전 3초

위험운전+이전 5초

활용데이터 전처리

상관관계분석

독립변수 :통합데이터 변수들종속변수 :위험운전행동 여부

(Y/N)

연속형 변수 :독립표본 t 검정 명목형 변수 :카이제곱 검정

불필요한변수제거

연속형 변수표준화 및더미변수 생성

분석용데이터생성

위험운전 데이터 +통합 데이터 위험운전행동 여부비율 1:1 70%학습용 30%검증용

빅데이터분석

Support VectorMachine

Kernel Trick

Radial Basis

Sigmoid

Linear

Polynomial

회귀분석

Ridge Logistic Regression

분석 회귀식및모델도출

RBModel

SigmoidModel

LinearModel

PolynomialModel

RidgeModel

통합데이터전체

모델검증

Best Model 선정

적중률계산

모델별학습

위험운전행동여부 = Y데이터





□예측결과

오산 서울 오산 서울

• 실제위험운전행동을활용해해당위험운전행동이많이발생하는위험구간도출

• 예측위험운전행동을활용해실제위험운전행동만으로는위험성이높지않았지만예측위험운전행동까지고려하면위험성이높아지는구간도출

• 실제위험운전행동및예측위험운전행동을모두활용하여위험구간정교화

급진로변경예측결과

실제급진로변경 발생비율은 낮으나,

잠재급진로변경 발생비율은 높은지점->실제급진로변경만으로는 위험성이 도출되지 않는지점

실제급진로변경 발생비율은 높고,

잠재급진로변경 발생비율도 높은지점->위험성이 가중되는 지점




고속도로이상운전위험구간예측

DTG

(운행기록)

도로환경

(통행속도 등)

• 머신러닝모델성능비교

(탐색적분석)• 통계분석• correlation분석• 산포도 시각화• 데이터 전처리 검증

(머신러닝#1)• input변수, output변수• 딥러닝 모델 적용• 시계열예측 모델(LSTM) 적용

변수 선택시참고

이상운전위험구간예측

(머신러닝)• input변수, output변수 결정• 딥러닝 모델 적용• 시계열예측 모델(LSTM) 적용

(머신러닝#2)• input변수, output변수 변경• 딥러닝 모델 적용• 시계열예측 모델(LSTM) 적용

• 운전중졸음이발생하면평상시와다른이상운전패턴을보일것이다.

• 평상시와다른운전패턴은속도, RPM, 브레이크조작에서나타난다.

• 평상시와다른운전패턴을보이는구간이많은곳은졸음운전이의심된다.

□ 분석 목적

• 시계열 형식인 DTG 데이터의 특징을 활용

• LSTM 머신러닝을 통해 평소 운전패턴을 학습시킨 후, 평소와는 다른 이상운전패턴 탐색

※ LSTM(Long Short-Term Memory) : 시계열 데이터와 같은 시간의 흐름에 따라 변화하는 데이터를 예측하기 위한 딥러닝 모델

□ 분석 방향

• 기존 운전패턴과 머신러닝을 통해 도출된 예측 운전패턴을 비교

• 두 패턴 간 차이값을 계산하여, 차이값이 클수록 평소 운행패턴을 벗어난 것이라고 판단





□ LSTM 딥러닝을 통한 운전 행태 학습 결과

• 딥러닝을 통한 속도예측은 오차율이 상대적으로 작으며, RPM 예측은 상대적으로 높음

• 속도는 변화가 부드러우나, RPM은 외부환경, 운전습관, 브레이크 조작 등에 의한 변화가 큰 경향을 보임

• 이상운전패턴이 다발생하는 구간이 존재함

□ 실제운행데이터와 예측운행데이터 간 속도 차이 비교

딥러닝을통해학습한운전자의평소패턴으로생각되는운전속도와실제 DTG데이터에기록된속도차이가큼->운전자가이상운전을했을가능성이큼




운전위험구간예측알고리즘

통계분석 결과와 선행 연구자료를 참조하여 요소 모델별 가중치를 부여하였으며, 모델들을 병합하여 최종운전위험구간예측산출식을도출

고속도로과속위험구간예측

고속도로급가속위험구간예측

고속도로급감속위험구간예측

고속도로급차로변경위험구간예측

고속도로의심행동도출


고속도로운전위험구간

예측

모델병합

0.261

0.383

0.356

1.0

1)

1)

1)

주 1) 사업용차량 통합단말 표준플랫폼 및안전운전지원기술 개발최종보고서(교통안전공단. 2017.06)에서위험운전행동 가중치를각각 급가속 0.18, 급감속 0.264, 급진로변경 0.245로산출한것을 3개의합이 1이되도록 가중치 조절함

주 2) 1.0 = 0.261 + 0.383 + 0.356주 3) 과속은 교통사고와의 상관관계가 낮으므로 예측 알고리즘에서 제외주 4) 이상운전과 사고와의 관련성은 향후 많은연구가 필요한 부분

이므로 이상운전을 운전위험구간 예측알고리즘에서 제외

2)

Y (위험지수)

= 격자내급가속위험지수 ∗ 0.261

+ 격자내급감속위험지수 ∗ 0.383

+ 격자내급차로변경위험지수 ∗ 0.356

머신러닝

머신러닝

머신러닝

머신러닝

딥러닝

4)

3)



Ⅳ. 분석결과

운전위험구간예측결과

□운전위험구간시각화

• 다음맵 API를활용하여 100m X 100m구간별위험지수시각화

• 도로방향및 VDS속도구분별세부시각화

• 격자선택시,해당격자의통계정보확인가능



Ⅳ. 분석결과


순위 위험지수 상세내역 지도

1 0.610

부산기점 403.1km●위험지수: 0.610● 5년간사고건수: 24(사망:4,중상:124,경상:22,부상:116)●과속위험지수: 0.003●급가속위험지수: 0.092●급감속위험지수: 0.372●급진로변경위험지수: 0.147●이상행동위험지수: 0.673

2 0.498


3 0.452

부산기점 403km●위험지수: 0.452● 5년간사고건수: 3(사망:1,중상:13,경상:4,부상:9)●과속위험지수: 0.005●급가속위험지수: 0.091●급감속위험지수: 0.261●급진로변경위험지수: 0.101●이상행동위험지수: 0.494

위험지수 상세내역 지도

0.518


0.463


0.414


□운전위험구간예측결과



Ⅳ. 분석결과


□운전위험구간예측결과검증

서울요금소수원IC 직후 버스전용차로

끝

수원IC 직후잠원IC

• 5년간경부고속도로에서발생한교통사고와운전위험구간비교검증

• 예측운전위험구간과실제교통사고간비교는데이터건수,기간,대상차량등많은측면에서한계점이존재함

• 상/하행선에서 5년간교통사고가가장많이발생한서울요금소부근의교통사고와위험지수를비교해보면위험구간을충분히예측하고있음을알수있음



Ⅳ. 분석결과


□통계적위험구간과운수회사별위험구간비교분석

• 비교분석을통해통계적으로위험한구간뿐만아니라운수회사의노선별차별화된위험구간까지도출하여,보다효과적인운수종사자교육및교통안전관리가가능함

전체버스

운수회사 A

전체버스 운수회사 A

활용데이터 모든회사, 모든노선의차량 289대 DTG데이터 운수회사코드가 XX939인차량 15대

데이터건수 39,111,575건 2,180,106건

기간 2017년 1월

운행구간 오산IC ~ 한남IC사이 오산IC출발 -한남IC도착 OR한남IC출발 -오산IC도착



Ⅴ. 향후활용계획

향후시스템적용및활용방안

실시간・전국적인교통사고예방이가능하며,추가적인교육및정책수립시에도효과적인활용

• 도로종류별로위험운전구간을예측할수있는표준화된모델개발

위험구간예측을통한전국적단위의교통사고예방

지자체단위의분석모델을개발하여표준모델보급

• DTG를실시간으로수집하여기개발된학습알고리즘으로분석후실시간으로이상운전행동을감지할수있는모델개발

실시간운전피드백을통한효과적인안전운행가능

• 기관내부에서교통안전관리및교통안전연구에활용할수있음

고속도로위험구간정보서비스

교통안전시설물의효율적설치

• 운수회사별다르게나타나는위험운전구간을추가로교육함으로써,보다효과적인운수종사자교육이가능함

노선별,운전자별,요일별등다양한케이스별안전도모

운전위험구간예측대상도로확대

교통안전관리

이상운전행동예측모델확대적용

운수회사별특화된위험구간서비스

분석모델고도화/확산

활용방안


광역버스 DTG를활용한경부고속 도로운전위험구간예측bigdata.go.kr/2017/event/2017_event_8.pdf · 2019-03-20 · 2017년공공빅데이터성과공유대회 2 i.

Documents