대구광역시 어린이 및 노인 보행자의 교통사고 영향 요인 분석 = Influencing factors of pedestrian traffic accident for junior and senior in Daegu

다국어 초록 (Multilingual Abstract)

A pedestrian traffic accident is a collision between a pedestrian and a moving vehicle that occurs within the surrounding road environment. The traffic accident data and secondary data from Daegu were collected and utilized between January 2014 and December 2019. The traffic accident data was divided into children, ordinary, and seniors according to the age of pedestrians. A classification model was applied to determine the ranking of the influencing factors. SMOTE was used to address the imbalance in traffic accidents among children and seniors compared to ordinary. The multinomial logistic regression model (MLR), random forest (RF), GBM, and XGBoost were considered classification models. The classification performance of RF, XGBoost, and GBM using ensemble-based decision trees was superior to that of the MLR. The results showed that the important variables for explaining pedestrian traffic accidents were as follows: children pedestrians suffered between 13:00 and 20:00 on sunny days in densely populated industrial complex areas. On the other hand, senior pedestrians faced higher risks of vehicle accidents between 9:00 and 12:00 on sunny days, mainly at intersections in downtown areas with traditional markets. As for the important influencing factors derived from the research, the number of educational institutions, the number of vehicle registrations, precipitation, the number of academies, the number of parks, and the number of facilities for the elderly ranked high accordingly.

국문 초록 (Abstract)

보행자 교통사고는 보행자와 운행 중인 차량 간 발생한 충돌사고로 도로 및 주변 환경 등에 영향을 받는다. 이 연구에서는 2014년 1월 1일부터 2019년 12월 31일까지 대구광역시에서 발생한 차대사람 교통사고 자료와 2차 자료를 수집하여 보행자교통사고에 영향을 미치는 요인을 분석하였다. 보행자는 어린이, 일반인, 노인으로 구분한 후 일반인을 대조집단으로 어린이와 노인을 시험집단으로 간주하여 교통약자(어린이, 노인) 보행자 교통사고 요인을 파악하였다. 교통사고 발생 빈도가 적은 어린이와 노인의 자료 불균형 문제를 해결하기 위해 SMOTE 알고리즘을이용하였다. 분석에 고려된 연구모형은 다항 로지스틱 회귀모형, 랜덤포레스트, Gradient Boosting Machine(GBM), XGBoost이다. 분석 결과 앙상블 기반의 의사결정나무를 사용한 랜덤포레스트, XGBoost, GBM의 분류성능이 다항 로지스틱 회귀모형에 비해 우수하였다. 대구광역시에서는 어린이 보행자 교통사고가 일반인 보행자 교통사고에 비해 맑은 날 13시~20시 공단 밀집 지역에서 주로 발생하였다. 노인 보행자 교통사고는 일반인 보행자 교통사고에 비해 맑은 날 9시~12시 전통시장을 비롯한 도심지역의 교차로에서 주로 발생하였다. 어린이와 노인 교통사고와 연관된 요인은 교육기관 수, 차량등록 수, 강수 여부, 학원 수, 공원 수, 노인시설 수 순서로 높게 도출되었다.

참고문헌 (Reference)

• 1 김수연 ; 손명수 ; 권구덕 ; 이두희, "최적 기상 데이터 및 관측소 선정을 활용한 Gradient Boosting Machine 기반의 전력수요 예측 알고리즘 개발" 대한전기학회 68 (68): 834-843, 2019
• 2 전우정 ; 서영욱, "일반화가속모형을 이용한 기술신용평가 주요 지표 분석" 한국전자거래학회 22 (22): 159-173, 2017
• 3 조득환 ; 류호선 ; 정승환 ; 오경주, "인공지능 (AI)을 활용한 공모주 투자여부 및기준 수익률 달성 여부 예측 모델" 한국데이터정보과학회 31 (31): 579-590, 2020
• 4 최수훈 ; 이상현 ; 김민수, "영향권을 활용한 태풍정보에 따른 피해정도 예측 분석" 한국자료분석학회 24 (24): 983-993, 2022
• 5 이세영 ; 이제승, "어린이⋅노인 보행자 교통안전을 위한 근린환경요인" 한국도시설계학회 15 (15): 5-15, 2014
• 6 박재신 ; 방성완, "불균형 자료의 분류분석에서 샘플링 기법을 이용한 로지스틱 회귀분석" 한국자료분석학회 17 (17): 1877-1888, 2015
• 7 유병주, "불균형 자료의 분류분석 방법별 성능 비교와 접근 전략 연구" 한국자료분석학회 23 (23): 195-207, 2021
• 8 이호준 ; 이수기, "보행자 교통사고 심각도 예측을 위한 머신러닝 모형 비교 분석:보행자 교통사고 자료의 표본 불균형 보정을 중심으로" 대한공간정보학회 29 (29): 3-15, 2021
• 9 전희정 ; 강승엽 ; 정수영 ; 김태완 ; 조철호 ; 주원영 ; 김지영 ; 허재필, "보행교통사고 다발지역 예측을 위한 딥러닝의 적용 : 수도권 노인과 어린이 보행교통사고를 중심으로" 대한국토·도시계획학회 56 (56): 115-127, 2021
• 10 성영실 ; 이성주, "로지스틱 회귀분석을 활용한 유아기 자녀를 둔 부모의 우울 예측 요인탐색" 한국영유아보육학회 (131) : 71-90, 2021
• 11 한성실 ; 정기문, "로지스틱 회귀모형을 이용한 채택확률모형" 한국자료분석학회 6 (6): 1153-1161, 2004
• 12 이기영 ; 배은석 ; 박해긍, "도농복합지역의 노인복지 비교 연구: 지역복지계획 보고서를 기반으로" 한국지방정부학회 11 (11): 247-263, 2008
• 13 김경범 ; 황경수, "도농복합지역과 지역유형에 따른 노인교통사고 특성 비교연구" 한국산학기술학회 18 (18): 224-236, 2017
• 14 엄용환, "데이터 마이닝에서 Cohen의 kappa를 이용한 분류정확도 측정" 한국컴퓨터정보학회 18 (18): 177-183, 2013
• 15 황영은 ; 강다영 ; 나명환 ; 윤상후, "대기오염물질과 기상변수를 이용한 일사량 예측" 한국데이터정보과학회 32 (32): 997-1005, 2021
• 16 황영은 ; 박성희 ; 최화빈 ; 윤상후, "대구광역시 교통약자 보행자 교통사고 공간 군집 분석" 한국디지털정책학회 20 (20): 75-83, 2022
• 17 김상구, "교통약자의 보행 교통사고 특성과 보행 횡단요소 분석(여수시를 사례로)" 한국디지털정책학회 14 (14): 439-448, 2016
• 18 황덕수 ; 오영태 ; 이상수 ; 김태호, "교통약자를 고려한 보행 신호시간 산정모형 개발에 관한 연구" 대한교통학회 26 (26): 181-190, 2008
• 19 Chen, T., "Xgboost: A scalable tree boosting system" 785-794, 2016
• 20 오재영 ; 함도현 ; 이용건 ; 김기백, "XGBoost 기법을 이용한 단기 전력 수요 예측 및 하이퍼파라미터 변화에 따른 영향 분석" 대한전기학회 68 (68): 1073-1078, 2019
• 21 "TAAS Traffic accident analysis system traffic accidents by sector"
• 22 Breiman, L., "Random forests" 45 (45): 5-32, 2001
• 23 김혜진 ; 이현미 ; 이창주 ; 소재현, "PM 교통사고에 영향을 미치는 근린환경 요인분석: 로지스틱 회귀모형을 이용하여" 대한교통학회 40 (40): 205-217, 2022
• 24 Natekin, A., "Gradient boosting machines, a tutorial" 7 : 21-, 2013
• 25 Bekkar, M., "Evaluation measures for models assessment over imbalanceddata sets" 3 (3): 2013
• 26 Cho, J., "Establishment of strategic plans for improving the pedestrian environment of neighborhoodstreet types" 13 (13): 19-28, 2016