Classification of High-Risk Paratransit Drivers Using Ensemble Machine Learning

기술 요약: 앙상블 머신러닝을 이용한 고위험 파라트랜싯(Paratransit) 운전자 분류

문제 제기
방글라데시 가지푸르(Gazipur)와 같이 급격히 발전하는 도시 지역에서, 파라트랜싯 시스템(예: 오토릭샤, 이지 바이크)은 공식 교통망이 충족하지 못하는 수요를 흡수함으로써 도시 교통 회복력의 핵심적인 완충 역할을 수행한다. 그러나 이 비공식 운송 부문의 안전성은 제대로 규명되지 않은 상태이다. 기존의 규제 시스템은 전통적인 통계 방법(예: 사고 빈도를 모델링하는 포아송(Poisson) 또는 음이항(Negative Binomial) 회귀 분석)을 사용하여 드라이버 수준의 위험을 평가하기 때문에 안전 문제를 해결하는 데 어려움을 겪는다. 이러한 선형 모델은 운전자 행동, 사회경제적 요인, 차량 유형 간의 비선형적 상호작용을 포착하지 못하며, 이는 당국이 선제적 개입을 위해 고위험 운전자를 식별하는 능력을 제한한다. 더욱이, 이 분야의 사고 데이터는 안전한 운전자가 사고 이력이 있는 운전자에 비해 압도적으로 많아 데이터 불균형이 심하며, 이는 예측 모델의 학습을 복잡하게 만든다.

방법론
본 연구는 2021년 7월부터 12월 사이 구조화된 대면 인터뷰를 통해 수집된 가지푸르 지역의 파라트랜싯 운전자 507명의 데이터셋을 활용하였다. 운전자는 자기 보고된 사고 이력에 따라 두 그룹으로 분류되었다: "안전(Safe)" (사고 1회, $n=386$) 및 "위험(Risky)" (사고 2회 이상, $n=121$).

연구에서는 다섯 가지 분류 알고리즘을 포함하는 비교 머신러닝 접근 방식을 채택하였다:

1. 로지스틱 회귀(Logistic Regression): L2 규제가 적용된 해석 가능한 베이스라인 모델.
2. 랜덤 포레스트(Random Forest): 부트스트랩 집계(bootstrap aggregating)를 사용하는 200개 결정 트리의 앙상블.
3. XGBoost: 규제가 적용된 순차적 그래디언트 부스팅 알고리즘.
4. 그래디언트 부스팅(Gradient Boosting): 순차적 트리 피팅 방식.
5. 스태킹 앙상블(Stacking Ensemble): 로지스틱 회귀, 랜덤 포레스트, XGBoost를 결합한 메타 학습기.

클래스 불균형(안전 76% 대 위험 24%)을 해결하기 위해, **SMOTE(Synthetic Minority Over-sampling Technique)**를 훈련 세트에만 적용하여 합성된 위험 사례를 생성함으로써 훈련 데이터를 270:270 비율로 균형을 맞추었다. 데이터셋은 층화 추출(stratified sampling)을 사용하여 70%의 훈련 데이터와 30%의 테스트 데이터로 분할되었다.

본 연구는 이러한 머신러닝 분류기들을 전통적인 포아송 회귀(Poisson regression) 모델(비교를 위해 이진 분류로 변환됨)과 비교하였다. 모델 성능은 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-Score, AUC-ROC, 그리고 매튜스 상관계수(MCC)를 통해 평가되었으며, F1-Score는 오탐(false positives)과 미탐(false negatives) 사이의 균형이 중요한 안전 맥락을 고려하여 주요 지표로 지정되었다. 특성 중요도는 Gini 중요도, Gain 중요도 및 표준화된 회귀 계수를 사용하여 분석되었다.

주요 결과

• 모델 성능: 로지스틱 회귀가 가장 우수한 성능을 보였으며, 0.483의 F1-score와 0.568의 재현율을 달성하였다. 이는 모든 앙상블 방법(랜덤 포레스트 F1=0.406, 스태킹 F1=0.394, XGBoost F1=0.369)보다 뛰어난 결과였다.
• 전통적 방법과의 비교: 로지스틱 회귀 모델은 전통적인 포아송 회귀 모델에 비해 F1-score에서 12.6% 개선, 재현율에서 40% 개선을 보였다. 포아송 회귀는 약간 더 높은 정밀도를 보였으나, 현저히 낮은 재현율(0.405)을 기록하여 선제적 안전 관리에 있어 필수적인 고위험 운전자의 상당 부분을 식별하는 데 실패하였다.
• 특성 중요도:
  • 차량 유형: 동력 삼륜차(CNG/레구나/템포) 운행이 고위험 상태의 가장 지배적인 예측 변수로 확인되었으며, 이는 비동력 모드에 비해 약 3배 높은 사고 위험과 연관되어 있었다.
  • 경력: 전통적인 안전 가설과 달리, 운전 경력은 위험과 양의 상관관계를 보였다. 위험 운전자의 평균 경력은 8.6년이었던 반면, 안전 운전자는 6.2년이었다. 이는 축적된 경험이 안전 향상이 아닌 안일함이나 과신으로 이어질 수 있음을 시사한다.
  • 사회경제적 요인: 높은 일일 소득과 운전 속도 또한 유의미한 위험 예측 변수였다.
• 보정(Calibration): 스태킹 앙상블이 가장 좋은 보정 성능(최저 Brier score)을 보였으나, 로지스틱 회귀가 변별력과 해석력 사이에서 최적의 균형을 제공하였다.

의의 및 기여
본 논문은 교통 안전 문헌에 다음과 같은 세 가지 주요 기여를 한다고 주장한다:

1. 방법론적 진보: 본 연구는 특히 로지스틱 회귀와 같이 해석 가능한 머신러닝 분류 모델이 특정 정책 목표(예: "이 운전자를 재교육하라")를 달est하는 데 있어 전통적인 카운트 회귀 모델보다 우수함을 입증함으로써, 분류 프레임워크가 빈도 기반 모델보다 이진 정책 결정에 더 적합함을 검증하였다.
2. 데이터 불균형 처리: 본 연구는 비공식 부문의 희소한 사고 기록에도 불구하고 견고한 모델 학습을 가능하게 하기 위해 SMOTE를 성공적으로 적용하였다.
3. 정책 관련 통찰: 연구는 경험이 곧 안전이라는 가설에 도전하며, 파라트랜싯 분야의 숙련된 운전자가 오히려 더 높은 위험을 초래할 수 있음을 밝혀냈다. 또한, 차량 유형이 개인의 인구통계학적 특성보다 더 중요한 위험 요인임을 강조하였다.

거버넌스를 위한 의의
저자들은 이 분류 프레임워크가 교통 당국에 표적화된 안전 개입을 위한 실행 가능한 도구를 제공한다고 주장한다. 기존의 행정 데이터(차량 유형, 소득, 경력 등)를 활용함으로써, 당국은 값비싼 텔레매틱스나 새로운 인프라 없이도 고위험 운전자를 우선순위에 두기 위한 위험 점수를 생성할 수 있다. 본 연구는 허가 갱신 주기 내에 위험 스크리닝을 통합하는 것이 일상적인 행정 데이터를 도시 교통의 회복력을 나타내는 상시 지표로 전환할 수 있음을 시사하며, 이를 통해 교통 혼란 시 도시가 의존하는 비공식 교통층의 신뢰성을 높임으로써 지속가능발전목표(SDGs) 9 및 11.2를 지원할 수 있다고 제언한다.