Spatiotemporal prediction of unsafe road conditions using weather and infrastructure proximity information - A comparative study across model learning paradigms

계절이 바뀌고 기상 패턴이 변화함에 따라, 매년 우리가 여행하는 도로들은 보이지 않는 위협에 직면합니다. 폭우는 매끄러운 고속도로를 얕은 호수로 만들 수 있고, 타오르는 열기와 건조한 바람은 도로변에 불을 지필 수 있습니다. 이러한 사건들은 '불안정한 도로 상태'로 알려져 있으며, 단순히 교통을 지연시키는 것을 넘어 도로 자체를 손상시키고, 운전자를 위험에 빠뜨리며, 도시의 흐름을 유지하기 위해 설계된 시스템에 부담을 줍니다. 기후가 변화함에 따라 이러한 극한 기상 현상은 더욱 빈번하고 강렬해지고 있으며, 이는 도로 관리자들에게 어려운 질문을 던집니다. "다음 문제는 어디서, 언제 발생할 것인가?" 이 질문에 답하기 위해 과학자들은 데이터에 주목하여, 도로 사고의 역사 속에서 패턴을 찾아 미래의 위험을 예측하고자 했습니다. 그 목표는 단순히 위기에 대응하는 것이 아니라, 어떤 특정한 날씨와 지역적 도로 특징의 조합이 문제를 일으키는지 이해함으로써, 재난이 닥치기 전에 당국이 취약한 지점을 점검하고 수리할 수 있도록 하는 것입니다.

네덜란드 델프트 공과대학교의 연구팀은 서로 다른 컴퓨터 학습 방법들이 이러한 특정 도로 위험을 얼마나 잘 예측할 수 있는지 테스트하기 위해 연구를 시작했습니다. 그들은 네덜란드의 고속도로 네트워크, 즉 주요 도시와 지역을 연결하는 거대한 고속도로 시스템에 집중했습니다. 2014년부터 2022년까지 기록된 약 4,700건의 사고 데이터베이스를 사용하여, 연구진은 다섯 가지 뚜렷한 유형의 문제, 즉 도로 위의 물 고임, 도로 주변 식생 화재, 미끄러운 노면, 도로 인프라 손상, 그리고 기타 기상 관련 원인을 조사했습니다. 각 사건에 대해 연구진은 사건 발생 당시의 강수량(사고 전 한 시간 동안 내린 비의 양)이나 최고 기온과 같은 기상 조건과, 포장 도로 및 식생, 수자원 관리 시스템과의 거리 등 도로의 즉각적인 주변 환경에 대한 두 가지 유형의 정보를 수집했습니다.

연구진은 이후 다섯 가지 서로 다른 유형의 컴퓨터 모델을 서로 맞붙여, 어떤 모델이 과거로부터 가장 잘 학습하여 미래를 예측할 수 있는지 확인했습니다. 한쪽에는 사실 관계가 담긴 스프레드시트에서 패턴을 찾는 숙련된 분석가와 같은 전통적인 머신러닝 도구들이 있었습니다. 다른 한쪽에는 시간의 흐름에 따른 사건의 순서나 서로 다른 위치 간의 관계를 처리하는 인간의 뇌를 모방하도록 설계된 더 복잡한 딥러닝 모델들이 있었습니다. 이 중 일부 고급 모델은 사건이 발생한 순서를 이해하도록 구축되었고, 다른 모델들은 한 지역의 사건이 인근 지역과 어떻게 연관되는지를 지도화하도록 설계되었습니다. 연구팀은 이 모델들을 과거 데이터로 훈련시킨 후, 완전히 보지 못한 새로운 기간의 데이터를 통해 모델이 다음에 어떤 종류의 도로 문제가 발생할 가능성이 높은지 정확하게 식별할 수 있는지 테스트했습니다.

결과는 가장 복잡한 기술이 승리할 것이라고 예상했던 이들에게 놀라운 반전을 선사했습니다. 수많은 작은 결정 트리(decision trees)를 구축하고 그 답을 결합하여 작동하는 단순한 전통적 머신러닝 모델들이 가장 신뢰할 수 있는 예측 도구임이 증명되었습니다. 이 모델들은 시간과 공간을 추적하도록 설계된 정교한 딥러닝 네트워크보다 일관되게 우수한 성능을 보였습니다. 고급 모델들도 학습 능력을 보여주기는 했지만, 더 단순한 도구들에 비해 정확도 면에서 유의미한 개선을 보여주지는 못했습니다. 실제로 연구 결과, 이 특정 유형의 희소한 이벤트 기반 데이터에서는 딥러닝 시스템의 추가된 복잡성이 더 나은 예측으로 이어지지 않았습니다. 연구진은 이 특정 작업의 경우, 단일 사건의 날씨와 도로 특징을 분석하는 직관적인 접근 방식이 이전 사건의 복잡한 이력이나 전체 네트워크의 지형을 모델링하는 것보다 더 효과적이라고 결론지었습니다.

연구진이 구체적인 도로 문제들을 자세히 살펴보았을 때, 명확한 패턴이 나타났습니다. 모델들은 도로 위의 물 고임과 도로변 화재를 예측하는 데 매우 뛰어난 성능을 보였습니다. 이러한 사건들은 특정 기상 조건과 강력하게 연결되어 있습니다. 즉, 폭우는 물 고임을 유발하고, 뜨겁고 건조한 날씨는 화재를 유발합니다. 이러한 연결 고리는 직접적이고 데이터상에서 발생하는 빈도가 충분히 높기 때문에 모델이 이를 잘 학습할 수 있었습니다. 그러나 모델들은 미끄러운 노면과 도로 인프라 손상을 예측하는 데 상당한 어려움을 겪었습니다. 이러한 문제들은 더 복잡하고 다양합니다. 예를 들어, 미끄러운 도로는 얇은 얼음층, 갑작스러운 기온 하강, 또는 특정 유형의 노면 질감 등에 의해 발생할 수 있는데, 현재의 데이터로는 이를 온전히 포착할 수 없었습니다. 마찬가지로, 인프라 손상은 침식에서부터 구조적 결함에 이르기까지 다양한 원인으로 발생할 수 있어, 컴퓨터가 날씨와 일반적인 위치 정보만으로 정확한 트리거를 짚어내기가 어렵습니다.

또한 연구진은 도로 주변 환경을 아는 것이 날씨를 아는 것만큼 중요한지를 조사했습니다. 그들은 날씨 데이터만 사용했을 때, 도로 주변 데이터만 사용했을 때, 그리고 두 가지를 모두 결합했을 때의 실험을 진행했습니다. 결과는 명확했습니다. 날씨 데이터가 거의 모든 예측력을 보유하고 있었습니다. 강수량과 기온을 알면 모든 정보를 다 가졌을 때와 거의 대등한 수준의 성능을 낼 수 있었습니다. 반면, 주변 식생이나 수자원 시스템과 같은 도로 주변의 세부 정보를 사용했을 때는 예측력이 매우 떨어졌습니다. 이는 지역 환경이 중요하기는 하지만, 즉각적인 기상 조건이 이러한 도로 사고의 주된 동력임을 시사합니다. 연구진은 사용된 데이터가 주변 환경을 일정 거리 내의 식생 비율과 같이 포괄적인 용어로 설명하고 있으며, 이것이 미끄러운 도로를 유발하는 구체적인 미세한 차이를 포착하기에는 충분히 상세하지 않을 수 있다고 언급했습니다.

연구 결과의 유용성을 높이기 위해, 팀은 가장 성능이 좋은 모델이 각 유형의 사고에 대해 높은 위험을 식별한 지도를 시각화하여 제작했습니다. 이 지도들은 물 고임이 자주 예측되는 로테르담과 위트레흐트 주변의 고속도로 구간과, 도로변 화재가 반복적으로 우려되는 구간 등 특정 경로를 강조하여 보여주었습니다. 이 지도들은 완벽한 수정구슬은 아닙니다. 내일 불이 날 것이라거나 다음 주에 도로가 침수될 것이라고 보장하지 않습니다. 대신, 이 지도들은 특정 지역이 과거에 취약성을 보였던 이력이 있음을 보여줌으로써 당국이 주의 깊게 살펴봐야 할 곳을 가리키는 스크리닝 도구 역할을 합니다. 이러한 핫스팟에 자원을 집중함으로써, 도로 관리자들은 배수구를 청소하거나 식생을 정리하는 등의 유지보수를 수행하여 사소한 문제가 큰 혼란으로 번지기 전에 예방할 수 있습니다.

궁극적으로 이 연구는 데이터를 사용하여 도로 안전을 지키는 데 있어 잠재력과 한계를 동시에 보여줍니다. 이는 기상 관련 도로 위험을 예측하는 데 있어, 복잡하고 미래지향적인 알고리즘보다 즉각적인 기상 조건에 집중하는 단순하고 견고한 도구가 현재로서는 더 효과적임을 입증합니다. 또한 연구는 우리가 일부 유형의 사건은 신뢰성 있게 예측할 수 있지만, 데이터가 충분히 상세하지 않아 전체 그림을 포착하지 못하는 다른 유형의 사건들은 여전히 파악하기 어렵다는 점을 밝혀냈습니다. 이 탐색적 지도를 일상 운영에서 신뢰할 수 있는 예측 시스템으로 발전시키기 위해서는, 연속적인 기상 기록, 교통 흐름 정보, 그리고 도로 표면 자체에 대한 상세한 측정값을 포함한 더 풍부한 데이터를 수집하는 향-후 과제가 필요할 것입니다. 그때까지 이 모델들은 변화하는 기후 속에서 어디가 가장 무너지기 쉬운지를 보여줌으로써, 도로 당국이 불확실성을 헤쳐 나갈 수 있도록 돕는 가치 있는 길잡이가 되어줄 것입니다.