💻 computer science

Predicting Traffic Accidents and Fatalities with Transformer-Based Models and Big Data for Enhanced Policy and Safety Insights

본 연구는 방콕의 교통사고 및 사망자 수를 정확하게 예측하기 위해 시공간 병렬 트랜스포머(STPT)와 클러스터링 기술을 활용하는 확장 가능한 빅데이터 기반 프레임워크를 제안하며, 이를 통해 도시 도로 안전을 강화하기 위한 증거 기반의 정책 개입을 가능하게 한다.

원저자: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

게시일 2026-07-14

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sudarat Sukjaroen, Xiaodan Dong, ST Boris Choy, Weidong Huang, Adel Fadhl Noor Ahmed

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

방콕의 도로를 매일 수백만 대의 자동차, 오토바이, 보행자들이 벌이는 거대하고 혼란스러운 술래잡기 게임이라고 상상해 보세요. 때로는 이 게임이 완벽하게 진행되기도 하지만, 어떤 때는 플레이어들이 서로 충돌하기도 하며, 슬프게도 어떤 이들은 다시 일어나지 못하기도 합니다. 한 연구팀은 단순히 "누가 범인인지" 맞히는 추측을 멈추고, 대신 사고가 정확히 언제, 어디서 발생할 가능성이 높은지, 그리고 얼마나 심각할지를 알아내기 위해 초스마트 디지털 탐정을 구축하기로 했습니다.

탐정의 도구 상자: 수학으로 만든 수정구슬
단순히 지도를 보고 추측하는 대신, 연구팀은 이 탐정에게 방대한 데이터라는 진수성찬을 먹였습니다: 2019년부터 2024년까지의 사고 기록 10,163건, 387개 지점의 교통량, 기상 보고서, 심지어 관련된 차량의 구체적인 유형까지 말이죠. 그들은 단 하나의 뇌만을 사용하지 않았습니다. 대신 디지털 뇌 팀 전체를 구축했습니다.

주역은 **트랜스포머(Transformer)**라고 불리는 새로운 종류의 AI(구체적으로는 시공간 병렬 트랜스포머, 즉 STPT)였습니다. 이 모델은 마치 도서관의 모든 책을 동시에 읽으며, 한 섹션의 이야기가 몇 마일 떨어진 다른 섹션의 이야기와 어떻게 연결되는지 알아채는 매우 조직적인 사서와 같습니다. 이 모델은 사고가 발생한 시간과 발생한 장소를 동시에 살펴보았습니다.

중대한 발표: 데이터가 실제로 말해주는 것
결과는 매우 흥미로웠지만, 몇 가지 중요한 주의 사항이 따랐습니다.

최고의 탐정: 트랜스포스터 모델은 사고 건수와 사망자 수를 예측하는 데 가장 뛰어났으며, 표준 수학 방정식이나 더 단순한 AI 같은 기존 방식보다 실수가 가장 적었습니다. 하지만 논문은 치명적인 사고는 (건초더미에서 바늘 찾기처럼) 드물게 발생하기 때문에, 모델이 가끔 사망자 수를 과소평가한다는 점을 언급했습니다. 이 모델은 "나쁜 일이 일어나지 않을 것"이라고 말하는 데는 뛰어나지만, 정말 크고 드문 재난을 예측하는 데는 다소 소심합니다.
준우승자: **그래디언트 부스팅(Gradient Boosting)**이라는 모델 또한 강력한 경쟁자였습니다. 이 모델은 가벼운 접촉 사고와 심각한 충돌 사고를 구분해 내는 데 매우 뛰어났으며, 마치 눈썰미 좋은 심판처럼 행동했습니다.
배제된 것들: 본 연구는 기존의 더 단순한 모델들(기본적인 선형 회귀 등)이 이 복잡하고 무질서한 데이터 속의 패턴을 포착하는 데는 그다지 좋지 않다는 것을 명시적으로 보여주었습니다. 또한 연구진은 단순히 교통량만 보는 것으로는 충분하지 않으며, 도로가 어디에 있는지, 날씨가 어떠한지, 그리고 누가 운전하는지를 함께 섞어서 고려해야 한다는 것을 발견했습니다.

"핫 존(Hot Zones)": 위험이 숨어 있는 곳
도시를 10개의 서로 다른 "교통 밀도 클러스터"(엉망인 방을 10개의 더미로 분류하는 것과 같음)로 그룹화함으로써, 연구진은 놀라운 패턴들을 발견했습니다.

"저교통"의 함정: 교통량이 많은 도로가 가장 위험할 것이라고 생각할 수도 있지만, 두 번째로 높은 사고율은 교통량이 매우 적은 조용하고 알려지지 않은 도로에서 발생했습니다. 여기서 주요 원인은 과속이었습니다. 이 직선적이고 평탄한 도로 위의 운전자들은 "아무도 안 보니까 쌩쌩 달려야지!"라고 생각하는 듯했습니다. 이는 특히 오토바이가 연루된 후방 추돌 사고로 이어졌습니다.
"화물 트럭" 구역: 또 다른 핫스팟은 화물 픽업 트럭이 주요 문제 유발자인 특정 경로였습니다. 원인은 무엇이었을까요? 바로 직선 도로에서 신호를 위반하고 교통 표지판을 무시하는 것이었습니다.
"사망" 요인: 가장 치명적인 지점들에 관해서는 패턴이 바뀌었습니다. 가장 높은 예측 사망률은 농촌 도로에서 오토바이와 과속이 결합되었을 때 나타났습니다. 두 번째로 높은 사망률은 도시에서 나타났는데, 이번에는 보행자가 치이는 문제였으며, 주로 음주 운전이나 차를 가로막는 행위로 인해 발생했습니다.

"만약에" 게임 (그리고 그것이 아닌 것)
연구진은 정확히 어떤 조건이 이러한 사고를 유발하는지 알아내기 위해 "결정 트리(Decision Tree)"(만약 ~라면, 그러면 ~이다 라는 식의 순서도와 같음)를 사용했습니다. 예를 들어, 도로가 직선이고 경사가 없으며 오토바이가 연루된 경우 사고 위험이 급증한다는 것을 발견했습니다.

결론: 마법 지팡이가 아닌 지도
이 논문은 이 새로운 프레임워크가 도시 계획가들에게 강력한 도구가 될 수 있음을 시사합니다. 이것은 모든 사고를 즉각적으로 멈추게 하는 마법 지팡이가 아닙니다. 대신, "자, 만로 이 특정 직선 도로들에 과속 단속 카메라를 설치하거나, 저 특정 농촌 지역의 오토바이 운전자들에게 보호 장구를 더 잘 착용하도록 교육한다면, 생명을 구할 수 있습니다"라고 말해주는 고도의 기술이 집약된 지도입니다.

저자들은 자신들의 모델이 기존 모델보다 뛰어나긴 하지만, 여전히 학습 중이라는 점을 조심스럽게 밝히고 있습니다. 그들은 향로에 운전자의 얼굴과 행동을 담은 영상 데이터를 추가할 수 있다면, 이 탐정이 훨씬 더 똑똑해질 수 있을 것이라고 제안합니다. 하지만 현재로서는, 빅데이터와 화려한 AI를 결합하는 것이 우리가 사고를 일으키는 보이지 않는 패턴을 파악하는 데 도움을 주며, 사고가 발생하기 전에 이를 해결할 수 있는 더 나은 기회를 제공한다는 것을 입증했습니다.

기술 요약: 트랜스포머 기반 모델과 빅데이터를 활용한 교통사고 및 사망자 수 예측

문제 정의
도로 교통 안전은 특히 방콕과 같이 사고율과 사망률이 높은 대도시 지역에서 중대한 공중 보건 과제로 남아 있다. 딥러닝이 사고 예측에서 유망한 성과를 보여왔으나, 기존 모델들은 특정 사고 유형(예: 후방 추돌 충돌)에 집중하거나 복잡한 시공간적 이질성을 충분히 통합하지 못하는 경우가 많다. 따라서 사고 빈도와 사망자 수를 공동으로 예측하기 위해 교통량, 환경 조건, 운전자 행동, 차량 구성 등 광범위한 변수를 통합하여, 표적화된 정책 개입을 위한 근거 기반 지능을 제공할 수 있는 확장 가능한 프레임워크가 필요하다.

방법론
본 연구는 빅데이터 분석과 고급 딥러닝 아키텍처를 결합한 포괄적인 프레임워크를 제안한다. 방법론은 세 가지 주요 단계로 구성된다:

데이터 통합 및 전처리:
- 데이터셋: 본 연구는 정부의 도로 교통사고 기록 데이터(2019년 1월~2024년 7월, 총 9,729건)와 387개 모니터링 스테이션의 교통량 데이터를 결합한다.
- 특성(Features): 예측 벡터( $X_i$ )는 시계열 속성, 공간/경로 정보, 차량/인적 관련 척도, 부상 관련 변수로 분류된 37차원을 포함한다.
- 클러스터링: 교통량 데이터에 비지도 학습 방식인 K-means 클러스터링을 적용하여 10개의 뚜렷한 교통 밀도 클러스터를 식별한다. 이 단계는 공간적 이질성을 포착하고 다양한 교통 조건 하에서의 사고 패턴 분석을 가능하게 한다.
모델링 접근 방식:
본 연구는 9개의 모델을 평가하며, 특히 두 가지 새로운 딥러닝 아키텍처에 초점을 맞춘다:
- 시공간 병렬 트랜스포머 (Spatio-Temporal Parallel Transformer, STPT): 이 아키텍처는 트랜스포머 인코더와 그래프 합성곱 신경망(GCN)을 병렬로 통합한다. 셀프 어텐션(self-attention) 메커니즘을 사용하여 장기적인 시간적 의존성을 포착하고, 그래프 구조를 통해 노드 간(예: 위도/경도 근접성)의 공간적 상관관계를 모델링한다. 출력값은 학습 가능한 계수 $\alpha$ 에 의해 제어되는 공간 및 시간 특성의 가중치 융합이다.
- 그래프 신경망 (Graph Neural Network, GNN): 이 모델은 도로 구간을 노드로 나타내며, 지리적 근접성 또는 교통 유사성에 의해 정의된 그래프 상에서 메시 전달(message passing)을 통해 관계를 학습한다. 인접 노드의 정보를 집계하여 국지적인 공간 의존성을 모델링한다.
- 베이스라인 모델: 비교를 위해 Gradient Boosting, Decision Trees, XGBoost, LightGBM, Random Forest, 선형 회귀(Linear Regression), 서포트 벡터 회귀(SVR) 및 표준 신경망을 포함한다.
분석 및 해석:
- 모델 성능은 평균 제곱 오차(MSE), 평균 절대 오차(MAE), 그리고 ROC 곡선 아래 면적(AUC-ROC)을 사용하여 평가된다.
- 클러스터링된 데이터에 의사결정 나무(Decision Tree) 분석을 적용하여 높은 사고 및 사망률을 유발하는 특정 조건(예: 교통량, 차량 유형, 도로 기하구조)을 식용한다.
- 고위험 구간을 시각화하기 위해 지리공간 핫스팟 매핑이 사용된다.

주요 기여

새로운 아키텍처 적용: 본 연구는 단일 유형의 사고 예측을 넘어, 사고 발생과 사망률을 모두 예측하기 위해 시공간 병렬 트랜스포머(STPT)를 적용함으로써 연구 공백을 메운다.
포괄적인 변수 통합: 기존 연구들과 달리, 본 프레임워크는 공간, 시간, 행동 및 환경 차원에 걸친 37개 변수를 공동으로 분석한다.
클러스터 기반 통찰: K-means 클러스터링을 예측 모델링과 통합함으로써, 교통 밀도 수준에 따라 사고 패턴이 어떻게 크게 달라지는지 밝혀내고, 비정상적으로 높은 사고 또는 사망률을 보이는 특정 클러스터를 식별한다.
실행 가능한 정책 프레임워크: 본 연구는 모델 출력값을 식별된 핫스팟에 대한 구체적이고 표적화된 완화 전략(예: 직선 도로에서의 속도 제한, 보행자 안전 조치)으로 변환한다.

결과

예측 성능: STPT 모델은 사망률 예측에서 가장 낮은 평균 제곱 오차(MSE = 0.0009)를 달 기록하며 다른 모든 모델을 능가했다. 그러나 저자들은 데이터셋의 클래스 불균형으로 인해 드문 고위험 사건에서 사망자를 과소평가하는 경향이 있다고 언급했다.
분류 능력: Gradient Boosting Regressor가 AUC 0.8405로 가장 높은 판별력을 보였으며, GNN(AUC = 0.8103)이 그 뒤를 이었다. STPT 모델은 중간 정도의 분류 성능(AUC = 0.7783)을 보였다.
패턴 발견:
- 시간적 추세: 사고율은 평일 출퇴근 시간(오전 8~~9시, 오후 4~~5시)과 휴가 기간(12월/1월)에 정점에 달한다.
- 클러스터 분석: 클러스터 5와 6은 가장 높은 사고율을 보였으며, 클러스터 9는 가장 높은 사망률을 보였다.
- 핫스팟 상세 내용:
  - 두 번째로 높은 사고율: 낮은 교통량, 미인지 경로, 오토바이, 과속, 그리고 직선 도로에서의 후방 추돌 사고와 연관되어 있다.
  - 가장 높은 사망률: 농어촌 도로, 오토바이, 과속, 그리고 경사가 있는 직선 도로와 연결되어 있다.
  - 보행자 사망: 음주 운전, 부주의, 그리고 직선 도로에서의 화물 픽업트럭 관련 충돌과 상관관계가 있다.

의의 및 주장
본 논문은 제안된 프레임워크가 도시 도로 안전 평가를 위한 전이 가능하고 확장 가능한 접근 방식을 제공한다고 주장한다. 빅데이터와 딥러닝을 활용함으로써, 본 연구는 전통적인 통계적 방법이 놓칠 수 있는 고위험 조건과 숨겨진 패턴을 식별하는 능력을 입증한다. 저자들은 이러한 근거 기반 지능이 인프라 개선, 속도 단속, 대중 인식 캠페인과 같은 표적 개입을 가능하게 하여 궁극적으로 교통 관련 부상 및 사망을 줄이는 데 기여한다고 단언한다. 연구는 모델이 높은 예측 정확도를 보이지만, 향후 연구에서는 클래스 불균형 문제를 해결하고 멀티모달 데이터(예: 시각 스트림)를 통합하여 선제적 안전 조치를 더욱 강화해야 함을 강조한다.

유사한 논문