1. 연구의 배경 및 목적

● 본 교통안전 데이터 분석방법 개발 연구는 도로교통 부분에서 발생하는 교통사고와 이에 따른 부상자와 사망자수를 감소시키는 것을 연구의 목적으로 하고 있음

● 본 연구는 도로교통(highway), 교통안전(safety), 인간행태(human factor) 분야를 대상으로 하고 있으며, 전략적 도로교통연구 프로그램(Strategic Highway Research Program 2, 이하 SHRP 2)의 일부로서 수행되었음

● 이번 연구는 교통안전 데이터 분석방법 개발 2단계 연구로서, 1단계 선행 연구에서는 세 가지 후속 연구과제가 제안되었음

● 첫 번째 과제는 사고 혹은 위험 상황(crash and near-crash)을 설명할 수 있는 적절한 수학 및 통계모형을 개발하고 이를 현장에서 수집된 차량기반 혹은 지점기반 데이터에 적용시키는 것임

● 두 번째 과제는 운전 중 직면하는 위험상황과 실제 교통사고와의 유사성을 조건법적으로 연구(counterfactual screening) 하는 것임

● 세 번째 과제는 운전자들이 운전 중 특정 상황에 직면하게 될 경우 어떠한 행동을 취하게 되는지를 설명할 수 있는 모형을 개발하는 것임

● 본 보고서는 앞서 언급한 세 가지 연구과제 중 첫 번째 연구에 대한 결과를 정리하고 있으며, 따라서 본 연구에서는 교통사고를 미시적인 관점에서 설명할 수 있는 다양한 모형이 검토되었고, 전체 세 가지 유형의 데이터를 적용하였음

● 데이터는 차량기반의 현장연구(vehicle-based field study)를 통해 수집된 운전자 100여명의 운전행태(naturalistic) 데이터, Minnesota Traffic Observatory에서 제공한 위치기반의 영상 데이터(site-based video data), 마지막으로 교차로 충돌방지 시스템 구축 프로젝트(Cooperative Intersection Collision Avoidance Systems, 이하 CICAS)에서 수집된 지점기반의 도플러 편이(Doppler shift) 데이터로 구성됨

● 본 연구에서는 교차로를 대상으로 1대 이상의 차량이 교통사고 혹은 위험상황을 경험한 경우에 대하여 초점을 맞추고 있음

2. 분석모형 제시

● 본 연구는 개별 교통사고 기반의 미시적 모형(microscopic crash model)을 개발하고 이를 미시적으로 교통분석이 가능한 시뮬레이션 모델(traffic simulation model)과 연계하는 것을 목적으로 하고 있음

● 이를 위해 우선 지점 기반의 영상(site-based video)을 통해 추출된 궤적(trajectory data)에 간단한 기존의 수리적 모형을 적용하여 이러한 아이디어의 구현 가능성을 테스트하였고, 또한 이러한 접근 방법을 통해 비교통사고 상황에 대하여 얼마만큼의 교통사고가 발생할 것인지를 추정해보았음

● 이후 이러한 아이디어를 보다 복잡한 교통상황에 적용시켜보았는데, 연구팀은 운전자 행태를 고려하여 모델을 구축하였고, 이를 통해 가속에 대한 이력자료, 차량의 최초위치 및 속도가 주어진다면, 시공간 영역에서 차량의 위치를 쉽게 계산할 수 있게 되었음

● 또한 연구팀은 교통사고 위험상황(near-crash event)에 대한 속도 정보, 레이더의 범위와 비율을 활용하여 모델의 구축하고 시나리오 분석을 통해 최종적으로 교통사고가 발생할 확률을 계산하여 도출하였음

3. 차량기반 데이터 적용

● 본 보고서는 100대의 차량으로부터 수집된 각종 데이터를 활용한 연구를 기술하고 있음

● 수집된 데이터로부터 전체 33건의 사고 혹은 위험 상황(crash and near-crash event)이 관측되었으며, 각 건별로 대략 30초 간의 영상 자료가 구축되었음

● 본 영상자료로부터 다양한 지표를 추출할 수 있는데, 이러한 지표로는 차량의 속도, 차량 간 (혹은 레이더 간) 범위, 레이더 범위 비율, 가속정도, GPS 위치, 차두간격/시간, 브레이크 사용여부, 엑셀 사용여부, 방향지시등 사용여부 등이 해당함

● 전체 33건의 케이스를 살펴본 결과, 그 중 7건이 앞서 구축된 수리 모델을 적용하는데 적합한 것으로 파악되었음

● 모델 적용 결과, 선행과 후행차량의 가속 프로파일(plausible acceleration profiles)을 구축할 수 있었고, 또한 이러한 정보와 반응시작 시간 등 과 같은 분석결과를 활용하여 후행차량의 반응시간(reaction time)을 추정할 수 있었음

4. 지점기반 데이터 적용

● 본 보고서는 미국 미네소타 대학(University of Minnesota)의 Beholder system을 통해 수집된 지점기반 영상(site-based video) 데이터에 대하여 설명하고 있음

● 데이터의 수집은 미네아폴리스(Minneapolis)의 도심에 위치한 I-94의 한 구간을 대상으로 이루어졌으며, 비디오 카메라, 컴퓨터, 무선통신 장비 등을 활용하여 관련 다양한 유형의 교통 데이터가 수집되었음

● 본 연구에서 차량의 위치는 비디오 영상 데이터와 카메라 위치를 고려하여 계산 후 분석에 활용하였고, 2008년 7월에서 부터 10월까지 기록된 전체 4건의 후방충돌사고(rear-end crash)를 대상으로 하고 있음

● 모델 적용 결과, 각 사고에 있어 가속 프로파일(acceleration profiles)을 작성할 수 있었고, 이러한 정보를 바탕으로 반응시간과 반응시작시간의 상태를 파악할 수 있었음

5. CICAS 지점 데이터 적용

● 본 연구에서는 CICAS를 통해 미네소타 대학의 지능형차량(Intelligent Vehicles) 실험실에서 수집된 지점기반의 도플러 편이(site-based Doppler shift) 데이터를 이용하여 파일럿 연구를 수행하였음

● 본 파일럿 연구에서는 양방향 정지 교차로(two-way-stop controlled intersection)에 주도로를 통해 접근하는 차량의 속도와 위치 데이터를 수집할 수 있는 레이더 장비를 설치하였고, 부도로를 통해 접근하는 차량을 검지하기 위해서 Light Detection And Ranging (LIDAR) 장비를 이용하였으며, 이를 통해 차량의 속도와 위치데이터를 수집하였음

● 비록 본 파일럿 연구가 표준 운전자-정보 시스템에 대하여 설계되고, 차량의 궤적 정보를 수집할 수 없고, 데이터 입력과 준비가 명확하게 설명되지 않는 한계가 존재하고 있음

● 하지만, 데이터 마이닝 기법을 통해 부도로로부터 접근하는 차량에 반응하여 주도로로 접근하는 차량의 행태를 파악할 수 있었으며, 이를 통해 모든 운전자에 대하여 가속 프로파일을 작성할 수 있었음

6. 결론 및 제언

● 본 연구의 결론으로는 첫째, 직진 차량에 대하여 차량 및 지점 기반 데이터를 활용하여 교통사고 혹은 위험상황에 대한 궤적(trajectory data)을 재구성할 수 있고, 이러한 궤적은 운전자 행태를 반영하는 수리 및 통계모형에 사용될 수 있는 것으로 나타났음

● 둘째, 후방추돌 상황의 경우 교통사고 발생과 위험 상황(crash and near-crash)에 대한 운전자의 행태가 제한적으로나마 유사한 것으로 나타났음

● 마지막으로 적절한 데이터 마이닝 기법과 활용할 경우 현재 수집되고 있는 다양한 교통 데이터를 활용하여 유사한 교통안전 연구를 수행할 수 있음을 시연하였음

● 향후 연구로서는, 차량의 궤적정보에 대한 수집과 분석이 양방향으로 확장될 필요가 있고, 수리 및 통계모형을 시뮬레이션 분석에 적용할 경우 현재 상황과 운전자의 행태 간 적절한 피드백이 과정이 요구됨

● 또한 차량 데이터간 상관관계 (serial correlation)에 대한 고려가 필요함이 언급되었으며, 데이터 수집과 관련하여 범위와 구체적인 내용에 대한 논의가 필요한 것으로 나타났음

● 향후 이러한 내용들이 SHRP 2를 통해 이루어질 필요가 있음

● 본 보고서는 SHRP 2 Safety Project S01A 연구의 2단계 연구내용을 정리하고 있으며, 연구의 주요 목적은 실제 충돌과 위험상황(crash and near-crash)에 대하여 분석할 수 있는 수리 및 통계모델을 구축하는데 중점을 두고 있음

● 이를 위해 본 연구에서는 차량과 지점 기반의 데이터를 활용하여 궤적을 추리하여 교통사고를 분석하고 복잡한 시나리오 분석에 활용하고자 함

● 또한 본 보고서는 개별 교통사고와 사고와 관련한 다양한 원인에 관심을 두는 미시적인 분석모형(microscopic model)을 소개하고 있음

● 이러한 요소로서 운전자 행위, 최초 차량속도, 차량 위치 등을 파악하였고, 이들은 차량의 움직임을 반영할 수 있는 수리 혹은 통계 모형에 적용하였음

● 이를 바탕으로 차량의 구체적인 궤적, 운전자의 반응시간, 차두거리/시간, 차량의 감속 혹은 가속도를 추정할 있음을 나타내고 있음

● 이러한 결과는 향후 충분한 수의 교통사고 혹은 위험상황에 데이터가 수집된다면, 교통시뮬레이션 모델을 통해 교통사고를 계량적으로 분석하고 예측하는데 활용할 수 있을 것으로 판단됨