택시 DTG 데이터를 이용한 도시부 격자별 교통사고 위험도 추정 모형 개발 및 위험운전행동 영향분석 :

김동욱

추천

검색

자료유형: 학위논문

저자정보: 김동욱 (계명대학교, 계명대학교 대학원)

지도교수: 권오훈

발행연도: 2020

저작권: 계명대학교 논문은 저작권에 의해 보호받습니다.

이용수21

이 논문의 연구 히스토리 (2)

2023

택시 DTG 데이터를 활용한 교통사고 위험지점 식별 연구

김동욱 , 권오훈 대한교통학회 학술대회지 2023.02 학술대회자료

2020

택시 DTG 데이터를 이용한 도시부 격자별 교통사고 위험도 추정 모형 개발 및 위험운전행동 영향분석

김동욱 도시계획 2020.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

최근 선제적 사고 예방 기술은 ICT 기술 개발의 발전과 방대한 양의 데이터 확보로 인해 많은 연구가 진행되고 있다. 본 연구는 택시 DTG 데이터 자료를 활용하여 도시부의 교통사고 위험도를 추정하는 모형을 개발하고, 모형을 통해 교통사고 영향요인을 분석하고자 한다. 대구광역시 전체 범위를 총 90,000개의 격자로 구분하여 2017년 6월 5일부터 6월 9일까지의 총 5일간 택시 4,214대의 1초 운행기록 데이터를 활용하였다. 데이터 가공을 통해 4가지의 위험운전행동 유형인 급가속 유형, 급감속 유형, 급차로변경 유형, 급회전 유형의 위험운전행동 시간을 격자 내 정보로 입력하였으며, 또한 격자 내 택시 교통량 및 2017부터 2018년 대구광역시에서 발생한 사고건수를 입력하였다. 이 중 택시 교통량이 50대 미만인 격자 9,501개를 제외한 유효 격자 6,736개를 활용하여 위험도를 예측하는 모형을 개발하였다. 예측 모형은 택시 교통량에 따라 세 가지 격자 그룹으로 나눈 회귀모형과 인공신경망모형, 전체 격자를 이용한 회귀모형과 인공신경망 모형을 개발하였다. 도시부 격자별 위험도 예측 모형의 예측력과 성능을 검증하기 위해 사고다발 격자를 정의하고 모형을 통한 식별 성능을 평가하였다. 그 결과, 인공신경망 모형이 회귀모형에 비해 식별 성능이 높은 것으로 나타났으며, 인공신경망 모형 중 택시 교통량에 따라 격자 그룹을 구분한 인공신경망 모형이 전체 격자로 구축한 인공신경망 모형보다 더 효과적으로 사고다발지점을 식별하였다. 성능 평가를 통해 선정된 인공신경망 모형을 활용하여 격자 내 위험운전행동 유형이 사고 위험도에 미치는 영향을 분석하였다. 위험운전행동 유형 중 특히 급가속 유형이 다른 위험운전 유형에 비해 큰 영향요인임을 확인하였다. 본 연구는 향후 택시 DTG 데이터를 활용한 교통안전개선에 대한 대책 마련과 교통관리시스템의 교통안전 기술 개발 등의 기초 연구로 활용될 가능성이 있다.

Recently, a lot of researches have been conducted on the preemptive accident prevention technology using a large amount of data generated by the development of ICT technology. The purpose of this study is to develop a model for estimating the risk of traffic accident in urban areas using taxi DTG(Digital Tachograph) data, and analyzes the impact factors of traffic accidents through the model. A data table was created by dividing the entire range of Daegu Metropolitan City into a total of 90,000 grids. The data table includes information on risky driving behavior time of taxis and number of accidents by grid area. Taxi DTG data from June 5, 2017 to June 9 for 4,214 taxis with 1 second unit were used to classify risky driving behaviour into 4 types: rapid acceleration, rapid deceleration, sudden lane change, and sudden turn. For accident count by grid, accident data of the whole vehicles in Daegu from 2017 to 2018 were used. For development of accident risk estimation models, only 6,736 grids were used excluding the other grids with less than 50 taxis. This study developed two risk estimation model groups. The first model group includes regression model and artificial neural network(ANN) model using the entire girds, and the second group contains regression and ANN models using each of three grid groups which are divided by the taxi traffic volume. In order to evaluate the model performance, I defined the risky grids with high accident counts and examined how effectively the models identify the risky grids. As a result, it was found that the ANN model has higher performance than the regression model, and the ANN model which was developed by three grid groups according to the taxi volume outperforms the ANN model using the entire grids. Also, the developed models were used to analyze the influence of the risky driving behaviour on the accident risk. Among the types of risky driving behaviour, the rapid acceleration type was found as a major influence factor compared to the other risky driving behaviour types. This study can be a foundation of other studies for improving traffic safety using taxi DTG data and the development of traffic safety technologies in traffic management system.

1. 서론 1
1.1 연구의 배경 및 목적 1
1.2 연구의 범위 및 내용 3
2. 선행연구 고찰 5
2.1 프로브 차량 관련 선행연구 고찰 5
2.2 교통사고 위험지점 식별 모형 개발 선행연구 고찰 12
2.3 시사점 14
3. 자료 수집 및 가공 15
3.1 자료의 수집 15
3.2 데이터 테이블 구축 20
3.3 데이터 테이블 유효 격자 산정 22
4. 연구 방법론 28
4.1 상관분석 29
4.2 회귀분석 30
4.3 인공신경망 모형 31
5. 연구 결과 32
5.1 상관분석 결과 32
5.2 회귀분석 결과 36
5.3 인공신경망 모형 결과 47
5.4 회귀모형과 인공신경망 모형 비교 60
5.5 격자 그룹별 교통사고 영향 요인 분석 69
6. 결론 및 향후 과제 77
6.1 결론 77
6.2 향후 과제 78
참 고 문 헌 80
영 문 초 록 83
국 문 초 록 86

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)