Analysis System for Traffic Accident based on WEB

WEB 기반 교통사고 분석

Abstract

Road conditions and weather conditions are very important factors in the case of traffic accident fatalities in fog and ice sections that occur on roads in winter. In this paper, a simulation was performed to estimate the traffic accident risk rate assuming traffic accident prediction data. In addition, in this paper, in order to reduce traffic accidents and prevent traffic accidents, factor analysis and traffic accident fatality rates were predicted using the WEKA data mining technique and TENSOR FLOW open source data on traffic accident fatalities provided by the Korea Transportation Corporation.

겨울철 도로에서 발생하는 안개 및 결빙구간 교통사고 사망률의 경우는 도로조건 및 기상조건이 매우 중요한 요소 이다. 본 논문에서는 교통사고 예측 데이터를 가정하고 교통사고 위험율을 에측 하는 모의실험을 수행하였다. 그뿐만 아니라, 본 논문에서는 교통사고를 줄이고 교통사고를 예방하기 위해서, 교통공단에서 제공하는 교통사고 사망자 데이터를 WEKA 데이터 마이닝 기법 및 TENSOR FLOW 공개 소스를 이용해서 요인 분석 및 교통사고 치사율 사망을 예측하였다. 추가적인 기능으로는 지도 표시 기능을 이용해서, 운전자가 WEB 기반에서, 안개 및 결빙구간 정보를 운전자에게 제공하는 모의실험 및 교통사고 사진을 실시간으로 전송하는 모의실험 결과를 설명하였다.

Ⅰ. 서론

2015년 겨울 2월 짙은 안개가 발생한 인천 영종 대교에서 발생한 106중 연쇄 추돌사고로 2명이 사망하고, 130명이 신체에 상처를 입는 큰 교통사고가 발생하였다. 이러한 교통사고를 해결하기 위해서, 요즈음에는, 교통공단에서 무료로 제공하는 공공데이터를 기반으로, 인공지능, 스마트 센서 통계 R, 데이터 마이닝 WEKA 기법을 이용해서, 안개 및 교통사고 다발구간에서 발생하는 교통사고를 2020년부터 행정안전부에서는 전국 교통사고 잦은 곳에서, 미끄럼방지 추가 포장, 단속카메라 추가설치, 전방 신호기 추가설치, 건널목 유도선 추가설치 교통신호 개선사업을 시행한 지역에서 교통사고 사망자 수는 68.3%, 교통사고 건수는 30.1% 감소했다고 밝혔다^[1-3]. 이러한 통계 데이터는 도로교통공단과 함께 지난 2017년에 개선사업이 완료된 전국 210개소를 대상으로 개선 전 3년 평균과 개선 후 1년간의 사고 현황을 활용해 분석한 결과이다. 본 논문에서는, WEB 기반에서 예측하고, 감소시키기 위한 지능형 교통 SW 연구가 활발하게 진행되고 있다. 본 논문에서는 이러한 문제점을 해결하기 위해서, 인공지능 및 데이터 마이닝 기법을 이용해서, 교통 안전시스템을 컴퓨터 모의실험을 수행하였다.

본 논문에서는 인공지능 및 데이터마이닝 기법을 이용해서, 교통사고를 예방하기 위해서. 2장에서는 WEB 기반교통사고 예방 컴퓨터 모의실험에 관해서 알아보고 3장에서는 인공지능 기법을 이용한 교통사고 요인 분석 시스템을 설명하고 4장에서는 인공지능 기법을 이용한 교통사고 예방 모의실험 결과를 설명하고 5장에서는 스마트 교통사고 요인 분석 시스템 결과 및 교통사고 예방 및 교통사고 자동 분석 미래 시스템을 고칠 하고 분석하고자 한다.

Ⅱ. 교통사고 요인 분석

교통사고 발생 건수 또한 시행 전 연평균 2,001건에서 시행 후 1,398건으로 30.1% 감소하여 신호기 증설, 무인교통단속 장비 설치 등 간단한 교통안전시설 개선만으로도 효과가 매우 높은 것으로 나타났다. 인공지능 기법을 이용해서, 교통사고 예방을 효율적으로 하기 위해서, 우리나라에서는 1990년대 초반부터 시작하였으며, 2210년도 후반에는 ITS 및 사물인터넷 상용화 기술 체계를 완성한 선진국으로 도약하였다. 그렇지만, 대한민국에서 교통사고로 발생한 사망자 수는 인구 10만 명당 도로 교통 사고사망자 수는 2000년 21.8명에서 2021년 5.6명으로 20년 동안 꾸준하게 25% 정도 감소하는 추세를 보인다^[1].

그뿐만 아니라, 2022년 도로교통공단이 빗길 교통사고를 분석한 결과, 최근 5년간: 2017~2021년 총 6만 9062건이 발생해 연평균 1만 3800건이 넘는 것으로 나타났다. 빗길 교통사고는 여름철에 37.9% 2만 6194건으로 집중적으로 발생한 것으로 분석되었으며, 7월에 14.7% 1만 156건으로 가장 많이 발생한 것으로 나타났다.

본 논문에서는 도로공단에서 제공하는 교통사고 사망자 공공데이터를 무료로 인터넷에서 내려받고, 텐서플로 공개 소스를 사용해서, 교통사고유형 요인 분석 및 사망자 수를 요인 분석하였다. 그림1에서는 텐서플로 기반 교통사고요인분석 결과를 설명하고 있다. 2018년 교통사고 요인분석결과, 맑은 날에는 주간에 교통사고가 더 자주 발생했지만, 빗길 교통사고는 야간에 더 많이 발생했고, 사고가 가장 자주 발생한 시간대는 오후 6시~8시로 나타났다^[2].

그림 1. 텐서플로 기반 교통사고요인분석

Fig. 1. Traffic accident factor analysis based on tensor flow

그림2에서는 텐서플로 기반 교통 사망자 분석 결과를 설명하고 있다. 2018년 교통사고 분석 결과, 대한민국에서 교통사고가 가장 자주 발생한 지역은 경기도인 것으로 분석되었다. 교통사고는 날씨조건 및 도로조건 이 중요한 요인이지만, 음주운전, 졸음운전, 과속운전 여러 가지 요인으로 발생하기 때문에 정확한 교통사고 예측을 하는 것은 매우 어려운 문제점이 유발된다. 그러나, 인터넷에서 제공하는 교통사고 빅데이터는 교통사고 날씨 유형 및 월별 및 일별 사망자 데이터만 제공하므로, 정확하게 교통사고를 예측하기는 다소 어려움이 발생한다. 본 논문에서는 알아 한 문제점을 해결하기 위해서, 기상조건 및 날씨조건, 과거 교통사고가 발생한 요인을 반영한 교통 데이터 100개를 가설을 설립해서, 2장에서는 베이지안 통계확률로 분석하고, 3장에서는 WEB 기반에서 예측하고, 4장에서는 텐서플로 환경에서 교통사고 예측을 하고자 한다. 베이스 정리는 데이터라는 조건을 주었을 때의 조건부 확률을 구하는 공식이다. 베이스 정리를 쓰면 데이터를 주기 전의 사전확률값이 데이터를 주면서 어떻게 변하는지 계산할 수 있다. 본 논문에서는 베이지안 확률 개념을 사용해서, 교통사고 발생 확률을 예측하였다. 겨울철 교통사고가 발생하는 원인 중 중요한 요소가 날씨조건, 도로도건, 급커브조건, 음영 조건, 온도조건이 발생 했을 때 교통사고가 발생할 확률이 높으니 낮은지를 예측하고자 한다. 먼저, 교통사고 위험도가 가설 데이터가 된다.

그림 2. 텐서플로우기반 교통사고 사망률 분석

Fig. 2. Traffic accident death rate analysis based on Tensor flow

Ⅲ. WEB 기반교통사고 모의실험

현재, 눈이나 비가 올 경우에도, 도로에 설치된 자동차 속도 표지판은 자동차 제한속도가 똑같은 60Km/h로 고정되어 있으므로, 반드시, 날씨조건에 따라서 운전 속도를 감속해야만 한다. 그러나, 대다수 운전자가 속도를 어느 정도 감속해야 하는지 순간적으로 당활 하게 된다. 본 논문에서는 이러한 문제점을 해결하기 위해서, 여름철이나 겨울철에 급변하는 도로의 날씨조건을 반영해서, 자동차 제한속도를 비가 오거나 눈이 오는 조건에 맞추어서 1/3 이상으로 노 제한속도를 바꾸어 주는 자동차 속도 제한 시스템을 WEB 기반에서 모의실험하였다. 일반도로 및 고속도로에서, 24시간 4계절을 가리지 않고 눈이나, 비가 내리는 날은 운전자에게 교통사고 발생위험을 유망할 수 있는 매우 위험한 요소이다. 경찰청 통계에 따르면 빗길 운전의 교통사고 치사율은 맑은 날의 1.6배 정도 위험하다는 연구결과가 발표되었다. 그러므로 눈이나 비가 오는 날은, 사고를 피하고자 브레이크를 밟더라도 제동 거리가 평소보다 길어지기 때문에 교통사고 발생 확률이 매우 높아진다.

그림 3 에서는 날씨조건 및 도로조건을 고려해서 WEB 기반에서, 교통 안전속도를 산출하는 과정을 보여주고 있다. 2021년 교통공단 연구결과에 의하면, 야간 고속도로 교통사고 사망률이 주간의 1.7배나 높은 것으로 분석됐다. 그런데도 가로등 설치율이 50% 미만인 곳은 32개 고속도로 노선 중 21개에 이르는 것으로 조사됐다. 가장 어두운 고속도로는 제2중부선으로, 가로등 설치율 18%에 불과한 것으로 나타났다. 국회 국토교통위원회 소속 송언석 의원이, 국도로 공사로부터 제출받은 자료를 토대로 최근 5년간 발생한 고속도로 교통사고 1만 135건을 분석했다. 교통사고 100건당 사망자 수는 야간이 13.6명으로 주간 7.8명보다 1.74배 높은 것으로 나타났다. 또한, 도로공사가 운영 중인 32개 고속도로 중 가로등 설치율 50% 미만인 노선이 21개(66%)에 달하며, 가로등 설치율이 가장 낮은 노선은 제2중부선인 것으로 확인됐다^[4]. 그림 4에서는 이러한 문제점을 개선하기 위해서, 교통사고 예방 을 위해서, 안개 및 결빙구간 정보를 운전자에게 제공하는 모의실험을 수행하였으며, 교통사고가 발생한 경우에, 교통사고 확률 계산 및 사진을 실시간으로 전송하는 모의실험 결과를 설명하고 있다.

그림 3. WEB 기반교통사고 컴퓨터 모의실험

Fig. 3. Traffic accident computer simulation based on web

그림 4. WEB 기반교통사고 확률 계산 및 사진 자동전송

Fig. 4. Traffic accident Probability calculation and photo automatic transmission based on web

Ⅳ. 데이터 마이닝 기반 모의실험

겨울철 교통사고는 도로에 눈이 내리는 날보다, 오히려, 눈이 내고 하루가 지난, 다음 날이 교통사고가 발생할 위험이 커지며, 그리고 도로에 비가 오는 날보다, 오히려, 비가 내리고 하루가 지난, 다음 날이 교통사고가 발생할 위험이 커지는 특성이 있다. 그뿐만 아니라, 겨울철에 도로에 내리는 비는, 도로에 내리는 눈보다 더욱 빨리 도로 노면을 결빙시켜서, 운전자가 도로에서 운전하는 중에, 도소의 장애물을 발견하거나, 갑작스럽게 옆 차선으로 차량이 그 하게 차선 변경해서 끼어드는 긴급한 돌발 상황에 대처하기 위해서, 브레이크 페달을 밟을 때는, 운전자가 눈에 보이지 않는 결빙구간에서, 미끄러지면 사고를 유발하는 매우 위험한 상황을 유발하게 된다. 왜냐하면, 겨울철 도로로의 눈이 내린 다음 날은 도로에 영하의 추운 날씨로 인해서, 아직도, 미처 녹지 못한 눈이 얼어서, 도로 위에 위험한 빙판을 형성하기 때문에, 겨울철 해가 뜨는 보통의 날씨조건과는 다르게, 자동차 타이어의 제동 및 자동차 핸들의 조작에도 크게 영향을 미쳐서, 도로 위에서, 위험한 교통사고를 유발하기 쉽기 때문이다^[5]. 특히, 겨울철 미끄러짐 사고를 예방하기 위해서는 겨울철 날씨가 영하 5도 이하로 내려가게 되면, 결빙구간에서 미끄럼 사고를 유발할 수 있으므로, 반드시, 도로 위를 주행하는 운전자는 방어 운전을 하여야 한다.

표1에서는 교통사고 위험 도로조건 데이터를 설명하고 있다. 본 논문에서 사용된 가설데이터는 겨울 철 교통사고가 발생하는 원인 중 중요한 요소가 날씨조건, 도로도건, 급커브조건, 음영 조건, 온도조건이 발생했을 때 교통사고가 발생할 확률이 높다는 가정을 설립해서, 데이터 마인 이 기법을 사용해서 교통사고 발생 치 명사 확률을 요인 분석하였다,

표 1. 교통사고 위험 도로조건 데이터

Table 1. Traffic accident risk road condition data

표2에서는 교통사고 위험 도로조건 WEKA 가설 실제 데이터를 100개를 설명하고 있다.

표 2. WEKA 기반교통사고 실제 데이터

Table 2. Traffic accident data based on WEKA

표3에서는 교통사고 위험 도로조건 WEKA 가설 실제 데이터를 설명하고 있다. 독립변수는 습도조건, 결빙조건, 음영 조건, 커브 구간, 온도조건, 안개 조건, 자동차 속도 7개이며, 종속변수는 교통사고 위험도 1개이다.

표 3. 교통사고 데이터 변수 8개

Table 3. 8 variables of traffic accident data

그림 5 에서는 WEKA 교통사고 데이터 구조독립 변수 7개 및 종속변수 1개를 설명하고 있다.

그림 5. WEKA 교통사고 데이터

Fig. 5. WEKA traffic accident data

그림 6. 에서는 결빙구간 및 급커브구간 음영지역, 자동차 속도에 따라서 교통사고 발생하는 위험률 WEKA 교통사고 DECISION TREE 결과를 설명하고 있다.

그림 6. WEKA 교통사고 DECISION TREE

Fig. 6. WEKA Traffic Accident DECISION TREE

그림 7 에서는 인공지능기반 교통사고 예측결과를 설명하고 있다.

그림 7. 인공지능기반 교통사고 예측결과

Fig. 7. Artificial Intelligence-based Traffic Accident Prediction Results

그림 8 에서는 교통사고 상관도 분석을 설명하고 있다. 교통사고 도로조건 위험률 상관도가 높은 조건은 안개 및 결빙조건, 자동차 속도가 주요요인으로 분석되었다, 본 논문에서는 텐서플로 기반 예측 공개 소스를 사용해서 인공지능 교통사고 예측결과를 모의실험하였다.

그림 8. 교통사고 상관도 분석

Fig. 8. Traffic accident correlation analysis

그림 9 에서는 파이선 folium 함수를 사용해서 교통사고 발생지역 지도표시기능을 설명하고 있으며, 위도 및 경도를 입력해서 교통사고가 강남역에서 발생한 것으로 가정해서 web 기반에서 교통사고 인근 지역 지도를 표시해주는 기능을 설명하고 있으며 다음 내용은 교통사고 위험 모의실험 SW 코드를 설명하고 있다.

그림 9. 교통사고 발생지역 지도표시

Fig. 9. Map display of traffic accident area

namespace RIC_Traffic

{

public partial class Form1 : Form{

private Graphics g, TG;

private Pen PG;

private Brush BG;

//자동차의 위치를 저장할 x,y 좌표

private int CarX, CarY;

private int CarX2, CarY2, Car2Speed;

private float CarSpeed;

private Image CarImage,Car;

private float[] Datanum = new float[4];

private int RatioPostion;

private int RoadStatePosition;

private int[,] Rule_Base = new int[5,4]

{

{-5,-3,0,0},

{-5,0,0,3},

{-3,0,3,5},

{-5,-5,-3,0},

{3,-5,-5,-3},

};

private void RoadState_SelectedIndexChanged(object

sender, EventArgs e)

{

//도로 상태 데이터 입력 %값 저장

switch (RoadState.SelectedItem.ToString())

{

case "매우거침":

RoadStatePosition = 0;

break;

case "거침":

RoadStatePosition = 1;

break;

case "보통":

RoadStatePosition = 2;

break;

case "부드러움":

RoadStatePosition = 3;

break;

}

}

float temp = (float)Convert.ToDouble(CarSpeedP.Text);

nowspeed = Convert.ToInt32(CarSpeedP.Text);

CarSpeed = temp;

temp = temp + ((CarSpeed / 100) * Datanum[2]);

temp = temp + ((CarSpeed / 100) *

Rule_Base[,]);

//temp = temp + ((CarSpeed / 100) *

Datanum[0]);

temp = Check_Road(temp);

safespeed = (int)temp;

timer1.Interval = Select_Speed((int)temp);

private float Check_Road(float Speed)

{

if (freezing.Checked == true)

{

Speed = Speed - (Speed / 10); SafeBoard.Image =

(Image)Properties.Resources.미끄러움;

}

else

{ SafeBoard.Image = (Image)Properties.Resources. 없음;

}

if (fog.Checked == true)

{ Speed = Speed - (Speed / 10); SafeBoard2.Image =

(Image)Properties.Resources.안개;

}

else { SafeBoard2.Image =

(Image)Properties.Resources.없음; }

if (sharpcurve.Checked == true) { Speed =

Speed - (Speed / 10); SafeBoard3.Image =

(Image)Properties.Resources.급커브; }

else { SafeBoard3.Image =

(Image)Properties.Resources.없음; }

if (LINE2.Checked == true) { Speed = Speed -

(Speed / 5); line = 2; }

if (LINE4_6.Checked == true) { Speed = Speed

- ((Speed / 6) * 2); line = 4; }

if (LINE4_8.Checked == true) { Speed = Speed

- ((Speed / 5) * 1); line = 8; }

Ⅴ. 결론

본 논문에서는 교통사고를 줄이고 교통사고를 예방하기 위해서, 안개 및 결빙구간 정보를 운전자에게 제공하는 모의실험을 수행하였으며, 교통사고가 발생한 경우에, 교통사고 사진을 실시간으로 전송하는 모의실험 결과를 설명하였다. 교통사고는 여러 가지 조건에 의해서 발생한다. 교차로 형태, 교차로 급커브구간, 교차로 녹색 신호주기, 교차로 건널목 신호주기, 음 준 전, 졸음운전, 겨울철, 언덕길 및 내리막길, 많은 요소가 있다. 특히, 운전자에게 수시로 변하는 안개, 눈, 결빙, 날씨조건은 교통사고 발생을 유발하는 매우 위험한 요소 중 하나이다. 그뿐만 아니라, 도로에서 발생하는 교통사고 사망률도 기상조건이 매우 중요한 요소이다. 본 논문에서는 교통사고 예측 데이터를 가정하고 교통사고위험률을 예측하는 모의실험을 수행하였다. 만약, 실시간으로 빅데이터가 수집되면, 날씨조건으로 발생하는 교통사고 위험률은 크게 줄어들 수 있을 것이다.