시공간 특성을 활용한 랜덤 포레스트 기반 도로 노면 상태 예측 (Random Forest based Prediction of Road Surface Condition Using Spatio-Temporal Features)

서지정보

· 발행기관 : 대한교통학회
· 수록지 정보 : 대한교통학회지 / 37권 / 4호 / 338 ~ 349페이지
· 저자명 : 이민우, 김영곤, 전용주, 신영호

초록

최근 비나 눈과 같은 강수가 발생한 날의 교통사고 건수가 증가하고 있다. 교통사고 건수를 감소시키기 위해서는 지속적인 도로 유지 보수 활동뿐만 아니라, 운전자의 도로 위험에 대한 인식도 필요하다. 운전자가 도로 위험을 인지하기 위해서는 운전자가 운전하고 있는 도로의 노면 상태가 젖어 있거나 결빙되었는지 알 필요가 있다. 본 연구에서는 서울, 인천, 경기 지역에서 수집한 기상과 노면 상태 정보를 사용하여 시공간 정보를 포함한 특성으로 가공하였고, 랜덤 포레스트 모델에 학습하였고 95%의 정확도로 노면 상태를 예측하였다. 특히 공간 특성인 공간 색인 값은 학습한 데이터의 양에 따라 학습 효율이 향상하였으며, 공간 색인을 사용하지 않은 경우보다 최대 5% 예측 정확도 상승률을 보였다. 본 연구는 지점이 아닌 특정 범위 안에 속하는 모든 도로의 노면 상태 정보를 운전자에게 제공할 수 있다는 점에서 그 의의가 있다. 마지막으로 다른 주변 환경 정보를 학습할 수 있도록 노면 상태 정보 수집 지역을 확장한다면, 더 넓은 범위의 도로에 대한 노면 상태를 예측 가능할 것으로 기대한다.

영어초록

Recently the number of car accidents has been increasing when the precipitation such as rain or snow has occurred. To reduce the number of car accidents, not only continuous activity for road maintenance but also driver’s perception of road risk is necessary. In this paper, we engineered spatio-temporal features using weather and spatial information collected in the area of Seoul, Gyeonggi-do and Incheon, and trained random forest model predicting road surface conditions up to accuracy of 95%. Spatial index, which is a feature of explaining spatial information, is more efficient in proportion to the size of trained data, and achieved at most 5% of accuracy increase rate compared to a prediction model where spatial index has not been trained. Because the prediction model predicts not point but area, our research contributes to providing road surface condition information to any drivers in the trained area. Finally, expanding the collecting area of road surface conditions in order to train other surrounding environments, the prediction model is expected to predict road surface conditions of wider area.

참고자료

· 없음