도로환경 교통사고 상해도 예측을 위한 iGLAD 기반 머신러닝 모델 성능 비교

국문 초록 (Abstract)

본 연구는 iGLAD 데이터를 활용하여 교통사고 시 발생하는 상해도를 예측하는 머신러닝 모델을 개발하고 평가하는 것을 목적으로 한다. iGLAD는 국제적인 교통사고 데이터베이스로, 상해도 예측에 중요한 7가지 변수를 선정해 분석을 진행했다. 이를 통해 4가지의 머신러닝 모 델들(랜덤 포레스트, 서포트 벡터 머신, 아다부스트, 캣부스트)을 비교하고, 이 중 랜덤 포레스 트가 86%의 가장 높은 정확도를 보이며 최적의 모델로 선정되었다. 본 연구는 교통사고에 의 한 인명 피해 감소와 교통 안전 강화를 위한 정책 및 인프라 개선에 기여할 수 있는 기초 연구 로서의 가치가 있으며, 머신러닝을 활용한 교통사고 예측 및 분석은 교통 시스템의 효율성 증 가 및 사회적 비용 절감에 중요한 역할을 할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This research focuses on developing and evaluating a machine learning model to predict injury severity in traffic crash, utilizing the iGLAD database. iGLAD, an international traffic crash database, facilitated the analysis through seven critical variables for predicting injury severity. The study extensively compared various machine learning models, including Random Forest, Support Vector Machine, AdaBoost, and CatBoost. Random Forest emerged as the most effective model, showcasing the highest accuracy rate of 86%. This study is valuable as foundational research, contributing significantly to reducing injuries from traffic crash and enhancing overall traffic safety.

목차 (Table of Contents)

• 요약
• ABSTRACT
• Ⅰ. 서론
• 1. 개요
• 2. 선행 연구
• 3. 연구의 필요성
• Ⅱ. 학습 데이터 및 데이터
• 1. iGLAD(Initiative for the Global Harmonization of Accident Data)
• 2. Data의 특성 및 변수
• Ⅲ. 학습 데이터 및 데이터 특성
• 1. 머신러닝 알고리즘의 개요
• 2. 머신러닝 앙상블 모델
• 3. 머신러닝 앙상블 모델별 성능 및 선정
• Ⅳ. 결론 및 향후 연구과제
• ACKNOWLEDGEMENTS
• REFERENCES