PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.12500v1cs.LG

머신러닝 기반 마이크로시뮬레이션을 활용한 시뮬레이션 교통 충돌로부터의 사고 빈도 예측 개선

Improving Crash Frequency Prediction from Simulated Traffic Conflicts Using Machine Learning Based Microsimulation

교통 마이크로시뮬레이션과 대리 안전 지표(surrogate safety measures)의 결합은 현재 또는 계획된 도로 인프라 설계에 대한 사고 빈도 예측을 위해 역사적 사고 데이터에 대한 선제적 대안으로 점점 더 많이 사용되어 왔다. 그러나 기존 마이크로시뮬레이션 기반 안전 연구들은 단순화된 규칙 기반 행동 모델을 채택해 왔으며, 이는 교통 흐름을 합리적으로 재현하지만 종종 현실적인 충돌(conflict) 역학을 생성하는 데 실패하여 사고 예측 정확도를 제한한다. 대규모 궤적(trajectory) 데이터셋으로부터 인간의 운전 행동을 직접 학습하는 머신러닝(ML) 기반 행동 모델의 최근 발전은 마이크로시뮬레이션의 현실성과 사고 빈도 예측을 잠재적으로 개선할 유망한 기회를 제공한다. 이 가능성을 조사하기 위해, 영국 리즈의 다섯 개 실제 신호 교차로에 대해 표준 규칙 기반 모델과 최신 ML 모델을 모두 사용하여 교통 마이크로시뮬레이션을 수행하였다. 시뮬레이션된 차량 궤적은 2차원 Time-to-Collision 지표를 사용하여 분석되어 시뮬레이션 충돌을 식별하였고, 이는 극값 이론(Extreme Value Theory)을 사용하여 모델링되어 사고 빈도를 예측하였다. 결과는 ML 모델의 충돌이 실제 사고 데이터와 부합하는 사고 예측을 산출한 반면, 규칙 기반 모델은 시뮬레이션된 특정 교차로에 대한 모델 보정(calibration) 부족으로 인한 것으로 추정되는 이유로 의미 있는 예측을 허용하지 못했음을 보여준다. ML이 생성한 시뮬레이션 사고를 직접 사용하여 실제 사고 빈도를 예측하는 것도 열악한 결과를 산출하였으며, 이는 현재 ML 모델이 충돌을 현실적으로 재현할 수는 있지만 아직 현실적인 사고(crash)를 생성할 수는 없음을 시사한다. 전반적으로, 이러한 발견은 ML 기반 행동 모델이 위치별 모델 보정 없이도 시뮬레이션 충돌로부터 사고 예측을 개선하는 데 유망함을 보여주며, ML 기반 교통 마이크로시뮬레이션의 명확한 향후 방향을 제시한다.