2024년 기준으로 서울특별시의 자전거 이용률과 자전거 도로 인프라가 모두 증가하는 경향을 보이고 있는 반면 자전거 사고건수 및 자전거 사고로 인한 사망자수와 중상자수는 매년 감소하고 있는 추세를 보이고 있어 현행 자전거 관련 안전 정책이 어느 정도 실효성 이 있음을 시사한다. 그러나 중상 및 사망사고는 여전히 지속적으로 발생하고 있어 이에 대한 효과적인 정책이 필요한 상황이지만 현 재 국내 자전거 안전 정책은 사고 예방에만 집중되어 있어 사고의 특성을 종합적으로 반영하지 못한다는 큰 문제점이 있다. 이에 본 연구는 서울특별시 자전거 사고 데이터를 기반으로 자전거 도로 유형별로 서로 다른 값의 가중치를 부여하여 자전거 도로 자체의 특 성을 반영한 사고 심각도를 산출하고, 사고 심각도와 사고 건수를 각각 표준화하여 단위를 통일한 후 이를 통합한 종합적 사고 위험 도 점수를 도출하는 방법론을 사용하였다. 본 연구의 목적은 실제 서울특별시의 공유자전거 사고데이터를 활용하여 자전거 도로 유형 에 따라 사고 심각도와 사고 건수를 종합적으로 고려한 사고 위험도 지표를 개발하는 방법론을 제안하고, 이를 자전거 위험도 분석 및 도로 유형별 맞춤형 안전 대책 마련을 위한 정책적 근거로 제공할 수 있도록 그 기준을 검토하는 것이다. 데이터수집의 경우, 2021 년~2023년 3년간 서울특별시에서 발생한 자전거 교통사고 데이터와 자전거 교통사고가 발생하는 지점의 도로 유형, 경사, 노면상태 등 자전거 도로 인프라 자체적 특성과 자전거 사고 발생 시 기상상황 등 환경적 특성이 포함된 자전거 사고 발생 도로환경요인 데이터를 확보하였다 분석방법론의 경우, 자전거 교통사고에 영향을 미치는 다양한 요인들을 계층적으로 고려하기 위한 방법론인 Hierarchical Modeling을 적용하였으며, 3개의 계층으로 구성된 프레임워크를 구축하여 사고 심각도, 자전거 도로 유형별 사고 심각도를 반영한 공 간 위험도, 종합적 사고 위험도 점수를 체계적으로 도출하였다. Level 1에서는 사고 데이터를 기반으로 사고 심각도를 정량화하고, 도 로 유형에 따른 가중치를 적용하여 사고 심각도를 평가하였다. Level 2에서는 MCAR(Model for Conditional Autoregressive Effects) 모델 을 활용하여 시공간적 상관성을 반영하고, 이를 바탕으로 도로 유형별 사고 심각도를 조정하였다. Level 3에서는 Level 2에서 도출된 도로 유형별 사고 심각도 점수에 사고 발생 빈도를 반영하여 최종적인 종합 사고 위험도 점수를 산출하고, 안전 정책 적용이 시급한 지점을 도출하였다. 향후에는 머신러닝 기반의 예측 모델을 활용하여 도출된 종합적 사고 위험도 점수와 비교 분석할 예정이다.

2022년 국내에서 이태원 참사라는 대형 인파사고가 발생한 이래로 인파밀집 현상이 수시로 발생하고, 인파가 이동할 수 있는 방향이 한정되어 있는 도시철도 역사내 대기공간의 인파밀집 문제가 심각하게 대두됨에 따라 인파밀집에 대한 모니터링 및 관리에 대한 중요 성이 커졌다. 이러한 문제사항을 해결하기 위해 영상분석에서 개별 객체의 수를 파악하여 인파의 밀집도를 파악한 연구들은 많이 이 루어졌으나 객체 간의 중첩으로 인해 검지 정확도가 떨어진다는 단점이 존재한다. 따라서 본 연구는 개별 객체를 검지하는 방식이 아 닌 Semantic Segmentation 기법 중 사전에 라벨링이 된 이미지들을 활용하는 지도학습 방식을 사용하여 밀집된 인파의 영역과 그렇지 않은 영역을 구분하고, 관심영역(ROI) 전체 공간 대비 인파가 차지하고 있는 영역의 점유율을 산출하여 혼잡도를 파악하는 방법을 적 용하였다. 본 연구의 목적은 도시철도 역사 내 대기공간의 인파의 밀집도를 점유율을 이용하여 산출하는 방법론을 만들고, 이를 혼잡 도를 나타내는 지표(MOE)로 적용할 수 있도록 그 기준을 검토하는 것이다. 데이터수집의 경우, 첨두시간대에 지하철 2호선 교대역의 대기공간인 대합실을 촬영한 CCTV 영상 데이터를 확보하여 이를 10fps 단위로 분할한 이미지들을 사용하였다. 이후 각 서비스수준별 (LOS A~F)로 다양한 이미지들에 대하여 인파에 해당하는 부분과 그렇지 않은 부분을 라벨링하였다. 분석방법론의 경우, 지도학습 기 반의 Semantic Segmentation 기법을 적용하여 대상 이미지들 전체에 대해서 인파와 인파가 아닌 부분을 구분하도록 이미지를 가공하였 으며, 이미지에 ROI를 설정하여 “전체 ROI 대비 인파 점유 공간의 비율”에 해당하는 점유율을 계산하였다. 여기서 인파와 인파가 아 닌 부분의 원활한 구분을 위해 픽셀 단위로 학습을 하며, 사전에 라벨링이 된 이미지들을 학습하는 모델을 적용하는게 본 연구에 적 합하다고 판단하여 해당 분석 기법을 사용하였다. 모든 이미지들의 점유율을 도출한 후 전체 결과를 Classification 기법을 활용하여 인 파 혼잡도의 서비스수준을 나타내는 현행 지침과 동일하게 6단계로 구분하였으며, 각 단계를 구분하는 경계값에 해당하는 점유율 역 시 도출하였다. 최종적으로 분할된 이미지들을 합쳐 영상에서 연속적인 인파분석 기법을 적용할 수 있도록 하였다. 향후에는 test dataset을 할용하여 해당 인파분석 기법의 적정성을 검토할 예정이며, 객체 검지 방식을 사용하는 기존의 모델과 성능을 비교하여 해당 기법의 우수성을 검토할 예정이다. 본 연구가 새로운 방식의 인파 혼잡도의 서비스수준 기준을 제공하는 모델을 개발하는 것을 목적 으로 함에 따라 실제 현장에 이 방법론을 적용할 시 인파밀집사고 예방 및 관리에 기여할 수 있을 것이다.