This study intends to present a traffic node-based and link-based accident prediction models using XGBoost which is very excellent in performance among machine learning models, and to develop those models with sustainability and scalability. Also, we intend to present those models which predict the number of annual traffic accidents based on road types, weather conditions, and traffic information using XGBoost. To this end, data sets were constructed by collecting and preprocessing traffic accident information, road information, weather information, and traffic information. The SHAP method was used to identify the variables affecting the number of traffic accidents. The five main variables of the traffic node-based accident prediction model were snow cover, precipitation, the number of entering lanes and connected links, and slow speed. Otherwise, those of the traffic link-based accident prediction model were snow cover, precipitation, the number of lanes, road length, and slow speed. As the evaluation results of those models, the RMSE values of those models were each 0.2035 and 0.2107. In this study, only data from Sejong City were used to our models, but ours can be applied to all regions where traffic nodes and links are constructed. Therefore, our prediction models can be extended to a wider range.

도로기상정보시스템(RWIS; Road Weather Information System)은 날씨에 따라 수시로 변하는 도로 의 기상상태를 실시간으로 운전자에게 예보하는 첨단 교통기상 정보 시스템이다. RWIS는 도로변에 설치 된 기상관측장비와 도로 표면에 설치된 노면센서로 구성된 도로기상관측시스템(RWOS; Road Weather Observation System)으로부터 차량 운전에 위험이 되는 기상 상황을 사전에 운전자에게 알려준다. 도로 의 기상상황 및 노면상태를 관측하는 RWOS는 고가의 장비로 도로의 전 구간에 설치하여 고해상도의 도 로기상 정보를 제공하기 힘든 실정이다. 그리고 도로기상 정보 중에서 안전사고와 가장 밀접한 노면상태 (ice, snow, wet)는 도로의 특정 구간에서 노면센서나 영상을 통한 노면상태 판별에 대한 연구만 수행되 어 왔다. 특히 노면상태는 기상조건과 밀접한 관계를 갖고 있기 때문에 고해상도로 설치된 자동기상관측 장비(AWS; Automatic Weather System)를 활용한 노면상태 판별 연구가 필요하다. 따라서 본 논문에서 는 기계학습 도구로 유명한 weka의 AdaBoostM1 분류기를 활용하여 실시간으로 노면상태를 판별하는 알 고리즘을 제안한다. 이를 위해 RWOS와 AWS의 관측자료를 시계열로 매핑하여 학습데이터를 구성하고, 기계학습을 통해 노면상태 판별 모델을 구축하였다. 이를 통해 서울시 주요도로의 노드링크에 대해 기상 정보 추출하여 제공하고 기상정보를 기반으로 노면상태를 판별하여 실시간으로 제공할 수 있도록 하였다. 도로기상 관측 데이터는 그림 1과 같이 정릉터널 입출구에 설치되어 있는 RWOS의 노면상태 관측자료 와 정릉터널 입출구 인근 AWS 6개소의 기상관측자료를 시계열로 매핑하고 노면상태와 기상조건에 대한 상관성 분석을 수행하였다. 학습 모델은 수집된 관측자료(2015/1/23–2015/10/19) 387,187건으로 학습 데 이터를 구성하였다. 서울시 주요도로의 노드링크는 22,184개이며, 개별 노드링크의 위경도 좌표에 따라 SK Planet에서 구축한 AWS(255개소) 관측자료를 실시간으로 IDW(Inverse Distance Weight)로 산출하 여 학습 모델의 입력자료로 활용하였다. 학습 데이터를 기반으로 Decision Tree, SVM(Support Vector Machine), MLP(Multi-Layer Perceptron), Ensemble Learning 기법을 활용하여 실험을 수행하였고, 그 중에서 가장 좋은 분류 성능을 보여준 AdaBoostM1을 활용하여 노면상태 판별 학습 모델을 구축하였 다. 그림 2와 같이 학습 모델의 판별 성능은 10-fold cross validation으로 검증하였으며, 정확율 (precision rate)이 평균 90%, 재현율(recall rate)이 평균 89%의 성능을 보였다.