기상요인을 활용한 머신러닝 기반 겨울철 교통사고 위험 예측: 경기도 5개 ASOS 관측지점 사례 분석

Machine-Learning-Based Prediction of Winter Traffic-Accident Risk Using Meteorological Factors: A Case Study of Five ASOS Stations in Gyeonggi-do, South Korea

본 연구는 겨울철 기상요인이 교통사고 발생에 미치는 영향을 분석하고, 이를 기반으로 사고 발생 위험을 예측할 수 있는 머신러닝 기반 모델을 개발하는 것을 목적으로 한다. 연구 대상지는 종관기상관측소(ASOS)가 위치한 경기도 5개 지역(동두천, 파주, 양평, 이천, 수원)으로 선정하였다. 2015년부터 2023년까지의 겨울철 교통사고 자료는 경찰청 교통사고분석시스템(TAAS)에서 수집하였으며, 기상 자료는 기상청 종관기상관측자료를 활용하였다. 종속변수는 사고 발생 유무를 등급화하여 구축하였으며, 독립변수는 기온, 일사량, 풍속, 전운량, 습도 등 총 10개의 기상요인을 포함하였다. 예측 모델은 Softmax Regression, Random Forest, XGBoost 세 가지 알고리즘으로 구성하였으며, 예측 정확도와 변수 중요도 분석을 통해 모델 성능을 비교하였다. 연구결과, Random Forest가 모든 지역에서 가장 높은 예측 정확도를 보였으며, 기온 외에도 일사량과 풍속, 전운량 등의 기상요인이 사고 발생에 유의한 영향을 미치는 것으로 나타났다. 본 연구는 기상요인 기반 도로 안전 관리 및 겨울철 재난 대응 전략수립의 기초자료로 활용될 수 있다.

This study aimed to develop a machine-learning-based predictive model for winter traffic-accident risk using meteorological variables and analyze the influence of weather factors on accident occurrence. The study area consisted of five cities in Gyeonggi-do, South Korea—Dongducheon, Paju, Yangpyeong, Icheon, and Suwon—where automated surface observing system (ASOS) stations are located. Winter traffic-accident data from 2015 to 2023 were collected from the traffic accident analysis system (TAAS), and meteorological observations were obtained from the Korea Meteorological Administration. The dependent variable was constructed based on accidentoccurrence levels; ten meteorological variables, including temperature, solar radiation, wind speed, humidity, and cloud cover, were the independent variables. Softmax Regression, Random Forest, and XGBoost models were employed for prediction, and their performances were compared in terms of prediction accuracy and feature importance. The results revealed that the Random Forest model demonstrated the highest predictive performance across all regions. In addition, solar radiation, wind speed, and cloud cover significantly influenced accident occurrence beyond the widely assumed impact of temperature alone. These findings highlight the potential of machine-learning models as decision-support tools for winter road-safety management and proactive accident-prevention policies.