순서형 로지스틱 회귀와 랜덤 포레스트를 이용한 고속도로 교통사고 심각도 예측모형 개발

Integrated Statistical and Machine Learning Approach for Freeway Accident Severity Prediction

본 연구는 고속도로 교통사고의 심각도에 영향을 미치는 요인을 규명하고, 예측모형을 구축하여 사고 결과를 정량적으로 분석하는 것을 목적으로 한다. 이를 위해 2010년부터 2019년까지의 고속도로 사고자료를 정제하여 분석용 표준 데이터 셋을 구축하였으며, 종속변수인 사고 심각도를 사망, 부상, 물적 피해로 구분하였다. 분석 방법으로는 통계적 해석력과 비선형 예측력을 함께 확보하기 위해 순서형 로지스틱 회귀모형과 랜덤 포레스트 기법을 병행 활용하였다. 분석 결과, 사고원인, 발생지점, 차량 유형, 운전자 연령, 기상조건 등이 사고 심각도에 유의한 영향을 미치는 요인으로 도출되었다. 특히, 진출입부, 갓길부, 커브구간 등 공간적 요인과 대형차량, 젊은 운전자, 악천후 조건은 사고 심각도를 높이는 핵심 요인으로 확인되었다. 또한, 예측 정확도 비교 결과, 랜덤 포레스트 모형이 회귀모형 보다 높은 분류 성능을 보여, 교통사고 심각도가 복합적 요인 구조에 의해 결정됨을 실증적으로 확인하였다. 본 연구는 고속도로라는 특수한 교통 환경을 대상으로 통계적 접근과 기계학습 기반 분석을 융합함으로써, 사고 심각도에 대한 영향 요인과 예측력을 함께 확보하였다. 이러한 융합적 분석 접근은 기존의 단일 분석 연구가 갖는 한계를 보완하고, 고속도로 사고 특성을 반영한 실증적 분석 틀을 제시한다는 점에서 의의가 있다. 나아가, 본 연구의 결과는 향후 고속도로 안전관리 정책 수립과 사고 위험도 예측체계의 고도화에 기초 자료로 활용될 수 있을 것으로 기대된다.

This study investigated the key factors influencing the severity of freeway traffic accidents and developed predictive models for quantitative analysis. A standardized dataset from 2010 to 2019 was used, with the accident severity classified into three ordered levels: fatal, injury, and property damage only. An ordinal logistic regression model and a random forest were used in parallel to balance the interpretability and predictive performance. The results suggested that the accident cause, crash location, vehicle type, driver age, and weather conditions significantly affect accident severity. Spatial factors, such as ramps, shoulders, and curved sections, along with the presence of large vehicles, younger drivers, and adverse weather, tended to increase the accident severity. Moreover, the random forest model achieved higher predictive accuracy than the regression model, confirming that the accident severity results from complex, nonlinear interactions among multiple factors. The explanatory and predictive understanding of accident severity was enhanced by integrating statistical and machine-learning approaches within the context of highway environments. The proposed hybrid framework overcomes the limitations of traditional single-model analyses and offers an empirical foundation for developing data-driven highway safety management and accident severity prediction systems.