Pedestrian safety is one of the most pressing transportation concerns around the world. Furthermore, vulnerable users suffer from a higher fatality rate than standard pedestrians. However, there is no data to clarify the pedestrian categories in fatal and nonfatal accidents. Currently, real-time detection of vulnerable users using advanced traffic sensors installed at the intersection has great potential to improve traffic safety significantly. This study develops a framework to evaluate the vulnerable pedestrian potential risk based on a new safety indicator, Predicted Pedestrian Arrival Time (PPAT), using deep learning method. With automated computer vision techniques, mobility features of vehicles and pedestrians can be extracted from video and Lidar datasets. With the algorithm based on pedestrian behavior and physical feature, we can identify vulnerable pedestrians. Deep learning methods(GRU, LSTM, Transformer) are performed to predict the time needed to reach a specific location. Finally, systematic warning systems for vulnerable pedestrian potential risk are designed based on the predicted arrival time. Case study at signalize intersection with Lidar dataset and case study non-signalized intersection with video dataset are performed with this framework. The proposed framework shows high performance in evaluating the vulnerable pedestrian potential risk with 86.59\% accuracy.
보행자 안전은 전 세계에서 가장 시급한 교통수단 중 하나이다. 게다가, 취약한 사용자들은 표준 보행자들보다 높은 치사율로 고통 받는다. 그러나 치명적인 사고와 치명적이지 않은 사고에서 보행자 범주를 명확히 할 수 있는 데이터는 없습니다. 현재 교차로에 설치된 첨단 교통센서를 이용해 취약 이용자를 실시간으로 감지하면 교통안전을 크게 개선할 수 있는 잠재력이 크다. 본 연구는 딥 러닝 방법을 사용하여 새로운 안전 지표인 예측 보행자 도착 시간(PPAT)을 기반으로 취약한 보행자 잠재적 위험을 평가하는 프레임워크를 개발한다. 자동화된 컴퓨터 비전 기법으로 차량과 보행자의 이동성 특징을 비디오 및 라이다 데이터 세트에서 추출할 수 있다. 보행자 행동과 물리적 특징을 기반으로 하는 알고리즘을 통해 취약한 보행자를 식별할 수 있다. 딥 러닝 방법(GRU, LSTM, Transformer)은 특정 위치에 도달하는 데 필요한 시간을 예측하기 위해 수행된다. 마지막으로, 예상 도착 시간을 기반으로 취약한 보행자 잠재적 위험에 대한 체계적인 경고 시스템을 설계한다. Lidar 데이터 세트가 있는 신호화 교차로에서 사례 연구 및 비디오 데이터 세트가 있는 비신호화 교차로에서 사례 연구가 이 프레임워크를 사용하여 수행된다. 제안된 프레임워크는 86.59\% 정확도로 취약한 보행자 잠재적 위험을 평가하는 데 있어 높은 성능을 보여준다.
