Traffic accidents are one of the main causes of fatalities in Korea. The fatality rate was 2nd highest rate with 11.3 deaths per 100,000 people among the OECD countries. To reduce accident, it is important to analysis driver’s aggressive driving behavior and support them with proper feedback. Recent advances in sensor technology facilitates close monitoring of driving conditions by using digital tachograph (DTG). However, the effectiveness was decreases because it is formulated based on identical standards. In this thesis, we propose the quantitative evaluation criteria for aggressive driving behavior from large scale DTG data based on machine learning. The feature of DTG is extracted using abrupt change point detection method and artificial neural network. Driving pattern evaluation criteria is developed by two-level clustering and using the developed criteria, showing the possibility of diagnosis system for single driver’s behaviors. This thesis proposed the process for analyzing large-scale driving records based on machine learning algorithms and provide improving driving safety management system by establishing concrete and quantitative criteria of aggressive driving behaviors.
교통사고는 한국의 주요 사망원인이다. 인구 10만명당 사망자수가 11.3명으로 선진국 대비 사망률이 높다. 현재 교통안전 개선은 대부분 물리적 환경과 차량 측면에서 이루어져 사고와의 연관성이 높은 위험운전행동에 대한 연구는 부족한 상황이다. 최근 디지털 차량운행기록계를 통해 운전자의 전체 운행정보를 획득 할 수 있게 되었다. 그러나 이를 활용하는 안전 지원 시스템의 경우 위험운전행동에 대한 명확하고 정량적인 판단 기준이 없어 안전 개선 효과가 떨어진다. 본 논문에서는 기계학습 알고리즘을 이용하여 운행기록계 데이터에서 위험운전행동의 유형을 정량적, 객관적 근거를 토대로 분류하는 기법을 제안한다. 급변점 검지 알고리즘과 인공신경망을 통한 운행기록계 데이터 특징 추출을 수행하고 2단계 군집분석 기법을 활용하여 운행기록계의 운전 패턴들을 군집화 하고 위험운전행동에 대한 정량적 판단 기준과 분류 항목을 도출하였다. 또한 도출된 위험운전행동 기준을 통한 개별 운전자의 운전 습관 분석이 가능했다. 본 연구는 기계학습기반의 교통 빅데이터 분석방법을 제시하였으며 위험운전행동에 대한 정략적인 분류 기준을 통해 안전운전 지원 시스템 구축에 기본 토대를 제공한다.
