Since traffic accident is a problem that causes socioeconomic issues in the nations, many endeavors have been done to lessen or prevent traffic accidents. In this study, to reduce future traffic accidents by using Digital Tachograph (DTG) data and deep neural networks, we first study the correlation between dangerous driving behavior and historical accident records and then build a deep learning model to predict traffic accident risk by utilizing the knowledge from the previous step's findings. Our findings reveal that dangerous driving behavior highly correlates to traffic accidents concerning the locations at the district level around 0.71, while 0.90 when do not consider Overspeed behavior. In addition, for both geographical and temporal correlation, Sudden U-Turn (0.83), Rapid Acceleration (0.83), and Sharp Turn (0.81) are the top three dangerous driving behavior that has the highest average correlation to the traffic crashes. Besides, our proposed deep learning model outperforms the baselines with the average MAE and RMSE scores of 3.302 and 5.335 in the prediction phase. It shows that we can improve the prediction performance by up to 14% by using the dangerous driving behavior with our proposed deep learning architecture. We expect that the proposed model will help reduce future traffic accidents by integrating it into an existing intelligent traffic system.
교통사고는 많은 사회경제적 문제를 일으키는 원인이기 때문에 많은 국가에서 교통사고를 예방하고 감소시키기 위한 노력을 계속해오고 있다. 본 학위논문에서는 디지털 운행기록과 심층신경망을 이용해 미래 교통사고를 줄이기 위해 위험운전행동과 과거 교통사고 이력의 상관 관계를 밝히고 이를 이용해 심층 신경망을 학습시켜 교통사고위험도를 예측한다. 연구 결과, 구내에서 일어나는 위험운전행동은 그 구의 교통사고와 0.71 정도의 굉장히 높은 상관 계수를 보이며, 과속을 제외하면 0.9의 상관계수를 보인다. 또한, 지리적 그리고 시간적 요소를 고려했을 때, 급U턴, 급가속, 급좌우회전은 각각 0.83, 0.83, 0.81의 평균 상관 계수로 보여 교통사고와 연관된 가장 위험한 3대 위험운전행동이었다. 제안한 심층 신경망은 평균 MAE는 3.302, 평균 RMSE는 5.335로, 기존 모델보다 좋은 성능을 보였다. 위험운전행동과 교통사고의 상관관계 분석 결과를 제안한 심층 신경망과 함께 사용하면, 심층 신경망의 예측정확도를 14%까지 상승시킬 수 있었다. 본 학위논문에서 분석한 위험운전행동 및 제안한 모델은 기존 교통사고 관리시스템에 통합되어 교통사고 예방 및 예측에 쓰일 수 있을 것으로 기대한다.
