지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이철기
- 발행연도
- 2022
- 저작권
- 아주대학교 논문은 저작권에 의해 보호받습니다.
이용수217
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
2019년 충남 아산의 한 어린이 보호구역 내 횡단보도에서 어린이 사망사고를 계기
로 어린이 교통안전에 대한 범국민적인 요구가 이어져「특별범죄 가중처벌 등에 관한
법률」 개정을 통해 운전자에 대한 처벌이 강화되었으며, 어린이 보호구역 내 무인
단속 장비 대폭 확충, 안전속도 5030 정책 추진, 어린이 보호구역 법규 위반에 따른
자동차 보험료 할증 적용 등 어린이사고 예방을 위한 다양한 정책과 법안이 추진되고
있다. 이러한 다양한 정책과 지속적인 안전시설 개선사업 추진에도 불구하고 어린이
교통사고는 꾸준히 발생하고 있다. 교통사고 피해를 본 어린이는 성장이나 정서 발달
에 부정적 영향이 발생할 수 있으며 사회성 발달에 어려움을 겪을 수 있다. 교통사고
로 인해 어린이가 겪는 불행과 사고 발생 원인을 줄이기 위해 어린이 교통사고
의 가능성과 심각도 요인에 관한 연구가 필요한 상황이다.
본 연구는 운전자 특성 및 교통사고 발생 요인에 따른 사고 심각도 분석을 통해 사
고위험도가 높은 사고요인을 규명하고자 하였다. 교통사고분석시스템(TAAS)에서 제
공하고 있는 2007년부터 2020년까지 14년간의 어린이보호구역 내 발생한 사고데이
터를 이용하여 기계학습 방법을 통해 사고 심각도에 영향을 미치는 주요 요인을 도출
하였다. 분석 모형으로는 통계 모형 기반인 선형회귀모형(LinearRegression)과 기계
학습 기반 모형인 의사결정나무(Decision Tree), 랜덤포레스트(RandomForest) 모형
을 활용하였다. 분석 결과. 랜덤포레스트 모형이 RMSE 1.6824로 예측 성능이 가장
우수한 것으로 나타났으며, 해당 모형을 활용하여 교통사고 심각도 요인을 분석하였
다. 교통사고 심각도에 가장 큰 영향을 미치는 변수로는 승합차, 과속운전, 고령 운전
자(60대 이상) 등의 요인이 사고 심각도를 증가시키는 주요 요인으로 분석되었다. 어
린이 교통사고 심각도에 관한 연구 결과를 바탕으로 교통사고 심각도에 큰 영향을 미
치는 요인에 대하여 정책적 시사점을 도출하였다.
본 연구는 향후 어린이보호구역 개선사업 또는 보수사업 시 우선으로 검토 또
는 고려해볼 수 있는 하나의 기초자료로 활용할 수 있을 것으로 기대한다.
로 어린이 교통안전에 대한 범국민적인 요구가 이어져「특별범죄 가중처벌 등에 관한
법률」 개정을 통해 운전자에 대한 처벌이 강화되었으며, 어린이 보호구역 내 무인
단속 장비 대폭 확충, 안전속도 5030 정책 추진, 어린이 보호구역 법규 위반에 따른
자동차 보험료 할증 적용 등 어린이사고 예방을 위한 다양한 정책과 법안이 추진되고
있다. 이러한 다양한 정책과 지속적인 안전시설 개선사업 추진에도 불구하고 어린이
교통사고는 꾸준히 발생하고 있다. 교통사고 피해를 본 어린이는 성장이나 정서 발달
에 부정적 영향이 발생할 수 있으며 사회성 발달에 어려움을 겪을 수 있다. 교통사고
로 인해 어린이가 겪는 불행과 사고 발생 원인을 줄이기 위해 어린이 교통사고
의 가능성과 심각도 요인에 관한 연구가 필요한 상황이다.
본 연구는 운전자 특성 및 교통사고 발생 요인에 따른 사고 심각도 분석을 통해 사
고위험도가 높은 사고요인을 규명하고자 하였다. 교통사고분석시스템(TAAS)에서 제
공하고 있는 2007년부터 2020년까지 14년간의 어린이보호구역 내 발생한 사고데이
터를 이용하여 기계학습 방법을 통해 사고 심각도에 영향을 미치는 주요 요인을 도출
하였다. 분석 모형으로는 통계 모형 기반인 선형회귀모형(LinearRegression)과 기계
학습 기반 모형인 의사결정나무(Decision Tree), 랜덤포레스트(RandomForest) 모형
을 활용하였다. 분석 결과. 랜덤포레스트 모형이 RMSE 1.6824로 예측 성능이 가장
우수한 것으로 나타났으며, 해당 모형을 활용하여 교통사고 심각도 요인을 분석하였
다. 교통사고 심각도에 가장 큰 영향을 미치는 변수로는 승합차, 과속운전, 고령 운전
자(60대 이상) 등의 요인이 사고 심각도를 증가시키는 주요 요인으로 분석되었다. 어
린이 교통사고 심각도에 관한 연구 결과를 바탕으로 교통사고 심각도에 큰 영향을 미
치는 요인에 대하여 정책적 시사점을 도출하였다.
본 연구는 향후 어린이보호구역 개선사업 또는 보수사업 시 우선으로 검토 또
는 고려해볼 수 있는 하나의 기초자료로 활용할 수 있을 것으로 기대한다.
목차
제1장 서 론 1제1절 연구의 배경 1제2절 연구의 목적 2제3절 연구의 범위 및 방법 31. 연구의 범위 32. 연구의 절차 33. 연구의 방법 4제2장 관련 이론 및 연구 고찰 5제1절 관련 이론 고찰 51. 의사결정나무 52. 랜덤포레스트 6제2절 관련 연구 검토 71. 어린이 교통사고 관련 연구 72. 통계학 기반 사고심각도 연구 93. 기계학습 기반 사고 심각도 연구 12제3절 시사점 16제4절 연구의 차별성 17제3장 자료 수집 및 기초 통계분석 18제1절 자료 수집 18제2절 자료 가공 18제3절 기초 통계분석 201. 어린이 교통사고 현황분석 202. 어린이 보호구역 교통사고 심각도 분석 25제4절 변수 설정 301. 종속변수 302. 독립변수 303. 변수 인코딩 32제4장 모형 개발 35제1절 모형 개발 절차 35제2절 하이퍼 파라미터 최적화 371. 개요 372. 하이퍼 파라미터 설정 383. 하이퍼 파라미터 최적화 41제3절 모형 평가 방법 42제4절 모형 성능 비교 결과 44제5절 사고 심각도 영향 요인 분석 451. 방법론 452. 심각도 영향 요인 분석 결과 46제5장 결론 및 정책적 시사점 50제1절 결론 50제2절 정책적 시사점 · 51
최근 본 자료
댓글(0)
0