Earticle

고령 화물차 운전자의 고속도로 사고 위험 요인을 정량적으로 분석하기 위해 베이지안 다 수준 혼합효과 로짓모형을 적용하였다. 기존 연구들이 일반 승용차 운전자 중심이었던 것과 달리, 본 연구는 직업 운전자인 고령 화물차 운전자의 사고영향요인을 규명하는 데에 초점을 맞췄다. 분석 결과, 고령 화물차 운전자들은 톨 게이트 요금소 구간에서의 감속·가속, 피로 및 졸음 상태에서 사고 발생 확률이 높았으며 본선 주행, 야간 운전, 과속 환경에서는 상대적으로 낮은 사고 위험을 보였다. 또한, 도로 노선별 이질성이 사고 확률에 유의미한 영향을 미치며, 베이지안 다수준 모형이 기존 로짓 모형보다 높은 예측 정확도를 보이는 것으로 나타났다. 본 연구는 직업적 고령 운전자의 사고 메커니즘을 규명하고, 도로 환경 및 운전자 상태를 반영한 맞춤형 안전 대책 필요성을 강조하였다. 향후에는 차량 동역학 및 운전자 생리·심리적 요인을 통합한 연구가 요구된다.

This study applied a Bayesian Multilevel Mixed-Effect Logit Model to quantitatively analyze the risk factors influencing highway accidents involving elderly truck drivers. Unlike previous studies that primarily focused on elderly passenger car drivers, this research investigates the accident risk factors affecting elderly professional truck drivers. The analysis revealed that elderly truck drivers exhibited a higher likelihood of accidents in toll gate areas due to deceleration and acceleration, fatigue, and drowsiness. In contrast, they showed a lower accident risk on mainline highways, during nighttime driving, and in high-speed conditions. Additionally, the heterogeneity among highway routes significantly influenced accident probability, and the Bayesian multilevel model demonstrated superior predictive accuracy compared to traditional logit models. This study provides insights into the accident mechanisms of elderly professional drivers and highlights the necessity of customized traffic safety measures considering road environments and driver conditions. Future research should integrate vehicle dynamics and physiological and psychological factors to enhance accident prediction and prevention strategies.

서울도시철도에서 역 정차시간 증가는 후속 열차 지연과 운행시격 불안정을 유발하는 주요요인이다. 본 연구는 무인운전 고무차륜 경전철인 신림선을 대상으로 실제 운행자료를 활용하여 정차시간 예측모형을 구축하고, 기존 OR 기반 방식과 ARIMA, LSTM, HYBRID모형의 성능을 비교하였다. 분석자료는 샛강, 대방, 보라매, 신림역의 2025년 2월 3일부터 2월 7일까지 정차시간 자료이며, 학습 70%, 검증 15%, 테스트 15%로 구분하였다. 분석 결과, HYBRID 모형은ARIMA 잔차를 LSTM으로 보정함으로써 전반적으로 가장 안정적인 예측성능을 보였다.

This study develops a dwell time prediction model for the Sillim Line, an unmanned rubber-tired light rail system in Seoul, using actual operation data. Dwell time data from four transfer stations— Saetgang, Daebang, Boramae, and Sillim—collected from February 3 to 7, 2025, were divided into training, validation, and test sets at a ratio of 70%, 15%, and 15%. The performance of OR-based, ARIMA, LSTM, and ARIMA+LSTM HYBRID models was compared. The results show that the HYBRID model achieved the most stable prediction performance by correcting ARIMA residuals with LSTM. This suggests that the proposed model can support train delay management and operational decision-making.

도시부 교통정보 수집은 VDS, DSRC, 레이더 등 다양한 시스템에 의해 수집되고 있다. 최근 딥러닝 기술의 발전으로 스마트교차로시스템이 확대 보급되고 있으며 교통량, 속도, 차종 등 다양한 정보수집이 가능하다. 그러나 관련 문헌을 고찰한 결과 지금까지의 성능평가 기준은 딥러닝 영역을 고려하지 않은 RBS기반 평가체계로 ‘기준값-측정값’의 퍼센트 오차만 고려하고 있어 기존 평가방식으로는 딥러닝 부분의 평가를 수행할 수 없어 새로운 성능평가 방법이 필 요하다. 따라서, 본 연구에서는 데이터 비율 및 가중치를 고려하여 Precision과 Recall 등 딥러닝 성능지표를 고려한 오차산정식을 개발하여 개별오차와 구간 오차, 전체오차를 산정하였다. 연 구결과, 측정값 1의 오차율은 3.99와 3.54, 측정값 2는 5.34와 5.07로 기존 산정식과 오차율에 차이가 있는 것으로 나타났으며, 반복측정 분석결과 개발 산정식이 우수한 것으로 나타났다.

Urban traffic information is collected by various systems such as VDS, DSRC, and radar. Recently, with the development of deep learning technology, smart intersection systems are expanding, are more widely distributed, and it is possible to collect a variety of information such as traffic volume, and vehicle type and speed. However, as a result of reviewing related literature, the performance evaluation criteria so far are rbs-based evaluation systems that do not consider the deep learning area, and only consider the percent error of 'reference value-measured value'. Therefore, a new performance evaluation method is needed. Therefore, in this study, individual error, interval error, and overall error are calculated by using a formula that considers deep learning performance indicators such as precision and recall based on data ratio and weight. As a result, error rates for measurement value 1 were 3.99 and 3.54, and rates for measurement value 2 were 5.34 and 5.07.

본 연구에서는 자율주행 혼재환경에서 기존 교통지표의 한계점을 보완할 수 있는 교통의 혼잡도와 안전 특성을 결합한 새로운 통합지표를 개발하였다. 통합지표 구성 변수로는 교통 혼잡도를 나타내는 TTI와 OCI 지표를 선정하고, 도로 안전성을 나타내는 TTC 지표를 선정하였 다. 각 지표에 필요한 데이터는 PTV VISSIM 시뮬레이션을 통해 수집하였다. 통합지표의 가중치 산정 방법으로는 요인분석을 활용하였으며, 요인분석 결과 TTI, OCI2 , TTC 지표의 가중치는 각각 0.363, 0.303, -0.334으로 도출되었다. 최종 통합지표 식을 산정한 후, 클러스터링을 통해 교통상황 판단 기준을 3단계로 구분하였다. 이러한 통합지표를 활용하여 도로 혼잡 및 사고 발생 시의 교통상황을 실시간으로 분석 및 판단하여 신속하게 대응할 수 있을 것으로 기대된다.

This study developed a new integrated index combining traffic congestion and safety characteristics that can supplement the limitations of existing traffic indicators in a mixed autonomous driving environment. TTI and OCI indicators representing traffic congestion were selected as the integrated indicator composition variables, and TTC indicators representing road safety were selected. The data required for each indicator were collected through a PTV VISSIM simulation. Factor analysis was used to calculate the weights of the integrated indicators, which showed that the weights of the TTI, OCI2, and TTC indicators were 0.363, 0.303, and –0.334, respectively. After calculating the final integrated indicator equation, the criteria for determining traffic conditions were divided into three stages through clustering. These integrated indicators can be used to valuate the traffic conditions at the time of road congestion and accidents in real time and respond quickly.

교통안전 분야는 명확한 판단 근거와 실제 사례를 기반으로 정책이 수립되고 시행되는 특 성이 있다. 그렇기에 범용 대규모 언어모델(large language model, LLM)을 활용하는 데는 한계 가 존재한다. 따라서, 본 연구는 교통안전 분야에 특화된 LLM의 구축 가능성과 활용성을 실증 적으로 검토하고, 이를 위한 체계적인 개발 프로세스를 제시하고자 한다. 이에 따라 본 연구에 서는 교통사고 유형과 관련 정보를 기반으로 교통안전대응책을 제시할 수 있도록 파인튜닝 (fine-tuning)과 검색 증강 생성(retrieval-augmented generation) 기법을 적용한 소규모 언어모델 (small language model, SLM)을 개발하고, 실제 개선사업 사례를 통해 모델의 응답을 정성적으 로 평가하였다. 이 과정에서 학습 데이터의 구조화, 다차원적 맥락 정보의 반영, 그리고 정교한 평가체계의 필요성이 핵심 고려사항으로 도출되었으며, 본 연구는 교통안전 분야의 특성과 실무 환경을 반영한 SLM 구축의 방향성과 기반을 마련했다는 점에서 학술적·실무적 의의가 있다.

The field of traffic safety requires policies to be established and implemented based on clear evidence and real-world cases, which limits the applicability of general-purpose large language models (LLMs). This study investigates the feasibility and applicability of domain-specific LLMs for traffic safety and proposes a systematic development process. To this end, a small language model (SLM) was developed using fine-tuning and retrieval-augmented generation (RAG) techniques to generate countermeasures based on traffic accident types and related information. The model’s responses were qualitatively evaluated through actual improvement project cases. Key considerations derived from this process include the structuring of training data, incorporation of multidimensional contextual information, and establishment of a rigorous evaluation framework. This study provides both academic and practical implications by presenting the direction and foundation for developing traffic safety domain-specific SLMs.

본 연구는 서울시 택시 운행의 시공간적 효율성을 정량적으로 평가하기 위하여 동태적 자료포락분석(Dynamic SBM DEA) 모형을 적용하였다. 기존 대중교통의 효율성 연구는 주로 가동률이나 정태적 DEA 분석을 중심으로 수행되어 왔으나 택시 운행은 시간대별 수요 변동과 지역 간 공급 불균형의 영향을 크게 받으므로 단일 시점의 효율성 평가만으로는 실제 운영 특성을 설명하기 어렵다. 이에 본 연구는 서울시 자치구 간 택시 O-D를 의사결정단위로 설정하고, 공차거리와 공차시간을 투입 변수, 수익과 운행횟수를 산출 변수로 설정하여 택시 운영의 경제적, 서비스 측면의 효율성을 통합적으로 분석하였다. 또한 시간대별 차량대수를 시간 간 연계 변수로 반영하여 택시 공급 구조의 동태적 특성을 고려하였다. 분석 결과, 효율성이 높은 O-D는 안정적인 수요가 형성되는 내부 통행과 산출 성과가 큰 장거리 통행에서 주로 나타난 반면, 효율성이 낮은 O-D는 외곽 생활권, 혼잡 영향이 큰 지역에서 집중적으로 확인되었다. 본 연구 결과는 택시 운행 효율성을 단순한 지역별 성과지표가 아니라 시간대 간 공급 연계와 O-D별 운행 특성이 결합된 동태적 구조로 이해할 필요가 있음을 시사한다.

This study applies a Dynamic Slack-Based Measure Data Envelopment Analysis (Dynamic SBM DEA) model to evaluate the spatiotemporal efficiency of taxi operations in Seoul. Inter-district taxi O-D pairs are defined as decision-making units, with vacant travel distance and vacant travel time used as inputs, and revenue and the number of trips as outputs. The number of vehicles by time period is further incorporated as an intertemporal carry-over variable to capture the dynamic characteristics of taxi supply. The results indicate that high-efficiency O-D pairs are mainly associated with internal trips with stable demand and long-distance trips with high output performance, whereas low-efficiency O-D pairs are concentrated in peripheral living zones and congestion-affected areas. These findings suggest that taxi operation efficiency should be understood not simply as a region-specific performance indicator, but as a dynamic structure shaped by intertemporal supply linkages and O-D-specific operational characteristics.

국내 공유 전동킥보드는 도시 내 단거리 이동 수요를 흡수하여 대중교통의 접근성을 높이 고 있으나 사고 증가와 제도 불확실성 속에서 안전과 산업 지속가능성을 동시 확보할 법·제도 설계가 요구된다. 이에 본 연구는 지속가능한 공유 전동킥보드 생태계 조성을 위한 정책 개선 의 우선순위를 도출하고자 전문가 의견을 반영하여 3개 상위 요인과 12개 하위 요인으로 계층 구조를 설계하고 AHP로 상대적 중요도를 분석하였다. 분석결과, 상위 요인인 정책 고려 주체 의 중요도는 이용자, 정부, 사업자 순으로 나타났으며, 하위 요인은 통행 규칙 명확화가 가장 높은 중요도를 보였고 사업자의 대여사업 등록제·허가제 전환과 정부의 소관 부처 명확화가 그 뒤를 이었다. 또한, 민간과 공공 부문 전문가 집단의 우선순위를 비교한 결과, 각각 안전모 착용 규제 완화와 이용 안전기준 명확화를 우선시하는 등의 차이가 나타났다. 그럼에도 두 전 문가 집단 모두 통행 규칙 명확화의 중요성을 높게 인식하고 있으므로 이를 정책 수립의 출발 점으로 삼아야 하며 나아가, 사업자의 대여사업 등록제·허가제 전환을 통해 사업자의 책임을 강화하여 시장을 체계적으로 관리할 제도적 기반을 마련하고 정부 소관 부처 명확화를 통해 이러한 정책들의 일관성을 확보하여야 한다.

Shared e-scooters in South Korea accommodate urban short-distance travel demand and enhance public transport accessibility. However, facing rising accidents and regulatory uncertainty, a legal and institutional framework capable of simultaneously guaranteeing safety and industrial sustainability is imperative. To identify policy priorities for a sustainable shared e-scooter ecosystem, this study constructed a hierarchical model comprising three upper-level and twelve lower-level factors based on expert consultation and analyzed their relative importance using the Analytic Hierarchy Process (AHP). The results indicated that among the upper-level factors, the “User” dimension carried the highest weight, followed by the “Government” and “Operators.” For the lower-level factors, “Clarification of traffic rules” was identified as the highest priority, with “Transition to a registration and licensing system” and “Clarification of the responsible ministry/agency” ranked subsequently. Furthermore, a comparative analysis between private and public sector experts revealed distinct perceptions: the former prioritized “Deregulation of mandatory helmet use,” whereas the latter emphasized “Clarification of usage safety standards.” Nonetheless, given the consensus across both groups on the critical importance of “Clarifying traffic rules,” this factor should be regarded as a prerequisite for policy formulation. Moreover, the findings imply that it is essential to establish an institutional foundation for systematic market management by enhancing operator accountability through a “Transition to a registration and licensing system,” and to ensure policy consistency by “Clarifying the responsible ministry/agency.”

본 연구는 교통사고 심각도를 정량적으로 측정하기 위해 대물피해환산법(EPDO: Equivalent Property Damage Only) 지표를 활용하고, 이를 기반으로 고속도로 2차 사고의 심각도 결정 요인 을 규명하였다. 분석 자료는 한국도로공사 관할 고속도로에서 발생한 최근 10년간의 사고 데 이터(2014~2023)이며, 기초통계와 상관분석을 거쳐 강건 회귀(Robust Regression)와 분위수 회 귀(Quantile Regression)를 적용하였다. 분석 결과, 사고 규모와 사고 유형이 심각도에 가장 큰 영향을 미쳤으며, 특히 고심각도 구간에서 그 효과가 더욱 두드러졌다. 반면, 날씨·노면 상태와 같은 환경 요인은 상대적으로 제한적인 영향을 보였다. 이러한 결과는 기존의 범주형 접근의 한계를 보완하며, 사고 심각도를 사회적 비용 차원에서 정량화할 수 있는 대안을 제시한다. 정 책적으로는 다중 차량사고와 보행자 사고를 핵심 관리 대상으로 설정하고, 고속도로 2차 사고 예방을 위한 차별화된 안전대책 마련이 필요함을 시사한다.

This study applied the Equivalent Property Damage Only (EPDO) index to quantify the traffic accident severity and examined the determinants of severity in secondary accidents on expressways. The analysis was based on a ten-year dataset (2014–2023) from the Korea Expressway Corporation. Descriptive statistics and correlation analysis were first conducted, followed by robust regression (RR) and quantile regression (QR) to identify the key influencing factors. The results showed that the accident scale (number of vehicles involved) and accident type (particularly pedestrian accidents) had the most significant effects on severity, with these effects being more pronounced in high-severity accidents. In contrast, environmental conditions such as weather and road surface played a relatively minor role. These findings address the limitations of conventional ordinal categorical approaches by introducing an EPDO-based framework for quantifying the severity of accidents in terms of social cost. From a policy perspective, this study highlights multi-vehicle and pedestrian accidents as priority targets and underscores the need for differentiated safety measures to prevent secondary accidents on expressways.

교통사고 유형에 따라 사고 당사자의 피해 정도에는 큰 차이를 보이므로 사고유형에 적합 한 도로 기하구조의 설계 및 설치가 고려되어야 한다. 본 연구는 도로 기하구조에 따른 교통사 고 유형의 분류를 위해 정형 데이터와 이미지 데이터를 함께 학습할 수 있는 멀티모달 인공지 능 모델을 제시하였다. 멀티모달 모델은 정형 데이터 처리를 위해 ReLU 함수 기반의 맞춤 신 경망을 사용하였고, 이미지 데이터 처리를 위해 EfficientNet을 사용하였다. 학습 결과 멀티모달 모델의 정확도는 60.3%, F1 Score는 0.604로 나타나 정형 데이터 싱글모달 모델의 정확도 46.8%, 이미지 데이터 싱글모달 모델의 정확도 47.5%보다 각각 13.5%p, 12.8%p 높은 것으로 나타났다. 이를 통해 두 가지 모달리티를 함께 학습하여 인공지능을 이용한 교통사고 유형 분 류의 정확도를 높일 수 있다는 것을 보였다. 연구의 한계로 모델에 투입되는 데이터 요소의 부족으로 인해 교통사고 유형 예측을 위한 설명력의 부족, 멀티모달 모델의 이론적 타당성에 도 불구하고 성능개선이 이에 미치지 못하는 점, 멀티모달 인공지능 모델의 작동 방식을 교통 학적으로 해석하기 위해 추가적인 분석의 필요성이 지적된다.

The severity of injuries to traffic crash victims varies depending on the type of traffic crash. Therefore, it is necessary to tailor the geometric design of roads and install road features according to the specific type of traffic crash. This study presents a multimodal AI model that can learn structured and image data to classify traffic crash types based on the geometric design of roads. The multimodal model used a custom neural network based on the ReLU function to process structured data, and EfficientNet to process image data. Training results showed that the accuracy of the multimodal model was 60.3% and the F1 Score was 0.604. This is 13.5%p higher than the accuracy of the structured data single-modal model (46.8%) and 12.8%p higher than that of the image data single-modal model (47.5%). It indicates that it is possible to improve the accuracy of the type of traffic crash classification using AI by learning two modalities together. However, three issues are pointed out as limitations of the study. First, Due to the lack of structured data elements input into the model, explanatory power for predicting traffic crash types is insufficient. Second, Despite the theoretical validity of the multimodal model, its performance improvement is not up to par. Third, it is challenging to interpret the functioning of multimodal AI models in the context of transportation studies.

본 연구는 자율협력주행자동차의 도입 환경에서 도로교통 운영 효율성 향상을 목적으로, 기존에 제안된 칼만필터 기반 개별 차량 누적통행시간 예측 기반의 실시간 신호제어 알고리즘 을 국내 독립 교차로 운영 여건에 맞게 개선하였다. 개선된 알고리즘은 게이트 순환 유닛을 활용하여 개별 차량의 누적통행시간을 예측하고, 누적통행시간이 상대적으로 큰 접근로에 녹 색신호를 연장함으로써 실시간 신호제어를 수행한다. 알고리즘 개선 효과를 검증하기 위해 다 양한 교통상황을 반영한 시나리오를 구성하고, 평균지체 및 대기행렬 길이를 평가지표로 설정 하여 time of day(TOD) 신호제어 및 Synchro 기반 신호최적화 결과와 비교·분석하였다. 그 결 과, 제안한 실시간 신호제어 알고리즘은 기존 TOD 방식과 Synchro 기반 신호최적화, 칼만필터 기반 누적통행시간 예측 기반 결과 대비 평균지체를 약 40~50% 감소시키는 것으로 나타났다.

This study enhances a previously developed Kalman filter–based cumulative travel time(CTT) real-time signal control algorithm(CTR) for application to isolated intersections under a cooperative automated vehicle(CAV) environment. The improved method adopts a Gated Recurrent Unit(GRU) model to predict individual vehicle CTT and extends green time for the approach with higher CTT. Performance was evaluated under various traffic scenarios using average delay and queue length as measures of effectiveness. Compared with time-of-day(TOD) control, Synchro-based optimization, and the original Kalman filter–based CTR algorithm, the proposed GRU-based approach reduced average delay by approximately 40–50%.