도로 구간 사고 위험의 지표로서 급제동 이벤트

• 급제동 이벤트(HBE) 가 실제 도로 구간의 사고 발생률과 통계적으로 유의한 양의 상관관계를 보이는 것으로 확인됨
• 기존의 경찰 보고 사고 통계는 데이터가 희소하고 지연된 지표이지만, HBE는 연속적이고 고밀도의 데이터를 제공
• 캘리포니아와 버지니아의 10년간 데이터를 분석한 결과, HBE가 관측된 도로 구간 수는 사고 보고 구간보다 18배 많음
• 회귀 분석을 통해 교통량, 도로 유형, 경사, 차선 수 변화 등 변수를 통제한 상태에서도 HBE 빈도와 사고율 간의 일관된 상관성이 입증됨
• 이 연구는 Google Research의 Mobility AI 팀이 수행했으며, HBE 데이터를 Google Maps Platform의 Roads Management Insights에 통합해 선제적 교통 안전 관리에 활용 중임

기존 교통 안전 평가의 한계

• 교통 안전 평가는 전통적으로 경찰 보고 사고 통계에 의존해 왔음
  • 이러한 데이터는 사망, 부상, 재산 피해와 직접적으로 연관되어 ‘골드 스탠더드’로 간주됨
• 그러나 사고 데이터는 희소하고 지연된 지표로, 예측 모델링에 한계가 있음
  • 지역별 보고 기준이 상이하고, 일부 도로에서는 사고가 수년에 한 번만 발생
• 이에 따라 사고보다 빈번하게 발생하면서도 안전성과 상관된 ‘선행 지표’ 가 필요함

급제동 이벤트(HBE)의 정의와 활용

• HBE는 차량의 전방 감속이 -3m/s² 이상일 때 발생하는 회피 조작으로 정의됨
• HBE는 연결 차량 데이터를 기반으로 수집되어, 고정 센서가 필요한 근접 기반 지표보다 확장성이 높음
• 연구진은 Android Auto 플랫폼에서 익명·집계된 HBE 데이터를 활용해 버지니아와 캘리포니아의 공공 사고 데이터와 결합 분석을 수행
• 그 결과, 모든 사고 심각도 수준에서 HBE 빈도와 사고율 간의 유의한 양의 상관관계가 확인됨

데이터 밀도 분석

• 10년간의 공공 사고 데이터와 HBE 데이터를 비교 분석한 결과, HBE가 관측된 도로 구간 수는 사고 보고 구간보다 18배 많음
• 사고 데이터는 일부 지역에서 단일 사건을 관찰하는 데 수년이 걸리지만, HBE는 지속적이고 고밀도의 데이터 스트림을 제공
• 이를 통해 도로 안전 지도에서의 데이터 공백을 메우는 역할을 수행

통계적 검증

• 연구진은 음이항 회귀(Negative Binomial Regression) 모델을 사용해 HBE 빈도와 사고율 간의 관계를 검증
  • 이 방법은 Highway Safety Manual(HSM) 에서 표준으로 사용되는 접근법
• 모델은 교통량, 도로 길이, 도로 유형, 경사, 램프 존재 여부, 차선 수 변화 등 교란 요인을 통제
• 결과적으로, HBE 빈도가 높은 도로 구간일수록 사고율이 높음이 두 주 모두에서 확인됨
• 특히 램프가 있는 구간은 두 지역 모두에서 사고 위험이 높게 나타남

사례 연구: 고위험 합류 구간

• 캘리포니아의 Highway 101과 880을 연결하는 합류 구간을 분석
  • 이 구간의 HBE 발생률은 평균 고속도로 대비 70배 높고, 6주마다 한 번꼴로 사고 발생
• 해당 구간은 HBE 빈도 기준으로 상위 1% 에 속하며, 10년간의 사고 기록 없이도 위험 구간으로 식별 가능
• 이는 HBE가 장기 사고 데이터 없이도 고위험 구간을 조기 탐지할 수 있는 신뢰할 만한 대리 지표임을 입증

실제 적용과 확장

• HBE 검증을 통해 센서 데이터가 신뢰할 수 있는 교통 안전 도구로 전환됨
• Google Research의 Mobility AI 팀은 이 데이터를 Google Maps Platform의 Roads Management Insights에 통합
  • 교통 기관은 익명화된 고밀도 데이터를 활용해 보다 신속하고 광범위한 도로 안전 평가 가능
• 이러한 접근은 사고 기록에 의존하지 않고 선행 지표를 기반으로 위험 구간을 식별할 수 있게 함

향후 연구 방향

• HBE가 사고 위험의 강력한 선행 지표임이 확인되었으나, 데이터 희소성 완화와 공간적 군집화를 통해 신호를 더욱 정교화할 계획
• 향후에는 신호 타이밍 조정, 표지 개선, 합류 차선 설계 변경 등 구체적 인프라 개입으로의 전환을 목표로 함

공동 연구 및 감사

• 본 연구는 Google과 Virginia Tech 연구진의 공동 작업으로 수행됨
• 연구에는 Shantanu Shahane, Shoshana Vasserman, Carolina Osorio, Yi-fan Chen, Ivan Kuznetsov, Kristin White, Justyna Swiatkowska, Feng Guo 등이 참여
• Aurora Cheung, Andrew Stober, Reymund Dumlao, Nick Kan이 연구의 실제 적용 단계에 기여