딥러닝으로 보행자 사망 사고의 비밀을 풀다: 미국 교통 안전의 미래를 위한 XAI 활용

본 연구는 설명 가능한 인공지능(XAI)을 활용하여 미국 내 보행자 사망 사고 패턴을 분석하고, 주요 위험 요소를 밝혀낸 획기적인 연구입니다. XGBoost 모델의 높은 예측 정확도와 데이터 기반의 구체적인 분석 결과는 정책 입안 및 도시 계획에 중요한 시사점을 제공하며, 향후 AI 기술을 활용한 교통 안전 강화에 기여할 것으로 예상됩니다.

미국에서 매년 수많은 보행자가 교통사고로 목숨을 잃고 있습니다. 자동차와 보행자 간의 충돌은 신체적, 성능적 차이로 인해 보행자가 특히 취약한 상황입니다. 이러한 심각한 문제에 대한 해결책을 찾기 위해, Methusela Sulle 등 연구진은 설명 가능한 인공지능(XAI) 을 활용하여 획기적인 연구를 진행했습니다.

데이터 기반의 과학적 접근: 2018년부터 2022년까지의 사고 데이터 분석

연구진은 미국 내 교통사고 사망률이 가장 높은 5개 주와 가장 낮은 5개 주를 비교 분석하여 보행자 사망 사고의 패턴을 밝혀냈습니다. FARS(Fatality Analysis Reporting System) 데이터를 기반으로, 결정 트리, 그래디언트 부스팅 트리, 랜덤 포레스트, XGBoost 등 다양한 머신러닝 기법을 활용했습니다. 데이터 불균형 문제는 SMOTE(Synthetic Minority Over-sampling Technique) 기법으로 해결했으며, SHAP(SHapley Additive Explanations) 값을 사용하여 모델의 해석력을 높였습니다.

놀라운 결과: XGBoost 모델의 높은 예측 정확도와 주요 위험 요소 규명

다양한 모델 중 XGBoost 모델이 가장 우수한 성능을 보였습니다. 무려 98%의 균형 정확도, 90%의 정확도, 92%의 정밀도, 90%의 재현율, 그리고 91%의 F1 점수를 기록했습니다. 이를 통해 연구진은 보행자 사망 사고의 주요 위험 요소를 구체적으로 밝혀냈습니다. 연령, 음주 및 약물 사용, 사고 발생 장소, 환경 조건 등이 중요한 예측 변수로 나타났습니다. 특히, 중간 블록 위치, 시야가 좋지 않은 지역에서 사고가 더 많이 발생했고, 고령자와 약물이나 알코올에 취한 사람들이 더 큰 위험에 처해 있는 것으로 밝혀졌습니다.

미래를 위한 제언: 데이터 기반의 정책 및 도시 계획 수립

이 연구 결과는 정책 입안자와 도시 계획가들에게 중요한 시사점을 제공합니다. 조명 개선, 보행자 인프라 강화, 엄격한 교통 법규 단속 등의 표적화된 안전 조치를 통해 보행자 사망 사고를 줄이고 공공 안전을 향상시킬 수 있습니다. 이 연구는 단순한 통계 분석을 넘어, XAI 기술을 통해 AI 모델의 결정 과정을 투명하게 이해하고, 이를 바탕으로 실질적인 정책 개선으로 이어질 수 있다는 점에서 큰 의미를 가집니다. 앞으로도 AI 기술을 활용한 안전한 도시 환경 구축을 위한 연구가 활발히 진행될 것으로 기대됩니다.