>> 가중치를 적용한 방향성 그래프 <<가 가장 알맞은 표현 ! 이를 보통 여러 계층으로 구조화 한다.
- 퍼셉트론 ANN
이진법 예측, 데이터를 선형적으로 분리할 수 있는 경우
- 다층 ANN
이 논문에서 사용하는 ANN
첫 번째 계층은 입력 뉴런으로 구성되어 있어 이것이 두 번째 계층으로 데이터를 보내고, 그러면 두 번째 계층이 출력 뉴런을 세 번째 계층으로 보낸다.
1. Background
pedestrian accident statistics : 보행자는 교통사고의 가장 취약한 사용자로, 전 세계 교통사고 사망자의 65%를 차지. 미국에서는 2019년에 6205명의 보행자가 사고로 사망, 전체 사망자의 17.1%를 차지했으며 대부분의 사고는 교차로가 아닌 도심 지역에서 무단횡단 중 발생.
The definition and impact of jaywalking : 무단횡단은 횡단 규칙을 무시하는 행위로, 차량의 흐름을 방해하고 지연 및 연료 소비 증가 등의 부정적 영향을 미침.
the focus of existing research : 대부분의 연구는 보행자의 경로 선택, 보행 행동, 안전 강화에 중점을 두었으며, 무단횡단에 대한 연구는 제한적임. 주요 연구는 무단횡단의 요인과 위험성 분석, 보행자 안전 강화를 위한 기술에 집중
1-1. 주요 연구 결과
Xu et al. (2013): 무단횡단 의도는 주로 과거 행동의 빈도에 의해 결정
Aden et al. (2021): 위험 추구 성향이 무단횡단 의도에 영향을 미침
Shaaban et al. (2018): 남성이 여성보다 무단횡단 성향이 강하며, 나이, 성별, 모바일 사용 여부가 무단횡단 시간에 영향을 미침
Acharya and Marsani (2019): 교통 속도가 무단횡단 빈도에 중요한 영향을 미침
1-2. 자율주행차와 무단횡단 연구
Fejes and Foldes (2020): 헝가리에서 자율주행차(AV)가 보행자와의 충돌을 피하기 위한 방법을 연구
Ackermans (2019): AV와 보행자 간의 소통을 개선하기 위한 외부 인간-기계 인터페이스(eHMI) 설계 평가
Wang et al. (2020): 중국에서 AV가 보행자와의 상호작용에서 얼마나 적응력이 있는지 연구, 특히 무단횡단자를 안전하게 탐지하고 회피하는 데 중점.
1-3. 무단횡단과 자율주행 기술의 상호작용
무단횡단과 관련된 연구는 주로 개발된 국가에서 이루어졌으며, CAV(연결 및 자율주행 차량) 기술이 무단횡단자를 인식하지 못해 사고를 일으킨 경우도 존재
향후 CAV 기술이 발전하면 무단횡단을 법적으로 허용할 수 있을 가능성이 제기됨. 이는 보행자 안전을 향상시키기 위한 새로운 연구가 필요하다는 것을 의미
1-4. 본 연구의 목적
본 연구는 무단횡단이 빈번한 방글라데시 다카에서 보행자의 무단횡단 행동을 분석. 비디오 데이터를 통해 성별, 휴대폰 사용 여부, 보행 방향 등 다양한 변수를 수집하고, 인공 신경망(ANN)을 활용해 보행자의 순간적 움직임을 예측하는 모델을 개발
연구 목표:
무단횡단 전략과 관련된 교통 흐름 및 기하학적 변수 분석
무단횡단 궤적을 도출하여 위치 이동 전략을 파악
다양한 원인 및 조건 변수를 기반으로 무단횡단자의 움직임을 예측하는 미시적 모델 개발
보행자의 움직임에 영향을 미치는 요인 분석
2. Study area
지역 선택: 방글라데시 수도 다카는 다양한 교통 특성(모터화, 비모터화, 느린/빠른 이동)이 공존하는 복합적인 교통 시스템을 가짐
보행 환경 문제: 다카에는 약 400km의 인도가 있지만, 40%는 상인들에 의해 점유되어 있음. 교차로 대부분은 수동으로 운영되며, 보행자 신호등이 부족함
무단횡단 문제: 신호등 없는 곳에서 무단횡단하며 휴대폰을 사용하는 보행자가 흔하며, 이에 대한 처벌도 드물어 교통 혼잡과 사고 위험이 증가
무단횡단이 심각한 문제로 떠오르며, 이를 연구하기에 적합한 도시로 다카가 선정됨
3. Methodology
이 연구는 데이터 수집, 추출 및 처리, 분석 및 예측의 단계로 나뉜다.
데이터 수집: (방글라데시 다카의 한 장소에서 무단횡단이 많은 구간을 비디오로 기록하여 데이터를 수집) 평일 오후 4:30~5:30 사이에 촬영된 영상으로, 보행자들은 녹화 장비의 존재를 인식하지 못했으며, 해당 도로는 네 개의 차선이 있으며, 주요 교통수단은 개인 차량, 버스, 오토바이 등으로 구성
데이터 추출 및 처리: 'Traffic Data Extractor' 소프트웨어를 사용하여 무단횡단자의 좌표와 성별, 이동 방향, 휴대폰 사용 여부 등 다양한 변수들을 추출했다. (이는 무단횡단 관련 문헌 검토와 전문가 자문을 통해 선정된 변수)
분석 및 예측: 추출한 변수를 기반으로 인공지능 모델을 통해 무단횡단자의 즉각적인 움직임과 경로를 예측하는 모델을 개발했다. 이 모델은 무단횡단자의 위치와 행동을 예측하는 데 사용되며, 입력 변수들의 중요도를 평가할 수 있다.
→ 연구를 통해 무단횡단자들의 행동 패턴을 이해하고 예측할 수 있는 모델을 구축했다.
*'Traffic Data Extractor' 소프트웨어 : 교통 데이터를 비디오 영상에서 추출할 수 있는 소프트웨어
: 도로 교통 상황을 비디오로 촬영한 후, 이를 분석하여 차량 또는 보행자의 움직임, 좌표, 속도, 경로 등의 정보를 자동으로 추출 가능
3-1. Artificial neural network (ANN) model for jaywalking
objective : ANN을 사용하여 매 초마다 무단횡단자의 위치를 예측하고, 무단횡단과 관련된 다양한 요소들 간의 관계를 분석한다. 이를 통해 무단횡단자의 움직임을 모델링하고 미래 위치를 예측한다.
1. 기존 모델의 문제점
선형 모델은 비선형 패턴을 제대로 처리하지 못함.
비선형 모델(TAR, ARCH 등)도 개선되었지만, 모든 비선형성을 처리하기엔 한계가 있음.
2. 해결책
ANN(인공신경망)은 유연한 비선형 모델링이 가능하여, 무단횡단 예측에 적합한 대안으로 사용됨.
ANN 모델 구조 :
레이어 구성:
Input Layer: 무단횡단 관련 데이터를 입력받음
Hidden Layer: 입력과 출력을 연결하는 중간 레이어로 계산을 수행
Output Layer: 예측된 결과(무단횡단자의 다음 위치)를 도출
각 레이어의 노드는 인접한 레이어의 노드들과 연결되며, 각 연결에는 가중치와 바이어스가 포함됨. 이를 통해 출력값을 도출함.
입력 변수 (X1 - X12)
X1: t-1초에서의 무단횡단자의 위치 (xy 좌표)
X2: 성별 (남성:1 / 여성:0)
X3: 이동 방향 (중앙선에서 보도로:1 / 보도에서 중앙선으로:0)
X4: 휴대폰 사용 여부 (사용:1 / 사용하지 않음:0)
X5: 차선 번호 (1-4차선: 가장 왼쪽에서 가장 오른쪽 차선)
X6: 교차 단계 (출발:0 / 중간:1 / 끝:2)
X7: 앞 차량 존재 여부 (있음:1 / 없음:0)
X8: 뒤 차량 존재 여부 (있음:1 / 없음:0)
X9: 기존 위협 수준 (0-3: 없음-낮음-높음-극심)
X10: 다음 위협 수준 (0-3: 없음-낮음-높음-극심)
X11: 후방 위협 수준 (0-3: 없음-낮음-높음-극심)
X12: 상태 (달리기:1 / 걷기:0)
X9-X11 위협 수준은 다음과 같은 원칙에 따라 고정됨
위협 없음: 4초 후 차량과 충돌 가능성
낮은 위협: 3초 후 충돌
높은 위협: 2초 후 충돌
극심한 위협: 1초 후 충돌(보행자가 움직이고 차량이 회피하지 않는 경우)
ANN 모델링 단계:
입력 설정: 무단횡단자의 현재 위치, 성별, 위협 수준, 차량 존재 여부 등을 입력 레이어로 설정. 다음 1초 후의 위치가 출력 레이어로 설정됨.
Forward Propagation: 입력 데이터를 기반으로 예측된 위치와 실제 위치 간의 차이(비용 함수)를 계산. 비용이 가장 적은 모델을 최적 모델로 선정.
Backward Propagation: 비용 함수 계산 후 경사 하강법을 통해 가중치를 조정하여 비용을 최소화.
예측 및 평가: 학습된 모델을 사용하여 새로운 데이터에 대한 무단횡단자의 위치를 예측하고, 변수 간 상호 관계를 분석.
데이터셋 구성:
총 156명의 무단횡단자(남성 109명, 여성 46명)에 대한 2,504개의 위치 데이터 사용
데이터의 70%는 학습용, 20%는 검증용, 10%는 테스트용으로 나눔
결과적으로, ANN 모델은 무단횡단자의 위치를 정확하게 예측하며, 비선형적인 무단횡단 행동을 분석하는 데 적합함
3-2. Tools used
video data: 고화질 비디오 녹화 장치를 사용하여 무단횡단자의 데이터를 수집
데이터 추출: 무단횡단자의 좌표와 기타 변수는 Traffic Data Extractor 소프트웨어를 사용하여 비디오 데이터에서 추출
ANN 모델 개발: Python 프로그래밍 언어를 사용
Packages Used:
numpy: 과학 계산
pandas: 데이터 프레임 처리
tensorflow, sci-kit learn, keras: ANN 알고리즘 구현
4. Analysis and results
4-1. Speed, flow, and density
성별에 따른 무단횡단 행동 분석 : 남성 무단횡단자는 여성보다 차량과 충돌을 피하기 위해 더 적극적으로 뛰는 경향이 있음. 남성이 여성보다 무단횡단 중에 전화 통화를 더 자주 하는 경향도 나타남.
통계 분석:
전화 사용(p-value: 0.185)과 뛰는 행동(p-value: 0.417)은 성별 간 통계적으로 유의미하지 않음.
그러나 여성은 남성보다 무단횡단 중 충돌 위협에 더 자주 노출(여성: 75.06%, 남성: 66.32%)되며, 이는 성별 간 통계적으로 유의미함(p-value: 0.039). 이는 여성이 남성보다 더 위험한 무단횡단 행동을 보인다는 것을 의미
속도 차이:
남성 무단횡단자의 평균 속도는 2.568 피트/초, 여성은 2.314 피트/초로 남성이 더 빠름
이 속도 차이는 성별에 따라 통계적으로 유의미함(p-value: 0.008)
교차 방향에 따른 속도 차이도 유의미함(p-value: 0.026)
그러나 성별과 교차 방향 간 상호작용 효과는 통계적으로 유의미하지 않음(p-value: 0.913)
차선별 속도 분석:
성별, 교차 방향, 걷기/뛰기 상태에 따른 차선별 무단횡단자의 평균 속도 결과도 제시됨
성별 및 차선별 속도 차이, 중앙선에서 인도방향, 인도에서 중앙선 방향, 속도 차이, 밀도 분석 등 다양한 통계 자료가 제시됨
4-2. Jaywalker trajectory and movement analysis
무단횡단 경로:
무단횡단 경로는 시작, 중간(혼잡), 끝 부분으로 나눌 수 있음.
경로 분석 결과, 무단횡단자는 비슷한 지점에서 출발해 중간에 흩어졌다가 마지막 부분에서 다시 합쳐짐.
'중앙선에서 인도'로 이동하는 경로는 보행자들이 육교 쪽으로 가까워지는 경향을 보임.
'인도에서 중앙선'으로 이동하는 경로는 육교에서 더 멀어지는 경향이 있음.
성별 차이:
여성은 남성보다 더 무리를 지어 무단횡단하는 경향이 강하며, 남성이 있을 경우 그들을 따라가는 모습을 보임.
안전한 경로 회피:
비디오 데이터를 통해 남성과 여성이 육교를 이용할 신체적 장애가 없음에도 불구하고, 안전한 육교 대신 위험한 무단횡단을 선택하는 경향이 있음
4-3. Artificial neural networt model results
모델 최적화:
여러 ANN 구조를 실험해 최적의 input 및 hidden node 구성을 찾아 무단횡단자의 이동을 예측
성능 기준으로 결정계수(R²)와 평균 제곱 오차(MSE)를 사용
R²값이 클수록 모델 적합도 ↑
mse 값이 낮을 수록 모델 예측 정확도 ↑
최적의 ANN 모델
실험 결과, 가장 잘 수행된 ANN 모델은 R²값이 0.66이고, mse는 약 37로 나타남
10개의 hidden node를 사용한 모델이 성능이 가장 우수함을 확인
민감도 분석
최적 ANN 구조로는 9-10-1 model
주요 입력 변수 : t-1초의 무단횡단자 위치 (X1), 성별(X2), 이동 방향(X3), 휴대폰 사용(X4), 차선 번호(X5), 기존 위협(X9), 다음 단계 위협(X10), 후방 위협(X11), 상태(X12)
무단횡단에 영향을 미치지 않는 변수 : 교차 단계(X6), 앞/뒤 차량 존재 여부(X7, X8)
5. Discussion
이 연구는 무단횡단 예측 모델을 개발하는 데 유용한 초기 연구로, 자율주행차 시스템 개발에도 적용될 수 있다.
ANN 모델 결과:
ANN 모델을 통해 무단횡단자의 다음 순간 위치를 예측했으며, 무단횡단자의 현재 위치, 성별, 이동 방향, 차선 번호 등이 주요 예측 요인으로 나타났다.
교차 단계, 앞/뒤 차량의 존재는 예측에 큰 영향을 미치지 않는 것으로 나타났다.
6. Conclusions
이 연구는 인공 신경망(ANN)을 사용해 무단횡단 보행자의 즉각적인 이동을 예측하는 모델을 제시하며, 속도, 흐름, 밀도 등의 미시적 변수도 분석함
연구 지역: 무단횡단이 빈번한 방글라데시 다카
주요 결과: 남성의 평균 속도가 여성보다 빠르며, 여성은 차량과의 근접 사고가 더 자주 발생함. 여성은 그룹 행동을 더 많이 보이지만, 남성보다 휴대폰 사용 빈도가 낮음. 전체적으로 보행자는 횡단 막바지에 뛰는 경향이 있음
ANN 모델: 최적의 ANN 구조는 9-10-1( 9 input nodes, 10 hidden nodes, 1 outputnode)로, 보행자의 위치를 정확하게 예측. stage of crossing(보행자가 길을 건널 때의 진행 상태 - 보행자가 길을 건너기 시작한 초기/중간/거의 다 건넜을 때), 앞뒤 차량의 존재 여부는 무단횡단 위치 예측에 큰 영향을 미치지 않음
자율주행차, 연결된 차량 시스템에 적용 가능하며, 무단횡단 보행자의 안전을 고려한 도구 개발에 도움이 될 수 있음
