교통 안전 관리는 오랫동안 사고 발생 후 기록을 분석하는 사후 대응 방식에 머물러 있었습니다. 하지만 호주 시드니 연구진은 이러한 한계를 극복하기 위해 연결 차량(Connected Vehicle)에서 수집되는 텔레매트리 데이터를 활용, 사고가 발생하기 전에 위험 운전이 잦은 지역을 예측하는 새로운 접근 방식을 제시했습니다. 이는 사망이나 부상으로 이어지기 전에 고위험 지역과 위험 운전 행동을 선제적으로 식별하는 중요한 진전입니다.
연구팀은 시드니 광역권의 연결 차량 데이터를 분석하여 급제동(0.6g 초과), 급회전(0.47g 초과), 급가속(0.5g 초과) 등 G-포스(g-force) 임계값을 기준으로 위험 운전을 정의했습니다. 이 데이터를 바탕으로 시공간적 히트맵을 구축, 고위험 지역을 식별했습니다. 예측 모델로는 앙상블 학습(랜덤 포레스트, XGBoost, LightGBM), 딥러닝(LSTM, N-BEATS), 고전적 시계열 방법(ARIMA, 지수 평활, Prophet) 등 8가지 모델을 비교했으며, 그 결과 ARIMA 모델이 가장 낮은 평균 절대 오차(MAE: 162.21)를 기록하며 LSTM과 비슷한 성능을 보였습니다. 이는 훈련 데이터 양이 제한적일 때도 간결한 시계열 모델이 딥러닝 방식에 필적할 만한 경쟁력을 가질 수 있음을 시사합니다.
이번 연구는 사물 인터넷(IoT) 기반의 연결 차량 데이터가 선제적인 도로 안전 개입에 얼마나 큰 잠재력을 가지고 있는지 보여줍니다. 특히 시드니의 CBD, 파라마타, 뱅크스타운 등 도심 및 서부 지역이 지속적인 고위험 지역으로 지목되어, 해당 지역에 대한 맞춤형 정책 조치가 필요함을 강조합니다. 이러한 선제적 접근 방식은 기존의 사고 기록 분석을 넘어, 실시간 데이터 기반의 지능형 교통 시스템 구축을 통해 인명 피해를 줄이고 교통 효율성을 높이는 데 크게 기여할 것으로 기대됩니다.