무인교통단속장비의 성능 예측모형을 활용한 운영 효율화 방안 연구
Enhancing the Operational Efficiency of Automated Traffic Enforcement Systems Using Performance Prediction Models
- 주제(키워드) 무인교통단속장비 , XGBoost , SHAP , VLM , 운영 효율화
- 주제(DDC) 629.04
- 발행기관 아주대학교 일반대학원
- 지도교수 윤일수
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 박사
- 학과 및 전공 일반대학원 교통공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036407
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구는 무인교통단속장비 설치 이후 별도의 운영평가 체계가 부재한 기존 무인교통단속장비 관리 방식의 한계를 극복하고자 수행되었다. 이를 위해 교차로에 설치된 신호 및 과속 단속장비를 대상으로 관측 성과와 교통사고 데이터, 그리고 도로환경 특성을 고려한 데이터 기반의 운영상태 진단 체계 및 효율화 방안을 제안하였다. 주요 연구 결과는 다음과 같다. 첫째, 기존 정형 행정자료의 설명력 한계를 극복하기 위해 스트리트뷰 이미지와 VLM을 결합하여 가드레일, 보행자 펜스 등 기존 정량 자료로 포착하기 어려웠던 27개의 비정형 도로환경 변수를 추출 하고 데이터셋을 구성하였다. 이를 통해 동일한 정형 데이터 조건 하에서도 상이하게 나타나는 장비의 운영 상태와 실질적 안전 수준의 차이를 정교하게 해석할 수 있는 분석적 기반을 마련하였다. 둘째, 설명가능 인공지능（SHAP） 분석을 통해 단속건수 결정요인의 시계열적 전환 임계점과 공간적 영향 구조를 규명하였다. 특히 장비 운영경과월수의 기여 구조를 종단적으로 추적한 결과, 설치 초기 18개월 미만 구간의 양（+）의 기여가 18개월을 기점으로 음（-）의 방향으로 전환되며 36개월 이후 감소 효과가 심화되는 비선형 전환 특성을 포착하였다. 이는 시간 경과에 따른 운전자의 적응 및 학습효과로 인해 단속 수요가 구조적으로 하향 안정화되는 과학적 임계 구간의 존재를 실증한다. 셋째, 단속효율과 교통사고 여부를 입체적으로 결합한 4사분면 운영상태 진단 체계를 구축하여 장비의 운영그룹별 특성을 파악하고, 각 공간적 맥락에 부합하는 교차로 맞춤형 교통안전 관리 지침과 운영 효율화 전략을 도출하였다. 주제어 : 무인교통단속장비, XGBoost, SHAP, VLM, 운영 효율화
more초록/요약
This study proposes a data-driven operational status diagnostic framework and efficiency strategies for intersection multi-functional traffic enforcement cameras to overcome the lack of post-installation evaluation. By integrating enforcement records, accident data, and road environments, it addresses the limitations of conventional passive management. The major findings are as follows: First, by combining street-view imagery with a Vision-Language Model （VLM）, this study extracted 27 unstructured environmental variables （e.g., guardrails, pedestrian fences）, establishing an analytical foundation to interpret varying safety and operational levels under identical structured conditions. Second, Explainable AI （SHAP） analysis revealed that the positive （+） contribution of operating months shifts to a negative （-） direction at the 18-month threshold, and intensifies after 36 months, proving a scientific threshold of driver learning effects over time. Third, a four-quadrant diagnostic framework coupling enforcement efficiency and accident occurrence was constructed, successfully deriving intersection-customized traffic safety guidelines and flexible resource operation strategies tailored to spatial contexts. Keywords: Automated Traffic Enforcement Camera, XGBoost, SHAP, Vision-Language Model （VLM）, Operational Efficiency
more목차
제1장 서론 1
제1절 연구의 배경 및 목적 1
1. 연구의 배경 및 필요성 1
2. 연구의 목적 3
제2절 연구의 범위 및 수행절차 4
1. 연구의 범위 4
2. 연구의 방법 및 수행절차 6
제2장 관련이론 및 선행연구 고찰 8
제1절 무인교통단속장비 개요 8
1. 무인교통단속장비 정의 8
2. 무인교통단속장비 운영현황 9
제2절 단속건수 예측 및 영향요인 분석 방법론 13
1. 전통적 통계모형 13
2. XGBoost（Extreme Gradient Boosting） 16
3. 설명가능한 인공지능 18
4. 비전-언어 모델（VLM） 22
제3절 선행연구 고찰 26
1. 무인교통단속장비의 관련 연구 26
2. 기계학습 기반 교통안전 예측 연구 31
3. VLM 활용연구 33
제4절 시사점 및 연구의 차별성 35
제3장 단속현황 분석 37
제1절 분석대상 개요 37
제2절 단속현황의 시간적 분포 39
제3절 단속현황의 공간적 분포 41
1. 도로유형별 단속현황 41
2. 제한속도별 단속현황 41
3. 보호구역 지정여부별 단속현황 42
4. 차로수별 단속현황 43
제4장 무인교통단속장비 성능 예측모형 개발 45
제1절 성능 예측모형 개발을 위한 분석체계 구축 45
1. 분석자료 구성과 변수체계 설정 46
2. VLM을 활용한 도로환경 변수 추출 49
3. 성능 예측모형 입력변수의 선별 및 확정 56
제2절 예측모형 구축 및 최적모형 선정 59
1. 예측모형 구축 설계 59
2. 모형별 적합성 검토 및 최적모형 선정 62
3. 성능 결정요인 분석 67
4. 최적모형의 시공간적 구조 해석 74
제5장 무인교통단속장비 운영상태 진단과 효율화 전략 79
제1절 운영상태 분석도구 79
1. 운영상태 진단의 기본 관점 79
2. 운영상태 유형 구분을 위한 기준 80
3. 분석대상 장비의 운영상태 분포 82
제2절 운영상태 유형별 특성분석 84
1. 고성능 운영유형의 구분과 해석 84
2. 저성능 운영유형의 구분과 해석 85
3. 각 사분면 유형별 운영 효율화 방향 86
제3절 운영상태별 VLM 기반 도로환경 특성 분석 88
1. 운영경과월수교통량과 도로환경 변수의 연관성 88
2. 운영상태별 도로환경 분석 89
제4절 운영상태 유형별 운영 효율화 전략 93
1. 운영 효율화 전략의 기본방향 93
2. 위험형과 위험잔존형의 관리전략 94
3. 안정형의 관리전략 96
4. 종합 및 시사점 97
제5절 운영 효율화 전략의 실무적 적용 조건 및 한계 99
제6장 결론 101
제1절 결론 및 정책적 제언 101
제2절 연구의 한계 및 향후 연구과제 103
참고문헌 105
Abstract 111
