사고 다발 지역의 발생 및 진화 예측: 사전 교통 안전을 위한 통합 심층 학습 프레임워크

Forecasting the Emergence and Evolution of Crash Hotspots: A Unified Deep Learning Framework for Proactive Traffic Safety

교통 사고는 전 세계적으로 공공 안전에 대한 가장 심각한 위협 중 하나이며, 이를 예방하는 것은 모든 교통 시스템의 중요한 과제입니다. 많은 피해가 특정 지역에서 집중적으로 발생하지만, 이러한 '사고 다발 지역'은 단순히 특정 장소를 의미하기보다는 일시적인 현상입니다. 이는 교차로나 주요 도로 구간에서 조용히 시작되어 몇 주 동안 심화된 후 사라지다가 다른 곳에 다시 나타납니다. 과거 사고 지도를 기반으로 한 단속은 이러한 주기를 따라잡기 어려우며, 어제 발생한 사고 다발 지역을 순찰하는 동안 내일 발생할 사고 다발 지역은 방치될 수 있습니다. 이러한 문제를 해결하기 위해서는 세 가지 능력이 동시에 필요합니다. 즉, 사고 다발 지역이 발생하는 시점을 감지하고, 다음 주에 어디에 발생할지를 예측하며, 각 사고 다발 지역의 전체 생애 과정을 추적해야 합니다. 본 논문에서는 'HERALD (Hotspot Emergence, Risk Anticipation, and Life-cycle Dynamics)'라는 통합 심층 학습 프레임워크를 소개합니다. HERALD는 단일 모델을 통해 이러한 세 가지 기능을 모두 제공하며, 각 지역의 최근 사고 이력을 주간 위험 지도 형태로 변환하고 CNN-Transformer를 사용하여 다음 주에 발생할 위치를 예측합니다. 이 모델은 고밀도 도시 지역과 저밀도 농촌 지역 모두에 적용될 수 있도록 설계되었습니다. 각 예측은 해당 지역의 장기적인 사고 발생 패턴을 기반으로 하며, 최근 사고의 자기 흥분 효과에 의해 더욱 정교화됩니다. 또한, 새로운 사고 다발 지역이 발생할 가능성이 있는 곳에 대한 명확한 경고를 제공합니다. 시간이 지남에 따라 각 사고 다발 지역은 탄생부터 성장 및 안정 단계를 거쳐 쇠퇴하고 소멸되는 과정을 보여주는 가독성 높은 생애 이야기를 형성합니다. 6개의 서로 다른 위스콘신 주 카운티에서 HERALD는 동일하게 학습된 기준 모델보다 더 정확한 예측을 제공하며, 사고 다발 지역을 가장 정확하게 식별하고, 위험이 현실화되기 전에 이를 감지합니다. 또한, 필요에 따라 정확도와 민감도를 조절할 수 있는 단일 설정 기능을 제공합니다. 결과적으로 HERALD는 사고 다발 지역 관리를 과거의 지도를 기반으로 하는 것에서 미래를 예측하는 것으로 전환하는 데 기여합니다.

Road crashes remain among the gravest threats to public safety, and preventing them is a defining task of transportation systems worldwide. Much of that harm concentrates at hotspots, yet a hotspot is less a place than an episode; it emerges quietly at an intersection or along an arterial, intensifies for weeks, then subsides, only to reappear elsewhere. Enforcement guided by maps of past crashes inevitably trails this cycle, patrolling yesterday's hotspots while tomorrow's form unwatched. Breaking that lag requires three capabilities at once: detecting hotspots as they are born, forecasting where they will sit next week, and following each one through its life. We introduce HERALD (Hotspot Emergence, Risk Anticipation, and Life-cycle Dynamics), a unified deep learning framework that provides all three from a single statewide model. HERALD distills each county's recent crash history into weekly risk maps and forecasts the next with a CNN--Transformer, whose mixture-of-experts lets one model serve dense urban cores and sparse rural corridors alike. Each forecast is anchored in the county's long-run crash geography, sharpened by the self-exciting effect of recent crashes, and paired with explicit warnings of where new hotspots are about to appear. Followed over time, every hotspot acquires a legible life story, from birth through growth and stability to decline and death. Across six heterogeneous Wisconsin counties, HERALD forecasts more accurately than five identically trained baselines, locates hotspots most precisely, and flags emerging risks before they take hold. A single adjustable setting trades accuracy for extra sensitivity where deployment demands it. The result shifts hotspot management from mapping the past to anticipating the future.