[논문 리뷰] Recent Advances in Traffic Accident Analysis and Prediction: A Comprehensive Review of Machine Learning Techniques

Noushin Behboudi, Sobhan Moosavi외 1명|arXiv (Cornell University)|2024. 06. 20.

Traffic Prediction and Management Techniques인용 수 9

한 줄 요약

이 논문은 교통사고 분석 및 예측에 대한 ML 기반 연구 191편(2019–2024)을 검토하며 위험, 빈도, 심각도, 지속시간 및 통계 분석을 다룹니다.

ABSTRACT

Traffic accidents pose a severe global public health issue, leading to 1.19 million fatalities annually, with the greatest impact on individuals aged 5 to 29 years old. This paper addresses the critical need for advanced predictive methods in road safety by conducting a comprehensive review of recent advancements in applying machine learning (ML) techniques to traffic accident analysis and prediction. It examines 191 studies from the last five years, focusing on predicting accident risk, frequency, severity, duration, as well as general statistical analysis of accident data. To our knowledge, this study is the first to provide such a comprehensive review, covering the state-of-the-art across a wide range of domains related to accident analysis and prediction. The review highlights the effectiveness of integrating diverse data sources and advanced ML techniques to improve prediction accuracy and handle the complexities of traffic data. By mapping the current landscape and identifying gaps in the literature, this study aims to guide future research towards significantly reducing traffic-related deaths and injuries by 2030, aligning with the World Health Organization (WHO) targets.

연구 동기 및 목표

• ML 기반 교통사고 분석 및 예측의 최신 연구동향을 평가한다.
• 연구를 사고 위험, 빈도, 심각도, 지속시간 및 통계 분석의 다섯 범주로 분류한다.
• 향후 연구를 안내하기 위한 데이터 소스, 방법론적 경향성 및 격차를 식별한다.
• 지리적 분포와 데이터 소스 분포를 도표화하여 데이터 가용성과 이전가능성을 강조한다.
• 2030년까지 WHO 도로 안전 목표에 연구를 맞추기 위한 권고를 제공한다.

제안 방법

• Google Scholar, ScienceDirect, IEEE Xplore, SpringerLink, and Scopus에서 체계적 문헌 수집(2019–2024).
• ML 기반 사고 분석 작업에 초점을 맞춰 191편의 관련 연구로 선별 및 필터링한다.
• 연구를 다섯 가지 범주로 분류한다: 위험, 빈도, 심각도, 지속시간, 그리고 통계 분석.
• 데이터 소스, 모델 유형(전통적 ML 및 딥 러닝), 그리고 성능 고려사항을 합성한다.
• 방법의 강점, 약점 및 이전가능성을 논의하고 향후 연구 방향을 제시한다.

Figure 1 : An overview of global road traffic accident fatalities (2010 - 2023) according to the WHO reports ( [ 2 , 3 , 4 , 5 , 6 , 1 ] )

실험 결과

연구 질문

• RQ1 지난 5년간 사고 위험, 빈도, 심각도 및 지속시간 예측에 사용된 주요 ML 기법은 무엇인가?
• RQ2 데이터 소스와 모델 선택이 지역 간 예측 정확도와 이전가능성에 어떤 영향을 미치는가?
• RQ3 현 ML approaches for traff ic accident analysis에서 어떤 격차가 있으며 도로 안전 결과를 개선하기 위한 권고 방향은 무엇인가?
• RQ4 통계적 모델링과 ML 방법이 사고 데이터 패턴 이해에 어떻게 서로 보완하는가?

주요 결과

• 대부분의 연구가 기계 학습에 의존하고 있으며, 딥 러닝이 최첨단 추세로 근접하고 있다.
• 여러 출처로부터의 데이터 통합이 예측 성능 향상의 핵심 요인이다.
• 공공 데이터 이용 가능성(US, China, UK, India)이 전 세계 사고 발생률보다 지리적 초점을 형성한다.
• 위험, 빈도, 심각도, 지속시간에 대해 ML 방법은 성능 향상을 보여주지만 데이터 불균형 및 이전가능성 같은 문제에 직면한다.
• 본 검토는 2030년까지 WHO 도로 안전 목표를 향한 향후 연구에 실행 가능한 권고를 제시한다.

Figure 2 : Our Process to Collect and Summarize Relevant Research Articles