LLM 기반 충돌 기록 분석을 통한 교차로 안전 대책 추천 프레임워크
Crash Narrative-Guided Countermeasure Recommendation Using Large Language Models: A Retrieval-Augmented Generation Framework for Intersection Safety
arXiv충돌 기록(크래시 내러티브)을 활용하여 교차로 안전 대책을 추천하는 RAG 기반 프레임워크를 개발했습니다.
- 이 시스템은 충돌 기록에서 사고 메커니즘 속성(운전자 과실, 차량 움직임 등)을 추출하고, 이를 검증된 안전 대책 데이터베이스와 연결하여 추천합니다.
- 기존의 전문가 판단에 의존하던 교통 안전 분석 과정을 자동화 및 표준화하여, 지자체 및 교통 기관이 대규모로 활용 가능한 해석적 지원 도구를 제공합니다.
- 충돌 기록이 풍부한 지역의 안전 분석에 유용하며, 성공적인 도입을 위해서는 다양한 사고 내러티브 데이터와 공신력 있는 대책 DB 구축이 필수적입니다.
교차로의 안전성 개선은 사고 메커니즘 식별과 적절한 대책 추천이 필수적이지만, 기존에는 전문가의 판단에 의존하여 노동 집약적이고 확장성이 떨어지는 한계가 있었습니다. 본 연구는 충돌 기록(crash narratives)을 활용하는 (RAG) 프레임워크를 제시하며, 서술형으로 존재하는 사고 메커니즘 정보를 안전 분석 과정에서 효과적으로 활용하고자 합니다.
제안된 프레임워크는 충돌 기록으로부터 교통 통제, 신호 표시, 운전자 과실, 차량 움직임 등 핵심 메커니즘 속성을 추출합니다. 이 속성들을 FHWA의 검증된 안전 대책(Proven Safety Countermeasures) 및 CMF Clearinghouse와 같은 데이터베이스에 있는 증거 기반 대책과 연결하여, 이 도메인 일관성이 유지되는 의사결정 과정을 거쳐 현장 맞춤형 대책을 추천하도록 설계되었습니다.
플로리다주 레이크 및 섬터 카운티의 115개 교차로에서 발생한 312건의 치명적 또는 중상해 사고 데이터를 대상으로 평가를 진행했습니다. 다섯 번의 폴드 교차 검증(five-fold cross-validation) 결과, 이 프레임워크는 정밀도(precision) 0.82, 재현율(recall) 0.85, F1-점수 0.82를 달성했습니다. 또한 평균적으로 3.91개의 대책을 추천했으며, 이는 실제 평균치인 3.86과 근접한 수치입니다.
용어 풀이
- 검색 증강 생성
- 답하기 전에 관련 문서를 찾아 그 내용을 근거로 답하게 하는 방법.
- LLM
- 방대한 글을 학습해 문장을 이해하고 만들어 내는 AI 모델. ChatGPT, Claude, Gemini가 여기에 속해요.