earticle

영어

The severity of injuries to traffic crash victims varies depending on the type of traffic crash. Therefore, it is necessary to tailor the geometric design of roads and install road features according to the specific type of traffic crash. This study presents a multimodal AI model that can learn structured and image data to classify traffic crash types based on the geometric design of roads. The multimodal model used a custom neural network based on the ReLU function to process structured data, and EfficientNet to process image data. Training results showed that the accuracy of the multimodal model was 60.3% and the F1 Score was 0.604. This is 13.5%p higher than the accuracy of the structured data single-modal model (46.8%) and 12.8%p higher than that of the image data single-modal model (47.5%). It indicates that it is possible to improve the accuracy of the type of traffic crash classification using AI by learning two modalities together. However, three issues are pointed out as limitations of the study. First, Due to the lack of structured data elements input into the model, explanatory power for predicting traffic crash types is insufficient. Second, Despite the theoretical validity of the multimodal model, its performance improvement is not up to par. Third, it is challenging to interpret the functioning of multimodal AI models in the context of transportation studies.

한국어

교통사고 유형에 따라 사고 당사자의 피해 정도에는 큰 차이를 보이므로 사고유형에 적합 한 도로 기하구조의 설계 및 설치가 고려되어야 한다. 본 연구는 도로 기하구조에 따른 교통사 고 유형의 분류를 위해 정형 데이터와 이미지 데이터를 함께 학습할 수 있는 멀티모달 인공지 능 모델을 제시하였다. 멀티모달 모델은 정형 데이터 처리를 위해 ReLU 함수 기반의 맞춤 신 경망을 사용하였고, 이미지 데이터 처리를 위해 EfficientNet을 사용하였다. 학습 결과 멀티모달 모델의 정확도는 60.3%, F1 Score는 0.604로 나타나 정형 데이터 싱글모달 모델의 정확도 46.8%, 이미지 데이터 싱글모달 모델의 정확도 47.5%보다 각각 13.5%p, 12.8%p 높은 것으로 나타났다. 이를 통해 두 가지 모달리티를 함께 학습하여 인공지능을 이용한 교통사고 유형 분 류의 정확도를 높일 수 있다는 것을 보였다. 연구의 한계로 모델에 투입되는 데이터 요소의 부족으로 인해 교통사고 유형 예측을 위한 설명력의 부족, 멀티모달 모델의 이론적 타당성에 도 불구하고 성능개선이 이에 미치지 못하는 점, 멀티모달 인공지능 모델의 작동 방식을 교통 학적으로 해석하기 위해 추가적인 분석의 필요성이 지적된다.