차량 속도 관리는 충돌 위험과 충돌 심각도를 줄이는 데 핵심적이다. 대한민국의 ‘Safety Speed 5030’ 정책은 도로 안전 강화를 위해 도시부의 제한속도를 낮추었지만, 제한속도 인하만으로는 운전자 행동을 변화시키기에 충분하지 않을 수 있다. 본 논문은 제한속도 외의 공간적 및 환경적 요인이 운전자의 속도 선택에 어떻게 영향을 미치는지 분석한다. 제주도 C-ITS 데이터셋의 점 단위 속도 데이터를 GIS 정보와 결합하여, 과속 정도의 공간적 의존성을 포착하기 위해 공간계량기법을 적용하였다. 분석 결과, 공간지연모형(SLM)이 일반최소제곱(OLS)과 공간오차모형(SEM)보다 성능이 우수하여 더 높은 설명력을 제공하고 보다 일관된 모수 추정치를 산출하는 것으로 나타났다. 운전자의 속도 선택에 영향을 미치는 주요 요인으로는 도로 기하구조(예: 곡률, 차로 수), 노드 수준 특성(예: 교차로, 구간 특성 변화 지점), 그리고 단속 조치의 존재가 포함된다. 본 연구의 결과는 제한속도 인하만으로는 이에 상응하는 차량 속도의 감소를 보장하지 못할 수 있음을 시사한다. 이는 지속가능한 교통안전을 위해 규제뿐 아니라 공간적·환경적 맥락에 대한 세심한 고려가 필요함을 뒷받침한다.

본 연구는 도시의 구성, 즉 공간적 배치 및 조성 환경의 특성, 특히 고층과 저층 환경 간의 대비가 길찾기 성향에 어떠한 영향을 미치는지 규명하고자 한다. 전역 랜드마크(global landmarks)가 인지 부하를 감소시켜 길찾기를 향상시킨다는 Credé와 Fabrikant [Let’s put the skyscrapers on the display—decoupling spatial learning from working memory. In: Freksa C, Winter S (eds) Proceedings of workshops and posters at the 13th international conference on spatial information theory (COSIT 2017). Springer, Cham, pp 163–170, 2018]의 주장을 바탕으로, 본 연구는 랜드마크가 도시 구성과 어떻게 상호작용하여 개인의 길찾기에 영향을 주는지 탐색한다. 비디오 게임 Grand Theft Auto V에서 가상 환경 구성 3가지를 사용하여, 50명의 참여자의 길찾기 수행을 평가하였다. 결과는 네 가지의 유의미한 발견을 제시한다. 첫째, 고층 환경은 길찾기에 대해 도시 이미지 요소와 도시 설계의 질(qualities)의 지각 및 중요성을 유의하게 증가시킨다. 둘째, 분산분석 결과 고층 환경과 저층 환경 간의 길찾기 시간에서 통계적으로 유의미한 차이가 확인되었으며, 이는 내비게이션 효율을 좌우하는 데 있어 도시 구성의 핵심적 역할을 보여준다. 셋째, 다중회귀분석은 개인의 길찾기 시간과 경로 지식이 향상되는 정도가 고층 환경에서 더 뚜렷함을 입증하였다. 넷째, 경로를 따라가는 행동(route-following behavior)은 구성에 따라 현저하게 달라지며, 이는 도시 이미지 요소에 대한 지각의 차이를 부각한다. 종합하면, 본 연구의 결과는 도시 구성, 이미지 요소, 도시 설계의 질이 길찾기에 미치는 영향에 관한 유용한 통찰을 제공하며, 내비게이션 효율과 사용자 경험을 향상시키는 보다 직관적인 도시 공간의 개발에 기여한다.

본 논문은 허리케인에 취약한 텍사스주 휴스턴의 해안 지역에서 출발 시각과 목적지 선택이 상호 의존적으로 연관된 대피 의사결정을 대상으로, 미시시뮬레이션 분석을 수행한다. 누적 전망 이론(Cumulative Prospect Theory, CPT)을 활용하여 두 가지 주요 행동 유형이 확인되었다: 위험을 의식하는 위험-주의형 및 시간에 신중한 시간-신중형 대피자이다. 위험-주의형 대피자는 주로 이른 시각에 출발하여 출발이 군집화되는 경향을 보인 반면, 시간-신중형 대피자는 출발 패턴이 더 고르게 분포되는 양상을 나타냈는데, 이는 배정된 6시간의 창 마지막 구간에서의 도착 지연을 피하기 위한 것으로 추정된다. 시간-신중형 대피는 Galveston Island와 같은 고위험 해안 구역에 거주하는 주민들의 이른 출발을 강조하며, 이들을 더 안전한 내륙 대피 거점으로 유도하였다. 반면 위험-주의형 대피자는 장거리 이동을 회피하기 위해 상대적으로 더 가까운 목적지를 선택하는 경향이 있었고, 그 결과 더 긴 이동시간을 경험했으나, 이른 출발로 인해 목적지에 더 일찍 도착하는 것으로 나타났다. 흥미롭게도 두 행동 유형을 동일 비율로 혼합한 혼합 시나리오에서는 최적의 교통 결과가 도출되었으며, 이는 행동의 다양성이 가져올 수 있는 잠재적 이점을 시사한다. CPT와 다항 로짓(multinomial logit, MNL) 모형의 결과를 비교한 결과, MNL 모형은 출발 시각의 더 넓은 분산을 초래하고 교통 조건을 악화시키는 것으로 나타났다. 주목할 만한 관찰로는 시간-신중형 MNL 구성에서 단계적(엇갈린) 대피 전략이 결여되어 있었다는 점이다. 그러나 본 결과는 시뮬레이션 데이터에 기반하였으므로, 실제 대피 데이터를 통해 추가적인 검증이 필요하다.

본 논문은 차량과 보행자의 미래 위치를 예측하기 위해 설계된 물리 기반 신경망(physics-informed neural network, PINN)을 제시하며, 이는 도로 안전 위험에 대한 핵심적인 통찰을 제공한다. 제안된 모델은 도로 이용자의 잠재적 궤적을 예측함으로써 사고를 예방하기 위한 선제적 전략에 정보를 제공한다. 물리 모델에는 차량에 대해 지능형 운전자 모델(intelligent driver model)이 포함되고, 보행자에 대해서는 사회적 힘 모델(social force model)이 포함된다. 위험 평가는 확률적 예측의 특성을 고려하여, 2차원 개방 공간에서의 기대 분포(expected distribution)를 기반으로 미래 위치를 확률적으로 예측함으로써 다룬다. 본 프레임워크는 2~4초 시간 범위 내에서 차량과 보행자의 미래 위치를 예측하여 위험을 정확하게 평가하며, 약 2%의 오차율을 보였다. 제안된 프레임워크의 위험 평가 성능은 차량과 보행자 간 충돌 시간(time to collision, TTC)을 계산하고 교통 갈등을 분석함으로써 검증되었다. 확률적 예측을 활용하여 TTC는 몬테카를로 시뮬레이션(Monte Carlo simulations)과 콜모고로프–스미르노프 검정(Kolmogorov–Smirnov test)을 통해 확률적으로 평가되었으며, 이를 통해 보다 세분화되고 효과적인 교통 갈등 분석이 가능해졌다. 개발된 방법은 3초 이내에 발생하는 잠재적으로 위험한 사건을 평가할 때 95%를 초과하는 정확도를 보였고, 도로 안전을 향상시키기 위한 실행 가능한 통찰을 제공한다. 또한 본 프레임워크는 실제 환경에 배치되어 신뢰할 수 있고 견고한 시험 결과를 입증하였다. 이러한 포괄적 접근은 교차로와 도로에서 보다 효과적인 위험 평가 및 완화를 위한 길을 열 것으로 기대된다.