Traffic Accident Risk Modeling (Zero-Inflated Approach)

교통사고 위험도 모델링 (Zero-Inflated 모델 기반)

Applied statistical modeling for real-world traffic accident analysis using Zero-Inflated count models.

Zero-Inflated 계수형 통계 모델을 활용한 실제 교통사고 데이터 기반 위험도 분석 프로젝트입니다.

---

🚀 Project Overview | 프로젝트 개요

This repository implements a Zero-Inflated modeling framework to analyze accident frequency and severity in transportation networks.

본 레포지토리는 교통망 내 사고 발생 빈도 및 심각도를 분석하기 위한 Zero-Inflated 모델링 프레임워크를 구현합니다.

It is designed for:

• Traffic safety policy analysis
• Risk hotspot identification
• Mobility service planning

적용 목적:

• 교통안전 정책 수립 지원
• 사고 다발 구간 도출
• 모빌리티 서비스 운영 전략 수립

---

⚙️ Why Zero-Inflated? | Zero-Inflated 모델을 사용하는 이유

Traffic accident data typically contains excess zeros (many locations with no accidents).

교통사고 데이터는 사고가 발생하지 않은 지점이 많아 과잉 0 (excess zero) 특성을 가집니다.

Zero-Inflated models:

• Separate structural zeros from sampling zeros
• Improve model fit for sparse count data
• Provide interpretable risk estimation

Zero-Inflated 모델은:

• 구조적 0과 확률적 0을 분리
• 희소 계수 데이터 적합도 개선
• 해석 가능한 위험도 추정 가능

---

📊 Core Methodology | 주요 분석 방법

1. Data preprocessing & feature engineering

2. Count distribution diagnostics

3. Zero-Inflated Poisson / Negative Binomial modeling

4. Model comparison & validation

5. Risk zone visualization

6. 데이터 전처리 및 변수 설계

7. 분포 진단

8. ZIP / ZINB 모델 구축

9. 모델 비교 및 검증

10. 위험 지역 시각화

---

📈 Key Outputs | 주요 산출물

• Accident frequency prediction

• High-risk spatial clusters

• Policy-supportive interpretability

• 사고 발생 확률 예측

• 고위험 공간 군집 도출

• 정책 적용 가능한 해석 결과

---

🧠 Business Relevance | 사업적 활용성

This project demonstrates the ability to:

• Apply advanced statistical models to transportation data
• Translate model outputs into actionable mobility insights
• Support public-sector & mobility platform decisions

본 프로젝트는 다음 역량을 증명합니다:

• 교통 데이터에 대한 고급 통계 모델 적용 능력
• 분석 결과를 실무 의사결정 인사이트로 전환
• 공공 및 모빌리티 플랫폼 의사결정 지원 가능

공개용 정리 기준

• 원본 데이터 파일(엑셀), 노트북 출력, 문서 초안(.docx), 압축본(.zip)은 기본적으로 Git 추적에서 제외합니다.
• 실행 가능한 코드와 연구 결과 요약, 결과 CSV만 공개 대상으로 유지합니다.

폴더 구조

.
├─ train_model.py
├─ requirements.txt
├─ .env.example
├─ results/
│  ├─ feature_importance_VERSION1.csv
│  └─ feature_importance_VERSION2.csv
├─ docs/
│  └─ research_summary.md
├─ data/
│  └─ README.md
└─ .gitignore

실행 방법

1. 학습 실행

python train_model.py --data-path "<your_excel_path>" --output-dir results

또는 .env.example을 참고하여 DATA_FILE 환경변수로 경로를 전달할 수 있습니다.

선택 옵션:

• --versions VERSION1 VERSION2
• --epochs 500
• --learning-rate 0.001

핵심 결과(요약)

• Version1 상위 변수: 연속주행시간, 통행속도, 2시간 이상 주행차량 대수
• Version2 상위 변수: 톨게이트(개수), 통행속도, 차로수
• Is_After 중요도는 두 버전 모두 낮거나 음수로 나타나, 설치 전후 구분 변수 자체보다 도로/통행 특성 변수가 상대적으로 더 크게 작용했습니다.

자세한 내용은 docs/research_summary.md를 참고하세요.

---

English

This project trains a Zero-Inflated Negative Binomial (ZINB) deep learning model on traffic accident count data before and after drowsy rest area installation, and analyzes influential variables using permutation importance.

Public Release Scope

• Raw data files (Excel), notebook outputs, draft documents (.docx), and archives (.zip) are excluded from Git tracking by default.
• Only executable code, research summary documents, and curated result CSV files are included for public release.

Folder Structure

.
├─ train_model.py
├─ requirements.txt
├─ .env.example
├─ results/
│  ├─ feature_importance_VERSION1.csv
│  └─ feature_importance_VERSION2.csv
├─ docs/
│  └─ research_summary.md
├─ data/
│  └─ README.md
└─ .gitignore

How to Run

1. Run training

python train_model.py --data-path "<your_excel_path>" --output-dir results

You can also provide the data path via the DATA_FILE environment variable (see .env.example).

Optional arguments:

• --versions VERSION1 VERSION2
• --epochs 500
• --learning-rate 0.001

Key Results (Summary)

• Top variables in Version1: Continuous Driving Time, Travel Speed, Number of Vehicles Driving Over 2 Hours
• Top variables in Version2: Toll Gates (Count), Travel Speed, Number of Lanes
• Is_After importance is low or negative in both versions, suggesting road/traffic features contributed more strongly than the before/after indicator itself.

For details, see docs/research_summary.md.