📋 한 줄 요약
**[교통/CV 응용]** 기존 CCTV에 딥러닝과 원근 기반 속도 추정을 결합한 분석 프레임워크로 미니애폴리스의 임시 보행자 보호 시설(soft infrastructure) 효과를 측정하여, 차량 평균 속도가 최대 약 20% 감소함을 보고한다.
🎯 핵심 기여도
- 기존 CCTV 인프라 위에서 작동하는 AI 기반 교통 분석 프레임워크 제안 — 별도 센서 설치 불필요
- 딥러닝 기반 차량 검출·추적과 원근(perspective) 기반 속도 추정의 결합
- 임시 보행자 피난처·연석 확장(curb extension) 등 soft intervention의 전·후 효과를 1주·2주차 반복 측정으로 검증
- 비신호 교차로에서 평균 속도 -18.75%, 85th percentile -16.56%, 통과 교통량 -12.2% 같은 정량 효과 입증
💡 핵심 아이디어
도시 교통 정책의 효과 검증은 보통 비싸고 느리다. 이미 깔려 있는 CCTV에 컴퓨터 비전과 원근 기반 속도 추정을 더하면, 빠르고 저비용으로 증거 기반 정책 평가가 가능하다.
🔬 기술적 접근법
- **모델/방법론**: Figure 1의 AI 기반 분석 파이프라인 — 검출 & 추적 → 전처리 → 원근 기반 속도 추정 → 정책 효과 분석
- **핵심 기법**: Figure 2처럼 9개 위치의 시설 변경 전·후 시각화, Figure 4(비신호 3개)·Figure 6(신호 6개)에서 속도 분포를 직접 비교
📊 주요 결과
- 비신호 교차로: 평균 속도 -18.75%, 85th percentile -16.56%, 통과 교통량 -12.2%
- 신호 교차로: 평균 속도 -20.0%, 85th percentile -17.19% (1개 위치 제외 일관된 감소)
- Figure 5: 한 위치 외에는 신호·비신호 모두에서 속도 감소 효과가 유지되어 soft intervention의 traffic-calming 효과 확인
💭 의의 및 한계
**의의**: 기존 인프라만으로도 도시 교통 정책의 효과를 빠르게 정량 평가할 수 있는 실용 사례. **한계**: 미니애폴리스 9개 교차로에 한정된 결과이며, 날씨·계절·운전자 적응 등의 장기 효과는 추가 연구가 필요하다.
🚀 실용적 활용
- 시·도 단위 교통 정책 시범 사업의 사전·사후 평가
- 보행자 안전 시설 설치 우선순위 결정
- 보험·도시 안전 분석을 위한 CCTV 기반 속도·사고 위험 모니터링