Tesla 식 Fleet → 데이터 → 정책

도로의 실제 위험을 데이터로 보여주고, 정책 결정을 지원합니다

AuraView 폰들은 shadow mode로 익명 위험 이벤트를 수집합니다. 서버는 k≥5 익명 결합으로 통계 처리하고, 시·구·도로 단위로 집계합니다. 이 대시보드는 지자체·국토부 정책 담당자에게 "어디"에 스쿨존을 추가하고 "언제" 단속을 강화할지 데이터 기반으로 제안합니다.

SYSTEM LIVE: ⏳ FUSION ⏳ POLICY ⏳ INTERSECTION ⏳ SCORECARD SCHEMA: ...
STEP 1
📡
수집 (Fleet)
N대 폰 shadow mode
STEP 2
🔐
가명·집계
k≥5 익명 결합
STEP 3
📊
통계분석
시간·공간 클러스터
STEP 4
정책 의사결정
근거 기반 제안
90일 수집 폰 (Fleet)
1,247
↑ 142 (+12.8%)
위험 이벤트 (집계)
38,914
평균 31건/대/90일
고위험 그리드
218
k≥5 통과 후
정책 제안 (활성)
17
기대 사고감소 -23%
신뢰구간 평균
95%
±0.07 CI half-width

공간 위험 히트맵 (90일 집계 · Seoul) 100m 그리드 · k≥5 적용

0.91 0.84 0.79 학동초 청운초 위험 점수 (위험 → 안전) 0.9 0.1 SEOUL · 100m grid · n = 38,914 events
안전
위험

시간대 × 요일 위험 분포 (heatmap) 평균 위험점수 · 90일

0003 0609 1215 1821
평일 07-09시 등교 / 17-19시 퇴근 시간대 + 금요일 야간이 가장 위험. 토·일은 야간이 평일 아침보다 높음 (음주·과속 영향 추정).

위험 상위 10개 교차로 신뢰구간 95% · GET /policy/stats

참고: 아래 risk 점수는 장기 정책 위험 지수 (TAAS 사고통계 + 정책 가중 + 시간대 가중). 클릭 시 열리는 실시간 기여도 분해 의 fusion_risk_score 와는 별개 — 분 단위 환경 risk 라서 평소엔 LOW 가 정상.
⏳ /policy/stats 페치 중…

데이터 기반 정책 제안 기대 사고감소 · GET /policy/stats

⏳ /policy/stats 페치 중…
이 모든 통계는 25종 공공데이터 융합 결과 → — / 25 · live / stub 25 소스 라이브 grid →
모든 데이터는 가명·집계 처리됩니다. 개별 트립 / GPS 좌표 / 차량번호 / 얼굴은 단말 외부로 절대 송출되지 않습니다. 100m 그리드 셀로 양자화 후, k≥5 익명 결합 조건 충족 시에만 통계에 포함됩니다. 자세한 처리 방식은 /privacy/ 라이브 PII 파이프라인에서 검증 가능합니다.
AuraView K-Perception · 정책의사결정 대시보드 v1 · schema fusion.v11-2026.05.25-25src
⭐ 평가 5종 라이브 증빙 · 교차로 융합 샘플 · GitHub