차선 변경 예측 (Lane-change prediction)은 지능형 차량에서 핵심적인 과업이며, 조기 기동 예측은 더 안전한 의사결정을 지원할 수 있습니다. 그러나 기존의 많은 접근 방식은 관찰된 주행 변수와 미래 기동 사이의 통계적 연관성 (statistical associations)을 주로 학습하는 반면, 입력 변수들 자체 사이의 인과적 의존성 (causal dependencies)은 간과하고 있습니다. 이는 종방향 간격 (longitudinal gap), 상대 종방향 속도 (relative longitudinal velocity), 충돌 시간 (Time-To-Collision, TTC)과 같이 물리적으로 연관된 변수들이 독립적인 평면 입력 (independent flat inputs)으로 취급될 때 해석 가능성 (interpretability)을 제한합니다. 본 논문은 차선 변경 예측 및 설명을 위한 인과 추론 (causal-inference) 기반 프레임워크를 제시합니다. 제안된 접근 방식은 언어적 특징 구축 (linguistic feature construction), 전문가 제약 인과 발견 (expert-constrained causal discovery), Deep End-to-end Causal Inference (DECI)를 이용한 심층 구조적 인과 모델링 (deep structural causal modeling), 개입 기반 효과 분석 (intervention-based effect analysis), 반박 테스트 (refutation testing), 그리고 재귀적 인과 체인 설명 (recursive causal-chain explanation)을 결합합니다. 목표는 단순히 미래의 기동을 예측하는 것뿐만 아니라, 예측에 직접적으로 기여하는 후보 변수, 이들에 영향을 미치는 상류 요인 (upstream factors), 그리고 이러한 효과가 전파되는 인과 체인 (causal chains)을 식별하는 것입니다. 이 프레임워크는 차선 표시 교차 이벤트 발생 전 첫 3초 동안 평균 F1-score 95% 이상을 달성합니다. 예측 정확도를 넘어, 이 프레임워크는 개입 기반 효과 분석을 사용하여 학습된 인과 구조 하에서 영향력이 큰 변수와 영향력이 약한 변수를 구분합니다. 나아가 매개 효과 (mediated effects)로부터 후보 직접 기여 변수를 구분하고, 왜 예측된 기동이 선호되는지, 그리고 왜 대안적인 기동들은 지지력이 낮은지를 명확히 하는 대조적 인과 체인 설명 (contrastive causal-chain explanations)을 생성합니다. 따라서 주요 기여점은 상관관계 기반 분류를 넘어 기동 예측을 위한 더 해석 가능한 인과 추론 (causal reasoning)으로 나아가는 메커니즘 인식 차선 변경 예측 파이프라인입니다.