옵티마이저 (Optimiser)의 선택은 모델의 효율성과 수렴 속도에 강력한 영향을 미치기 때문에 딥러닝에서 매우 중요합니다. 그러나 흔히 사용되는 많은 옵티마이저들은 불균형하고 순차적인 데이터셋 (Sequential datasets)에 적용될 때 어려움을 겪으며, 이는 소수 클래스의 패턴을 포착하는 능력을 제한합니다. 본 연구에서는 그래디언트 노름 (Gradient norms)과 배치 손실 (Batch loss)의 지수 이동 평균 (Exponential moving averages)에서 도출된 배치 난이도 점수를 사용하여 학습률 (Learning rate)을 동적으로 조절하는 옵티마이저인 Dynamic Batch-Sensitive Adam (DBS-Adam)을 제안합니다. DBS-Adam은 어려운 배치에 대한 업데이트는 늘리고 쉬운 배치에 대한 업데이트는 줄임으로써 학습 안정성을 향상시키고 수렴을 가속화합니다. 우리는 사고 부상 심각도 예측을 위해 Bi-Directional LSTM (Bi-LSTM) 네트워크와 DBS-Adam을 통합하여 평가하였으며, SMOTE-ENN 리샘플링 (Resampling)과 Focal Loss를 통해 클래스 불균형 문제를 해결하였습니다. 네 가지 실험 구성을 통해 베이스라인 Bi-LSTM 모델 및 대안적 아키텍처들과 비교하여 옵티마이저의 영향을 평가하였습니다. 다섯 개의 랜덤 시드 (Random seeds)를 사용하여 최신 옵티마이저들 (AMSGrad, AdamW, AdaBound)과 엄격하게 비교한 결과, DBS-Adam은 통계적으로 유의미한 정밀도(Precision) 향상(p=0.020)과 함께 경쟁력 있는 성능을 입증했습니다. 결과에 따르면 DBS-Adam은 표준 최적화 방식보다 뛰어난 성능을 보이며, 테스트 정확도(Test accuracy) 95.22%, 정밀도(Precision) 96.11%, 재현율(Recall) 95.28%, F1-score 95.39%, 그리고 테스트 손실(Test loss) 0.0086을 달성했습니다. 제안된 프레임워크는 표적화된 응급 대응 및 도로 안전 개입을 위한 효과적인 실시간 사고 심각도 분류를 가능하게 하며, 불균형한 순차 데이터로부터 학습하는 데 있어 DBS-Adam의 가치를 입증합니다.