Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis

要約

道路網の接続と交通量に基づいて、道路網における交通事故解析の問題を考察します。
これまでの研究では、交通事故の発生を予測するために過去の記録を使用するさまざまな深層学習手法が設計されてきました。
しかし、既存の手法がどの程度正確であるかについてはコンセンサスが得られておらず、根本的な問題は、総合的な評価のための公共事故データセットが不足していることです。
この論文は、米国のさまざまな州の公式報告書から、道路網や交通量の報告書を伴う、合計 900 万件の交通事故記録の大規模で統一されたデータセットを構築しています。
この新しいデータセットを使用して、道路網での事故の発生を予測するための既存の深層学習手法を評価します。
私たちの主な発見は、GraphSAGE などのグラフ ニューラル ネットワークは、平均絶対誤差 (実際の件数と比較して) 22% 未満で道路上の事故の件数を正確に予測でき、平均 87% 以上の AUROC で事故が発生するかどうかを正確に予測できることです。
州を越えて。
私たちは、マルチタスク学習を使用して州間の変動性 (事故ラベルの可用性など) を考慮し、転移学習を使用して交通量と事故予測を組み合わせることで、これらの結果を達成しました。
アブレーション研究では、他の特徴の中でも特に、道路グラフの構造的特徴の重要性が強調されています。
最後に、分析の意味について議論し、新しいデータセットを簡単に使用するためのパッケージを開発します。

要約(オリジナル)

We consider the problem of traffic accident analysis on a road network based on road network connections and traffic volume. Previous works have designed various deep-learning methods using historical records to predict traffic accident occurrences. However, there is a lack of consensus on how accurate existing methods are, and a fundamental issue is the lack of public accident datasets for comprehensive evaluations. This paper constructs a large-scale, unified dataset of traffic accident records from official reports of various states in the US, totaling 9 million records, accompanied by road networks and traffic volume reports. Using this new dataset, we evaluate existing deep-learning methods for predicting the occurrence of accidents on road networks. Our main finding is that graph neural networks such as GraphSAGE can accurately predict the number of accidents on roads with less than 22% mean absolute error (relative to the actual count) and whether an accident will occur or not with over 87% AUROC, averaged over states. We achieve these results by using multitask learning to account for cross-state variabilities (e.g., availability of accident labels) and transfer learning to combine traffic volume with accident prediction. Ablation studies highlight the importance of road graph-structural features, amongst other features. Lastly, we discuss the implications of the analysis and develop a package for easily using our new dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google