FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection

要約

事故などの高速道路での異常な出来事を早期かつ正確に検出することで、緊急時の対応とクリアランスを向上させることができます。
しかし、イベントの特定と報告には遅延とエラーが存在するため、解決が困難な問題となっています。
現在の大規模な高速道路交通データセットは異常検出向けに設計されていないため、これらの課題は無視されています。
この論文では、異常検出用の初の大規模な車線レベルの高速道路交通データセットを紹介します。
私たちのデータセットは、テネシー州ナッシュビルに向かう州間高速道路 24 号線の 18 マイルの区間に沿った 4 車線で収集された 1 か月間の平日のレーダー検出センサー データで構成されており、370 万件を超えるセンサー測定値で構成されています。
また、ナッシュビル交通管理センターから公式の衝突レポートを収集し、データセット内の他の潜在的な異常すべてに手動でラベルを付けます。
私たちのデータセットが将来の機械学習やトラフィック研究に使用される可能性を示すために、私たちはデータセットに対して多数の深層学習異常検出モデルのベンチマークを実施しました。
私たちは、教師なしグラフ ニューラル ネットワーク オートエンコーダーがこの問題に対する有望な解決策であり、空間関係を無視するとパフォーマンスの低下につながることがわかりました。
私たちの方法により、クラッシュの 75% を検出しながら、レポートの遅延を平均 10 分以上削減できることを実証します。
私たちのデータセットと開始するために必要なすべての前処理コードは、将来の研究を促進するために https://vu.edu/ft-aed/ で公開されています。

要約(オリジナル)

Early and accurate detection of anomalous events on the freeway, such as accidents, can improve emergency response and clearance. However, existing delays and errors in event identification and reporting make it a difficult problem to solve. Current large-scale freeway traffic datasets are not designed for anomaly detection and ignore these challenges. In this paper, we introduce the first large-scale lane-level freeway traffic dataset for anomaly detection. Our dataset consists of a month of weekday radar detection sensor data collected in 4 lanes along an 18-mile stretch of Interstate 24 heading toward Nashville, TN, comprising over 3.7 million sensor measurements. We also collect official crash reports from the Nashville Traffic Management Center and manually label all other potential anomalies in the dataset. To show the potential for our dataset to be used in future machine learning and traffic research, we benchmark numerous deep learning anomaly detection models on our dataset. We find that unsupervised graph neural network autoencoders are a promising solution for this problem and that ignoring spatial relationships leads to decreased performance. We demonstrate that our methods can reduce reporting delays by over 10 minutes on average while detecting 75% of crashes. Our dataset and all preprocessing code needed to get started are publicly released at https://vu.edu/ft-aed/ to facilitate future research.

arxiv情報

著者 Austin Coursey,Junyi Ji,Marcos Quinones-Grueiro,William Barbour,Yuhang Zhang,Tyler Derr,Gautam Biswas
発行日 2024-06-21 16:27:17+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG パーマリンク