Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction

要約

交通事故は、都市部における人間の安全と社会経済的発展に重大な課題をもたらします。
増大する公共の安全への懸念に対処し、都市モビリティ システムの安全性を強化するには、信頼性が高く責任ある交通事故予測モデルを開発することが重要です。
従来の方法は、高リスク事故が散発的であることと、事故以外の特徴が優勢であるため、細かい時空間スケールでの限界に直面しています。
さらに、現在のほとんどのモデルは有望な発生予測を示していますが、事故の固有の性質から生じる不確実性を見落としており、より正確な洞察を得るために事故リスク値の階層的ランク付けを適切にマッピングすることができません。
これらの問題に対処するために、我々は、マルチステップの路上交通事故予測における初の不確実性を認識した確率的グラフ深層学習モデルである、時空間 ZeroInflated Tweedie Graph Neural Network (STZITDGNN) を導入します。
このモデルは、統計的 Tweedie ファミリー モデルの解釈可能性とグラフ ニューラル ネットワークの表現力を統合しています。
そのデコーダは、複合トゥイーディー モデル、事故発生頻度をモデル化するポアソン分布、傷害の重症度を評価するガンマ分布を革新的に採用しており、過剰な非事故事例を効果的に特定するためにゼロインフレート コンポーネントによって補完されています。
英国ロンドンの実世界の交通データを使用した実証テストでは、STZITDGNN が、事故リスク値の予測、不確実性の最小化、事故のない道路の識別、事故発生の精度など、複数のベンチマークと指標にわたって他のベースライン モデルを上回ることが実証されています。
私たちの研究は、STZTIDGNN が対象となる道路監視に効果的に情報を提供し、それによって都市の交通安全戦略を改善できることを実証しています。

要約(オリジナル)

Traffic accidents present substantial challenges to human safety and socioeconomic development in urban areas. Developing a reliable and responsible traffic accident prediction model is crucial to addressing growing public safety concerns and enhancing the safety of urban mobility systems. Traditional methods face limitations at fine spatiotemporal scales due to the sporadic nature of highrisk accidents and the predominance of nonaccident characteristics. Furthermore, while most current models show promising occurrence prediction, they overlook the uncertainties arising from the inherent nature of accidents, and then fail to adequately map the hierarchical ranking of accident risk values for more precise insights. To address these issues, we introduce the Spatiotemporal ZeroInflated Tweedie Graph Neural Network ,STZITDGNN, the first uncertainty-aware probabilistic graph deep learning model in roadlevel traffic accident prediction for multi-steps. This model integrates the interpretability of the statistical Tweedie family model and the expressive power of graph neural networks. Its decoder innovatively employs a compound Tweedie model, a Poisson distribution to model the frequency of accident occurrences and a Gamma distribution to assess injury severity, supplemented by a zeroinflated component to effectively identify exessive non-incident instances. Empirical tests using realworld traffic data from London, UK, demonstrate that the STZITDGNN surpasses other baseline models across multiple benchmarks and metrics, including accident risk value prediction, uncertainty minimisation, nonaccident road identification and accident occurrence accuracy. Our study demonstrates that STZTIDGNN can effectively inform targeted road monitoring, thereby improving urban road safety strategies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google