[論文レビュー] Applying Deep Learning to Detect Traffic Accidents in Real Time Using Spatiotemporal Sequential Data

Amir Bahador Parsa, Rishabh Chauhan+3 more|arXiv (Cornell University)|Dec 15, 2019

Traffic Prediction and Management TechniquesEngineering参考文献 42被引用数 20

ひとこと要約

本研究では、シカゴの高速道路から得られる空間時間的データを用いて、長短記憶（LSTM）およびゲート付き再帰ユニット（GRU）ネットワークを用いて、リアルタイムでの交通標本検出を実施した。241件の事故事例と6,038件の非事故事例から成る不均衡なデータセットにおいて、SMOTE補正によりモデル性能が向上し、両モデルでAUCが0.85を達成した。GRUは検出率においてわずかに優れた性能を示した。

ABSTRACT

Accident detection is a vital part of traffic safety. Many road users suffer from traffic accidents, as well as their consequences such as delay, congestion, air pollution, and so on. In this study, we utilize two advanced deep learning techniques, Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRUs), to detect traffic accidents in Chicago. These two techniques are selected because they are known to perform well with sequential data (i.e., time series). The full dataset consists of 241 accident and 6,038 non-accident cases selected from Chicago expressway, and it includes traffic spatiotemporal data, weather condition data, and congestion status data. Moreover, because the dataset is imbalanced (i.e., the dataset contains many more non-accident cases than accident cases), Synthetic Minority Over-sampling Technique (SMOTE) is employed. Overall, the two models perform significantly well, both with an Area Under Curve (AUC) of 0.85. Nonetheless, the GRU model is observed to perform slightly better than LSTM model with respect to detection rate. The performance of both models is similar in terms of false alarm rate.

研究の動機と目的

• 空間時間的交通データを用いた深層学習によるリアルタイム交通標本検出システムの開発。
• モデルの汎化性能を向上させるために、交通標本データセットのクラス不均衡に対処するためのSMOTEの適用。
• 順序付き交通データを用いた事故検出において、LSTMとGRUアーキテクチャの性能を比較すること。
• AUC、検出率、誤検出率の指標を用いてモデルの有効性を評価すること。
• 都市部の交通安全性向上のためのスケーラブルでデータ駆動型のソリューションを提供すること。

提案手法

• 本研究では、空間時間的データから順序付き交通パターンをモデル化するために、LSTMおよびGRU再帰ニューラルネットワークを用いた。
• 入力特徴量には、シカゴの高速道路から収集された交通量、速度、混雑状態、天候状況が含まれる。
• データセットは著しく不均衡であり、事故事例が241件、非事故事例が6,038件であるため、少数クラスのオーバーサンプリングのためSMOTEが用いられた。
• モデルは、交通データのシーケンスを事故または非事故イベントとして分類するように学習された。
• 識別性能と信頼性を評価するために、AUC、検出率、誤検出率を用いて性能を評価した。
• 時間的性質を保持するため、シーケンスモデリングによりストリーミング交通データに対するリアルタイム推論が可能となった。

実験結果

リサーチクエスチョン

• RQ1 LSTMおよびGRUモデルは、空間時間的交通データを用いてリアルタイムで交通標本を効果的に検出できるか？
• RQ2 交通標本データのクラス不均衡はモデル性能にどのように影響を及ぼし、SMOTEはその問題を緩和できるか？
• RQ3 検出率および誤検出率の観点から、LSTMとGRUのどちらの再帰アーキテクチャがより優れた検出性能を示すか？
• RQ4 交通量と速度データに加えて、天候および混雑状態を統合することで、事故検出精度はどの程度向上するか？
• RQ5 深層学習モデルは、現実世界の交通監視において高いAUCを達成するとともに、誤検出率を低く抑えることができるか？

主な発見

• LSTMおよびGRUモデルの両方とも、AUCが0.85に達し、事故検出における強力な識別性能を示した。
• GRUモデルはLSTMモデルよりもわずかに高い検出率を示し、事故イベントに対する感受性が優れていた。
• 誤検出率は両モデルで類似しており、誤検出の最小化という点で同等の信頼性を示した。
• SMOTEはクラス不均衡を効果的に是正し、過学習を伴わずにレアな事故事例の学習を向上させた。
• 空間時間的交通データに加え、天候および混雑状態の統合により、交通量と速度データのみを用いた場合よりもモデル性能が向上した。
• 結果から、再帰ネットワークが順序付き交通データストリームを用いたリアルタイム事故検出に有効であることが確認された。