[論文レビュー] FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection

Austin Coursey, Junyi Ji+6 more|arXiv (Cornell University)|Jun 21, 2024

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

本論文は、2023年10月にテネシー州ナッシュビルのI-24で計測された49台のレーダーセンサーから得られた370万件のレーダー測定データを含む、初の大規模なレーン単位の高速道路交通データセットであるFT-AEDを紹介する。このベンチマークを用いて、非教師ありグラフニューラルネットワークオートエンコーダーを適用することで、事故報告の遅延を平均10分以上短縮し、75%の事故を検出することができ、空間時系列モデリングが事故早期検出に有効であることを示している。

ABSTRACT

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.

研究の動機と目的

• 事故報告の現実的遅延を踏まえ、異常検出を目的とした大規模かつレーン単位の高速道路交通データセットの不足を埋める。
• 事故報告の現実世界の不確実性を反映したベンチマークデータセットを構築し、異常検出モデルの堅牢な評価を可能にする。
• 現実的で実世界のセンサー測定データを用いて、非教師ありディープラーニング手法の高速道路事故早期検出におけるベースラインを確立する。
• 空間的関係をグラフニューラルネットワークでモデル化することで、純粋に時系列的または特徴ベースのモデルに比べて検出性能が著しく向上することを示す。

提案手法

• 2023年10月に、ナッシュビルの18マイルにわたる4車線のI-24で、49台のセンサーから30秒間隔で取得されたレーダー測定データ（速度、占有率、交通量）を用いてデータセットを構築した。
• 事故の真値ラベルはナッシュビル交通管理センターの公式記録から取得し、さらに速度プロファイル分析に基づき専門家が手動で異常をラベル付けした。
• ノードは特定のセンサーと時間におけるレーンを表し、エッジは空間的近接性と時系列的連続性を符号化する空間時系列グラフを構築した。
• 正常な交通パターンの再構築を目的とした非教師ありオートエンコーダー型異常検出モデルを用い、再構築誤差を用いて異常を同定した。
• GNNオートエンコーダーは、空間的（レーンおよびセンサーの近接性）および時系列的（時系列ダイナミクス）な依存関係を学習し、事故のような局所的異常の検出を向上させた。
• 検出性能はAUCと遅延指標を用いて評価し、公式報告より早い段階での事故検出に注力した。

実験結果

リサーチクエスチョン

• RQ1 教師なしディープラーニングモデルは、ラベルデータの遅延が生じる状況下でも、公式報告より事故を早期に検出可能か？
• RQ2 レーンおよびセンサー間の空間的関係を組み込むことで、高速道路交通データにおける異常検出モデルの性能にどのような影響を与えるか？
• RQ3 再構築ベースのオートエンコーダー型モデルは、純粋に時系列的または特徴ベースのモデルに比べて、レーン単位の交通異常検出においてどの程度優れているか？
• RQ4 事故報告時刻の不確実性は、異常検出モデルの評価および学習にどのような影響を与えるか？
• RQ5 グラフニューラルネットワークオートエンコーダーは、複雑な空間時系列交通ダイナミクスを効果的にモデル化し、事故の早期検出を向上させることができるか？

主な発見

• 非教師ありグラフニューラルネットワークオートエンコーダーは、純粋に時系列的および特徴ベースのモデルに比べて、交通異常検出において優れた性能を示し、空間モデリングの重要性を浮き彫りにした。
• 空間時系列グラフの活用により検出性能が向上し、見逃された事故の減少と、局所的乱れを捉えることで早期検出が可能になった。
• 提案手法は、公式報告より17分も早い段階で事故を検出できた。これは報告遅延の顕著な短縮を示している。
• 再構築誤差の分析から、事故現場周辺の異常交通状態は高い誤差で再構築されることが確認され、本手法の異常に対する感受性が裏付けられた。
• データセットの分析から、多くの事故が15分以上も報告されないことが判明し、応答遅延を短縮するための自動化システムの必要性が強調された。
• 報告遅延のため、複雑な現実世界の異常（事故）に対して標準的なAUC指標は誤解を招く可能性があることが判明した。これにより、代替の評価指標の導入が求められる。