[論文レビュー] Graph Convolutional Networks for traffic anomaly

Yue Hu, Ao Qu+1 more|arXiv (Cornell University)|Dec 25, 2020

Anomaly Detection Techniques and Applications参考文献 38被引用数 10

ひとこと要約

本稿では、グラフ畳み込みネットワークと時系列コンテキスト埋め込みを活用して、発着地点（OD）移動時間データにおける大規模交通異常を検出する半教師あり異常検出モデルであるコンテキスト拡張グラフオートエンコーダー（Con-GAE）を提案する。都市交通を有向重み付きグラフとしてモデル化し、階層的グラフレベル再構成を用いることで、実世界のODデータセットにおいて最先端手法比でAUCが0.1–0.4向上を達成した。

ABSTRACT

Event detection has been an important task in transportation, whose task is to detect points in time when large events disrupts a large portion of the urban traffic network. Travel information {Origin-Destination} (OD) matrix data by map service vendors has large potential to give us insights to discover historic patterns and distinguish anomalies. However, to fully capture the spatial and temporal traffic patterns remains a challenge, yet serves a crucial role for effective anomaly detection. Meanwhile, existing anomaly detection methods have not well-addressed the extreme data sparsity and high-dimension challenges, which are common in OD matrix datasets. To tackle these challenges, we formulate the problem in a novel way, as detecting anomalies in a set of directed weighted graphs representing the traffic conditions at each time interval. We further propose extit{Context augmented Graph Autoencoder} ( extbf{Con-GAE }), that leverages graph embedding and context embedding techniques to capture the spatial traffic network patterns while working around the data sparsity and high-dimensionality issue. Con-GAE adopts an autoencoder framework and detect anomalies via semi-supervised learning. Extensive experiments show that our method can achieve up can achieve a 0.1-0.4 improvements of the area under the curve (AUC) score over state-of-art anomaly detection baselines, when applied on several real-world large scale OD matrix datasets.

研究の動機と目的

• 高次元的かつスパースな発着地点（OD）移動時間データにおける大規模交通異常検出の課題に対処すること。
• グラフ表現を用いて都市交通ネットワークの空間的相関性と時系列周期性（日次・週次）をモデル化すること。
• グラフ埋め込みとコンテキストに配慮したオートエンコーディングを用いて、OD行列におけるデータスパarsityと高次元性を克服すること。
• 個々のノードやエッジではなく、ネットワーク全体の状態を表すグラフレベルで異常を検出すること。
• グラフ畳み込みネットワークと時系列コンテキストを活用することで、実世界の都市交通管理における異常検出性能を向上させること。

提案手法

• 各時間インターバルにおける交通状況を、ノードが都市の領域を表し、エッジがOD移動時間を表す有向重み付きグラフとして定式化する。
• ノード特徴（地理的位置）とエッジ重み（移動時間）の両方を組み込んだ修正版グラフ畳み込みネットワーク（GCN）を採用し、空間的に一貫性のあるノード埋め込みを学習する。
• 日次・週次周期パターンを符号化するための時系列コンテキスト埋め込みを統合し、正常状態と異常状態を区別する能力を向上させる。
• ノードレベル埋め込みを1つのグラフレベル埋め込みに圧縮する階層的オートエンコーダー構造を採用し、グラフレベルの異常検出を可能にする。
• 正常交通データ上で半教師ありに学習を行い、入力グラフの再構成と、再構成誤差が大きいインスタンスとしての異常の特定を行う。
• 元のエッジ重みと再構成されたエッジ重みの差を最小化する再構成損失関数を適用し、異常を高い誤差として検出する。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みネットワークは、高次元的かつスパースなOD行列における空間的交通パターンを効果的にモデル化できるか？
• RQ2 日次・週次周期性を含む時系列コンテキストを統合することで、交通ネットワークにおける異常検出性能はどのように向上するか？
• RQ3 グラフオートエンコーダーフレームワークは、ノードレベルの異常検出手法よりも、大規模かつネットワーク全体の交通異常をより効果的に検出できるか？
• RQ4 実世界のODデータセットにおいて、Con-GAEは最先端の異常検出ベースライン比でAUC面でどの程度優れているか？
• RQ5 都市移動データにおけるデータスパarsityと高次元性に対して、Con-GAEはどの程度頑健であるか？

主な発見

• Con-GAEは、複数の実世界の大規模OD行列データセットにおいて、最先端の異常検出ベースライン比でAUCが0.1–0.4向上した。
• NFLの試合日や複数日続く道路閉鎖といった既知の大規模イベントを効果的に検出でき、再構成誤差が文書化された交通混乱と整合した。
• 時系列コンテキスト埋め込みを統合することで、週次パターンのような周期的異常の検出性能が顕著に向上した。
• グラフレベル再構成アプローチにより、大規模イベントに起因する都市全体の混雑といったネットワーク全体の異常を検出可能であり、ノードレベル手法では見逃される可能性がある。
• アブレーションスタディにより、グラフ畳み込みとコンテキスト埋め込みの両方のコンponentが最適性能を達成するために不可欠であることが確認された。
• 実ODデータから抽出した合成テストセットに対しても、モデルは優れた一般化性能を示し、その頑健性とスケーラビリティが妥当性を確認した。