[論文レビュー] Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis

Nippani, Abhinav, Dongyue Li+3 more|arXiv (Cornell University)|Oct 31, 2023

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本論文は、米国州の900万件の交通違反記録を統合し、道路網と交通量データを組み合わせた大規模かつ統合的なデータセットを紹介する。このデータセットを用いて、グラフニューラルネットワーク（GNN）の道路安全モデリングへの応用を評価する。マルチタスク学習と転移学習を用いたGraphSAGEを用いることで、州をまたいで<22%の平均絶対誤差で事故件数を予測し、事故発生の二値分類において87%以上のAUROCを達成した。

ABSTRACT

We consider the problem of traffic accident analysis on a road network based on road network connections and traffic volume. Previous works have designed various deep-learning methods using historical records to predict traffic accident occurrences. However, there is a lack of consensus on how accurate existing methods are, and a fundamental issue is the lack of public accident datasets for comprehensive evaluations. This paper constructs a large-scale, unified dataset of traffic accident records from official reports of various states in the US, totaling 9 million records, accompanied by road networks and traffic volume reports. Using this new dataset, we evaluate existing deep-learning methods for predicting the occurrence of accidents on road networks. Our main finding is that graph neural networks such as GraphSAGE can accurately predict the number of accidents on roads with less than 22% mean absolute error (relative to the actual count) and whether an accident will occur or not with over 87% AUROC, averaged over states. We achieve these results by using multitask learning to account for cross-state variabilities (e.g., availability of accident labels) and transfer learning to combine traffic volume with accident prediction. Ablation studies highlight the importance of road graph-structural features, amongst other features. Lastly, we discuss the implications of the analysis and develop a package for easily using our new dataset.

研究の動機と目的

• 交通事故予測モデルの評価に用いられる公開で包括的な事故データセットの不足に対処すること。
• 複数の米国州にまたがる交通事故記録、道路網のトポロジー、交通量データを統合した包括的かつ大規模なデータセットの構築。
• 新規データセットを用いて、特にグラフニューラルネットワークを含む既存のディープラーニング手法の事故予測への応用を評価すること。
• 構造的道路上特徴量と州間のばらつきがモデル性能に与える影響を調査すること。
• データセットとモデルへのアクセスを容易にするソフトウェアパッケージのリリースを通じて、再現可能でスケーラブルな研究を可能にすること。

提案手法

• 公式の米国州事故レポートから大規模かつ統合されたデータセットを構築し、道路網構造と交通量データを強化した。
• 空間的依存関係と道路網内の構造的関係をモデル化するため、GNNアーキテクチャの一つであるGraphSAGEを用いて事故予測を実施した。
• 事故件数と二値事故発生の両方を同時に予測するマルチタスク学習を採用し、ラベルの可用性にばらつきのある州間での一般化性能を向上させた。
• 転移学習を用いて交通量特徴量をGNNフレームワークに統合し、予測性能を向上させた。
• グラフ構造的特徴量と他の入力特徴量の寄与を分離するためにアブレーションスタディを実施した。
• データセットとモデルのアクセスおよび再利用を容易にするソフトウェアパッケージを開発・リリースした。

実験結果

リサーチクエスチョン

• RQ1 実世界のデータを用いた場合、グラフニューラルネットワークは道路網における交通事故発生をどの程度正確に予測できるか？
• RQ2 道路網トポロジーと交通量を組み込むことで、事故予測性能にどのような影響を与えるか？
• RQ3 データの可用性とラベリングの州間ばらつきが、モデルの一般化性能にどのように影響するか？
• RQ4 特にグラフ構造的特徴量は、事故予測の正確性において、どの程度重要か？
• RQ5 マルチタスク学習および転移学習は、事故予測モデルのロバスト性と正確性を向上させることができるか？

主な発見

• GraphSAGEは、実際の事故件数に対して、道路区間の事故件数予測で22%未満の平均絶対誤差を達成した。
• モデルは、特定の道路区間で事故が発生するかどうかを分類するタスクで、87%を超えるAUROCスコアを達成した。
• アブレーションスタディの結果、グラフ構造的特徴量が予測性能を顕著に向上させることを示し、その重要性を強調した。
• マルチタスク学習は、事故ラベルの可用性にばらつきのある州間のばらつきを効果的に処理し、モデルのロバスト性を向上させた。
• 転移学習により、交通量データをGNNと効果的に統合でき、さらに予測精度を向上させた。
• 本研究で提示されたデータセットとソフトウェアパッケージは、道路安全モデリング分野における再現可能でスケーラブルな研究の基盤を提供した。