[論文レビュー] Learning Incident Prediction Models Over Large Geographical Areas for Emergency Response Systems

Sayyed Mohsen Vazirizade, Ayan Mukhopadhyay+4 more|arXiv (Cornell University)|Jun 15, 2021

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本論文では、合成リサンプリング、非空間的クラスタリング、マルチソースデータ統合を組み合わせたデータ駆動型パイプラインを提案し、テネシー州の州間高速道路網のような広大な地理的領域における疎な時空間的交通インシデントを予測する。このアプローチにより、短期予測の向上と地理的分布のバランスを取るためのペナルティ項を組み込んだ古典的なp-medianリソース割り当ての改善により、緊急対応時間の長期的に最大10％の短縮が達成される。

ABSTRACT

Principled decision making in emergency response management necessitates the use of statistical models that predict the spatial-temporal likelihood of incident occurrence. These statistical models are then used for proactive stationing which allocates first responders across the spatial area in order to reduce overall response time. Traditional methods that simply aggregate past incidents over space and time fail to make useful short-term predictions when the spatial region is large and focused on fine-grained spatial entities like interstate highway networks. This is partially due to the sparsity of incidents with respect to the area in consideration. Further, accidents are affected by several covariates, and collecting, cleaning, and managing multiple streams of data from various sources is challenging for large spatial areas. In this paper, we highlight how this problem is being solved for the state of Tennessee, a state in the USA with a total area of over 100,000 sq. km. Our pipeline, based on a combination of synthetic resampling, non-spatial clustering, and learning from data can efficiently forecast the spatial and temporal dynamics of accident occurrence, even under sparse conditions. In the paper, we describe our pipeline that uses data related to roadway geometry, weather, historical accidents, and real-time traffic congestion to aid accident forecasting. To understand how our forecasting model can affect allocation and dispatch, we improve upon a classical resource allocation approach. Experimental results show that our approach can significantly reduce response times in the field in comparison with current approaches followed by first responders.

研究の動機と目的

• 大規模地理的領域（例えば、州全体）における疎で高インパクトな交通インシデントを予測する課題に対処すること。伝統的な集計手法は、データの疎らさのため失敗する。
• 道路の幾何構造、天候、交通渋滞、歴史的インシデントといった多様なデータソースを統合し、正確な短期予測を実現するスケーラブルな予測パイプラインを開発すること。
• 地理的分布の最適化と対応可能人員の両方を最適化するバランス項を追加することで、古典的なp-median問題を拡張し、緊急リソースの割り当てを改善すること。
• 予測モデルの実世界への影響、特に対応時間の短縮を、精度指標を越えて運用性能の観点から評価すること。
• 高F1スコア（単なる精度ではなく）の予測モデルが、疎な緊急状況においてより優れた割り当て結果をもたらすことを実証すること。

提案手法

• パイプラインは、疎なインシデントデータを補強するための合成リサンプリングを用い、低頻度地域におけるモデルの一般化能力を向上させる。
• 非空間的クラスタリングは、速度制限や地形などの共変数に基づいて道路セグメントをグループ化し、地理的に離れていても類似したセグメント間での転移学習を可能にする。
• マルチモーダルな学習フレームワークは、歴史的事故データ、リアルタイムの交通渋滞、天候状況、道路の幾何構造を統合して、予測モデルを学習する。
• 予測モデルの評価には、希少なインシデントの検出を重視するF1スコア、AUC、精度-再現率指標が用いられる。
• 古典的なp-median問題は、過剰な集中を罰するハイパーパrameter α を導入することで拡張され、カバー範囲と対応効率の両立が図られる。
• 186の4時間ウィンドウと1,865件のインシデントを用いたシミュレーションにより、異なる数の対応人員とα値の下での対応時間とカバー範囲を評価する。

実験結果

リサーチクエスチョン

• RQ1 合成リサンプリングと非空間的クラスタリングは、大規模で疎らな地理的領域におけるインシデント予測精度を向上させることができるか？
• RQ2 天候、交通、道路幾何構造といったマルチソースデータの統合は、希少な交通インシデントの短期予測をどのように向上させるか？
• RQ3 F1スコアをモデル選択基準として用いることで、精度よりも優れた運用的成果が得られるか、特に疎な緊急予測において？
• RQ4 地理的分布ペナルティ項をp-median問題に組み込むことで、緊急対応システムにおける平均対応時間をどの程度短縮できるか？
• RQ5 予測モデル（例：ランダムフォレスト、ニューラルネットワーク）の中で、リソース割り当てパイプラインに組み込むと、対応時間を最大に短縮するのはどれか？

主な発見

• 提案された予測パイプラインは、長期シミュレーションにおいて平均対応時間を最大10％短縮し、緊急対応効率を顕著に向上させた。
• α ∈ [0.5, 1] の範囲で調整されたp-medianモデルは、対応者1件あたりの平均移動距離を最大3 km短縮した。
• ランダムフォレストベースの予測モデルが、対応時間短縮の観点で最も高い効果を示し、ニューラルネットワークがそれに次いで高く、他のモデルを上回った。
• F1スコアが高く（再現率と適合率を重視）、誤検出（偽陰性）の制御が重要であることが示された。精度のみが高いモデルは、より劣った割り当て結果をもたらした。
• 大きなペナルティ（高いα）は対応時間を延長させた。これは、過剰な地理的バランスがカバー範囲を損なう可能性があることを確認し、適切なチューニングが不可欠であることを示している。
• 異なる数の利用可能な対応者に対して、フレームワークは安定した性能を示し、実世界の運用制約に適応可能でスケーラブルであることが確認された。