[論文レビュー] Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction

Xiao‐Wei Gao, Xinke Jiang+5 more|arXiv (Cornell University)|Sep 10, 2023

Traffic Prediction and Management Techniques被引用数 6

ひとこと要約

本稿では、不確実性の定量化を伴う道路レベルの交通インシデントリスクをモデル化するために、ゼロインflated Tweedie分布を統合した新しい時空間グラフニューラルネットワーク、STZITD-GNNを提案する。ゼロインフレートで過分散なインシデントデータの統計的モデリングとグラフニューラルネットワークを組み合わせることで、ロンドンにおける7日および14日予測期間において、精度が高く不確実性を考慮した予測を実現し、ベースラインを上回る性能を発揮した。

ABSTRACT

Traffic accidents present substantial challenges to human safety and socio-economic development in urban areas. Developing a reliable and responsible traffic accident prediction model is crucial to addressing growing public safety concerns and enhancing the safety of urban mobility systems. Traditional methods face limitations at fine spatiotemporal scales due to the sporadic nature of highrisk accidents and the predominance of non-accident characteristics. Furthermore, while most current models show promising occurrence prediction, they overlook the uncertainties arising from the inherent nature of accidents, and then fail to adequately map the hierarchical ranking of accident risk values for more precise insights. To address these issues, we introduce the Spatiotemporal Zero-Inflated Tweedie Graph Neural Network STZITDGNN -- the first uncertainty-aware probabilistic graph deep learning model in roadlevel traffic accident prediction for multisteps. This model integrates the interpretability of the statistical Tweedie family model and the expressive power of graph neural networks. Its decoder innovatively employs a compound Tweedie model,a Poisson distribution to model the frequency of accident occurrences and a Gamma distribution to assess injury severity, supplemented by a zeroinflated component to effectively identify exessive nonincident instances. Empirical tests using realworld traffic data from London, UK, demonstrate that the STZITDGNN surpasses other baseline models across multiple benchmarks and metrics, including accident risk value prediction, uncertainty minimisation, non-accident road identification and accident occurrence accuracy. Our study demonstrates that STZTIDGNN can effectively inform targeted road monitoring, thereby improving urban road safety strategies.

研究の動機と目的

• 都市部における希少でゼロインフレートで過分散なデータが特徴の、細分化された道路レベルの交通インシデントリスクを予測する課題に対処すること。
• 偶発的インシデントに内在する不可避なアレアトリック不確実性を捉えることを念頭に、交通インシデント予測のためのディープラーニングモデルに不確実性の定量化を統合すること。
• 複雑な時空間的依存関係を同時に捉えながら、頻繁なゼロ値とまれな高リスクイベントを含むインシデントリスクの分布的特性を正確にモデル化すること。
• 予測区間のカバレッジ（PICP）と区間幅（MPIW）のバランスを取ることで、信頼性の高い予測を実現すること。
• 都市計画や安全対策のための実用的導入を可能にするために、校正済みで不確実性を考慮した予測を提供すること。

提案手法

• モデルは、インシデント頻度（ポisson型）と深刻度（ガンマ型）を同時にモデル化するため、ゼロインフレートTweedie（ZITD）分布を採用し、インシデントが発生しない道路セグメントに対応するためのゼロインフレート成分を備える。
• ZITD分布はスパarsityパラメータπと分散パラメータφでパラメータ化され、πはゼロ値観測の表現を強化するために明示的にモデル化される。
• 時空間的グラフニューラルネットワーク（ST-GNN）は、道路セグメント間の空間的依存関係と交通リスクの時間的ダイナミクスを符号化し、出力ヘッドはZITD分布のパラメータを予測する。
• モデルは、ZITD分布の負の対数尤度に基づく微分可能損失関数を用い、平均予測と不確実性推定の両方を最適化するエンドツーエンド学習が可能となる。
• 不確実性の定量化は、μ、φ、πの分布パラメータを予測することで達成され、点推定ではなく予測区間や確率的予測が可能になる。
• フレームワークは、3つのboroughにまたがる実世界のロンドン交通インシデントデータ上で訓練および評価され、各コンponentの寄与を検証するアブレーションスタディが実施された。

Figure 1 : The overall framework of STZITD-GNNs. STZITD-GNNs utilize ST-GNN Encoder $\mathcal{ST}$ (composed by GRU and GAT encoders) to encode the history time window 1:t incident risk $Y_{1:t}$ and road spatiotemporal features $X_{1:t}$ with use of road connection graph into road spatialtemporal e

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、道路レベルの交通インシデントデータのゼロインフレートおよび過分散の性質を効果的に捉えることができるか？
• RQ2 グラフニューラルネットワークと統計的分布モデルを組み合わせることで、交通インシデント予測における不確実性の定量化はどの程度向上するか？
• RQ3 統一されたモデルは、短期および長期の予測期間において、高い予測精度と信頼性のある不確実性推定を同時に達成できるか？
• RQ4 ゼロインフレート成分の導入は、予測区間カバレッジ（PICP）と区間幅（MPIW）のバランスにどのような影響を及ぼすか？
• RQ5 本モデルは、リスクパターンが異なる多様な都市環境に一般化可能か？

主な発見

• STZITD-GNNモデルは、ロンドンの全時間窓およびリスクレベルにおいて、予測区間内に真のリスク値をカバーする割合が最も高く、最も包括的なカバレッジを達成した。
• PICPとMPIWのバランスにおいて優れた性能を示し、高いカバレッジを維持しながらもより狭い予測区間を実現しており、不確実性の定量化が堅牢であることが示された。
• 実証的評価では、標準Tweedie分布およびベースラインモデルと比較して、ZITD拡張が著しくモデル適合性を向上させたことが判明した。特に、ゼロリスク道路の割合が非常に高い状況での適合性が顕著に改善された。
• ST-GNNとZITD分布の統合により、低リスクおよび長尾型の高リスク道路セグメントの両方の正確なモデリングが可能となり、既存のベースラインを上回る予測精度を達成した。
• アブレーションスタディにより、ゼロインフレート成分が予測区間幅（MPIW）を低減させつつも高いカバレッジ（PICP）を維持する上で不可欠であることが確認された。
• 本モデルは、3つの異なるロンドンboroughにわたり良好な一般化性能を示し、多様な都市リスクパターンへの適応性と、局所的な非定型性に対する頑健性を示した。

Figure 2 : The map of three boroughs, London