[논문 리뷰] Applying Deep Learning to Detect Traffic Accidents in Real Time Using Spatiotemporal Sequential Data

Amir Bahador Parsa, Rishabh Chauhan외 3명|arXiv (Cornell University)|2019. 12. 15.

Traffic Prediction and Management TechniquesEngineering참고 문헌 42인용 수 20

한 줄 요약

이 연구는 시카고 고속도로에서 수집한 공간시계열 데이터를 활용하여 실시간 교통사고 탐지에 Long Short-Term Memory (LSTM) 및 게이트드 리커런트 유닛 (GRU) 네트워크를 적용한다. 241起의 사고 사례와 6,038건의 비사고 사례로 구성된 불균형 데이터셋을 바탕으로 SMOTE 증강 기법을 활용한 결과, 두 모델 모두 AUC 0.85를 기록하였으며, GRU 모델이 탐지율에서 略적 우위를 보였다.

ABSTRACT

Accident detection is a vital part of traffic safety. Many road users suffer from traffic accidents, as well as their consequences such as delay, congestion, air pollution, and so on. In this study, we utilize two advanced deep learning techniques, Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRUs), to detect traffic accidents in Chicago. These two techniques are selected because they are known to perform well with sequential data (i.e., time series). The full dataset consists of 241 accident and 6,038 non-accident cases selected from Chicago expressway, and it includes traffic spatiotemporal data, weather condition data, and congestion status data. Moreover, because the dataset is imbalanced (i.e., the dataset contains many more non-accident cases than accident cases), Synthetic Minority Over-sampling Technique (SMOTE) is employed. Overall, the two models perform significantly well, both with an Area Under Curve (AUC) of 0.85. Nonetheless, the GRU model is observed to perform slightly better than LSTM model with respect to detection rate. The performance of both models is similar in terms of false alarm rate.

연구 동기 및 목표

• 공간시계열 교통 데이터 기반 딥러닝을 활용한 실시간 교통사고 탐지 시스템 개발.
• 모델 일반화 향상을 위해 SMOTE를 활용한 교통사고 데이터셋의 클래스 불균형 문제 해결.
• 순차적 교통 데이터를 활용한 사고 탐지에서 LSTM 및 GRU 아키텍처의 성능 비교.
• AUC, 탐지율, 오진률 지표를 활용한 모델 효과성 평가.
• 도시 교통 안전 시스템 향상을 위한 확장 가능하고 데이터 기반의 솔루션 제공.

제안 방법

• 연구는 공간시계열 데이터에서 순차적 교통 패턴을 모델링하기 위해 LSTM 및 GRU 순환 신경망을 사용한다.
• 입력 특징으로는 시카고 고속도로에서 수집한 교통량, 속도, 혼잡도 상태 및 기상 조건이 포함된다.
• 데이터셋은 매우 불균형한 편으로, 사고 사례 241건과 비사고 사례 6,038건으로 구성되어 있어 소수 클래스의 오버샘플링을 위해 SMOTE가 적용되었다.
• 모델은 교통 데이터 시퀀스를 사고 또는 비사고 사건으로 분류하도록 훈련된다.
• 판별 능력과 신뢰성 평가를 위해 AUC, 탐지율, 오진률 지표를 사용하여 성능을 평가한다.
• 시간적 특성을 유지하기 위해 시퀀스 모델링 기법을 활용하여 스트리밍 교통 데이터에 대한 실시간 추론이 가능해졌다.

실험 결과

연구 질문

• RQ1 LSTM 및 GRU 모델은 공간시계열 교통 데이터를 활용해 실시간으로 교통사고를 효과적으로 탐지할 수 있는가?
• RQ2 교통사고 데이터의 클래스 불균형은 모델 성능에 어떤 영향을 미치며, SMOTE는 이를 완화할 수 있는가?
• RQ3 탐지율 및 오진률 측면에서 LSTM과 GRU 중 어느 순환 아키텍처가 더 뛰어난 탐지 성능을 보이는가?
• RQ4 교통량과 속도 데이터 외에 기상 조건 및 혼잡도 상태를 통합할 경우 사고 탐지 정확도는 얼마나 향상되는가?
• RQ5 딥러닝 모델은 실제 교통 모니터링 환경에서 높은 AUC를 달성하면서도 낮은 오진률을 유지할 수 있는가?

주요 결과

• LSTM 및 GRU 모델 모두 사고 탐지에서 강력한 판별 성능를 보이며, AUC가 0.85로 동일하게 기록되었다.
• GRU 모델은 LSTM 모델보다 略적으로 높은 탐지율을 보이며, 사고 사건에 대한 민감도가 더 뛰어나다는 것을 시사한다.
• 두 모델 간 오진률는 유사하여, 거짓 경고를 최소화하는 데 있어 유사한 신뢰성을 보였다.
• SMOTE는 클래스 불균형 문제를 효과적으로 해결하여 희귀 사고 사례에 대한 모델 학습을 향상시켰으며, 과적합 없이도 성능 향상을 이룬 것으로 나타났다.
• 공간시계열 교통 데이터, 기상 조건, 혼잡도 데이터의 통합은 단순히 교통량과 속도 데이터만을 사용한 경우보다 모델 성능을 향상시켰다.
• 결과적으로 순환 신경망이 순차적 교통 데이터 스트림을 활용한 실시간 사고 탐지에 효과적이라는 것이 확인되었다.