[논문 리뷰] Arterial incident duration prediction using a bi-level framework of extreme gradient-tree boosting

Adriana‐Simona Mihăiţă, Zheyuan Liu외 2명|arXiv (Cornell University)|2019. 05. 29.

Traffic Prediction and Management Techniques참고 문헌 15인용 수 22

한 줄 요약

이 논문은 시드니의 간선도로에서의 교통사고 지속시간을 예측하기 위해 이중단계 접근 방식을 사용하는 이중레벨 XGBoost 프레임워크를 제안한다: 먼저 앙상블 트리 모델을 사용하여 사고를 45분 미만의 단기 사고 또는 장기 사고로 분류하고, 그 다음에 교통 흐름 특징을 사용하여 실제 지속시간을 회귀 예측한다. 이 방법은 기울기 부스팅 결정 트리보다 53% 높은 성능을 달성했으며, 실시간 현지 교통 흐름이 가장 중요한 예측 변수였다.

ABSTRACT

Predicting traffic incident duration is a major challenge for many traffic centres around the world. Most research studies focus on predicting the incident duration on motorways rather than arterial roads, due to a high network complexity and lack of data. In this paper we propose a bi-level framework for predicting the accident duration on arterial road networks in Sydney, based on operational requirements of incident clearance target which is less than 45 minutes. Using incident baseline information, we first deploy a classification method using various ensemble tree models in order to predict whether a new incident will be cleared in less than 45min or not. If the incident was classified as short-term, then various regression models are developed for predicting the actual incident duration in minutes by incorporating various traffic flow features. After outlier removal and intensive model hyper-parameter tuning through randomized search and cross-validation, we show that the extreme gradient boost approach outperformed all models, including the gradient-boosted decision-trees by almost 53%. Finally, we perform a feature importance evaluation for incident duration prediction and show that the best prediction results are obtained when leveraging the real-time traffic flow in vicinity road sections to the reported accident location.

연구 동기 및 목표

• 복잡한 도시 도로 네트워크에서 데이터와 네트워크 복잡성으로 인해 정확한 예측이 어려운 간선도로 사고 지속시간 예측 문제를 해결하기 위해.
• 교통관리센터의 핵심 성과 지표인 사고가 45분 이내로 정리될 것인지 예측하여 운영 목표를 달성하기 위해.
• 근처 도로 구간의 실시간 교통 흐름 특징을 사고 지속시간 모델링에 통합하여 예측 정확도를 향상시키기 위해.
• 고도로 변화하는 교통량과 이질적인 사고 특성을 가진 도시 간선도로 네트워크에 적용 가능한 확장성 있고 데이터 기반의 프레임워크를 개발하기 위해.

제안 방법

• 이중레벨 프레임워크를 설계함: 첫 번째 단계로 앙상블 트리 모델을 사용하여 사고가 45분 이내로 정리될지 여부를 예측하는 이진 분류 단계를 수행한다.
• 두 번째 단계로, 주변 도로 세그먼트의 속도, 차량 수, 밀도와 같은 교통 흐름 특징을 사용하여 실제 사고 지속시간을 예측하는 회귀 단계를 수행한다.
• 모델 훈련 이전에 이상치 제거를 적용하여 사고 지속시간 데이터를 정제한다.
• 모델 성능을 최적화하기 위해 랜덤 탐색과 5중 교차검증을 통해 초모수를 튜닝한다.
• 두 단계 모두에 초과기울기부스팅(XGBoost)을 사용하며, 주요 예측 변수를 파악하기 위해 특징 중요도를 평가한다.
• 사고 발생지점 주변의 도로 세그먼트에서 얻은 실시간 교통 흐름 데이터를 활용하여 예측 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 기존의 단일단계 모델에 비해 이중레벨 기계학습 프레임워크가 간선도로 사고 지속시간 예측 성능을 향상시킬 수 있는가?
• RQ2 근처 도로 세그먼트의 실시간 교통 흐름 특징을 통합했을 때 XGBoost가 사고 지속시간 예측에 얼마나 효과적인가?
• RQ3 지역 교통 흐름 데이터가 도시 간선도로 네트워크에서 사고 지속시간 예측 정확도에 기여하는 정도는 어떠한가?
• RQ4 45분 이내 정리 목표가 사고 지속시간 예측의 분류 및 회귀 모델 성능에 미치는 영향은 어느 정도인가?

주요 결과

• XGBoost 기반의 이중레벨 프레임워크는 기울기 부스팅 결정 트리보다 사고 지속시간 예측에서 거의 53% 높은 성능을 보였다.
• 근처 도로 세그먼트의 실시간 교통 흐름 데이터 통합이 예측 정확도를 크게 향상시켰으며, 가장 중요한 특징으로 부각되었다.
• 분류 단계는 45분 이내로 정리되는 단기 사고를 효과적으로 식별하여 운영 정리 목표를 지원했다.
• 이상치 제거 및 초모수 튜닝 이후 XGBoost는 분류 및 회귀 작업 전반에 걸쳐 뛰어난 강건성과 일반화 능력을 보였다.
• 특징 중요도 분석을 통해 사고 현장 주변의 교통 조건이 사고 자체의 특성만으로는 예측 능력이 떨어지는 것보다 더 예측력이 높다는 것이 확인되었다.