[논문 리뷰] DxNAT - Deep Neural Networks for Explaining Non-Recurring Traffic Congestion

Fangzhou Sun, Dubey Abhishek외 1명|arXiv (Cornell University)|2018. 01. 30.

Traffic Prediction and Management Techniques인용 수 3

한 줄 요약

이 논문은 지역 교통 속도 데이터를 스케일링된 이미지로 변환하고 시간적 및 사고 데이터와 융합하여 축구 경기, 아이스하키 경기, 사고와 같은 사건으로 인한 비정기적 교통 정체(NRC)를 탐지하는 딥러닝 모델 DxNAT을 제안한다. 고유한 크로스오버 기반 데이터 증강 기법과 컨볼루션 신경망을 사용하여 DxNAT은 축구 경기로 인한 NRC 탐지에서 98.73%의 정확도를 달성하며, 랜덤 포레스트와 같은 전통적 방법을 능가한다.

ABSTRACT

Non-recurring traffic congestion is caused by temporary disruptions, such as accidents, sports games, adverse weather, etc. We use data related to real-time traffic speed, jam factors (a traffic congestion indicator), and events collected over a year from Nashville, TN to train a multi-layered deep neural network. The traffic dataset contains over 900 million data records. The network is thereafter used to classify the real-time data and identify anomalous operations. Compared with traditional approaches of using statistical or machine learning techniques, our model reaches an accuracy of 98.73 percent when identifying traffic congestion caused by football games. Our approach first encodes the traffic across a region as a scaled image. After that the image data from different timestamps is fused with event- and time-related data. Then a crossover operator is used as a data augmentation method to generate training datasets with more balanced classes. Finally, we use the receiver operating characteristic (ROC) analysis to tune the sensitivity of the classifier. We present the analysis of the training time and the inference time separately.

연구 동기 및 목표

• 실시간 교통 및 사고 데이터를 활용하여 대도시 지역에서 비정기적 교통 정체(NRC)를 탐지하는 데 도전하는 것.
• 특징 벡터를 사용함으로써 공간 정보를 잃고, 훈련 데이터에서 클래스 불균형 문제를 겪는 전통적 방법의 한계를 극복하는 것.
• 축구 경기 및 교통 사고와 같은 다양한 사건으로 인한 NRC를 식별할 수 있는 딥러닝 모델을 개발하는 것.
• 기본 모델인 랜덤 포레스트와 비교해 탐지 정확도를 향상시키고, 거짓 양성 및 거짓 음성 비율을 감소시키는 것.

제안 방법

• TMC 형식의 교통 데이터가 도로 구간 간의 공간 관계를 유지할 수 있도록 다차원 이미지로 변환된다.
• 시간적 특징(시간대, 요일)과 사고 데이터가 이미지 표현과 융합되어 다중 모odal 입력을 형성한다.
• 저도달된 클래스인 아이스하키 경기와 사고를 균형 있게 만들기 위해 합성 훈련 샘플을 생성하는 크로스오버 연산자가 설계된다.
• 컨볼루션 신경망(CNN)이 정상 또는 이면적인 교통 패턴으로 분류하도록 훈련되며, 이상 탐지는 주로 사고로 인한 정체에 집중된다.
• 최적의 성능을 얻기 위해 수신기 작동 특성(ROC) 분 析을 사용해 분류기의 민감도를 조정한다.
• 모델은 내슈빌, 테네시주에서 수집한 실제 데이터를 사용해 세 가지 시나리오(축구 경기, 아이스하키 경기, 교통 사고)에서 평가된다.

실험 결과

연구 질문

• RQ1 공간적으로 인코딩된 교통 데이터를 사용해 딥 네트워크가 축구 경기와 같은 대규모 사건으로 인한 비정기적 교통 정체를 효과적으로 탐지할 수 있는가?
• RQ2 고유한 크로스오버 기반 데이터 증강 기법이 교통 사고 데이터셋의 불균형 문제를 해결하고 모델 성능을 향상시키는 데 얼마나 효과적인가?
• RQ3 이미지로 변환된 교통 데이터를 기반으로 훈련된 CNN 모델이 랜덤 포레스트와 같은 전통적 모델보다 사고 유도 정체 탐지에서 얼마나 뛰어난가?
• RQ4 축구 경기와 아이스하키 경기처럼 영향 정도가 다른 다양한 유형의 사고에 대해 모델의 성능은 어떻게 변하는가?
• RQ5 희귀 사고인 교통 사고와 같은 사건에 대해 훈련 데이터가 제한되어 있음에도 불구하고 모델이 일반화되어 정체를 탐지할 수 있는가?

주요 결과

• DxNAT은 축구 경기로 인한 비정기적 정체 탐지에서 98.73%의 정확도를 기록했으며, 랜덤 포레스트 기준선(84.06% 정확도)을 크게 뛰어넘었다.
• 참석자 수가 적고 영향도가 낮은 아이스하키 경기의 경우 DxNAT은 90.76%의 정확도를 달성했으며, 더 미묘한 정체 패턴으로 인해 거짓 음성 비율(23.19%)이 높았다.
• 교통 사고로 인한 정체 탐지에서는 DxNAT이 86.59%의 정확도를 기록했으며, 거짓 양성 비율은 13.71%, 거짓 음성 비율은 4.44%였다.
• 모든 시나리오에서 DxNAT의 성능은 랜덤 포레스트 모델보다 뛰어나며, 거짓 양성 및 거짓 음성 비율이 낮았다.
• 이미지 기반 표현 방식과 크로스오버 기반 데이터 증강이 모델의 강건성 및 클래스 균형 처리 능력을 크게 향상시켰다.
• 훈련 시간과 추론 시간을 별도로 측정하여 스마트 시티 응용 분야에서의 실시간 배포 가능성도 입증했다.