[논문 리뷰] FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection

Austin Coursey, Junyi Ji외 6명|arXiv (Cornell University)|2024. 06. 21.

Anomaly Detection Techniques and Applications인용 수 4

한 줄 요약

이 논문은 2023년 10월에 테네시주 내슈빌의 I-24에서 49개의 I-24 센서로부터 수집된 레이더 센서 측정값 370만 건을 포함하는, 초기 이상 탐지 전용으로 설계된 최초의 대규모 차선 수준 고속도로 교통 데이터셋인 FT-AED를 소개한다. 이 벤치마크에서 비지도 그래프 신경망 오토인코더를 사용하여 평균적으로 사고 보고 지연 시간을 10분 이상 단축시키며, 75%의 사고를 탐지함으로써 시공간 모델링이 초기 사고 탐지에 효과적임을 입증한다.

ABSTRACT

Early and accurate detection of anomalous events on the freeway, such as accidents, can improve emergency response and clearance. However, existing delays and errors in event identification and reporting make it a difficult problem to solve. Current large-scale freeway traffic datasets are not designed for anomaly detection and ignore these challenges. In this paper, we introduce the first large-scale lane-level freeway traffic dataset for anomaly detection. Our dataset consists of a month of weekday radar detection sensor data collected in 4 lanes along an 18-mile stretch of Interstate 24 heading toward Nashville, TN, comprising over 3.7 million sensor measurements. We also collect official crash reports from the Nashville Traffic Management Center and manually label all other potential anomalies in the dataset. To show the potential for our dataset to be used in future machine learning and traffic research, we benchmark numerous deep learning anomaly detection models on our dataset. We find that unsupervised graph neural network autoencoders are a promising solution for this problem and that ignoring spatial relationships leads to decreased performance. We demonstrate that our methods can reduce reporting delays by over 10 minutes on average while detecting 75% of crashes. Our dataset and all preprocessing code needed to get started are publicly released at https://vu.edu/ft-aed/ to facilitate future research.

연구 동기 및 목표

• 공식 사고 보고 지연이 발생하는 현실적 맥락을 감안할 때, 이상 탐지 전용으로 설계된 대규모이고 차선 수준의 고속도로 교통 데이터셋에 대한 핵심적 공백을 해소하기 위해.
• 사고 보고의 실제 불확실성을 반영한 벤치마크 데이터셋을 개발하여 이상 탐지 모델의 견고한 평가를 가능하게 하기 위해.
• 실제 세계의 센서 데이터를 기반으로 한 비지도 딥러닝 방법의 초기 고속도로 사고 탐지에 대한 기준을 설정하기 위해.
• 그래프 신경망을 통해 공간적 관계를 모델링하는 것이 순수 시간적 또는 특징 기반 모델 대비 탐지 성능을 크게 향상시킨다는 것을 입증하기 위해.

제안 방법

• 2023년 10월 동안 테네시주 내슈빌의 18마일, 4차선 고속도로 구간에 위치한 49개 센서에서 30초 간격으로 수집된 레이더 측정값(속도, 점유율, 차량 수)을 기반으로 데이터셋을 구성하였다.
• 기본 사고 레이블은 내슈빌 교통 관리 센터의 공식 기록에서 확보되었으며, 추가로 전문가들이 속도 프로파일 분석을 바탕으로 이상 현상을 수동으로 레이블링하였다.
• 노드는 특정 센서와 시간대의 차선을 나타내며, 간선은 공간적 근접성과 시간적 연속성을 표현하는 시공간 그래프를 구성하였다.
• 정상 교통 패턴을 재구성하고 재구성 오차를 통해 이상을 탐지하는 데 목적이 있는 비지도 오토인코더 기반 이상 탐지 모델을 훈련시켰다.
• GNN 오토인코더 모델은 공간적(차선 및 센서 간 근접성) 및 시간적(시계열 동역학) 의존성을 모두 학습하여, 사고와 같은 局부 이상 현상의 탐지 성능을 향상시켰다.
• 성능 평가에는 AUC 및 지연 시간 지표를 사용하였으며, 공식 보고 이전에 사고를 탐지하는 데 중점을 두었다.

실험 결과

연구 질문

• RQ1 레이블 데이터의 지연이 발생하는 상황에서, 비지도 딥러닝 모델이 공식 보고보다 사전에 고속도로 교통 이상을 탐지할 수 있는가?
• RQ2 차선 및 센서 간 공간적 관계를 통합할 경우, 고속도로 교통 데이터에 대한 이상 탐지 모델의 성능에 어떤 영향을 미치는가?
• RQ3 재구성 기반 오토인코더 모델이 순수 시간적 또는 특징 기반 모델 대비 차선 수준의 교통 이상을 탐지하는 데 얼마나 뛰어난가?
• RQ4 사고 보고 시간의 불확실성은 이상 탐지 모델의 평가 및 훈련에 어떤 영향을 미치는가?
• RQ5 그래프 신경망 오토인코더가 복잡한 시공간 교통 동역학을 효과적으로 모델링하여 사고의 조기 탐지 성능을 향상시킬 수 있는가?

주요 결과

• 비지도 그래프 신경망 오토인코더 모델이 순수 시간적 또는 특징 기반 모델보다 이상 탐지 성능에서 뛰어나, 공간 모델링의 중요성을 입증하였다.
• 시공간 그래프의 활용이 탐지 성능을 향상시켜, 놓친 사고를 줄이고 국소적 교란을 보다 빠르게 탐지할 수 있었다.
• 제안된 방법은 공식 보고보다 17분 일찍 사고를 탐지하여 보고 지연 시간을 크게 감소시켰다.
• 재구성 오차 분석 결과, 특히 사고 현장 부근의 이상 교통 상태는 더 높은 오차로 재구성되었으며, 이는 방법의 이상에 대한 민감도를 검증하였다.
• 데이터셋 분석 결과, 많은 사고가 15분 이상 보고되지 않았으며, 이는 자동화된 시스템이 응답 지연을 줄이기 위한 필요성을 강조한다.
• 표준 AUC 지표는 보고 지연으로 인해 복잡한 실제 이상 사례(예: 사고)에 대해 오해의 소지가 있으며, 이는 보다 적절한 평가 지표가 필요함을 시사한다.