[논문 리뷰] Graph Convolutional Networks for traffic anomaly

Yue Hu, Ao Qu외 1명|arXiv (Cornell University)|2020. 12. 25.

Anomaly Detection Techniques and Applications참고 문헌 38인용 수 10

한 줄 요약

이 논문은 원천-도착(OD) 이동 시간 데이터에서 대규모 교통 이면을 탐지하기 위해 그래프 컬러리티 네트워크와 시간적 맥락 임베딩을 활용하는 준지도 학습 이상 탐지 모델인 Context-augmented Graph Autoencoder (Con-GAE)를 제안한다. 도시 교통을 방향성 있는 가중치가 부여된 그래프로 모델링하고 계층적 그래프 수준 재구성 기법을 사용함으로써, 실제 OD 데이터셋에서 최신 기술 대비 0.1–0.4 AUC 향상을 달성한다.

ABSTRACT

Event detection has been an important task in transportation, whose task is to detect points in time when large events disrupts a large portion of the urban traffic network. Travel information {Origin-Destination} (OD) matrix data by map service vendors has large potential to give us insights to discover historic patterns and distinguish anomalies. However, to fully capture the spatial and temporal traffic patterns remains a challenge, yet serves a crucial role for effective anomaly detection. Meanwhile, existing anomaly detection methods have not well-addressed the extreme data sparsity and high-dimension challenges, which are common in OD matrix datasets. To tackle these challenges, we formulate the problem in a novel way, as detecting anomalies in a set of directed weighted graphs representing the traffic conditions at each time interval. We further propose extit{Context augmented Graph Autoencoder} ( extbf{Con-GAE }), that leverages graph embedding and context embedding techniques to capture the spatial traffic network patterns while working around the data sparsity and high-dimensionality issue. Con-GAE adopts an autoencoder framework and detect anomalies via semi-supervised learning. Extensive experiments show that our method can achieve up can achieve a 0.1-0.4 improvements of the area under the curve (AUC) score over state-of-art anomaly detection baselines, when applied on several real-world large scale OD matrix datasets.

연구 동기 및 목표

• 고차원적이고 희소한 원천-도착(OD) 이동 시간 데이터에서 대규모 교통 이상을 탐지하는 데 도전하는 것.
• 그래프 기반 표현을 사용하여 도시 교통 네트워크의 공간 상관관계와 시간적 주기성(일일/주간)을 모델링하는 것.
• 그래프 임베딩과 맥락 인식 오토에인킹을 통해 OD 행렬의 데이터 희소성과 고차원성 문제를 해결하는 것.
• 개별 노드나 간선이 아닌 전체 네트워크 상태를 나타내는 그래프 수준에서 이상을 탐지하는 것.
• 그래프 컬러리티 네트워크와 시간적 맥락을 활용하여 실세계 도시 교통 관리에서 이상 탐지 성능을 향상시키는 것.

제안 방법

• 각 시간 간격의 교통 상태를 방향성 있는 가중치가 부여된 그래프로 표현하며, 노드는 도시 지역을 나타내고 간선은 OD 이동 시간을 나타낸다.
• 노드 특징(지리적 위치)과 간선 가중치(이동 시간)를 모두 포함하는 수정된 그래프 컬러리티 네트워크(GCN)를 사용하여 공간적으로 일관된 노드 임베딩을 학습한다.
• 일일 및 주간 주기 패턴을 인코딩하기 위해 시간적 맥락 임베딩을 통합하여 정상적인 교통 상태와 이상 상태를 구분하는 능력을 향상시킨다.
• 노드 수준의 임베딩을 단일 그래프 수준의 임베딩으로 압축하는 계층적 오토에인커 구조를 사용하여 그래프 수준 이상 탐지 기능을 가능하게 한다.
• 정상 교통 데이터에서 준지도 학습 방식으로 모델을 훈련시키며, 입력 그래프를 재구성하고 높은 재구성 오차를 통해 이상을 식별한다.
• 원본과 재구성된 간선 가중치 간의 차이를 최소화하기 위해 재구성 손실 함수를 적용하며, 이상은 높은 오차를 보이는 인스턴스로 탐지된다.

실험 결과

연구 질문

• RQ1 그래프 컬러리티 네트워크는 고차원적이고 희소한 OD 행렬에서 공간적 교통 패턴을 효과적으로 모델링할 수 있는가?
• RQ2 일일/주간 주기성과 같은 시간적 맥락을 통합할 경우 교통 네트워크에서 이상 탐지 성능가 향상되는가?
• RQ3 그래프 오토에인커 프레임워크는 노드 수준 이상 탐지 방법보다 대규모 네트워크 전체 이상을 더 효과적으로 탐지할 수 있는가?
• RQ4 실제 도시 교통 데이터 기반의 OD 데이터셋에서 Con-GAE는 최신 이상 탐지 기준 대비 AUC 측면에서 얼마나 뛰어난 성능을 보이는가?
• RQ5 도시 이동 데이터의 희소성과 고차원성에 대해 Con-GAE는 얼마나 강건한가?

주요 결과

• Con-GAE는 다양한 실제 도시 대규모 OD 행렬 데이터셋에서 최신 기술 대비 0.1–0.4 AUC 향상을 달성한다.
• 모델은 NFL 경기일이나 다일간 도로 폐쇄와 같은 알려진 대규모 사건을 성공적으로 탐지하며, 재구성 오차가 문서화된 교통 장애와 일치한다.
• 시간적 맥락 임베딩을 통합함으로써 탐지 성능이 크게 향상되며, 특히 평일 교통 패턴과 같은 주기적 이상에 대해 유의미한 개선이 이루어진다.
• 그래프 수준 재구성 접근 방식은 대규모 이벤트로 인한 도시 전역의 혼잡과 같은 네트워크 전체 이상을 탐지할 수 있게 하며, 이는 노드 수준 방법이 놓칠 수 있는 이상을 포괄한다.
• 절단 실험 결과 그래프 컬러리티와 맥락 임베딩 구성 요소가 최적 성능을 내기 위해 필수적임을 확인한다.
• 실제 OD 데이터에서 유도된 합성 테스트 세트에서도 모델이 뛰어난 일반화 능력과 확장성을 보이며, 이는 탄탄함과 확장성을 검증한다.