[논문 리뷰] Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis

Nippani, Abhinav, Dongyue Li외 3명|arXiv (Cornell University)|2023. 10. 31.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 미국 주 정부의 교통사고 기록 900만 건을 통합한 대규모 통합 데이터셋을 소개하며, 도로 네트워크 및 교통량 데이터와 함께 도로 안전 모델링을 위한 그래프 신경망(GNN)의 성능을 평가한다. 다중작업 및 전이학습을 적용한 GraphSAGE를 사용하여, 사고 발생 건수 예측의 평균 절대오차는 22% 미만, 이진 사고 발생 분류의 AUROC는 주별로 87% 이상을 달성한다.

ABSTRACT

We consider the problem of traffic accident analysis on a road network based on road network connections and traffic volume. Previous works have designed various deep-learning methods using historical records to predict traffic accident occurrences. However, there is a lack of consensus on how accurate existing methods are, and a fundamental issue is the lack of public accident datasets for comprehensive evaluations. This paper constructs a large-scale, unified dataset of traffic accident records from official reports of various states in the US, totaling 9 million records, accompanied by road networks and traffic volume reports. Using this new dataset, we evaluate existing deep-learning methods for predicting the occurrence of accidents on road networks. Our main finding is that graph neural networks such as GraphSAGE can accurately predict the number of accidents on roads with less than 22% mean absolute error (relative to the actual count) and whether an accident will occur or not with over 87% AUROC, averaged over states. We achieve these results by using multitask learning to account for cross-state variabilities (e.g., availability of accident labels) and transfer learning to combine traffic volume with accident prediction. Ablation studies highlight the importance of road graph-structural features, amongst other features. Lastly, we discuss the implications of the analysis and develop a package for easily using our new dataset.

연구 동기 및 목표

• 교통사고 예측 모델 평가를 위한 공개적이고 종합적인 사고 데이터셋 부족 문제를 해결하기 위해.
• 여러 미국 주에 걸쳐 교통사고 기록, 도로 네트워크 구조, 교통량 데이터를 통합한 통합형 대규모 데이터셋을 구축하기 위해.
• 새로운 데이터셋을 활용하여 기존 딥러닝 기법—특히 그래프 신경망(GNN)—의 사고 예측 성능을 평가하기 위해.
• 도로 구조적 특성과 주 간 변동성의 모델 성능에 미치는 영향을 조사하기 위해.
• 데이터셋과 모델을 활용할 수 있도록 소프트웨어 패키지를 공개하여 재현 가능하고 확장 가능한 연구를 가능하게 하기 위해.

제안 방법

• 공식적인 미국 주 정부의 사고 보고서에서 유래한 대규모 통합 데이터셋을 구축하였으며, 도로 네트워크 구조 및 교통량 데이터로 보완하였다.
• 공간적 종속성과 도로 네트워크 내 구조적 관계를 모델링하기 위해 그래프 신경망(GNN) 아키텍처인 GraphSAGE를 적용하여 사고 예측을 수행하였다.
• 사고 발생 건수와 이진 사고 발생 여부를 동시에 예측하는 다중작업 학습을 적용하여, 레이블 가용성이 다름에 따라 성능이 떨어지는 주 간 일반화 능력을 향상시켰다.
• 전이학습을 활용해 교통량 특징을 GNN 프레임워크에 통합하여 예측 성능을 향상시켰다.
• 그래프 구조적 특징과 기타 입력 특징의 기여도를 분리하기 위해 아블레이션 연구를 수행하였다.
• 데이터셋과 모델의 접근 및 재사용을 촉진하기 위해 소프트웨어 패키지를 개발 및 공개하였다.

실험 결과

연구 질문

• RQ1 실제 세계 데이터를 활용할 때 그래프 신경망(GNN)은 도로 네트워크에서 교통사고 발생을 얼마나 정확하게 예측할 수 있는가?
• RQ2 도로 네트워크 구조와 교통량을 통합할 경우 사고 예측 성능에 어떤 영향을 미치는가?
• RQ3 데이터 가용성과 레이블링의 주 간 변동성은 모델 일반화에 어떤 영향을 미치는가?
• RQ4 특히 그래프 구조적 특징을 포함한 어떤 특징이 정확한 사고 예측에 가장 중요한가?
• RQ5 다중작업 및 전이학습은 사고 예측 모델의 강건성과 정확도를 향상시킬 수 있는가?

주요 결과

• GraphSAGE는 도로 세그먼트의 실제 사고 건수 대비 예측 시 평균 절대오차가 22% 미만을 기록하였다.
• 주어진 도로 세그먼트에서 사고가 발생하는지 여부를 분류하는 데 있어 AUROC 점수가 87%를 초과하였다.
• 아블레이션 연구를 통해 그래프 구조적 특징이 예측 성능 향상에 크게 기여함을 입증하였으며, 이는 그 중요성을 강조한다.
• 다중작업 학습은 사고 레이블 가용성의 주 간 변동성을 효과적으로 처리하여 모델의 강건성을 향상시켰다.
• 전이학습을 통해 교통량 데이터를 GNN에 효과적으로 융합할 수 있었으며, 이는 추가로 예측 정확도 향상에 기여하였다.
• 제안된 데이터셋과 소프트웨어 패키지는 도로 안전 모델링 분야에서 재현 가능하고 확장 가능한 연구의 기반을 제공한다.