[논문 리뷰] Learning Incident Prediction Models Over Large Geographical Areas for Emergency Response Systems

Sayyed Mohsen Vazirizade, Ayan Mukhopadhyay외 4명|arXiv (Cornell University)|2021. 06. 15.

Traffic Prediction and Management Techniques인용 수 4

한 줄 요약

이 논문은 테네시 주의 고속도로 네트워크와 같은 광범위한 지리적 지역에서 희박한 시공간 교통 사고를 예측하기 위해 합성 재표본화, 비공간 클러스터링, 다중 소스 데이터 융합을 결합한 데이터 기반 파이프라인을 제안한다. 이 방법은 단기 예측을 향상시키고, 지리적 분포를 고려한 보정 항목을 추가한 전통적인 p-median 자원 배치 방식을 개선함으로써 비상 대응 시간을 장기적으로 최대 10% 감소시킨다.

ABSTRACT

Principled decision making in emergency response management necessitates the use of statistical models that predict the spatial-temporal likelihood of incident occurrence. These statistical models are then used for proactive stationing which allocates first responders across the spatial area in order to reduce overall response time. Traditional methods that simply aggregate past incidents over space and time fail to make useful short-term predictions when the spatial region is large and focused on fine-grained spatial entities like interstate highway networks. This is partially due to the sparsity of incidents with respect to the area in consideration. Further, accidents are affected by several covariates, and collecting, cleaning, and managing multiple streams of data from various sources is challenging for large spatial areas. In this paper, we highlight how this problem is being solved for the state of Tennessee, a state in the USA with a total area of over 100,000 sq. km. Our pipeline, based on a combination of synthetic resampling, non-spatial clustering, and learning from data can efficiently forecast the spatial and temporal dynamics of accident occurrence, even under sparse conditions. In the paper, we describe our pipeline that uses data related to roadway geometry, weather, historical accidents, and real-time traffic congestion to aid accident forecasting. To understand how our forecasting model can affect allocation and dispatch, we improve upon a classical resource allocation approach. Experimental results show that our approach can significantly reduce response times in the field in comparison with current approaches followed by first responders.

연구 동기 및 목표

• 전체 주와 같은 광범위한 지리적 지역에서 발생하는 희박하고 영향력이 큰 교통 사고를 예측하는 데 도전하는 것. 기존의 집계 방법은 데이터 희박성으로 인해 실패한다.
• 다양한 데이터 소스—도로 기하학, 기상, 교통 혼잡도, 역사적 사고—를 통합하여 정확한 단기 예측을 위한 확장 가능한 예측 파이프라인을 개발하는 것.
• 지리적 분포와 대응자 가용성을 최적화하는 보정 항목을 추가한 전통적인 p-median 문제를 수정하여 비상 자원 할당을 향상시키는 것.
• 모델의 실제 운영 영향을 평가하여 정확도 지표를 넘어서 응답 시간 감소와 같은 운영 성능에 초점을 맞추는 것.
• 높은 F1 점수를 기록하는 예측 모델(정확도만 높은 모델이 아닌)이 희박한 비상 상황에서 더 나은 자원 할당 결과를 낳는다는 것을 입증하는 것.

제안 방법

• 파이프라인은 희박한 사고 데이터를 보완하기 위해 합성 재표본화를 사용하여 낮은 빈도 지역에서의 모델 일반화 능력을 향상시킨다.
• 비공간 클러스터링은 속성(예: 속도 제한, 지형 등)을 기반으로 도로 구간을 그룹화하여 지리적으로 떨어져 있지만 유사한 구간 간의 전이 학습을 가능하게 한다.
• 다중 모odal 학습 프레임워크는 역사적 사고 데이터, 실시간 교통 혼잡도, 기상 조건, 도로 기하학을 융합하여 예측 모델을 훈련시킨다.
• 모델 평가에는 희귀 사고 탐지에 중점을 두기 위해 F1 점수, AUC, 정밀도-재현율 지표를 사용한다.
• 전통적인 p-median 문제에 초과 집중을 방지하기 위한 히퍼파라미터 α를 도입하여 보정 항목을 추가함으로써, 커버리지와 응답 효율성을 균형 잡는다.
• 186개의 4시간 윈도우와 1,865宗의 사고를 기반으로 다양한 수의 대응자와 α 값에서의 응답 시간 및 커버리지 성능을 평가하기 위해 시뮬레이션을 실시한다.

실험 결과

연구 질문

• RQ1 합성 재표본화와 비공간 클러스터링은 큰 희박한 지리적 지역에서 사고 예측 정확도를 향상시킬 수 있는가?
• RQ2 기상, 교통, 도로 기하학 등 다중 소스 데이터 통합이 희귀 교통 사고의 단기 예측에 어떤 영향을 미치는가?
• RQ3 정확도가 아닌 F1 점수를 모델 선택 기준으로 사용할 경우, 희박한 비상 예측 상황에서 더 나은 운영 성과를 얻을 수 있는가?
• RQ4 지리적 분포 보정 항목을 추가한 p-median 문제 수정이 비상 대응 시스템의 평균 응답 시간을 얼마나 감소시키는가?
• RQ5 예측 모델 중에서(예: 랜덤 포레스트, 신경망 등) 어떤 모델이 자원 할당 파이프라인에 통합되었을 때 응답 시간 감소 효과가 가장 큰가?

주요 결과

• 제안된 예측 파이프라인은 장기 시뮬레이션에서 평균 응답 시간을 최대 10% 감소시켜 비상 대응 효율성을 크게 향상시켰다.
• α ∈ [0.5, 1] 범위의 수정된 p-median 모델은 각 사고당 평균 이동 거리를 최대 3km 감소시켜 커버리지 효율성을 높였다.
• 랜덤 포레스트 기반 예측 모델이 응답 시간 감소 효과가 가장 크게 나타났으며, 신경망 모델이 그 다음으로 뒤이어 높은 운영 영향을 보였다.
• 높은 F1 점수를 기록한 모델—특히 재현율과 정밀도를 중시한 모델—는 정확도만 높은 모델보다 더 나은 자원 할당 결과를 도출했으며, 이는 희박한 사고에서 거짓 음성 결과 제어의 중요성을 입증한다.
• 큰 보정 항목(높은 α)은 응답 시간을 증가시켜 과도한 지리적 균형 조절이 커버리지에 악영향을 미칠 수 있음을 확인했으며, 따라서 신중한 튜닝이 필요하다.
• 가용 대응자 수의 변화에 관계없이 프레임워크가 뛰어난 성능을 유지하여 실제 운영 제약 조건에 적응 가능하고 확장 가능한 것으로 입증되었다.