[논문 리뷰] Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction

Xiao‐Wei Gao, Xinke Jiang외 5명|arXiv (Cornell University)|2023. 09. 10.

Traffic Prediction and Management Techniques인용 수 6

한 줄 요약

이 논문은 도로 수준의 교통 사고 위험을 불확실성 정량화와 함께 모델링하기 위해 영향력 있는 Tweedie 분포를 통합한 새로운 시간-공간 그래프 신경망인 STZITD-GNN을 제안한다. 영향력 있는, 과분산된 사고 데이터의 통계적 모델링과 그래프 신경망을 결합함으로써, 런던에서 7일 및 14일 예측 수준에서 높은 정밀도와 불확실성 인식 예측을 달성하였으며, 커버리지와 간격의 날카움 측면에서 벤치마크를 능가하였다.

ABSTRACT

Traffic accidents present substantial challenges to human safety and socio-economic development in urban areas. Developing a reliable and responsible traffic accident prediction model is crucial to addressing growing public safety concerns and enhancing the safety of urban mobility systems. Traditional methods face limitations at fine spatiotemporal scales due to the sporadic nature of highrisk accidents and the predominance of non-accident characteristics. Furthermore, while most current models show promising occurrence prediction, they overlook the uncertainties arising from the inherent nature of accidents, and then fail to adequately map the hierarchical ranking of accident risk values for more precise insights. To address these issues, we introduce the Spatiotemporal Zero-Inflated Tweedie Graph Neural Network STZITDGNN -- the first uncertainty-aware probabilistic graph deep learning model in roadlevel traffic accident prediction for multisteps. This model integrates the interpretability of the statistical Tweedie family model and the expressive power of graph neural networks. Its decoder innovatively employs a compound Tweedie model,a Poisson distribution to model the frequency of accident occurrences and a Gamma distribution to assess injury severity, supplemented by a zeroinflated component to effectively identify exessive nonincident instances. Empirical tests using realworld traffic data from London, UK, demonstrate that the STZITDGNN surpasses other baseline models across multiple benchmarks and metrics, including accident risk value prediction, uncertainty minimisation, non-accident road identification and accident occurrence accuracy. Our study demonstrates that STZTIDGNN can effectively inform targeted road monitoring, thereby improving urban road safety strategies.

연구 동기 및 목표

• 희박하고 영향력 있는, 과분산된 데이터로 인해 특징이 뚜렷한 도시 지역의 세밀한 도로 수준의 교통 사고 위험을 예측하는 데 도전하는 것.
• 희박한 사고에 내재된 불가피한 앨레토릭 불확실성을 특히 잘 포착하는 바탕으로, 딥러닝 모델에 불확실성 정량화를 통합하는 것.
• 복잡한 시간-공간 의존성과 동시에 사고 위험의 분포적 특성(자주 발생하는 0값과 드문 고위험 이벤트 포함)을 정확히 모델링하는 모델을 개발하는 것.
• 예측 간격 커버리지(PICP)와 간격 너비(MPIW)의 균형을 통해 예측 신뢰도를 향상시켜, 확신과 정밀도를 모두 확보하는 것.
• 도시 계획 및 안전 개입을 위한 校정된, 불확실성 인식 예측을 제공함으로써 실용적 구현을 가능하게 하는 것.

제안 방법

• 모델은 사고 빈도(Poisson 유사)와 심각도(Gamma 유사)를 동시에 모델링하기 위해 영향력 있는 Tweedie(ZITD) 분포를 사용하며, 사고가 없는 도로 세그먼트를 처리하기 위해 영향력 있는 성분을 포함한다.
• ZITD 분포는 희박성 파라미터 π와 산란도 파라미터 φ로 매개변수화되며, π는 0값 관측치의 표현을 향상시키기 위해 명시적으로 모델링된다.
• 시간-공간 그래프 신경망(ST-GNN)은 도로 세그먼트 간의 공간적 의존성과 교통 위험의 시간적 동적 변화를 인코딩하며, 출력 헤드는 ZITD 분포의 매개변수를 예측한다.
• 모델은 ZITD 분포의 음의 로그우도를 기반으로 한 미분 가능한 손실 함수를 사용하여 엔드 투 엔드 학습이 가능하며, 이는 평균 예측과 불확실성 추정을 동시에 최적화하도록 한다.
• 불확실성 정량화는 μ, φ, π와 같은 전체 분포 매개변수를 예측함으로써 달성되며, 점 추정치가 아닌 예측 간격과 확률적 예측이 가능해진다.
• 프레임워크는 세 개의 빌리지에 걸쳐 실세계 런던 교통 사고 데이터를 기반으로 훈련 및 평가되었으며, 아블레이션 연구를 통해 각 구성 요소의 기여도를 검증하였다.

Figure 1 : The overall framework of STZITD-GNNs. STZITD-GNNs utilize ST-GNN Encoder $\mathcal{ST}$ (composed by GRU and GAT encoders) to encode the history time window 1:t incident risk $Y_{1:t}$ and road spatiotemporal features $X_{1:t}$ with use of road connection graph into road spatialtemporal e

실험 결과

연구 질문

• RQ1 딥러닝 모델은 도로 수준의 교통 사고 데이터의 영향력 있는 성향과 과분산 성향을 효과적으로 포착할 수 있는가?
• RQ2 그래프 신경망과 통계적 분포 모델을 조합함으로써 교통 사고 예측에서 불확실성 정량화는 어느 정도 향상될 수 있는가?
• RQ3 통합된 모델은 단기 및 장기 예측 수준에서 동시에 높은 예측 정확도와 신뢰할 수 있는 불확실성 추정치를 달성할 수 있는가?
• RQ4 영향력 있는 성분의 포함 여부가 예측 간격 커버리지(PICP)와 간격 너비(MPIW)의 균형에 어떤 영향을 미치는가?
• RQ5 다양한 위험 패턴을 보이는 다양한 도시 환경에서 모델의 일반화 능력은 어떠한가?

주요 결과

• STZITD-GNN 모델은 런던의 모든 시간 창과 위험 수준에서 진짜 위험 값이 예측 간격 내에 포함된 비율이 가장 높고 커버리지가 가장 포괄적이었다.
• 모델은 PICP와 MPIW의 균형을 잘 유지하여 더 좁은 예측 간격과 높은 커버리지로 인해 강력한 불확실성 정량화 능력을 보였다.
• 실증 평가에서 ZITD 확장은 표준 Tweedie 및 기준 모델 대비 모델 적합도를 크게 향상시켰으며, 특히 0위험 도로의 비율이 높은 특성을 잘 포착하였다.
• ST-GNN과 ZITD 분포의 통합은 저위험 및 긴 꼬리 고위험 도로 세그먼트 모두를 정확하게 모델링할 수 있게 하여 기존의 벤치마크를 초월하는 예측 정확도를 달성하였다.
• 아블레이션 연구를 통해 영향력 있는 성분이 예측 간격 너비(MPIW)를 줄이면서도 높은 커버리지(PICP)를 유지하는 데 핵심적인 역할을 했다.
• 모델은 세 개의 서로 다른 런던 빌리지에 걸쳐 잘 일반화되었으며, 다양한 도시 위험 패턴에 적응 가능하고 지역적 이질성에 대해 강건함을 보였다.

Figure 2 : The map of three boroughs, London