[论文解读] A Countrywide Traffic Accident Dataset

Sobhan Moosavi, Mohammad Hossein Samavatian+2 more|arXiv (Cornell University)|Jun 12, 2019

Traffic and Road Safety参考文献 14被引用 55

一句话总结

本文介绍 US-Accidents，一份覆盖美国本土的公开数据集，包含大约 2.25 million 起交通事故（2016–2019），并附加位置、天气、POI、以及时间上下文，还有一个可重复的数据收集管线。

ABSTRACT

Reducing traffic accidents is an important public safety challenge. However, the majority of studies on traffic accident analysis and prediction have used small-scale datasets with limited coverage, which limits their impact and applicability; and existing large-scale datasets are either private, old, or do not include important contextual information such as environmental stimuli (weather, points-of-interest, etc.). In order to help the research community address these shortcomings we have - through a comprehensive process of data collection, integration, and augmentation - created a large-scale publicly available database of accident information named US-Accidents. US-Accidents currently contains data about $2.25$ million instances of traffic accidents that took place within the contiguous United States, and over the last three years. Each accident record consists of a variety of intrinsic and contextual attributes such as location, time, natural language description, weather, period-of-day, and points-of-interest. We present this dataset in this paper, along with a wide range of insights gleaned from this dataset with respect to the spatiotemporal characteristics of accidents. The dataset is publicly available at https://smoosavi.org/datasets/us_accidents.

研究动机与目标

• 提供一个大规模、公开可获取的美国交通事故数据集，覆盖广泛地理与属性特征。
• 描述用于创建该数据集的数据收集、整合与增强管线。
• 使研究者能够在交通事故中分析时空模式、天气影响与 POI 相关性。

提出的方法

• 从 MapQuest Traffic 和 Bing Map Traffic API 收集流式交通事件。
• 使用 Haversine 距离与时间阈值（250 meters, 10 minutes）进行去重。
• 通过 Nominatim 的反向地理编码来获取地址信息，完成对事故的增强。
• 通过链接最近的 Weather Underground 站点来补充天气数据（平均时延约 15 分钟）。
• 利用 Open Street Map 的 POI 注释，并使用一个距离阈值（选择以最大化与正则表达式派生的地点线索相关性为目标，Algorithm 1）进行增强。
• 使用 TimeAndDate API 标注日间/夜间时间段，并在多种黄昏系统下进行标签化。

实验结果

研究问题

• RQ1 在来自流数据的国家级交通事故数据集中，能达到怎样的规模与属性丰富性？
• RQ2 如何将异构数据（天气、POI、时间）进行整合与增强，以提升事故分析？
• RQ3 在大规模事故语料库中可观察到的时空模式及环境相关性有哪些？

主要发现

• US-Accidents 包含约 2.25 million 条来自 contiguous United States 的事故记录，时间覆盖自 2016 年 2 月至 2019 年 3 月。
• 大约去除了 24,600 条重复项，在整合后得到了 2.25 million 条事故记录。
• 大约 27.5% 的事故至少被增强了一个 POI 类型；在日出后发生的事故占比为 73%。
• 大约 32% 的事故发生在本地道路上或附近，约 40% 的事故发生在高速路或附近；Bing 报告在高速路上的事故更多，而 MapQuest 报告在交叉路口更多。
• 所识别的最佳 POI 注释阈值为交叉路口 30 米， junction 100 米。