[论文解读] Applying Deep Learning to Detect Traffic Accidents in Real Time Using Spatiotemporal Sequential Data

Amir Bahador Parsa, Rishabh Chauhan+3 more|arXiv (Cornell University)|Dec 15, 2019

Traffic Prediction and Management TechniquesEngineering参考文献 42被引用 20

一句话总结

本研究利用长短期记忆网络（LSTM）和门控循环单元网络（GRU）对芝加哥高速公路的时空数据进行实时交通事故检测。在包含241起事故和6,038起非事故案例的不平衡数据集上，通过SMOTE数据增强技术提升了模型性能，两种模型的AUC均达到0.85，其中GRU在检测率方面表现略优。

ABSTRACT

Accident detection is a vital part of traffic safety. Many road users suffer from traffic accidents, as well as their consequences such as delay, congestion, air pollution, and so on. In this study, we utilize two advanced deep learning techniques, Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRUs), to detect traffic accidents in Chicago. These two techniques are selected because they are known to perform well with sequential data (i.e., time series). The full dataset consists of 241 accident and 6,038 non-accident cases selected from Chicago expressway, and it includes traffic spatiotemporal data, weather condition data, and congestion status data. Moreover, because the dataset is imbalanced (i.e., the dataset contains many more non-accident cases than accident cases), Synthetic Minority Over-sampling Technique (SMOTE) is employed. Overall, the two models perform significantly well, both with an Area Under Curve (AUC) of 0.85. Nonetheless, the GRU model is observed to perform slightly better than LSTM model with respect to detection rate. The performance of both models is similar in terms of false alarm rate.

研究动机与目标

• 开发一种基于时空交通数据的深度学习实时交通事故检测系统。
• 利用SMOTE技术解决交通事故数据集中的类别不平衡问题，以提升模型泛化能力。
• 比较LSTM与GRU架构在利用序列交通数据检测交通事故时的性能表现。
• 通过AUC、检测率和误报率等指标评估模型的有效性。
• 提供一种可扩展、数据驱动的解决方案，以增强城市交通安防系统。

提出的方法

• 本研究采用LSTM与GRU循环神经网络，对来自时空数据的序列交通模式进行建模。
• 输入特征包括从芝加哥高速公路采集的交通流量、速度、拥堵状态及天气条件。
• 数据集存在严重类别不平衡，包含241起事故案例与6,038起非事故案例，因此采用SMOTE对少数类进行过采样。
• 模型训练目标是将交通数据序列分类为事故或非事故事件。
• 通过AUC、检测率和误报率评估模型性能，以衡量其判别能力与可靠性。
• 通过序列建模保留数据的时间特性，实现对流式交通数据的实时推理。

实验结果

研究问题

• RQ1 LSTM与GRU模型能否有效利用时空交通数据实现实时交通事故检测？
• RQ2 交通事故数据中的类别不平衡如何影响模型性能？SMOTE能否有效缓解该问题？
• RQ3 在检测率与误报率方面，LSTM与GRU哪种循环网络架构的检测性能更优？
• RQ4 在整合交通流量与速度数据的基础上，天气与拥堵状态信息在多大程度上能提升事故检测的准确性？
• RQ5 深度学习模型能否在真实交通监控中实现高AUC的同时保持低误报率？

主要发现

• LSTM与GRU模型的曲线下面积（AUC）均达到0.85，表明其在事故检测中具备出色的判别性能。
• GRU模型的检测率略高于LSTM模型，表明其对事故事件具有更高的敏感性。
• 两种模型的误报率相近，表明其在减少误报方面具有相似的可靠性。
• SMOTE有效缓解了类别不平衡问题，在不引发过拟合的前提下提升了模型对罕见事故案例的学习能力。
• 整合时空交通数据、天气与拥堵状态信息后，模型性能显著优于仅使用交通流量与速度数据的情况。
• 结果证实，循环网络在利用序列交通数据流实现实时事故检测方面具有显著有效性。