[论文解读] DxNAT - Deep Neural Networks for Explaining Non-Recurring Traffic Congestion

Fangzhou Sun, Dubey Abhishek+1 more|arXiv (Cornell University)|Jan 30, 2018

Traffic Prediction and Management Techniques被引用 3

一句话总结

本文提出DxNAT，一种深度学习模型，将区域交通速度数据转换为缩放图像，并与时间特征和事件数据融合，以检测由足球赛、冰球赛和交通事故等事件引起的非重复性交通拥堵（NRC）。通过使用自定义的交叉融合数据增强技术与卷积神经网络，DxNAT在识别足球赛引发的NRC方面实现了98.73%的准确率，优于随机森林等传统方法。

ABSTRACT

Non-recurring traffic congestion is caused by temporary disruptions, such as accidents, sports games, adverse weather, etc. We use data related to real-time traffic speed, jam factors (a traffic congestion indicator), and events collected over a year from Nashville, TN to train a multi-layered deep neural network. The traffic dataset contains over 900 million data records. The network is thereafter used to classify the real-time data and identify anomalous operations. Compared with traditional approaches of using statistical or machine learning techniques, our model reaches an accuracy of 98.73 percent when identifying traffic congestion caused by football games. Our approach first encodes the traffic across a region as a scaled image. After that the image data from different timestamps is fused with event- and time-related data. Then a crossover operator is used as a data augmentation method to generate training datasets with more balanced classes. Finally, we use the receiver operating characteristic (ROC) analysis to tune the sensitivity of the classifier. We present the analysis of the training time and the inference time separately.

研究动机与目标

• 解决利用实时交通与事件数据在大城市中检测非重复性交通拥堵（NRC）的挑战。
• 克服传统方法因使用特征向量而丢失空间信息，且在训练数据中存在类别不平衡的问题。
• 开发一种深度学习模型，能够识别由体育赛事和交通事故等多样化事件引发的NRC。
• 相比随机森林等基线模型，提升检测准确率，并降低误报率与漏报率。

提出的方法

• 将TMC格式的交通数据转换为多维图像，以保留路网各路段之间的空间关系。
• 将时间特征（如一天中的时间、星期几）与事件数据与图像表示融合，形成多模态输入。
• 设计一种交叉操作符，用于生成合成训练样本，以平衡冰球赛和交通事故等代表性不足的类别。
• 训练卷积神经网络（CNN）将交通模式分类为正常或异常，其中异常检测聚焦于事件引发的拥堵。
• 使用受试者工作特征（ROC）分析调整分类器的敏感度，以实现最佳性能。
• 在三个场景下评估模型：足球赛、冰球赛和交通事故，使用来自田纳西州纳什维尔的真实世界数据。

实验结果

研究问题

• RQ1 深度神经网络能否有效利用空间编码的交通数据检测由大型事件（如足球赛）引发的非重复性交通拥堵？
• RQ2 基于自定义交叉融合的数据增强技术在提升交通事件不平衡数据集上模型性能方面有多有效？
• RQ3 在检测事件引发的拥堵方面，基于图像转换交通数据训练的CNN模型在多大程度上优于随机森林等传统模型？
• RQ4 模型在不同影响程度的事件（如足球赛与冰球赛）中的表现如何变化？
• RQ5 尽管训练数据有限，该模型能否泛化以检测如交通事故等罕见事件引发的拥堵？

主要发现

• DxNAT在检测由足球赛引发的非重复性拥堵方面达到98.73%的准确率，显著优于随机森林基线模型（准确率为84.06%）。
• 对于观众人数较少、影响范围较小的冰球赛，DxNAT实现了90.76%的准确率，但由于拥堵模式更细微，误报率较高（23.19%）。
• 在检测交通事故引发的拥堵方面，DxNAT准确率达到86.59%，误报率为13.71%，误报率为4.44%。
• 在所有场景下，该模型的性能均持续优于随机森林模型，且误报率与误报率更低。
• 采用基于图像的表示方法与基于交叉融合的数据增强技术，显著提升了模型的鲁棒性与类别平衡处理能力。
• 分别测量了训练时间与推理时间，表明该模型在智慧城市建设应用中具备实时部署的可行性。