[论文解读] FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection

Austin Coursey, Junyi Ji+6 more|arXiv (Cornell University)|Jun 21, 2024

Anomaly Detection Techniques and Applications被引用 4

一句话总结

本文提出了FT-AED，这是首个用于早期异常检测的大规模车道级高速公路交通数据集，包含2023年10月田纳西州纳什维尔49个I-24高速公路传感器采集的370万条雷达传感器测量数据。基于该基准数据集，作者利用无监督图神经网络自编码器，平均将车祸报告延迟减少了10分钟以上，同时检测到75%的车祸，证明了时空建模在早期事件检测中的有效性。

ABSTRACT

Early and accurate detection of anomalous events on the freeway, such as accidents, can improve emergency response and clearance. However, existing delays and errors in event identification and reporting make it a difficult problem to solve. Current large-scale freeway traffic datasets are not designed for anomaly detection and ignore these challenges. In this paper, we introduce the first large-scale lane-level freeway traffic dataset for anomaly detection. Our dataset consists of a month of weekday radar detection sensor data collected in 4 lanes along an 18-mile stretch of Interstate 24 heading toward Nashville, TN, comprising over 3.7 million sensor measurements. We also collect official crash reports from the Nashville Traffic Management Center and manually label all other potential anomalies in the dataset. To show the potential for our dataset to be used in future machine learning and traffic research, we benchmark numerous deep learning anomaly detection models on our dataset. We find that unsupervised graph neural network autoencoders are a promising solution for this problem and that ignoring spatial relationships leads to decreased performance. We demonstrate that our methods can reduce reporting delays by over 10 minutes on average while detecting 75% of crashes. Our dataset and all preprocessing code needed to get started are publicly released at https://vu.edu/ft-aed/ to facilitate future research.

研究动机与目标

• 为解决在大规模、车道级高速公路交通数据集中专门针对异常检测的显著缺口，尤其是在现实世界中车祸报告存在延迟的背景下。
• 开发一个能捕捉现实世界事件报告不确定性的基准数据集，以支持异常检测模型的稳健评估。
• 利用真实世界传感器数据，建立无监督深度学习方法在早期高速公路事件检测中的基线。
• 证明通过图神经网络建模空间关系，可显著提升检测性能，优于仅依赖时间或特征的模型。

提出的方法

• 该数据集由2023年10月在田纳西州纳什维尔I-24高速公路18英里长、4车道路段上，49个传感器每30秒采集的雷达测量数据（速度、占有率、流量）构建而成。
• 真实车祸标签来自纳什维尔交通管理中心的官方记录，额外异常由专家基于速度曲线分析手动标注。
• 构建时空图，其中节点表示特定时间点的特定车道和传感器，边编码空间邻近性和时间连续性。
• 训练基于自编码器的无监督异常检测模型，包括图神经网络（GNN）自编码器，通过重建正常交通模式并利用重建误差识别异常。
• GNN自编码器模型同时学习空间（车道与传感器邻近性）和时间（时间序列动态）依赖关系，提升对如车祸等局部异常的检测能力。
• 通过AUC和延迟指标评估性能，重点关注在官方报告前检测到车祸的能力。

实验结果

研究问题

• RQ1 无监督深度学习模型能否在官方报告前更早检测到高速公路交通异常，尤其是在标注数据存在延迟的情况下？
• RQ2 在高速公路交通数据中，将车道与传感器之间的空间关系纳入模型，对异常检测模型性能有何影响？
• RQ3 基于重建的自编码器模型在检测车道级交通异常方面，与纯时间或特征模型相比，优势有多大？
• RQ4 车祸报告时间的不确定性如何影响异常检测模型的评估与训练？
• RQ5 图神经网络自编码器能否有效建模复杂的时空交通动态，从而提升车祸的早期检测能力？

主要发现

• 无监督图神经网络自编码器在检测交通异常方面优于纯时间或特征模型，凸显了空间建模的重要性。
• 使用时空图显著提升了检测性能，减少了漏报，并通过捕捉局部扰动实现了更早检测。
• 所提方法在官方报告前17分钟检测到一起车祸，显著降低了报告延迟。
• 重建误差分析表明，异常交通状态（尤其是车祸现场附近）的重建误差更高，验证了该方法对异常的敏感性。
• 数据集显示，许多车祸在15分钟以上才被报告，凸显了自动化系统在减少响应延迟方面的需求。
• 研究发现，由于报告延迟的存在，标准AUC指标可能对复杂现实异常（如车祸）产生误导，提示需要采用替代评估指标。