[论文解读] Graph Neural Networks for Road Safety Modeling: Datasets and Evaluations for Accident Analysis

Nippani, Abhinav, Dongyue Li+3 more|arXiv (Cornell University)|Oct 31, 2023

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文提出一个大规模、统一的900万条美国各州交通碰撞记录数据集，整合了道路网络和交通流量数据，用于评估图神经网络（GNN）在道路安全建模中的表现。采用GraphSAGE结合多任务学习与迁移学习的方法，在各州的事故数量预测中实现<22%的平均绝对误差，在二值事故发生分类中实现>87%的AUROC。

ABSTRACT

We consider the problem of traffic accident analysis on a road network based on road network connections and traffic volume. Previous works have designed various deep-learning methods using historical records to predict traffic accident occurrences. However, there is a lack of consensus on how accurate existing methods are, and a fundamental issue is the lack of public accident datasets for comprehensive evaluations. This paper constructs a large-scale, unified dataset of traffic accident records from official reports of various states in the US, totaling 9 million records, accompanied by road networks and traffic volume reports. Using this new dataset, we evaluate existing deep-learning methods for predicting the occurrence of accidents on road networks. Our main finding is that graph neural networks such as GraphSAGE can accurately predict the number of accidents on roads with less than 22% mean absolute error (relative to the actual count) and whether an accident will occur or not with over 87% AUROC, averaged over states. We achieve these results by using multitask learning to account for cross-state variabilities (e.g., availability of accident labels) and transfer learning to combine traffic volume with accident prediction. Ablation studies highlight the importance of road graph-structural features, amongst other features. Lastly, we discuss the implications of the analysis and develop a package for easily using our new dataset.

研究动机与目标

• 为解决缺乏公开、全面的事故数据集以评估交通碰撞预测模型的问题。
• 构建一个统一的、大规模的数据集，整合多个美国州的交通事故记录、道路网络拓扑结构和交通流量数据。
• 利用新数据集评估现有深度学习方法（尤其是图神经网络）在事故预测中的表现。
• 研究道路结构特征和跨州差异对模型性能的影响。
• 通过发布软件包，实现研究的可复现性，便于访问和使用新数据集。

提出的方法

• 从官方美国各州交通事故报告中构建大规模、统一的数据集，并补充道路网络结构和交通流量数据。
• 应用GraphSAGE这一图神经网络架构，对道路网络中的空间依赖性和结构关系进行建模，以实现事故预测。
• 采用多任务学习，联合预测事故数量和二值事故发生情况，提升在标签可用性差异较大的各州之间的泛化能力。
• 使用迁移学习将交通流量特征整合进GNN框架，提升预测性能。
• 开展消融研究，以分离图结构特征与其他输入特征对性能的独立贡献。
• 开发并发布一个软件包，以促进新数据集和模型的访问与复用。

实验结果

研究问题

• RQ1 图神经网络在真实世界数据下，对道路网络中交通事故发生的预测准确度如何？
• RQ2 整合道路网络拓扑结构和交通流量数据对事故预测性能有何影响？
• RQ3 数据可用性和标注的跨州差异如何影响模型的泛化能力？
• RQ4 哪些特征（尤其是图结构特征）对准确预测事故最为关键？
• RQ5 多任务学习与迁移学习能否提升事故预测模型的鲁棒性和准确性？

主要发现

• GraphSAGE在预测道路路段事故数量时，平均绝对误差低于22%（相对于实际数量）。
• 该模型在判断某条道路路段是否发生事故的二值分类任务中，AUROC得分超过87%。
• 消融研究显示，图结构特征显著提升了预测性能，凸显其重要性。
• 多任务学习有效缓解了各州事故标签可用性差异带来的影响，增强了模型鲁棒性。
• 迁移学习实现了交通流量数据与GNN的有效融合，进一步提升了预测准确性。
• 所提出的数据库和软件包为道路安全建模的可复现性与可扩展性研究奠定了基础。