[论文解读] Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction

Xiao‐Wei Gao, Xinke Jiang+5 more|arXiv (Cornell University)|Sep 10, 2023

Traffic Prediction and Management Techniques被引用 6

一句话总结

本文提出STZITD-GNNs，一种新颖的时空图神经网络，通过整合零膨胀Tweedie分布来建模道路级别的交通事件风险，并实现不确定性量化。通过将图神经网络与零膨胀、过度分散的事件数据的统计建模相结合，该方法在伦敦7天和14天预测时域内实现了高精度、具备不确定性的预测，其预测区间覆盖率和区间锐度均优于基线模型。

ABSTRACT

Traffic accidents present substantial challenges to human safety and socio-economic development in urban areas. Developing a reliable and responsible traffic accident prediction model is crucial to addressing growing public safety concerns and enhancing the safety of urban mobility systems. Traditional methods face limitations at fine spatiotemporal scales due to the sporadic nature of highrisk accidents and the predominance of non-accident characteristics. Furthermore, while most current models show promising occurrence prediction, they overlook the uncertainties arising from the inherent nature of accidents, and then fail to adequately map the hierarchical ranking of accident risk values for more precise insights. To address these issues, we introduce the Spatiotemporal Zero-Inflated Tweedie Graph Neural Network STZITDGNN -- the first uncertainty-aware probabilistic graph deep learning model in roadlevel traffic accident prediction for multisteps. This model integrates the interpretability of the statistical Tweedie family model and the expressive power of graph neural networks. Its decoder innovatively employs a compound Tweedie model,a Poisson distribution to model the frequency of accident occurrences and a Gamma distribution to assess injury severity, supplemented by a zeroinflated component to effectively identify exessive nonincident instances. Empirical tests using realworld traffic data from London, UK, demonstrate that the STZITDGNN surpasses other baseline models across multiple benchmarks and metrics, including accident risk value prediction, uncertainty minimisation, non-accident road identification and accident occurrence accuracy. Our study demonstrates that STZTIDGNN can effectively inform targeted road monitoring, thereby improving urban road safety strategies.

研究动机与目标

• 为解决城市区域中稀疏、零膨胀且过度分散的数据所导致的细粒度道路级别交通事件风险预测挑战。
• 将不确定性量化整合到深度学习模型中，尤其捕捉偶发事件固有的不可减少的随机不确定性。
• 开发一种能够同时捕捉复杂时空依赖关系并准确建模事件风险分布特性的模型，包括频繁的零值和罕见的高风险事件。
• 通过平衡预测区间覆盖率（PICP）与区间宽度（MPIW），提升预测的可靠性，确保预测的置信度与精确度。
• 通过提供校准的、具备不确定性的预测结果，实现风险预测系统的实际部署，以支持城市规划与安全干预。

提出的方法

• 该模型采用零膨胀Tweedie（ZITD）分布，联合建模事件频率（类似泊松分布）与严重性（类似伽马分布），并引入零膨胀成分以处理无事件的道路路段。
• ZITD分布通过稀疏性参数π和离散度参数φ进行参数化，其中π被显式建模以增强对零值观测的表征能力。
• 时空图神经网络（ST-GNN）编码道路路段之间的空间依赖关系以及交通风险的时间动态，其输出头用于预测ZITD分布的参数。
• 模型采用基于ZITD分布负对数似然的可微分损失函数，支持端到端训练，同时优化均值预测与不确定性估计。
• 通过预测完整的分布参数（μ, φ, π）实现不确定性量化，从而生成预测区间与概率预测，而非点估计。
• 该框架在伦敦三个行政区的真实交通事件数据上进行训练与评估，并通过消融研究验证了各组件的贡献。

Figure 1 : The overall framework of STZITD-GNNs. STZITD-GNNs utilize ST-GNN Encoder $\mathcal{ST}$ (composed by GRU and GAT encoders) to encode the history time window 1:t incident risk $Y_{1:t}$ and road spatiotemporal features $X_{1:t}$ with use of road connection graph into road spatialtemporal e

实验结果

研究问题

• RQ1 深度学习模型如何有效捕捉道路级别交通事件数据的零膨胀与过度分散特性？
• RQ2 图神经网络与统计分布模型相结合，在交通事件预测中能在多大程度上提升不确定性量化能力？
• RQ3 统一模型能否在短中期与长中期预测时域内同时实现高预测准确率与可靠的不确定性估计？
• RQ4 零膨胀组件的引入在预测区间覆盖率（PICP）与区间宽度（MPIW）之间产生何种影响？
• RQ5 该模型能否在具有不同风险模式的多样化城市环境中实现良好泛化？

主要发现

• STZITD-GNN模型在伦敦所有时间窗口与风险等级下，均实现了最高的命中率与最全面的真值风险值覆盖范围。
• 该模型在平衡PICP与MPIW方面表现卓越，实现了更窄的预测区间同时保持高覆盖率，表明其具备稳健的不确定性量化能力。
• 实证评估表明，与标准Tweedie分布及基线模型相比，ZITD扩展显著提升了模型拟合效果，尤其在捕捉高比例零风险道路方面表现突出。
• ST-GNN与ZITD分布的融合使模型能够准确建模低风险与长尾高风险道路路段，其预测准确性优于现有基线模型。
• 消融研究证实，零膨胀组件对于在保持高覆盖率（PICP）的同时显著减小预测区间宽度（MPIW）至关重要。
• 该模型在伦敦三个不同行政区中均表现出良好泛化能力，表明其对多样化城市风险模式具有适应性，并对局部异质性具有鲁棒性。

Figure 2 : The map of three boroughs, London