FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection
作者: Austin Coursey, Junyi Ji, Marcos Quinones-Grueiro, William Barbour, Yuhang Zhang, Tyler Derr, Gautam Biswas, Daniel B. Work
分类: cs.LG
发布日期: 2024-06-21 (更新: 2024-06-24)
💡 一句话要点
FT-AED：首个大规模高速公路异常事件早期检测基准数据集
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 高速公路交通 异常事件检测 深度学习 图神经网络 数据集 交通管理 早期预警
📋 核心要点
- 现有高速公路交通数据集缺乏异常检测设计，难以应对事件识别和报告中的延迟与错误。
- 提出FT-AED数据集，包含车道级雷达数据和人工标注，旨在促进高速公路异常事件的早期检测研究。
- 实验表明，基于图神经网络的自编码器在该数据集上表现出色，能有效降低报告延迟并检测到大部分事故。
📝 摘要（中文）
本文提出了首个大规模车道级别的高速公路交通异常事件检测数据集FT-AED。该数据集包含在田纳西州纳什维尔方向的I-24州际公路上，为期一个月的工作日内，4条车道的雷达检测传感器数据，总计超过370万个传感器测量值。同时，收集了纳什维尔交通管理中心的官方事故报告，并手动标注了数据集中所有其他潜在的异常事件。为了展示该数据集在未来机器学习和交通研究中的潜力，本文在数据集上对多种深度学习异常检测模型进行了基准测试。结果表明，无监督图神经网络自编码器是解决该问题的一个有希望的方案，而忽略空间关系会导致性能下降。实验证明，该方法可以在检测到75%的事故的同时，平均减少10分钟以上的报告延迟。数据集和所有预处理代码已公开发布在https://vu.edu/ft-aed/，以促进未来的研究。
🔬 方法详解
问题定义：现有的大规模高速公路交通数据集并非专门为异常检测而设计，忽略了事件识别和报告中存在的延迟和错误。这使得利用机器学习方法进行早期和准确的异常事件检测变得困难。因此，需要一个专门设计的数据集来解决这个问题。
核心思路：论文的核心思路是构建一个包含丰富传感器数据和人工标注的高速公路交通数据集，并利用该数据集对现有的异常检测模型进行基准测试。通过提供高质量的数据和基准结果，促进未来机器学习和交通研究的发展。同时，强调了空间关系在异常检测中的重要性。
技术框架：整体框架包括数据收集、数据预处理、异常标注、模型训练和评估等几个主要阶段。首先，从雷达传感器收集车道级别的交通数据，并从交通管理中心获取事故报告。然后，对数据进行清洗和预处理，并手动标注潜在的异常事件。最后，使用标注的数据集训练和评估各种深度学习异常检测模型，包括基于图神经网络的自编码器。
关键创新：该论文的关键创新在于构建了首个大规模车道级别的高速公路交通异常事件检测数据集FT-AED。该数据集不仅包含了丰富的传感器数据，还进行了精细的人工标注，为研究人员提供了一个可靠的基准平台。此外，论文还强调了空间关系在异常检测中的重要性，并验证了基于图神经网络的方法的有效性。
关键设计：论文中使用了多种深度学习异常检测模型进行基准测试，包括基于图神经网络的自编码器。这些模型的设计细节未在摘要中详细说明，但强调了图神经网络在捕捉空间关系方面的优势。损失函数和网络结构等具体技术细节需要在论文全文中查找。
🖼️ 关键图片
📊 实验亮点
实验结果表明，基于图神经网络的自编码器在该数据集上表现出色，能够检测到75%的事故，同时平均减少10分钟以上的报告延迟。这表明该方法具有显著的实用价值，能够有效提高高速公路交通管理的效率。
🎯 应用场景
该研究成果可应用于智能交通系统，实现高速公路异常事件的早期预警，从而提高应急响应效率，减少交通拥堵和事故造成的损失。未来，结合更丰富的传感器数据和更先进的算法，有望实现更精准、更实时的交通异常事件检测与预测。
📄 摘要（原文）
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.