基于并发假设增强大规模交通事故分析中的图神经网络
机器学习
2024-11-06 v1 社会与信息网络
摘要
尽管近期在减少道路死亡方面取得了进展，但交通相关死亡率的持续偏高凸显了改进安全干预的必要性。利用美国49个州大规模基于图的全国道路网络数据，我们首先从直观观察出发提出并发假设，表明在道路网络中，事故很可能在相邻节点上发生。为量化这一现象，我们引入两个新指标：平均邻近 crash 密度(ANCD)和平均邻近 crash 连续性(ANCC)，随后在统计检验中运用它们来严格验证该假设。基于这一基础，我们提出了并发先验(CP)方法，旨在增强一般图神经网络(GNN)模型在准半监督交通事故预测任务中的预测能力。我们的方法允许GNN通过分词整合并发事故信息，前述假设所述，额外参数几乎为零。广泛的实验使用美国各州和城市的真实数据表明，将CP整合到12种最先进的GNN架构中，F1分数提升3%至13%，AUC指标提升1.3%至9%。代码已公开available at https://github.com/xiwenc1/Incident-GNN-CP。
引用
@article{arxiv.2411.02542,
title = {Enhancing Graph Neural Networks in Large-scale Traffic Incident Analysis with Concurrency Hypothesis},
author = {Xiwen Chen and Sayed Pedram Haeri Boroujeni and Xin Shu and Huayu Li and Abolfazl Razi},
journal= {arXiv preprint arXiv:2411.02542},
year = {2024}
}
备注
Accepted by Sigspatial 2024