FT-AED：面向早期公路交通异常事件检测的基准数据集
机器学习
2024-06-25 v2
摘要
及时准确检测公路上的异常事件（如事故），可改善紧急响应和现场清理。然而，现有事件识别与报告存在显著延迟和错误，使问题难以解决。当前大型公路交通数据集未为异常检测设计，忽视了此类挑战。本文介绍首个大规模车道级公路交通数据集用于异常检测。该数据集包含来自 Nashville, TN 方向 Interstate 24 4 条车道、约 18 英里范围内的一个月内平日雷达探测传感器数据，总计超过 370 万次传感器测量。我们还收集来自 Nashville Traffic Management Center 的官方事故报告，并手动标记数据集中其他所有潜在异常事件。为展示该数据集在未来机器学习和交通研究中的潜力，我们在数据集上对众多深度学习异常检测模型进行基准测试。我们发现，无监督图神经网络自编码器是此问题的有前景的解决方案，而忽略空间关系会导致性能下降。我们表明，所提方法可将平均报告延迟缩短 10 分钟以上，同时检测 75% 的事故。该数据集及所有预处理代码已公开发布于 https://vu.edu/ft-aed/ 以促进未来研究。
引用
@article{arxiv.2406.15283,
title = {FT-AED: Benchmark Dataset for Early Freeway Traffic Anomalous Event Detection},
author = {Austin Coursey and Junyi Ji and Marcos Quinones-Grueiro and William Barbour and Yuhang Zhang and Tyler Derr and Gautam Biswas and Daniel B. Work},
journal= {arXiv preprint arXiv:2406.15283},
year = {2024}
}