TAP：面向路网交通事故预测的综合性数据仓储

道路安全是一个重大的全球公共卫生问题。有效的交通事故预测可在减少道路交通意外方面发挥关键作用。然而，现有机器学习方法倾向于孤立地预测交通事故，而未考虑路网内不同事故位置之间的潜在关联。为纳入图结构信息，诸如图神经网络（GNNs）等基于图的方法可自然应用。然而，将GNNs应用于事故预测问题面临挑战，因为缺乏合适的图结构交通事故数据集。为弥补这一缺口，我们构建了一个真实世界的基于图的交通事故预测（TAP）数据仓储，以及两项代表性任务：事故发生预测与事故严重程度预测。该数据仓储具有全国覆盖、真实网络拓扑和丰富地理空间特征，可用于多种交通相关任务。我们利用所创建的数据集进一步对十一种最先进的GNN变体和两种非图机器学习方法进行了综合评估。在所提数据的显著助力下，我们开发了新颖的基于关联的交通脆弱性估计（TRAVEL）模型，旨在捕获路网中的角度与方向信息。我们证明所提模型一致优于基线。数据和代码已在GitHub上提供（https://github.com/baixianghuang/travel）。