コネクテッド車両データとディープラーニングモデルを用いた交差点の衝突リスクの効率的なマッピング

Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models.

• Jiajie Hu
• Ming-Chun Huang
• Xiong Yu

抄録

衝突リスクの高い道路を特定する従来の方法は、主に過去の衝突データに基づいている。交通安全評価に十分な量のデータセットを収集するには、通常3年以上の時間が必要となる。しかし、新興のコネクテッド・ビークル（CV）技術は、豊富な瞬時情報を生成し、危険な道路区間をプロアクティブに特定するために使用することができる。衝突しやすい交差点の情報をCVの通信技術を介して周囲の車両と共有することで、慎重な運転行動を促すことができ、長期的には潜在的な衝突を防ぐための対策を実施することができる。本研究では、ミシガン州安全パイロットプログラムのCVsデータと、米国ミシガン州アナーバー周辺の過去の交通事故・交差点事故データをもとに、ディープラーニングに基づいて交差点のリスクレベルを予測する手法を提案しました。分析には、交差点のCVによる1ヶ月間のデータを使用しており、全体のトリップの約3%～12%を占めている。年間の衝突率から774の交差点のリスクレベル（低リスク、中リスク、高リスク）を決定した。CVのデータと各交差点の交通データの両方に特徴抽出処理を適用し、24個の特徴を抽出した。抽出された特徴量を用いて、多層パーセプトロン（MLP）と畳み込みニューラルネットワーク（CNN）の2つのブラックボックス深層学習モデルが学習される。予測性能に影響を与える多くのハイパーパラメータは、各モデルに対してベイズ最適化アルゴリズムを用いて微調整されている。また、ブラックボックスモデルである2つのディープラーニングモデルの性能を、ホワイトボックス型の単純機械学習モデルである決定木モデルと比較した。その結果、ディープラーニング（DL）モデルの精度は、決定木モデル（約87％）よりもわずかに優れていた（いずれも90％以上）。これは、DLモデルがデータセットに内在する複雑さを明らかにする能力を持っているため、従来の機械学習モデルよりも高い精度を提供していることを示している。CNNモデルはわずかに高い精度（93.8%）を達成しており，実際に交差点のリスクレベルを予測するための分類器として推奨されている．また，CNNモデルの解釈可能性分析を行い，モデルの妥当性を確認した．本研究では，CVデータ（V2V，V2I）とディープラーニングネットワーク（本論文で使用したMLPとCNN）を組み合わせることで，時間効率が高く，CV普及率の低い交差点でも衝突リスクを判定することが可能であり，衝突率低減のための対策を展開し，交通安全上の問題を解決することが可能であることを示した．

Traditional methods for identifying crash-prone roadways are mainly based on historical crash data. It usually requires more than three years to collect a sufficient amount of dataset for road safety assessment. However, the emerging connected vehicles (CVs) technology generates rich instantaneous information, which can be used to identify dangerous road sections proactively. Information about the identified crash-prone intersections can be shared with the surrounding vehicles via CVs communication technology to promote cautious driving behaviors; in the longer term, such information will guide the implementation of countermeasures to prevent potential crashes. This study proposed a deep-learning based method to predict the risk level at intersections based on CVs data from the Michigan Safety Pilot program and historical traffic and intersection crash data in areas around Ann Arbor, Michigan, USA. One month of data by CVs at intersections were used for analyses, which accounts for about 3%-12% of overall trips. The risk levels of 774 intersections (i.e., low, medium and high risk) are determined by the annual crash rates. Feature extraction process is applied to both CV's data and traffic data at each intersection and 24 features are extracted. Two black-box deep-learning models, multi-layer perceptron (MLP) and convolutional neural network (CNN) are trained with the extracted features. A number of hyperparameters that affect prediction performance are fine-tuned using Bayesian optimization algorithm for each model. The performance of the two deep learning models, which are black-box models, were also compared with a decision tree model, a white-box type of simple machine learning model. The results showed that the accuracies of deep learning (DL) models were slightly better (both over 90 %) than the decision tree model (about 87 %). This indicated that the DL models were capable of uncover the inherent complexity from the dataset and therefore provided higher accuracy than the traditional machine learning model. CNN model achieves slightly higher accuracy (93.8 %) and is recommended as the classifier to predict the risk level at intersections in practice. The interpretability analysis of the CNN model is conducted to confirm the validity of the model. This study shows that combination of CVs data (V2V and V2I) and deep learning networks (i.e. MLP and CNN used in this paper) is promising to determine crash risks at intersections with high time efficiency and at low CV penetration rates, which help to deploy countermeasures to reduce the crash rates and resolve traffic safety problems.

Copyright © 2020 Elsevier Ltd. All rights reserved.