200305 hyunwook lee

1. Forecasting Spatiotemporal Impact of
Traffic Incidents on Road Networks
Presenter: Hyunwook Lee
ICDM 2013
Pan, Bei & Demiryurek, Ugur & Shahabi, Cyrus & Gupta, Chetan

2. Overview of the Paper
• Motivation
 교통 사고 영향력 예측은 path planning에 매우 중요한 요소
 기존 알고리즘은 사고의 영향력을 qualitative하게 분석/예측하지 못함
 기존의 논문은 가상의 데이터를 이용해 실험하기 때문에 현실적이지 못
함
• Contribution of the paper
 사고가 도로에 미치는 영향력을 quantitative하게 분석/예측
 실험에 실제 데이터를 사용함(4,230 sensors, 6,811 incidents)
 기존 논문과 달리 예측 시에 traffic density등을 추가적으로 이용

3. Model description
• Speed change ratio
2

4. Model description
• Speed change ratio를 특정
threshold로 잘라서 backlog
생성
 Backlog: b = {b0, b1, b2, …, bt},
bt : t 시점에서의 사고의 영향
이 도달한 거리
• Sensor data를 이용 
interpolation 필요
• 여러 threshold를 사용해 여
러 개의 backlog 생성, 용도에
따라 사용가능
3

5. Impact prediction – Problem definition
• 예측을 위해 clustering 사용
• 사용하는 feature에 따라 PAD, PADI, PAI의 3종류 approach 존재
4

6. Impact prediction – Cluster
• 사고 분류시 1) 기존에 있던 방법으로 분류 2) 그 시간대의 traffic densit로 분류 3)
backlog의 모양으로 분류를 순차적으로 사용
• 분류시에는 average silhouette coefficient를 기준으로 최대한 많은 cluster로 분류
5

7. Impact prediction – approach
• clustering 및 prediction에 사용
하는 features에 따라서 3가지
approach 존재
• PAD: clustering에 density 이용
• PADI: clustering에 density 이용,
예측시 initial behavior 이용
• PAI: 예측시 initial behavior 이용
6

8. Experiment results
7

9. Criticism
• Traffic density 정보가 보통 교통 데이터에서는 정확하지 않거나 존재
하지 않아 사용하기가 힘듬(PAD, PADI)
• 모델이 이미 존재하는 backlog에 의존함
• 정확한 Clustering을 위해서 대량의 데이터가 필요(e.g. 1~3년)
• 영향을 미치는 범위/시간은 예측 가능하지만 언제 정상 속도로 돌아
오는 지를 예측하지는 않음
• Threshold 설정에 따라서 예측 정확도가 달라지고, 보통 speed data는
노이즈가 많아 사용시에 어려움이 있을 가능성이 높음
8

10. Thank you
Any questions?