警察庁オープンデータで交通事故の世界にDeepDive！
1 like5,151 views
警察庁オープンデータで交通事故の世界にDeepDive！
- 1. 警察庁オープンデータで 交通事故の世界にDeepDive！ 2021/09/25 Machine Learning 15minutes! Broadcast #59 SKUE
- 2. 自己紹介 ● 名前 ○ SKUE ( Mr_Sakaue ) ● バックグラウンド ○ 大学・大学院で経済学・統計学 ● 仕事 ○ 事業会社の分析部門のマネジャー兼データサイエンティスト ■ データサイエンティスト募集中です！ ● スキル ○ Python, R, SQL ● 趣味 ○ トランペット, ブログ作成, 料理 2 http://kamonohashiperry.com/
- 3. 研究動機 3
- 5. 先行研究 5
- 6. 先行研究 ● “Data-Driven Urban TrafficAccidentAnalysis and Prediction Using Logit and Machine Learning-Based Pattern Recognition Models” ○ 2019年〜2020年のイランの交通事故データ （Rashtという州都）で965レコード ○ 負傷or死亡のフラグを従属変数にしている。 物的損害のみは0となる。 ○ 天候や時間帯、韓国のKIA自動車かどうかな どを説明変数にしている。 6
- 7. 先行研究 ● “Comparison Analysis of Tree Based and Ensembled Regression Algorithms for Traffic Accident Severity Prediction” ○ 事故における死亡を教師データとして機械学 習を行っている事例。 ○ 2016年〜2020年のアメリカの49州の交通事 故のデータ（350万レコード）を使用 ○ 特徴量重要度としては、気温・気圧・風速・湿 度などの気象条件が上位にきている。 ○ アルゴリズムはRFなど。 7
- 8. 先行研究 ● “"A Deep Learning Approach for Detecting Traffic Accidents from Social Media Data"” ○ SNSの情報から、交通事故を予測するという 研究。 ○ 1年分のTweet（300万件）と北バージニアと ニューヨークの事故データとを関係づけた。 ○ Tweetの文章を特徴量にして、事故の有無に 関して学習を行う。 ○ アルゴリズムはDeep Belief Network (DBN) やLSTM 8
- 11. 警察庁オープンデータ ● Pros ○ 緯度経度や発生した際の日時だけでなく、天 候の情報もある。そのエリアが人口密集地か どうかや道路の形状についても細かく記載さ れている。 ● Cons ○ .xlsxというファイル名のPDFがマスタデータな ので、前処理コストが少しかかる。 ■ 2020年はファイル名が修正されてる。 ○ このマスタを使って前処理しないと分析はほと んどできない。 11
- 12. 研究概要 12
- 14. 研究計画 14
- 15. 研究計画 ● 分析設計 ● 前処理 ● EDA ● モデリング ● 可視化 15
- 16. 分析設計 ● 解くべきタスクの設定 ○ 任意の交通事故発生において、その事故が死亡事故であるかどうかを 2値分類する。 ■ 事故が発生するかどうかを明らかにしたいが、 事故発生データしかないため、タスクを限定する。 ● タスクを満たすデータの構想 ○ 機械学習で扱うデータを事故発生時点に得られると思われるデータに絞り込む。 ■ 含める：天候、時間帯、道路の種別、道路の幅、信号機の種別、人口など ■ 含めない：年齢、車両タイプ、破損箇所 ● そのエリアで発生した過去の事故における年齢分布などは利用。 16
- 17. 分析設計 ● 評価方法 ○ 事故発生からの死亡率は 0.9%と不均衡データとなっているため、 評価指標としてPR-AUC(Precision-Recall Area Under the Curve)を用いる。 ■ 不均衡データの場合、 AUCが0.8くらいと高い場合でも、 満足のいく性能を得られないことが多い。 ■ 参考："The Relationship Between Precision-Recall and ROC Curves" 17
- 18. 前処理 ● 基本方針 ○ マスタ情報（PDF）をもとにマスタのIDを名前に変換 ○ ダミー変数を作る ○ 事故発生時点に手に入るデータに絞る ● 工夫 ○ 事故データについて緯度経度から 3次メッシュ化 ○ メッシュ単位での過去の事故発生に関する情報を集計し、 事故発生時点で持ちうる、そのエリアの知見を特徴量で表現 18
- 21. EDA：都道府県 ● 事故発生の都道府県 ○ わかること ■ 人口が少ない、日本海側の都道府県 での死亡率が高い。 ■ 人口が多いエリアは死亡率が低い。 ○ なぞ ■ 1%ポイントくらい一気に落ち込むところ が2箇所ある。 21
- 22. EDA：道路の種別 ● 事故発生の道路の種別 ○ わかること ■ 林道や農道での事故は死亡率が高 い。 ■ メジャーな道路の種別に関しては差は ない。 22
- 23. EDA：時間帯 ● 事故発生の時間帯 ○ わかること ■ ほとんどは昼に起きている。 ■ 深夜や未明の死亡率は高い。 23
- 24. EDA：天候 ● 事故発生の天候 ○ わかること ■ 霧の死亡率は高い。 ■ 晴れと雨の死亡率はほぼ同じ。 ○ なぞ ■ 雨よりも曇りのほうが死亡率が 高い。 24
- 25. EDA：人口セグメント ● 事故発生の人口セグメント ○ わかること ■ 非市街地における死亡率は高い。 25
- 26. EDA：道路の形状 ● 事故発生の道路の形状 ○ わかること ■ 踏切は死亡率が高い。 ■ カーブも死亡率が高い。 26
- 27. EDA：道路の幅 ● 事故発生の道路の幅 ○ わかること ■ 綺麗な傾向はないが、小さい道路より も大きな道路の方が死亡率は高くな る。 27
- 28. EDA：速度規制 ● 事故発生の道路の速度規制 ○ わかること ■ 規制の速度域が高いと死亡率が高く なる。 28
- 29. EDA：曜日 ● 事故発生の曜日 ○ わかること ■ 土日は死亡率が高い。 29
- 30. モデリング ● アルゴリズム ○ LightGBM ● 教師データ（284,063レコードのうち2,614レコードで死亡） ○ 事故において死亡事故であるかどうかの 0-1 ■ いわゆる不均衡データ ● 特徴量（570個） ○ ダミー変数（170個ほど） ■ 死亡が明らかである特徴量以外に限っている。 ○ メッシュ単位の過去の事故に関する集計値（ 400個ほど） ○ 今後、次元圧縮や正則化の必要がある。 ● 交差検証 ○ メッシュ単位でグループ化した 10-folds CVを実行 ● パラメータチューニング ○ グリッドサーチ ■ LightGBMの一部のパラメータ ■ アンダーサンプリングの程度自体（任意の N：1） 30
- 31. モデリング ● データを期間で3分割している ○ 1.メッシュごとの過去データ集計用（ 2019-01-01〜2019-09-01） ○ 2.学習用（2019-09-01〜2020-12-01） ○ 3.テスト用（2020-12-01〜） 31 特徴量用 学習 テスト 2019-01 2019-09 2020-12
- 32. モデリング：評価指標 32 ● PR曲線 ○ AUCを大きくするように選択したパラメータ よりも、PR-AUCが高くなるように選択した パラメータのほうがAverage Precision Scoreがわずかながら高くなったが、水準 は7%程度と低い。 ● AUC ○ 79%くらいだったが、 不均衡データの場合はあてにならない。
- 35. 可視化 ● 日本地図にテスト用データに対して推論を行った際の予測スコアをプロットし、 死亡事故発生リスクの高いエリアを可視化する。 ○ GeoPandasを利用している。 ■ データフレームに緯度経度からなる地理情報の型のカラムを追加するだけなので、 非常に便利。 35
- 39. おわりに：残された課題 ● 不均衡データであることもあり、十分な分類性能に至れなかったので、精度向上 を行う必要がある。 ○ クラスタリングなどを使った特徴量も先行研究にはあり、打ち手はまだまだある。 ● 交通量のデータなどを入手できる場合、そもそもの交通事故の発生リスクなども 考慮してモデリングができるため、事故発生だけのデータでなく他のデータとも つないで分析を行うのも一手に思う。 39
- 40. Mr_Sakaueとの約束 ● 歩行者として以下の約束を結びましょう ○ 土日ないし祝前日は道路で油断をしない ○ 大きな道路での横断で油断をしない ○ 大きな交差点で油断しない ○ 霧の日には出かけない ○ 踏切で油断をしない ○ 深夜や未明では幹線道路の周辺を歩かない ○ 制限速度の高い道では油断しない ○ カーブは油断しない ○ 点滅信号で油断しない
- 41. 参考情報 ● Davis and Goadrich (2006), "The Relationship Between Precision-Recall and ROC Curves", ICML ● Mr_Sakaue, “警察庁オープンデータの前処理と死亡事故発生予測のための機械学習について ”, 個 人ブログ ● HASEGAWA etal (2007), "A BASIC STUDY ON TRAFFIC ACCIDENT DATA ANALYSIS USING SUPPORT VECTOR MACHINE", Journal of the Eastern Asia Society for Transportation Studies, Vol. 7 ● Meraldo Antonio (2019), "Live Prediction of Traffic Accident Risks Using Machine Learning and Google Maps", Towards Data Science ● https://github.com/KamonohashiPerry/traffic_accident_analysis ● Zhang et al (2018), "A Deep Learning Approach for Detecting Traffic Accidents from Social Media Data", Transportation Research Part C: Emerging Technologies 41