XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More

长期以来，交通和事故是两个高度相关的研究领域。交通方面的研究涉及到复杂的深度学习模型，例如提高预测准确性几个百分点。而事故方面的研究仅研究事故本身，例如推断事故风险。我们首次在一个大规模区域（16972个交通节点）上对这两个领域进行了时空对齐，时间跨度为整个2023年。我们的XTraffic数据集包括交通数据，即交通流量、车道占用率和平均车速的时间序列指标，以及与交通数据时空对齐的事故数据，包括七个不同的事故类别。此外，每个节点还包括车道的详细物理和政策级元属性。我们的数据可以革新传统的交通相关任务，提高可解释性和实践性：我们不再进行传统的预测或分类任务，而是进行：（1）事故后交通预测，以量化不同事故对交通指标的影响；（2）使用交通指标对事故进行分类，以确定预防措施；（3）在交通指标、元属性和事故之间进行全局因果分析，提供各种因素之间相互关系的高级指导；（4）在道路节点内进行局部因果分析，以研究不同事故如何影响道路段之间的关系。该数据集可在http://xaitraffic.github.io上获取。

论文旨在将交通和事故两个高度相关的研究领域进行空间和时间上的对齐，以建立一个大规模数据集XTraffic，用于进行交通相关任务的解释性和实践性研究。

论文的关键思路是将交通数据和事故数据进行对齐，建立一个包括交通流量、车道占用率、平均车速等交通指标和七种不同事故类型的数据集，同时包括车道的详细物理和政策级元属性，以进行后事故交通预测、事故分类、全局因果分析和本地因果分析等任务。

该数据集的亮点包括对交通和事故数据进行对齐、包含丰富的元属性信息、可用于解释性和实践性研究。论文使用了16,972个交通节点的数据，涵盖了整个2023年的数据。数据集已经开放，可供研究者使用。值得进一步研究的方向包括如何更好地利用元属性信息、如何将数据集应用于实际交通问题中。

最近的相关研究包括交通预测、事故分类和因果分析等方面的研究。相关论文包括《Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning》、《Traffic Accident Classification Using Deep Learning》、《Causal Inference in Statistics: An Overview》等。