基于随机生存森林的城市快速路交通事件持续时间预测研究

交通事故、抛锚等交通事件对城市快速路的运行影响极大;准确预测交通事件的持续时间可有助于主动交通管理措施的实施,提升通行效率与安全。本研究采用随机生存森林模型开展交通事件持续时间分析,以克服传统决策树模型易过度拟合和传统生存分析需限制性假定及识别协变量交互作用的缺陷。研究基于上海城市快速路网交通事件数据,并结合道路几何线形、交通运行、天气状况等数据。原始数据库分为训练数据(80%)和测试数据(20%)。分析结果表明事件类型、路段长度、发生地点、剩余车道数、交通流量等变量对交通事件持续时间有显著影响;影响时间预测准确率结果表明随机生存森林模型预测精度显著优于随机森林的预测精度。     

基于变量分析和粒子群优化加权随机森林的交通事件检测方法

为了提高高速公路交通事件检测的效果,首先从交通流基本参数、交通流组合参数、不同区间交通流参数对交通事件参数的变化进行全面的分析,构建交通事件初始特征变量集,并利用AdaBoost算法、梯度提升树(GBDT)算法、随机森林(RF)算法对初始特征变量进行筛选,通过三种方法综合比较分析得出最终的重要变量.对随机森林中的决策树进行加权计算,构建加权随机森林,并利用粒子群(PSO)算法优化加权随机森林模型.通过采集的高速公路交通事件数据进行对比分析,实验结果表明,在交通事件初始特征变量中筛选出重要变量,对检测的精度有所提高,加权随机森林的检测性能也要优于传统的支持向量机(SVM)和随机森林.     

删失数据下事件持续时间多因素生存分析模型

交通事件持续时间是事故管理研究中最重要的指数之一,应用半参数比例风险模型和参数加速失效模型分析了多因素事件持续时间及其危险因子之间的关系.利用浙江省某高速公路3年内采集的事件数据,通过对交通事件各状态概率分布函数的显著性分析,比较了比例风险模型和加速失效模型对协变量选择及生存率对共同协变量的敏感性.基于Cox比例风险模型和对数罗吉斯蒂加速失效模型的参数估计表明,有6个显著性的协变量入选各自估计的生存函数,包括报警时段、事故类型、报警方式、占用车道数、受伤人数和当场亡人.对于最显著示性变量(当场亡人),持续时间生存概率估计曲线表明,加速失效模型对于该变量更敏感,且Cox比例风险模型更适合于短时持续时间的预测.此外,生存模型可以基于事故报告信息预测持续时间大小的概率,有益于事故预后措施的实施及为紧急救援提供决策参考.     

基于风险分析的交通事件持续时间预测

采用基于风险分析的参数估计方法,利用嘉兴市辖区高速公路上1 062个交通事件持续时间数据,建立交通事件持续时间的威布尔加速失效时间预测模型.并用265个交通事件数据对模型的预测精度进行检验.检验结果表明,交通事故持续时间预测误差小于30min的准确率为78%,而只考虑持续时间大于10min的抛锚事件时,其持续时间预测误差小于10min的准确率为70%.基于风险分析的方法比仅基于贝叶斯或仅基于决策树算法的预测精度更高,数据利用范围更大.     

基于贝叶斯决策树的交通事件持续时间预测

采用基于贝叶斯方法的决策树算法,利用上海市中心城区1536个交通事件持续时间数据,建立交通事件持续时间的预测模型.结果表明,事件类型是决策树中的第一层测试属性,不同类型事件的特性属性在决策树中的位置并不相同.并用384个交通事件数据对模型的预测精度进行检验.检验结果表明,抛锚事件持续时间预测误差小于10 min的正确率为79%,而交通事故持续时间预测误差小于20 min的正确率为65%.基于贝叶斯推理的决策树算法比仅基于贝叶斯或仅基于决策树算法的分类精度更高,鲁棒性更强.     

交通事件持续时间分布拟合及其加速消散模型

对某高速公路交通事件管理系统中记录的3年交通事件信息进行了数据统计处理,对交通事件持续时间的随机分布进行了多种拟合分析和分布检验,构建了基于对数逻辑斯特分布的交通事件持续时间加速消散模型.该预测模型可以使用不同的拟合分布并接受缺失数据,样本检验能很好地预测交通事件持续时间及其累积结束概率.     

快速路交通事件持续时间预测模型研究

针对城市快速路交通事件持续时间影响因素的复杂性和不确定性,结合贝叶斯网络和非参数回归方法,提出了一种新的快速路交通事件持续时间预测模型.采用上海市快速路监控中心数据,经过降噪处理,生成样本数据;在分析样本数据特征基础上,确定了贝叶斯网络的结构学习方法与参数学习方法;对贝叶斯网络模型的结果用非参数回归算法生成持续时间预测值.最后,对模型预测精度进行了验证,发现模型预测效果较好.     

机非交互路段非机动车越线超车行为建模与仿真

为了准确描述机非交互路段的非机动车越线超车行为,在越线超车特征分析及关键指标定义的基础上,提出了基于生存分析的超车时间预测模型,对越线超车行为的持续时间进行预测,并通过实测的160组非机动车越线超车轨迹数据对模型参数进行标定.为验证模型在混合交通流的应用有效性,整合非机动车纵向行驶模型、换道动机模型、间隙选择模型等,将模型应用于团队自主研发的微观交通仿真软件TESS NG中,并与经典的微观交通仿真软件VISSIM进行对比.基于实际路段的仿真分析结果表明,在非机动车越线超车持续时间方面,TESS NG的仿真精度为90.12%,高于VISSIM的67.4%;在中位生存时间方面,TESS NG仿真误差仅为2.56%,优于VISSIM的43.58%.     

城市快速路交通事件自动检测算法

为了进一步提高城市快速路交通事件检测的精度,在分析交通事件上、下游交通流参数变化规律的基础上,构建包含12个变量的交通事件检测初始变量集,并采用随机森林方法对初始变量集的关键变量进行筛选,进而构建基于粒子群优化的组合核函数相关向量机模型。最后,利用上海市南北高架快速路的感应线圈实测参数进行实验验证和对比分析。研究结果表明:关键变量筛选可以有效提高交通事件检测的精度,组合核函数相关向量机模型也明显优于单一核函数相关向量机模型和支持向量机模型。     

快速路交通流运行安全关键参数识别与评估

基于上海市两条快速路采集的事故数据和相应检测器数据,应用随机森林模型对事故发生前5~10min内的交通流数据进行重要变量筛选.利用基于高斯混合模型和最大期望算法的贝叶斯网络(BN)模型对快速路实时交通流事故风险进行建模分析,并对建立的BN模型进行了可转移性测试.结果表明:选取重要变量后建立的BN模型效果优于使用直接检测数据建立的模型,事故预测准确率达到82.78%;可转移性测试中BN模型的事故预测准确率虽有所下降,但整体预测精度和事故预测精度仍都优于利用直接检测数据建立的模型.