基于随机生存森林的交通事件持续时间预测

采用随机生存森林模型开展交通事件持续时间分析,克服了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.该研究基于上海城市快速路网交通事件数据,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.     

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.     

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.     

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。     

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.     

基于随机森林回归和气象参数的城市空气质量预测模型——以重庆市为例

为有效进行城市空气质量预测、推进城市空气污染防治,弥补传统统计学模型在大数据时代背景下对城市空气质量预测准确率低、容错能力差等问题,提出利用随机森林回归构建城市空气质量预测模型;综合考量污染物浓度、气象参数、时间参数等多方面影响因素,通过网格搜索法调整参数的最优组合,构建基于随机森林回归算法的城市空气质量预测模型;基于重庆市2017-01-01—2020-07-31的指标数据,对重庆市空气质量进行预测分析,结果表明:在模型下训练集与测试集的确定性系数R~2均在99%以上,均方误差D_(MSE)和平均绝对误差D_(MAE)在训练集和测试集上的取值均在可接受范围内,证实模型具有运行速度快、预测误差小、具有较高的预测精度等优点,具备较好的学习能力与泛化能力。     

随机森林算法在干旱区土地利用遥感分类中的应用研究

为了验证随机森林算法在干旱区土地利用遥感分类中的效果,本文采用随机森林算法,结合Landsat8遥感影像以及DEM、NDVI等辅助数据,解译了干旱区典型流域玛纳斯河流域的土地利用图。分析结果表明:(1)分析决策树数量(k)和分类变量数量(m)对分类精度具有很大影响。通过优化2个参数得到最优随机森林模型,当k取103、m取6时,模型分类精度可达95%;(2)通过土地利用分类精度的影响因子分析发现,海拔高程和归一化植被指数对土地利用分类的影响程度比坡向的影响更大。(3)通过分类结果对比分析发现,应用随机森林算法分类的精度比用最大似然法的分类精度高9%,利用变量重要性筛选出的遥感波段构建优化随机森林模型,能有效降低遥感数据源数据量,而Kappa系数保持在0.97不变。随机森林算法可以在干旱区土地利用分类中广泛应用。     

针对城市道路拥堵的优化随机森林预测模型

为了及时对城市道路拥堵情况进行预测,缓解通行压力、降低能源损耗,通过一种结合Spark与阴阳对优化随机森林的模型预测城市道路交通拥堵情况,利用阴阳对优化算法对随机森林进行参数调优,选取决策树个数和分裂属性个数最优解,以此建立阴阳对优化随机森林(Yin-Yang-pair optimization random forest, YYPORF)城市道路拥堵情况预测模型,并通过Spark实现了YYPORF模型的并行化设计方案。结果表明,基于Spark的YYPORF准确率达到95.58%,较传统随机森林提高了3.17%;加速比达到2.83。可见,所提出的模型预测性能更优,可为大数据背景下城市智能交通管理提供可靠依据。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

基于网络层析成像技术的道路交通流预测算法

为了更有效地预测城市路网交通流量,本文提出了一种城市道路交通预测模型.该模型基于网络层析成像(Network Tomography, NT)技术建立生成树,采用期望最大 (Expectation Maximization, EM) 算法得到路网子网车流概率分布,再结合路网子网中流量守恒原则,对待预测路段流量进行推测.实验结果表明,该模型优于现常用的人工智能模型,对城市交通流量预测更为有效,且提高了预测精度.     

基于优化随机森林算法的浮动车GPS数据插补模型

为改善浮动车GPS数据因采集过程中受到干扰造成数据缺失问题,通过分析法研究了浮动车GPS数据与交通流状态和道路线形之间的关联性,提出一种基于优化随机森林算法的浮动车GPS数据插补模型,本模型针对随机森林算法插补过程中,因自身的随机性而引起插补结果具有波动性问题,在结果输出部分引入权重因子,通过线性优化算法,调节权重因子大小使输出结果波动性降低的同时满足道路线形特征。实验对6名志愿者21天的出行轨迹数据进行插补,结果表明：本文所构建的模型平均误差12.3m,相较于随机森林模型、决策树模型和线性回归模型分别减少14.9m、24.3m和239.3m,可见采用优化随机森林算法建立的插补模型有效提升了浮动车GPS数据插补精度,为交通状态分析、地图匹配等应用提供数据基础。     

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.     

城市路网供需非均衡度研究

城市路网供需非均衡运行状态是一种常态,建立一种适当的方法对城市路网的供需非均衡程度进行度量,对交通管理决策的制定具有极其重要的意义.文章从交通需求和路网供给分析入手,提出了城市路网供需非均衡度的概念和测定方法,该测定结果可作为交通管理决策部门制定交通供需协调发展政策的决策依据.最后在一简单网络上进行了供需非均衡度的分析计算.     

城市快速路异常事件发生频率的时间差异性分析

城市快速路系统长时间处于高流量高密度状态时,异常事件等小的扰动就可能引发较大规模的拥堵.根据连接路段的匝道类型对路段进行分类,利用上海市内环和中环浦西段一年的异常事件监控数据,分析了不同路段上异常事件发生频率的月变、周变与时变特征,并分别探讨了抛锚和碰撞两类异常事件与交通流特征的关系.运用负二项回归建立了异常事件发生频率基于时间差异性的估计模型.分析发现,公休日变量估计结果显著,温度只对抛锚类事件产生明显影响,天气状况对不同快速路、不同时间段和不同事件的影响显著性有较大差异.