一种用于交通事故持续时间预测的双层框架：在实用最优流程中利用天气与道路条件数据
人工智能
2023-11-07 v2
摘要
由于事件的随机性，预测交通事故的持续时间是一项艰巨的挑战。准确的持续时间估计可为通勤者选择最优路线以及交通管理人员处理非重复性拥堵问题带来显著优势。在本研究中，我们从交通事故数据库中收集了事故持续时间、道路状况和气象数据，以验证在不使用事故严重程度和文本描述等事故上下文信息数据的情况下，交通事故持续时间预测流程的可行性。我们采用多种机器学习模型来预测事故对道路交通的影响是短期还是长期，然后利用双模态方法确定事故影响的精确持续时间。我们的二分类随机森林模型以83%的准确率区分短期与长期影响，而LightGBM回归模型在短期和长期事故持续时间预测中的平均绝对误差（MAE）值分别为26.15和13.3、均方根误差（RMSE）值分别为32.91和28.91，优于其他机器学习回归模型。利用前一节确定的最优分类与回归模型，我们构建了一个端到端流程以整合整个过程。单独与组合方法的结果均与先前工作相当，这表明仅使用静态特征预测交通事故持续时间具有适用性。SHAP值分析确定天气状况、风寒和风速为决定事故持续时间最具影响力的因素。
引用
@article{arxiv.2311.00634,
title = {A Bi-level Framework for Traffic Accident Duration Prediction: Leveraging Weather and Road Condition Data within a Practical Optimum Pipeline},
author = {Rafat Tabassum Sukonna and Soham Irtiza Swapnil},
journal= {arXiv preprint arXiv:2311.00634},
year = {2023}
}