基于高级聚类和贝叶斯网络的事故驱动拥堵预测与仿真：一个可解释框架
机器学习
2025-07-31 v1 人工智能
摘要
由于不确定性因素（如事故）导致的交通拥堵是城市地区的重要问题，因为事故的涟漪效应会导致更长的延误、增加的排放量以及安全隐患。为此，我们提出了一个用于预测事故对拥堵影响的稳健框架。我们实现了基于 AutoML 增强的深度嵌入聚类 (DEC) 来为事故数据分配拥堵标签，并使用贝叶斯网络 (BN) 预测拥堵概率。城市交通仿真 (SUMO) 仿真用于基于证据情景评估 BN 预测的正确性。结果表明，AutoML 增强的 DEC 在准确率和压缩性能上均优于最新方法。在 CIFAR-10 上，ResNet-20 仅实现 1.52\% 的准确率下降，模型大小降低 85.2\%；在 ImageNet2012 上，ResNet-50 仅实现 1.63\% 的准确率下降，模型大小降低 69.1\%。
引用
@article{arxiv.2507.22529,
title = {Accident-Driven Congestion Prediction and Simulation: An Explainable Framework Using Advanced Clustering and Bayesian Networks},
author = {Kranthi Kumar Talluri and Galia Weidl and Vaishnavi Kasuluru},
journal= {arXiv preprint arXiv:2507.22529},
year = {2025}
}