利用车辆轨迹数据提前实时检测高速公路交通事件

大量交通事故是由道路上先前发生的事件引发的二次事故。因此，及早检测交通事件对于道路使用者从安全角度而言至关重要，并有望降低二次事故的风险。如今 GPS 设备的广泛普及为跟踪和记录车辆轨迹提供了机会。本研究旨在利用基于机器学习的算法，使用车辆轨迹数据对高速公路上的交通事件进行提前实时检测。本研究使用了路易斯安那州最易发生事故的高速公路之一 I-10 上三天的不均匀序列车辆轨迹数据和交通事件数据。为保持空间均匀性并为机器学习算法生成历史交通数据，车辆轨迹被转换为基于虚拟检测器位置的轨迹。将途中发生交通事件的行程分离出来，连同其他具有相似空间属性的行程一起用于构建建模数据库。研究使用了多种机器学习算法，如 Logistic Regression、Random Forest、Extreme Gradient Boost 和 Artificial Neural Network 模型，以检测在下游路段可能遭遇事件的轨迹。结果表明，Random Forest 模型在预测事件方面取得了最佳性能，具有合理的召回率和判别能力。