基于极端梯度树提升双层框架的动脉事故持续时间预测
机器学习
2019-05-30 v1 机器学习
摘要
预测交通事件持续时间是全球许多交通中心的一大挑战。由于路网高度复杂且缺乏数据，多数研究聚焦于预测高速公路而非动脉道路上的事件持续时间。本文中，我们提出一种双层框架，用于预测悉尼动脉道路网上的事故持续时间，基于事故清除目标小于45分钟的运行要求。利用事件基线信息，我们首先部署一种使用多种集成树模型的分类方法，以预测新事件是否将在45分钟内清除。若事件被分类为短期，则通过融入多种交通流特征，开发多种回归模型以分钟为单位预测实际事件持续时间。经过离群值去除以及通过随机搜索和交叉验证的密集模型超参数调优，我们表明极端梯度提升方法优于所有模型，包括梯度提升决策树约53%。最后，我们对事件持续时间预测进行特征重要性评估，表明当利用报告事故地点附近路段的实时交通流时，可获得最佳预测结果。
引用
@article{arxiv.1905.12254,
title = {Arterial incident duration prediction using a bi-level framework of extreme gradient-tree boosting},
author = {Adriana-Simona Mihaita and Zheyuan Liu and Chen Cai and Marian-Andrei Rizoiu},
journal= {arXiv preprint arXiv:1905.12254},
year = {2019}
}
备注
12 pages, 10 figures, ITS World Congress 2019