基于风险率的交通事件持续时间动态可解释模型

理解与预测交通事件的持续时间或“恢复常态”时间，对道路交通运输网络的系统级管理与优化至关重要。刻画城市交通网络状态的多种数据源的实时可用性日益增强，加之机器学习的进展，为超越事件持续时间的静态统计分析、解决该问题的新方法提供了契机。本文考虑两项改进：随着事件新信息的获取动态更新持续时间预测，以及自动解释导致这些预测的因素。以伦敦 M25 高速公路一年的事件数据与交通状态时间序列为用例，我们训练预测事件持续时间概率分布的模型，利用数据的时间不变特征与时间变化特征。后者使预测可随事件进展及信息增多而更新。动态预测中，时间序列特征输入 Match-Net 算法——一种为临床动态生存分析近期开发的时序卷积击中时间网络。预测以静态生存回归模型及称为 landmarking 的既有动态技术为基准，经若干标准比较度量均表现更优。为提供可解释性，我们利用可解释人工智能领域的 Shapley 值概念，对不同时间视野下与模型预测最相关的特征排序。例如，一天中的时刻始终是显著影响的时间不变特征，而时间序列特征在 5 和 60 分钟视野强烈影响预测。