事件编码与相异度度量对基于事件序列的交通事故刻画之影响
应用统计
2023-03-03 v1 机器学习
摘要
先前的研究表明，事故序列分析对于刻画事故和识别安全对策是有用的。序列分析高度依赖领域，但其各种技术尚未针对适应事故序列进行评估。本文评估编码与相异度度量对事故序列分析与聚类的影响。研究了 2016–2018 年美国州际公路单车事故的序列数据。通过评估序列聚类结果，比较了两种编码方案与五种基于最优匹配的相异度度量。基于相异度矩阵间的相关性，将五种相异度度量分为两组。基于与基准事故分类的一致性确定了最优相异度度量与编码方案。基于转移率、局部化的的最优匹配相异度与整合式编码方案与基准具有最高一致性。评估结果表明，相异度度量与编码方案的选择决定了序列聚类与事故刻画的结果。一种考量事件间关系与领域语境的相异度度量往往在事故序列聚类中表现良好。一种整合相似事件的编码方案自然地将领域语境纳入考量。
引用
@article{arxiv.2302.11077,
title = {Impact of Event Encoding and Dissimilarity Measures on Traffic Crash Characterization Based on Sequence of Events},
author = {Yu Song and Madhav V. Chitturi and David A. Noyce},
journal= {arXiv preprint arXiv:2302.11077},
year = {2023}
}