基于含离群值剔除与内外联合优化的双层机器学习框架的事故持续时间预测
机器学习
2022-05-19 v2
摘要
由于事件的随机性，预测交通事故持续时间是一项具有挑战性的任务。准确预测事故将持续多久，能为终端用户的路径选择以及交通运营管理者处理非重复性交通拥堵带来显著益处。本文提出一种新颖的双层机器学习框架，并辅以离群值剔除与内外联合优化，用于预测从澳大利亚悉尼和美国旧金山采集的干道与高速公路三类异质数据集上的事故持续时间。首先，我们利用事故数据日志构建二分类预测方法，将交通事故划分为短期或长期。我们寻找短期与长期交通事故持续时间之间的最优阈值，兼顾类别平衡与预测性能，并比较二分类与多分类方法。其次，为将事故持续时间预测细化到分钟级，我们提出一种新的内外联合优化算法（IEO-ML），该算法扩展了在多个数据集上针对若干回归场景测试的多种基线 ML 模型。最终结果表明：a) 40–45 分钟是区分短期与长期事故的最佳分割阈值，且应分别建模；b) 我们提出的 IEO-ML 方法在 66% 的所有案例中显著优于基线 ML 模型，展现出其在准确事故持续时间预测上的巨大潜力。最后，我们评估特征重要性，表明时间、地点、事故类型、事故报告来源与天气位列影响事故持续时长的前 10 个关键因素之中。
引用
@article{arxiv.2205.05197,
title = {Incident duration prediction using a bi-level machine learning framework with outlier removal and intra-extra joint optimisation},
author = {Artur Grigorev and Adriana-Simona Mihaita and Seunghyeon Lee and Fang Chen},
journal= {arXiv preprint arXiv:2205.05197},
year = {2022}
}