用于事故持续时间端到端预测的机器学习框架
机器学习
2023-04-25 v1 人工智能
摘要
由车辆碰撞和碎片等非周期性事故引起的交通拥堵是交通管理中心（TMCs）面临的关键问题。及时清除事故对于提升安全性、减少出行公众的延误与排放至关重要。然而，TMCs 及其他响应方在预测事故持续时间（直至道路畅通）方面面临挑战，难以决策部署何种资源。为解决此问题，本研究开发了一个分析框架及端到端机器学习方案，基于事故发生报告接收后即可获得的信息来预测事故持续时间。对事故持续时间的优质预测可帮助 TMCs 及其他响应方采取主动方式部署响应服务，如拖车、养护队伍或启用替代路线。预测使用了分类与回归机器学习模块的组合。所开发方案的性能基于平均绝对误差（MAE，即与实际事故持续时间的偏差）、曲线下面积（AUC）和平均绝对百分比误差（MAPE）进行了评估。结果表明，该框架相比以往研究的方法显著改进了事故持续时间预测。
引用
@article{arxiv.2304.11507,
title = {Machine learning framework for end-to-end implementation of Incident duration prediction},
author = {Smrithi Ajit and Varsha R Mouli and Skylar Knickerbocker and Jonathan S. Wood},
journal= {arXiv preprint arXiv:2304.11507},
year = {2023}
}