利用网联车辆数据预测飓风疏散期间的实时碰撞风险

为拯救沿海地区民众生命而下达的飓风疏散指令会产生高交通需求并增加碰撞风险。为缓解此类风险，交通机构需要预判具有高碰撞风险的高速公路路段以部署适当对策。借助普适的传感器与通信技术，如今已可获取包含个体车辆轨迹与速度信息的微观车辆数据。此类高分辨率车辆数据可潜在实时获取，并可用于评估当前交通安全状况。利用车辆速度与加速度剖面，可实时预测潜在碰撞风险。以往关于实时碰撞风险预测的研究主要使用基于基础设施的传感器数据，其可能无法覆盖许多路段。本文中，我们提出利用一种称为网联车辆数据的新型替代数据源来确定飓风疏散期间的潜在碰撞风险。此类数据包含以极高频率（小于30秒）采集的车辆位置、速度和加速度信息。为预测潜在碰撞风险，我们使用了在路易斯安那州10号州际公路（I-10）上飓风艾达疏散期间收集的数据集。我们考虑天气特征以及从5分钟间隔的网联车辆数据中提取的不同交通特征，训练了多个机器学习模型。结果表明，Gaussian Process Boosting（GPBoost）和Extreme Gradient Boosting（XGBoost）模型的表现优于其他模型（召回率 = 0.91）。用于碰撞风险评估的实时网联车辆数据将使交通管理者能够高效利用资源并主动采取安全措施。