基于机器学习方法预测悉尼大都市区交通事故持续时间
机器学习
2024-07-08 v2 计算机与社会
摘要
本研究提出了一种综合方法，用于预测交通事故的持续时间并将其分类为短期或长期，针对悉尼大都市区。我们利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集，训练和评估了多种先进机器学习模型，包括梯度提升决策树（GBDT）、随机森林、LightGBM和XGBoost。模型采用均方根误差（RMSE）进行回归任务评估，采用F1分数进行分类任务评估。我们的实验结果表明，XGBoost和LightGBM优于传统模型，XGBoost实现了33.7的最低RMSE，用于预测事故持续时间，实现了0.62的最高分类F1分数，用于30分钟持续时间阈值。对于分类，30分钟阈值在性能与实际应用之间取得了平衡，短期持续时间分类准确率为70.84%，长期持续时间分类准确率为62.72%。特征重要性分析采用树分割计数和SHAP值方法，识别出受影响车道数、交通流量以及主要和次要车辆类型为最具影响力的特征。该提出的方法不仅实现了高预测准确率，还为利益相关者提供了洞察，帮助理解影响事故持续时间的关键因素。这些见解使我们能够更加明智地制定交通管理和应急响应策略。代码已公开链接提供：https://github.com/Future-Mobility-Lab/SydneyIncidents
引用
@article{arxiv.2406.18861,
title = {Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods},
author = {Artur Grigorev and Sajjad Shafiei and Hanna Grzybowska and Adriana-Simona Mihaita},
journal= {arXiv preprint arXiv:2406.18861},
year = {2024}
}