基于神经网络的实时事故预测方法研究进展

道路交通事故预测作为道路主动安全管理的重要组成部分,在降低事故发生概率、帮助管理者制定安全决策等方面起着重要作用。随着数据需求的不断增加,传统方法已无法满足大数据的需求,机器学习和人工智能算法在动态、实时和复杂情况下的道路交通事故预测领域显示出强大的潜力。文章从数据获取和特征变量选择开始介绍,详细叙述了基于机器学习的神经网络及与深度学习结合后该方法在国内外的相关研究,分析了使用神经网络相关方法在建模时会面临的优缺点,最后对基于神经网络的交通实时事故预测方法进行了总结及展望,给出未来的发展趋势。

异常驾驶行为数据驱动的高速公路实时事故风险预测

为研究事故风险的关键致因,建立高速公路实时事故风险预测模型,探究异常驾驶行为对事故风险的影响,采集了G25高速公路长兴段7日的交通事故及4种异常驾驶行为,即急左变道、急右变道、急加速与急制动行为的数据。基于随机森林模型,对事故前一段时间内上游及下游各250 m内4种驾驶行为的频数与该路段事故风险的关系进行拟合,建立了高速公路实时事故风险预测模型,并使用特征重要度图和部分依赖图(PDP)对模型进行了解释。采用受试者工作特征曲线下面积(AUC)与精度对模型预测效果进行了评价,通过特征重要度评价各变量对事故风险的影响。研究发现,该模型具有良好的泛化性能与准确率,在验证集上的AUC和精度分别可达到0.809和0.821。其PDP表明事故前15 min及30 min内上下游急加速和急制动行为的频数对事故风险的影响较大,且两者之间存在非线性关系,其中,急制动行为的数量与事故风险的部分依赖图均具有S形曲线特征。综上,使用异常驾驶行为数据作为变量建立的事故预测模型具有良好的预测性能与可解释性,可用于事故风险预测与预防,助力事故致因研究。该方法具有辅助管理部门进行风险预警的实用价值,为高速公路实时事故防控提供参考。