基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时,存在大量指标变量,导致数据难以采集,不仅不利于构建预测模型,且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量,提升预测模型可用性,降低预测模型过拟合影响,构建具有可解释性的2种交通流稳定性系数以简化指标集,分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据,选用支持向量机、随机森林、Logistic回归模型,分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性,以检验其有效性;通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用,并通过训练耗时评估模型的计算效率,以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922,显著大于其他受试指标,与交通事故实时风险显著相关。在3种预测模型中,包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%,与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%;平均AUC值差异分别为1.61%和5.87%;平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性,同时显著提升了模型的计算效率。

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。

基于随机森林模型的智慧高速公路交通事故预测研究与应用

近几年来,高速公路事故发生率居高不下,事故后果严重、伤害性大,因此,众多学者开展高速公路事故预测研究。基于随机森林模型,以S45天黎高速公路五台至盂县段(K347+600-K362+600)为示范应用,提取历史数据中的事故样例与非事故样例进行对比,通过对历史交通流量和事故检测器数据进行分析,对高速公路上的事故风险进行实时预测,实现交通事故识别。

区分冲突类型的路段实时碰撞风险预测模型

使用交通数据建立路段实时碰撞风险预测模型(RTCPM)是主动交通安全管理的基础,路侧精细感知的行车数据和替代安全指标(SSMs)在RTCPM领域有着潜在价值。基于此,采用路侧精细感知数据生成SSMs作为输入,提出一种区分冲突类型的路段实时碰撞风险预测模型。以路段精细交通数据为基础,提取多种类别的交通参数以构建包含多类交通参数的精细数据库,参数包括车辆运动参数和SSMs等。提出一种基于车辆规避行为和时空接近性的交通冲突提取方法,从精细交通数据库中提取侧向和纵向交通冲突;将带有标签的交通冲突事件作为碰撞风险预测建模中样本的类别标签。极限梯度提升算法(XGBoost)被用于实时碰撞风险预测建模,使用了ENN方法重采样以消除样本数量不平衡问题,引入SHAP以解释模型特征对结果的贡献度。将交通冲突发生前的交通参数以30 s为时间窗进行集计,作为样本特征输入到XGBoost模型中进行训练和测试。研究结果表明:所建立的XGBoost模型能够在碰撞发生前30 s预测碰撞风险及类别,模型能够实现97.4%的总体准确率,以0.13%的误报率预测出93.0%的纵向冲突,以0.12%的误报率预测出61.8%的横向冲突;SHAP模型解释结果显示SSMs对于预测起到了比较重要的作用,5%分位的1/MTTC对纵向冲突预测模型的影响最大,交通流量和加速度的平均值是侧向冲突预测最重要的特征;提出的模型框架可为互通出入口影响区主动交通管理提供依据。