原文传递
面向动态交通流的高速公路事故风险模型空间移植研究
| 题名： | 面向动态交通流的高速公路事故风险模型空间移植研究 |
| 作者： | 杨洋;贺昆;王云鹏;陈垚;袁振洲 |
| 关键词： | 交通工程;动态交通安全;模型移植;高速公路;贝叶斯Logistic回归;机器学习 |
| 摘要： | 本文旨在探究不同尺度数据集对高速公路实时事故风险建模的影响，并实现不同数据特征路段间事故风险模型的空间移植。首先，提取不同特征路段检测器信息，以动态交通流匹配事故数据构建多尺度数据集：高精度数据集、小样本数据集、低精度数据集以及同尺度条件下（同为高精度大样本量）的空间差异数据集；进而，通过贝叶斯Logistic回归量化不同样本量对事故风险模型预测性能的影响；分别采用统计学和机器学习手段建模分析高精度和低精度数据集；最后，基于贝叶斯更新方法建立实时事故风险移植模型，对高速公路实时事故风险预测模型进行空间移植，并验证其可靠性。结果显示：贝叶斯Logistic回归的性能随着样本量增大而有所提升；高精度数据条件下，贝叶斯Logistic回归和RF-SVM（Random Forest-Support Vector Machine）模型的AUC（Area Under Curve）值比低精度条件下分别高出0.092和0.037；在不同数据精度的空间移植中，贝叶斯更新方法可令低精度路段模型的AUC值从0.645提至0.714，在相同数据尺度的空间移植中，该方法可将被更新路段模型的AUC值从0.737提至0.751。结论表明：高样本量路段的模型虽然具备较高的分类准确度，但无法稳定地提升模型的预测性能，而高精度数据路段的模型可获得更高的分类准确度和预测精度；统计学方法在模型解释层面更具优势，机器学习手段在低精度数据路段下的预测性能更好；贝叶斯更新模型能够在一定程度提升空间移植效果。 |
| 期刊名称： | 交通运输系统工程与信息 |
| 出版年： | 2023 |
| 期： | 03 |
| 页码： | 174-186 |
检索历史
应用推荐
