详情

原文传递公路网交通事故影响建模与预测

论文题名：	公路网交通事故影响建模与预测
关键词：	公路网;交通事故;模型自适应性
摘要：	由于交通安全事关公路网能否正常运行，历来为交通管理者和参与者所重视。当事故发生后，不仅对事故参与者本身造成生命和财产损失，还会造成事故路段通行能力下降，进而造成更大的损失。通过对事故发生后产生的时空影响及时预测，可以同时提升交通管理者和其他交通参与者对交通状况的把握，并及时采取相应的调整措施，从而削弱事故造成更大损失的可能性。因此，对交通事故影响范围进行预测是十分重要的工作。　　首先，梳理事故影响范围的文献。通过对现有的研究进行梳理，总结得到现有各预测模型的优缺点。由于预测模型在实际应用的过程中会面临复杂的现实情况，这就要求被设计的预测模型不仅具有准确性，还要有自适应性。综合以上内容，选择以KNN（K-nearestneighbor，K近邻）模型为基础开展自适应事故影响范围预测模型的搭建。　　其次，事故数据集的实地采集。通过对事故数据集进行预处理，分析得到事故各影响因素的分布和事故影响的时空概率分布。其中，前者可以指导事故的预防与现场处置等工作；后者得到持续时间和空间范围的分布，分别符合log-Laplace和half-Generalizednormal分布。这都为后续模型的搭建做好了准备。　　然后，自适应事故影响范围预测模型的建立。通过分析事故影响范围预测模型的整体流程，得到自适应的设计要点。寻找KNN的改进空间，并针对性提出影响因素权重和预测权重两种权重以对其进行改进。影响因素权重可借助决策树模型（DecisionTree，DT）和聚类分析模型（ClusterAnalysis，CA）计算；预测因素模型可借助距离（Distance，Dist）和概率分布（Probability，Prob）的方法进行计算。通过影响因素权重和预测权重的互相组合，可以得到4种新的预测模型，分别是DT-Dist-KNN、DT-Prob-KNN、CA-Dist-KNN和CA-Prob-KNN。完成模型的搭建后，为了评估各模型的预测性能，选取平均绝对误差（MeanAbsoluteError，MAE）、平均百分比误差（MeanAbsolutePercentageError，MAPE）和均方根误差（RootMeanSquareError，RMSE）作为评价指标。　　最后，事故影响预测模型的实例验证。通过设计2个实验方案，带入实际事故数据，既成功验证了所设计的模型具有准确性和自适应性，又模拟了所设计的模型在实际情况下的应用。案例中的最优预测模型是DT-Dist-KNN，其在事故影响持续时间和空间范围预测上的误差分别稳定小于5min和20m。相较于基本KNN，其在持续时间和空间范围预测性能上的提升分别达到37.20%和90.11%。
作者：	程一一
专业：	交通运输工程
导师：	郭建华;周宏研
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2021