轨迹数据驱动的高速公路事故风险研判
董春娇
许博
李鹏辉
庄焱
杨妙言
北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044
摘要：针对高速公路行驶路段全程封闭、车辆行驶速度高、一旦发生交通事故往往造成不可估量的损失等问题,提出一种基于随机森林(Random Forest,RF)算法筛选指标与极端梯度提升树(eX-treme Gradient Boosting,XGBoost)算法结合的高速公路事故风险研判方法.首先,通过筛选高速公路事故路段的私家车行驶轨迹数据,建立4种不同时空条件(事故上游30 km及事故前30 min、事故上游10 km及事故前15 min、事故上游10 km及事故前10 min和事故上游10 km及事故前5 min)下的事故风险研判数据基座.其次,建立了随机森林和极端梯度提升树(Random Forest and XG-Boost,RF-XGBoost)组合的事故风险研判方法,在对高速公路行驶车辆的各类运行指标进行筛选的基础上,对高速公路事故风险进行研判.最后,采用模型准确率、精确率、召回率、平衡F分数(bal-anced F Score,F1)、曲线下面积值(Area Under Curve,AUC)5个指标评价算法效果.研究结果表明:RF-XGBoost组合算法在事故风险研判上优于决策树(Decision Tree,DT)、支持向量机(Sup-port Vector Machine,SVM)和传统的XGBoost算法;RF-XGBoost算法较传统XGBoost算法的平均准确率提升了11.1%,平均精确率提升了8.9%,平均召回率提升了7.625%.在事故上游10 km及事故前10 min的时空条件下,算法的准确率可达80%,综合研判效果最好.研究结果可为高速公路私家车的事故风险研判和动态预警提供理论和方法支撑.
关键词：交通工程交通安全随机森林算法XGBoost风险研判
分类号：U491(交通工程与公路运输技术管理)
论文发表日期：2024-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 12-21 )
英文信息