A Bi-level Framework for Traffic Accident Duration Prediction: Leveraging Weather and Road Condition Data within a Practical Optimum Pipeline

要約

イベントには確率的な性質があるため、交通事故の継続時間を予測することは大きな課題となります。
正確な所要時間の推定は、通勤者にとっては最適なルートを選択する上で、交通管理担当者にとっては非再発的な渋滞問題に対処する上で大きな利点をもたらします。
この研究では、交通事故のデータベースから事故継続時間、道路状況、気象データを収集し、事故の重大度やテキストによる説明などの事故のコンテキスト情報データなしで交通事故継続時間パイプラインの実現可能性を確認しました。
複数の機械学習モデルを使用して、事故が道路交通に与える影響が短期的であるか長期的であるかを予測し、二峰性アプローチを利用して事故の影響の正確な期間が決定されました。
当社のバイナリ分類ランダム フォレスト モデルは、83% の精度率で短期効果と長期効果を区別しました。一方、LightGBM 回帰モデルは、平均平均誤差 (MAE) 値が 26.15 および 13.3、RMSE 値が 26.15 および 13.3 で、他の機械学習回帰モデルを上回りました。
短期および長期の事故継続時間予測では、それぞれ 32.91 および 28.91。
前のセクションで特定した最適な分類および回帰モデルを使用して、プロセス全体を組み込むエンドツーエンドのパイプラインを構築します。
個別のアプローチと組み合わせたアプローチの結果は両方とも以前の研究と同等であり、交通事故継続時間を予測するために静的特徴のみを使用することが適用可能であることを示しています。
SHAP 値分析により、事故の期間を決定する際に最も影響を与える要因として気象条件、風冷、風速が特定されました。

要約(オリジナル)

Due to the stochastic nature of events, predicting the duration of a traffic incident presents a formidable challenge. Accurate duration estimation can result in substantial advantages for commuters in selecting optimal routes and for traffic management personnel in addressing non-recurring congestion issues. In this study, we gathered accident duration, road conditions, and meteorological data from a database of traffic accidents to check the feasibility of a traffic accident duration pipeline without accident contextual information data like accident severity and textual description. Multiple machine learning models were employed to predict whether an accident’s impact on road traffic would be of a short-term or long-term nature, and then utilizing a bimodal approach the precise duration of the incident’s effect was determined. Our binary classification random forest model distinguished between short-term and long-term effects with an 83% accuracy rate, while the LightGBM regression model outperformed other machine learning regression models with Mean Average Error (MAE) values of 26.15 and 13.3 and RMSE values of 32.91 and 28.91 for short and long-term accident duration prediction, respectively. Using the optimal classification and regression model identified in the preceding section, we then construct an end-to-end pipeline to incorporate the entire process. The results of both separate and combined approaches were comparable with previous works, which shows the applicability of only using static features for predicting traffic accident duration. The SHAP value analysis identified weather conditions, wind chill and wind speed as the most influential factors in determining the duration of an accident.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google