Crash Prediction on Expressway Incorporating Traffic Flow Continuity Parameters Based on Machine Learning Approach
Notice bibliographique
Résumé
Real-time crash prediction helps identify and prevent the occurrence of traffic crash. For years, various real-time crash prediction models have been investigated to provide effective information for proactive traffic management. When building real-time crash prediction model, a suitable variable space together with a specific time interval for traffic data aggregation and an appropriate modelling algorithm should be applied. Regarding the intercorrelation problem with variable space, comprehensive real-time crash prediction model considering available traffic data characteristics in applicable circumstances needs to be explored. Taking Xi’an G3001 Expressway as study area, real road traffic and accident data during the period from January 2014 to January 2019 on this expressway are applied for real-time crash prediction. To better capture traffic flow characteristics on expressway and improve the practicality of real-time crash prediction model, two new variables (segment difference coefficient and lane difference coefficient) describing the smoothness and continuity of traffic flow in spatial dimension are developed and incorporated in building the crash prediction model to solve the intercorrelation problem with variable space. Random forest (RF) is then adopted to specify the quantitative relationship between specific variable and crash risk. Real-time crash prediction model based on support vector machine (SVM) using new composed variable space is built. The results show that simplified variable space could contribute to the same classification power in currently used real-time crash prediction models compared with traditional variable space. Moreover, the prediction model based on SVM reaches an accuracy level of 0.9, which performs better than other currently used prediction models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».