A Two-Stage Sequential Framework for Traffic Accident Post-Impact Prediction Utilizing Real-Time Traffic, Weather, and Accident Data
Notice bibliographique
Résumé
Detecting road accident impacts as promptly as possible is essential for intelligent traffic management systems. This paper presents a sequential two-stage framework for predicting the most congested traffic level that appears after an accident and the recovery time required for returning to the level of service that existed at the accident report time. As fewer accident characteristics are available at the report time, stage one models rely on real-time traffic and weather variables. With the arrival of the responders at the accident scene, more information is gained; therefore, the second stage model is activated, which updates the remaining accident duration time. We used eXtreme Gradient Boosting (XGBoost), a machine learning algorithm, and Shapley Additive exPlanations (SHAP) for making predictions and interpreting results, respectively. The results show that our framework predicts traffic levels with overall accuracies of around 80%, and duration models have high forecast accuracy with mean absolute percentage errors ranging between 7.26% and 21.59%. Overall, in the absence of accident information, SHAP values identified that weather factors, the traffic speed difference before and after an accident, traffic volume, and the percentage of heavy vehicles before the accident are the most important variables. However, accident variables, including the occurrence of injury or fatal accidents, rear-end collisions, and the number of involved vehicles, are among the most important variables in the second stage of the framework. The findings have practical implications for real-time traffic management of accident events. Road operators could manage post-accident traffic conditions more effectively, and road users could be alerted to take another route or manage their trip.
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 | 0,001 |
| 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 ».