Deep survival analysis model for incident clearance time prediction
Notice bibliographique
Résumé
Incident clearance time prediction is a key task for traffic incident management. A hazard-based duration model is a prevalent approach for predicting and analyzing the incident clearance time, which considers “duration dependence” of which the probability of an incident clearance ending depends on the time the clearance has lasted. However, the performance is limited due to its model assumptions for clearance time distribution, linear relationship, and the time-invariant effects of influential factors. This study proposes a deep survival analysis model that relaxes the assumptions of the hazard-based duration model while considering duration dependence based on a multi-task deep neural network (MTDNN). The MTDNN can consider the duration dependence when predicting incident clearance time by simultaneously estimating the survival function based on the concept of multi-task learning. The effects of influential factors on the prediction of MTDNN are also investigated using a post-analysis method. The proposed model is evaluated by its predictive performance and the estimated effects of influential factors using the freeway incident data collected in Korea from 2014 to 2019. These evaluations show that, compared to the baseline hazard-based duration model, the proposed MTDNN improves the predictive performance by 29.7% in terms of mean absolute percent error, and outperforms all statistical and machine learning models for both incident clearance time prediction and the survival function estimation. The analysis of the influential factors reveals that the hazard-based duration model and MTDNN had major influencing factors in common, but the impact of some factors is considerably different.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».