基于频繁模式树的实时交通事故风险预测

Jan, 2017

基于频繁模式树的实时交通事故风险预测

Real-time Traffic Accident Risk Prediction based on Frequent Pattern Tree

Lei Lin, Qian Wang, Adel W. Sadek

TL;DR本文提出了一种基于 FP 树算法的变量选择方法用于实时预测交通事故风险，并利用基于这种方法和随机森林方法选择的变量建立了 k-NN 方法和贝叶斯网络模型，结果表明基于 FP 树的变量选择方法可以更好地预测车祸风险，其中使用 FP 树方法建立的贝叶斯网络模型预测正确率为 61.11％，假警报率为 38.16％。

Abstract

Traffic accident data are usually noisy, contain missing values, and heterogeneous. How to select the most important variables to improve real-time traffic accident risk prediction has become a concern of many recent studies. This paper proposes a novel variable selection method based

traffic accidents variable selection fp tree algorithm real-time prediction bayesian network model

发现论文，激发创造

预测事故严重程度：使用随机森林模型分析影响事故严重程度的因素

这项研究调查了使用随机森林机器学习算法预测事故严重程度的有效性，在大型都市地区的事故记录数据集上训练模型并使用各种指标进行评估，结果显示随机森林模型能够有效地预测事故严重程度，准确率超过 80%，并确定了模型中最重要的变量，包括风速、气压、湿度、可见度、晴朗状况和云量，这些结果表明，提出的模型在解释目标变量 —— 事故严重程度类别方面具有更高的性能，因此可以帮助减少美国道路事故造成的死亡和伤害数量。

Oct, 2023

RiskOracle：一种以分钟级的频率预测城市交通事故的框架

本文提出了一个基于 RiskOracle 框架的实时交通事故预测模型，采用 Differential Time-varying Graph 神经网络来捕捉交通状态的即时变化和动态子区域之间的相关性，采用多任务和区域选择方案来弥合偏见风险值和零散事故分布之间的差距，在两个真实数据集上进行的广泛实验表明了我们 RiskOracle 框架的有效性和可扩展性。

Feb, 2020

跨城市少样本交通预测基于交通模式库

本文介绍了一个通过交通模式数据库的跨城少样本交通预测框架，该框架利用了不同城市之间的交通模式相似性，通过聚类生成交通模式数据库，然后利用数据稀缺城市的交通数据查询该数据库，构建它们之间的显式关系，最后基于这些关系构建邻接矩阵指导一个时间空间模型进行交通预测，并且通过实验证明了该方法在跨城少样本交通预测中的有效性。

Aug, 2023

基于连续值传感器数据的自动故障树学习：以家用暖气为例研究

本文提出了第一个完全自动化的失效分析方法，该方法基于机器学习故障树从原始数据中提取连续变量，并且可以在实际数据集上工作。

Mar, 2022

巴西联邦区严重交通事故的热点预测

本研究使用机器学习方法，通过分析巴西联邦区交通事故数据并结合当地天气条件，成功预测事故热点区域，并表明事故位置比天气参数对事故发生的影响更为重要，强调地方干预对减少事故数量的重要性。

Dec, 2023

交通事故持续时间预测的双层框架：在实用的优化管道中充分利用天气和道路状况数据

本研究使用多种机器学习模型来预测交通事故对道路交通的短期或长期影响，并确定事故的精确持续时间，结果显示天气条件、风寒和风速是决定交通事故持续时间最有影响力的因素。

Nov, 2023

随机森林中的相关性和变量重要性

本篇论文针对高维回归或分类框架中预测变量高度相关的情况下的变量选择问题，研究使用随机森林算法的变量选择。论文提供了一种理论研究和模拟实验的方式，证明了使用递归特征排除算法作为排名标准对变量进行选择的高效性，并进行了陆地卫星数据集的测试。

Oct, 2013

多层建筑中基于数据驱动的预测决策点选择的方法研究

应用机器学习算法研究复杂室内建筑中行人路径选择行为的潜力探索。

Aug, 2023

基于上下文视觉转换器的交通事故风险预测

本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

Sep, 2022

基于车辆群体的高速公路事故风险形成和传播分析

通过高分辨率车辆轨迹数据，该研究聚焦于车辆群体作为分析主体，探索了车辆群体和道路段特征对风险形成和传播机制的影响，并确定了多个影响事故风险的关键因素。研究开发了多项式逻辑回归模型对空间风险传播模式进行分析，结果显示高风险状态持续时间、车辆群体规模增加和频繁的变道与不利的风险传播模式相关联。此外，该研究对不同类型的分类器、预测时间间隔和自适应 TTC 阈值进行了敏感性分析，并获得了超过 0.93 的最高 AUC 值，为研究人员和实践者在理解和预测车辆群体安全方面提供了有价值的见解，进而改进车联网和自动驾驶车辆的交通安全管理和运营。

Feb, 2024