基于PCA-RF组合模型的隧道交通事故持续时间预测

摘要：

使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测.主成分分析用来提高随机森林模型的精度与效率.此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合.参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差.用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2115起事故数据.每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等.结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15％,取得了良好的预测效果.并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度.且PCA能够降低数据维度,提高算法的效率.与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高.

关键词：交通安全、持续时间、预测、主成分分析、随机森林、组合模型

所属期刊栏目：37

分类号：U491.31(交通工程与公路运输技术管理)

资助基金：山西省交通运输厅科技项目7921000089

在线出版日期：2019-11-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：26-32