Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods

本研究提出了一种全面的方法，用于预测悉尼大都市区交通事故的持续时间，并将其分类为短期或长期。利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集，我们训练和评估了各种先进的机器学习模型，包括梯度提升决策树（GBDT）、随机森林、LightGBM和XGBoost。使用均方根误差（RMSE）评估回归任务和F1分数评估分类任务的模型。 我们的实验结果表明，XGBoost和LightGBM优于传统模型，其中XGBoost在预测事故持续时间方面具有最低的RMSE（33.7）和最高的分类F1分数（30分钟持续时间阈值为0.62）。对于分类，30分钟的阈值平衡了性能，短期持续时间分类准确率为70.84％，长期持续时间分类准确率为62.72％。特征重要性分析采用了树分裂计数和SHAP值，确定了受影响车道数量、交通流量和主次车辆类型作为最具影响力的特征。 所提出的方法不仅实现了高预测准确性，而且为利益相关者提供了有关影响事故持续时间的因素的重要见解。这些见解使交通管理和响应策略的决策更加明智。代码可通过以下链接获得：https://github.com/Future-Mobility-Lab/SydneyIncidents。

本论文旨在预测悉尼都市区交通事故的持续时间，并将其分类为短期或长期。通过利用包含交通事故、道路网络特征和社会经济指标等详细记录的数据集，使用梯度提升决策树（GBDT）、随机森林、LightGBM和XGBoost等多种先进机器学习模型进行训练和评估。

本论文提出的方法不仅能够实现高精度的预测，还能够为利益相关者提供有关影响事件持续时间的因素的重要见解，从而为交通管理和响应策略提供更明智的决策。

实验结果表明，XGBoost和LightGBM优于传统模型，其中XGBoost在预测事件持续时间方面实现了最低的RMSE（33.7），并且在30分钟持续时间阈值的分类F1得分方面达到了最高值（0.62）。特征重要性分析确定了受影响车道数、交通流量以及主要和次要车辆类型等因素是最具影响力的特征。研究还公开了代码和数据集。

最近的相关研究包括：“A review of traffic incident detection and management systems”和“Real-time traffic incident detection using machine learning algorithms”。