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，我们训练和评估了多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。这些模型使用均方根误差(RMSE)进行回归任务的评估，使用F1分数进行分类任务的评估。 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实现了最低的RMSE(33.7)，在30分钟持续时间阈值下实现了最高的分类F1分数(0.62)。对于分类任务，30分钟阈值平衡了性能，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割计数和SHAP值，确定了受影响车道数、交通流量和主次车辆类型等最具影响力的特征。 所提出的方法不仅实现了高精度的预测，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。这些见解可以为交通管理和响应策略提供更为明智的决策。代码可通过以下链接获得：https://github.com/Future-Mobility-Lab/SydneyIncidents。

本研究旨在通过综合方法预测悉尼都市区交通事故持续时间并将其分类为短期或长期。该论文验证了机器学习模型在交通事故持续时间预测和分类任务中的效果，并提供了对影响事故持续时间的因素的重要见解。

该论文的关键思路是使用机器学习模型对交通事故进行预测和分类。使用悉尼都市区的详细记录、道路网络特征和社会经济指标的数据集，该论文比较了多种先进的机器学习模型，包括Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM和XGBoost，并使用Root Mean Square Error (RMSE)和F1 score对模型进行了评估。

该论文使用XGBoost和LightGBM模型在交通事故持续时间预测和分类任务中取得了最佳效果。在30分钟阈值下，XGBoost的F1 score最高为0.62，RMSE最低为33.7。特征重要性分析确定了影响事故持续时间的最具影响力的特征，包括受影响车道数量、交通流量和主次要车辆类型。此外，该论文提供了开源代码，并探讨了进一步研究的价值。

最近的相关研究包括： 1. 'Real-time incident detection and classification on urban expressways using deep learning techniques' 2. 'Predicting the duration of traffic incidents on urban expressways using machine learning techniques' 3. 'Traffic incident duration prediction using deep learning with long short-term memory neural networks'