基于高速公路事故数据的自适应事故持续时间预测模型研究

摘要

高速公路交通事故严重影响道路的安全性与畅通性，精准预测事故持续时间是提升事故应急响应效率、减轻交通拥堵及降低二次事故风险的关键。提出了一种基于深度置信网络（DBN）与遗传算法（GA）的自适应参数优化模型，用于预测交通事故持续时间。收集了2020—2022年间山东省高速公路的交通事故数据，涵盖了包括道路属性、时间属性和环境属性在内的16个影响变量；通过引入斯皮尔曼相关性系数和箱型图，分析各影响变量与事故持续时间的相关性，确保所选变量的有效性与显著性。在此基础上，实验结合各类交通事故数据，构建了基于GADBN的自适应参数优化预测模型，该模型融合遗传算法的全局搜索与优化能力，显著提升了DBN模型的预测精度。为验证模型的有效性，实验选取SVR（支持向量回归）、RBF（径向基函数）、XGBoost（极限梯度提升树）和DBN等算法模型进行结果对比，并选取平均绝对百分比误差(δ_MAPE)和均方根误差(δ_RMSE)作为评价参数。实验结果表明，GADBN模型在δ_MAPE和δ_RMSE指标上的表现分别为16.49%和9.12,优于其他对比模型，验证了该模型的有效性与实用性。

关键词

交通安全 / 交通事故 / 事故持续时间 / 自适应参数优化 / 高速公路

基金资助

国家自然科学基金(71901040); 国家重点研发计划(2023YFB4503105)