多源数据驱动的交通事故时空影响范围连续预测方法研究

With the development of traffic detection technology, information about the influence factors of traffic incident spatio-temporal influence range becomes more and more. This project will study the on-line time-sequential prediction method of traffic incident spatio-temporal influence range based on the detected multi-source related data. Text mining technology is adopted to extract the effective features from multi source text information to utilize the observed information synthetically and Bayesian inference is used to deal with the missing data. Random survival analysis model is applied to deal with the randomness and heterogeneity in traffic incident duration time. Spatio-temporal correlation analysis and traffic network analysis are used to develop the analysis and prediction method for traffic incident spatio-temporal influence range evolvement. Deep-learning technology is used to develop the prediction model for traffic incident recovery duration time. These model will be tested in an urban road network simulation model based on the combined detected dataset. Finally, this study will establish data driven and model driven integrated time-sequential prediction method system about traffic incident Spatio-temporal influence range with the update of available data. The output of this studywill be helpful to improve the theory and method of the urban intelligent traffic management system and improve the effectiveness of urban traffic incident management.

近年来检测手段的日渐增多使得与道路交通事故时空影响范围相关的各因素的可获得信息相应增加，本研究将以实际采集的多源相关数据为基础，以道路交通事故时空影响范围预测为对象，建立事故时空影响范围在线连续预测理论方法体系。主要采用文本挖掘技术抽取多源文本信息中的有效特征实现对多源信息的综合利用，利用贝叶斯网络等技术应对信息缺失情况，应用随机生存分析模型等实现对交通事故持续时间预测中的随机性及异质性的处理，基于时空关联分析及网络分析方法等建立交通事故空间影响范围演化分析及预测方法，利用深度学习等技术建立事故恢复时间预测模型，并基于开放的仿真平台通过整合检测数据实现模型在道路网络内的检验与测试，最终建立数据驱动与模型驱动相结合的交通事故时空影响范围一体化连续式预测理论与方法体系。研究成果对于完善城市智能交通管理系统领域的理论与方法，提高城市交通事故管理水平具有重要的理论与应用价值。

近年来，随着城市机动化的快速发展，异常事件（尤其是交通事故等）给城市道路交通运行带来的影响日渐明显，需要有良好的应对管控手段；另一方面，城市道路交通系统中检测手段的日渐增多使得与道路交通事故时空影响范围相关的各因素的可获得信息相应增加。在此背景下，本研究将以实际采集的多源相关数据为基础，以道路交通事故时空影响范围预测为对象，建立事故时空影响范围在线连续预测理论方法体系。主要完成如下研究内容：. 1）基于获取了多源的相关数据首先进行了事故严重程度影响因素的分析，为事故影响时空分析提供支持；. 2）基于导航软件事故数据，综合运用线性回归、二元logistic回归、决策树模型以及随机森林、支持向量机等简单的机器学习算法，对于拥堵各阶段发生概率以及可能持续时间进行预测及验证。. 3）基于北京市的道路交通事故数据，研究了基于加速失效模型和深度神经网络的融合模型的交通事故持续时间预测方法及模型，以及基于cox回归模型和深度神经网络的融合模型的交通事故持续时间预测方法及模型。. 4）支撑道路管理及安全分析的交通仿真模块开发，结合已有仿真平台，利用实测数据，实现实时数据与仿真平台的接入以及仿真参数的实时标定等。. 重要结果：最核心的结果是通过对交通事故影响因素的全面分析，建立基于多源数据的应用不同方法面向不同场景的多个交通事故持续时间预测方法及模型，以及支持实时分析的实时仿真模块。. 关键数据：西部某县近3年内的事故数据等、深圳市2014年-2016年的数据、北京市某年道路交通事故报警数据、百度某年道路交通事故报警数据（部分已有）、西部某省部分事故、违法处罚数据等。. 科学意义：研究成果对于完善城市智能交通管理系统领域的理论与方法，提高城市交通事故管理水平具有重要的理论与应用价值。