Resumen

La predicción de colisiones en tiempo real ayuda a identificar y prevenir los accidentes de tráfico. Durante años, se han investigado varios modelos de predicción de colisiones en tiempo real con el fin de proporcionar información eficaz para la gestión proactiva del tráfico. Cuando se construye un modelo de predicción de colisiones en tiempo real, debe aplicarse un espacio variable adecuado junto con un intervalo de tiempo específico para la agregación de datos de tráfico y un algoritmo de modelización apropiado. En cuanto al problema de la intercorrelación con el espacio variable, es necesario explorar un modelo integral de predicción de colisiones en tiempo real que tenga en cuenta las características de los datos de tráfico disponibles en las circunstancias aplicables. Tomando la autopista G3001 de Xi'an como área de estudio, se aplican datos reales de tráfico y accidentes durante el período comprendido entre enero de 2014 y enero de 2019 en esta autopista para la predicción de accidentes en tiempo real. Para capturar mejor las características del flujo de tráfico en la autopista y mejorar la viabilidad del modelo de predicción de accidentes en tiempo real, se desarrollan dos nuevas variables (coeficiente de diferencia de segmento y coeficiente de diferencia de carril) que describen la suavidad y continuidad del flujo de tráfico en la dimensión espacial y se incorporan en la construcción del modelo de predicción de accidentes para resolver el problema de intercorrelación con el espacio variable. A continuación, se adopta el modelo Random Forest (RF) para especificar la relación cuantitativa entre variables específicas y el riesgo de colisión. Se construye un modelo de predicción de colisiones en tiempo real basado en una máquina de vectores soporte (SVM) utilizando un nuevo espacio de variables compuesto. Los resultados muestran que el espacio variable simplificado podría contribuir al mismo poder de clasificación en los modelos de predicción de colisiones en tiempo real utilizados actualmente en comparación con el espacio variable tradicional. Además, el modelo de predicción basado en SVM alcanza un nivel de precisión de 0,9, lo que supone un mejor rendimiento que otros modelos de predicción utilizados actualmente.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:modelo de predicción de colisiones en el tiempo, modelos de predicción de colisiones en el tiempo, predicción de colisiones en el tiempo, espacio variable, problema de intercorrelación, características de los datos de tráfico disponibles, autopista xi'an g3001, algoritmo de modelización apropiado, modelo de predicción de colisiones, coeficiente de diferencia de carriles
• Keywords:time crash prediction model, time crash prediction models, time crash prediction, variable space, intercorrelation problem, available traffic data characteristics, xi’an g3001 expressway, appropriate modelling algorithm, crash prediction model, lane difference coefficient