Resumen

La predicción precisa y el análisis fiable de los factores significativos del tiempo de despeje de incidentes son dos objetivos principales del sistema de gestión de incidentes de tráfico (TIM), ya que podrían ayudar a aliviar la congestión del tráfico causada por los incidentes de tráfico. Este estudio aplica el algoritmo XGBoost (extreme gradient boosting machine algorithm) para predecir el tiempo de despeje de incidentes en autopista y analizar los factores significativos del tiempo de despeje. El XGBoost integra la superioridad de los métodos estadísticos y de aprendizaje automático, que pueden tratar con flexibilidad los datos no lineales en un espacio de alta dimensión y cuantificar la importancia relativa de las variables explicativas. En esta investigación se utilizan los datos recogidos del Sistema de Seguimiento de Incidentes de Washington en 2011. Para investigar la filosofía potencial oculta en los datos, se elige K-means para agrupar los datos en dos clústeres. El XGBoost se construye para cada clúster. La optimización bayesiana se utiliza para optimizar los parámetros de XGBoost, y el MAPE se considera el indicador predictivo para evaluar el rendimiento de la predicción. Un estudio comparativo confirma que XGBoost supera a otros modelos. Además, el tiempo de respuesta, el AADT (tráfico medio diario anual), el tipo de incidente y el tipo de cierre de carril se identifican como las variables explicativas significativas del tiempo de despeje.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:xgboost, tiempo de despeje de incidentes, datos, tiempo de despeje, sistema de seguimiento de incidentes de washington, tráfico medio diario anual, análisis factorial significativo fiable, tipo de cierre de carril, métodos de aprendizaje automático, variables explicativas significativas.
• Keywords:xgboost, incident clearance time, data, clearance time, washington incident tracking system, annual average daily traffic, reliable significant factor analysis, lane closure type, machine learning methods, significant explanatory variables