Resumen

La tecnología de aprendizaje automático impulsa muchos aspectos de la sociedad moderna. En comparación con las técnicas convencionales de aprendizaje automático, que se limitaban a procesar datos naturales en bruto, el aprendizaje profundo permite a los modelos informáticos aprender representaciones de datos con múltiples niveles de abstracción. En este estudio, se propone un modelo mejorado de aprendizaje profundo para explorar las complejas interacciones entre las carreteras, el tráfico, los elementos ambientales y los accidentes de tráfico. El modelo propuesto incluye dos módulos, un módulo de aprendizaje de características no supervisado para identificar la red funcional entre las variables explicativas y las representaciones de características y un módulo de ajuste fino supervisado para realizar la predicción de accidentes de tráfico. Para abordar los problemas de heterogeneidad no observada en la predicción de accidentes de tráfico, se incorpora un modelo binomial negativo multivariante (MVNB) en el módulo de ajuste fino supervisado como capa de regresión. El modelo propuesto se aplicó al conjunto de datos del condado de Knox, en Tennessee, para validar su rendimiento. Los resultados indican que el módulo de aprendizaje de características identifica información relacional entre las variables explicativas y las representaciones de características, lo que reduce la dimensionalidad de la entrada y preserva la información original. El modelo propuesto que incluye la capa de regresión MVNB en el módulo de ajuste fino supervisado puede tener más en cuenta los patrones de distribución diferencial en los accidentes de tráfico en función de la gravedad de las lesiones y proporciona predicciones superiores de accidentes de tráfico. Los resultados sugieren que el modelo propuesto es una alternativa superior para las predicciones de accidentes de tráfico y la precisión media de la predicción medida por RMSD puede mejorarse en 84,58 y 158,27 en comparación con el modelo de aprendizaje profundo sin la capa de regresión y el modelo SVM, respectivamente.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:módulo de ajuste fino supervisado, modelo, modelo de aprendizaje profundo, predicción de accidentes de tráfico, variables explicativas, representaciones de características, capa de regresión, accidentes de tráfico, predicciones superiores de accidentes de tráfico, capa de regresión mvnb.
• Keywords:supervised fine tuning module, model, deep learning model, traffic crash prediction, explanatory variables, feature representations, regression layer, traffic crashes, superior traffic crash predictions, mvnb regression layer