基于多变量决策树交通事件持续时间预测模型

doi:10.3969/j.issn.1674-0696.2015.03.23

重庆交通大学学报（自然科学版） ›› 2015, Vol. 34 ›› Issue (3): 112-116.DOI: 10.3969/j.issn.1674-0696.2015.03.23

基于多变量决策树交通事件持续时间预测模型

向红艳¹,金明²

1.重庆交通大学交通运输学院,重庆 400074;2.重庆工业职业技术学院车辆工程学院,重庆 401120

收稿日期:2014-07-01 修回日期:2014-09-22 出版日期:2015-06-20 发布日期:2015-07-07
作者简介:向红艳(1980-),女,湖北恩施人,副教授,博士,主要从事交通运输规划与管理方面的研究。E-mail:xiang-@126.com。

A Traffic Incident Duration Time Predication Model Using Multivariable Decision Tree

Xiang Hongyan¹, Jin Ming²

1. School of Traffic & Transportation, Chongqing Jiaotong University, Chongqing 400074, China;2. School of Automotive Engineering, Chongqing Industry Polytechnic College, Chongqing 401120, China

Received:2014-07-01 Revised:2014-09-22 Online:2015-06-20 Published:2015-07-07

摘要/Abstract

摘要： 基于粗集理论和决策树方法，建立了交通事件持续时间的多变量决策树预测模型。通过分析交通事件的属性特点，运用粗集理论中的属性约简方法，确定了交通事件的核心属性；运用等价关系相对泛化原理构造了多变量组合检验，并根据变量依赖度确定了最优变量组合；以多变量组合判据代替单变量判据建立了决策树模型，利用决策树高度和节点样本数对树的规模进行控制，优化了决策树结构。实例应用表明，该模型对交通事件持续时间的分类和预测能力较强，预测精度较高。

关键词: 交通工程, 持续时间, 粗糙集, 多变量决策树, 预测

Abstract: Using theory and method of rough set and decision tree, a multivariable decision tree model was developed for traffic incident duration time prediction. Through analyzing the incident attributes, the attribute reduction algorithm in rough set theory was used to get the core attributes of the incident. By using the generalization principle of equivalence relation, a multivariable combination test was formed. By comparing the dependence of different variable combinations, the optimal variable combination was determined. Then, multivariable combination criterion instead of single variable criterion was used to set up the decision tree, and through limiting tree height and number of tree leaves, the scale of tree was controlled, so, the tree’s structure was optimized. The case study shows that this model has a good performance in classifying and forecasting traffic incident duration time, and it has good accuracy in duration time forecasting.

Key words: traffic engineering, duration, rough set, multivariable decision tree, predication

中图分类号:

U491.1

向红艳,金明. 基于多变量决策树交通事件持续时间预测模型[J]. 重庆交通大学学报（自然科学版）, 2015, 34(3): 112-116.

Xiang Hongyan, Jin Ming. A Traffic Incident Duration Time Predication Model Using Multivariable Decision Tree[J]. Journal of Chongqing Jiaotong University(Natural Science), 2015, 34(3): 112-116.

参考文献

[1] Garib A,Radwan A E,Al-Deek H.Estimating magnitude and duration of incident delays [J].Journal of Transportation Engineering,1997,123(6):459-466.
[2] Smith K W,Smith B L.Forecasting the Clearance Time of Freeway Accidents[D].Virginia:University of Virginia,2001.
[3] Nam D,Mannering F.An exploratory hazard-based analysis of highway incident duration[J].Transportation Research Part A:Policy and Practice,2000,34(2):85-102.
[4] Hojati A T,Ferreira L,Washington S,et al.Hazard based models for freeway traffic incident duration[J].Accident Analysis & Prevention,2013,52:171-181.
[5] 康国祥,方守恩.基于风险分析的交通事件持续时间预测[J].同济大学学报:自然科学版,2012,40(2):241-245.
Kang Guoxiang,Fang Shouen.A hazard-based analysis of traffic incident duration prediction[J].Journal of Tongji University:Natural Science,2012,40(2):241-245.
[6] 刘伟铭,管丽萍,尹湘源.基于决策树的高速公路事件持续时间预测[J].中国公路学报,2005,18(1):99-103.
Liu Weiming,Guan Liping,Yin Xiangyuan.Prediction of freeway incident duration based on decision tree[J].China Journal of Highway and Transport,2005,18(1):99-103.
[7] Zhan C,Gan A,Hadi M.Prediction of lane clearance time of freeway incidents using the M5P tree algorithm[J].Intelligent Transportation Systems,IEEE Transactions on,2011,12(4):1549-1557.
[8] Ozbay K,Kachroo P.Incident Management in Intelligent Transportation Systems [M].Boston,MA:Artech House,1999.
[9] 苗夺谦,王珏.基于粗糙集的多变量决策树的构造方法[J].软件学报,1997,8(6):425-431.
Miao Duoqian,Wang Jue.Rough sets based approach from multivariate decision tree construction[J].Journal of Software,1997,8(6):425-431.
[10]童世鑫,丛浩哲,陈雨人.高速公路交通事件清除时间模糊逻辑预测模型[J].重庆交通大学学报:自然科学版,2011,30(1):85-88.
Tong Shixin,Cong Haozhe,Chen Yuren.Fuzzy logic prediction model for clearance time of freeway traffic incidents[J].Journal of Chongqing Jiaotong University:Natural Science,2011,30(1):85-88.
[11]孙连超,邵毅明,颜雪丽,等.基于TCT的公路交通事故黑点鉴别方法研究[J].重庆交通大学学报:自然科学版,2012,31(1):63-67.
Sun Lianchao,Shao Yiming,Yan Xueli,et al.Identification of highway traffic accident black-spots based on traffic conflict technique [J].Journal of Chongqing Jiaotong University:Natural Science,2012,31(1):63-67.
[12]Chang H L,Chang T P.Prediction of Freeway Incident Duration based on Classification Tree Analysis[J].Journal of the Eastern Asia Society for Transportation Studies,2013,10:1964-1977.

[1]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[2]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[3]	代昱昊，王华，彭桂彬. 基于TEM的玉磨铁路隧道渗漏水状态预测方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 88-92.
[4]	邓天民1，朱杰2，朱凯家1，屈治华3. 基于iForest+Biscting K-means的驾驶风格辨识方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 1-6.
[5]	许茂增,张莉. 基于双射软决策理论的路段拥堵影响力识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 7-11.
[6]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[7]	张诚1，汪成银1，陈志伟2，张正向3，张子磊3. 基于空间流量度的城市路网关键节点挖掘方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 28-35.
[8]	王永岗，张衡，彭志鹏，周琬琦. 基于结构方程模型的出租车事故影响因素分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 36-42.
[9]	朱顺应，李维吉，林小媛，肖文彬，王红. 特色小镇游客车辆无复检管控点布设研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 52-58.
[10]	李广儒，张新，朱庆辉. 基于Adaboost的改进Elman神经网络港口吞吐量预测方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 1-5.
[11]	刘杰. 基于栈式自编码的高速铁路站间客流短期预测研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 26-30.
[12]	潘兵宏1,2，胡炜1，任卉1,单慧敏1. 基于TruckSim仿真下弯道货车侧滑速度模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 38-45.
[13]	吴文静，孙刃超，宗芳，贾洪飞. 居民低碳通勤出行的主观态度识别及影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 53-58.
[14]	李军，邓育新. 基于非负矩阵分解的出租车时空行为聚类分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 59-65.
[15]	王志祥1,2，李建阁1，陈楚鹏2. 基于变权重评价的沥青路面使用性能灰色预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 95-101.

基于多变量决策树交通事件持续时间预测模型

A Traffic Incident Duration Time Predication Model Using Multivariable Decision Tree

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics