Using traffic flow characteristics to predict real-time conflict risk: A novel method for trajectory data analysis

Abstraction

• 使用交通流特征的实时冲突预测模型（之间的关系）

• 使用HighD 数据集（经验数据），使用虚拟检测器方法进行 1. 交通特征提取 2. 两步框架 -> 轨迹数据分析的新方法。

  • 对具有均值和方差异质性的随机参数 logit 模型的探索性研究
  • 几种机器学习方法（eXtreme Gradient Boosting (Boosting)、Random Forest (Bagging)、Support Vector Machine (Single-classifier)和多层感知器）的比较研究

• 结论：

  • 交通流特征对冲突发生概率有显着影响。
  • 考虑**[平均异质性](# 异质性 Heterogeneity )**的统计模型优于对应变量，车道差异变量对【车道变量+车道差异变量】的随机参数均值有显着影响。
  • 在欠采样数据集上训练的 eXtreme Gradient Boosting 是最佳模型：AUC 0.871，精度 0.867
    • 模型对冲突阈值敏感 -> 冲突风险预测应同时考虑主体车道特征和车道差异特征