论文部分内容阅读
为减少高速公路交通事故的发生,综合利用长短期记忆神经网络(LSTM)和贝叶斯滤波(BF)研究高速公路交通事故风险状态预测模型,首先,通过LSTM模块学习历史交通流风险数据中存在的时间依赖关系;然后,通过BF模块融合LSTM预测结果提高实时风险预测效果;最后,利用宁波绕城高速2020年交通事故和沿线卡口数据,基于事故发生前20 min内上下游卡口间的时空范围,采用移动时间窗形式构建多步特征变量,并进行五折交叉验证。结果表明:相比随机森林(RF)算法,LSTM模型具有更高的精确率和召回率;在LSTM模型基础上,增加贝叶斯滤波BF模块可使最终风险预测结果F1值达到0.80水平。