使用LiDAR数据和贝叶斯深度学习的信号交叉点的循环级交通冲突预测

科学领域:

• 运输工程 运输工程
• 人工智能的人工智能
• 道路交通安全 道路交通安全

背景情况:

• 实时交通安全预测对于积极的道路管理至关重要.
• 有信号的十字路口是交通冲突的高风险区域.
• 现有的模型往往缺乏实时预测能力和不确定性量化.

研究的目的:

• 开发和评估贝叶斯深度学习模型,用于在信号交叉点实时预测交通冲突.
• 在可靠性,可转移性,灵敏性和稳健性方面评估模型性能.
• 确定最佳模型,以准确可靠地预测交通冲突.

主要方法:

• 利用LiDAR数据进行交通冲突提取和分析.
• 开发了一个涉及数据预处理,基础深度学习模型和贝叶斯深度学习模型的框架.
• 采用长短期记忆 (LSTM) 网络,包括贝叶斯的变体,如贝叶斯标准LSTM,贝叶斯混合LSTM,贝叶斯堆叠LSTM编码解码器和贝叶斯多头堆叠LSTM编码解码器.
• 应用模型来预测信号周期层面的冲突频率,使用历史交通数据.

主要成果:

• 这四个开发的贝叶斯深度学习模型都成功地预测了每循环每车道的交通冲突频率,以及相关的不确定性.
• 贝叶斯编码器-解码器模型在所有评估指标上都超过了贝叶斯标准LSTM和贝叶斯混合LSTM.
• 贝叶斯-多头堆叠-LSTM编码解码器模型被确定为最佳选择,因为其高可靠性,可转移性,低灵敏性和稳定性.

结论:

• 贝叶斯深度学习提供了一种强大的方法,可以在信号交叉点实时预测交通安全.
• 拟议的框架和最佳的贝叶斯-多头堆叠-LSTM编码器-解码器模型为积极的道路安全管理提供了可靠的工具.
• 这种数据驱动的方法提高了对交通冲突的理解和预测,为更安全的道路基础设施铺平了道路.