重新审视异常检测和极端价值理论的混合方法,以使用基于人工智能的视频分析获得的交通冲突来估计行人撞车事故

科学领域:

• 道路交通安全问题 道路安全问题
• 交通工程是交通工程.
• 数据科学是数据科学.

背景情况:

• 步行者是易受伤害的道路使用者,面临严重伤害的高风险.
• 积极评估行人碰撞风险至关重要.
• 对于事故风险评估的传统极端价值理论模型,由于样本大小和不当的极端价值选择,已经显示出局限性.

研究的目的:

• 开发混合模型,将极端价值理论与非传统的采样技术相结合,以改进行人撞车风险估计.
• 测试这样的假设,即高效的抽样机制可以提高极端价值理论模型的性能.
• 为了证明采样技术对极端价值理论模型准确性的影响.

主要方法:

• 开发了使用无监督机器学习异常检测 (隔离森林,最小协差决定因素) 的混合模型,以识别极端的车辆与行人冲突.
• 用入侵后的时间作为交通冲突的衡量标准.
• 从澳大利亚布里斯班的三个十字路口收集和处理视频数据,使用基于AI的视频分析.

主要成果:

• 与传统的极端价值模型相比,混合模型在估计行人撞车风险方面显示出显著提高的准确性.
• 开发的模型为崩估计产生了更窄的置信区间.
• 混合模型的平均撞击估计更接近观察到的撞击数据.

结论:

• 基于机器学习的异常检测技术有效地增强了极端价值模型,用于估计交通冲突造成的行人撞车事故.
• 该研究强调了有效的抽样机制在道路安全极端价值分析中的重要性.
• 研究结果表明,在交通冲突分析和道路安全研究中,先进的机器学习模型具有潜力.