道路客运企业主动安全情况的研究:评估,预测和分析

科学领域:

• 运输安全运输安全
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 道路客运系统是复杂的,需要强大的方法来监控主动安全情况 (ASS).
• 有效的ASS监控使运输当局能够及时干预.
• 确定影响ASS的关键因素对于积极的安全管理至关重要.

研究的目的:

• 开发和评估一个主动安全情况指数 (ASS指数).
• 为了比较各种时间序列模型来预测ASS信息速率.
• 通过使用先进的分析技术,识别对ASS有重大影响的因素.

主要方法:

• 探索性和确认性因子分析以提取ASS指数.
• 时间序列模型的比较分析:GRU,LSTM,ARIMA,Prophet,Conv_LSTM,TCN.
• 开发和应用Water Drop Algorithm-Deep Belief Network (WDA-DBN) 模型,使用DEEPSHAP进行因素识别.

主要成果:

• 时间卷积网络 (TCN) 和门式循环单元 (GRU) 显示出强大的预测性能.
• 与其他模型相比,拟议的WDA-DBN模型在平均平方误差 (MSE) 和平均绝对误差 (MAE) 中取得了优异的结果.
• 深度学习模型在处理安全信息方面通常优于传统的计量经济学模型.

结论:

• WDA-DBN模型对于预测道路客运行中的主动安全情况非常有效.
• 增加警报处理时间对ASS产生积极影响,而疲劳驾驶,异常驾驶和夜间驾驶警报则对它产生负面影响.
• 调查结果为通过数据驱动方法提高道路安全提供了可操作的见解.