CN109447306A - 基于最大似然回归树的地铁事故延误时间预测方法 - Google Patents
基于最大似然回归树的地铁事故延误时间预测方法 Download PDFInfo
- Publication number
- CN109447306A CN109447306A CN201810915093.9A CN201810915093A CN109447306A CN 109447306 A CN109447306 A CN 109447306A CN 201810915093 A CN201810915093 A CN 201810915093A CN 109447306 A CN109447306 A CN 109447306A
- Authority
- CN
- China
- Prior art keywords
- tree
- node
- model
- delay
- division
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007476 Maximum Likelihood Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 230000009977 dual effect Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract 2
- 238000013138 pruning Methods 0.000 claims description 13
- 230000003111 delayed effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 241001269238 Data Species 0.000 abstract description 4
- 230000001133 acceleration Effects 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000003455 independent Effects 0.000 description 2
- 238000001543 one-way ANOVA Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明披露了一种基于最大似然回归树的地铁事故延误时间预测方法。由于导致地铁延误的多个变量之间可能存在交互作用，本发明利用所构造的双变量分裂法建立最大似然回归树(MLRT)模型，描述并分析地铁事故延误。利用2005年到2012年的香港地铁事故数据建立的MLRT模型包含13个叶节点，每个叶节点分配有一个对数逻辑斯谛分布的加速失效模型(AFT)。模型验证结果表明，双因素分裂最大似然回归模型比传统的AFT模型和单因素分裂的最大似然回归树模型拟合效果更好。在此基础上，本发明可准确预测地铁延误事故，以及地铁事故延误超出最大承受范围的概率，作为提醒乘客重新规划行程的重要基础信息。
Description
技术领域
本发明涉及交通领域，具体涉及地铁事故延误分析及预测方法。
技术背景
由突发事件、供电故障等多种因素造成的地铁事故可能导致地 铁运输能力暂时下降，给乘客带来巨大损失，尤其是对通勤者带来延 误损失。地铁是城市公共交通的重要交通方式，减轻地铁事故带来的 影响很重要。
地铁管理部门需要实施有效的管理措施，尽快处理地铁事故。 快速清除地铁事故通常需要有效地分配相关资源，以便及时分派工作 人员。为了达到这一目标，需要建立一个模型来全面探索地铁事故的 影响因素，并预测地铁事故造成的延误。通勤者的出行可能受到外部 影响因素的影响，向公众提供地铁事故延误信息可以提醒乘客重新安 排行程。因此，准确预测地铁事件延误，并确定地铁事故延误是否可 接受至关重要。
目前，诸如加速失效时间(AFT)模型等许多参数模型都被用 来预测高速公路事故延误。然而，参数模型具有事先定好的函数形式 和假设条件，地铁事故一般不满足该条件，尤其是考虑到大量影响因 素的情形。为了消除参数模型的缺点，许多研究人员提出了估计地铁 或高速公路事件延迟的非参数模型。但需要指出的是，这些非参数模 型难以计算影响因素对事故延误的边际效应，而这些边际效应对于工 作人员确定减少地铁事故延误的各影响因素的先后顺序很有帮助。在 地铁事故延误中，这些变量可能和其他变量之间存在相互作用。因此， 准确识别地铁事故延误中相互作用的变量很重要。
发明内容
本发明的目的在于准确预测地铁事故延误以及地铁事故延误 超出最大承受范围的概率，为乘客重新规划行程提供基础信息。
本发明提供的基于最大似然回归树的地铁事故延误时间预测 方法是这样实现的，主要包括以下步骤：
S1.历史数据收集并处理。收集某一特定统计期内目标地铁交 通系统的事故数据，并将其按照地铁事故发生的日期、地铁线路、事 故起因以及地铁事故延误时间等类别进行分类梳理。
S2.描述性统计分析。对收集的地铁运营事故延误数据及地铁 事故发生日期、发生时间、供电故障、车门故障等自变量进行描述性 统计分析，研究数据的分布特点，确定数据分布形式，为研究模型的 选取提供依据。
S3.模型建立。包括两个阶段：建树和剪枝。将样本分为两部 分，随机选取80％的数据作为训练样本，用于初始树形结构的构建， 剩余20％的数据作为检验样本，用于初始树形结构的剪枝，得到最优 树形结构。
S3-1.建树：
(1)对于具有nk个样本观测数量的节点k，计算预测模型(AFT 模型)的参数的最大对数似然值LL(k)，
(2)对于具有m个解释变量的集合X＝(x1，x2，...，xm)，给定 xi，i＝1，2，...，m，让其与变量xj，j＝1，2，...，m进行组合，根据变量xi和xj组合的所有取值情况来搜寻所有可能的分裂方案。单变量分裂是双变 量分裂的一种特殊情形，即xi＝xj。设xi和xj的取值个数分别为h和 p。双变量分裂产生的所有可能的分裂方案可以表示为：
节点k处由分裂方案产生的最大对数似然值增量为：
其中，只有时，方案可行。
对分裂方案集Sij的穷举搜索，最终可以找到对数似然值增量最 大的最优方案即：
(3)对于给定变量xi，通过步骤(2)可以找到其最佳配对变 量和相应的节点k的最优方案
(4)在对所有变量组合进行搜索后，通过搜寻总体对数似然 值最大增量可以得到总体最优分裂方案找到最佳变量组合
(5)若则节点k被视作叶节点；否则， 分裂方案被用来对节点k进行划分。
(6)当满足以下两个分裂停止规则的其中一个时，停止建树：
(a)底部任意一个节点有不能继续划分；
(b)当前树形结构的深度达到了阈值。
否则，返回步骤(1)。
S3-2.剪枝：
采用复杂成本剪枝算法对树形结构进行修剪，移除对预测准确 度无贡献的分支；使用赤池信息量准则(AIC)来代表最大似然回归 树T的成本，最小化AIC值，生成最优树。其中，树T的AIC值表示 为：
(1)对于初始树Tj，设k是其内部节点，且k具有叶节点，Tk表示以k为根节点的子树，Tj-Tk表示从初始树Tj剪掉子树Tk(节点k保 留)。计算树Tj和Tj-Tk的AIC值，得到AIC(Tj)和AIC(Tj-Tk)；
(2)对树Tj自下向上寻找所有可能的节点k，将其记作集合K， 重复步骤一的操作，求出相应的AIC(Tj-Tk)，k∈K，从中找出最小的 AIC(Tj-Tk)，并将此节点记为k*，则有：
(3)比较和AIC(Tj)的大小，若则将树设置为新的初始树，即令j＝j+1，然后返回 步骤一，对树进行新一轮的搜索。否则，树Tj即为最优树，停 止搜索。
S4.模型校验。将训练样本和检验样本分别应用于传统单变量 分裂的最大似然回归树模型，计算对数似然值和AIC值，并与双因素 分裂的最大似然回归树模型进行比较，验证模型的拟合优度。
S5.预测比对。基于步骤一收集到的数据，建立双因素分裂的 最大似然回归树；在最优树形结构的每个叶节点处建立预测模型(AFT 模型)，对香港地铁事故延误作出预测。
在一些实施方式中，步骤S2.所描述的自变量具体包括地铁事 故发生日期、发生时间、供电故障、车门故障、车辆故障、紧急事件、 信号故障、与坠落物或乘客发生碰撞、轨道故障、操作故障10个变 量与地铁事故延误因变量。
在一些实施方式中，一种基于最大似然回归树的地铁事故延误 时间预测方法，在模型建立前对于会对地铁事故产生交互作用的变量 组合进行了相关识别。具体有工作日且非高峰期、周末或高峰期、无 信号故障且无碰撞、信号故障或碰撞、有车门故障且无车辆故障、无 车门故障或有车辆故障。
在一些实施方式中，在步骤S3.模型建立过程中使用最大似然 回归树方法，并在每个叶节点上分配AFT模型，使其具有更好的拟合 优度并解释异质性效应。
该种基于最大似然回归树的地铁事故延误时间预测方法，在模 型建立过程前假设一对变量(即使用两个变量)可以充分描述它们对 地铁事故延误的影响，并且母节点的最佳分裂方案在由变量组合形成 的所有可行方案中选取(即双变量分裂方案)。
模型建立之后采用复杂成本剪枝算法来进行树形结构的修剪， 以移除对预测准确度无贡献的分支。
一种基于最大似然回归树的地铁事故延误时间预测方法，可应 用于地铁事故相关因素影响分析，其中，主要利用了基于双因素分裂 的最大似然回归树模型可降低地铁事故延误影响因素之间的交互作 用的影响，并能够用来预测地铁事故延误超出承受能力的概率。
与现有技术相比，本发明提供的基于最大似然回归树的地铁事 故延误时间预测方法在检验数据上具有更高的拟合优度，对于地铁延 误事故的预测更为准确。
附图说明
为了更清楚地说明本发明实例或背景技术中的技术方案，下面 对本发明实例或背景技术中所需要使用的附图进行说明。
图1是本发明实施例统计分析2005-2012年香港地铁事故延误 数据后提供的地铁运营事故延误分布折线图。
图2为本发明实施例提供的变量组合对地铁事故延误的影响。
图3为本发明实施例提供的广义似然回归树构造流程图。
图4为本发明实施例提供的广义似然回归树建树过程。
图5为本发明实施例提供的广义似然回归树和AFT模型。
图6为本发明实施例提供的地铁事故延误超过最大承受值的 概率。
具体实施方式
以下以香港地铁2005年至2012年的事故数据，进一步说明本 发明方法。
本发明提供的基于最大似然回归树的地铁事故延误时间预测 方法，应用于香港地铁事故延误预测与分析的具体方法如下：
S1.根据香港立法会公布的数据，收集香港地铁2005年至 2012年的事故数据，并将其按照地铁事故发生的日期、地铁线路、 事故起因以及地铁事故延误时间等类别进行分类梳理，并确定地铁运 营事故延误分布。如图1所示。
S2.对所分类梳理完成的1332条地铁运营事故数据中的地铁 事故发生日期、发生时间、供电故障、车门故障等自变量进行描述性 统计分析。
表1变量描述
S3.对上述地铁事故发生日期、发生时间、供电故障、车门故 障、车辆故障、紧急事件、信号故障、与坠落物或乘客发生碰撞、轨 道故障、操作故障进行单因素方差分析。
表2地铁事故延误单因素方差分析结果
分析多种变量交互作用对于地铁事故延误的影响，准确识别会 对地铁事故产生交互作用的变量组合。车辆故障可能和车门故障对于 地铁事故延误的交叉作用如附图2所示。
S3.选取80％的数据进行初始树形结构的建立，20％的数据用 于初始树形结构的剪枝，得到最优树形结构，从而建立基于双因素分 裂的最大似然回归树模型。如附图3所示，具体采用如下步骤进行模 型构建：
A.对于给定节点k，我们可以计算AFT模型的参数的 最大对数似然值LL(k)
其中，yi表示节点k的第i个观测值， nk表示节点k的样本观测数量。
B.假设解释变量数量为m个，并且解释变量集表示为 X＝(x1，x2，...，xm)。对于给定的xi，i＝1，2，...，m，它将会与其他变量 xj，j＝1，2，...，m进行组合，根据变量xi和xj组合的所有取值情况来搜寻 所有可能的分裂方案。需要注意的是，单变量分裂是双变量分裂的一 种特殊情形，即xi＝xj。设xi和xj的取值个数分别为h和p。双变量分 裂产生的所有可能的分裂方案可以表示为：
其中，表示变量xi的取值，表示xj的取值，表 示分裂方案集Sij的第w个方案。
节点k处由分裂方案产生的最大对数似然值增量为：
其中，kR和kL分别表示母节点k的右子节点和左子节点。只有 时，方案可行，这表示后代节点的数据比母节点 的数据更加纯净。通过对分裂方案集Sij的穷举搜索，最终可以找到对 数似然值增量最大的最优方案即：
C.对于给定变量xi，通过步骤B可以找到其最佳配对变量和 相应的节点k的最优方案
D.在对所有变量组合进行搜索后，通过搜寻总体对数似然值最 大增量可以得到总体最优分裂方案找到最佳变量组合
E.如果节点k被视作叶节点。否则，变量 组合和相应的分裂方案将被用来对节点k的数据进行划分。
F.当满足以下两个分裂停止规则的其中一个时，停止建树： (a)底部任意一个节点有不能继续划分；(b) 当前树形结构的深度达到了阈值。否则，返回步骤A。
G.采用复杂成本剪枝算法来进行树形结构的修剪，移除对预测 准确度无贡献的分支。使用赤池信息量准则(AIC)来代表最大似然 回归树T成本，树T的AIC值可表示如下：
从最大的初始树Tj开始，并且确定一棵母节点h不包含任何后 代节点的子树，记作Tj-Th。如果对于新数据(即检验数据)，这棵子 树用一个叶节点代替能够降低树形结构整体的AIC值(即AIC(Tj-Th)＜AIC(Tj))，那么就相应的进行剪枝。当用叶节点代替子树 不能使树形结构的AIC值减小时，停止剪枝过程。
附图4描述了叶节点数量和训练数据的负对数似然值以及检 验数据的AIC值之间的关系，最终选取来预测地铁事故延误的最大似 然回归树包含13个叶节点。
附图5显示剪枝后所选的最终树的树形结构，其可被直观解释 如下：
根节点的初始分裂是基于车门故障和紧急事件两个变量。树形 结构将不涉及车门故障和紧急事件的地铁事故分到左侧形成Node 1， 将涉及车门故障或紧急事件的地铁事故分到右侧形成Node 2。后继 续将Node 1分裂为Nodes 3和4。根据高峰期是否有紧急事件发生， Node 2被分裂为Node 5和Leaf Node 1。当13个叶节点中的数据不 能继续划分时，树形结构停止分裂。
采用后向消除法来选择叶节点的AFT模型的变量。附图5给出 了由最大似然估计法得到的每个叶节点AFT模型的参数，Leaf Node 5 中的地铁事故延误只受轨道故障的影响，但是Leaf Node 2中的地铁 事故延误同时受轨道故障和信号故障的显著影响。
S4.根据训练数据和检验数据，构建9个不同分布的传统AFT 模型，例如对数正态分布、对数逻辑斯谛分布、伽玛分布、威布尔分 布，以及具有伽玛异质性的威布尔分布。
构造一棵基于传统的单变量分裂的最大似然回归树，对所构造 模型进行对比验证。
表3训练数据模型拟合优度对比
表4检验数据模型拟合优度对比
在双因素分裂最大似然回归树预测模型的基础上构造累积分 布函数的互补函数，它表示地铁事故延误超过地铁站最大承受值D 的概率，具体如下：
假设工作日高峰期有地铁事故发生。该事故由操作故障引起， 并涉及道岔故障。根据该地铁事故特征，沿着树的路径进行追踪可以 发现，叶节点5的AFT模型可以用来描述该地铁事故延误的分布情况。
附图6显示了地铁事故延误超过最大承受值的概率。
Claims (1)
1.一种基于最大似然回归树的地铁事故延误时间预测方法，其特征在于包括以下步骤：
步骤一：收集处理历史数据：
(1)确定研究对象，即城市或区域；
(2)规定研究数据的统计期；
(3)收集地铁事故延误相关数据；
(4)将数据按照地铁事故发生的日期、地铁线路、事故起因以及地铁事故延误时间多个类别进行分类梳理，得到地铁事故延误的自变量：地铁事故发生日期、发生时间、供电故障、车门故障、车辆故障、紧急事件、信号故障、与坠落物或乘客发生碰撞、轨道故障、操作故障，以及地铁事故延误因变量；
步骤二：描述性统计分析：
(1)对地铁事故延误的总体样本数据进行描述统计，确定数据的集中趋势、离散程度，确定数据的分布形式；
(2)对各自变量影响下的地铁事故延误数据进行描述统计；
(3)对各自变量进行显著性检验，为模型建立变量的选取和分析奠定基础；
(4)对于会对地铁事故产生交互作用的变量组合进行识别，具体有工作日且非高峰期、周末或高峰期、无信号故障且无碰撞、信号故障或碰撞、有车门故障且无车辆故障、无车门故障或有车辆故障；
步骤三：建立模型：将样本分为两部分，随机选取80％的数据作为训练样本，用于初始树形结构的构建，剩余20％的数据作为检验样本，用于初始树形结构的剪枝；
(一)建树：
(1)对于具有nk个样本观测数量的节点k，计算预测模型的参数的最大对数似然值LL(k)，
(2)对于具有m个解释变量的集合X＝(x1,x2,...,xm)，给定让其与变量xj,j＝1,2,...,m进行组合，根据变量xi和xj组合的所有取值情况来搜寻所有可能的分裂方案；单变量分裂是双变量分裂的一种特殊情形，即xi＝xj；设xi和xj的取值个数分别为h和p；双变量分裂产生的所有可能的分裂方案可以表示为：
节点k处由分裂方案产生的最大对数似然值增量为：
其中，只有时，方案可行；
对分裂方案集Sij的穷举搜索，最终找到对数似然值增量最大的最优方案即：
(3)对于给定变量xi，通过步骤(2)找到其最佳配对变量和相应的节点k的最优方案
(4)在对所有变量组合进行搜索后，通过搜寻总体对数似然值最大增量得到总体最优分裂方案找到最佳变量组合
(5)若则节点k被视作叶节点；否则，分裂方案被用来对节点k进行划分。
(6)当满足以下两个分裂停止规则的其中一个时，停止建树：
(a)底部任意一个节点有不能继续划分；
(b)当前树形结构的深度达到了阈值；
否则，返回步骤(1)；
(二)剪枝：采用复杂成本剪枝算法对树形结构进行修剪，移除对预测准确度无贡献的分支；使用赤池信息量准则来代表最大似然回归树T的成本，最小化AIC值，生成最优树；其中，树T的AIC值表示为：
(1)对于初始树Tj，设k是其内部节点，且k具有叶节点，Tk表示以k为根节点的子树，Tj-Tk表示从初始树Tj剪掉子树Tk，其中节点k保留；计算树Tj和Tj-Tk的AIC值，得到AIC(Tj)和AIC(Tj-Tk)；
(2)对树Tj自下向上寻找所有可能的节点k，将其记作集合K，重复步骤一的操作，求出相应的AIC(Tj-Tk),k∈K，从中找出最小的AIC(Tj-Tk)，并将此节点记为k*，则有：
(3)比较和AIC(Tj)的大小，若则将树设置为新的初始树，即令j＝j+1，然后返回步骤一，对树进行新一轮的搜索；否则，树Tj即为最优树，停止搜索；
步骤四：校验模型：
将训练样本和检验样本分别应用于传统单变量分裂的最大似然回归树模型，计算对数似然值和AIC值，并与双因素分裂的最大似然回归树模型进行比较；
步骤五：预测比对：
基于步骤一收集到的数据，建立双因素分裂的最大似然回归树；
在最优树形结构的每个叶节点处建立预测模型，对地铁事故延误作出预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915093.9A CN109447306B (zh) | 2018-08-13 | 2018-08-13 | 基于最大似然回归树的地铁事故延误时间预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810915093.9A CN109447306B (zh) | 2018-08-13 | 2018-08-13 | 基于最大似然回归树的地铁事故延误时间预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109447306A true CN109447306A (zh) | 2019-03-08 |
| CN109447306B CN109447306B (zh) | 2021-07-02 |
Family
ID=65530082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810915093.9A Active CN109447306B (zh) | 2018-08-13 | 2018-08-13 | 基于最大似然回归树的地铁事故延误时间预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447306B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427402A (zh) * | 2019-07-24 | 2019-11-08 | 上海工程技术大学 | 一种轨道交通故障延误传播及波及范围推估系统 |
| CN110458244A (zh) * | 2019-08-20 | 2019-11-15 | 合肥工业大学 | 一种应用于区域路网的交通事故严重度预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102103715A (zh) * | 2010-11-18 | 2011-06-22 | 上海海事大学 | 基于负二项回归的水上交通事故调查分析和预测方法 |
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| EP2697663A1 (en) * | 2011-04-14 | 2014-02-19 | Telefonaktiebolaget L M Ericsson (PUBL) | Modified maximum likelihood channel estimation |
| CN104156594A (zh) * | 2014-08-11 | 2014-11-19 | 中国民航大学 | 一种基于贝叶斯网的航班过站时间动态估计方法 |
| CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
| CN105894808A (zh) * | 2014-12-03 | 2016-08-24 | 北京旺德瑞通科技发展有限公司 | 检测交通事件的方法及装置 |
| CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
-
2018
- 2018-08-13 CN CN201810915093.9A patent/CN109447306B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102103715A (zh) * | 2010-11-18 | 2011-06-22 | 上海海事大学 | 基于负二项回归的水上交通事故调查分析和预测方法 |
| EP2697663A1 (en) * | 2011-04-14 | 2014-02-19 | Telefonaktiebolaget L M Ericsson (PUBL) | Modified maximum likelihood channel estimation |
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| CN104156594A (zh) * | 2014-08-11 | 2014-11-19 | 中国民航大学 | 一种基于贝叶斯网的航班过站时间动态估计方法 |
| CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
| CN105894808A (zh) * | 2014-12-03 | 2016-08-24 | 北京旺德瑞通科技发展有限公司 | 检测交通事件的方法及装置 |
| CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
Non-Patent Citations (1)
| Title |
|---|
| 刘伟铭 等: "《基于决策树的高速公路事件持续时间预测》", 《中国公路学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427402A (zh) * | 2019-07-24 | 2019-11-08 | 上海工程技术大学 | 一种轨道交通故障延误传播及波及范围推估系统 |
| CN110427402B (zh) * | 2019-07-24 | 2021-10-08 | 上海工程技术大学 | 一种轨道交通故障延误传播及波及范围推估系统 |
| CN110458244A (zh) * | 2019-08-20 | 2019-11-15 | 合肥工业大学 | 一种应用于区域路网的交通事故严重度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109447306B (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
| AlMamlook et al. | Comparison of machine learning algorithms for predicting traffic accident severity | |
| KR101638368B1 (ko) | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 | |
| CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
| CN105956621B (zh) | 一种基于进化欠抽样集成学习的航班延误预警方法 | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN108417033A (zh) | 基于多维因素的高速路交通事故分析预测方法 | |
| Xu et al. | Identifying travel mode from GPS trajectories through fuzzy pattern recognition | |
| Zheng et al. | Decision tree approach to accident prediction for highway–rail grade crossings: Empirical analysis | |
| Lee et al. | A prediction model of traffic congestion using weather data | |
| Lippi et al. | Collective traffic forecasting | |
| CN110348614A (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
| CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
| CN109447306A (zh) | 基于最大似然回归树的地铁事故延误时间预测方法 | |
| Lin et al. | Short-term metro passenger flow prediction based on random forest and LSTM | |
| Zhu et al. | Early identification of recurrent congestion in heterogeneous urban traffic | |
| CN107194505A (zh) | 一种基于城市大数据预测公共汽车出行量的方法和系统 | |
| Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
| Žunić et al. | Cluster-based analysis and time-series prediction model for reducing the number of traffic accidents | |
| Kuskapan et al. | Examination of the Effects of the Pandemic Process on the E-scooter Usage Behaviours of Individuals with Machine Learning | |
| Niyogisubizo et al. | A Comparative Study on Machine Learning-based Approaches for Improving Traffic Accident Severity Prediction | |
| Behera et al. | Real time identification of inputs for a BATP system using data analytics | |
| Xiang et al. | GA-ARIMA model-based analysis of arrival time at bus stop | |
| Chen et al. | Bayesian inference for link travel time correlation of a bus route | |
| Satu et al. | ‘Predicting accidental locations of Dhaka-Aricha highway in Bangladesh using different data mining techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |