Detailergebnis zu DOK-Nr. 77054
Vergleich von Machine-Learning- und Deep-Learning-Methoden für die Echtzeit-Unfall-Vorhersage (Orig. engl.: Comparing machine learning and deep learning methods for real-time crash prediction)
| Autoren |
A. Theofilatos C. Chen C. Antoniou |
|---|---|
| Sachgebiete |
1.4 Statistik (Straßen, Kfz, Unfälle) 5.1 Autobahnen 6.2 Verkehrsberechnungen, Verkehrsmodelle 6.3 Verkehrssicherheit (Unfälle) |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 8, 2019, S. 169-178, 1 B, 3 T, 45 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr
Obwohl es zahlreiche Studien gibt, die den Einfluss von Echtzeit-Verkehrs- und Wetterparametern auf das Unfallgeschehen auf Autobahnen untersuchen, gibt es nach Kenntnis der Autoren keine Studien, die die Vorhersageleistung von Machine-Learning- (ML) und Deep-Learning-Modellen (DL) verglichen haben. Die Studie trägt zum aktuellen Wissensstand bei, indem sie ML- und DL-Methoden zur Vorhersage des Auftretens von Unfällen in Echtzeit vergleicht und validiert. Um dies zu erreichen, wurden Echtzeit-Verkehrs- und Wetterdaten der Attica-Mautstraße in Griechenland mit historischen Unfalldaten verknüpft. Der Gesamtdatensatz wurde in Trainings-/Schätz- (75 %) und Validierungs-Teilmengen (25 %) aufgeteilt, die dann standardisiert wurden. Zunächst wurden die ML- und DL-Vorhersagemodelle anhand des Trainingsdatensatzes trainiert/geschätzt. Anschließend wurden die Modelle auf Basis ihrer Leistungsmetriken (Genauigkeit, Sensitivität, Spezifität und Fläche unter der Kurve (Area under the Curve, AUC)) auf dem Testdatensatz verglichen. Die betrachteten Modelle waren "k-nearest neighbor“, Naive Bayes, Entscheidungsbaum, Random Forest, Support Vector Machine, Shallow Neural Network und schließlich Deep Neural Network. Insgesamt scheint das DL-Modell besser geeignet zu sein, da es alle anderen Kandidatenmodelle übertraf. Genauer gesagt konnte das DL-Modell im Vergleich zu den anderen Modellen eine ausgewogene Leistung bei allen Metriken erzielen (Gesamtgenauigkeit = 68,95 %, Sensitivität = 0,521, Spezifität = 0,77, AUC = 0,641). Überraschend ist jedoch, dass das Naive Bayes-Modell eine gute Leistung erzielte, obwohl es weit weniger komplex ist als andere Modelle. Die Ergebnisse der Studie sind besonders nützlich, weil sie einen ersten Einblick in die Leistung von ML- und DL-Modellen geben.