Zurück Vor

Detailergebnis zu DOK-Nr. 78579

Vorhersage des Zusammenbruchs des Verkehrsflusses mithilfe von Ansätzen des maschinellen Lernens (Orig. engl.: Traffic flow breakdown prediction using machine learning approaches)

Autoren	M. Filipovska H.S. Mahmassani
Sachgebiete	0.11 Datenverarbeitung 5.15 Verkehrsablauf (Verkehrsfluss, Leistungsfähigkeit) 6.2 Verkehrsberechnungen, Verkehrsmodelle

Transportation Research Record: Journal of the Transportation Research Board Vol. 2674, H. 10, 2020, S. 560-570, 4 B, 4 T, 21 Q. - Online-Ressource: verfügbar unter: http://journals.sagepub.com/home/trr

Der Zusammenbruch des Verkehrsflusses ist der abrupte Übergang vom Betrieb bei freiem Verkehrsfluss zu überlasteten Bedingungen und ist in der Regel das Ergebnis komplexer Wechselwirkungen in der Verkehrsdynamik. Aufgrund seines stochastischen Charakters wird der Zusammenbruch in der Regel nur auf probabilistische Weise vorhergesagt. Der Beitrag konzentriert sich auf die Verwendung stationärer, aggregierter Verkehrsdaten zur Erfassung der Verkehrsdynamik, die Entwicklung und Erprobung von Ansätzen des maschinellen Lernens (ML) für die Vorhersage von Verkehrsausfällen und den Vergleich dieser Ansätze mit den traditionell verwendeten probabilistischen Ansätzen. Die Studie leistet einen dreifachen Beitrag: Sie untersucht die Nützlichkeit von zeitlich und räumlich verzögerten Detektordaten für die Vorhersage des Auftretens von Verkehrsstörungen, sie entwickelt und testet ML-Ansätze für die Vorhersage von Verkehrsstörungen unter Verwendung dieser Daten und sie vergleicht die Vorhersagekraft und Leistung dieser Ansätze mit den traditionell verwendeten probabilistischen Methoden. Die Ergebnisse der Merkmalsauswahl zeigen, dass die Pannenvorhersage von der Einbeziehung zeitlich und räumlich verzögerter Variablen stark profitiert. Vergleicht man die Leistung der ML-Methoden mit den probabilistischen Ansätzen, so erzielen ML-Methoden eine bessere Vorhersageleistung in Bezug auf die klassengleiche Genauigkeit, die Rate der echten Positiven (recall), die Rate der echten Negativen (specificity) und den positiven Vorhersagewert (precision). Je nach Anwendung des Vorhersageansatzes können die Kriterien für die Methodenauswahl von Fall zu Fall unterschiedlich sein. Insgesamt wurde die beste Leistung mit den Ansätzen des neuronalen Netzes und der Support Vector Machine mit Klassenausgleich und mit dem Random-Forest-Ansatz ohne Klassenausgleich erzielt. Es werden auch Empfehlungen für die Auswahl von Vorhersageansätzen auf der Grundlage der spezifischen Anwendungsziele gegeben.