Traffic accidents causing nonrecurrent congestion can decrease the capacity of highways and increase car emissions. Some models in previous studies have been built based on artificial intelligence or statistical theory because estimating the duration of an accident can aid traffic operation and management. However, only characteristics of traffic accidents were considered in most models; the spatial–temporal correlations of traffic flow were always ignored. In this study, a deep fusion model, which can simultaneously handle categorical and continuous variables, is proposed. The model considers not only the characteristics of traffic accidents but also the spatial–temporal correlations in traffic flow. In this model, a stacked restricted Boltzmann machine (RBM) is used to handle the categorical variables, a stacked Gaussian-Bernoulli RBM is used to handle the continuous variables, and a joint layer is used to fuse the extracted features. With extracted I-80 data, the performance of the proposed model was evaluated and compared to some benchmark models. Furthermore, the target variable (duration) was divided into ten groups, and then the evaluation criteria of the models of each group were calculated. The results show that the novel model outperforms some previous models and that the fusion of different types of variables can improve prediction accuracy. In conclusion, the proposed model can fully mine nonlinear and complex patterns in traffic accident data and traffic flow data. The fusion of features is important to predict traffic accident durations.

引起非经常性交通拥堵的交通事故会降低高速公路的通行能力并增加汽车排放。先前研究中的某些模型是基于人工智能或统计理论建立的，因为估计事故持续时间可以帮助交通运营和管理。但是，在大多数模型中，仅考虑了交通事故的特征。交通流的时空相关性总是被忽略。在这项研究中，提出了一种可以同时处理分类变量和连续变量的深度融合模型。该模型不仅考虑了交通事故的特征，还考虑了交通流的时空相关性。在此模型中，使用了堆叠式受限玻尔兹曼机（RBM）来处理分类变量，使用堆叠的高斯-伯努利RBM处理连续变量，并使用接合层融合提取的特征。利用提取的I-80数据，评估了所提出模型的性能，并将其与某些基准模型进行了比较。此外，将目标变量（持续时间）分为十组，然后计算各组模型的评估标准。结果表明，该新型模型优于某些先前的模型，并且不同类型变量的融合可以提高预测精度。总之，该模型可以充分挖掘交通事故数据和交通流数据中的非线性和复杂模式。功能的融合对于预测交通事故持续时间很重要。利用提取的I-80数据，评估了所提出模型的性能，并将其与某些基准模型进行了比较。此外，将目标变量（持续时间）分为十组，然后计算各组模型的评估标准。结果表明，该新型模型优于某些先前的模型，并且不同类型变量的融合可以提高预测精度。总之，该模型可以充分挖掘交通事故数据和交通流数据中的非线性和复杂模式。功能的融合对于预测交通事故持续时间很重要。利用提取的I-80数据，评估了所提出模型的性能，并将其与某些基准模型进行了比较。此外，将目标变量（持续时间）分为十组，然后计算各组模型的评估标准。结果表明，该新型模型优于以前的某些模型，并且不同类型变量的融合可以提高预测精度。总之，该模型可以充分挖掘交通事故数据和交通流数据中的非线性和复杂模式。功能的融合对于预测交通事故持续时间很重要。然后计算各组模型的评价标准。结果表明，该新型模型优于以前的某些模型，并且不同类型变量的融合可以提高预测精度。总之，该模型可以充分挖掘交通事故数据和交通流量数据中的非线性和复杂模式。功能的融合对于预测交通事故持续时间很重要。然后计算各组模型的评价标准。结果表明，该新型模型优于某些先前的模型，并且不同类型变量的融合可以提高预测精度。总之，该模型可以充分挖掘交通事故数据和交通流数据中的非线性和复杂模式。功能的融合对于预测交通事故持续时间很重要。