Abstract

Traffic congestion which has been a common problem faced by almost all of the metropolitan cities across the world is caused by non-recurring traffic incidents such as accidents and vehicle breakdowns in many cases. Therefore, accurate prediction of the incident duration has become an essential part of Intelligent Transport Systems (ITS). Although the data-driven deterministic regression models can serve this purpose, the performances of these models are subject to varying test conditions. In this study, we consider two different data-sets, one from Singapore and the other from the Netherlands, and explore stochastic models (Bayesian Support Vector Regression, i.e. BSVR and Gaussian Process, i.e. GP) that not only perform prediction but also provide error bars as confidence measures along with the predicted values. Moreover, we also verify whether these methods can anticipate when the predictions are unreliable. To this end, we analyze the specificity and sensitivity of the two methods for detecting prediction errors with different tolerance levels. We observe that for 70% specificity, the sensitivity of BSVR and GP is 67% and 78% respectively, for the incidents in Singapore. On the other hand, for the incidents in the Netherlands, the two methods have 55% and 60% sensitivity respectively, for the same level of specificity. Therefore, our proposed method of Bayesian models with error bars leads to more reliable predictions of the traffic incident duration, as well as forecasts to some extent when the predictions are unreliable.

摘要

世界上几乎所有大都市都面临的交通拥堵问题，很多时候是由非经常性交通事故造成的，例如事故和车辆故障。因此，准确预测事故持续时间已成为智能交通系统（ITS）的重要组成部分。尽管数据驱动的确定性回归模型可以达到此目的，但这些模型的性能受不同测试条件的影响。在这项研究中，我们考虑了两个不同的数据集，一个来自新加坡，另一个来自荷兰，并探索不仅执行预测而且提供误差的随机模型（贝叶斯支持向量回归，即 BSVR 和高斯过程，即 GP）条作为置信度度量以及预测值。而且，我们还验证了这些方法是否可以预测何时预测不可靠。为此，我们分析了两种方法检测具有不同容忍度的预测误差的特异性和敏感性。我们观察到，对于 70% 的特异性，BSVR 和 GP 对新加坡事件的敏感性分别为 67% 和 78%。另一方面，对于荷兰的事件，两种方法分别具有 55% 和 60% 的敏感性，对于相同的特异性水平。因此，我们提出的带有误差线的贝叶斯模型方法可以对交通事故持续时间进行更可靠的预测，以及在预测不可靠时进行一定程度的预测。我们分析了检测具有不同容忍度的预测误差的两种方法的特异性和敏感性。我们观察到，对于 70% 的特异性，BSVR 和 GP 对新加坡事件的敏感性分别为 67% 和 78%。另一方面，对于荷兰的事件，两种方法分别具有 55% 和 60% 的敏感性，对于相同的特异性水平。因此，我们提出的带有误差线的贝叶斯模型方法可以对交通事故持续时间进行更可靠的预测，以及在预测不可靠时进行一定程度的预测。我们分析了检测具有不同容忍度的预测误差的两种方法的特异性和敏感性。我们观察到，对于 70% 的特异性，BSVR 和 GP 对新加坡事件的敏感性分别为 67% 和 78%。另一方面，对于荷兰的事件，两种方法分别具有 55% 和 60% 的敏感性，对于相同的特异性水平。因此，我们提出的带有误差线的贝叶斯模型方法可以对交通事故持续时间进行更可靠的预测，以及在预测不可靠时进行一定程度的预测。对于荷兰的事件，两种方法分别具有 55% 和 60% 的敏感性，对于相同的特异性水平。因此，我们提出的带有误差线的贝叶斯模型方法可以对交通事故持续时间进行更可靠的预测，以及在预测不可靠时进行一定程度的预测。对于荷兰的事件，两种方法分别具有 55% 和 60% 的敏感性，对于相同的特异性水平。因此，我们提出的带有误差线的贝叶斯模型方法可以对交通事故持续时间进行更可靠的预测，以及在预测不可靠时进行一定程度的预测。