本文主要研究内容
作者何珂,杨顺新,郜勇刚（2019）在《基于PCA-RF组合模型的隧道交通事故持续时间预测》一文中研究指出：使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测。主成分分析用来提高随机森林模型的精度与效率。此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合。参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差。用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2 115起事故数据。每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等。结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果。并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度。且PCA能够降低数据维度,提高算法的效率。与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高。
Abstract
shi yong zhu cheng fen fen xi (PCA)he sui ji sen lin (RF)zu ge mo xing dui gao su gong lu sui dao jiao tong shi gu chi xu shi jian jin hang yu ce 。zhu cheng fen fen xi yong lai di gao sui ji sen lin mo xing de jing du yu xiao lv 。ci wai ,tong guo diao jie 2ge mo xing can shu ,bao gua jue ce shu shu mu he zui da shu shen du lai di gao mo xing jing du he bi mian mo xing guo ni ge 。can shu you hua de jie guo biao ming ,jian mo shi jue ce shu shu mu qu 150、zui da shu shen du qu 10ke jiang di mo xing de fan hua wu cha 。yong yi jian mo de shu ju bao gua le shan xi sheng de suo you gao su gong lu sui dao zi 2012—2017nian nei de 2 115qi shi gu shu ju 。mei qi shi gu shu ju bao gua 16ge bian liang ,bao gua sui dao lei xing ,shi gu fa sheng wei zhi lei xing ,shi gu lei xing deng 。jie guo biao ming ,PCA-RFzu ge mo xing de ping jun jue dui wu cha wei 12.80 min,wu cha 20 minyi nei de zhun que lv wei 89.15%,qu de le liang hao de yu ce xiao guo 。bing ju ,PCA-RFzu ge mo xing de jing du gao yu RFmo xing ,shui ming PCA-RFzu ge mo xing neng gou di gao shi gu chi xu shi jian yu ce de jing du 。ju PCAneng gou jiang di shu ju wei du ,di gao suan fa de xiao lv 。yu ren gong shen jing wang lao mo xing de jie guo biao ming ,PCA-RFzu ge mo xing yu ce jie guo jing du gao ju ji mo xing geng jian chan 、xiao lv geng gao 。
论文参考文献
论文详细介绍
论文作者分别是来自交通信息与安全的何珂,杨顺新,郜勇刚，发表于刊物交通信息与安全2019年05期论文，是一篇关于交通安全论文,持续时间论文,预测论文,主成分分析论文,随机森林论文,组合模型论文,交通信息与安全2019年05期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自交通信息与安全2019年05期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：交通安全论文; 持续时间论文; 预测论文; 主成分分析论文; 随机森林论文; 组合模型论文; 交通信息与安全2019年05期论文;