12、实时交通应用评估与冬季道路管理的探索

实时交通应用评估与冬季道路管理的探索

实时交通应用评估

在交通领域，数据的有效利用和分析对于提升交通管理效率至关重要。在实时交通应用评估方面，研究人员进行了一系列实验，旨在评估不同场景下的交通应用效果。

在欠采样率实验中，发现随着欠采样率的变化，灵敏度、特异性和精度会发生相应改变。当丢弃率为85%时，能找到一个较好的平衡点，此时灵敏度约为65%，特异性约为82%，精度约为38%。

交通状态估计是一个简单但受欢迎的交通应用。研究人员使用CoCar消息进行该场景的实验。首先创建了一个由四条双车道链路组成的人工道路网络，覆盖约4公里×8公里的区域，同时也将该场景应用于现实地图，如德国杜塞尔多夫附近的部分道路网络。

在实验中，使用数据流分类算法将数据流元素分为四种交通状态：自由、密集、缓慢移动和拥堵。通过交通模拟中根据相应规则计算每个路段的真实情况，并编制混淆矩阵来评估结果，进而计算挖掘准确性。为展示结果的代表性，进行了三次仅改变交通模拟中随机函数种子的运行，结果显示挖掘算法的整体准确性最大变化约为3 - 5%。

实验中使用了一组默认值和默认分类器。默认的路段长度为400米，窗口大小为60秒，CoCar渗透率为10%。概念自适应的Hoeffding选项树与朴素贝叶斯预测策略作为默认分类器，因其在与其他算法的比较中表现最佳。

最初仅使用紧急制动和警告灯公告消息进行队列末端检测，但发现除拥堵状态外，其他交通状态检测效果不佳。于是引入了定期发送的仅包含基本非事件数据（主要是位置、速度和加速度）的消息，这提高了其他类别的准确性，但对于密集类仍效果不佳。原因可能是各类别示例数量不平衡，因此在交通模拟中使用不同道路的多个交通流量来创建分布在