Predicción de Eventos de Alto Riesgo en Camiones de Contenedores y Análisis de Sus Factores Influyentes Basados en Datos de Trayectoria
Autores: Zhu, Zhihao; Meng, Yuan; Cheng, Rongjun
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Predicción de Eventos de Alto Riesgo en Camiones de Contenedores y Análisis de Sus Factores Influyentes Basados en Datos de Trayectoria
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Prosperidad
Expansión
Camiones contenedores
Flujo de tráfico
Conflictos
Densidad
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
Con la prosperidad de la economía y la continua expansión del área portuaria, los camiones de contenedores se han convertido en el principal medio de transporte en las carreteras del puerto. La investigación tradicional sobre el flujo de tráfico se centra principalmente en los automóviles de pasajeros. En vista de las características únicas del flujo de tráfico de camiones de contenedores y la falta de investigación sobre los factores que influyen en los conflictos de este flujo de tráfico, este artículo se compromete a llenar este vacío de investigación. Este artículo utiliza drones y tecnología YOLOv8 para construir un conjunto de datos de trayectorias de vehículos en el escenario del flujo de tráfico de camiones de contenedores y extrae características relevantes del flujo de tráfico de camiones de contenedores a partir de datos de trayectorias de vehículos desde una perspectiva macro. Para los datos de trayectorias después de la eliminación de ruido, se utiliza el indicador de tiempo hasta la colisión (TTC) para identificar eventos de conflicto, y luego se utiliza la técnica de sobremuestreo de minorías sintéticas (SMOTE) para obtener cuatro conjuntos de datos. Se seleccionan modelos de aprendizaje automático y clasificación relacionados para la predicción de conflictos. Cabe destacar que el modelo XGBoost tiene un mejor rendimiento que otros modelos en los cuatro conjuntos de datos, con una precisión del 0.86 y un valor AUC de 0.933. La teoría de explicación aditiva de Shapley (SHAP) se utiliza para explicar y analizar los resultados del modelo y compararlos con estudios existentes. Los resultados muestran que en el flujo de tráfico de camiones de contenedores, la densidad de tráfico es el factor más importante que afecta a los conflictos, y los conflictos ocurren con más frecuencia cuando la densidad de tráfico está entre 50 y 70 vehículos/km, seguido por la tasa de cambio de carril. En contraste, para flujos de tráfico generales, los estudios han demostrado que la velocidad es el principal factor que afecta a los conflictos.
Descripción
Con la prosperidad de la economía y la continua expansión del área portuaria, los camiones de contenedores se han convertido en el principal medio de transporte en las carreteras del puerto. La investigación tradicional sobre el flujo de tráfico se centra principalmente en los automóviles de pasajeros. En vista de las características únicas del flujo de tráfico de camiones de contenedores y la falta de investigación sobre los factores que influyen en los conflictos de este flujo de tráfico, este artículo se compromete a llenar este vacío de investigación. Este artículo utiliza drones y tecnología YOLOv8 para construir un conjunto de datos de trayectorias de vehículos en el escenario del flujo de tráfico de camiones de contenedores y extrae características relevantes del flujo de tráfico de camiones de contenedores a partir de datos de trayectorias de vehículos desde una perspectiva macro. Para los datos de trayectorias después de la eliminación de ruido, se utiliza el indicador de tiempo hasta la colisión (TTC) para identificar eventos de conflicto, y luego se utiliza la técnica de sobremuestreo de minorías sintéticas (SMOTE) para obtener cuatro conjuntos de datos. Se seleccionan modelos de aprendizaje automático y clasificación relacionados para la predicción de conflictos. Cabe destacar que el modelo XGBoost tiene un mejor rendimiento que otros modelos en los cuatro conjuntos de datos, con una precisión del 0.86 y un valor AUC de 0.933. La teoría de explicación aditiva de Shapley (SHAP) se utiliza para explicar y analizar los resultados del modelo y compararlos con estudios existentes. Los resultados muestran que en el flujo de tráfico de camiones de contenedores, la densidad de tráfico es el factor más importante que afecta a los conflictos, y los conflictos ocurren con más frecuencia cuando la densidad de tráfico está entre 50 y 70 vehículos/km, seguido por la tasa de cambio de carril. En contraste, para flujos de tráfico generales, los estudios han demostrado que la velocidad es el principal factor que afecta a los conflictos.