Los accidentes de tráfico son un fenómeno complejo que implica la interdependencia entre múltiples factores. Teniendo en cuenta que la interdependencia es fundamental para predecir el riesgo de colisión con precisión y contribuye a revelar el mecanismo subyacente de la ocurrencia del accidente, el presente estudio intenta construir un Modelo de Predicción de Colisión en Tiempo Real (RTCPM) para la autopista elevada urbana teniendo en cuenta la dinamicidad y el acoplamiento de la interdependencia entre las características del flujo de tráfico antes de la ocurrencia del accidente e identificar la ruta de propagación del riesgo más probable y los contribuyentes más significativos al riesgo de colisión. En este estudio, la Red Bayesiana Dinámica (DBN) fue el marco del RTCPM. Se empleó el método Random Forest (RF) para identificar las variables más importantes, que se utilizaron para construir RTCPM basadas en DBN. El algoritmo PC combinado con la experiencia de expertos se aplicó además para investigar la interdependencia de acoplamiento entre las características del flujo de tráfico en el modelo DBN. Se llevó a cabo un análisis comparativo entre el RTCPM basado en DBN mejorado teniendo en cuenta la interdependencia, el RTCPM basado en DBN original sin tener en cuenta la interdependencia y el Perceptrón Multicapa (MLP). Además, se utilizaron los análisis de sensibilidad y fuerza de las influencias para identificar la ruta de propagación del riesgo más probable y los factores que más contribuyen al riesgo de colisión. Los resultados mostraron que el RTCPM mejorado basado en DBN tenía un mejor rendimiento de predicción que el RTCPM original basado en DBN y el RTCPM basado en MLP. La ruta de influencia del riesgo más probable se identificó de la siguiente manera: velocidad en el segmento actual (V) (intervalo de tiempo 2)⟶V (intervalo de tiempo 1)⟶velocidad en el segmento ascendente (U_V) (intervalo de tiempo 1)⟶Índice de rendimiento del tráfico (TPI) (intervalo de tiempo 1)⟶riesgo de colisión en el segmento actual. El factor más sensible al riesgo de colisión en esta ruta fue V (intervalo de tiempo 2), seguido de TPI (intervalo de tiempo 1), V (intervalo de tiempo 1) y U_V (intervalo de tiempo 1). Estos resultados indican que el RTCPM mejorado basado en DBN tiene potencial para predecir colisiones en tiempo real en autopistas elevadas urbanas. Además, contribuye a revelar el mecanismo subyacente del accidente y a formular medidas de control de riesgos en tiempo real.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Método de reducción de la dimensión de los datos basado en el escalado multidimensional para su aplicación en la predicción del flujo de tráfico a corto plazo en redes viarias urbanas
Artículo:
Enfoque de optimización por enjambre de partículas basado en algoritmos genéticos para reprogramar horarios de trenes de alta velocidad: Un estudio de caso en China
Informe, reporte:
Gestión de la cadena de suministro verde, ¿herramienta de marketing o revolución?
Artículo:
Reprogramación y reencaminamiento integrados de trenes durante perturbaciones múltiples en un sistema de bloques casi móviles
Artículo:
Solución a la asignación de clientes a camiones y días de visita en un caso real de ruteo periódico
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.