王　璐　朱　寧

(天津大學(xué)管理與經(jīng)濟(jì)學(xué)部　天津 300072)

0　引　言

截至到2016年底，我國(guó)的高速公路已發(fā)展到13.10萬(wàn)km[1]。隨著高速公路建設(shè)快速發(fā)展，其事故也不斷增多，因此，高速公路事故救援成為公路安全研究的重點(diǎn)，其中巡邏車對(duì)事故發(fā)現(xiàn)和救援起到至關(guān)重要的作用。研究表明，受傷人員的生存率隨救援時(shí)間的增加而逐漸降低，在接到報(bào)警的14 min之后，生存率即可降至75%以下[2]。實(shí)際工作中，由于高速公路的特殊性，報(bào)警人往往不能快速有效地確定自己的位置，降低了救援效率。為了提高高速公路事故救援效率，學(xué)者主要針對(duì)系統(tǒng)框架、資源分配策略，以及最小化救援時(shí)間等問題進(jìn)行研究。然而，目前已有的巡邏車事件應(yīng)急響應(yīng)研究是基于先驗(yàn)的靜態(tài)歷史事故數(shù)據(jù)或路網(wǎng)結(jié)構(gòu)的，靈活性不足，救援效率在一定程度提升后達(dá)到瓶頸。筆者針對(duì)以上問題，將高速公路事故預(yù)測(cè)和巡邏車應(yīng)急響應(yīng)結(jié)合起來，以達(dá)到提高救援效率的目的。

影響高速公路交通事故發(fā)生的因素有外因和內(nèi)因，其中內(nèi)因?yàn)樗緳C(jī)本身的狀況，例如，年齡、心里因素等，外界因素主要包括交通狀況、地理因素和天氣因素等。有很多學(xué)者對(duì)影響交通事故的因素進(jìn)行分類總結(jié)，但是通過影響因素的分類無法對(duì)事故進(jìn)行有效預(yù)防和及時(shí)救援，因此，自2000年以來，很多學(xué)者基于影響交通事故的外因?qū)煌ㄊ鹿实膶?shí)時(shí)預(yù)測(cè)進(jìn)行了研究。高速公路事故風(fēng)險(xiǎn)預(yù)測(cè)的2個(gè)數(shù)據(jù)集主要來源于實(shí)時(shí)交通流數(shù)據(jù)和警方數(shù)據(jù)，它們分別為事故發(fā)生前一段時(shí)間與交通狀態(tài)相關(guān)的數(shù)據(jù)集和同一路段的事故數(shù)據(jù)集。事故的數(shù)據(jù)主要包括事故發(fā)生的時(shí)間和地點(diǎn)，交通數(shù)據(jù)主要包括車輛速度、占有率和流量等。事故預(yù)測(cè)的指標(biāo)主要包括提前時(shí)間、敏感度和誤判率。其中，敏感度表示預(yù)測(cè)發(fā)生事故并且真實(shí)發(fā)生的事故數(shù)占所有真實(shí)發(fā)生的事故比例，誤判率表示將無事故判為有事故占所有實(shí)際中無事故的比例。敏感度和誤判率往往相互制約，為了便于分析，常常以TPR(ture positive rate)為縱軸，F(xiàn)PR(false positive rate)為橫軸，根據(jù)模型的不同分類衡量指標(biāo)繪制成為事故預(yù)測(cè)ROC曲線圖。事故預(yù)測(cè)主要是通過人工智能或機(jī)器學(xué)習(xí)方法或統(tǒng)計(jì)方法對(duì)交通狀態(tài)變量進(jìn)行篩選，應(yīng)用篩選出的交通變量訓(xùn)練事故風(fēng)險(xiǎn)預(yù)測(cè)模型，從而達(dá)到對(duì)事故風(fēng)險(xiǎn)實(shí)時(shí)預(yù)測(cè)的目的。其中機(jī)器學(xué)習(xí)方法主要包括貝葉斯[3-5]和支持向量機(jī)[6-7]等，統(tǒng)計(jì)方法主要包括logistics等[8-9]。在影響因素方面，一些學(xué)者還研究了可見度[10-12]和地理狀況[13]與事故之間的實(shí)時(shí)關(guān)系，此外，Tanishita等[14]還考慮了平均速度的變化，研究了平均速度和平均速度的變化對(duì)交通事故的影響，應(yīng)用一個(gè)二維累計(jì)泊松模型分析日本高速公路平均連續(xù)5 min車速監(jiān)測(cè)數(shù)據(jù)，結(jié)果表明，平均速度和平均車速的變化都會(huì)影響每公里的交通事故率。

高速公路事件應(yīng)急管理方面，學(xué)者主要研究了系統(tǒng)框架、資源分配策略，以及最小化救援時(shí)間等。Zografos等[15]研究了高速公路交通流恢復(fù)的最小化集成方法框架。該模型由3個(gè)基本模塊構(gòu)成：①通過服務(wù)區(qū)域的數(shù)量決定交通流恢復(fù)需要車的數(shù)量；②估計(jì)總事故清除時(shí)間；③根據(jù)高速公路的總事故清除時(shí)間、高速公路幾何特性和交通特性對(duì)延誤時(shí)間進(jìn)行了估計(jì)。研究表明該模型可以用來確定系統(tǒng)需要車的數(shù)量，制定調(diào)度策略。Lou Yingyan等[16]研究了在確定性和隨機(jī)性2種情況下檢測(cè)、響應(yīng)和清除交通事件的巡邏服務(wù)部署問題，這2個(gè)情況的主要目標(biāo)是盡量減少總的事件響應(yīng)時(shí)間。Wu Weitiao等[17]開發(fā)了一個(gè)基于離散事件的仿真模型來模擬巡邏過程，來分析新的調(diào)度方法的有效性，研究表明將會(huì)減少9.2%的事故清除時(shí)間。然而，這些研究基于設(shè)定的場(chǎng)景，在應(yīng)急響應(yīng)上有很大的局限性，筆者應(yīng)用最鄰近(KNN)方法對(duì)美國(guó)高速公路I-5s高速公路的一段路程進(jìn)行事故預(yù)測(cè)，用python搭載仿真路網(wǎng)，以實(shí)時(shí)預(yù)測(cè)的數(shù)據(jù)作為仿真參數(shù)輸入，從主動(dòng)救援的角度減少事故響應(yīng)時(shí)間。

1　問題描述

基于高速公路是事故實(shí)時(shí)預(yù)測(cè)的主動(dòng)應(yīng)急救援問題可以描述如下：用無向圖G=(V,E)表示研究區(qū)域的交通網(wǎng)絡(luò)，頂點(diǎn)為V={v0,v1,v2,…,vn}，邊緣為E={(vi,vj)：vi,vj∈V,i

圖1　高速公路網(wǎng)絡(luò)結(jié)構(gòu)Fig.1　Highway network

2　事故預(yù)測(cè)模型

2.1　事故預(yù)測(cè)流程

事故預(yù)測(cè)問題的本質(zhì)是數(shù)據(jù)分類問題，包括學(xué)習(xí)階段和分類階段。學(xué)習(xí)階段如圖2 a)所示，用分類算法訓(xùn)練交通狀態(tài)數(shù)據(jù)，如流量、占有率、速度等。學(xué)習(xí)的模型和分類器以分類規(guī)則的形式給出，構(gòu)建事故預(yù)測(cè)模型。分類階段如圖2 b)所示，檢驗(yàn)數(shù)據(jù)用于評(píng)估分類規(guī)則的準(zhǔn)確率，如果準(zhǔn)確率較高，可以用這些規(guī)則對(duì)新的交通狀態(tài)數(shù)據(jù)進(jìn)行判斷，預(yù)測(cè)事故是否發(fā)生。

圖2　交通狀態(tài)數(shù)據(jù)分類過程Fig.2　Classification of traffic

事故預(yù)測(cè)主要包括7個(gè)部分：確定目標(biāo)、數(shù)據(jù)收集、數(shù)據(jù)處理、變量篩選、訓(xùn)練預(yù)測(cè)模型、預(yù)測(cè)事故，以及預(yù)測(cè)結(jié)果分析。事故預(yù)測(cè)的目標(biāo)主要是盡可能準(zhǔn)確的預(yù)測(cè)事故是否發(fā)生。收集到數(shù)據(jù)后，要進(jìn)行特征向量構(gòu)建，歸一化，均衡數(shù)據(jù)處理，并對(duì)特征向量進(jìn)行特征篩選，找出相關(guān)度比較大的交通狀態(tài)特征。

2.2　基于SMOTE，Relief和GBDT的交通事故預(yù)測(cè)方法

2.2.1基于過采樣的SMOTE算法

由于常見的隨機(jī)過采樣采取簡(jiǎn)單復(fù)制事件集數(shù)據(jù)樣本的策略來增加少數(shù)類樣本，這樣容易產(chǎn)生模型過擬合的問題，人們對(duì)其進(jìn)行了改進(jìn)。SMOTE[18](synthetic minority oversampling techniques)是一種效果較好的合成采樣技術(shù)，它的基本思想是對(duì)少數(shù)類樣本進(jìn)行分析，并根據(jù)少數(shù)類樣本人工合成新樣本添加到原始的數(shù)據(jù)集中，合成少數(shù)類樣本示意圖見圖3。通過SMOTE算法，事故和非事故數(shù)據(jù)集可以達(dá)到平衡。

圖3　合成少數(shù)類樣本示意圖Fig.3　The diagram of synthetic the minority sample

SMOTE算法具體步驟如下。

1)對(duì)于事件類中每一個(gè)樣本αi，以歐氏距離為標(biāo)準(zhǔn)計(jì)算它到事件類樣本集Sacc中所有樣本的距離，得到其k近鄰。

2)根據(jù)事件與非是故不平衡比例設(shè)置一個(gè)采樣比例以確定采樣倍率N，對(duì)于每一個(gè)事件類樣本αi，從其k近鄰中隨機(jī)選擇若干個(gè)樣本，假設(shè)選擇的近鄰為 。

3)對(duì)于每一個(gè)隨機(jī)選出的近鄰e，分別與原樣本按照如下的公式構(gòu)建新的樣本。

2.2.2基于Relief的特征變量篩選

Relief[19]算法最早由Kira提出，是一種特征權(quán)重算法，根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重，權(quán)重小于某個(gè)閾值的特征將被移除。Relief算法中特征和類別的相關(guān)性是基于特征對(duì)近距離樣本的區(qū)分能力，偽代碼見表1。

表1　Relief算法步驟Tab.1　The procedures of Relief method

2.2.3GBDT分類器

GBDT[20]是一種迭代的決策樹算法，該算法由多棵決策樹組成，所有樹的結(jié)論累加起來做最終答案。它在被提出之初就和SVM一起被認(rèn)為是泛化能力較強(qiáng)的算法。其適用性較為廣泛，分類效果好，已經(jīng)在各個(gè)領(lǐng)域得到廣泛的應(yīng)用。

其步驟如下。

1)初始化，估計(jì)使損失函數(shù)極小化的常數(shù)值，它是只有1個(gè)根節(jié)點(diǎn)的樹，即γ是一個(gè)常數(shù)值。

2)(a)計(jì)算損失函數(shù)的負(fù)梯度在當(dāng)前模型的值，將它作為殘差的估計(jì)。

(b)估計(jì)葉節(jié)點(diǎn)區(qū)域，以擬合殘差的近似值。

(c)利用線性搜索估計(jì)葉節(jié)點(diǎn)區(qū)域的值，使損失函數(shù)極小化。

3)得到更新的模型為

2.3　事故預(yù)測(cè)結(jié)果

選取加利福尼亞I-5s高速公路上34 km長(zhǎng)的路段為研究路段，該路段起于San Diego 86 km，止于Orange 120 km。

所使用的數(shù)據(jù)主要包括2個(gè)數(shù)據(jù)集：①加利福尼亞交通局測(cè)量系統(tǒng)采集的交通狀態(tài)數(shù)據(jù)集；②加利福尼亞交通管理部門統(tǒng)計(jì)整理的交通事件數(shù)據(jù)集。下面分別對(duì)2個(gè)數(shù)據(jù)集進(jìn)行詳細(xì)介紹。交通狀態(tài)數(shù)據(jù)來自該路段上的13個(gè)檢測(cè)器，包括2013年1月1日-2014年1月1日間1年的數(shù)據(jù)。這些檢測(cè)器每30 s檢測(cè)1次交通數(shù)據(jù)并實(shí)時(shí)傳回控制中心，這些交通數(shù)據(jù)主要包括交通流量，占有率和車速。為了防止數(shù)據(jù)的偶然性，將每個(gè)檢測(cè)器在5 min的時(shí)間段的數(shù)據(jù)作為研究對(duì)象的最小單位，為了避免事件時(shí)間不準(zhǔn)確帶來的誤差，提取交通事件時(shí)間之前在5～10 min的交通狀態(tài)變量。例如，如果一個(gè)事件發(fā)生在20:56，相應(yīng)的交通數(shù)據(jù)是交通情況從20:46-20:51。所選數(shù)據(jù)集中，數(shù)據(jù)完整并且可以進(jìn)行研究的共計(jì)138起。對(duì)于事件數(shù)據(jù)集中的每個(gè)事件，選取事件發(fā)生前至少1 h之前或至少1 h之后沒發(fā)生事件的案例作為對(duì)照組。應(yīng)用收集的數(shù)據(jù)構(gòu)建17個(gè)交通特征變量。

經(jīng)過特征向量構(gòu)建，SMOTE平衡數(shù)據(jù)集，Relief特征變量篩選后，應(yīng)用GBDT分類器進(jìn)行分類預(yù)測(cè)，得到GBDT模型對(duì)平橫數(shù)據(jù)和不平衡數(shù)據(jù)的預(yù)測(cè)結(jié)果對(duì)比，見圖4。

圖4　基于GBDT分類器的平衡與不平衡數(shù)據(jù)集對(duì)比Fig.4　Comparation of balanced and unbalanced datasets under GBDT

從圖中可以看出相比不平衡數(shù)據(jù)，平衡數(shù)據(jù)下GBDT在f1_score和auc方面有一定提高，相比不平衡數(shù)據(jù)，平衡數(shù)據(jù)下GBDT的accuracy指標(biāo)略低，差值為0.02左右，說明整體預(yù)測(cè)能力略弱一些。

3　巡邏車應(yīng)急響應(yīng)仿真模型

3.1　模型假設(shè)

為了使研究問題簡(jiǎn)化清晰，在結(jié)合巡邏車系統(tǒng)的實(shí)際情況下，對(duì)巡邏車系統(tǒng)模型進(jìn)行如下假設(shè)。

1) 事故發(fā)生的間隔時(shí)間、地點(diǎn)是隨機(jī)的，并且是相互獨(dú)立的。

2) 對(duì)于不同的事故，巡邏隊(duì)的處理時(shí)間是不確定的，事件處理時(shí)間為1個(gè)隨機(jī)變量。

3) 預(yù)測(cè)的事故路段的排隊(duì)方式為損失制(正常的排隊(duì)是指雖然沒有車，但是可以把事故信息存儲(chǔ)下來，有空閑車輛時(shí)再處理巡邏事故信息。損失制是指在沒有空閑車的情況下，不對(duì)事故信息進(jìn)行存儲(chǔ))。

4) 預(yù)測(cè)的事故路段的應(yīng)急響應(yīng)方式是優(yōu)先權(quán)服務(wù)，即事故報(bào)警請(qǐng)求援助的情況下優(yōu)先級(jí)最高。

5) 路網(wǎng)的路阻已知且不隨時(shí)間變化，即路網(wǎng)是一個(gè)靜態(tài)系統(tǒng)。

3.2　系統(tǒng)要素分析

巡邏車響應(yīng)系統(tǒng)是1個(gè)離散事件系統(tǒng)[21]，基于事故風(fēng)險(xiǎn)預(yù)測(cè)的巡邏系統(tǒng)的實(shí)體主要包括風(fēng)險(xiǎn)路段、巡邏車、路網(wǎng)路段和事故報(bào)警路段，各實(shí)體的屬性、活動(dòng)及狀態(tài)見表2。

巡邏車響應(yīng)的事故包括2種，即事故風(fēng)險(xiǎn)路段和事故報(bào)警路段。其中預(yù)測(cè)的風(fēng)險(xiǎn)路段又包括將會(huì)真實(shí)發(fā)生的或誤判的。定義巡邏車響應(yīng)事故報(bào)警時(shí)的狀態(tài)是一級(jí)繁忙狀態(tài)，巡邏車響應(yīng)事故預(yù)警時(shí)的狀態(tài)是二級(jí)繁忙狀態(tài)。模型的事件主要包括事故預(yù)測(cè)事件、事故報(bào)警事件、巡邏車到達(dá)事件和巡邏車離開事件等幾種，分別介紹如下。

表2　系統(tǒng)要素屬性，活動(dòng)與狀態(tài)Tab.2　System element properties, activities and status

1) 事故預(yù)測(cè)事件與事故報(bào)警事件。根據(jù)假設(shè)的事故預(yù)測(cè)分布情況，產(chǎn)生事故預(yù)測(cè)事件。當(dāng)發(fā)生事故預(yù)測(cè)事件時(shí)，首先判斷巡邏車的狀態(tài)，如果巡邏車處于“忙”狀態(tài)，則巡邏車保持當(dāng)前狀態(tài)，此時(shí)不再響應(yīng)事故預(yù)測(cè)事件或報(bào)警事件，按照最短路徑向事故預(yù)測(cè)路段行駛。

2) 巡邏車到達(dá)事件與離開事件。巡邏車到達(dá)目的路段后，路段的狀態(tài)由“等待巡邏”變?yōu)椤敖邮苎策墶?。巡邏車離開目的路段后，路段的狀態(tài)由“接受響應(yīng)”變?yōu)椤伴e”狀態(tài)。

4　仿真實(shí)驗(yàn)

4.1　仿真實(shí)驗(yàn)參數(shù)設(shè)置

巡邏車仿真系統(tǒng)參數(shù)主要分為3大類，分別為路網(wǎng)參數(shù)、巡邏車仿真參數(shù)和事故預(yù)測(cè)參數(shù)。計(jì)算機(jī)仿真所采用的高速公路網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，路網(wǎng)中有15個(gè)節(jié)點(diǎn)、32條邊，具體路段數(shù)據(jù)見表3。

巡邏車仿真參數(shù)包括巡邏車的數(shù)量、速度和常規(guī)巡邏路徑。設(shè)置1輛巡邏車，其速度為60 km/h，常規(guī)巡邏路徑為g-i-k-g。事故提前預(yù)測(cè)時(shí)間為5 min，頻率為5 min/次。

表3　計(jì)算機(jī)仿真高速公路路段Tab.3　Freeway road segment for computer simulation

事故預(yù)測(cè)仿真參數(shù)主要包括提前預(yù)測(cè)時(shí)間、敏感度和誤判率、事故預(yù)測(cè)的頻率、事故發(fā)生的時(shí)間和事故的處理時(shí)間。事故的發(fā)生地點(diǎn)是隨機(jī)的，事故的處理時(shí)間為0～20 min的隨機(jī)分布。事故的提前預(yù)測(cè)時(shí)間為5 min，根據(jù)GBDT算法，在高速公路美國(guó)加利福尼亞I-5s數(shù)據(jù)下得到交通事故預(yù)測(cè)數(shù)據(jù)如圖3所示，將圖3中的數(shù)據(jù)作為事故預(yù)測(cè)敏感度和誤判率。表4為California州I-5s高速公路平均每100 km非工作日事件發(fā)生時(shí)間分布，其中事件均值在0.11～1.30，最小值在各個(gè)不同時(shí)刻均為0，事件高峰在6：00，15：00和17：00左右達(dá)到。將表4作為交通事件頻率仿真參數(shù)。

表4　California I-5 s平均每100 km非工作日事故發(fā)生時(shí)間分布Tab.4　California I-5 s average 100 km weekend accident occurrence time distribution

4.2　結(jié)果統(tǒng)計(jì)與分析

事故平均響應(yīng)時(shí)間用UBRT表示，平均無響應(yīng)事件數(shù)目用NR表示。從表5可以看出，隨著TPR的增加，F(xiàn)PR也逐漸增加，事故平均響應(yīng)時(shí)間變小，與此同時(shí)，無響應(yīng)事故也逐漸增多，在工作日最低響應(yīng)時(shí)間分別為17.2 min，節(jié)省了約6 min。但與此同時(shí)，無響應(yīng)的事故數(shù)也增多，需要合理配置巡邏車輛。

表5　平均應(yīng)急響應(yīng)時(shí)間仿真結(jié)果Tab.5　Result of the average emergency response

5　結(jié)　論

1) 以往的研究基于先驗(yàn)歷史事故數(shù)據(jù)或路網(wǎng)結(jié)構(gòu)，其本質(zhì)是靜態(tài)的且靈活性不足。針對(duì)這一問題，基于采集的高速公路事故數(shù)據(jù)和交通狀態(tài)數(shù)據(jù)，對(duì)巡邏車主動(dòng)式應(yīng)急響應(yīng)時(shí)間進(jìn)行了研究。模型的有效性得到驗(yàn)證。

2) 研究只考慮了1個(gè)巡邏車基于事故預(yù)測(cè)的事故應(yīng)急響應(yīng)，沒有研究多個(gè)巡邏車時(shí)，巡邏車該如何配置以及事故預(yù)測(cè)模型如何選擇。為了更加全面的研究基于事故預(yù)測(cè)的事故響應(yīng)對(duì)救援時(shí)間的影響，下一步的研究將基于巡邏隊(duì)整體巡邏效率而展開。仿真具有隨機(jī)性，仿真實(shí)驗(yàn)展現(xiàn)的是一定交通情況下模型的有效性，需要對(duì)可靠性進(jìn)行驗(yàn)證。

參考文獻(xiàn)References

[1]國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒[Z].北京：中國(guó)統(tǒng)計(jì)出版社，2016.

National Bureau of Statistics. China Statistical Yearbook[Z]. Beijing: China Statistics Press, 2016. (in Chinese)

[2]楊惠敏,陳雨人,方守恩,等.高速公路交通事故救援時(shí)間與生存率關(guān)系模型研究[J].交通信息與安全,2015,33(4):82-86.

YANG Huimin, CHEN Yuren, FANG Shou′en, et al. Study on the Model of Relationship between Highway Traffic Accident Rescue Time and Survival Rate[J]. Journal of Transport Information and Safety, 2015,33(4):82-86.(in Chinese)

[3]DEUBLEIN M, SCHUBERT M, ADEY B T, et al. Prediction of road accidents: A Bayesian hierarchical approach[J]. Accident Analysis & Prevention, 2013,51(4):274-291.

[4]HOSSAIN M, MUROMACHI Y. A Bayesian network based framework for real-time crash prediction on the basic freeway segments of urban expressways[J]. Accident Analysis & Prevention, 2012,45(1):373.

[5]SUN J, SUN J. A dynamic Bayesian network model for real-time crash prediction using traffic speed conditions data[J]. Transportation Research Part C: Emerging Technologies, 2015(54):176-186.

[6]QU X, WANG W, WANG W, et al. Real-time freeway sideswipe crash prediction by support vector machine[J]. Intelligent Transport Systems Iet, 2013,7(4):445-453.

[7]YU R, ABDELATY M. Utilizing support vector machine in real-time crash risk evaluation[J]. Accident Analysis & Prevention, 2013,51(2):252-259.

[8]ANASTASOPOULOS P C, MANNERING F L. An empirical assessment of fixed and random parameter Logit models using crash- and non-crash-specific injury data[J]. Accident Analysis & Prevention, 2011,43(3):1140-1147.

[9]LEE J, YASMIN S, ELURU N, et al. Analysis of crash proportion by vehicle type at traffic analysis zone level: A mixed fractional split multinomial Logit modeling approach with spatial effects[J]. Accident Analysis and Prevention, 2018,111:12-22.

[10]ABDEL-ATY M A, HASSAN H M, AHMED M, et al. Real-time prediction of visibility related crashes[J]. Transportation Research Part C: Emerging Technologies, 2012,24(9):288-298.

[11] ABDEL-ATY M A. Predicting reduced visibility related crashes on freeways using real-time traffic flow data[J]. Journal of Safety Research, 2013,45:29-36.

[12]ABDEL-ATY M A, HASSAN H M, AHMED M. Real-time analysis of visibility related crashes: can loop detector and AVI data predict them equally?[C]. Transportation Research Board 91st Annual Meeting. Wangshington,D.C: TRB, 2012.

[13]WANG L, ABDEL-ATY M, LEE J, SHI Q. Analysis of real-time crash risk for expressway ramps using traffic, geometric, trip generation, and socio-demographic predictors[J/OL].(2017-7)[2018-3-16] https://doi.org/10.1016/j.aap.2017.06.003.

[14]TANISHITA M, VAN WEE B. Impact of vehicle speeds and changes in mean speeds on per vehicle-kilometer traffic accident rates in Japan[J]. IATSS Research, 2017,41(3):107-112.

[15]ZOGRAFOS K G, NATHANAIL T, MICHALOPOULOS P. Analytical framework for minimizing freeway-incident response time[J]. Journal of Transportation Engineering, 1993,119(4):535-549.

[16]LOU Y, YIN Y, LAWPHONGPANICH S. Freeway service patrol deployment planning for incident management and congestion mitigation[J]. Transportation Research Part C: Emerging Technologies, 2011,19(2):283-295.

[17]CHEN H, CHENG T, WISE S. Developing an online cooperative police patrol routing strategy[J/OL].(2017-3)[2018-3-6] https://doi.org/10.1016/j.compenvurbsys.2016.10.013.

[18]CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002,16(1):321-357.

[19]KONONENKO I. Estimating attributes: analysis and extensions of RELIEF[C]. European Conference on Machine Learning, Catania, Italy: ECML-PKDD, 1994.

[20]FRIEDMAN J H. Greedy function approximation: A gradient boosting machine[J]. Annals of Statistics, 2001,29(5):1189-1232.

[21]CASSANDRAS C G, LAFORTUNE S. Introduction to Discrete Event Systems[M]. Boston: Springer US, 2008.