宋淑慧 劉文江 時浩婷

摘 要 冬季的北方城市，降雪、霜凍、結(jié)冰現(xiàn)象時有發(fā)生，已成為影響市內(nèi)交通安全、造成交通事故的一個重要因素。本論文基于傳感器采集到的冬季濟南某地區(qū)的路面、氣象等數(shù)據(jù)，使用隨機森林對數(shù)據(jù)樣本進行訓(xùn)練，構(gòu)建結(jié)冰狀態(tài)預(yù)測模型，并與svm模型做對比，使用準確率、f1_score、ROC曲線等分類算法評估指標對模型進行評價以驗證算法的有效性。結(jié)果表明，基于隨機森林訓(xùn)練得到的模型可以實現(xiàn)道路結(jié)冰狀態(tài)的有效預(yù)測。

關(guān)鍵詞 隨機森林;路面結(jié)冰預(yù)測;交通安全

前言

道路結(jié)冰是造成城市交通事故的一個重要原因之一。冬季發(fā)生降雪、結(jié)冰等氣象情況時容易造成車輛打滑、行人行走困難，路面結(jié)冰也會降低輪胎的摩擦系數(shù)，容易對交通運輸和人民安全造成危害[1]。因此，對道路的結(jié)冰情況進行及時的監(jiān)測能夠減少交通事故的發(fā)生。顧婷婷[2]等根據(jù)杭州高速公路上的交通事故數(shù)據(jù)和氣象數(shù)據(jù)，研究了杭州路面上的結(jié)冰情況并建立了結(jié)冰預(yù)測模型。劉小高[3]等分析氣象因子和其他影響因素，基于氣象相關(guān)數(shù)據(jù)建立了道路結(jié)冰預(yù)警模型，通過驗證集的檢驗證明了模型的有效性。鄭斌[4]通過研究影響路面結(jié)冰的因素，使用采集到的數(shù)據(jù)建立了神經(jīng)網(wǎng)絡(luò)結(jié)冰預(yù)測模型。

本文基于濟南某地區(qū)路面凝冰數(shù)據(jù)樣本，使用隨機森林對凝冰數(shù)據(jù)進行訓(xùn)練得到結(jié)冰預(yù)測模型，最后使用算法評估指標對模型進行評價，并與文獻[2]使用的svm方法做對比，證明本文算法的有效性。

1路面、氣象數(shù)據(jù)分析

道路結(jié)冰是多個因素共同影響所引起的，主要影響因素有路面水膜厚度、大氣溫度、路面溫度、路面冰點溫度、風(fēng)速等?；诖耍覀兪褂寐访?zhèn)鞲衅鞑杉瘽夏车貐^(qū)12月份的水膜厚度、路面溫度、冰點溫度數(shù)據(jù)來對結(jié)冰狀態(tài)進行預(yù)測。三參數(shù)數(shù)據(jù)樣本的散點圖如圖1所示。為了防止出現(xiàn)正負樣本不平衡以及過擬合問題，我們對數(shù)據(jù)進行下采樣得到未結(jié)冰數(shù)據(jù)331條，并將其標記為0;得到結(jié)冰數(shù)據(jù)263條，將其標記為1。

從以上三幅圖可以看出，不同狀態(tài)時數(shù)據(jù)分布存在差異，結(jié)冰時水膜厚度明顯大于未結(jié)冰時水膜厚度，而冰點溫度和路面溫度受到外界因素的干擾，比如，路面溫度在零下3℃，但因為撒鹽，冰點可能在零下8℃，就不結(jié)冰，路面溫度和冰點溫度來共同影響路面的結(jié)冰狀態(tài)。本文使用路面溫度、冰點溫度、水膜厚度作為特征數(shù)據(jù)用于結(jié)冰預(yù)測模型的輸入，將結(jié)冰狀態(tài)作為標簽數(shù)據(jù)用于結(jié)冰預(yù)測模型的輸出。用于模型訓(xùn)練的部分數(shù)據(jù)樣本如圖2所示。

2隨機森林訓(xùn)練模型

隨機森林算法介紹：隨機森林是基于Bagging算法并將其改動之后演化過來的。它是以決策樹[5-6]為基學(xué)習(xí)器，多個決策樹結(jié)合起來的一種集成學(xué)習(xí)[7-8]算法，屬于有監(jiān)督的學(xué)習(xí)。對于分類問題，數(shù)據(jù)的抽樣方法選用bootstrap方式，對訓(xùn)練數(shù)據(jù)進行隨機有放回的選擇，構(gòu)成隨機森林的每一個決策樹都是一個分類器，在進行模型訓(xùn)練時，每一個決策樹都要給出一個分類結(jié)果，隨機森林來集成所有決策樹的分類結(jié)果，對所有的分類結(jié)果取平均值，并將分類類別最多的結(jié)果作為模型的輸出值，有效防止了過擬合現(xiàn)象的出現(xiàn)。

隨機森林訓(xùn)練結(jié)冰預(yù)測模型的步驟為：①將數(shù)據(jù)集進行劃分，70%的數(shù)據(jù)用于訓(xùn)練，30%的數(shù)據(jù)用于測試。②參數(shù)選擇。使用網(wǎng)絡(luò)搜索法選擇最優(yōu)參數(shù)為決策樹數(shù)目為40，決策樹最大深度為4，葉子結(jié)點中最少樣本數(shù)量為10。③將訓(xùn)練集送入模型進行訓(xùn)練。④模型在測試集上測試效果，得到各個算法評估指標值。

3模型評價

3.1 混淆矩陣

混淆矩陣又被稱為誤差矩陣，用來評價分類算法精度。通常以m行n列的矩陣來表示，每一列代表模型的預(yù)測值，每一行代表數(shù)據(jù)的真實類別，混淆矩陣的結(jié)構(gòu)如表1所示：

本文以道路結(jié)冰情況為研究對象，道路未結(jié)冰時標記為0，道路結(jié)冰時標記為1，因此，上表中的P代表結(jié)冰的類別“1”，N代表未結(jié)冰的類別“0”。其中，TP代表道路實際結(jié)冰被預(yù)測成結(jié)冰的樣本數(shù)量，F(xiàn)P代表道路實際結(jié)冰被預(yù)測成未結(jié)冰的樣本數(shù)量，F(xiàn)N代表道路實際未結(jié)冰并預(yù)測成結(jié)冰的樣本數(shù)量，TN代表道路實際未結(jié)冰并預(yù)測成未結(jié)冰的樣本數(shù)量。本文訓(xùn)練結(jié)冰預(yù)測模型時，將數(shù)據(jù)集以7：3的比例劃分，測試集共179條數(shù)據(jù)，程序輸出的混淆矩陣如表2表示：

從上表可看出，結(jié)冰數(shù)據(jù)共82條，模型預(yù)測正確的結(jié)冰數(shù)據(jù)共80條;未結(jié)冰數(shù)據(jù)共97條，模型預(yù)測正確的未結(jié)冰數(shù)據(jù)共96條，說明該模型預(yù)測效果良好。

3.2 f1_score與ROC曲線

f1_score是召回率和精確率的調(diào)和平均值，是兩者的綜合衡量，f1_score越高，說明模型越穩(wěn)健。其中，精確率直觀地反映模型對負樣本的區(qū)分能力，精確度越高，表明模型的區(qū)分能力越強;召回率直觀地反映模型對正樣本的識別能力，召回率越高，表明模型對正樣本的識別能力越強。精確率、召回率以及f1_score的計算公式如表3所示。本文研究得到的f1_score=0.981，表明結(jié)冰預(yù)測模型較穩(wěn)健。

ROC曲線能反映模型在選取不同閾值的時候其敏感性和其精確性的趨勢走向，該評估指標能降低不同測試集帶來的干擾，更加客觀的衡量模型本身的性能。AUC為ROC曲線下的面積，是衡量二分類模型優(yōu)劣的一個重要指標。本文研究得到的ROC曲線及AUC值如圖3所示，從圖3可看出AUC=0.99，驗證了結(jié)冰預(yù)測模型的有效性。

使用基于隨機森林訓(xùn)練得到的結(jié)冰預(yù)測模型對測試集進行預(yù)測，測試集上準確率為0.983，得到的結(jié)果如圖4所示（在文末）。

3.3 模型效果對比

本文研究得到的結(jié)冰預(yù)測模型與文獻[2]中所使用的svm方法進行效果對比，對比結(jié)果如表4所示。從表4可以看出，本文得到的模型在各個評價指標上都具有一定的優(yōu)勢，能夠?qū)崿F(xiàn)道路結(jié)冰狀態(tài)的有效預(yù)測。

4結(jié)束語

本文基于傳感器采集到的路面溫度、冰點溫度、水膜厚度數(shù)據(jù)，使用隨機森林算法建立結(jié)冰預(yù)測模型，使用多種算法評估指標對模型的精度和穩(wěn)健性進行評估。最后實驗結(jié)果表明，基于隨機森林訓(xùn)練得到的模型能夠進行結(jié)冰狀態(tài)的有效預(yù)測，這將為道路結(jié)冰預(yù)測研究提供一個較好的方法思路，具有很好的應(yīng)用價值。

參考文獻

[1] 舒斯，熊守權(quán)，陳英英，等.湖北省高速公路道路結(jié)冰預(yù)警模型[J].氣象，2019，45（11）：1589-1599.

[2] 顧婷婷，駱月珍，梁卓然.杭州地區(qū)路面結(jié)冰天氣特征及其預(yù)測[J].科技通報，2015，31（11）：48-51.

[3] 劉小高，許書紅，潘凌峰，等.冰雪天氣高速公路行車安全預(yù)警等級標定[J].黑龍江交通科技，2018，41（11）：165-166，169.

[4] 鄭斌.路面結(jié)冰影響因素研究及預(yù)測模型的構(gòu)建[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

[5] Wang Y，Shen T，Yuan G，et al. Appearance-based gaze estimation using deep features and random forest regression[J]. Knowledge-Based Systems，2016（110）：293-301.

[6] 劉承啟，黃學(xué)堅，徐健鋒，等.基于決策樹和粗糙集的高分辨率短時臨近雷電預(yù)報模型[J].南昌大學(xué)學(xué)報（理科版），2014，38（6）：559-563，568.

[7] Lindner C，Bromiley P，Ionita M，et al. Robust and Accurate Shape Model Matching Using Random Forest Regression-Voting[J].IEEE transactions on pattern analysis and machine intelligence，2015，37（9）：1862-1874.

[8] 王鑫，汪晉寬，劉志剛，等.基于隨機森林的認知網(wǎng)絡(luò)頻譜感知算法[J].儀器儀表學(xué)報，2013，34（11）：2471-2477.

作者簡介

宋淑慧，現(xiàn)就讀學(xué)校：山東交通學(xué)院交通與物流工程學(xué)院，碩士研究生在讀，研究方向：智能交通。

劉文江，職稱：碩士生導(dǎo)師，現(xiàn)就職單位：山東交通學(xué)院道路安全應(yīng)急與減災(zāi)技術(shù)研究中心。