宋淑慧 劉文江 時(shí)浩婷

摘 要 冬季的北方城市，降雪、霜凍、結(jié)冰現(xiàn)象時(shí)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(gè)重要因素。本論文基于傳感器采集到的冬季濟(jì)南某地區(qū)的路面、氣象等數(shù)據(jù)，使用隨機(jī)森林對數(shù)據(jù)樣本進(jìn)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(zhǔn)確率、f1_score、ROC曲線等分類算法評估指標(biāo)對模型進(jìn)行評價(jià)以驗(yàn)證算法的有效性。結(jié)果表明，基于隨機(jī)森林訓(xùn)練得到的模型可以實(shí)現(xiàn)道路結(jié)冰狀態(tài)的有效預(yù)測。

關(guān)鍵詞 隨機(jī)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(gè)重要原因之一。冬季發(fā)生降雪、結(jié)冰等氣象情況時(shí)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(yùn)輸和人民安全造成危害[1]。因此，對道路的結(jié)冰情況進(jìn)行及時(shí)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(yàn)證集的檢驗(yàn)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(jì)南某地區(qū)路面凝冰數(shù)據(jù)樣本，使用隨機(jī)森林對凝冰數(shù)據(jù)進(jìn)行訓(xùn)練得到結(jié)冰預(yù)測模型，最后使用算法評估指標(biāo)對模型進(jìn)行評價(jià)，并與文獻(xiàn)[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(gè)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(diǎn)溫度、風(fēng)速等?；诖?，我們使用路面?zhèn)鞲衅鞑杉瘽?jì)南某地區(qū)12月份的水膜厚度、路面溫度、冰點(diǎn)溫度數(shù)據(jù)來對結(jié)冰狀態(tài)進(jìn)行預(yù)測。三參數(shù)數(shù)據(jù)樣本的散點(diǎn)圖如圖1所示。為了防止出現(xiàn)正負(fù)樣本不平衡以及過擬合問題，我們對數(shù)據(jù)進(jìn)行下采樣得到未結(jié)冰數(shù)據(jù)331條，并將其標(biāo)記為0;得到結(jié)冰數(shù)據(jù)263條，將其標(biāo)記為1。

從以上三幅圖可以看出，不同狀態(tài)時(shí)數(shù)據(jù)分布存在差異，結(jié)冰時(shí)水膜厚度明顯大于未結(jié)冰時(shí)水膜厚度，而冰點(diǎn)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?yàn)槿鳆}，冰點(diǎn)可能在零下8℃，就不結(jié)冰，路面溫度和冰點(diǎn)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(diǎn)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(biāo)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?jǐn)?shù)據(jù)樣本如圖2所示。

2隨機(jī)森林訓(xùn)練模型

隨機(jī)森林算法介紹：隨機(jī)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(gè)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(jìn)行隨機(jī)有放回的選擇，構(gòu)成隨機(jī)森林的每一個(gè)決策樹都是一個(gè)分類器，在進(jìn)行模型訓(xùn)練時(shí)，每一個(gè)決策樹都要給出一個(gè)分類結(jié)果，隨機(jī)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(jī)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(jìn)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(diǎn)中最少樣本數(shù)量為10。③將訓(xùn)練集送入模型進(jìn)行訓(xùn)練。④模型在測試集上測試效果，得到各個(gè)算法評估指標(biāo)值。

3模型評價(jià)

3.1 混淆矩陣

混淆矩陣又被稱為誤差矩陣，用來評價(jià)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(shí)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(shí)標(biāo)記為0，道路結(jié)冰時(shí)標(biāo)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(shí)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(shí)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(shí)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(shí)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(shí)，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(fù)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(qiáng);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(qiáng)。精確率、召回率以及f1_score的計(jì)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(shí)候其敏感性和其精確性的趨勢走向，該評估指標(biāo)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(gè)重要指標(biāo)。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(yàn)證了結(jié)冰預(yù)測模型的有效性。

使用基于隨機(jī)森林訓(xùn)練得到的結(jié)冰預(yù)測模型對測試集進(jìn)行預(yù)測，測試集上準(zhǔn)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(xiàn)[2]中所使用的svm方法進(jìn)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(gè)評價(jià)指標(biāo)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(diǎn)溫度、水膜厚度數(shù)據(jù)，使用隨機(jī)森林算法建立結(jié)冰預(yù)測模型，使用多種算法評估指標(biāo)對模型的精度和穩(wěn)健性進(jìn)行評估。最后實(shí)驗(yàn)結(jié)果表明，基于隨機(jī)森林訓(xùn)練得到的模型能夠進(jìn)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(gè)較好的方法思路，具有很好的應(yīng)用價(jià)值。

參考文獻(xiàn)

[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(bào)，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(biāo)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(jiān)，徐健鋒，等.基于決策樹和粗糙集的高分辨率短時(shí)臨近雷電預(yù)報(bào)模型[J].南昌大學(xué)學(xué)報(bào)（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(jī)森林的認(rèn)知網(wǎng)絡(luò)頻譜感知算法[J].儀器儀表學(xué)報(bào)，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。