文摘

道路救援可以提供救援服务故障车辆,如燃油供给、轮胎更换,电池连接,现场维修,清算,拖曳,扮演着一个重要的角色在交通事故减少人员伤亡和财产损失。道路救援的历史数据的基础上,分析了道路救援需求的影响因素,建立了预测模型的道路救援需求没有数据分组。为了进一步提高预测精度,数据分为9组根据影响因素的重要性,并建立了九子的九组数据。当影响因素,相对应的子模型最重要的影响因素是选择预测道路救援的需求。在北京的一个案例研究是用来验证该模型的有效性和优越性,它可以有效地预测道路救援在各种条件下的需求,包括正常状态,春节,国庆节,为期三天的节日(如清明节、劳动节、端午节、中秋节,元旦,),和极端天气(如低温、高温、大雪,大雨,暴雨)。研究结果可以提供科学依据救援部门提前部署救援设备和救援人员,提高救援的效率和质量,提高交通系统的弹性。

1。介绍

道路救援中发挥着重要作用在减少人员伤亡和财产损失在交通事故1- - - - - -4],它可以提供救援服务故障车辆,如燃油供给、轮胎更换,电池连接,现场维修,清算和拖曳。救援资源的合理和适当的分配可以提高救援效率,提高道路的弹性(5- - - - - -8]。道路救援需求预测的缺乏可能导致紧急救援力量不足和不合时宜的救援。

本研究分析了道路救援需求的影响因素,提出了两种预测方法的道路救援的需求。这两种方法的区别是是否组数据的影响因素。道路救援需求预测方法没有分组将所有影响因素集成到一个模型。道路救援需求预测方法和分组数据分为9组根据影响因素的重要性和建立九子分组数据。当影响因素,相对应的子模型最重要的影响因素是选择计算道路救援需求的预测价值。本研究的主要贡献和创新点对于现有文献总结如下:(1)在现有的研究的研究中,紧急需求预测主要包括急诊医学需求预测(9),紧急医疗服务的预测10),动态救援需求预测(11),和其他紧急物料需求预测(12- - - - - -15]。然而,目前仍缺乏研究道路救援需求的预测错误的车辆,包括燃油供给、轮胎更换,电池连接,现场维修,清算和拖曳。(2)根据数据分析,道路救援需求可以受到假期的影响,雨,雪,温度、降水、等等。与降水对当前天相比,沉淀在前一天在路上救助需求有更大的影响。降水的影响在路上救助需求时间滞后,没有被认为是在现有的研究。本研究介绍了特征变量“前一天降水”来描述时间滞后现象。(3)道路救援需求受到很多因素的影响,每个因素都包含多个值。例如,有546套的排列和组合不同的系数值。其中,313套只有1个样本,102套2样品,66套有3个样本,60集有4个样品,5组有5样本。每组的样本规模太小,不适合SVR, RNN,和逻辑回归模型预测道路救援需求,这需要足够的训练样本。在这种情况下,本研究提出两种方法来预测道路救援需求,包括方法没有分组,分组的方法。与文献相比,该方法相对简单,但实际上作为有效的方法在预测道路救援的需求。

本文的其余部分组织如下。部分2回顾了研究救援的紧急。部分3分析了道路recue需求的影响因素。部分4建立道路救援需求的预测方法没有分组,分组。案例研究节中给出5评估提议的方法的有效性和优越性。最后,结论、局限性和未来研究方向进行了讨论6。

2。文献综述

在前面的研究中,研究救援的紧急主要包括救援方法(16),救援体系结构(17,18),可访问性的紧急服务19)、应急资源配置(20.- - - - - -28),医疗救援需求的确定29日),紧急物料需求的预测9- - - - - -15),消防救援预测(30.)、应急救援位置模式31日),紧急救援服务模型(32),救援性能(33]。

的救助方法和架构,莫拉莱斯et al。16)开发出一种方法对交通事故救援疏散的安全性和效率提高,使交通事故的伤亡人数减少。刘等人。17]提出四个城市交通管理架构,整合5 g网络,VANETs,软件定义网络,边缘和移动计算技术,它可以提供更好的沟通和更快的响应速度分布和动态的方式,大大缩短救援时间。Kontogiannis和Malakis18)提出了一种多中心控制框架集成的应急管理研究,并应用该框架在阿提卡野火。可访问性的紧急服务,Coles et al。19)描述方法结合洪水模拟的发展与网络分析评估期间,急救人员在城市地区的可访问性洪水事件。

应急资源配置的功能(21)提出了一种混合模糊clustering-optimization应急物流的联合分布的方法来应对紧急救助要求在关键时期,有两个递归的机制,包括分组和救援codistribution受灾区域。他和胡22)提出了一个multiple-rescue模型不确定性下支持大规模灾区应急供应链系统,认为救援需求的大规模灾害分布在多个位置。王等人。23)建立了一个数学模型的冰雪天气下道路网络修复问题,设计相应的启发式算法,解决问题的紧急除雪材料的布局和除雪的优化操作的不确定信息下极端冰雪天气。马等。26)提出了一个应急资源配置优化模型,考虑各种约束条件,包括事故的事故多发点,可能的救援位置和应急资源的类型。事故调查地区数量长期预测的短期记忆模型。事故的事故多发点中心是由k - means算法决定的。应急资源的最优配置策略是由精英保留遗传算法计算。

确定postearthquake的医疗救援需求,徐et al。29日)建立了一个联合分析方法和事故分析解决方案基于人口热图。预测需求紧急材料,太阳et al。14)采用模糊粗糙集理论在两个宇宙预测紧急材料需求和建立模型的决策规则和计算方法使用古典运筹学的风险决策原则。张预测需求的各种紧急材料,和徐12)提出了一个多元线性回归模型与案例推理。刘等人。13)提出了一个风险分析和案例推理方法应急资源需求预测。范和王15]研究应急物质需求的预测方法和Dempster-Shafer理论和基于事例推理的台风和地震灾害为例来说明该模型的应用。Ramgopal et al。10]利用元学习评估和总个体学习者(广义线性模型,广义加性模型,随机森林,多元自适应回归样条函数,和极端的梯度提升)预测每小时紧急医疗服务的交付率在城市环境。一个动态功能提出的救济需求管理模型(11)来预测和动态分配救援需求条件下的不完全信息和促进大规模自然灾害应急物流运作。

在现有的研究的研究中,紧急需求预测主要包括急诊医学需求预测(9),紧急医疗服务的预测10),动态救援需求预测(11),和其他紧急物料需求预测(9,12- - - - - -15]。目前仍缺乏研究道路救援需求的预测错误的车辆,如燃油供给、轮胎更换,电池连接,现场维修,清算和拖曳。紧急材料的需求预测,台风灾害的因素主要包括台风,风力发电,中央的压力,下雨,影响区域,受影响的人口,和帐篷的使用(12]。王2022年,范和进一步提出,台风灾害的特点还包括台风类型,至少中央的压力,7级风圆的半径,半径10级风的循环,最大风速、风力强度、距离城市和人口密度的城市。认为紧急物料需求预测地震震级的大小地震,地震持续时间,地震影响范围内,地震地区的人口密度和经济条件的地震区域(14]。2022年,范和王进一步提出,地震灾害的特点还包括震源深度、时间,季节,震中烈度,抗震设防水平。能见度、路边的保护、道路类型、道路路面状况,和公路对齐是重要影响因素pedestrian-vehicle碰撞的严重程度(34]。紧急医疗服务需求预测,这些变量包括雨、雪、可见性、露点、温度、风力、压力,小时的一天,一月,一年,一天,一周,一天时间,之前和平均分派(10]。根据数据分析,道路救援的需求可能会受到假期的影响,雨,雪,温度、降水、等等的影响降水在路上救助需求时间滞后,没有被认为是在现有的研究。

针对问题在前面的研究中,本文首先提出了一种道路救援需求预测方法考虑到正常状态,春节,国庆节,为期三天的节日(如清明节、劳动节、端午节、中秋节,元旦),和极端天气(如低温、高温、大雪,大雨,暴雨),将所有影响因素集成到一个模型。为了进一步提高预测精度,数据分为9组根据影响因素的重要性和九子建立的分组数据。当影响因素,相对应的子模型最重要的影响因素是选择计算道路救援需求的预测价值。最后,在北京的一个案例研究是用于演示应用程序,该预测模型的有效性的道路救援的需求。

3所示。道路救援需求的影响因素

道路救援需求数据从1月1日,2017年7月31日,2018年在北京,包括日期,时间,月,周,案件类型、故障和天气。从日期推断假日属性。温度和降水数据取自中国气象局。数据分析表明,道路救援需求的影响因素主要包括年、月、周,假期,雪,雨,温度和降水(见图1)。(1)春节假期:道路救援需求下降农历12月23日以来(即。,the Chinese Little New Year), reached the lowest level on January 1 of the lunar calendar, rose gradually since January 2 of the lunar calendar, and returned to the normal level on January 7 of the lunar calendar (Figure1 (b))。(2)为期三天的节日(如清明节、劳动节、端午节、中秋节,元旦):道路救援需求逐渐减少因为假期前的工作日,并恢复到正常水平后的第一个工作日假期(图1 (c))。(3)国庆假期:道路救援需求逐渐减少从工作前一天节日,国庆节期间保持在低水平,并返回到正常水平后的第一个工作日假期(图1 (d))。(4)周:在周末(即道路救援的需求。,Saturday and Sunday) was greater than that on the working days (from Monday to Friday), and Saturday was the highest (Figure1 (e))。(5)温度:最高和最低温度在路上救助需求产生重大影响。当温度低于0°C或大于32°C,道路救援需求显著增加(图1 (f))。(6)降水:与降水对当前天相比,沉淀在前一天有更大影响道路救援需求(图1 (g))。

道路救援需求之间的相关系数和不同因素如表所示1。相关系数都为春节假期,−−0.779 0.760其他节日。假期之间有很强的相关性和道路救援的需求。雪,雨,降水在前一天,最低温度、最高温度、适度和月与道路救援需求,和相关系数的绝对值在0.4和0.6之间。当天,降水是弱相关道路救援需求,和相关系数的绝对值在0.2和0.4之间。周之间的相关性和道路救援需求非常疲软,和相关系数的绝对值小于0.2。

度假,包括春节假期,国庆节,和为期三天的节日(如清明节、劳动节、端午节、中秋节,元旦),春节假期的相关系数是0.779−−0.760和其他的假期。道路救援需求在假日的时候明显低于nonholidays期间,导致假期之间的负相关和道路救援的需求。这些相关系数的绝对值大于0.7,这意味着假期之间有很强的相关性和道路救援的需求。

雨,相关系数为0.486,这意味着雨是适度与救援需求。随着降雨的增加,路边修理逐渐增加和拖曳逐渐减少。然而,当它增加到暴雨,路边修理大幅减少和拖曳大幅增加。雪,相关系数是−0.534,这意味着有一个温和的雪和道路救援需求之间负相关。雨和雪都属于降水。然而,只有在足够的降水(如暴雨、大雨和大雪),降水的影响在路上救助需求将推迟到第二天。降水对当前的相关系数是0.274,但降水在前一天的相关系数为0.536,这意味着救援需求更多的降水的影响。

对温度、最低和最高温度的相关系数分别为0.470和0.424,分别,这意味着最低和最高气温适度与救援需求的必经之路。最高温度上升,路边修复逐渐减少和拖曳逐渐增加。在高温度、燃料问题的案件数量显著增加,发动机问题略有增加。

根据上述数据分析,道路救援需求的主要影响因素包括年、月、周,假期,温度,雪,雨,降水。

4所示。道路救援需求预测方法

道路救援需求受到许多因素的影响,如:年,月,周,假期,雪,雨,温度和降水。每个因素都包含多个值。有546集的排列和组合不同的系数值,包括313套只有1样本,102套2样品,66套3样本,60集4样本,5集(参见图5样品2)。每组的训练样本太小,不适合SVR, RNN,和逻辑回归模型预测道路救援需求,这需要足够的训练样本。

在这种情况下,本文提出了两种方法来预测道路救援需求,包括方法没有分组,分组的方法。没有分组的方法,道路救援需求的影响因素,首先确定是基于大量的历史道路救援数据。然后,影响因素是转化为数值变量。接下来,道路救援需求预测模型没有建立分组,和模型的系数是训练有素的。最后,计算道路救援需求的预测价值的训练模式。分组的方法,历史道路救援数据分为九类影响因素的重要性的基础上,建立子模型为每个组的数据和子被训练的系数。众所周知,当影响因素数据相对应的子模型最重要的影响因素是选择预测道路救援的需求。道路救援需求预测方法的流程如图3。

4.1。道路救援需求预测方法没有分组

道路救援历史数据的基础上,确定道路救援需求的影响因素,作为预测模型的特征变量,包括年、月,节日,雪,雨、最低温度、最高温度和降水对当前,前一天。特征变量转化为数值变量如下:(1)“年”是一个连续变量的区间,例如,2016年、2017年和2018年。(2)“月”是一个连续变量的区间,将值从1到12。(3)“假期”包括为期三天的节日(如清明节、劳动节、端午节、中秋节,元旦),国庆节和春节。三天的假期,道路救援需求增加在假期前的工作日。因此,为期三天的假期分为前的工作日假期,假期的第一天,第二天的假期,假期的第三天,这是由{1,2,3,4}。国庆假期,道路救援需求增加在假期前的工作日。如果国庆假期持续七天(例如,2016年国庆节),国庆假期分为前的工作日假期七天国庆假期期间,这是由{1,2,3,4,5,6,7,8}。如果国庆假期持续八天(例如,2017年国庆节),国庆假期分为前的工作日期间八天假期,国庆节假期,这是由{1,2,3,4,5,6,7,8,9}。为春节假期,道路救援需求变化从农历12月23日(即。,新的一年)1月6日的下一个阴历(即。,春节假期的最后一天)。春节假期后分为七天小的农历新年,春节的七天假期,这是由{1,2,3,4,5,6,7,8,9,10,11,12日,13日,14日}。(4)“雪”分为雨夹雪,小雪,温和的雪,大雪,这是由{8、9、10、11},而其他人则是由“0”表示。(5)“雨”分为小雨,阵雨,雷雨,中雨、大雨、暴雨,这是由{2、3、4、5、6、7},和其他由“0”表示。(6)最低温度是指存储在气象数据的最低温度,这是一个连续值的间隔1°C。为了突出的最低温度的影响,该变量“低温度小于或等于零”的定义。最低温度与温度小于或等于0表示为实际的温度,以及其他由“0”表示。(7)“最高温度”指的是最高温度存储在气象数据,这是一个连续值的间隔1°C。突出最高温度的影响,该变量“高温度大于32°C”定义。最高温度大于32°C是由实际的温度,和其他温度由“0”表示。(8)“降水对当前日”是一个连续变量的区间1。(9)“前一天降水”是一个连续变量的区间1。

道路救援没有分组的需求预测模型是描述如下: 代表了样本。 代表样品的总数, 。 代表的价值的特征变量样本。 ,在哪里代表的数量特征变量, 。

所有样本的特征变量构成的矩阵 。

代表了模型系数特征变量。所有模型系数构成的向量 ,在哪里代表的常数项系数向量。

对应的道路救援需求的预测值 。

所有样本数据的预测价值形成矩阵如下:

模型的系数是由最小二乘法计算,找到最佳匹配的函数数据通过最小化的平方之和预测值和实际值之间的误差。代表平方误差的总和计算值和实际值之间的系数向量 。的计算公式如下: 在哪里代表系数向量的预测价值 ,和代表了实际价值。定义作为最优系数向量。当 ,的价值是最小,即 , 。最优系数向量 用于计算道路救援需求的预测价值。

每个特征变量的值对应于时间预测道路救援需求获得基于它们的定义。具体来说,的值年、月假日,星期特征变量提取时间。雨雪的值、最低温度、最高温度、降水、和其他特征变量确定基于天气预报。

最优系数向量 用于计算道路救援需求的预测价值。定义的预测价值道路救援需求,计算如下: 在哪里代表第一个特征变量的值对应道路救援需求预测。的价值吗特征变量对应道路救援需求预测。

当道路救援需求预测是时间序列数据,所有道路救援需求的预测值形成矩阵如下: 在哪里是预测样本的数量。

4.2。道路救援需求预测方法分组

数据分析表明,道路救援需求预测方法没有分组可以预测在正常条件下的需求,但效果并不理想,在极端条件下,如假期和恶劣的天气。为了解决这个问题,道路救援与分组进一步提出需求预测方法,提高预测精度。

道路救援需求预测方法的实现过程与分组如图4。数据分为九类根据影响因素的重要性,并为每组数据建立子模型。当影响因素,相对应的子模型最重要的影响因素是选择计算道路救援需求的预测价值。

道路救援需求的影响因素重要性的顺序列出如下:节日,雪,雨,低温和高温。根据影响因素的重要性,将数据分成9组如下:第一组的数据是三天的假期,第二组的数据是国庆假期,第三组的数据是春节,第四组的数据是雪,第五是雨的数据组,第六组的数据是最低温度小于或等于零,第七组的数据是最高温度大于35°C,第八组的数据之间的最高温度33°C和35°C,和第九组的数据除了前面的八组。

当同时有多个影响因素的数据,将数据进行分类根据最重要的影响因素。例如,当数据有国庆假期和雨的特点,数据被归类为国庆组,因为国庆假期的影响大于降雨的影响。

九子建立基于九组数据如下:建立子模型1使用第一组数据的三天假期;建立子模型2利用国庆假期的第二组数据;使用的第三组数据建立子模型3春节;建立子模型4使用雪的第四组数据;建立子模型5使用雨的第五批数据;建立子模型6使用第六组的数据的最低温度小于或等于零;使用第七组数据建立子模型7的最高温度大于35°C;建立子模型8使用八组数据之间的最高温度33°C和35°C;建立和子模型9使用第九组的数据,除了之前的8组。每个子模型的独立变量是相同的,但每个子模型的系数是不同的。

道路救援需求预测模型建立分组如下: 代表了样本组 。 代表了的特征变量样本组 。 代表的数量特征变量, , 。 代表的样本组的数量 。所有的独立变量组构成矩阵 。 表示的系数特征变量的子模型 。所有子模型的系数构成的向量 ,在哪里是常数。代表子的总数, 。构成了所有的子矩阵的系数 。 代表了道路救援需求对应的预测值 。 所有构成矩阵 。

特征变量的系数由最小二乘法计算。代表之间的平方误差的总和计算数据和实际的数据,当系数向量 。的计算公式如下: 在哪里代表系数向量的预测价值 ,和代表了实际价值。当 ,的价值是最小,即 , 。

根据选择的最重要的特征变量。道路救援需求的预测价值计算如下:

方法选择子模型如图5,这是描述如下:步骤1:获得预测道路救援需求的时间。判断预测的时期将会是一个假期。如果是的,法官假期的类型;如果这将是一个为期三天的假期,选择子模型1;如果这将是国庆节,选择子模型2;如果这将是春节,选择子模型3;如果它不会成为一个节日,转到第2步。第二步:判断是否会下雪。如果是的,选择子模型4;否则,进入步骤3。第三步:判断是否会下雨。如果是的,选择子模型5;否则,转到步骤4。第四步:判断它将低温。如果是的,选择子模型6;否则,转到步骤5。第五步:判断最高气温将超过35°C。如果是的,选择子模型7;否则,进入步骤6。第六步:判断之间的最高温度将33°C和35°C。如果是的,选择子模型8;否则,选择子模型9。

根据所选的子模型,可以计算道路救援需求的预测价值。

4.3。预测绩效评估

预测性能评估总体偏差率(ODR),平均绝对误差(MAE)和根均方误差(RMSE)。代表样本的预测价值 。 代表样本的实际价值 。 代表的样本总数参与评估。

总体偏差率(ODR)所有测试样本的计算由以下方程:

计算出的平均绝对误差(MAE)以下方程:

根均方误差(RMSE)由以下公式计算:

5。案例研究

5.1。数据描述

道路救援需求的案例研究中使用的数据从1月1日,2017年7月31日,2018年在北京。时间特征变量得到时间和转换为数值变量,包括年、月、周,为期三天的假期,国庆节。气象特征变量从天气数据获得和转化为数值变量,包括雪、雨、最低温度、最高温度和降水。

历史数据分为训练样本集训练模型系数和测试样本集预测道路救援的需求。训练样本数据从1月1日至2017年4月30日,2018年5月16日的数据,2018年至2018年7月15日。测试样本数据从5月1日到5月15日,2018年,数据从7月16日到7月31日,2018年。

5.2。拟合结果

的训练样本被用来训练系数道路救援需求预测模型。模型的系数没有分组,分组的子表所示2。是确定系数。更大的价值 ,更好的模型与观测值的吻合程度。为模型没有分组, 。子的分组,六子是大于0.717,包括子模型4(雪组),子模型2(国庆节组),子模型1(为期三天的假日集团),子模型3春节(集团),子模型6(低温组),子模型9(正常组)。这些六子是1,0.979,0.777,0.770,0.763,和0.718,分别。其他三个子是小于0.717,包括子模型5(雨组),子模型8(最高温度33∼35°C组),和子模型7(最高温度大于35°C组)。

图6展示了拟合值与实际值之间的比较在所有训练数据,为期三天的假期,国庆节,春节,分别。拟合结果与实际数据的总体趋势一致。相比,该模型没有分组,分组的子可以更好地适应极端环境中数据的特点。

5.3。预测结果

验证了模型的预测精度测试数据从5月1日到5月15日,2018年,从7月16日到7月31日,2018年。预测结果如图7。有极端天气从7月16日到7月31日,导致道路救援需求的大幅增加。子的分组可以更好地预测道路救援需求的激增从7月16日到7月31日,2018年。没有分组模型的预测价值低于实际价值。

预测性能的评价结果如表所示3。方程(13)是用来计算总体偏差率(ODR)。对于所有的测试数据,模型的总体偏差率没有分组为11.49%,并与组织的总体偏差率的子是10.58%。方程(14)是用来计算平均绝对误差(MAE)。模型没有分组的平均绝对误差为73.42,与分组子的平均绝对误差为66.37。方程(15)是用来计算均方误差(RMSE)。的根均方误差模型没有分组是93.19,和的根均方误差的子分组是87.42。所有评价指标表明,子分组可以更好地预测道路救援的需求。

6。结论

本文提出了两种预测方法的道路救援的需求。这两种方法的区别是是否组数据的影响因素。道路救援需求预测方法没有分组将所有影响因素集成到一个模型。道路救援需求预测方法和分组数据分为9组根据影响因素的重要性和建立九子分组数据。当影响因素,相对应的子模型最重要的影响因素是选择计算道路救援需求的预测价值。

两种方法选择的因素包括,月,节日(如春节、国庆节,为期三天的假期),雪,雨,温度和降水。道路救援需求在假日的时候明显低于nonholidays期间,导致道路救援需求和节日之间的负相关。相关系数的绝对值大于0.7,这意味着假期之间有很强的相关性和道路救援的需求。与降水对当前天相比,道路救援需求更受降水影响的前一天,和前一天的降水的相关系数是0.536。雨和雪都属于降水。然而,只有在足够的降水的情况下(例如,暴雨),降水的影响在救援需求推迟到第二天。对温度、最低和最高温度的相关系数是0.470和0.424,分别,这意味着最低和最高温度适度与救援需求的必经之路。

在北京的一个案例研究是用来验证该方法的有效性和优越性。对于所有的测试数据,模型的总体偏差率没有分组是11.49%,并与组织的总体偏差率的子是10.58%。模型没有分组的平均绝对误差为73.42,与分组子的平均绝对误差为66.37。相比,该模型没有分组,分组的子可以更好地适应在极端条件下的特征数据。研究结果可以提供科学依据救援部门提前部署救援资源,提高救援的效率和质量,改善交通系统的弹性,减少生命和财产的损失。

尽管有一些成就,仍有一定的局限性和弱点在这工作。几个扩展是将来值得探索的研究。首先,数字化特征变量规则可以进一步优化改进参数描述的准确性。其次,介绍了非线性模型可以提高预测的性能。第三,COVID-19对道路救援需求有着重要的影响,这是一个新的影响因素。有必要考虑COVID-19和训练的影响预测子模型使用数据在重大公共卫生事件。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(批准号。72101022,72101022)。