Sep, 2023

利用人工智能增强对英国道路交通事故严重程度的预测与分析：在公共卫生研究中整合机器学习、计量经济学技术和时间序列预测

PDF
TL;DR该研究使用机器学习、计量经济学和统计方法研究了英国的道路交通事故严重程度，通过对历史数据进行相关性分析、回归模型、GMM 分析解决误差项问题以及 VAR 和 ARIMA 模型的时间序列预测等技术和方法，我们的研究方法在 MASE 指标为 0.800，ME 指标为 - 73.80 时相对于朴素预测具有更好的性能，此外我们构建了一个随机森林分类器，分类准确性达到了 73%，召回率为 78%，F1 得分为 73%，使用 H2O AutoML 优化后得到的 XGBoost 模型的 RMSE 为 0.176，MAE 为 0.087，因子分析确认了重要变量，并且应用 SHAP 可解释的人工智能方法，对 Driver_Home_Area_Type 和 Road_Type 等有影响的因素进行了突出显示，这项研究加深了对事故严重程度的理解并为基于证据的道路安全政策提供了洞见。
发现论文，激发创造
  • 交通事故分析与预测的最新进展：机器学习技术的综合综述

    此研究通过对最近在交通事故分析和预测中应用机器学习技术的全面回顾，解决了道路安全领域中对先进预测方法的需求。通过分析 191 项研究，重点关注预测事故风险、频率、严重程度、持续时间以及事故数据的统计分析，该研究展示了整合多样化数据源和先进机器学习技术以提高预测准确性并处理交通数据复杂性的有效性。该综述是首次提供如此全面的回顾，概述了与事故分析和预测相关的广泛领域最新研究现状。通过绘制当前研究格局并鉴别文献中的不足，该研究旨在引导未来研究，实现到 2030 年显著减少与交通相关的死亡和伤害目标，与世界卫生组织（WHO）的目标相一致。

    Jun, 2024

  • 使用人工智能预防车祸

    通过使用机器学习技术，结合交通事故和气象数据，该研究旨在预测交通事故的严重程度并减少交通事故。

    Jun, 2022

  • 预测事故严重程度：使用随机森林模型分析影响事故严重程度的因素

    这项研究调查了使用随机森林机器学习算法预测事故严重程度的有效性，在大型都市地区的事故记录数据集上训练模型并使用各种指标进行评估，结果显示随机森林模型能够有效地预测事故严重程度，准确率超过 80%，并确定了模型中最重要的变量，包括风速、气压、湿度、可见度、晴朗状况和云量，这些结果表明，提出的模型在解释目标变量 —— 事故严重程度类别方面具有更高的性能，因此可以帮助减少美国道路事故造成的死亡和伤害数量。

    Oct, 2023

  • 交通事故持续时间预测的双层框架：在实用的优化管道中充分利用天气和道路状况数据

    本研究使用多种机器学习模型来预测交通事故对道路交通的短期或长期影响，并确定事故的精确持续时间，结果显示天气条件、风寒和风速是决定交通事故持续时间最有影响力的因素。

    Nov, 2023

  • 基于 AutoML 方法探究行人事故严重性的决定因素

    通过 Automated Machine Learning (AutoML) 以及 SHAP 分析，本研究调查了行人事故严重性，提供了一种简化和易于访问的方法来分析关键因素，如照明条件、道路类型和天气等对行人事故严重程度的影响。这种 AutoML 与 SHAP 分析的整合不仅增强了预测准确性，还提供了对有效行人安全措施的关键见解，强调了这种方法在推进行人事故严重性分析方面的潜力。

    Jun, 2024

  • 预测交通事故中的重伤程度：新的不平衡数据集和基准

    本文介绍了一种新的数据集，用于评估机器学习算法在交通事故中预测伤势严重性方面的表现。数据集通过聚合英国交通部的公开数据集来创建，这些数据集在数据维度上具有极度不平衡以及有时缺少高达 50％的属性，可以通过 MissForest 模型处理。本文还介绍了两种基准方法来创建伤害预测器：一种是监督的人工神经网络，另一种是强化学习模型。该数据集可以刺激机器学习研究在不平衡数据集方面的多个方面，并且这两种方法可以用作在这个领域测试更高级学习算法时的基准参考。

    May, 2022

  • 利用机器学习方法预测悉尼大都市区交通事件的持续时间

    本研究提出了一种全面的方法来预测悉尼大都市区交通事故的持续时间，并将其分类为短期或长期。我们利用包含交通事故详细记录、道路网络特征和社会经济指标的数据集，通过训练和评估包括 Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM 和 XGBoost 在内的各种先进机器学习模型。我们的实验结果表明，XGBoost 和 LightGBM 在预测持续时间和分类方面优于传统模型。提出的方法不仅能够实现高度的预测准确性，还能为利益相关者提供有关影响事故持续时间因素的重要见解，从而为交通管理和响应策略提供更明智的决策。

    Jun, 2024

  • 巴西联邦区严重交通事故的热点预测

    本研究使用机器学习方法，通过分析巴西联邦区交通事故数据并结合当地天气条件，成功预测事故热点区域，并表明事故位置比天气参数对事故发生的影响更为重要，强调地方干预对减少事故数量的重要性。

    Dec, 2023

  • 机器学习方法在交通量预测中的应用：以摩洛哥高速公路网络为例

    本研究旨在探讨用于摩洛哥高速公路交通预测的不同方法，包括统计分析和机器学习，该研究采用多种算法，如随机森林、人工神经网络和长短时记忆神经网络等，并开展了数据整理和深入理解交通行为的贝塔模型。

    Nov, 2017

  • 图神经网络用于道路安全建模：事故分析的数据集和评估

    本文通过构建一个大规模、统一的数据集，总计 900 万条交通事故记录，并结合道路网络和交通量报告，评估了现有的深度学习方法在预测道路上事故发生的准确性。研究发现，图神经网络（如 GraphSAGE）能够准确预测道路上事故的数量，平均绝对误差低于 22%（相对于实际计数），并且对于是否会发生事故的预测准确率高达 87% 以上（通过平均州统计）。通过多任务学习考虑州际变异性和迁移学习将交通量与事故预测相结合，取得这些结果。消融研究凸显了道路图结构特征的重要性。最后，讨论了分析的意义并开发了一个使用该数据集的便捷包。

    Oct, 2023