Oct, 2023

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

PDF
TL;DR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。
accident severityrandom forestmachine learning algorithmroad safetypredicting
发现论文，激发创造
  • 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

    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。

    Sep, 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

  • 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

  • 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

  • 基于随机森林的卒中结果预测

    通过使用机器学习技术，研究临床、生化和神经影像因素，生成一个预测模型，用于预测中风患者在入院后 3 个月的死亡率和发病率，并得出结论：机器学习算法可以有效地用于中风患者的长期死亡率和发病率的预测。

    Feb, 2024

  • 基于频繁模式树的实时交通事故风险预测

    本文提出了一种基于 FP 树算法的变量选择方法用于实时预测交通事故风险，并利用基于这种方法和随机森林方法选择的变量建立了 k-NN 方法和贝叶斯网络模型，结果表明基于 FP 树的变量选择方法可以更好地预测车祸风险，其中使用 FP 树方法建立的贝叶斯网络模型预测正确率为 61.11％，假警报率为 38.16％。

    Jan, 2017

  • 佛罗里达州 I-95 高速公路事故伤害严重程度预测

    通过对佛罗里达洲 2016 年至 2021 年之间的 95 号州际公路上的交通事故进行研究，使用了几种分类方法来估计驾驶员受伤的严重程度，并应用特征选择方法进行了逻辑回归。通过准确率、召回率和曲线下面积等多种模型评估方法，比较了模型性能，Adaboost 算法在召回率和曲线下面积方面表现优异。同时生成了 SHAP 值以解释分类模型的结果，这项分析研究可以用于检查导致交通事故中驾驶员受伤严重程度的因素。

    Dec, 2023

  • 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

  • 交通事件管理中大型语言模型的严重程度分类整合：一种机器学习方法

    该研究评估了大型语言模型对于改善交通事故管理中的机器学习过程的影响，研究了使用事故报告对事故严重程度进行分类时，由现代语言模型生成的特征在改进或匹配预测准确性方面的程度，并进行了多个比较以验证语言模型和机器学习算法的组合。研究结果显示，将语言模型的特征与直接从事故报告中获取的特征进行结合，可以在分配事故严重级别时提高或至少与机器学习技术的性能相匹配，尤其是在采用随机森林和极限梯度提升方法时。该研究对于展示如何将大型语言模型整合到事故管理的机器学习工作流程中，从而简化从非结构化文本中提取特征并改进或匹配事故严重程度预测的精度具有重要贡献。通过有效利用这些语言处理模型来改进事故严重级别分类的建模过程，该研究展示了工程应用实例。本研究为在传统数据基础上利用语言处理能力改进机器学习流程、进行事故严重程度分类提供了重要洞见。

    Mar, 2024

  • 朴素贝叶斯和随机森林用于农作物产量预测

    本研究分析了 1997 年至 2020 年期间印度的作物产量预测，重点关注各种作物和关键环境因素。利用线性回归、决策树、KNN、朴素贝叶斯、K 均值聚类和随机森林等先进的机器学习技术来预测农业产量。尤其是朴素贝叶斯和随机森林模型通过数据可视化展示了高度的效果。研究得出结论，整合这些分析方法显著提高了作物产量预测的准确性和可靠性，为农业数据科学做出了重要贡献。

    Apr, 2024