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

本研究旨在构建一个基于图形结构的交通事故预测数据仓库并评估不同机器学习方法的效果，通过将图形神经网络等特殊的机器学习算法应用于交通事故预测问题中，本研究展示了交通事故预测与道路网络的关系。

Apr, 2023

本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

Feb, 2022

本研究提出了一种新的、高性能和可解释的深度表格数据学习架构 TabNet，采用顺序注意方法在每个决策步骤中选择推理特征，实现了可解释性和更高效的学习。我们证明，在各种非性能饱和表格数据集上，TabNet 胜过其他神经网络和决策树变体，并提供了可解释的特征归因和对全局模型行为的深入认识。最后，我们首次在表格数据上展示了自监督学习，在未标记的数据丰富情况下显著提高了性能。

Aug, 2019

本研究提出了一种基于 StarNet 模型的行人轨迹预测方法，该模型采用星型拓扑结构，可以更准确地考虑所有行人之间的集体影响，并且计算效率更高，实验证明在准确性和效率方面优于传统模型。

Jun, 2019

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

现代交通规划依赖于准确的人员和车辆出行预测，本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力，利用全国家庭交通调查数据集，开发并训练了一个深度学习模型，取得了 98% 的人员出行预测准确率和 96% 的车辆出行估计准确率，从而显示了深度学习在这个领域的优势。

Aug, 2023

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

使用抽样方法的解释模型在计算机视觉领域中的人体部位相关性评估用于行人检测，提出了一种类似于 KernelSHAP 的新型抽样方法，对较小的样本量表现更为稳健，从而在大规模数据集上更高效的可解释性分析。

Nov, 2023

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