Jan, 2024

公路交通事故对异质治疗效果的推断：一种双重鲁棒因果机器学习方法

PDF
TL;DR该研究提出了一种新颖的因果机器学习框架，用于准确估计高速公路不同类型车祸对交通速度的因果效应，该框架基于尼曼 - 鲁宾因果模型、条件 Shapley 值指数和结构因果模型，并结合双重稳健学习方法估算治疗效果。实验结果表明在不同的距离和持续时间下，追尾碰撞引起的拥堵更严重且持续时间更长，而侧面碰撞的延迟影响最长。此外，研究结果还显示夜间追尾碰撞对交通的影响较大，而在高峰时段碰撞到物体的影响最显著。通过统计假设检验、匹配的 “反事实结果” 的误差度量以及敏感性分析进行评估，结果验证了该方法的准确性和有效性。
highway traffic crashesemergency responsescausal machine learning frameworkheterogeneous treatment effectstraffic management
发现论文，激发创造
  • 以语言形式学习交通事故：数据集，基准和假设性因果分析

    本研究在大规模交通事故语言数据集 CrashEvent 的基础上，利用大型语言模型 CrashLLM 提出了一种新的交通事故特征学习方法，从复杂的、非结构化数据中解析和学习，预测交通事故的类型、严重程度和受伤人数，并通过学习的推理特征为交通安全分析提供有价值的洞见。

    Jun, 2024

  • 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

  • 基于数据驱动的异质性治疗效应估计

    本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

    Jan, 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

  • 一种新的两级因果推断框架，用于道路车辆质量问题的诊断

    本文介绍了如何利用因果机器学习方法加快处理汽车行业中的车辆质量问题，通过实际数据集展示了提出的框架，并讨论了车辆质量应用领域的挑战。

    Mar, 2023

  • 基于车辆群体的高速公路事故风险形成和传播分析

    通过高分辨率车辆轨迹数据，该研究聚焦于车辆群体作为分析主体，探索了车辆群体和道路段特征对风险形成和传播机制的影响，并确定了多个影响事故风险的关键因素。研究开发了多项式逻辑回归模型对空间风险传播模式进行分析，结果显示高风险状态持续时间、车辆群体规模增加和频繁的变道与不利的风险传播模式相关联。此外，该研究对不同类型的分类器、预测时间间隔和自适应 TTC 阈值进行了敏感性分析，并获得了超过 0.93 的最高 AUC 值，为研究人员和实践者在理解和预测车辆群体安全方面提供了有价值的见解，进而改进车联网和自动驾驶车辆的交通安全管理和运营。

    Feb, 2024

  • 因果下游任务中的幻象与虚假

    机器学习和人工智能有潜力改变数据驱动的科学发现，通过准确预测多种科学现象。本文通过对治疗效果估计的因果推断任务进行研究，其中假设记录为高维图像的二元效果是在随机对照试验中进行的。我们发现，尽管这是最简单的设置且完全适合深度学习，但在文献中的许多常见选择可能导致有偏估计。通过在昆虫（Lasius neglectus）对微粒应用的群体间进行的 RCT 记录的实际基准测试下游因果推断任务，从最先进的视觉骨干中微调了 6,480 个模型，我们发现抽样和建模选择显著影响因果估计的准确性，并且分类准确性不能作为此的代理。我们进一步在控制因果模型的合成生成视觉数据集上重复验证分析。我们的结果表明，未来基准测试应认真考虑真实的下游科学问题，特别是因果关系问题。此外，我们强调了用于帮助回答科学领域的因果问题的表示学习方法的指南。所有的代码和数据将会发布。

    May, 2024

  • 机器学习估计异质性因果效应：实证蒙特卡罗证据

    本研究通过实证蒙特卡洛研究，研究了不同聚合级别下异质因果效应的因果机器学习估计器的有限样本性能，并提供了支持这些估计器的证据。

    Oct, 2018

  • 双机器学习估计因果效应 -- 方法评估

    通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为 “双重 / 无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整，从而避免了传统因果效应估计中通常需要的功能形式假设。然而，我们证明这种方法仍然严重依赖于因果结构和识别的标准假设。在我们的应用中，估计空气污染对房价的影响时，我们发现 DML 估计结果一直比不太灵活的方法估计结果要大。基于我们的整体结果，我们为研究人员在实际应用 DML 时提供了可行的建议。

    Mar, 2024

  • 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