Jun, 2024

基于 AutoML 方法探究行人事故严重性的决定因素

PDF
TL;DR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。
pedestrian crash severityautomated machine learning (automl)shap (shapley additive explanations)lighting conditionsroad type
发现论文，激发创造
  • 基于 TabNet 的探索行人事故严重程度影响因素研究：一种深度学习方法

    该研究首次应用 TabNet 模型对行人事故严重程度进行调查，发现与交通安全研究相关的表格数据中的复杂因素。通过对覆盖 2010 年至 2022 年犹他州的全面数据集应用 TabNet 模型，我们揭示了对行人事故严重程度有重要影响的关键变量，如行人年龄、涉及左转或右转、照明条件和酒精消耗量。使用 SHapley Additive exPlanations (SHAP) 提高了我们解释 TabNet 模型预测的能力，确保了我们深度学习方法的透明度和可理解性。分析得出的洞察力为交通安全工程师和政策制定者提供了宝贵的指引，使其能够确定影响行人事故严重程度的关键因素。这样的知识对于在不同的城市和农村环境中制定精确的、数据驱动的干预措施以增强行人安全至关重要。

    Nov, 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

    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

  • 自动驾驶车辆 32 个行人属性的检测

    本文介绍了一种基于多任务学习的模型，通过一个复合场景的框架实现了车载摄像头下的行人检测和 32 种行人属性的识别，其中包括道路等待行为的预测，结果在自动驾驶领域表现出竞争力和稳定性。

    Dec, 2020

  • 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

  • 使用计算机视觉技术提高行人安全性：2018 年优步公司自动驾驶汽车事故案例研究

    本研究分析 Uber 自動駕駛汽車事故，旨在回答自動駕駛汽車技術是否準備好在公共道路上部署的問題，在此使用最先進的計算機視覺模型，評估各種圖像增強和物體識別技術，以實現在低照度條件下行人安全。

    May, 2018

  • 预测城市变化对行人和道路安全的影响

    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

  • 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

    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。

    Jan, 2024

  • 金融工程中可解释的自动化机器学习：增强人工智能与人类合作的信用决策

    本文研究 Explainable Automated Machine Learning 在金融工程领域的整合，重点关注其在信用决策中的应用。研究表明，AutoML 和 XAI 的结合不仅提高了信用决策的效率和准确性，还增进了人与 AI 系统之间的信任和合作。结果强调了可解释性 AutoML 在改善 AI 驱动金融决策的透明度和责任性方面的潜力，与监管要求和道德考虑相一致。

    Feb, 2024