可解释的机器学习方法用于交通事故致死预测
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
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
本文提出了一种基于贝叶斯网络的可解释框架,用于交通事故预测,从而解决了现有的基于机器学习的交通事故分析方法缺乏可解释性的问题。通过构建数据集的流程,将交通数据导入该框架,同时保留了关键的交通数据信息。通过一个具体的案例研究,我们的框架可以从数据集中导出一个贝叶斯网络,基于天气和交通事件之间的因果关系,同时预测交通事故并在不同条件下改变这些事件的概率,从而展示交通和天气事件之间的透明关系。此外,网络的可视化简化了不同变量之间关系的分析,揭示了交通事故的主要原因,最终为减少交通事故提供了有价值的参考。
Oct, 2023
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
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
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
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
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
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