面向交通事故致死预测的可解释机器学习方法
机器学习
2024-09-19 v1
摘要
道路交通事故（RTA）在全球范围内构成重大的公共卫生威胁，导致巨额人员伤亡和经济损失。这一现象在发展中国家如孟加拉国尤为突出。构建可靠的模型以预测碰撞后果对于实施有效的预防措施至关重要。为制定有针对性的安全干预措施，本研究提出一种基于机器学习的方法，用于对孟加拉国达卡都市交通事故数据库（2017-2022 年）中的事故死亡与否进行分类。我们的框架包含逻辑回归、支持向量机、朴素贝叶斯、随机森林、决策树、梯度提升、LightGBM 和人工神经网络等多种机器学习分类算法。我们强调模型的可解释性，通过采用 SHAP（SHapley Additive exPlanations）方法揭示影响事故致死的关键因素。我们的结果表明，LightGBM 在其他模型中表现最佳，ROC-AUC 分数达到 0.72。对模型进行全局、局部和特征依赖性分析，以获得更深入的洞见。SHAP 分析揭示，伤亡等级、事故发生时间、地点、车辆类型和道路类型是决定事故致死风险的关键因素。这些发现为来自发展中国家的政策制定者和道路安全实践者提供了宝贵的见解，使其能够实施基于证据的策略来减少交通事故死亡人数。
引用
@article{arxiv.2409.11929,
title = {An Explainable Machine Learning Approach to Traffic Accident Fatality Prediction},
author = {Md. Asif Khan Rifat and Ahmedul Kabir and Armana Sabiha Huq},
journal= {arXiv preprint arXiv:2409.11929},
year = {2024}
}
备注
10 Pages, 6 figures, 2 tables, 28th International Conference on Knowledge-Based and Intelligent Information & Engineering Systems (KES 2024)