应用于年轻骑摩托车员伤病类型预测的表格型深度学习模型
机器学习
2025-03-14 v1
摘要
年轻骑摩托车员（尤其是15至24岁）因超速、违规等因素面临严重事故的风险增加。本研究旨在通过分析2017至2022年德克萨斯州10,726起年轻骑摩托车员事故，识别影响伤病严重程度的关键因素。采用两种高级表格深度学习模型（ARMNet和MambaNet），并使用先进的抽样技术解决类别不平衡问题。模型被训练将事故分类为三个严重程度：致命或严重、中度或轻微、无伤。ARMNet达到87%的准确率，优于MambaNet的86%，两种模型在预测严重和无伤事故方面都表现出色，而在中度事故分类方面则面临挑战。关键发现表明，人口统计、环境和行为因素对事故结果具有显著影响。本研究强调了针对年轻骑摩托车员的特定干预措施的必要性，包括更严格的头盔强制执行和针对他们的教育项目。这些见解为政策制定者提供了实证依据，以制定基于证据的策略，提高骑摩托车员的安全性并降低事故的严重程度。
引用
@article{arxiv.2503.10474,
title = {Applying Tabular Deep Learning Models to Estimate Crash Injury Types of Young Motorcyclists},
author = {Shriyank Somvanshi and Anannya Ghosh Tusti and Rohit Chakraborty and Subasish Das},
journal= {arXiv preprint arXiv:2503.10474},
year = {2025}
}
备注
6 pages, 6 figures, accepted at IEEE CAI 2025