基于机器学习算法的交通事故伤害严重程度的因果分析与分类
机器学习
2021-12-08 v1 人工智能
统计方法学
摘要
将非参数方法应用于交通事故伤害严重程度的因果分析与分类所受关注有限。本研究提出了一个方法框架，利用格兰杰因果分析进行因果推断，并采用多种机器学习技术（包括决策树（DT）、随机森林（RF）、极端梯度提升（XGBoost）和深度神经网络（DNN））对州际公路上发生的交通事故伤害严重程度进行分类。本研究使用的数据来自德克萨斯州所有州际公路在 2014 至 2019 年共六年期间的交通事故记录。所提出的严重程度分类方法的输出包含三类：致命及严重伤害（KA）事故、非严重及可能伤害（BC）事故、以及仅财产损失（PDO）事故。格兰杰因果分析有助于识别影响事故严重程度的最具影响力因素，而基于学习的模型则以不同的性能预测严重程度类别。格兰杰因果分析的结果确定限速、路面与天气状况、交通量、施工区存在、施工区工人以及高承载车辆（HOV）车道等为主要影响事故严重程度的因素。分类器的预测性能在不同类别间结果各异。具体而言，决策树和随机森林分类器分别对 PDO 和 BC 严重程度提供了最佳性能；而对于数据中最稀有的 KA 类，深度神经网络分类器表现优于所有其他算法，很可能因其具备逼近非线性模型的能力。本研究为使用非参数方法进行交通事故伤害严重程度的因果分析与分类预测的有限知识体系作出了贡献。
引用
@article{arxiv.2112.03407,
title = {Causal Analysis and Classification of Traffic Crash Injury Severity Using Machine Learning Algorithms},
author = {Meghna Chakraborty and Timothy Gates and Subhrajit Sinha},
journal= {arXiv preprint arXiv:2112.03407},
year = {2021}
}