使用 ARM-Net 和 MambaNet 的儿童自行车骑行者碰撞严重程度分析
机器学习
2025-03-17 v1
摘要
儿童自行车骑行者（14岁及以下）是最易受伤害的道路使用者之一，在碰撞中经常遭受严重伤害或死亡。本研究使用两种深度表格学习模型（ARM-Net 和 MambaNet）分析了2017年至2022年间德克萨斯州的2,394起儿童自行车骑行者碰撞事故。为了解决数据不平衡问题，应用了 SMOTEENN 技术，生成了平衡的数据集，从而促进了在三个类别中的准确碰撞严重程度预测：致命/严重（KA）、中等/轻微（BC）和无伤害（O）。结果显示，MambaNet 优于 ARM-Net，取得了更高的精确率、召回率、F1分数和准确率，特别是在 KA 和 O 类别中。由于特征重叠，两个模型在区分 BC 碰撞时都面临挑战。这些发现突出了先进的表格深度学习方法和平衡数据集在理解碰撞严重程度方面的价值。尽管存在依赖分类数据等局限性，但未来的研究可以探索连续变量和实时行为数据，以增强预测建模和碰撞缓解策略。
引用
@article{arxiv.2503.11003,
title = {Crash Severity Analysis of Child Bicyclists using Arm-Net and MambaNet},
author = {Shriyank Somvanshi and Rohit Chakraborty and Subasish Das and Anandi K Dutta},
journal= {arXiv preprint arXiv:2503.11003},
year = {2025}
}
备注
4 pages, 6 figures, accepted at IEEE CAI 2025