增强交通事故分类：基于 NLP 方法的城市安全应用

对交通事故的全面理解对于提高城市安全性和制定政策决策至关重要。本研究分析慕尼黑的交通事故，以识别区分不同类型事故的模式和特征。数据集包含结构化表格特征（如位置、时间和天气条件），以及详细描述每起事故情形的非结构化自由文本描述。每起事故被分类到预定义的七个类别中的一个。为评估这些标签的可靠性，我们应用 NLP 方法，包括主题建模和零样本学习，这些方法揭示了标签过程中的不一致性。这些发现突显了事故分类潜在的模糊性，并激发了精细化预测方法的动力。基于这些见解，我们开发了一个在给定事故类别上实现高准确率的分类模型。我们的结果表明，文本描述包含对分类最有信息的内容，而表格数据的纳入仅提供边际性改进。这些发现凸显了自由文本数据在事故分析中的关键作用，以及基于转换模型在提高分类可靠性方面的潜力。