利用大语言模型增强交通事故管理：一种用于严重程度分类的混合机器学习方法
机器学习
2024-05-01 v2 系统与控制
系统与控制
摘要
本研究展示了大语言模型与机器学习工作流的创新性整合，用于交通事故管理，重点是利用事故报告对事故严重程度进行分类。通过利用现代语言模型生成的特征以及从事故报告中提取的常规数据，我们的研究表明，在多种机器学习算法中，严重程度分类的准确性得到了提升。我们的贡献有三方面。首先，我们对多种机器学习模型与多个用于特征提取的大语言模型的组合进行了广泛比较，旨在确定实现准确事故严重程度分类的最佳组合。其次，我们将传统的特征工程流程与经语言模型增强的流程进行了对比，展示了基于语言的特征工程在处理非结构化文本方面的优越性。第三，我们的研究说明了将事故报告中的基线特征与基于语言的特征相融合如何提高严重程度分类的准确性。这种综合方法不仅推动了事故管理领域的发展，还凸显了我们方法论的跨领域应用潜力，特别是在需要从非结构化文本数据或转化为文本表示的特征中预测事件结果的场景中。具体而言，我们新颖的方法论被应用于来自美国、英国和澳大利亚昆士兰州的三个不同数据集。这种跨大陆的应用突显了我们方法的鲁棒性，表明其在全球范围内改进事故管理流程的广泛应用潜力。
引用
@article{arxiv.2403.13547,
title = {Enhancing Traffic Incident Management with Large Language Models: A Hybrid Machine Learning Approach for Severity Classification},
author = {Artur Grigorev and Khaled Saleh and Yuming Ou and Adriana-Simona Mihaita},
journal= {arXiv preprint arXiv:2403.13547},
year = {2024}
}