利用 TabNet 探索影响行人碰撞严重程度的因素：一种深度学习方法
机器学习
2024-07-03 v1
摘要
本研究首次使用 TabNet 模型探究行人碰撞严重程度，TabNet 是一种新颖的表格深度学习方法，非常适用于分析交通安全性研究中固有的表格数据。通过将 TabNet 应用于犹他州 2010 至 2022 年的综合数据集，我们揭示了导致行人碰撞严重程度的复杂因素。TabNet 模型利用其结构化数据的兼容性，展现出卓越的预测精度，超越传统模型。它识别出关键变量，如行人年龄、左右转参与、光照条件和饮酒，这些因素显著影响碰撞结果。利用 SHapley Additive exPlanations（SHAP）增强了我们解释 TabNet 模型预测的能力，确保了深度学习方法的透明性与可理解性。我们分析得出的见解为交通安全性工程师与政策制定者提供了宝贵指引，使其能够识别影响行人碰撞严重程度的关键因素。此类知识有助于制定精确的、数据驱动的干预措施，以提升城乡多样环境中的行人安全。
引用
@article{arxiv.2312.00066,
title = {Exploring Factors Affecting Pedestrian Crash Severity Using TabNet: A Deep Learning Approach},
author = {Amir Rafe and Patrick A. Singleton},
journal= {arXiv preprint arXiv:2312.00066},
year = {2024}
}