使用AutoML方法探讨行人碰撞严重程度的决定因素
机器学习
2024-06-17 v1 计算机与社会
摘要
本研究通过自动机器学习（AutoML）探讨行人碰撞严重程度，提供了一种简化且易于使用的分析关键因素的方法。研究利用2010至2021年犹他州的详细数据集，采用AutoML评估各种解释变量对碰撞结果的影响。研究整合了SHAP（SHapley Additive exPlanations）来解释预测模型中 individual features 的贡献，增强了对影响因素（如照明条件、道路类型和天气）对行人碰撞严重程度的理解。强调数据驱动方法的效率和民主化，本文讨论了在交通安全分析中使用AutoML的优势。该方法将AutoML与SHAP分析相结合，不仅提升了预测精度，还提高了解读性，为有效的行人安全措施提供了关键见解。研究结果凸显了该方法在分析行人碰撞严重程度方面的潜力。
引用
@article{arxiv.2406.06624,
title = {Exploring the Determinants of Pedestrian Crash Severity Using an AutoML Approach},
author = {Amir Rafe and Patrick A. Singleton},
journal= {arXiv preprint arXiv:2406.06624},
year = {2024}
}