特征组表格变换器：用于交通碰撞建模与因果分析的新方法
机器学习
2025-01-14 v2 人工智能
应用统计
摘要
可靠且可解释的交通碰撞建模对于理解因果关系和提升道路安全至关重要。本研究提出了一种预测碰撞类型的新方法，利用了来自多个来源的综合数据集，包括天气数据、碰撞报告、高分辨率交通信息、路面几何特征和设施特征。我们方法的核心是开发了一种特征组表格变换器（FGTT）模型，该模型将异构数据组织为有意义的特征组并表示为令牌。这些基于特征组的令牌作为丰富的语义组件，能够有效识别碰撞模式并解释因果机制。FGTT 模型在广泛使用的树集成模型（包括 Random Forest、XGBoost 和 CatBoost）上进行了基准测试，展示了优越的预测性能。此外，模型解释揭示了关键影响因素，为不同碰撞类型的潜在因果关系提供了新的见解。
引用
@article{arxiv.2412.06825,
title = {Feature Group Tabular Transformer: A Novel Approach to Traffic Crash Modeling and Causality Analysis},
author = {Oscar Lares and Hao Zhen and Jidong J. Yang},
journal= {arXiv preprint arXiv:2412.06825},
year = {2025}
}
备注
20 pages, 7 figures, 7 tables