基于机器学习、特征优化与可解释人工智能的司机行为分析混合方法
机器学习
2026-01-08 v1
摘要
司机行为分析对提高道路安全、缓解激进或不专注驾驶带来的问题至关重要。以往研究采用机器学习和深度学习技术，往往导致特征优化不足，进而损害高性能和可解释性。为填补这一空白，本文提出一种混合方法，用于司机行为分析，采用来自 Kaggle 的 12,857 行 18 列的数据集。经过标签编码、随机过采样和标准缩放等预处理技术后，测试了 13 种机器学习算法。随机森林分类器 achieved 95% 的准确率。随后在 XAI 中部署 LIME 技术，识别出对准确率影响最大的前 10 个特征（正向和负向影响），并重新训练相同算法。随机森林分类器的准确率略降至 94.2%，证明在不牺牲性能的前提下可提升模型效率。该混合模型可为预测力和司机行为过程的可解释性带来投资回报。
引用
@article{arxiv.2601.03477,
title = {Hybrid Approach for Driver Behavior Analysis with Machine Learning, Feature Optimization, and Explainable AI},
author = {Mehedi Hasan Shuvo and Md. Raihan Tapader and Nur Mohammad Tamjid and Sajjadul Islam and Ahnaf Atef Choudhury and Jia Uddin},
journal= {arXiv preprint arXiv:2601.03477},
year = {2026}
}