预测 NCAP 安全评级：基于机器学习的车辆特征与 ADAS 功能分析

车辆安全评估对消费者信息和监管 oversight 至关重要。新车评估计划（NCAP）分配标准化安全评级，传统上强调被动安全措施，但现在也包括主动安全技术，如高级驾驶辅助系统（ADAS）。理解这些系统之间的相互作用至关重要。本研究探讨了特定 ADAS 功能（如前碰撞预警、车道偏离预警、碰撞临近制动和盲区检测），以及 established 车辆属性（如整备重量、车型年份、车辆类型、驱动方式），是否可靠地预测车辆获得最高（五星）整体 NCAP 评级的可能性。使用来自 NCAP 报告的数据集进行分析，数据集包含约 5,128 个车辆变体，覆盖 2011-2025 年的车型年份，我们比较了四种不同的机器学习模型：逻辑回归、随机森林、梯度提升和支持向量分类器（SVC），采用 5 折分层交叉验证方法。两个表现最好的算法（随机森林和梯度提升）使用 RandomizedSearchCV 进行 hyperparameter 优化。分析特征重要性显示，基本车辆特征，特别是整备重量和车型年份，主导了预测能力，贡献了随机森林模型特征相关性的 55% 以上。然而，包括 ADAS 功能也提供了有意义的预测贡献。优化后的随机森林模型在 held-out 测试集上取得了稳健的结果，准确率为 89.18%，ROC AUC 为 0.9586。本研究表明机器学习用于分析大规模 NCAP 数据的潜力，突出了 established 车辆参数和现代 ADAS 功能在获得顶级安全评级中的组合预测重要性。