ROADFIRST：面向改进风险因子识别与评估的安全性系统方法全面增强
机器学习
2024-11-05 v1
摘要
许多机构已采用联邦公路管理局（FHWA）推荐的安全性系统方法，这是对传统热点碰撞分析的重要补充，该方法基于已识别的风险因子制定区域性安全项目。然而，这种方法将分析限定在特定的碰撞类型和设施类型上。这导致碰撞数据和清单数据的使用效率低下，并且对每个地点的风险评价和对策选择不够全面。为提高安全性系统方法的全面性，我们开发了一种增强流程 ROADFIRST，允许用户在任何位置识别潜在的碰撞类型和贡献因子。作为此类流程的知识基础，碰撞类型和贡献因子根据感兴趣的特征（包括动态和静态交通相关特征）使用随机森林进行分析，并通过 SHapley Additive exPlanations（SHAP）分析进行解析。我们根据北卡罗来纳州的碰撞和道路清单数据，识别并排序了影响三种样本贡献因子（即酒驾、分心驾驶和超速）可能性的特征，并为每种贡献因子量化了全州道路路段风险。引入的模型和方法可作为各州和地方机构进一步开发 ROADFIRST 的示例，有助于规划更全面的区域性安全改善项目。
引用
@article{arxiv.2411.00821,
title = {ROADFIRST: A Comprehensive Enhancement of the Systemic Approach to Safety for Improved Risk Factor Identification and Evaluation},
author = {Shriyan Reyya and Yao Cheng},
journal= {arXiv preprint arXiv:2411.00821},
year = {2024}
}