不平衡标签的表格数据：基于预训练转换器（TabPFN）和Mamba模型的电动车碰撞严重程度预测
机器学习
2026-04-29 v1 人工智能
摘要
本研究提出了一种深度表格学习框架，用于预测电动车（EV）碰撞中的碰撞严重程度，基于来自德克萨斯州（2017-2023年）的真实世界碰撞数据。经筛选仅保留电动车后，共分析了23,301起涉及电动车的碰撞记录。利用XGBoost和随机森林等特征重要性技术，识别出交叉口关系、首要有害事件、人员年龄、碰撞速度限制和星期几为top预测器，以及自动紧急制动等先进安全特性。为解决标签不平衡问题，应用了合成少数过采样技术（SMOTE）和已编辑最近邻（SMOTEENN）抽样方法。对比评估了TabPFN、MambaNet和MambaAttention三种最新的深度表格模型进行严重性预测。虽然TabPFN在一般化方面表现出色，但MambaAttention凭借基于注意力的特征重加权在分类严重伤害案例方面取得了优异性能。我们的发现凸显了深度表格架构在提升电动车碰撞严重程度预测方面的潜力，以及在EV碰撞情境下实现数据驱动安全干预的可能性。
引用
@article{arxiv.2509.11449,
title = {Tabular Data with Class Imbalance: Predicting Electric Vehicle Crash Severity with Pretrained Transformers (TabPFN) and Mamba-Based Models},
author = {Shriyank Somvanshi and Pavan Hebli and Gaurab Chhetri and Subasish Das},
journal= {arXiv preprint arXiv:2509.11449},
year = {2026}
}
备注
This is the author's preprint version of a paper accepted for presentation at the 24th International Conference on Machine Learning and Applications (ICMLA 2025), December 3-5, 2025, Florida, USA. The final published version will appear in the official IEEE proceedings. Conference site: https://www.icmla-conference.org/icmla25/