天气悖论：降水为何在大规模美国数据中难以预测交通事故严重程度

本研究探讨了环境因素、时间因素和空间因素对美国交通事故严重程度的预测能力。我们使用覆盖 2016-2023 年的 50 万起美国交通事故数据集，训练了一个通过随机搜索交叉验证优化并通过类别权重处理类别不平衡的 XGBoost 分类器。最终模型实现 78% 的总体准确率，在多数类别（严重程度 2）上表现突出，准确率和召回率均达到 87%。特征重要性分析显示，时间、地理位置以及天气相关变量（包括能见度、温度和风速）等在预测事故严重程度方面排名靠前。然而，与最初的假设相反，降水和能见度显示出有限的预测能力，这可能反映出驾驶员在明显危险条件下进行的行为适应。数据集中占主导地位的中等严重程度事故限制了模型学习极端案例有意义模式的能力，这凸显了需要替代抽样策略、更强的特征工程以及整合外部数据集的必要性。这些发现为基于证据的交通管理贡献了实证研究，并为严重程度预测研究指出了未来方向。