解开行人 死亡模式：基于可解释人工智能的比较研究

行人死亡在全球范围内构成重大的公共安全和健康挑战，由于身体和性能特征之间的差异，行人在车辆-行人碰撞中尤其脆弱。这项研究运用可解释人工智能 (XAI) 在美国死亡率最高的五个州 (2018-2022) 和死亡率最低的五个州之间识别导致行人死亡的关键因素。该研究采用 Fatalit y Analysis Reporting System (FARS) 数据，应用机器学习技术——包括决策树、梯度提升树、随机森林和 XGBoost——预测导致行人死亡的贡献因素。为解决数据不平衡问题，采用合成少数过采样技术 (SMOTE)，而 Shapley 增益解释 (SHAP) 值提高了模型的可解释性。结果表明，年龄、酒精和药物使用、地点和环境条件是导致行人死亡的重要预测因子。XGBoost 模型表现最佳，实现了平衡准确率为 98%，准确率为 90%，精确率为 92%，召回率为 90%，F1 分数为 91%。研究发现，行人死亡更常见于街道中段位置和视线不佳的区域，老年人和酒精或药物影响者风险更高。这些发现可为政策制定者和城市规划者提供信息，以实施针对性的安全措施，如改善照明、增强行人设施和加强交通法规执法，以减少死亡并改善公共安全。