原文传递
基于机器学习与统计学模型的道路事故严重程度预测模型效果评价
| 论文题名： | 基于机器学习与统计学模型的道路事故严重程度预测模型效果评价 |
| 关键词： | 道路交通事故;严重程度;机器学习;统计学;预测精度 |
| 摘要： | 道路交通事故数据分析对于交通安全有着重要意义。事故分析的重要性在于可以揭示导致事故的不同类型因素的影响。道路事故风险模型的预测准确性需要不断提高。数据挖掘方法可以用于道路交通事故数据分析。其中，统计学模型OP、MNL等以及机器学习模型CART，SVM，KNN，GNB和RF等均可用于道路交通事故的数据集分析。这给我们提供了去研究更加准确模型的机会。 本文对比了基于具有不同建模逻辑的各种机器学习和统计学模型在道路事故损害程度预测中的精确度。基于香港不同地区委员会收集的道路事故数据，将这些模型用于预测与各道路事故程度等级相对应的损害严重程度。本文计算并比较每个模型在测试数据集上的预测准确性，然后进行灵敏度分析以推断解释变量对道路事故严重程度判断的重要性。并对比了OP和MNL统计学模型对于变量影响的估计。 从灵敏度分析中，我们可以获得五个选定的机器学习模型对于碰撞事故严重程度的影响大小。结果表明，尽管机器学习模型的方法存在过度拟合的问题，但其相比统计学模型的方法具有更高的预测准确性。RF，GNB，KNN，SVM和CART的致命事故分类准确率分别为82.77％，55.53％，82.82％，77.93％和81.64％。特别地，CART和SVM被认为是最佳模型，他们具有最高的总体预测准确度，分别为85.78％和84.24％。 |
| 作者： | Neelam Zulfiqar(尼兰) |
| 专业： | Transportation Engineering |
| 导师： | 李志斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2019 |
| 正文语种： | 中文 |
检索历史
应用推荐
