原文传递
基于可解释机器学习的城市道路交通事故严重程度预测
| 论文题名： | 基于可解释机器学习的城市道路交通事故严重程度预测 |
| 关键词： | 城市道路;交通事故;严重程度;可解释机器学习 |
| 摘要： | 由于国民经济水平的提高，城市化进程的加速推进，以及工业化的进步，汽车行业有了飞速的发展，这也使中国道路里程和汽车保有量逐年增长，相应的交通事故频发，极大地影响了中国民众的生命安全，也造成了不可估量的国民财产损失。交通事故发生时各个影响因素与事故严重程度之间的内在关系亟待研究，随着交通安全事故数据量以及事故数据维度的增大，机器学习模型可以提高数据分析效率，还可以对模型预测结果进行可视化解释，从而为有关部门提供相应的交通管理措施，降低事故严重程度，减少国民财产损失。本文基于此，提出了基于可解释机器学习的城市道路交通事故严重程度预测方法。主要工作如下： （1）分析城市道路事故数据的采集方法以及事故数据的来源，将事故严重程度的影响因素分为人、车、路以及环境四个方面，并对影响因素进行分析。 （2）对于本文事故数据，从数据的完整性、变量之间的关系等方面进行考虑，选择了11个事故影响因素作为自变量，以事故严重程度作为因变量，对事故数据进行预处理，选择两辆小汽车碰撞的事故数据作为研究对象。分析事故数据自变量与因变量之间的相关性，并对处理后的事故数据做统计分析。 （3）建立LightGBM模型和随机森林模型，选择准确率（Accuracy）、AUC和F1作为模型的评价指标，考虑到事故数据不均衡，利用SMOTEENN算法对事故数据做不均衡处理，然后将LightGBM模型和随机森林模型的预测结果与逻辑回归模型的预测结果相对比，结果证明，LightGBM模型和随机森林模型的评价指标均优于逻辑回归模型，而LightGBM模型评价指标优于随机森林模型。 （4）将预测评价指标结果较好的LightGBM模型利用SHAP模型做可视化解释，从整体到个体分析各个因素与事故严重程度之间的内在关系，根据分析结果，提出针对性的交通安全改善措施。 |
| 作者： | 束鹍 |
| 专业： | 交通运输规划与管理 |
| 导师： | 周备 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
