原文传递
基于深度学习的摩托车事故严重程度预测研究
| 论文题名： | 基于深度学习的摩托车事故严重程度预测研究 |
| 关键词： | 摩托车事故;严重程度预测;生成对抗网络;深度森林模型 |
| 摘要： | 道路交通事故是全世界主要的死亡原因之一，与其他机动道路使用者相比，摩托车驾驶员由于缺乏保护更容易受到伤害，并且随之伴随的事故严重程度通常更高。因此，国内外学者对摩托车事故展开了大量的研究。在现有的研究中，一方面，研究方法大多以统计方法为主，但统计方法存在一定的局限性，与统计方法相比，深度森林模型具有效率更高、适应性更强和预测准确度更高的优势；另一方面，学者们大多接受原始数据各事故严重程度样本量的比例，没有考虑到事故数据类别不均衡的问题（致命、严重事故较少，轻微事故多），对不均衡数据进行均衡化处理，可以提高模型的泛化性能。基于此，本文以摩托车事故为研究对象，通过生成对抗网络对道路安全数据集进行均衡化处理，应用深度森林模型对摩托车事故严重程度进行预测研究。旨在识别摩托车事故严重程度最重要的影响因素，对各影响因素的内在作用机理做出解释分析，使道路安全机构和政策制定者更好的理解摩托车事故发生的原因，以便实施针对性的措施，降低摩托车事故发生的可能性及其严重程度。本文的主要研究内容如下： （1）对道路安全数据进行预处理，筛选出摩托车事故数据作为研究对象，根据数据的预处理以及摩托车交通安全风险研究现状，选择了11个事故影响因素作为自变量，事故严重程度作为因变量，对预处理后的摩托车事故数据进行描述性统计分析。 （2）基于生成对抗网络技术，通过已有的少数类样本生成与其同分布的样本，将生成的数据加入原始数据集，得到一个新的均衡数据集，以均衡数据集和原始数据集作为预测模型的输入。 （3）通过均衡数据集和原始数据集分别构建逻辑回归模型、随机森林模型、XGBoost模型、多层感知机模型和深度森林模型，选择准确率、AUC和F1作为预测模型的评价指标，基于选择的3个评价指标比较分析各个模型的预测性能。结果表明，深度森林模型表现最优，使用均衡数据集后，各模型的评价指标都有一定程度的提升。 （4）基于SHAP模型解释方法，从全局到个体对模型进行可视化解释分析，识别影响摩托车事故严重程度的关键因素以及各影响因素的内在作用机理。 |
| 作者： | 刘文文 |
| 专业： | 交通运输工程 |
| 导师： | 孙璐;马庆禄 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
