SHAP-RFECVと電子料金徴収データに基づくリアルタイム高速道路衝突予測：新しい特徴量選択戦略

科学分野:

• 交通安全工学
• 交通における機械学習の応用
• 予測モデリングのためのデータサイエンス

背景:

• リアルタイム衝突予測は、積極的な交通安全管理にとって重要です。
• 既存のモデルは、高次元性、相関性、過学習による特徴量選択に課題を抱えています。
• 特徴量選択は、衝突予測におけるモデルのパフォーマンスと解釈可能性に大きく影響します。

研究 の 目的:

• リアルタイム衝突予測のための新しいSHAP-RFECV特徴量選択アルゴリズムを提案および検証すること。
• 交通安全予測モデルの精度と解釈可能性を向上させること。
• 衝突発生に影響を与える重要な交通特徴量を特定すること。

主な方法:

• Shapley Additive exPlanations（SHAP）値とRecursive Feature Elimination with Cross-Validation（RFECV）の統合。
• 電子料金徴収データにXGBoost、カテゴリカルブースティング、ライト勾配ブースティングなどの機械学習モデルを適用。
• ベンチマークモデルおよび従来の（RFECV、LASSO、Boruta、パーミュテーションインポータンス）特徴量選択法との比較。

主要な成果:

• SHAP-RFECVアルゴリズムは、XGBoostの最適な特徴量を47から21に効果的に削減しました。
• SHAP-RFECVを使用したXGBoostは、高いサンプル外予測パフォーマンス（AUC：0.8350、リコール：73.12％、精度：79.54％）を達成しました。
• SHAP-RFECVは、従来のメソッドと比較して優れた予測精度と解釈可能性を示しました。

結論:

• 提案されたSHAP-RFECVアルゴリズムは、リアルタイム衝突予測における特徴量選択のための堅牢で効果的な方法です。
• 先行5〜10分間の平均速度、トラックフローの割合、および速度標準偏差は、重要な衝突予測因子です。
• SHAPフレームワークは、交通安全分析における特徴量の重要性および相互作用効果に関する貴重な洞察を提供します。