データ融合と機械学習による歩行者傷害事例の再構築

科学分野:

• 道路安全
• 生体力学工学
• データサイエンス

背景:

• 米国では、自動車事故による歩行者の傷害が増加しています。
• 既存の警察のデータには、完全な衝突および傷害の詳細が欠けており、研究を妨げています。
• 効果的な歩行者保護戦略の開発には、正確なデータが不可欠です。

研究 の 目的:

• 歩行者事故における欠損衝突データを補完するための機械学習アプローチを開発すること。
• 歩行者衝突分析の強化のためにシミュレーションとフィールドデータを組み合わせること。
• 歩行者傷害リスクモデリングの精度を向上させること。

主な方法:

• 様々な衝突パラメータで9,000のMADYMOシミュレーションを生成しました。
• 傷害リスクを予測するためにガウス過程（GP）サロゲートモデルを訓練しました。
• 外傷データにおける欠損車両速度を補完するために最尤推定を使用しました。

主要な成果:

• 補完された車両速度分布は、歩行者衝突データスタディ（PCDS）データセットと密接に一致しました。
• CIREN事例における再構築された車両速度は、物理ベースの方法からの小さな平均偏差（9 kph）を示しました。
• 予測された傷害リスクは、観察された外傷略尺度（AIS）レベルと一致しました。

結論:

• 機械学習は、特に車両速度に関して、欠損衝突データを効果的に再構築します。
• 提案された方法は、歩行者傷害リスクモデリングと分析を強化します。
• このアプローチは、歩行者保護研究の進歩をサポートします。