高速道路の洪水被害による閉鎖原因のSHAP解釈を伴う機械学習モデルの比較分析

科学分野:

• 輸送工学
• 環境科学
• データサイエンス

背景:

• 高速道路の洪水被害による閉鎖は、輸送の回復力にとって極めて重大な脅威です。
• 既存のリスク評価は、時間的モデリングの限界、データの不均衡、および解釈性の低さに悩まされています。

研究 の 目的:

• 正確な高速道路の洪水被害による閉鎖予測のための統合フレームワークを開発すること。
• リスク評価における時間的進化、データ不均衡、およびモデル解釈可能性の課題に対処すること。

主な方法:

• 3つのデータバランス戦略を比較しました：時系列生成敵対的ネットワーク（TimeGAN）拡張、アンダーサンプリング、およびハイブリッドアプローチ。
• 6つの機械学習モデルを評価し、要因貢献度の分析にSHapley Additive exPlanations（SHAP）を利用しました。
• 時間的生成、体系的なモデル評価、および解釈可能なメカニズム分析を統合しました。

主要な成果:

• TimeGAN拡張データでトレーニングされた多層パーセプトロンモデルは、最高のパフォーマンス（F1スコア：49.81％、PR-AUC：49.46％）を達成しました。
• 主要なリスクドライバーを特定しました：日降水量（> 2.8mm）、7日間有効降水量（EP 7 > 22mm）、気温（> 21°C）、および平均道路・河川距離（ARSD > 0.15km）。
• 高温と大雨および高いEP 7の組み合わせが、閉鎖リスクを大幅に増幅させることが明らかになりました。

結論:

• 提案されたフレームワークは、高速道路の洪水被害による閉鎖予測の精度と信頼性を向上させます。
• ターゲットを絞った洪水被害防止と高速道路システムの回復力強化のための定量的洞察を提供します。
• 複雑な環境と輸送の相互作用を理解する上で、解釈可能なAIの重要性を強調します。