予測から予防へ：テキストマイニングと説明可能な機械学習を用いた都市バス事故分析

科学分野:

• 交通安全
• データサイエンス
• リスク分析

背景:

• 都市バス事故は、人口密度の高い地域において、安全および運用上の重大な課題をもたらしています。
• 事故データには、原因の理解に不可欠な構造化されていない説明情報が含まれていることがよくあります。
• 既存の分析手法では、効果的な安全介入に必要な解釈可能性が欠けている可能性があります。

研究 の 目的:

• 重大なバス事故に寄与する要因を特定、定量化、解釈するための機械学習フレームワークを開発および検証すること。
• 構造化されていないテキストデータを統合することにより、事故強度モデルの予測精度と解釈可能性を高めること。
• 関係者が的を絞った安全対策を実施するための実行可能な洞察を提供すること。

主な方法:

• 説明されていないデータから事故シナリオを抽出するための構造的トピックモデル（STM）の統合。
• 事故強度を予測するためのエクストリーム勾配ブースティング（XGBoost）分類器の利用。
• モデル予測のグローバルおよびローカルな解釈のためのSHapley Additive exPlanations（SHAP）の適用。

主要な成果:

• 機械学習フレームワークは、テキストから得られた事故パターンを組み込むことで、予測精度と解釈可能性を大幅に向上させました。
• 特定された主要なリスク要因には、電動スクーターとの追突事故、乗客の負傷を引き起こす急停止、交通渋滞中の左折操作が含まれます。
• SHAP分析は、全体的および個別の事故レベルの両方で、事故原因に関する明確で実行可能な洞察を提供しました。

結論:

• 開発された分析フレームワークは、構造化データと構造化されていないデータを効果的に統合し、交通における解釈可能なリスクモデリングを実現します。
• 調査結果は、ドライバー、交通事業者、政策立案者が都市バス事故のリスクを軽減するための実践的なガイダンスを提供します。
• モジュラーアプローチは、さまざまな交通および安全ドメインにおけるリスク分析のための転用可能な基盤を提供します。