分析单人自行车撞车事故中的伤害严重程度:有序森林的应用与一些实际指导
Yingheng Zhang1, Haojie Li1, Gang Ren1
1School of Transportation, Southeast University, China; Jiangsu Key Laboratory of Urban ITS, China; Jiangsu Province Collaborative Innovation Center of Modern Urban Traffic Technologies, China.
Accident; analysis and prevention
|May 31, 2023
概括
年长的骑自行车者在单自行车撞车 (SBC) 中面临更高的风险. 这项研究使用先进的机器学习来预测受伤严重程度,识别骑自行车安全改善的关键风险因素.
科学领域:
- 道路安全研究 道路安全研究
- 运输工程 运输工程 运输工程
- 机器学习在伤害分析中的应用.
背景情况:
- 单自行车撞车 (SBC) 对骑自行车者的安全构成重大风险.
- 了解影响SBC损伤严重程度的因素对于制定有效的预防策略至关重要.
- 现有的模型可能无法完全捕捉骑自行车事故中预测伤害结果的复杂性.
研究的目的:
- 调查英国单自行车撞车事故 (SBC) 的骑自行车者受伤严重程度.
- 为了比较有序森林 (ORF) 模型的预测准确性与SBC损伤严重性的传统随机森林算法.
- 在SBC中确定导致骑自行车者受伤严重程度的关键因素.
主要方法:
- 利用STATS19道路交通伤亡数据库 (2016-2019) 对英国骑自行车事故.
- 采用基于机器学习的有序选择模型,有序森林 (ORF).
- 进行模拟实验,以提供ORF实施的实际指导,用于事故伤害分析.
主要成果:
- 与随机森林算法相比,有序森林 (ORF) 模型在预测SBC损伤严重性的准确性更高.
- 确定了与损伤严重程度增加相关的重要因素:老年骑自行车者年龄,农村地区,更高的速度限制,跑路撞车和与物体相撞.
- 发现十字路口和高峰时段的SBC与不太严重的伤害有关.
结论:
- 这项研究强调了有序森林 (ORF) 模型在分析骑自行车人员伤害严重性的有效性.
- 调查结果强调了有针对性的安全干预措施的必要性,特别是在老年骑自行车者和高风险环境中.
- 结果为决策者提供了有价值的见解,旨在提高骑自行车者的安全并促进活跃的运输.
