考虑到数据不平衡的碰撞伤害严重程度预测:一个瓦斯斯坦生成对抗网络,采用梯度惩罚方法
Ye Li1, Zhanhao Yang2, Lu Xing3
1School of Traffic and Transportation Engineering, Central South University, Changsha, Hunan 410075, China; Hunan Key Laboratory of Smart Roadway and Cooperative Vehicle-Infrastructure Systems, Changsha University of Science & Technology, Changsha, 410114 Hunan, China.
Accident; analysis and prevention
|September 2, 2023
概括
由于数据不平衡,很难预测交通事故伤害严重程度. 本研究使用Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP) 来生成合成数据,提高严重撞击伤害的预测准确度.
科学领域:
- 交通安全 交通安全
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 预测交通事故伤害严重程度至关重要,但受到不平衡数据集的挑战,严重伤害很少发生.
- 不平衡的数据导致不有效的分类器,妨碍准确预测机结果.
- 数据增强技术可以生成少数阶级样本,以解决阶级间的不平衡.
研究的目的:
- 为了应对不平衡的碰撞伤害严重程度数据的挑战.
- 应用一种新的深度学习方法,Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP),用于数据增强.
- 提高撞击伤害严重程度模型的预测性能.
主要方法:
- 利用Wasserstein生成对抗网络与梯度惩罚 (WGAN-GP) 来生成合成数据,以重新平衡碰撞伤害严重程度的数据集.
- 系统地将WGAN-GP与常见的采样技术进行比较:随机不足采样,随机过量采样,合成少数群体过量采样技术和自适应合成采样.
- 使用后勤回归,多层感知子,随机森林,AdaBoost和XGBoost用于伤害严重程度分类,使用AUC,特异性和灵敏度进行评估.
- 应用了SHAP (夏普利添加式扩展) 来实现模型的可解释性.
主要成果:
- 数据增强技术在不平衡的数据集中显著改善了少数阶级的预测性能.
- 结合XGBoost和WGAN-GP实现了最好的预测性能,AUC为0.794和灵敏度为0.698.
- SHAP分析提供了更深入的洞察力,了解变量对碰撞伤害严重性的影响.
结论:
- WGAN-GP是一种有效的生成合成数据的方法,用于重新平衡不平衡的碰撞伤害严重程度数据集.
- 机器学习模型,特别是XGBoost与WGAN-GP相结合,在准确预测碰撞伤害严重程度方面表现有前途.
- 像SHAP这样的可解释AI技术提高了交通安全研究中预测模型的理解和可靠性.
