车辆对车辆事故的严重程度在阿联:使用机器学习算法进行探索性分析

科学领域:

• 道路交通安全 道路交通安全
• 运输工程 运输工程
• 数据科学数据科学数据科学

背景情况:

• 道路交通伤害是一个重大的全球健康挑战,东地中海地区面临着特别高的死亡率.
• 现有的关于机严重性的研究往往忽视了促成因素的重要性,缺乏区域分析,特别是在中东.

研究的目的:

• 用机器学习分析阿拉伯联合长国车辆相撞事故的严重程度.
• 确定事故严重性的关键决定因素,并比较不同机器学习模型在预测这些结果方面的表现.

主要方法:

• 利用了阿布扎比 (阿布扎比) 的11400起交通事故 (2014-2017) 的数据集.
• 应用和评估了梯度增强 (GB),支向量机 (SVM) 和随机森林 (RF) 算法来预测碰撞严重程度.
• 采用特征重要性分析来确定事故严重性的关键决定因素.

主要成果:

• 与GB和SVM相比,随机森林模型在预测所有类别的撞击严重程度方面表现出卓越的表现.
• 特性重要性分析显示,车辆的年龄,受伤者的年龄和事故发起人的年龄是影响事故严重性的最重要因素.
• 车辆类别,碰撞类型,照明条件和性别等因素与碰撞严重程度的关联较小.

结论:

• 机器学习模型,特别是随机森林模型,是分析道路交通事故严重性的有效工具,并识别关键因素.
• 这些发现凸显了车辆和个体年龄相关因素对事故严重性的低估影响,为有针对性的安全干预提供了新的见解.
• 为阿布扎比市政和交通部门提供建议,以告知道路安全政策制定和减缓策略.