提高韩国建筑工人的安全:一个集成的文本挖掘和机器学习框架,用于预测事故类型
Joon Woo Yoo1, Junsung Park1, Heejun Park1
1Department of Industrial Engineering, Yonsei University, Seoul, South Korea.
International journal of injury control and safety promotion
|January 2, 2024
概括
这项研究开发了一种机器学习模型,使用任务和工具数据预测九种建筑事故类型. XGBoost展示了最高的准确性,改善了建筑安全预测.
科学领域:
- 职业安全与健康问题 职业安全与健康问题
- 机器学习应用 机器学习应用
- 数据科学在建筑中的应用.
背景情况:
- 建筑行业的工人面临着致命职业事故的重大风险.
- 现有的安全措施需要通过预测分析来加强.
- 准确预测事故类型对于有针对性的安全干预至关重要.
研究的目的:
- 开发和评估一款用于预测九种常见建筑事故类型的机器学习模型.
- 用建筑任务,活动和工具/材料来确定影响事故发生的关键特征.
- 为了比较各种多类分类算法的性能,用于事故预测.
主要方法:
- 利用了152,867份建筑事故报告的大数据集.
- 应用文本挖掘用于从非结构化数据 (工具/材料) 中提取关键字.
- 雇佣Boruta特征选择和SMOTE重新采样以提高模型性能.
- 使用MAUC,MMCC和G-平均指标比较决策树,随机森林,天真贝叶斯和XGBoost算法.
主要成果:
- XGBoost获得了最高的预测性能,MAUC:0.8603,MMCC:0.3523和G-平均值:0.5009.
- 使用SHAP的特征重要性分析确定了导致事故类型的关键因素.
- 开发的模型有效地从现实数据中预测各种建筑事故类型.
结论:
- 机器学习,特别是XGBoost,为预测建筑事故类型提供了一种强大的方法.
- 该研究提供了一个数据驱动的工具,以加强建筑安全协议.
- 基于详细的任务和材料数据的预测建模可以显著降低职业风险.
