影响摩托车事故伤害严重性的因素:使用Catboost和SHAP技术对不同年龄组进行分析

科学领域:

• 交通安全 交通安全
• 机器学习应用 机器学习应用
• 伤害流行病学 伤害流行病学

背景情况:

• 摩托车事故导致严重的身体,财务和心理后果.
• 在全球范围内,道路安全仍然是一个关键问题,影响所有年龄人口.
• 了解碰撞伤害严重性因素对于有效的预防策略至关重要.

研究的目的:

• 调查不同年龄组对摩托车撞车伤害严重性的危险因素.
• 开发和验证用于预测交通伤害严重程度的机器学习模型.
• 用SHAP分析解释各种因素对事故结果的影响.

主要方法:

• 利用机器学习 (ML) 模型,包括Catboost,XGBoost,随机森林和多项逻辑.
• 采用沙普利增量解释 (SHAP) 技术来解释模型的可解释性.
• 从巴基斯坦的RESCUE 1122服务 (2017-2020) 中使用合成少数群体过量采样技术 (SMOTE) 预处理的数据.

主要成果:

• 年龄,性别, posted 速度限制,道路车道和一年中的月份与严重和致命的摩托车伤害有明显的相关性.
• 与经典的统计方法相比,机器学习模型显示出更高的预测性能.
• Catboost模型在预测受伤严重程度方面表现出最高的准确性.

结论:

• 确定了与摩托车事故严重程度相关的关键人口和环境因素.
• 通过SHAP增强的机器学习为交通伤害预测和解释提供了强大的工具.
• 调查结果为决策者和利益相关者提供指导,以实施有针对性的道路安全干预措施.