使用MobileNet转移学习模型和SHAP XAI技术改进交通事故严重性预测
1College of Computer Science and Engineering, University of Jeddah, Jeddah, Saudi Arabia.
PloS one
|April 9, 2024
概括
这项研究通过使用深度学习模型来预测交通事故严重程度来提高道路安全. 移动网络实现了98.17%的准确性,提供了对导致事故的因素的洞察力.
科学领域:
- 道路交通安全问题 道路安全问题
- 交通事故分析分析
- 预测建模的预测建模.
背景情况:
- 交通事故是造成死亡和受伤的主要原因之一.
- 预测建模为事故因素提供了洞察力.
- 复杂模型中缺乏透明度会阻碍信任.
研究的目的:
- 使用转移学习开发事故严重程度的预测模型.
- 通过使用Shapley值来确定影响事故预测的关键因素.
- 增强对机器学习在道路安全方面的信任和理解.
主要方法:
- 采用转移学习技术,包括多层感知器 (MLP),卷积神经网络 (CNN),长期短期记忆 (LSTM),残余网络 (ResNet),EfficientNetB4,InceptionV3,极端初始化 (Xception) 和移动网络.
- 利用Shapley值来解释模型预测并识别有影响力的特征.
- 专注于预测交通事故中受伤的严重程度.
主要成果:
- 移动网络模型实现了最高的预测准确率,为98.17%.
- 沙普利值提供了对各种特征对事故预测影响的见解.
- 证明了深度学习在分析交通事故数据中的有效性.
结论:
- 深度学习模型,特别是MobileNet,对于预测交通事故严重程度非常有效.
- 像Shapley值这样的可解释AI方法对于理解和信任预测模型至关重要.
- 调查结果可以为制定有针对性的干预措施以提高道路安全提供信息.
