一种混合机器学习和统计建模方法,用于分析移动滑板车用户的撞击严重程度,考虑到时间不稳定性
Matin Sadeghi1, Kayvan Aghabayk1, Mohammed Quddus2
1School of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran.
Accident; analysis and prevention
|July 4, 2024
概括
摩托车撞车严重程度受到年龄,撞车类型和季节等因素的影响,特定的交叉点类型具有随机效应. 通过考虑这些见解,可以改进安全措施.
科学领域:
- 道路交通安全 道路交通安全
- 运输工程 运输工程
- 关于残疾人的研究.
背景情况:
- 改善残疾人的流动性,特别是老年人的流动性,提高了独立性和幸福感.
- 移动滑板车有助于日常移动,但其交通安全性,特别是碰撞严重性,研究不足.
- 现有的文献缺乏对导致移动滑板车事故严重程度的因素的全面分析.
研究的目的:
- 调查和确定影响移动滑板车事故严重性的关键因素.
- 解决有关移动性滑板车使用安全性的知识差距.
- 提供数据驱动的洞察力,以加强移动滑板车骑手的道路安全措施.
主要方法:
- 使用一种混合方法,结合机器学习 (eXtreme渐变增强 - XGBoost) 和先进的统计建模 (随机参数二进制逻辑).
- 纳入的沙普利增量解释 (SHAP) 为了模型的解释性.
- 分析了2018-2022年英国移动滑板车事故数据,包括使用概率比测试进行时间不稳定性分析.
主要成果:
- 崩数据分析显示,在COVID前,COVID期间和COVID后期间的时间不稳定.
- 在给路或不受控制的十字路口上发生的移动滑板车撞车事故对严重程度产生了随机影响.
- 增加严重伤害风险的因素包括80岁以上的骑手,后端/侧向撞击和冬季条件;在人行道上骑行降低了严重伤害风险.
结论:
- 该研究强调了撞车严重程度的显著时间变化,可能与COVID-19大流行有关.
- 特定的交叉点类型和环境/人口因素显然会影响移动滑板车事故的严重程度.
- 调查结果为制定有针对性的安全干预措施提供了关键证据,以减少移动滑板车用户的严重伤害.
