通过可解释的不平衡机器学习,通过使用高分辨率智能手机远程数据和交通数据分析强烈制动和强烈加速的发生情况

科学领域:

• 道路安全研究 道路安全研究
• 交通工程是交通工程.
• 机器学习在运输中的应用.

背景情况:

• 剧烈的驾驶事件,如剧烈的制动和剧烈的加速,是道路安全研究中关键的替代安全措施.
• 现有的研究主要使用这些事件作为预测碰撞的输入,不太关注影响它们发生的因素.
• 在了解恶劣驾驶事件背后的具体情况和促成因素方面存在研究差距.

研究的目的:

• 调查影响激烈制动 (HB) 和激烈加速 (HA) 事件发生的因素.
• 分析驾驶行为,交通状况,道路几何形状和网络特征在恶劣事件中的关系.
• 开发一个预测模型,实时监测恶劣的驾驶事件.

主要方法:

• 利用来自智能手机的自然驾驶远程数据,交通数据以及道路几何/网络特征.
• 匹配多源数据以捕捉希腊雅典314名司机HB和HA发生的特定情况.
• 应用合成少数群体过量采样技术 (SMOTE) 用于类不平衡,并使用不平衡的机器学习 (ML) XGBoost算法与夏普利添加式扩展 (SHAP) 进行预测和解释.

主要成果:

• XGBoost模型实现了超过75%的HBs和超过84%的HA的预测准确度,证明了其适合实时监测.
• 个别速度和交通流量参数对恶劣事件发生的非线性影响最强.
• 分段长度和通过数等暴露参数是显著的,而网络特征和某些行为的影响有限.

结论:

• 个体速度和交通流量是恶劣驾驶事件的主要驱动因素,需要有针对性的干预.
• 机器学习模型,特别是XGBoost与SHAP,提供有效和可解释的实时预测恶劣事件.
• 调查结果为制定积极的道路安全战略和改进交通管理系统提供了宝贵的见解.