在模拟老年驾驶员交通违规严重程度时考虑多层次的建筑环境:可解释的机器学习框架
Zhiyuan Sun1, Zhoumeng Ai1, Zehao Wang2
1Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing 100124, China.
Accident; analysis and prevention
|August 14, 2024
概括
这项研究揭示了老年司机严重违规交通行为的关键因素,使用可解释的机器学习框架. 建筑环境的属性显著影响普通和严重的违规行为,每个严重程度都有不同的模式.
科学领域:
- 交通安全研究 交通安全研究
- 机器学习应用程序 机器学习应用程序
- 老年学是指老年学的学科.
背景情况:
- 与其他年龄组相比,老年司机表现出独特的交通违规模式.
- 老年司机严重违反交通规则导致严重的交通事故.
- 了解这些模式对于制定有针对性的安全干预措施至关重要.
研究的目的:
- 探索老年司机之间普通和严重的交通违规行为模式.
- 开发和评估一个可解释的机器学习框架来分析这些违规行为.
- 识别关键影响因素,特别是建筑环境的属性.
主要方法:
- 根据分数扣除,将交通违规严重程度分为轻微,普通和严重等级.
- 使用一个可解释的机器学习框架与四个增强模型.
- 利用适应性合成采样用于不平衡数据,多目标特征选择 (NSGA-II) 和贝叶斯超参数优化.
主要成果:
- 可解释的机器学习框架显著提高了模型性能和区分能力.
- 在前十个影响违规行为的因素中,有六个与多个规模的建筑环境属性有关.
- 确定了普通和严重违规行为的共同和独特的影响因素和相互作用效应.
结论:
- 可解释的机器学习框架有效地分析老年驾驶员违规行为.
- 建筑环境的特点是严重的交通违规的关键决定因素.
- 在普通和严重的违规行为之间存在明显但重叠的模式,需要细微的安全策略.


