通过使用可解释的机器学习技术,识别影响车乘客碰撞伤害严重性的因素

科学领域:

• 道路交通安全 道路交通安全
• 交通事故分析 交通事故分析
• 伤害预防 预防伤害

背景情况:

• 摩托两轮车 (TW) 乘客占印度致命道路交通事故的很大一部分.
• 有限的研究存在于伤害严重性的因素,具体影响pillion骑手.

研究的目的:

• 开发一个准确的预测模型,以识别导致摩托车乘客严重受伤的因素.
• 为了增强对道路交通事故中乘客脆弱性的理解.

主要方法:

• 利用了机器学习 (ML) 模型,包括随机森林 (RF),梯度提升,支持矢量机,以及统计秩序试验模型.
• 采用数据平衡技术来解决损伤严重程度数据的不平衡.
• 嵌入了可变重要性图表和个人有条件期望图表用于分析.

主要成果:

• 随机森林模型在上样本数据上进行训练,表现出卓越的性能.
• 发现道路中央分隔器可以减少车骑手的致命伤害.
• 严重伤害的风险增加与夜间撞车,与重型机动车辆 (HMV) 的碰撞以及撞逃事故有关.
• 年龄较大的骑士表现出更高的致命伤害的脆弱性.
• 涉及静止物体撞击和滑动的撞车事故对车骑手来说更致命.

结论:

• 机器学习模型,特别是随机森林,在预测乘客伤害严重程度方面非常有效.
• 道路基础设施 (中央分隔器) 和碰撞特征 (一天中的时间,碰撞类型,碰撞逃跑) 是驾驶员安全的关键决定因素.
• 人口统计学因素,如年龄,显著影响pillion骑手受伤的结果.