使用统计和机器学习模型,模拟分心驾驶事故的伤害严重程度
Neero Gumsar Sorum1, Martina Gumsar Sorum1
1Department of Civil Engineering, North Eastern Regional Institute of Science & Technology, Nirjuli, Arunachal Pradesh, India.
PloS one
|June 16, 2025
概括
分心驾驶显著影响道路安全,诸如年龄和车辆类型等因素影响伤害严重程度. 像XGBoost这样的先进机器学习模型可以有效地预测事故结果.
科学领域:
- 道路安全研究 道路安全研究
- 运输工程 运输工程 运输工程
- 事故分析 事故分析
背景情况:
- 分心驾驶 (DD) 是全球道路交通死亡和受伤的主要原因.
- 分心驾驶事故 (DDAs) 的发生率不断增加,是交通当局的重大关注点.
- 了解导致DDA受伤严重程度的因素对于开发有效的安全干预措施至关重要.
研究的目的:
- 分析各种因素对分散注意力的驾驶事故 (DDAs) 中伤害严重性的个人和互动影响.
- 确定对DDA中受伤严重程度贡献的最有影响力的变量.
- 确定表现最好的机器学习 (ML) 模型,用于预测DDA中的受伤严重程度.
主要方法:
- 利用了印度因法尔的DDA数据的十年 (2011-2020年).
- 采用二进制后勤回归 (BLR) 来检查分类变量对伤害严重性的个体和相互作用影响.
- 根据精度,F1分数和曲线下面的面积等指标评估和选择最佳的ML模型.
主要成果:
- BLR分析确定了九个重要的分类变量,包括年龄组,车辆类型 (两轮车,重型机动车),日间时间和碰撞类型 (撞击物体).
- 相互作用模型显示了变量之间的显著组合,发现了11个双向,1个三向和1个四向相互作用.
- XGBoost和单层感知器模型在不同的超参数集中预测DDA损伤严重程度方面表现出卓越的表现.
结论:
- 特定的驾驶员人口统计学,车辆类型,一天中的时间和碰撞情况是分心驾驶事故中受伤严重程度的关键决定因素.
- 机器学习模型,特别是XGBoost,为预测DDA中受伤严重程度提供了强大的能力.
- 调查结果可以为运输政策制定者在实施有针对性的道路安全措施方面提供信息,特别是在像山丘地区这样具有挑战性的地形上.
