相关实验视频
Updated: Sep 10, 2025
05:37
An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
2.2K
车祸前的伤害风险预测与保证的信心水平:一个合规和可解释的框架
Junhao Wei1, Yusuke Miyazaki1, Fusako Sato2
1Department of Systems and Control Engineering, Institute of Science Tokyo, Tokyo, Japan.
Traffic injury prevention
|August 19, 2025
概括
这项研究引入了事故前伤害风险预测的新框架,以90%的信心提供概率风险分布. 该模型通过提供可解释的损伤严重性因素洞察力来提高安全性.
科学领域:
- 交通安全工程 交通安全工程
- 机器学习应用 机器学习应用
- 风险预测建模风险预测建模
背景情况:
- 传统的事故前伤害风险模型缺乏可解释性和可靠的不确定性估计.
- 这限制了它们在主动安全措施和伤害严重程度减轻方面的有效性.
- 需要可解释的模型来提供可靠的不确定性量化.
研究的目的:
- 开发一个新的框架来预测事故前的伤害风险,仅使用事故前的数据.
- 输出潜在伤害风险分布与相应的概率在90%的置信水平.
- 为了提高可解释性,并为伤害缓解策略提供数据驱动的指导.
主要方法:
- 利用了来自国家汽车采样系统-防撞数据系统和撞车调查采样系统的数据.
- 纳入了28个崩前的风险因素和评估的机器学习模型,包括TabNet.
- 应用了对90%信心预测集的合规预测方法 (天真和类条件),并通过重新采样策略解决了类不平衡.
主要成果:
- 实现了近90%的预测覆盖率和70.3%的重伤召回率.
- 在预测性能方面显著超过现有研究.
- 确定了影响受伤严重程度的关键风险因素,如十字路口的相关性,碰撞类型和速度限制.
结论:
- 拟议的框架显著提高了使用符合性预测技术的事故前伤害风险预测.
- 它提供了更好的预测性能,通过不确定性量化提高了解释性,并识别了关键的风险因素.
- 该框架在分配转移下的有效性和结合不确定性估计与可解释性,为积极的交通安全应用和政策制定提供了基础.
