相关实验视频

Updated: Jul 6, 2026

Tactile Vibrating Toolkit and Driving Simulation Platform for Driving-Related Research

Tactile Vibrating Toolkit and Driving Simulation Platform for Driving-Related Research

Published on: December 18, 2020

深度学习和传统模型的比较评估,用于预测沙特阿拉伯的交通事故严重程度

Fayez Alanazi¹, Ibrahim Khalil Umar², Ahmed M Yosri¹

¹Department of Civil Engineering, College of Engineering, Jouf University, 72388, Sakaka, Saudi Arabia.

Scientific reports

|September 17, 2025

概括

预测道路交通事故严重程度对于安全至关重要. 人工神经网络 (ANN) 显著超过了其他模型,确定了受伤和受伤人数作为事故严重性的关键因素.

科学领域:

交通安全和事故分析.
机器学习在运输中的应用.
公共卫生和伤害预防.

背景情况:

道路交通事故是全球死亡和受伤的主要原因之一.
准确预测事故严重程度对于实施有效的安全措施和预防策略至关重要.
沙特阿拉伯东部省份经历了大量的道路交通事故.

研究的目的:

用各种机器学习模型预测道路交通事故的严重程度.
为了比较人工神经网络 (ANN),增强回归树 (BRT),支持向量机 (SVM),天真贝叶斯 (NVB) 和后勤回归 (LGR) 的性能.
确定影响道路交通事故严重程度的关键因素.

主要方法:

利用了沙特阿拉伯东部省14个城市 (2018-2022) 的事故数据.
将事故分为致命和伤害类别.
采用ANN,BRT,SVM,NVB和LGR模型,以及相关性排名算法 (MRMR,Kruskal Wallis,Chi-square) 进行特征选择.

主要成果:

该ANN模型表现出高精度 (99.91%),灵敏度 (99.94%),特异性 (99.8%),G-平均值 (99.87%) 和AUC (99.92%) 的优异性能.
在验证过程中,ANN在物流回归性能提高了高达13.60%.
参与事故的人数和受伤人数被确定为导致事故严重程度的最重要因素.

结论:

人工神经网络 (ANN) 是预测道路交通事故严重性的高效模型.
事故中涉及和受伤的人数是事故严重程度的关键决定因素.
调查结果可以为有针对性的干预措施提供信息,以提高道路安全,减少死亡和受伤.

关键词:

事故的严重程度事故的严重程度.绝望性是一种命运性.机器学习方法机器学习方法沙特阿拉伯沙特阿拉伯沙特阿拉伯

相关概念视频

Typical Model Studies

Typical Model Studies

Fluid mechanics model studies often utilize scaled-down systems to predict fluid behavior in full-scale environments, such as river flows, dam spillways, and structures interacting with open surfaces. Maintaining Froude number similarity in river models is crucial, as it replicates surface flow features like wave patterns and velocities.