通过使用爬行动物搜索算法设计的金字塔扩展注意力卷积网络预测道路交通事故伤害的严重程度来提高交通安全

科学领域:

• 交通安全和事故分析.
• 机器学习用于预测建模.
• 数据科学在运输中的应用.

背景情况:

• 现有的交通事故伤害预测模型面临复杂性,可解释性和可扩展性的挑战.
• 基于图形神经网络 (GNN) 的框架通常需要广泛的数据预处理和高级表示学习.
• 需要有效和可理解的方法来预测交通事故中伤害严重程度.

研究的目的:

• 提出一种高效和可解释的方法来预测道路交通事故伤害严重程度.
• 解决目前基于GNN的框架在交通事故分析中的局限性.
• 开发一种新的方法来将伤害严重程度分为严重或不严重.

主要方法:

• 采用了与爬行动物搜索算法 (PRCIS-PDACN-RSA) 优化的利用金字塔扩展注意力卷积网络的拟议预测道路撞车伤害严重性模型.
• 数据预处理涉及强大的最大流卡尔曼波器 (RMCKF) 用于数据清理和自适应的SV-边界SMOTE (ASV-SMOTE) 用于平衡不平衡的数据集.
• 金字塔扩展注意力卷积网络 (PDACN) 用于预测,参数由爬行动物搜索算法 (RSA) 优化.

主要成果:

• 在PRCIS-PDACN-RSA方法实现97.2%的准确性,0.90%的MCC,和98.11%的回忆.
• 使用准确度,F1得分,回忆,精度,ROC和MCC来评估性能.
• 与GWO-ANN-PRCS,RCI-SP-GNN和MGCN-TARP等现有技术相比,提出的方法显示出更高的性能.

结论:

• 在预测道路事故伤害严重程度方面,PRCIS-PDACN-RSA框架显著优于现有的方法.
• 该模型的高精度,稳定性和高效的数据处理使其适合于现实世界的智能交通安全系统.
• 这种方法为交通事故伤害严重程度预测提供了更易于解释和可扩展的解决方案.