一种混合机器学习方法用于预测交通事故碰撞严重程度

科学领域:

• 交通安全研究 交通安全研究
• 机器学习应用程序 机器学习应用程序
• 自动驾驶系统 自动驾驶系统

背景情况:

• 预测交通事故严重程度对于自动驾驶安全至关重要,但因特征合和类不平衡而受到阻碍.
• 现有的方法难以可靠地应对这些挑战,限制了它们的实际应用.

研究的目的:

• 开发一种有效的深度学习模型,用于准确预测交通事故严重程度.
• 在事故数据分析中解决特征合和类失衡问题.
• 提高自动驾驶安全系统的可靠性.

主要方法:

• 提出了一个动态和静态交叉集成神经网络 (DSCE-INN).
• 在重度重新分类中使用了加权伤害系数和K-means集群.
• 使用特征脱,动态静态加权交叉损失,软硬投票,L1规范化和焦点损失.

主要成果:

• 该DSCE-INN模型实现了0.782,0.729和0.801.80的预测准确度.
• 拟议的模型显著超过了基线人工神经网络 (ANN).
• 这些方法有效地缓解了特征合和类不平衡问题.

结论:

• DSCE-INN模型在提高自动驾驶安全方面表现出显著的有效性和实际价值.
• 该研究成功地解决了交通事故严重程度预测的关键挑战.
• 这些发现为自动驾驶汽车更可靠的安全系统铺平了道路.