基于可解释机器学习框架的快速路立交出口风险预测及致因解析

摘要：

为实现城市快速路立交出口安全风险防控,提升城市道路整体安全性,对快速路立交出口风险水平进行预测,并探究运行状态、控制设施、道路属性、天气等因素对立交出口安全风险的影响.基于导航数据和实地调查数据,以交通秩序指数作为事故替代指标,采用极限梯度提升(XGBoost)算法构建交通秩序预测模型,并利用可解释机器学习框架SHAP解析安全风险致因.结果 表明:XGboost算法能够精准预测立交出口安全风险,准确率93.69％,精确率93.73％,召回率93.69％;拥堵指数是立交出口安全风险的重要影响因素;缓解拥堵,减少交通分流合流以及降低天气的影响对提升道路安全均有积极效应;不同拥堵状态下的预告标志数或车道数对交通秩序指数具有差异化影响.

关键词：快速路立交出口;交通安全风险;风险预测;致因解析;可解释机器学习

所属期刊栏目：52

分类号：U491(交通工程与公路运输技术管理)

资助基金：国家重点研发计划;北京工业大学交通运输工程学科科研基地开放探索项目

在线出版日期：2022-03-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：152-161