10.16097/j.cnki.1009-6744.2022.01.021
基于梯度关联规则的老年行人交通事故风险识别
为构建老年行人交通事故严重程度风险关联因素识别方法体系,本文应用极限梯度提升关联规则挖掘算法(Extreme Gradient Boost-Apriori,XGB-Apriori)识别城市道路老年行人交通事故风险因子.运用机器学习优化关联规则算法结构,通过机器学习库scikit-learn中XGBoost(Extreme Gradient Boost)算法与SFM(Select From Model)特征选择类功能实现变量特征值的选择.进而,对Apriori算法设置有序定向约束,得到适用于交通事故致因分析的数据挖掘技术.通过逐层迭代识别关联项,选取频繁项集,总结高置信度、高提升度的关联规则.关联因素模型评估结果表明,本文采用的SFM功能准确度可达78.31%,关联规则XGB-Apriori算法较传统算法精度提升了91%.挖掘结果显示,驾驶员与行人的自身特征、车辆特征、碰撞状态以及道路特征均对老年行人交通事故的严重程度具有重要影响.其中,男性驾驶员造成的行人死亡事故频次较高,女性驾驶员造成的受伤事故频次较高;大型、重型车辆(SUV、卡车、施工车)发生死亡事故频次相对小轿车更高;位于匝道等道路线型弯曲的坡道中,老年行人发生致死交通事故的频次相对线型缓和路段更高.本文对老年行人交通事故耦合因素全面识别并针对性提出风险防控精准预判方法,为有效保护道路弱势群体提供必要的理论支持.
交通工程;事故风险识别;Apriori算法;老年行人;XGBoost算法;行人交通事故;机器学习
22
U491.31(交通工程与公路运输技术管理)
中国博士后科学基金2021M700333
2022-03-07(万方平台首次上网日期,不代表论文的发表时间)
共14页
195-208