融合XGBoost与SHAP的机动车交通事故致因机理分析

摘要：

为了研究影响机动车交通事故结果严重性的显著因素,掌握其发生特征与规律,将中国事故深度调查(CIDAS)数据库中2966条机动车事故进行建模,以包含人-车-路-环境的19个因素作为输入,将事故结果作为输出.在研究中引入包含准确率、查准率、召回率、F-1分数等指标的评估体系,将XGBoost模型与LightGBM、随机森林与CatBoost四种模型进行并列对比,证明了其分类性能的优异.此外利用SHAP对于模型进行了可视化分析,探究各种因素对于事故严重程度的影响.结果表明,对于轻伤/重伤/死亡而言,最关键的影响因素分别为碰撞类型、人员类别、碰撞类型.为了避免死亡事故的发生,需重点关注注预防客/货车单方碰撞事故、事故特征为起步/停止、高道路限速下跑偏/碰撞对象车辆/撞障碍物的场景,并且应对于车辆行驶在30～60 km/h限速道路的驾驶员的懈怠心理重点关注.

关键词：机动车交通事故、交通安全、事故特征、机器学习、预测模型、模型解释

所属期刊栏目：48

分类号：X951;U491.31

在线出版日期：2023-03-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：179-185