基于机器学习的孟加拉国事故严重性影响因素综合分析

《IATSS Research》:A comprehensive analysis of accident severity determinants in Bangladesh using machine learning

【字体: 大 中 小 】 时间:2026年08月28日 来源:IATSS Research 3.4

编辑推荐:

  道路交通事故是孟加拉国等发展中国家人员死亡的主要原因,该国的事故致死率显著超过周边邻国。通过利用BUET事故研究所(ARI)记录的警方上报事故数据,本研究运用机器学习(ML)技术对孟加拉国事故严重性(AS)的影响因素进行了全面分析。然而,该数据集已基于预定义的

  
道路交通事故是孟加拉国等发展中国家人员死亡的主要原因,该国的事故致死率显著超过周边邻国。通过利用BUET事故研究所(ARI)记录的警方上报事故数据,本研究运用机器学习(ML)技术对孟加拉国事故严重性(AS)的影响因素进行了全面分析。然而,该数据集已基于预定义的背景标准进行划分,如区域(城市/农村)、车辆参与情况(单车/双车)和道路等级(高速公路、其他道路)。以往针对AS分析的研究主要采用传统统计模型,这些模型受数据分布和线性关系假设的限制。这些研究很少采用可解释人工智能(XAI)方法或分层分析来识别各子群内部的重要影响因素。为弥补上述不足,本研究采用了可解释人工智能方法:排列重要性和SHapley加性解释(SHAP)方法,并在各子群中应用了基于树的随机森林(RF)、极端梯度提升(XGBoost)、基于分类的K近邻(KNN)以及混合Stack模型等机器学习方法。Wilcoxon符号秩检验表明,Stack模型在所有模型中能最有效地捕捉数据的复杂结构。研究结果表明,车辆类型、碰撞类型、地区、隔离带、路面质量、位置类型、时间和驾驶员年龄是预测AS的关键变量。研究结果基于2006年至2015年警方上报的事故数据,因此应在该时期道路基础设施的背景下进行解读,而未来研究应使用更新的数据集验证结果。基于部分依赖图(PDP)和描述性分析,本研究得出结论:孟加拉国道路上常见的碰撞情景包括撞伤行人、正面碰撞、重型与轻型车辆碰撞,以及涉及31至45岁驾驶员的 incidents。基于上述分析,本研究为孟加拉国主要相关机构提供了有价值的见解,包括孟加拉国道路运输管理局(BRTA)、道路与公路局(RHD)、孟加拉国警察(BP)和地方工程局(LGED)。
基于机器学习的孟加拉国事故严重性影响因素综合分析——论文解读

**一、研究背景与问题提出**

道路交通事故是全球重大的公共卫生问题,2021年估计造成119万人死亡,其中92%发生在低收入和中等收入国家。孟加拉国作为低收入国家,其道路交通死亡率远高于区域平均水平。1990年至2017年间,该国人均死亡率较南亚平均水平增长了两倍。快速机动化和城市化使局势进一步恶化,日均报告约20例死亡。警方数据显示,孟加拉国每年约有3500人死亡、超过2500人重伤。世界卫生组织(2012年)估计,道路交通事故每年给孟加拉国造成近2%的GDP损失。

既有文献表明,诸多因素共同影响事故严重性(AS),包括环境条件、道路特征、碰撞环境、车辆特性和驾驶员行为。然而,孟加拉国以往的研究存在以下不足:第一,多数研究依赖传统统计模型(如二元Logit、有序Probit、有序Logit、MNL、MXL等),这些模型受线性假设、特定数据分布假设制约,且对异常值、相关预测变量和大型数据集敏感,易产生有偏估计;第二,现有研究多侧重于模型间的预测性能比较,而非系统识别AS的关键决定因素;第三,极少有研究将可解释人工智能(XAI)方法应用于孟加拉国的AS分析,采用分层分析框架探讨碰撞机制异质性的研究更为有限。城市/农村环境、事故涉及车辆数及道路等级之间的碰撞生成过程差异尚未得到充分探索。基于上述研究空白,本研究提出两个核心研究问题:RQ1——各分层中影响因素与AS之间存在何种关联?RQ2——何种机器学习模型在对比中表现出更优性能?研究目标包括:强调基于类别的分层分析在全面分析中的重要性;理解AS与影响因素之间的关系;通过比较不同ML模型识别最有效的模型。

**二、研究内容与核心结论**

本研究使用孟加拉国工程技术大学(BUET)事故研究所(ARI)提供的约25000条2006至2015年间警方上报的原始事故数据,涵盖道路、环境、天气、照明、事故、车辆及驾驶员相关变量。目标变量AS被构建为四分类问题:死亡事故(至少一人死亡)、重伤事故(需要住院治疗的严重伤害)、轻伤事故(轻微伤害)和机动车碰撞(仅财产损失)。数据预处理阶段,研究者剔除了不相关变量(如登记地区、路线编号)以及不适合孟加拉国背景的变量(如安全带使用、驾驶员性别);采用随机森林(RF)插补法处理缺失数据,插补准确率达91.2%;驾驶员年龄被离散化为四个类别:青年(0?30岁)、成年(31–45岁)、中老年(46–60岁)和老年(>60岁)。数据集依据区域(城市/农村)、车辆数(单车/双车)和道路等级(高速公路/其他道路)三个标准分为六个子群。针对类别不平衡问题,RF模型采用类加权学习,其余模型采用合成少数类过采样技术(SMOTE)。研究采用RF、K近邻(KNN)、极端梯度提升(XGBoost)以及由三者作为基模型、逻辑回归作为元模型的Stack集成模型进行分析,使用五折交叉验证和Wilcoxon符号秩检验评估模型性能。可解释性分析采用排列重要性和SHapley加性解释(SHAP)方法,其中RF和XGBoost使用Tree SHAP,KNN和Stack模型使用Kernel SHAP。

研究得出以下核心结论:(1)Stack模型在大多数子群中持续取得最佳或统计上相当的性能,综合考虑准确性、F1分数、平衡准确率、宏F1和马修斯相关系数(MCC),最终被选为解释模型;(2)排列重要性和SHAP分析一致识别出车辆类型、碰撞类型、地区、隔离带、路面质量、位置类型、时间和驾驶员年龄为预测AS的关键变量;(3)部分依赖图(PDP)分析揭示了关键变量对死亡事故概率的非线性影响;(4)基于描述性统计和PDP分析,孟加拉国常见碰撞情景包括撞伤行人、正面碰撞、重轻型车辆碰撞以及涉及31至45岁驾驶员的碰撞事故。

**三、主要关键技术方法**

本研究采用以下核心方法:(1)分层分析框架——按区域(城市/农村)、车辆数(单车/双车)和道路等级(高速公路/其他道路)将数据集划分为六个子群,以探究不同情境下AS影响因素的异质性;(2)四种监督学习模型——RF、KNN、XGBoost及以逻辑回归为元学习器的Stack集成模型;(3)两种XAI方法——排列重要性(通过打乱特征值衡量预测误差增幅)和SHAP(基于博弈论计算每个特征对预测的边际贡献),用于黑箱模型的全局与局部解释;(4)Wilcoxon符号秩检验用于确定各子群中的最优模型;(5)部分依赖图(PDP)用于可视化关键变量对致死概率的边际效应。样本数据来自BUET的ARI,涵盖2006至2015年约25000条警方上报的事故记录。

**四、研究结果**

**4.1 模型性能比较**

Wilcoxon符号秩检验结果(基于五折交叉验证的评估指标)表明,Stack模型在多数子群中取得最优或统计上相当的性能。以准确性指标为例,Stack模型在城市区域(均值0.73652)、农村区域(0.80208)、单车事故(0.82762)、双车事故(0.69111)、高速公路(0.79539)和其他道路(0.73197)子群中均为表现最优的模型。就平衡准确率而言,城市区域、高速公路和其他道路子群中RF表现最优,而Stack模型在农村区域、单车和双车事故子群中领先。F1分数方面,XGBoost在城市区域、双车事故、高速公路和其他道路子群中表现突出。综合各指标,Stack模型凭借整体一致性和稳定性被选为最终解释模型。

**4.2 基于排列重要性的因素识别**

排列重要性分析结果因子群而异。城市区域中,最重要的因素是持有有效适检证书的车辆数,其次为碰撞类型、地区和车辆类型。农村区域的主要因素为车辆类型、路面质量和时间。单车事故子群中,碰撞类型和道路等级最为重要。双车事故子群中,车辆类型、隔离带和地区占主导地位。高速公路子群中,地区和隔离带是关键因素。其他道路子群中,持有效适检证书的车辆数和地区最为显著。

**4.3 基于SHAP值的因素识别**

SHAP摘要图显示,在所有子群中,碰撞类型和车辆类型排名最高,且SHAP值分布广泛,表明其影响因碰撞而异而非均匀作用。城市区域中,车辆类型是权重最高的因素,碰撞类型、持有效适检证书的车辆数和驾驶员年龄同样重要。SHAP分析还揭示了特征间的交互效应:较高值特征(红色)通常将预测推向更高严重性,而月份和交通控制等低排名特征趋近于零。各子群的具体重要因素见表5,其中碰撞类型在城市、农村、单车、高速公路和其他道路子群中均为主要因素,车辆类型则在城市、单车、双车和其他道路子群中被识别为关键变量。

**4.4 重要因素对事故严重性的影响**

描述性统计分析显示:城市区域最常见的碰撞类型为正面碰撞、追尾碰撞和碰撞行人;涉及重型车辆的事故超过仅有轻型车辆的事故;双车碰撞中以轻重型车碰撞为主,其次为轻型-轻型、非机动车-重型及重型-重型碰撞;18至45岁驾驶员为主要责任方;达卡、吉大港、库尔纳、拉杰沙希和达卡市为事故高发区;持有效适检证书的车辆在事故中占比高。PDP分析揭示:持有效适检证书的车辆数越多,致死事故的预测概率反而下降,表明适检证书是车辆安全状况的标记而非独立的严重性致因;重型车辆较轻型或非机动车始终表现出更高的部分依赖值,体现了质量与碰撞能量对伤害风险的放大效应;农村区域致死概率在清晨和深夜时段达到峰值,中午下降,反映了低能见度、低交通密度和高峰时段外较高行驶速度的影响;碰撞行人虽是农村最常见的碰撞类型,但撞击路内/路外物体和追尾/直角碰撞在控制其他因素后具有更高的边际致死风险。

**五、讨论**

本研究通过Stack混合模型(RF、XGBoost、KNN)进行AS分析,该模型优于单一模型。研究发现与既有文献部分一致:[9]的分析同样识别出车辆类型和事故时间为关键因素;[5]关于摩托车事故的研究中碰撞类型和车辆类型与本研究一致;[41]识别出高速公路事故的碰撞类型,与本研究发现相符;[22]指出重型车辆(卡车)是高速公路事故的主要原因,与本研究高速公路子群结果吻合。差异主要源于道路结构、分析方法和数据集的不同。研究者强调,由于数据涵盖2006至2015年,而此后孟加拉国交通系统经历了重大变革(包括高速公路扩建、机动车保有量增长、车辆技术改进和交通管理措施变化),研究结果反映的是研究期间的碰撞环境而非当前道路安全状况,在将结论直接转化为当前政策干预时需要谨慎。

**六、结论**

本研究利用2006至2015年的警方数据,使用RF、XGBoost、KNN和Stack模型对30个事故相关参数进行了分类别的AS分析。基于准确性、F1、平衡准确率、宏F1和MCC得分,Stack模型优于其他模型。采用排列重要性和SHAP方法解释了影响孟加拉国事故的关键因素。基于区域、车辆参与和道路等级的六个类别分析揭示了AS的主要影响因素,包括车辆类型、碰撞类型、地区、隔离带、路面质量、位置、时间和驾驶员年龄,其中车辆类型和碰撞类型在各类别中具有普遍性。主要局限性包括:部分重要因素因大量缺失数据被排除;数据集存在显著类别不平衡(死亡事故占多数),尽管采用了类加权学习和SMOTE,模型对少数类别(轻伤和仅财产损失事故)的预测性能仍较低;缺乏暴露数据(如道路时间、行驶距离、职业与私人驾驶员比例),因此31至45岁驾驶员和持有效适检证书车辆的较高事故参与率应视为描述性关联,而非每行程风险的直接证据;数据时间跨度为2006至2015年,到2024年道路基础设施、驾驶员行为、经济条件和车辆特性的变化可能降低研究结果的当前适用性。未来研究应聚焦于:(a)细致的数据采集;(b)纳入人口调查数据或里程/行程暴露估计;(c)开发AS评估移动应用或软件;(d)针对类别不平衡应用分AS类别的单独建模或合并少数类别。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号