
-
生物通官微
陪你抓住生命科技
跳动的脉搏
XGBoost算法在沙特卡西姆地区交通事故严重程度预测中的适用性研究
《Scientific Reports》:Severity prediction of traffic accidents with recent machine learning paradigms and SHAP
【字体: 大 中 小 】 时间:2026年09月30日 来源:Scientific Reports 4.9
编辑推荐:
摘要交通相关死亡是全球主要的死亡原因之一。近年来,交通事故严重程度预测已成为广泛的研究课题。事故严重程度结果通常受人类、车辆、道路、天气、环境及其相互作用等因素的影响。更好地了解促成事故的情况和事故严重程度风险预测因子对于及时有效地实施适当的缓解措施至关重要。文献中,各种统计
交通相关死亡是全球主要的死亡原因之一。近年来,交通事故严重程度预测已成为广泛的研究课题。事故严重程度结果通常受人类、车辆、道路、天气、环境及其相互作用等因素的影响。更好地了解促成事故的情况和事故严重程度风险预测因子对于及时有效地实施适当的缓解措施至关重要。文献中,各种统计方法已被广泛用于事故严重程度建模;然而,这些方法基于几种不切实际的潜在假设,如果违反这些假设,可能会导致预测偏差。本研究旨在调查最先进的梯度提升算法"XGBoost"在沙特阿拉伯卡西姆地区交通事故严重程度预测中的适用性。使用不同的统计指标(包括准确率、召回率、精确率、F-1 分数、受试者工作特征 (ROC) 曲线和曲线下面积 (AUC)),将 XGBoost 的事故严重程度分类性能与两种传统机器学习算法(包括随机森林 (RF) 和逻辑回归 (LR))进行了比较。实证结果表明,所有模型都产生了可接受的预测性能;然而,XGBoost 达到了最高的准确率 (90.5%),优于 LR 和 RF 模型。使用性能指标对模型进行的比较也证明了 XGBoost 模型优越的预测性能。为了解决经常针对机器学习应用提出的备受诟病的“缺乏可解释性”问题,本研究还提出了基于 XGBoost 的特征敏感性和排序分析。结果表明,包括事故类型、天气状况、涉及车辆数量、照明条件、事故原因和一天中的时间 (TOD) 在内的预测因子对事故严重程度结果有强烈影响。还进行了 SHAP 分析,以评估严重程度风险因子与 XGBoost 特征重要性技术的一致性。本研究结果预计将为安全从业者和政策制定者提供关键见解,以改善高速公路安全。