基于机器学习与统计学模型的道路事故严重程度预测模型效果评价.pdfVIP

摘要 摘要 道路交通事故数据分析对于交通安全有着重要意义。事故分析的重要性在于可以揭示 导致事故的不同类型因素的影响。道路事故风险模型的预测准确性需要不断提高。数 据挖掘方法可以用于道路交通事故数据分析。其中，统计学模型OP、MNL 等以及机器 学习模型 CART ，SVM ，KNN ，GNB 和 RF 等均可用于道路交通事故的数据集分析。 这给我们提供了去研究更加准确模型的机会。 本文对比了基于具有不同建模逻辑的各种机器学习和统计学模型在道路事故损害程度 预测中的精确度。基于香港不同地区委员会收集的道路事故数据，将这些模型用于预 测与各道路事故程度等级相对应的损害严重程度。本文计算并比较每个模型在测试数 据集上的预测准确性，然后进行灵敏度分析以推断解释变量对道路事故严重程度判断 的重要性。并对比了OP 和MNL 统计学模型对于变量影响的估计。 从灵敏度分析中，我们可以获得五个选定的机器学习模型对于碰撞事故严重程度的影 响大小。结果表明，尽管机器学习模型的方法存在过度拟合的问题，但其相比统计学 模型的方法具有更高的预测准确性。 RF ，GNB ，KNN ，SVM 和CART 的致命事故分 类准确率分别为