TY - JOUR A2 - Cai, Qing AU - Gan, Jing AU - Li, Linheng AU - Zhang, Dapeng AU - Yi, Ziwei AU - Xiang, Qiaojun PY - 2020 DA - 2020/12/21 TI - a Alternative Method for Traffic Accident Severity Prediction:交通安全问题一直是可持续交通发展的重要问题，交通事故严重程度的预测是交通安全领域的一个重要挑战。人们提出了各种各样的预测模型来应对这一挑战。这些模型逐渐从线性向非线性发展，从传统的统计回归模型向当前流行的机器学习模型发展。最近，南京大学一个研究团队首次提出了一种基于决策树集成的Deep Forests机器学习算法，引起了广泛关注。与其他机器学习算法相比，该算法具有更高的准确性和鲁棒性。基于这一好处，本研究采用了英国道路安全数据集，提出了一种基于Deep Forests算法的预测交通事故严重程度的新方法。为了验证所提方法的优越性，利用相同的数据集实现了其他几种基于机器学习算法的毁灭模型，预测结果表明，Deep Forests算法具有良好的稳定性、更少的超参数、并且在不同训练数据量水平下准确率最高。希望本研究的研究结果能够对可持续交通体系内有效的交通安全体系的建立或完善有所帮助。 which is of great significance for helping government managers to establish timely proactive strategies in traffic accident prevention and effectively improve road traffic safety. SN - 0197-6729 UR - https://doi.org/10.1155/2020/1257627 DO - 10.1155/2020/1257627 JF - Journal of Advanced Transportation PB - Hindawi KW - ER -