分析事故损伤严重程度通过一个极端的梯度增加(XGBoost)模型

文摘

车辆弱势道路使用者(VRU)崩溃在中国占据了很大一部分交通事故,受伤和事故严重程度分析可以支持交通管理者了解事故背后的隐性规则。因此,554年VRUs-involved崩溃收集从1月,2017年2月,2021年,在中国北方的一个城市,包括322 vehicle-pedestrian崩溃和232 vehicle-bicycle崩溃。首先,进行描述性统计分析调查VRUs-involved崩溃的特点。其次,介绍了极端的梯度增加(XGBoost)模型来识别风险因素(即的重要性。,time of day, day of week, rushing hour, crash position, weather, and crash involvements) of VRUs-involved crashes. The statistical analysis demonstrates that the risk factors are closely related to VRUs-involved crash injury severity. Moreover, the results of XGBoost reveal that time of day has the greatest impact on VRUs-involved crashes, and crash position shows the minimum importance among these risk factors.

1。介绍

碰撞损伤严重性分析在交通事故中扮演着关键角色分析,可以协助交通管理(1- - - - - -4]。事故受伤严重程度定义为碰撞造成的伤害和财产损失事件。车祸受伤严重程度分析旨在探索碰撞损伤严重程度之间的相关性和各种因素,如road-users-related因素,时间相关性因素,环境条件和事故类型。通用规则支持交通管理者更好地理解的贡献因素对事故伤害严重程度和进一步降低事故严重程度和提高交通安全发展对策5- - - - - -7]。

目前,事故伤害严重程度的研究方法可以分为两类,统计模型和基于机器学习模型。统计模型假设因素影响碰撞损伤严重性遵循一个特定的分布,需要仔细定义更好的捕捉碰撞损伤严重程度和解释变量之间的关系。常用的模型包含多元泊松回归模型(8,9probit模型[],命令10,11),二元二进制/命令probit模型(12,13),随机参数概率单位模型(14)等。王等人关注山区高速公路和提出部分比例优势模型确定truck-involved碰撞损伤严重程度的决定因素(15]。许等人试图调查pedestrian-involved碰撞损伤严重性地理和时空上通过使用加权回归模型考虑时空相关性(16]。统计模型可以证明并解释清楚碰撞严重程度之间的相关性及相关变量的帮助下可辩解的,合乎逻辑的理论推导。然而,由于碰撞损伤严重程度和因素之间的非线性关系,这些统计模型难以捕捉内心和内在相关性(17- - - - - -19]。

Machine-learning-based模型内部有一个强大的推理能力,这使得他们更灵活的学习没有或很少事先假设相关的因素来描述复杂的事故事件的特征。先前的研究采用物流模型(例如,随机参数logit模型和混合/命令logit模型)(20.,21),支持向量机(SVM) [22,23),随机森林(RF) (24,25],Bayesian-related模型[26,27)等,探讨碰撞损伤严重程度和因素之间的复杂关系,进一步确定事故受伤严重的风险因素。综合会计所观测到的异质性,Behnood等人引入一个随机参数多项logit模型比较崩溃风险因素损伤严重程度的贡献下bicycle-vehicle崩溃(28]。刘等人介绍了一个有序逻辑回归模型检验pedestrian-motor车辆碰撞的风险因素,考虑到时空相关性(29日]。李等人介绍了支持向量机模型探讨潜在的外部因素之间的相关性和事故受伤严重,但是性能抑制由于多类分类问题(30.]。李等人分析了影响电动有关自行车事故伤害严重程度的关键因素的帮助下随机森林模型(31日]。

除此之外,贝叶斯方法,作为一种经典的机器学习模型,已被广泛应用于碰撞损伤严重程度的造型,被视为Bayesian-related模型。例如,贝叶斯二项逻辑模型(32,33),贝叶斯多元回归模型(34,35),贝叶斯空间模式36,37),和贝叶斯组合logit模型(38)已经成功地在事故伤害severity-involved相关演示了它们的适用性问题。元等人碰撞严重程度分为两类(财产损失和伤害/死亡)和集成的二元概率单位模型和贝叶斯方法识别与碰撞损伤严重程度相关的因素(39]。哈克等人开发了二进制逻辑模型和贝叶斯推理方法探讨影响truck-involved崩溃,尤其是在乘员损伤严重程度考虑综合因素(40]。郭等人提出了一个新颖的随机参数,即多元托比特书模型,识别风险因素对事故严重程度在不同事故类型(41]。张等人利用贝叶斯多项logit模型与条件自回归之前检查危险因素导致高速公路事故损伤严重程度(42]。

总而言之,以前的研究集中在识别风险因素对交通伤害严重程度通过各种统计模型和基于机器学习模型,和令人满意的结果。然而,决策树ensemble-based模型,也一种机器学习模型,包括自适应提高(演),梯度提高决策树(GBDT),光梯度提升机(LightGBM),和极端的梯度增加(XGBoost),用于碰撞损伤程度分析。此外,易受伤害的道路使用者(VRUs),作为弱势群体的交通参与者,容易崩溃的致命伤害(43]。作为最常见的VRUs,行人和骑车人被重视,但很少利用决策树ensembles-based模型探讨背后的潜在的普遍规则VRUs-involved崩溃。因此,本文试图描述的特点VRUs-involved崩溃和识别与碰撞损伤严重程度相关的因素。基于这个目的,554 VRU-vehicle崩溃(包含232 bicycle-vehicle崩溃和322 pedestrian-vehicle崩溃)被收集。此外,XGBoost介绍碰撞损伤严重性造型和排名的重要性风险因素对事故伤害严重程度。本文的贡献是双重的:(1)进行描述性统计分析,调查VRUs-involved崩溃的特点从六个角度(即危险因素。,time of day, day of week, rush hour, crash position, weather, and crash involvements), and further transform into universal rules to support traffic management(2)XGBoost采用识别风险因素导致VRUs-involved碰撞损伤严重程度的帮助下VRUs-involved崩溃数据集从政策记录,进而确定真正原因增强交通安全

本文的其余部分组织如下。部分2介绍了数据变量分析细节和候选人。部分3描述的细节XGBoost模型。部分4提供了实验结果,由事故严重性的特征和识别风险因素。部分5简要总结了研究。

2。数据描述

2.1。数据源

为探索VRUs-involved崩溃的特点,554年崩盘样本收集从警方记录崩溃,这发生在中国北方的一个城市在四年。数据集包含各种信息,比如碰撞时间,位置,,还和损伤程度、提取和六个因素来解释VRUs-involved崩溃的特点。汽车和自行车或行人参与一个崩溃,和骑车人和行人被定义为VRUs。事故数据集包含323 vehicle-bicycle崩溃和322 vehicle-pedestrian崩溃。property-damage-only崩溃被排除在外,因为vehicle-bicycle或vehicle-pedestrian崩溃容易受伤或死亡,属于伤害或致命的事故。此外,事故数据集包含385伤害事故和169年的致命的事故,造成517人受伤,173人死亡。

2.2。候选人变量

一般来说,如果涉及死亡或受伤的乘客在车祸中,它可以被视为一个严重的事故。考虑到数据集只包含致命事故和伤害事故,但没有property-damage-only事故,事故受伤严重程度分为两类:伤害事故(只有主人参与这次事件中受了伤),编码为0,和致命事故(至少一例死亡主人参与崩溃),编码为1。图1描述了从数据集中提取的因素与崩溃,每天的时间,一天的星期,高峰时间,天气,崩溃的位置,对事故责任人。这六个因素中提取调查VRUs-involved崩溃的特点,分为两个典型损伤类别(见表1)。

在某种程度上,每天的时间反映了照明条件外侧,这是旅行的一个重要因素。考虑到崩溃的位置是复杂的,主要包含路段和路口,但是更少的人行道,迂回的。为了更好的造型,事故发生在人行道上被认为是路段。天气信息收集到相关的网站(见http://www.tianqihoubao.com/lishi基于崩溃的日期和时间26]。指出,本网站只提供天气信息在两个时期,白天,晚上,它不是足够详细的具体时间。此外,由于不同类型的天气,他们中的一些人也有类似的对旅游环境的影响,例如,晴天和多云的,雨天和雪天。因此,天气分为两类:好,不利。

3所示。方法

极端的梯度增加(XGBoost),作为一个典型的决策树ensemble-based模型,提出了由陈于2016年(44]。从GBDT XGBoost优化,二阶导数引入优化过程。它优于并行学习的优势,高灵活性,内置的交叉验证等。先前的研究已经证明了成功应用在交通事故严重程度分析和风险预测45,46]。

3.1。目标函数

给定的训练数据 ,目标函数是描述为 在哪里 是培训的损失,它衡量模型的拟合性能训练数据,然后呢表示正则化项,控制对预防过度拟合模型的复杂性。训练数据集的体积,表示树的数量。一般来说,对于分类问题,采用物流损失损失函数,并给出的表达式 在哪里是真值,预测价值。XGBoost模型中,预测价值之和为每个树和分数可以被定义为 在哪里表示功能和空间的功能是 - - - - - -树。

3.2。添加剂的培训

在培训过程中,它是棘手的同时学习所有的树木。相反,XGBoost介绍一个加法策略,纠正了我们所学到的东西并添加一个新的树。添加剂战略提供的细节 在哪里和表示预测价值和预测函数(即补充道。,新树)的步骤 ,分别。获得最好的树在每一步,目标函数的步骤被定义为 在哪里 是一个常数。培训损失函数,介绍了泰勒公式在损失函数及其表示为二阶扩张 在哪里和在损失函数是一阶和二阶偏导数,可以表示为

一般来说,目标函数的常数项被忽略,简化目标函数可以获得

3.3。模型的复杂性

定义树的复杂性,我们细化树(9)。它包含权重向量的树叶和映射函数 ,每个数据样本映射到相应的叶。 在这里,是叶子的数量。然后,复杂性可以被定义为(10)。是叶系数,表示L2系数正则化项。

我们定义 ,表示数据样本的集合分配给吗 - - - - - -叶。然后,我们介绍(10)(9)的目标函数 - - - - - -树可以写成

代表一阶偏导数的总和叶。 表示二阶偏导数的总和叶。我们把部分推导对 ,最好的可以获得和客观的价值

衡量好树,找到最好的树结构,介绍了贪婪算法。它开始从一个叶和尝试每片叶子分割成两个叶子,然后计算这个分裂过程中信息增益(见方程(14))。 在哪里 , 和 , 是左和右的导数值后分裂。表示增益损失函数的分裂。如果 ,分裂的结果将被考虑。

4所示。结果

基于544年的事故数据,与时间相关的信息,崩溃的位置,天气,对事故责任人。节,六个风险因素是提取探索VRUs-involved崩溃的特点,进一步确定风险因素导致事故受伤严重。

4.1。描述性统计分析

以下4.4.1。时间特征

图2说明了不同事故类型的比例在三个与时间相关的因素。从时间的角度,VRUs-involved事故可能发生在白天,晚上而严重车祸的比例相对高于白天,值为38.7%和25.9%(见表2)。也许大多数人打算白天旅行,容易导致崩溃。但是在晚上,由于可怕的旅行环境(即。,poor light visible condition), the crashes are easy to cause deaths. Additionally, the proportion of crashes on weekdays is larger than that on weekends/holidays, but the fatality rate is the opposite and the values of weekday and weekend/holiday are 28.6% and 35.9%, respectively. The reason may be that people keep a relatively low safety alert when traveling on weekends/holidays than on weekdays. Moreover, the VRUs-involved crashes are prone to happen in off-peak hours than in rush hours due to the longer period of off-peak hours. Similarly, the fatality rate of off-peak hours is higher than those of rush hours (the values are 31.7% and 28.0%, respectively).

VRUs-involved事故数的变化趋势如图不同天的星期3和表3提供事故损伤严重程度信息下星期的每一天。它说明了最多的事故出现在周四,周日则最少。主要原因可能是周四一天周末,附近最繁忙的一天大多数人以及交通,但星期天是最后一个周末,当人们更有可能在家里休息。然而,致死率较高周日(该值为41.0%),因为在休闲旅游的人安全意识低。此外,周一占用一个值的最低死亡率19.7%。原因可能在于周一工作日的第一天,人们将保持一个相对戒备森严的戒备,上班。

VRUs-involved崩溃对损伤严重程度的统计信息如表所示4,图4说明了崩溃的小时数的变化趋势。这表明事故是容易出现在高峰期(即。,7:00–9:00, 17:00–20:00), especially in the rush hours of the morning, with the highest peak existing in 7:00–8:00 (the total number of crashes is 45). It is because that this period is the time to go to work when the traffic is busy, likely to cause crashes. Moreover, most of the crashes happened at 6:00–23:00, which is the time for human activities, while few crashes occur within 23:00–6:00, which is the sleeping time. Overall, we found that the mortality at night is relatively higher than that in the daytime.

4.1.2。空间特征

在事故的原始数据集,姿势很复杂,这使得很难被描述的空间特征。因此,我们重组复杂事故环境分为两种类型:路段和交叉口。表5提供事故的统计信息在两种类型的位置。涉及169人死亡事故,其中包括110名在十字路口的道路部分和59。此外,在路上发生的事故中,部分比例高于十字路口,道路部分和事故的死亡率和十字路口是0.293和0.331,分别。此外,十字路口的致命事故发生的比例高于受伤的崩溃,值的34.9%和30.9%。因此,我们可以获得事故更容易发生道路部分,但事故发生在十字路口有更高的死亡。

4.1.3。天气的特点

有各种类型的天气,所以,很难描述天气特征与碰撞损伤严重程度有关。因此,天气分为好(包括晴天和多云)和恶劣天气(包括雨、雪等)。表6显示了受伤的严重性风雨无阻的统计信息。大部分VRUs-involved坠毁发生在好天气,上涨了82.7%。这是因为人喜欢旅行相比,好天气恶劣天气。然而,崩溃的死亡率在不利天气比在好天气,值分别为0.323和0.301。同样,事故发生在不利的致命事故比伤害事故占很大比例;值分别是18.3%和16.9%。结果说明,VRUs-involved事故很少发生在恶劣的天气。但一旦发生,它可能会导致死亡。

4.1.4。事故责任人的特点

在事故中数据集,同时参与事故是汽车和自行车和行人或车辆;因此,事故责任人分为vehicle-bicycle和vehicle-pedestrian。可以看出vehicle-pedestrian崩溃占据了相对较高的比例不仅在致命事故还在伤害事故(见表7),严重车祸的比例高于受伤的崩溃,值分别为68.6%和53.5%。此外,vehicle-pedestrian事故的死亡率高于vehicle-bicycle崩溃,值为0.360和0.228。总之,我们可以推断vehicle-pedestrian vehicle-bicycle相比更容易崩溃导致死亡事故,这些事故可能发生在十字路口和人行横道。这可能是因为比行人、自行车更大的目标更容易吸引车辆司机的注意。行人和骑自行车的人比的反应距离,可以减少事故的损伤程度。

4.2。识别风险因素重要性

4.2.1。准备参数优化

在本节中,XGBoost用于标识因素影响碰撞损伤严重程度。有人指出XGBoost是至关重要的参数模型的性能,并介绍了网格搜索算法获得最优参数。对于二元分类问题在这项研究中,物流损失和接受者操作特征曲线下面积损失函数被定义为目标和评价指标,分别。此外,四个参数,包括数量的估计( ),学习速率、最大深度和正则化系数( ),选择网格搜索算法的优化,并给出候选值在表吗8。估计的数量指的是迭代次数(即。,the number of decision tree), learning rate controls the step size in weight updating, and maximum depth denotes the maximum depth of a tree. All these parameters contribute to preventing overfitting.

基于网格搜索结果中,我们发现,模型可以获得最优参数,当估计的数量设置为10,学习速率为0.05,最大深度为4,3,AUC和准确性的分数是0.675和0.706,分别。图5提供了AUC变化趋势不同参数设置下。从图5(一个)AUC分数显示,向上和向下的趋势,和最大的成绩是0.675时估计的数量设置为10,这表明最优值的数量估计是10。学习速率的最佳值,最大深度,0.05、4和3,分别。它指出,其他三个参数设置为最优值(即。学习速率是设置为0.05,最大深度为4,在图3)5(一个)和其他情况下遵循这条规则。

4.2.2。风险因素的分析

XGBoost模型最优参数后可以获得参数优化过程通过使用网格搜索算法。然后,等因素确定的因素显示VRUs-involved碰撞损伤严重程度的影响。图6显示各种风险因素的重要性从XGBoost模型基于信息增益,它被定义为目标函数的平均增益优化所有分裂特性(即。因素)中使用。一天中不同的时间占据了最重要的角色在VURs-involved事故损伤程度、信息增益得分为4.56。它显示时间(白天/晚上),可以使用照明条件(好/不良)相反,有更大的影响VRUs-involved崩溃,也许因为这事故容易发生在白天(或良好的照明条件),而发生的事故中,晚上(或不利条件)更有可能导致死亡。

此外,高峰时间,星期,对事故责任人显示相对类似的重要性,以信息增益的分数为1.42,1.32,和1.11,分别。其原因可能是高峰期(即的类别。,rush hour and off-peak hour) show a minor difference of influence on VRUs-involved crashes, and day of week (i.e., weekday and weekend/holiday) and crash involvements (i.e., vehicle-bicycle and vehicle-pedestrian) are similar. The weather and crash position represent the least importance to VRUs-involved crash injury severity, and the information gain values are 0.43 and 0.20. Therefore, we infer that the people who travel in good or adverse weather show a similar impact on crash injury severity, which is consistent with the result of Section4.1.3(死亡率接近表6)。这可能是因为人们不喜欢旅行,在恶劣的天气和他们旅行时保持相对较高的安全意识。此外,VRUs-involved崩溃,发生在不同的位置(即。、路段和路口)显示相似的结果。

5。结论

VRUs-involved碰撞损伤严重程度分析事故背后的关系转换成通用规则,进一步支持交通管理。本文演示了一个描述性统计分析的特点VRUs-involved崩溃基于554事故数据收集在一个中国北方的城市,进一步利用XGBoost识别风险因素影响碰撞损伤严重程度。重要的结论总结如下。(1)风险因素(即。,time of day, day of week, rush hour, crash position, weather, and crash involvements) are closely related to VRUs-involved crash injury severity. More specifically, vehicle-bicycle and vehicle-pedestrian crashes are prone to involve fatalities at intersections on the weekend night in adverse weather. (2) The time of day plays a more important role in VRUs-involved crash injury severity compared with other factors, which reveals that VRUs-involved crashes that happened at night are prone to cause deaths. Additionally, the weather has little effect on VRUs-involved crash injury severity. (3) Compared to vehicle-bicycle crashes, vehicle-pedestrian crashes are prone to happen at intersections (especially at the crosswalk near the intersection), and these crashes readily cause deaths.

尽管几个因素进行了分析,AUC和XGBoost精度是0.675和0.706,分别,结果仍然可以接受并满足当前的研究。获得更准确和详细VRU-vehicle碰撞损伤严重程度的特点,提出了一些研究方向。(1)更多的风险因素(如照明条件,司机的年龄、性别、事故模式和碰撞位置相关因素)可以被认为更好地解释VRU-vehicle碰撞损伤严重程度的特点,进一步识别关键风险因素。VRU-vehicle碰撞损伤严重性的特点是不完全、准确地利用由于风险因素的限制。然而,丰富的风险因素可能导致不忠的特征描述。这个话题,如何提取适当的数量和精确的风险因素是一个重要的挑战。(2)风险因素识别机制可以开发精度高和鲁棒性上碰撞损伤程度分析、随机森林(RF)和非参数贝叶斯等方法,以更好地解释的特点,确定事故的真正原因。XGBoost模型促进碰撞损伤严重程度的调查问题,但准确性由于小样本大小是有限的。因此,如何开发风险因素识别方法与一个小样本大小是一个热点。此外,如何考虑时空相关性在造型过程中是一个关键的挑战。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文是由中国国家自然科学基金(52102397和52102397号)和中国国家重点研发项目(没有。2019 yfb1600605)。

引用

1. y y元,m .杨郭,s . Rasouli z甘,和y任,“风险因素与truck-involved致命碰撞严重程度:分析其影响对不同组的卡车司机,”《安全研究卷,76年,第165 - 154页,2021年。视图:出版商的网站|谷歌学术搜索
2. p . Liu和w .粉丝,“正面碰撞损伤严重程度的分析使用部分比例优势模型,”交通安全与安全》杂志上,13卷,不。7,714 - 734年,2019页。视图:出版商的网站|谷歌学术搜索
3. d . Li p . Ranjitkar y赵,h .咦,和s Rashidi”分析行人碰撞损伤严重程度在不同天气条件下,“交通伤害的预防,18卷,不。4、427 - 430年,2017页。视图:出版商的网站|谷歌学术搜索
4. x, y, z . Li l . Qi和r·柯”高分辨率车辆轨迹提取和从空中视频去噪,”IEEE智能交通系统,22卷,不。5,3190 - 3202年,2020页。视图:出版商的网站|谷歌学术搜索
5. c·李和m . Abdel-Aty”,综合分析vehicle-pedestrian十字路口的崩溃在佛罗里达州,”事故分析和预防,37卷,不。4、775 - 786年,2005页。视图:出版商的网站|谷歌学术搜索
6. m·g·穆罕默德·n . Saunier l . f . Miranda-Moreno和美国诉Ukkusuri”聚类回归的方法:一个全面的损伤程度分析pedestrian-vehicle崩溃在纽约,我们和蒙特利尔,加拿大,”安全科学卷,54 27-37,2013页。视图:出版商的网站|谷歌学术搜索
7. 陈x, s . Wang施c, h . Wu j .赵和j .傅“健壮的船通过视点跟踪学习和稀疏表示,“期刊导航,卷72,不。1,第192 - 176页,2019。视图:出版商的网站|谷歌学术搜索
8. j . Ma k . m . Kockelman p .达米安,“多元Poisson-lognormal回归模型预测事故数量的严重程度,利用贝叶斯方法,”事故分析和预防,40卷,不。3、964 - 975年,2008页。视图:出版商的网站|谷歌学术搜索
9. k . El-Basyouny s Barua, m . t .伊斯兰教,”调查的时间和天气影响事故类型使用全贝叶斯多元泊松对数正态模型,”事故分析和预防卷,73年,第99 - 91页,2014年。视图:出版商的网站|谷歌学术搜索
10. a . j . Anarkooli m . Hosseinpour, a . Kardar”调查影响因素单车翻转事故的损伤严重程度:一个随机广义下令probit模型,”事故分析和预防卷,106年,第410 - 399页,2017年。视图:出版商的网站|谷歌学术搜索
11. g . Fountas和p . c . Anastasopoulos”事故损伤程度分析结果:zero-inflated层次有序probit模型与相关障碍,”在事故的研究分析方法,20卷,30 - 45,2018页。视图:出版商的网站|谷歌学术搜索
12. 郭y . j .,周、吴y和j .陈”的评价影响因素涉及电动自行车事故和电动自行车牌照使用二元概率单位模型在中国使用,“《先进的交通工具卷,2017篇文章ID 2142659, 12页,2017。视图:出版商的网站|谷歌学术搜索
13. m . f . Chen歌,马x”调查的司机受伤严重追尾事故的汽车之间使用一个随机参数二元有序probit模型,”国际环境研究和公共卫生杂志》上,16卷,不。14,2632年,页2019。视图:出版商的网站|谷歌学术搜索
14. 美国Darban而倒,m . m . Kunt和迪米特里,“分析风险因素对青少年的影响和使用random-parameter下令probit老司机受伤严重,”加拿大土木工程杂志》上卷,47号11日,第1257 - 1249页,2020年。视图:出版商的网站|谷歌学术搜索
15. 王y和c . g .普拉托,“受伤的严重性决定因素对山区高速公路卡车事故在中国:一个案例研究部分比例优势模型,”安全科学,卷117,不。4月,第107 - 100页,2019年。视图:出版商的网站|谷歌学术搜索
16. x, x罗、马c和d,“时空分析地理和时空上的行人损伤严重程度加权回归模型在香港,“交通运输研究F部分:心理学和行为卷,69年,第300 - 286页,2020年。视图:出版商的网站|谷歌学术搜索
17. f . l .曼纳林和c·r·巴特在事故分析方法研究:方法论的前沿和未来方向,”在事故的研究分析方法,卷1,22页,2014页。视图:出版商的网站|谷歌学术搜索
18. 陈x, j . Lu j .赵瞿z, y,和j .西安“交通流预测在不同时间尺度通过集成经验模态分解和人工神经网络,”可持续性,12卷,不。9,3678年,页2020。视图:出版商的网站|谷歌学术搜索
19. 陈x, l .气y杨et al .,“视频检测基础设施增强船舶自动识别和行为分析,“《先进的交通工具卷,2020篇文章ID 7194342, 12页,2020。视图:出版商的网站|谷歌学术搜索
20. 黄问:元,h·杨,j . s .寇,y,和a . Theofilatos”哪些因素影响损伤严重的车辆在中国电动自行车事故?”机械工程的发展,9卷,不。8,2017。视图:出版商的网站|谷歌学术搜索
21. k . Haleem和a .甘”的影响司机的年龄和碰撞严重程度的影响以及城市高速公路:组合logit方法,”《安全研究,46卷,第76 - 67页,2013年。视图:出版商的网站|谷歌学术搜索
22. a . Iranitalab和a . Khattak”比较四种统计和机器学习方法的碰撞严重程度预测,“事故分析和预防,卷108,不。8月,27-36,2017页。视图:出版商的网站|谷歌学术搜索
23. j . Tang j .梁,汉族,z,黄和h”碰撞损伤严重程度分析使用两层堆叠框架,“事故分析和预防,卷122,不。2019年5月,页226 - 238。视图:出版商的网站|谷歌学术搜索
24. 周x p . Lu z,郑,d . Tolliver和a . Keramati”事故预测精度评估highway-rail平交道口使用随机森林算法和决策树相比,“可靠性工程和系统安全,卷200,不。2020年7月,文章ID 106931。视图:出版商的网站|谷歌学术搜索
25. l, c·g·普拉托,y . Wang”排名贡献者山区高速公路上交通事故从一个不完整的数据集:一个连续的多元归责方法链方程和随机森林分类器”事故分析和预防,卷146,不。1月,ID 105744条,2020年。视图:出版商的网站|谷歌学术搜索
26. 梁问:元,z,陈汉宾,y,“调查三轮车事故的严重程度和主要天气因素在北京,”学报18科国际会议的交通工具,第1719 - 1710页,北京,中国,2018年7月。视图:谷歌学术搜索
27. 郭y, z李、吴y和c .徐”探索未被注意的异质性骑车人的冲红灯在不同过街设施的行为。”事故分析和预防,卷115,不。2018年11月,页118 - 127。视图:出版商的网站|谷歌学术搜索
28. a Behnood和f .曼纳林bicycle-vehicle崩溃骑自行车受伤严重程度的决定因素:一个随机参数方法在均值和方差与异质性,”在事故的研究分析方法》16卷,形成反差,2017页。视图:出版商的网站|谷歌学术搜索
29. 李x, a . j . Liu Hainen,聂,和s Nambisan“机动车事故中行人损伤严重程度:一个集成的时空建模方法,”事故分析和预防,卷132,不。8月,第105272页,2019年。视图:出版商的网站|谷歌学术搜索
30. z, p . Liu w . Wang和c .徐”使用支持向量机模型的碰撞损伤严重程度分析,“事故分析和预防,45卷,第486 - 478页,2012年。视图:出版商的网站|谷歌学术搜索
31. 张x, y s . Li w . j . Wang和x f .榉”电动自行车骑手损伤事故影响因素基于随机森林模型,”交通运输系统工程与信息技术》杂志上,21卷,不。1,第200 - 196页,2021。视图:出版商的网站|谷歌学术搜索
32. 郭y, z李、吴y和c .徐“评估影响因素电动自行车用户的车牌登记在中国使用贝叶斯方法,”交通运输研究F部分:心理学和行为59卷,第221 - 212页,2018年。视图:出版商的网站|谷歌学术搜索
33. x r . Yu王、杨k和m . Abdel-Aty”对上海城市高速公路事故风险分析:贝叶斯semi-parametric建模方法,”事故分析和预防卷,95年,第502 - 495页,2016年。视图:出版商的网站|谷歌学术搜索
34. s . Heydari l .傅l·约瑟夫·l·f·Miranda-Moreno,”贝叶斯非参数建模在交通安全研究:应用程序在单变量和多变量的设置,“在事故的研究分析方法,12卷,不。9月,18 - 34岁的2016页。视图:出版商的网站|谷歌学术搜索
35. 问:曾庆红,w·顾x张h .温家宝,j·李,和w·郝”分析高速公路事故严重性使用贝叶斯空间广义下令logit模型与条件自回归先知先觉,“事故分析和预防,卷127,不。2019年2月,页87 - 95。视图:出版商的网站|谷歌学术搜索
36. x,谢,p, s . c . Wong h·黄和x裴,“行人受伤的严重程度在香港由于信号交叉路口的交通事故:一个贝叶斯空间logit模型,”《先进的交通工具,50卷,不。8,2015 - 2028年,2016页。视图:出版商的网站|谷歌学术搜索
37. 问:曾庆红,h·温、黄h . m . Abdel-Aty”托比特书贝叶斯空间随机参数模型分析事故道路段,利率”事故分析和预防卷。100年,37-43,2017页。视图:出版商的网站|谷歌学术搜索
38. z h . Khattak和m·d·方丹,”贝叶斯建模框架崩溃主动交通管理系统的严重影响,”事故分析和预防文章ID 105544卷,145年,2020年。视图:出版商的网站|谷歌学术搜索
39. 问:元,x, m .徐j .赵和y,“引人注目的角色,在侧面碰撞中汽车车辆之间:贝叶斯二元概率元分析在中国,“事故分析和预防,卷134,不。10月,ID 105324条,2020年。视图:出版商的网站|谷歌学术搜索
40. m·t·哈克,m . Zlatkovic和k . Ksaibati”调查乘员伤害的严重性truck-involved崩溃基于对山区高速公路车辆类型:层次贝叶斯随机拦截的方法,”事故分析和预防文章ID 105654卷,144年,2020年。视图:出版商的网站|谷歌学术搜索
41. 李郭y, z . p . Liu和y . Wu”建模失事率相关性和异质性的碰撞类型使用多元托比特书全贝叶斯随机参数模型,”事故分析和预防卷,128年,第174 - 164页,2019年。视图:出版商的网站|谷歌学术搜索
42. 张x h·温、t .山本和曾问:,“调查影响高速公路事故危险因素损伤严重程度将实时气象数据:使用条件自回归先验贝叶斯多项logit模型,”《安全研究卷,76年,第255 - 248页,2021年。视图:出版商的网站|谷歌学术搜索
43. 问:元,h·陈,“乘用车的因素比较弱势道路使用者崩溃在北京,中国,“国际期刊的防撞性,22卷,不。3、260 - 270年,2017页。视图:出版商的网站|谷歌学术搜索
44. t·陈和c . Guestrin“XGBoost”,22 ACM SIGKDD学报》国际会议上知识发现和数据挖掘- 17卷,第794 - 785页,2016年。视图:出版商的网站|谷歌学术搜索
45. m . x, y . d . Wong Z.-F。李、c . Palanisamy和c·柴”功能基于XGBoost驾驶的学习方法评估和风险预测,“事故分析和预防,卷129,不。2019年3月,页170 - 179。视图:出版商的网站|谷歌学术搜索
46. z m .郭元,彭y, y, b·延森和w·王,”年长的行人交通事故严重性分析基于一个新兴的机器学习xgboost,”可持续性,13卷,不。2,页926 - 2021。视图:出版商的网站|谷歌学术搜索

版权

版权©2021吴Shubo et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。