首页|基于聚类分析和SVM的二级公路交通事故严重度预测

基于聚类分析和SVM的二级公路交通事故严重度预测

扫码查看
原文链接
  • 万方数据
  • 维普
为明析输入特征对交通事故严重度机器学习预测模型的影响,基于1 808条山区二级公路事故数据,选择12个事故严重度的影响因素作为候选特征变量,采用K-means(KM)聚类算法离散化事故严重度的连续特征变量,采用随机森林(RF)算法识别事故严重度的重要特征变量,通过组合3种输入特征变量(候选特征、KM特征、RF特征)和支持向量机(SVM)算法,分别构建事故严重度的3种SVM预测模型(SVM*、KM-SVM和RF-SVM),并分析3种SVM模型的预测性能及适用性.结果表明:通过离散连续变量和识别关键特征参数,可显著提高RF-SVM模型的预测准确率,重伤和死亡事故的预测准确率提高达40％;特征选择对SVM模型性能的影响程度要小于连续变量离散化;RF-SVM模型可获得比二元logistic回归模型更好的预测性能,但对不同输入特征的敏感性较高.
Traffic accident severity prediction for secondary highways based on cluster analysis and SVM model

杨文臣、周燕宁、田毕江、郭凤香、胡澄宇

展开 >

云南省交通规划设计研究院有限公司陆地交通气象灾害防治技术国家工程实验室,云南昆明650020

深圳市城市交通规划设计研究中心股份有限公司,广东深圳518057

昆明理工大学交通工程学院,云南昆明650500

K-means(KM)聚类 支持向量机(SVM) 事故严重度 山区二级公路 随机森林(RF) 机器学习

国家自然科学基金国家重点研发计划云南省基础研究计划公司自立科技项目

719610122017YFC08039062019FB072ZL-2019-04

2022

10.16265/j.cnki.issn1003-3033.2022.05.1263

中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
年,卷(期)：2022.32(5)
  • 11
  • 7