-
题名基于FHSPSO-RF的交通事故严重程度预测
- 1
-
-
作者
王淑椒
胡学龙
唐磊
-
机构
安徽理工大学矿业工程学院
-
出处
《山东交通学院学报》
2026年第1期25-33,共9页
-
文摘
为提高交通事故严重程度的预测准确性,构建一种基于觅食生境选择粒子群优化(foraging habitat selection particle swarm optimization,FHSPSO)算法优化随机森林(random forest,RF)算法关键超参数的FHSPSO-RF模型,以美国华盛顿州西雅图市2022年1月至2023年2月的交通事故数据为基础,选取12项特征指标,采用合成少数类过采样技术,增加重伤和死亡事故的样本数,改善事故类别分布均衡性;将FHSPSO-RF模型与支持向量机(support vector machine,SVM)、K近邻(K-nearest neighbors,KNN)和逻辑回归(logistic regression,LR)等模型进行性能对比,并通过SHAP(Shapley additive explanations)分析法,解析各特征对交通事故严重程度的影响机制。结果表明:过采样后重伤、死亡事故的召回率显著增大,FHSPSO-RF模型的整体性能更均衡;FHSPSO-RF模型的准确率、精确率、召回率、F1分数均高于其他3个模型,对交通事故严重程度的预测效果最好;在所有交通事故类型中,受伤人数和车辆数量均为最关键的驱动因素,对交通事故严重程度具有显著正向影响,行人数量、高冲击碰撞类型(如正面撞击)与复杂道路环境(如交叉口、匝道)是重伤及死亡事故的关键风险组合;财产损失事故与是否碰撞路边停放车辆密切相关。FHSPSORF模型在交通事故严重程度预测中表现出良好的性能与可解释性,可为交通事故风险预测与防控决策提供依据。
-
关键词
交通事故
严重程度预测
fhspso
RF
-
Keywords
traffic accident
severity prediction
fhspso
RF
-
分类号
U491.3
[交通运输工程—交通运输规划与管理]
-
